10. 结构方程模型建模和分析步骤.ppt

高级统计方法******@1结构方程建模和分析步骤验证模型与产生模型纯粹验证(StrictlyConfirmatory,SC)心目中只有一个模型这类分析不多,无论接受还是拒绝,仍希望有更佳的选择选择模型(AlternativeModels,AM)从拟合的优劣,决定那个模型最为可取但我们仍常做一些轻微修改,成为产生模型类的分析2产生模型(ModelGenerating,MG)先提出一个或多个基本模型基于理论或数据,找出模型中拟合欠佳的部分修改模型,通过同一或其他样本,检查修正模型的拟合程度,目的在于产生一个最佳模型3结构方程分析步骤模型建构(ModelSpecification),指定观测变量与潜变量(因子)的关系各潜变量间的相互关系(指定哪些因子间有相关或直接效应)在复杂的模型中,可以限制因子负荷或因子相关系数等参数的数值或关系(例如,;2个因子负荷必须相等)模型拟合(ModelFitting,通常MLE) 主要的是模型参数的估计(.,回归分析,通常用最小二乘方法拟合模型,相应的参数估计称为最小二乘估计)4模型评价(ModelAssessment)结构方程的解是否适当(Proper),估计是否收敛,各参数估计值是否在合理范围内(例如,相关系数在-1与+1之间)参数与预设模型的关系是否合理。当然数据分析可能出现一些预期以外的结果,但各参数绝不应出现一些互相矛盾,与先验假设有严重冲突的现象检视多个不同类型的整体拟合指数,如NNFI、CFI、RMSEA和卡方值等含较多因子的复杂模型中,无论是否删去某一两个路径(固定它们为0),对整个模型拟合影响不大应当先检查每一个测量模型5模型修正(ModelModification)依据理论或有关假设,提出一个或数个合理的先验模型检查潜变量(因子)与指标(题目)间的关系,建立测量模型可能增删或重组题目若用同一样本数据去修正重组测量模型,再检查新模型的拟合指数,这十分接近探索性因素分析(exploratoryfactoranalysis,EFA),所得拟合指数,不足以说明数据支持或验证模型可以循序渐进地,每次只检查含2个因子的模型,确立测量模型部分合理后,最后才将所有因子合并成预设的先验模型,作一个总体检查对每一模型,检查标准误、t值、标准化残差、修正指数、参数期望改变值、及各种拟合指数,据此修改模型并重复这一步骤这最后的模型是依据某一个样本数据修改而成,最好用另一个独立样本,交叉验证(cross-validate)6参数估计和拟合函数目标:求未知参数使得隐含协方差矩阵与样本协方差矩阵“差距”最小拟合函数(FitFunction)有多种拟合函数,所得参数估计值可能不同工具变量(IV,InstrumentalVariable);两阶段最小二乘(TSLS,Two-StageLeastSquares);无加权最小二乘(ULS,UnweightedLeastSquares);最大似然(ML,MaximumLikelihood);广义最小二乘(GLS,GeneralizedLeastSquares);一般加权最小二乘(WLS,GenerallyWeightedLS)对角加权最小二乘(DWLS,DiagonallyWeightedLS)7拟合检查修正指数(ModificationIndex,MI)模型中某个受限制的参数(通常是固定为0的参数),若容许自由估计,模型会因此而改良,整个模型的卡方减少的数值,称为此参数的修正指数实际应用中要考虑让该参数自由估计是否有理论依据原则上每次只修改一个参数(通常MI最大或较大者)可以取MI>,作为该路径可改为自由的准则但MI受样本容量N等的影响,不能只看MI的数值作为修改的唯一根据,还要考虑修改在理论上的合理性同时修改或不修改一组相关(对称)的路径,是模型修正时常用的策略8检查关系是否实质合理看各路径等参数估计值,在理论上是否合理、有实质意义残差分析残差矩阵是样本协方差矩阵减去再生矩阵的结果正规化残差9模型修正和交互效度当模型修正后,必须评价修正后的模型解是否恰当,是否通用?需要交叉验证!如何进行交叉验证?若原本的样本很大,可用一半的数据建立模型和修正模型,再用另一半对模型进行交叉验证更严谨的做法是不考虑修正指数,只比较数个可能模型的拟合指数10