結構方程模型原理以及經典案例研究（可編輯）

1、結構方程模型原理以及經典案例研究 結構方程模型 課件 structural equation modelingsem 結構方程模型 結構方程模型是一門基于統(tǒng)計分析技術的研究方法學它主要用于解決社會科學研 究中的多變量問題用來處理復雜的多變量研究數(shù)據(jù)的探究與分析在社會科學及經濟 市場管理等研究領域有時需處理多個原因多個結果的關系或者會碰到不可直接 觀測的變量即潛變量這些都是傳統(tǒng)的統(tǒng)計方法不能很好解決的問題sem 能夠對 抽象的概念進行估計與檢定而且能夠同時進行潛在變量的估計與復雜自變量因變量 預測模型的參數(shù)估計 結構方程模型是一種非常通用的主要的線形統(tǒng)計建模技術廣泛應用于心理學經濟 學社會學行為

2、科學等領域的研究實際上它是計量經濟學計量社會學與計量心理學 等領域的統(tǒng)計分析方法的綜合多元回歸因子分析和通徑分析等方法都只是結構方程模型 中的一種特例 結構方程模型是利用聯(lián)立方程組求解它沒有很嚴格的假定限制條件同時允許自變量 和因變量存在測量誤差在許多科學領域的研究中有些變量并不能直接測量實際上這 些變量基本上是人們?yōu)榱死斫夂脱芯磕愁惸康亩⒌募僭O概念對于它們并不存在直接測 量的操作方法人們可以找到一些可觀察的變量作為這些潛在變量的標識然而這些潛 在變量的觀察標識總是包含了大量的測量誤差在統(tǒng)計分析中即使是對那些可以測量的變 量也總是不斷受到測量誤差問題的侵擾自變量測量誤差的發(fā)生會導致常規(guī)回歸

3、模型參數(shù) 估計產生偏差雖然傳統(tǒng)的因子分析允許對潛在變量設立多元標識也可處理測量誤差但 是它不能分析因子之間的關系只有結構方程模型即能夠使研究人員在分析中處理測量誤 差又可分析潛在變量之間的結構關系 與傳統(tǒng)的回歸分析不同結構方程分析能同時處理多個因變量并可比較及評價不 同的理論模型與傳統(tǒng)的探索性因子分析不同在結構方程模型中我們可以提出一個 特定的因子結構并檢驗它是否吻合數(shù)據(jù) 通過結構方程多組分析我們可以了解不同 組別內各變量的關系是否保持不變各因子的均值是否有顯著差異 已經有多種軟件可以處理 sem包括lisrelamos eqs mplus 結構方程模型包括測量方程lv 和 mv 之間關系的方

4、程外部關系和結構方程lv 之 間關系的方程內部關系以acsi 模型為例具體形式如下 測量方程 y y y x x x 1 1 結構方程模型 課件 結構方程 b 或 i- 2 和 分別是內生 lv 和外生 lvy 和 x 分別是和的 mv x 和 y 是載荷矩陣 和 是路徑系數(shù)矩陣 和 是殘差 1 1 1 2 2 2 3 3 3 誤差 觀察變量 負荷量 潛在變量 1 1 1 1 y1 2 2 1 1 1 y1 3 3 1 y1 測量模式 結構模式 三種分析對比 線性相關分析 線性相關分析指出兩個隨機變量之間的統(tǒng)計聯(lián)系兩個變量地位平等沒有因變量 和自變量之分因此相關系數(shù)不能反映單指標與總體之間的因

5、果關系 2 結構方程模型 課件 線性回歸分析 線性回歸是比線性相關更復雜的方法它在模型中定義了因變量和自變量但它只 能提供變量間的直接效應而不能顯示可能存在的間接效應 而且會因為共線性的原因 導致出現(xiàn)單項指標與總體出現(xiàn)負相關等無法解釋的數(shù)據(jù)分析結果 結構方程模型分析 結構方程模型是一種建立估計和檢驗因果關系模型的方法模型中既包含有可觀 測的顯在變量也可能包含無法直接觀測的潛在變量結構方程模型可以替代多重回歸 通徑分析因子分析協(xié)方差分析等方法清晰分析單項指標對總體的作用和單項指標 間的相互關系 結構方程模型假設條件- 合理的樣本量james stevens 的 applied multivari

