10. 结构方程模型建模和分析步骤.ppt

高级统计方法周影辉博士 zyhmaths@ 中山大学管理学院市场学系 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(Strictly Confirmatory , 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(Alternative Models ,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(Model Generating ,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(Model Specification ),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个因子间相关系数等于 ;2个因子负荷必须相等) ?模型拟合(Model Fitting ,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(Model Assessment ) –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( Model Modification ) –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( exploratory factor analysis , 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( Fit Function ) ?有多种拟合函数,所得参数估计值可能不同–工具变量(IV, Instrumental Variable) ; –两阶段最小二乘( TSLS, Two-Stage Least Squares) ; –无加权最小二乘(ULS, Unweighted Least Squares) ; –最大似然(ML, Maximum Likelihood) ; –广义最小二乘(GLS, Generalized Least Squares) ; –一般加权最小二乘(WLS, Generally Weighted LS) –对角加权最小二乘(DWLS, Diagonally Weighted LS) 7 )(θΣ S拟合检查?修正指数( Modification Index , 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> 或 的参数,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