结构方程模型.ppt

1、,结构方程模型Lisrel的的初级应用,绪论,结构方程模型是社会科学研究中的一个非常好的方法。该方法在20世纪80年代就已经成熟，可惜国内了解的人并不多。“在社会科学以及经济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可直接观测的变量（即潜变量），这些都是传统的统计方法不能很好解决的问题。20世纪80年代以来，结构方程模型迅速发展，弥补了传统统计方法的不足，成为多元数据分析的重要工具。,KT HAU SEM p. 2,线性相关分析:线性相关分析指出两个随机变量之间的统计联系。两个变量地位平等，没有因变量和自变量之分。因此相关系数不能反映单指标与总体之间的因果关系。

2、线性回归分析:线性回归是比线性相关更复杂的方法，它在模型中定义了因变量和自变量。但它只能提供变量间的直接效应而不能显示可能存在的间接效应。而且会因为共线性的原因，导致出现单项指标与总体出现负相关等无法解释的数据分析结果。,KT HAU SEM p. 3,结构方程模型分析:结构方程模型是一种建立、估计和检验因果关系模型的方法。模型中既包含有可观测的显在变量，也可能包含无法直接观测的潜在变量。结构方程模型可以替代多重回归、通径分析、因子分析、协方差分析等方法，清晰分析单项指标对总体的作用和单项指标间的相互关系。,简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的

3、理论模型。与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是否吻合数据。通过结构方程多组分析，我们可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异。”目前，已经有多种软件可以处理SEM，包括：LISREL，AMOS,EQS,Mplus.,KT HAU SEM p. 5,一、为何要用结构方程模型？ 二、模型原理简介 三、模型建模 四、例子：员工流失动因模型,一、为何要用结构方程模型？,很多社会、心理研究中所涉及到的变量，都不能准确、直接地测量，这种变量称为潜变量，如工作自主权、工作满意度等。 这时，只能退而求其次，用一些外显指标，去间接

4、测量这些潜变量。如用工作方式选择、工作目标调整作为工作自主权（潜变量）的指标，以目前工作满意度、工作兴趣、工作乐趣、工作厌恶程度（外显指标）作为工作满意度的指标。 传统的统计分析方法不能妥善处理这些潜变量，而结构方程模型则能同时处理潜变量及其指标。,回归分析与结构方程模型,一个回归分析和结构方程比较的例子： 假如有五道题目来测量外向型性格，还有四道题目来测量自信。研究自信与外向型性格的关系。假如是你，你将怎样来进行研究？ 回归分析的做法：先分别计算外向题目的总分（或平均分）和自信题目的总分（或平均分），在计算两个总分的相关。 这样的计算所得的两个潜变量（性格与自信）的关系，恰当吗？,线性回归模

5、型及其局限性,1）无法处理因变量（Y）多于一个的情况； 2）无法处理自变量（X）之间的多重共线性； 3）无法对一些不可直接测量的变量进行处理，主要是一些主观性较强的变量进行测量。如幸福感、组织认同感、学习能力等； 4）没有考虑变量（自变量、因变量）的测量误差，以及测量误差之间的关系,多元统计方法中的相关解决方法,针对1）：路径分析（Path Analysis） 缺点：分开考察不同的因变量，无法考察因变量之间的关系且缺少整体的视角 针对2）：偏最小二乘法（PLS） 缺点：相关理论尚不完善，解释力较弱。 王惠文，偏最小二乘法理论与应用，国防工业出版社 针对3）：指标赋予权重，进行综合评价，得出一个

6、量化的指标 缺点：权重设计，需要相当的技巧，通常的方法，如AHP,模糊综合评判等方法缺少信度与效度 针对4）：没有办法解决,结构方程模型（SEM）的优点,同时处理多个因变量 容许自变量和因变量含测量误差传统方法（如回归）假设自变量没有误差 同时估计因子结构和因子关系 容许更大弹性的测量模型 估计整个模型的拟合程度用以比较不同模型 SEM包括:回归分析、因子分析(验证性因子分析、 探索性因子分析)、检验、方差分析、比较各组因子均值、交互作用模型、实验设计,结构方程模型所包含的统计方法,常用的统计方法，部分蕴含从属关系。例如：方差分析用以检查两组或更多组别的均值差异，但t检验只能处理两组，所以t检