6、ate statistics for the social sciences 一書中說平均一個自變量大約需要 15個 casebentler and chou 1987 說平均一個估計參數(shù)需要 5 個 case 就差不多了但前提是數(shù)據(jù)質量非常好這兩種說 法基本上是等價的而 loehlin 1992 在進行蒙特卡羅模擬之后發(fā)現(xiàn)對于包含 24 個 因子的模型至少需要 100 個 case當然 200 更好小樣本量容易導致模型計算時收 斂的失敗進而影響到參數(shù)估計特別要注意的是當數(shù)據(jù)質量不好比如不服從正態(tài)分布或 者受到污染時更需要大的樣本量 連續(xù)的正態(tài)內生變量注意一種表面不連續(xù)的特例underlyin

7、g continuous 對于內生變量的分布理想情況是聯(lián)合多元正態(tài)分布即 jmvn 模型識別識別方程比較有多少可用的輸入和有多少需估計的參數(shù)模型不 可識別會帶來參數(shù)估計的失敗 完整的數(shù)據(jù)或者對不完整數(shù)據(jù)的適當處理對于缺失值的處理一般的統(tǒng)計軟件 給出的刪除方式選項是 pairwise 和 listwise然而這又是一對普遍矛盾pairwise 式 的刪除雖然估計到盡量減少數(shù)據(jù)的損失但會導致協(xié)方差陣或者相關系數(shù)陣的階數(shù) n 參 差不齊從而為模型擬合帶來巨大困難甚至導致無法得出參數(shù)估計 listwise 不會有 pairwise 的問題因為凡是遇到 case 中有缺失值那么該 case 直接被全部刪

8、除但是 又帶來了數(shù)據(jù)信息量利用不足的問題全殺了吧難免有冤枉的不殺吧又難免影 響整體局勢 模型的說明和因果關系的理論基礎實際上就是假設檢驗的邏輯你只能說你 的模型不能拒絕而不能下定論說你的模型可以被接受 3 結構方程模型 課件 結構方程模型的技術特性- 1 sem 具有理論先驗性 2 sem 同時處理測量與分析問題 3 sem 以協(xié)方差的運用為核心亦可處理平均數(shù)估計 4 sem 適用于大樣本的分析一般而言大于 200 以上的樣本才可稱得上是一 個中型樣本 5 sem 包含了許多不同的統(tǒng)計技術 6 sem 重視多重統(tǒng)計指標的運用 結構方程模型的實施步驟- 模型設定研究者根據(jù)先前的理論以及已有的知識

9、通過推論和假設形成一個關于一 組變量之間相互關系常常是因果關系的模型這個模型也可以用路徑表明制定變量 之間的因果聯(lián)系 模型識別模型識別時設定 sem 模型時的一個基本考慮只有建設的模型具有識別性 才能得到系統(tǒng)各個自由參數(shù)的唯一估計值其中的基本規(guī)則是模型的自由參數(shù)不能夠 多于觀察數(shù)據(jù)的方差和協(xié)方差總數(shù) 模型估計sem 模型的基本假設是觀察變量的反差協(xié)方差矩陣是一套參數(shù)的函數(shù) 把固定參數(shù)之和自由參數(shù)的估計帶入結構方程推導方差協(xié)方差矩陣 使每一個元素 盡可能接近于樣本中觀察變量的方差協(xié)方差矩陣 s 中的相應元素也就是使 與 s 之 間的差異最小化在參數(shù)估計的數(shù)學運算方法中最常用的是最大似然法ml和廣

