资源描述：
《浅谈结构方程模型在卫生学研究中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、浅谈结构方程模型在卫生学研究中的应用-->结构方程模型(structuralequationmodeling,SEM)又称为协方差结构分析(covariancestructureanalysis),是应用数理统计的一个重要方向,近十年来,作为一种对复杂的多变量关系进行研究的手段,被越来越多地运用于社会科学(包括行为科学、新闻学等)、经济学、市场营销学、医学和教育学等领域。1 结构方程模型概述 SEM试图根据一些较少量的不可观察变量(潜变量)来解释一组观察变量之间的关系。简单而言,SEM由测量模型与结构模型组成。它是用测量模型来描述观察变量与潜变量之间的关系,用结构模型来描述潜变量与潜变量之
2、间的关系,并用对协方差矩阵Σ的分析来描述其结构的。 SEM可用以下矩阵方程表示[1]: 对于潜变量与潜变量之间的关系,即结构模型部分: η=Bη+Гξ+ξ 其中η、ξ分别是内源和外源潜变量,B是内源潜变量之间的关系,Г是外源潜变量对内源潜变量的影响,ζ是模型中未能解释的部分。 对于观察变量与潜变量之间的关系,即测量模型部分: X=Λxξ+δ Y=Λyη+ε X、Y分别是外源和内源观察变量,δ、ε分别是X、Y的测量误差,Λx是X与外源潜变量ξ的关系,Λy是Y与内源潜变量η的关系。 结构方程模型的建模有五个主要步骤:①模型设定:研究者首先根据先前的理论和已有的知识,经过推论和假
3、设,形成一个关于一组变量之间相互关系(常常是因果关系)的模型。也就是可以用路径图明确指定变量间的因果联系。②模型识别:设定SEM模型时的一个基本考虑是模型识别。如果假设的模型本身不能识别,则无法得到系统各个自由参数的唯一估计值。检医学论文发表查模型识别的基本规则是,模型的自由参数不能多于观察数据的方差和协方差总数。③模型估计:SEM模型的基本假设是,观察变量的方差协方差矩阵是一套参数的函数。固定参数值和自由参数的估计将被代入结构方程,然后推导出一个方差协方差矩阵Σ,使矩阵Σ中的每一个元素尽可能地接近于样本中观察变量的方差协方差矩阵S中的相应元素,即使Σ与S之间的差异最小化。尽管参数估计的数学
4、运算方法很多,其中最常用的估计方法还是最大似然法(ML)和广义最小二乘法(GLS)。④模型评价:就是在已有的证据与理论范围内,考察所提出的模型拟合样本数据的程度。关于模型的总体拟合程度的测量指标主要有χ2检验、拟合优度指数(GFI)、校正的拟合优度指数(AGFI)、均方根残差(RMR)等。关于模型每个参数估计值的评价可以用给出的“t”值。评价单个模型参数的指标还有标准化残差、修正指数(MI)等。⑤模型修正:模型修正是为了改进初始模型的适合程度。当尝试性初始模型不能拟合观察数据时,即这个模型被数据所拒绝时,就需要将模型进行修正,再用同一组观察数据来进行检验。 统计计算SEM常用的软件包有LI
5、SREL、EQS、AMOS和SAS中的CALLS等[2]。2 优越性及其存在的问题 SEM的出现和逐渐普及,说明它具有其他统计分析所不及的长处和越来越为研究者们所认可的重要性。Bollen和long(1993)指出SEM突出的优点主要是:①可以同时考虑和处理多个因变量;②允许自变量和因变量包含测量误差;③与因子分析相似,SEM允许潜变量由多个观察指标构成,并可以同时估计各指标的信度和效度;④SEM可以采用比传统方法更有弹性的测量模型;⑤如某个指标在SEM中可以从属于两个潜在因素,但是在传统方法中,一个指标大多只依附于某一个因素;⑥研究者可以设计出潜变量之间的关系,并估计整个模型与数据的拟合
6、。 当然我们也要看到,结构方程模型本身还是不够完善的。比如它在模型设定、模型拟合、拟合检验以及对结果的解释等方面都还存在或多或少的问题:如现有理论不能准确提出有说服力的因果模型;在模型设定与模型识别过程中所作的比较,可能有损于最初的理论假设;可能没有充分的定性和定量数据以保证模型的拟合等等。简言之,其他统计模型中存在的问题,都有可能在结构方程模型中存在。 结构方程模型也只是一种研究思路,一种统计方法,要恰当地使用它还必须依赖于正确的理论构想,这是研究的前提条件。而且研究要得到科学的结论,就必须有正确的理论构想,结构关系模型只能在理论构想的前提下去说明关系,而不能通过它来发现事物之间的因果
7、关系,换句话说,SEM只能判定一个模型是不合理的,或者是判定一个模型在理论前提下该是怎样的,却不能医学论文发表发现和证明因果关系。 结构方程模型研究所需要的样本容量也是应该注意的问题,要取得较为稳定的结果必须有较大的样本容量。另外,如果使用的样本不具有代表性,或者是有偏样本,那么结构方程模型所得的结论是不可靠的,不能推广到更大的总体中去。 结构方程模型的出现无疑是统计方法上的一个显著的进步,这种分析因果关