7、验是方差分析的特例。但（没有重复测量的）方差分析又是回归分析的特例，因为理论上，方差分析所涉及的问题，都可以在回归模型下处理，所以回归分析涵盖方差分析和t检验。,简单来说，结构方程分析包括测量模型（因子与指标之间的关系）和结构模型（因子之间的关系），若各因子可以直接测量（因子本身就是指标），则结构方程分析就是回归分析。若只考虑因子之间的相关，不考虑因子之间的因果关系，即没有结构模型这部分，则结构方程分析就是因子分析。此时若要检验数据是否符合某个预先设定的先验模型，结构方程分析便成为验证性因子分析。但我们也可使用结构方程分析做一般探索性因子分析。,二、结构方程简介,简单来说，结构方程模型分为：

8、测量方程（measurement equation）测量方程描述潜变量与指标之间的关系，如工作方式选择等指标与工作自主权的关系；,工作自主权,工作方式选择,工作目标调整,工作满意度,目前工作满意度,工作兴趣,工作乐趣,工作厌恶程度,二、结构方程简介,简单来说，结构方程模型分为： 测量方程（measurement equation）测量方程描述潜变量与指标之间的关系，如工作方式选择等指标与工作自主权的关系； 结构方程（structural equation），描述潜变量之间的关系，如工作自主权与工作满意度的关系。,工作自主权,工作满意度,路径图(Path Diagram),观测变量：能够直接观测

9、到的变量，又称外显变量 潜变量：难易直接观测到的抽象概念 误差项：观测指标的测量误差,外源变量：不受模型中其它变量影响但能够影响其它变量的变量，类似于自变量 内生变量：模型中受其它变量影响的变量，类似于因变量 中介变量：既受其它变量影响又影响其它变量的变量,（一）测量模型,对于指标与潜变量（例如两个工作自主权指标与工作自主权）间的关系，通常写为以下测量方程： 其中：x外源指标（如两个工作自主权指标）组成的向量；(Delta Epsilon) y内生指标（如四个工作满意度指标）组成的向量； 外源潜变量（如工作自主权等）组成的向量；(Ksi) 内生潜变量（如工作满意度等）组成的向量；(Eta) 外

10、源指标与外源变量之间的关系（如两个工作自主权指标与工作自主权的关系），是外源指标在外源潜变量上的因子负荷矩阵；(Lambda-x) 内生指标与内生变量之间的关系（如四个工作满意度指标与工作满意度的关系），是内生指标在内生潜变量上的因子负荷矩阵； (Lambda-y),（二）结构模型,对于潜变量间（如工作自主权与工作满意度）的关系，通常写成如下结构方程： 其中：B内生潜变量间的关系（如其它内生潜变量与工作满意度的关系）；(beta) 外源潜变量对内生潜变量的影响（如工作自主权对工作满意度的影响）；(gamma) 结构方程的残差项，反映了在方程中未能被解释的部分。(zeta),潜变量间的关系，即结

11、构模型，是研究的兴趣重点， 所以整个分析也称结构方程模型。,三、建模过程,（1）模型建构（model specification） （2）模型拟合（model fitting） （3）模型评价（model assessment） （4）模型修正（model modification）,（1）模型建构（model specification）,一、观测变量（即指标，通常是题目）与潜变量（即因子，通常是概念）的关系； 二、各潜变量间的相互关系（指定那些因子间相关或直接效应）； 例子：员工工作满意度的测量,例子：员工工作满意度的测量,理论假设，概念模型的提出： Locke（1976）研究指出，有多种

12、因素影响到工作满意度，下列几个因素最为重要： （1）对工作本身的满意度。包括工作内容的奖励价值、多样性、学习机会、困难性以及对工作的控制等。因此，假设： 假设1：工作自主权越高，工作满意度越高。工作自主权是指员工可以运用相关工作权利的程度。有较高工作自主权的员工，将具有较高的工作满意度。 假设2：工作负荷越高，工作满意度越低。工作负荷是指工作职责不能被实现的程度。工作压力会使员工处于有害身心健康的状况中，有碍于员工对工作的积极态度（House,1980），工作压力会降低工作满意度。 假设3：工作单调性越高，工作满意度越低。工作单调性是指个体的工作被重复的程度。如煤炭采掘一线的职工工作单调性比较