10、義 最小二乘法gls 模型評價在已有的證據(jù)與理論范圍內考察提出的模型擬合樣本數(shù)據(jù)的程度模型 的總體擬合程度的測量指標主要有 2檢驗擬合優(yōu)度指數(shù)gfi校正的擬合優(yōu)度指數(shù)a gfi均方根殘差rmr等關于模型每個參數(shù)估計值的評價可以用t值 模型修正模型修正是為了改進初始模型的適合程度當嘗試性初始模型出現(xiàn)不能擬合觀 察數(shù)據(jù)的情況該模型被數(shù)據(jù)拒絕時就需要將模型進行修正再用同一組觀察數(shù)據(jù)來進 行檢驗 4 結構方程模型 課件 探索性分析- 定義 探索性因子分析法exploratory factor analysisefa是一項用來找出多元觀測變 量的本質結構并進行處理降維的技術 因而efa 能夠將將具有錯綜

11、復雜關系的變量綜合 為少數(shù)幾個核心因子 探索性因子分析efa致力于找出事物內在的本質結構 f1 e1 1 2 e2 f2 e3 3 f3 殘差 指標 因子負荷 潛變量 探索性分析的適用情況 在缺乏堅實的理論基礎支撐有關觀測變量內部結構一般用探索性因子分析先用探 索性因子分析產生一個關于內部結構的理論再在此基礎上用驗證性因子分析但這必須用 分開的數(shù)據(jù)集來做 探索性分析步驟 辨別收集觀測變量按照實際情況收集觀測變量并對其進行觀測獲得觀測值 針對總體復雜性和統(tǒng)計基本原理的保證通常采用抽樣的方法收集數(shù)據(jù)來達到研究目的 獲得協(xié)方差陣或bravais-pearson 的相似系數(shù)矩陣我們所有的分析都是從原始

12、 數(shù)據(jù)的協(xié)方差陣或相似系數(shù)矩陣出發(fā)的這樣使我們分析得到的數(shù)據(jù)具有可比性所以 首先要根據(jù)資料數(shù)據(jù)獲得變量協(xié)方差陣或相似系數(shù)矩陣 確定因子個數(shù)有時候你有具體的假設它決定了因子的個數(shù)但更多的時候沒有 這樣的假設你僅僅希望最后的到的模型能用盡可能少的因子解釋盡可能多的方差如果你 有 k 個變量你最多只能提取 k 個因子通過檢驗數(shù)據(jù)來確定最優(yōu)因子個數(shù)的方法有很多 例如 kaiser 準則scree 檢驗方法的選擇由具體操作時視情況而定 5 結構方程模型 課件 提取因子因子的提取方法也有多種主要有主成分方法不加權最小平方法極 大似然法等我們可以根據(jù)需要選擇合適的因子提取方法其中主成分方法一種比較常用的 提

13、取因子的方法它是用變量的線性組合中能產生最大樣品方差的那些組合稱主成分 作為公共因子來進行分析的方法 因子旋轉因子載荷陣的不唯一性使得可以對因子進行旋轉這一特征使得因 子結構可以朝我們可以合理解釋的方向趨近我們用一個正交陣右乘已經得到的因子載荷陣 由線性代數(shù)可知一次正交變化對應坐標系的一次旋轉使旋轉后的因子載荷陣結構簡 化旋轉的方法也有多種如正交旋轉斜交旋轉等最常用的是方差最大化正交旋轉 解釋因子結構最后得到的簡化的因子結構是使每個變量僅在一個公共因子上有較 大載荷而在其余公共因子上的載荷則比較小至多是中等大小通過這樣我們就能知道 所研究的這些變量是由哪些潛在因素也就是公共因子影響的其中哪些因

14、素是起主要作 用的而哪些因素的作用較小甚至可以不用考慮 因子得分因子分析的數(shù)學模型是將變量表示為公共因子的線性組合由于公共因 子能反映原始變量的相關關系用公共因子代表原始變量時有時更利于描述研究對象的特 征因而往往需要反過來將公共因子表示為變量的線性組合即因子得分 驗證性因子分析 驗證性因子分析是對社會調查數(shù)據(jù)進行的一種統(tǒng)計分析它測試一個因子與想對應 的測度項之間的關系是否符合研究者所設計的理論關系 驗證性因子分析 confirmatory factor analysis 的強項在于它允許研究者明 確描述一個理論模型中的細節(jié)因為測量誤差的存在研究者需要使用多個測度項當 使用多個測度項之后我們就

15、有測度項的 質量問題即效度檢驗 而效度檢驗就是 要看一個測度項是否與其所設計的因子有顯著的載荷并與其不相干的因子沒有顯著的 載荷 對測度模型的檢驗就是驗證性測度模型對測度模型的質量檢驗是假設檢驗之前的必要 步驟 而驗證性因子分析cfa是用來檢驗已知的特定結構是否按照預期的方式產生作用 e1 1 2 e2 f1 e3 3 殘差 觀測變量 負荷 潛變量 6 結構方程模型 課件 驗證性因子分析的步驟 定義因子模型包括選擇因子個數(shù)和定義因子載荷因子載荷可以事先定為 0 或者 其它自由變化的常數(shù)或者在一定的約束條件下變化的數(shù)比如與另一載荷相等這是和 探索性因子分析在分析方法上的一個重要差異我們可以用一個

16、直觀的比喻也就是說探索 性因子分析是在一張白紙上作圖而驗證性因子分析是在一張有框架的圖上完善和修改 收集觀測值定義了因子模型以后我們就可以根據(jù)研究目的收集觀測值了這一 點與探索性因子分析有一定的相似之處 獲得相關系數(shù)矩陣與探索性因子分析一樣我們的分析都是在原始數(shù)據(jù)的相關系 數(shù)矩陣基礎上進行的所以首先就要得到相關系數(shù)矩陣實際上方差協(xié)差陣相似系數(shù)矩陣 和相關陣之間是可以相互轉化的 根據(jù)數(shù)據(jù)擬合模型我們需要選擇一個方法來估計自由變化的因子載荷在多元正 態(tài)的條件下最常用的是極大似然估計也可采用漸進分布自由估計 評價模型是否恰當這一步可以說是驗證性因子分析的核心當因子模型能夠擬合 數(shù)據(jù)時因子載荷的選擇要

17、使模型暗含的相關陣與實際觀測陣之間的差異最小最好的參數(shù) 被選擇以后差異量能被用來作為衡量模型與數(shù)據(jù)一致的程度最常用的模型適應性檢驗是 卡方擬合優(yōu)度檢驗原假設是模型是適應性模型備擇假設是存在顯著差異但是這個檢 驗受樣本量大小影響包含大樣本的檢驗往往會導致拒絕原假設盡管因子模型是合適的 其他的統(tǒng)計方法比如用 tucker-lewis 指數(shù)比較建議模型和原模型的擬合度這些方 法受樣本量大小影響不大 與其他模型比較為了得到最優(yōu)模型我們需要完成這一步如果你想比較兩個模 型其中一個是另一個的縮略形式你就能從卡方統(tǒng)計量的值檢查出他們的差別大約服從 卡方分布幾乎所有獨立因子載荷的檢驗能用來作為全因子模型和簡因

18、子的模型之間的比較 為以防你不是在檢查全模型和簡模型你可以比較均方根誤差的近似值 rmsea 它是模型 中每個自由度差異的一個估計值 驗證性分析適用情況 驗證性因子分析要處理推論統(tǒng)計量處理難度要求高需要具備更大容量的樣本精確 的樣本量要隨著觀測值和模型的因子數(shù)變化而變化但一個標準模型至少需要 200 個個體 在進行分析過程中必須選擇與每個因子在很大程度上匹配的變量而不是可能是潛在變量的 隨機樣本 7 結構方程模型 課件 基于結構方程全模型的大學生就業(yè)預期情況分析 0 引言 隨著我國經濟的不斷發(fā)展我國高校大規(guī)模擴招越來越多的年輕人獲得了接受教育的 機會從社會發(fā)展的角度來講大批高素質的人才培養(yǎng)是與