13、高，而机关科室的单调性就比较低。,例子：员工工作满意度的测量,概念模型：,工作满意度,目前工作满意度,工作兴趣,工作乐趣,工作厌恶程度,工作自主权,工作方式选择,工作目标调整,工作负荷,工作单调性,任务完成时间充裕度,工作负荷轻重,工作节奏快慢,工作内容丰富程度,工作多样性程度,x,y,（2）模型拟合（model fitting）,模型参数的估计 模型计算（lisrel 软件编程）,表1 标准化路径系数（N=351）,注：t检验值1.96表示通过显著性检验，且在0.05的显著水平下,（3）模型评价（model assessment）,结构方程的解是否恰当，（相关系数应在+1和-1之间）；,（

14、-1 ，+1 ）,（3）模型评价（model assessment）,参数与预计模型的关系是否合理，（与模型假设相符）；,假设1：工作自主权越高，工作满意度越高。,假设2：工作负荷越高，工作满意度越低。,假设3：工作单调性越高，工作满意度越低。,+,未通过t检验,（3）模型评价（model assessment）,检验不同类型的整体拟合指数，（各项拟合优度指标是否达到要求）；,表2 模型拟合优度结果,（3）模型评价（model assessment）,2/DF= 1386.64/ 687=2.018,第一个指标是卡方统计量与自由度的比值，美国社会统计学家卡米尼斯和马克依维尔认为，卡方值与自由度

15、之比在2：1到3：1之间是可以接受的,P=0.0,第二个指标是P值，P值要求小于0.1。,（3）模型评价（model assessment）,规范拟合指数（NFI），不规范拟合指数（NNFI），比较拟合指数（CFI），增量拟合指数（IFI），拟合优度指数（GFI），调整后的拟合优度指数（AGFI），相对拟合指数（RFI），均方根残差（RMR），近似均方根残差（RMSEA）等指标用来衡量模型与数据的拟合程度。 学术界普遍认为在大样本情况下： NFI 、NNFI 、CFI 、IFI 、GFI、AGFI 、RFI 大于0.9，RMR小于0.035，RMSEA值小于0.08，表明模型与数据的拟合程度很

16、好。,（4）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，有时可能增删或重组题目； 对每一个模型，检查标准误、t值、标准化残差、修正指数、及各种拟合指数，据此修改模型并重复这一步； 最好用另外一个样本进行检验；,模型修正举例,17个题目:学习态度及取向 A、B、C、D、E4、4、3、3、3题 350个学生,概念模型 Ma,模型拟合结果输出,Modification Indices for LAMBDA-X 修正指数 KSI 1 KSI 2 KSI 3 KSI 4 KSI 5 - -

17、- - - VAR 1 - - 0.06 0.66 0.09 2.53 VAR 2 - - 0.38 0.53 0.23 0.11 VAR 3 - - 0.72 0.01 0.03 1.49 VAR 4 - - 0.00 0.03 0.01 0.03 VAR 5 7.73 - - 9.62 9.23 1.50 VAR 6 0.01 - - 3.29 1.07 1.50 VAR 7 0.12 - - 0.25 0.12 2.26 VAR 8 41.35 - - 3.66 22.02 4.78 VAR 9 0.40 0.02 - - 2.19 0.22 VAR 10 0.03 0.10 - - 0

18、.30 0.22 Maximum Modification Index is 41.35 for Element ( 8,1)LX 修正指数:该参数由固定改为自由估计， 会减少的数值,模型拟合结果输出,Ma模型修正,Q4在A的负荷很小 (LX = 0.05)，但在其他因子的修正指数（MI）也不高 不从属，也不归属其他因子 Q8在B的负荷不高（0.28），但在A的MI是41.4，可能归属A 因子间相关很高 (0.40 至 0.54) 模型拟合相当好： (109) =194.57，RMSEA0.046, NNFI = 0.94. CFI= 0.95。 仔细检查题目内容后，删去Q4, Q8归入A,模

19、型修正 Ma 到 Mb,Mb模型拟合结果输出,Q8归属A，因子负荷很高（0.49）， (94) = 149.51，RMSEA0.040， NNFI0.96，CFI = 0.97。虽然没有嵌套关系， 模型Mb 比 Ma 好 试让Q8同时从属A和B?,模型修正 Mb 到 Mc,模型 Mc拟合结果,(93)= 148.61, RMSEA.040 NNFI = 0.96, CFI = 0.97。 Q8在A负荷为 0.54，在B负荷为 -0.08 因为概念上Q8应与B成正相关，故不合理。而且这负荷相对低，所以我们选择Mb 通常，每题只归属一个因子,修正前后模型的拟合指数比较 _ 模型 df RMSEA