19、我國快速發(fā)展的社會經濟水平相 適應的然而由此也帶來了兩方面的問題 一是本科生的就業(yè)矛盾日益突出幾乎每一個大學生都在切身感受就業(yè)的恐慌 二是人才的競爭加劇加之市場對于人才的需求多元化考研或出國深造成為提高我們 本科生自身核心競爭力的一種渠道同時也是規(guī)避就業(yè)難的一種新途徑 那么在如此就業(yè)形勢嚴峻人才競爭加劇的當今社會大學生們對自己將來的就業(yè)有 怎樣的預期呢 本論文基于遼寧工程技術大學數(shù)學與統(tǒng)計學院 2005 級統(tǒng)計系本科生于 2007 年 10 月至 11 月期間收集的題目為大學生就業(yè)與深造意向調查的原始問卷資料欲從大學生的就業(yè) 預期角度出發(fā)結合結構方程模型分析大學生預期就業(yè)手段和預期就業(yè)地域方面

20、的相關情 況并期望推廣結構方程模型應用于問卷分析的方法 1 問題分析 11 研究目的 本論文在采用量表方式對問卷中的定性變量予以賦值后欲分析影響大學生預期就業(yè)手 段和預期就業(yè)地域的因素并期望得到各個因素與大學生預期就業(yè)手段預期就業(yè)地域之間 的關系的度量 需注意 該調查的調查對象是遼寧工程技術大學全日制在讀本科生調查對象僅僅是來自大學 生這個總體的一個群或層根據(jù)抽樣調查的相關理論遼寧工程技術大學在讀本科生并不具 有典型代表性即它作為大學生總體的一個群被抽出并不具備隨機性和強代表性因此本 論文從這份調查數(shù)據(jù)出發(fā)僅僅只是從一個相對小的視角研究大學生預期就業(yè)手段預期就 業(yè)地域方面的情況結果不一定適用于

21、大學生總體 問卷數(shù)據(jù)歸屬于 2009 年 10 月這個時點因此本論文的分析結果當然是對 2009 年 10 月這個時點相關情況的反映 8 結構方程模型 課件 12 研究方法 本論文考慮建立結構方程全模型來研究大學生預期就業(yè)手段和預期就業(yè)地域內生潛變 量與其各個因素外生潛變量之間的關系并量化這種關系結構方程模型的優(yōu)勢就在 于引入潛變量不可直接觀測的量使人們考慮問題的思路躍然紙上顯得更加系統(tǒng)化也 就是它以如下的方式考慮問題 x 指標 外生潛變量 內生潛變量 y 指標 外源觀測變量 內生觀測變量 那么研究外生潛變量對內生潛變量的影響實質上就是間接研究 x 指標對 y 指標的影響 只不過結構方程把由同

22、一個潛變量控制的指標劃分為一類表示這一類指標受該潛變量的 影響使得問題的分析更加的系統(tǒng) 值得注意的是本論文的研究基礎問卷資料來自于第二方的調查資料第二方事先 并未考慮過用結構方程模型分析問卷那么本文運用結構方程模型分析問卷問卷中的問 題就不一定能很好地切合結構方程模型由此可能引起相當?shù)恼`差這也就決定了我們在確 定運用結構方程模型分析問卷時已有心理準備面對模型可能出現(xiàn)的整體擬合效果不好等問 題故本文著眼于推廣結構方程模型建模方法在問卷分析中的應用也就是說欲用結構方 程模型分析問卷應該事先根據(jù)相關理論或經驗初步設定幾個潛變量然后在問卷中為每一 個潛變量設置若干的題目來測量它 2 問卷數(shù)據(jù)的收集 2