20、NNFI CFI 注 _ Ma 109 195 0.046 0.94 0.95 原模型 Mb 94 150 0.040 0.96 0.97 删Q4,Q8-A Mc 93 149 0.040 0.96 0.97 删Q4,Q8-A,B _,模型修正结果比较,模型拟合优度结果解释,规范拟合指数（NFI），不规范拟合指数（NNFI），比较拟合指数（CFI），增量拟合指数（IFI），拟合优度指数（GFI），调整后的拟合优度指数（AGFI），相对拟合指数（RFI），均方根残差（RMR），近似均方根残差（RMSEA）等指标用来衡量模型与数据的拟合程度。 学术界普遍认为在大样本情况下： NFI 、NNFI 、

21、CFI 、IFI 、GFI、AGFI 、RFI 大于0.9，RMR小于0.035，RMSEA值小于0.08，表明模型与数据的拟合程度很好。,模型拟合优度结果解释,模型拟合结果除GFI、AGFI 、RFI小于0.9，但值都很接近，是可以接受的。 Bentler 123.45) Minimum Fit Function Value = 0.56 Population Discrepancy Function Value (F0) = 0.23 90 Percent Confidence Interval for F0 = (0.13 ; 0.35) Root Mean Square Error o

22、f Approximation (RMSEA) = 0.046 90 Percent Confidence Interval for RMSEA = (0.035 ; 0.057) P-Value for Test of Close Fit (RMSEA 0.05) = 0.71 Expected Cross-Validation Index (ECVI) = 0.80 90 Percent Confidence Interval for ECVI = (0.70 ; 0.92) ECVI for Saturated Model = 0.88 ECVI for Independence Mod

23、el = 5.78,KT HAU SEM p. 70,Chi-Square for Independence Model with 136 df = 1982.04 Independence AIC = 2016.04 Model AIC = 278.15 Saturated AIC = 306.00 Independence CAIC = 2098.63 Model CAIC = 491.90 Saturated CAIC = 1049.26 Normed Fit Index (NFI) = 0.90 Non-Normed Fit Index (NNFI) = 0.94 Parsimony

24、Normed Fit Index (PNFI) = 0.72 Comparative Fit Index (CFI) = 0.95 Incremental Fit Index (IFI) = 0.95 Relative Fit Index (RFI) = 0.88 Critical N (CN) = 263.34 Root Mean Square Residual (RMR) = 0.054 Standardized RMR = 0.054 Goodness of Fit Index (GFI) = 0.94 Adjusted Goodness of Fit Index (AGFI) = 0.

25、92 Parsimony Goodness of Fit Index (PGFI) = 0.67,KT HAU SEM p. 71,Modification Indices for LAMBDA-X 修正指数 KSI 1 KSI 2 KSI 3 KSI 4 KSI 5 - - - - - VAR 1 - - 0.06 0.66 0.09 2.53 VAR 2 - - 0.38 0.53 0.23 0.11 VAR 3 - - 0.72 0.01 0.03 1.49 VAR 4 - - 0.00 0.03 0.01 0.03 VAR 5 7.73 - - 9.62 9.23 1.50 VAR 6

26、 0.01 - - 3.29 1.07 1.50 VAR 7 0.12 - - 0.25 0.12 2.26 VAR 8 41.35 - - 3.66 22.02 4.78 VAR 9 0.40 0.02 - - 2.19 0.22 VAR 10 0.03 0.10 - - 0.30 0.22 Maximum Modification Index is 41.35 for Element ( 8,1)LX 修正指数:该参数由固定改为自由估计， 会减少的数值,KT HAU SEM p. 72,Completely Standardized Solution LAMBDA-X KSI 1 KSI

27、2 KSI 3 KSI 4 KSI 5 - - - - - VAR 1 0.59 - - - - - - - - VAR 2 0.58 - - - - - - - - VAR 3 0.62 - - - - - - - - VAR 4 0.05 - - - - - - - - VAR 5 - - 0.64 - - - - - - VAR 6 - - 0.57 - - - - - - VAR 7 - - 0.51 - - - - - - VAR 8 - - 0.28 - - - - - - VAR 9 - - - - 0.59 - - - - VAR 10 - - - - 0.61 - - - -

28、 VAR 11 - - - - 0.64 - - - - VAR 12 - - - - - - 0.62 - - VAR 13 - - - - - - 0.66 - - VAR 14 - - - - - - 0.54 - - VAR 15 - - - - - - - - 0.65 VAR 16 - - - - - - - - 0.72 VAR 17 - - - - - - - - 0.55,KT HAU SEM p. 73,PHI KSI 1 KSI 2 KSI 3 KSI 4 KSI 5 - - - - - KSI 1 1.00 KSI 2 0.52 1.00 KSI 3 0.40 0.53

29、 1.00 KSI 4 0.51 0.54 0.48 1.00 KSI 5 0.42 0.50 0.44 0.50 1.00 THETA-DELTA VAR 1 VAR 2 VAR 3 VAR 4 VAR 5 VAR 6 - - - - - - 0.65 0.66 0.61 1.00 0.59 0.67 VAR 7 VAR 8 VAR 9 VAR 10 VAR 11 VAR 12 - - - - - - 0.74 0.92 0.66 0.63 0.59 0.61 VAR 13 VAR 14 VAR 15 VAR 16 VAR 17 - - - - - 0.57 0.70 0.57 0.48 0

30、.69,KT HAU SEM p. 74,KT HAU SEM p. 75,结果解释,Q4在A的负荷很小 (LX = 0.05)，但在其他因子的修正指数（MI）也不高 不从属，也不归属其他因子 Q8在B的负荷不高（0.28），但在A的MI是41.4，可能归属A 因子间相关很高 (0.40 至 0.54) 模型拟合相当好： (109) =194.57，RMSEA0.046, NNFI = .94. CFI= .95。 仔细检查题目内容后，删去Q4, Q8归入A,KT HAU SEM p. 76,模型修正,DA NI=17 NO=350 KM SY .（此处输入相关矩阵) SE; 1 2 3 5

31、6 7 8 9 10 11 12 13 14 15 16 17/ MO NX=16 NK=5 PH=ST TD=DI,FR PA LX 3(1 0 0 0 0) 3(0 1 0 0 0) 1(1 0 0 0 0) 3(0 0 1 0 0) 3(0 0 0 1 0) 3(0 0 0 0 1) OU MI SS SC,KT HAU SEM p. 77,Q8归属A，因子负荷很高（.49）， (94) = 149.51，RMSEA.040， NNFI.96，CFI = .97。虽然没有嵌套关系， 模型 比 好 Q8同时从属A和B?,KT HAU SEM p. 78,DA NI=17 NO=350 KM

32、 SY SE; 1 2 3 5 6 7 8 9 10 11 12 13 14 15 16 17/ MO NX=16 NK=5 PH=ST TD=DI,FR PA LX 3(1 0 0 0 0) 3(0 1 0 0 0) 1(1 1 0 0 0) 3(0 0 1 0 0) 3(0 0 0 1 0) 3(0 0 0 0 1) OU MI SS SC,KT HAU SEM p. 79,模型 的结果,(93)= 148.61, RMSEA.040, NNFI = .96, CFI = .97。 Q8在A负荷为 .54，在B负荷为 -.08 因为概念上Q8应与B成正相关，故不合理。而且这负荷相对低，所以

33、我们选择 通常，每题只归属一个因子,KT HAU SEM p. 80,修正前后模型的拟合指数比较 _ 模型 df RMSEA NNFI CFI 注 _ M-A 109 195 .046 .94 .95 原模型 M-B 94 150 .040 .96 .97 删Q4,Q8-A M-C 93 149 .040 .96 .97 删Q4,Q8-A,B MB-2 99 152 .038 .94 .95 2阶因_,KT HAU SEM p. 81,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

34、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MG类的分析,KT HAU SEM p. 82,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份 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,KT HAU SEM p. 83,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

35、，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0.3；2个因子负荷必须相等） 模型拟合(model fitting,通常 ML) 主要的是模型参数的估计(e.g.,回归分析，通常用所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 ),KT HAU SEM p. 84,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之内） 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

36、 检视多个不同类型的整体拟合指数，如 NNFI、CFI、RMSEA 和等 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,KT HAU SEM p. 85,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

37、以循序渐进地，每次只检查含2个因子的模型，确立测量模型部分的合理后，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，交互确定（cross-validate）,KT HAU SEM p. 86,参数估计和拟合函数,目标是参数使得隐含协方差矩阵 与样本协方差矩阵 “差距”最小 称为拟合函数（fit function） 多种拟合函数，参数估计值可能不同 工具变量 (IV, instrumental variable)；

38、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 least sq) 对角加权最小二乘 (DWLS, diagonally weighted least sq),KT HAU SEM p. 87,专题讨论涉及数据的问题,样本容量 每个因子上多设计几题，预试协助删去一些不好

39、的题目 最后每个因子应有3个或更多的题目 数据类型 绝大部份分析基于皮尔逊（Pearson）相关 来自等级（顺序）量表（ordinal scale），改用多项（polyserial）相关系数，并与渐近方差矩阵(asymptotical covariance matrix，ACM)合用，以WLS法拟合模型，除非N很大，额外需要的ACM矩阵多不稳定,KT HAU SEM p. 88,可否应用相关矩阵作分析？ SEM建立在方差和协方差分析上 用相关矩阵，大多数情况下正确 在某些况下并不正确(见Cudeck, 1989 ): 限制因子方差为 1，同时限制某指标的因子负荷不等于零 同一个因子，限制其两个

40、或以上指标的因子负荷，不等于零 同一个因子的两个或以上指标，限制其因子负荷相同 不同因子的两个或以上指标，限制其因子负荷相同 限制两个或以上内生潜变量的误差相等,KT HAU SEM p. 89,结构方程是否验证变量间的因果关系？ 严格来说，非经设计用以探讨变量间因果效应的研究，都不能证明变量间是否真正存在因果关系。单从等同模型，已经可以举出拟合指数相同，但变量间效应相反的例子 利用非实验设计: 采用纵贯研究数据，每个变量至少要有2次测量（2时段以上设计） 使用多个指标以推算潜变量 样本要够大并具代表性，使结果具有实质意义和普遍性 考虑不同模型的意义，考虑指标误差项相关的意义,KT HAU S

41、EM p. 103,通过SPSS读取数据,方法一（使用PRELIS） 1.在SPSS中创建 .sav 文件 （1）使用compute, recode 命令对数据进行编辑。 （2）把在LISREL中要用到的变量保存为file1.sav (文件名.sav)。 2.在LISREL中创建.dsf文件 （1）点击“file”菜单中的“Import External Data in Other Format” (2)“file of type”一项，选择“spss for window(*.sav)”; 通过恰当的路径选择“file1.sav”。 （3）现在看到一个表格，保存为file1.psf, (或其

42、他设置的文件名，但LISREL并不读取.psf文件)。 （4）对.psf文件进行必要的“transformation”和“statistics”后，选择“statistics”菜单中的“Data Screening”，对数据进行扫描（现在已自动创建了LISREL程序所用的file1.dsf）。,KT HAU SEM p. 104,方法一（续） 3.在LISREL中创建.ls8文件 （1）点击“file”中的“new”(或打开旧文档名) （2）在第一行，用“SY=file1.dsf”代替“DA”“ME”“KM”“SD”命令。 （3）例如： SY=file1.dsf MO NX=9 NK=3 （4

43、） 把以上语句保存为p1.ls8 (文件名.ls8)。 （5）点击“run LISREL”运行程序。,KT HAU SEM p. 105,通过SPSS读取数据,方法二（输出.txt协方差距阵） 1.在SPSS中创建 .cov 文件(此文件可以采用“cov”或其他扩展名) (1) 使用compute，recode 等命令编辑数据。 （2）把LISREL程序所用的变量保存为file1.sav (文件名.sav)。 （3）创建协方差矩阵文件file1.cov (文件名.cov)；把任一变量作为因变量，把其他所有变量当作自变量。 regression matrix=out(c:SEMfile1.cov

44、) /var=y1 y2 y3 x1 x2 x3 /desc=cov /dep=y1/meth=enter y2 to x3 .,KT HAU SEM p. 106,方法二（续）,2.在SPSS中创建 .txt 文件 （1）读取所选的协方差矩阵文件（这并不是一个txt文件，只有SPSS能读取并使用它）；输出这个文件内容为file1.txt (文件名.txt) 供LISREL使用。 （2）E13.5: 使用指数格式，5位小数，总共13位数字。 get file=C:SEMfile1.cov . print format y1 to x3 (E13.5) . print outfile=C:SEMfile1.txt . /y1 to y2 /y3 x1 to x3. execute .,