23、1 數(shù)據(jù)來源 本論文數(shù)據(jù)來自于遼寧工程技術大學理學院 2007 級統(tǒng)計系本科生于 2009 年 10 月至 11 月期間收集的題目為大學生就業(yè)與深造意向調查的原始問卷資料該次調查的調查對象 為遼寧工程技術大學全日制在讀本科生遼寧工程技術大學二級學院的學生不包括在內具 體說來本論文僅僅提取在問卷的甄別問題部分回答就業(yè)的那部分人 共計280 人 的相關信息進行分析 22 抽樣方法 該次調查按學科類別文科理科工科其他和年級大一大二大三大四 將研究總體分為 16 個層由于其他類的大一和大四的數(shù)據(jù)難以取得因此僅針對其余 9 結構方程模型 課件 14個層進行抽樣根據(jù)抽樣框在每層中按簡單隨機抽樣抽取 20的

24、班級同時在抽中的班 級中按簡單隨機抽樣抽取 30的學生 23 問卷內容及執(zhí)行情況 調查問卷詳見附錄三 該次調查專門成立調查組按照被抽中學生的花名冊由專人負責發(fā)放問卷共計發(fā)放問 卷 788 份實際收回問卷 758 份提取有效問卷 706 份 3 問卷數(shù)據(jù)的處理 31 定性變量的分類及賦值方法 二項分類變量比如性別 男女 常賦值為01或12 無序分類變量 多項分類變量比如學科類別 工文理 常賦值為123 僅表示類別無實際意義 定性變量 所分類別或屬性之間無程度或順序的差別 有序分類變量比如滿意度按非常不滿意不滿意一般滿意非常滿意分類 常賦值為123 注意要等間距表示程度的遞進或順序 的遞增 遞減

25、所分類別之間有程度的差別 31 本文變量的設置 表 1 指標的設置 變量符號 變量名 取值情況 x1 生源地 x1 1 西部 x1 2 中部 x1 3 東部 x2 戶口類型 x2 0 農村戶口 x2 1 城鎮(zhèn)戶口 x3 父親受教育程度 x3 1 初中以下 x3 2 初中 x3 3 高中或中專 x3 4 大?；虮究苮3 5 研究生以上 x4 母親受教育程度 x4 1 初中以下 x4 2 初中 x4 3 高中或中專 x4 4 大專或本科 x4 5 研究生以上 10 結構方程模型 課件 x5 月可支配生活費 x5 1 300 元以下 x5 2 300500 元 x5 3 500800 元 x5 4

26、800 元以上 x6 對就業(yè)形勢的看法 x6 1 很不好 x6 2 不好 x6 3 一般 x6 4 較好 x6 5 非常好 x7 所學專業(yè)前景看法 x7 1 很不好 x7 2 不好 x7 3 一般 x7 4 較好 x7 5 非常好 x8 參加就業(yè)輔導的次數(shù) x8 0 參加 0 次 x8 1 參加 1 次 x8 2 參加 2 次 x8 3 參加 4 次以上 x9 就業(yè)資格證書個數(shù) x9 0123 x10 四六級考證情況 x10 0 四六級都沒過 x10 1 過四級 x10 2 過六級 x11 參加社會實踐次數(shù) x11 0 從不參加 x11 1 參加 12 次 x11 2 參加 34 次 x11

27、3 參加 4 次以上 y1 是否自主創(chuàng)業(yè) y1 0 否 y1 1 是 y2 工作地域 y2 1 農村地區(qū) y2 2 縣級地區(qū) y2 3 地級城市及州市 y2 4 省會城市及直轄市 表 2 潛變量的設置 變量符號 變量名 變量包括的指標 社會經濟地位 x1 x2x3 x4 x5 1 外 生 對就業(yè)狀況的把握 x6 x7x8 潛 2 變 量 自身能力 x9 x10x11 3 內 1 預期就業(yè)手段 y1 生 潛 變 2 預期就業(yè)地域 y2 量 11 結構方程模型 課件 4 基于結構方程模型的大學生預期就業(yè)手段和就業(yè)區(qū)域情況 分析 41 結構方程模型簡介 很多社會教育心理等研究中涉及的變量都不能準確直

28、接地測量比如學習動機 家庭社會經濟地位等我們稱這樣的變量為潛變量潛變量往往只能通過一些外生指標去衡 量比如用父母受教育程度學生戶口類型父母收入等外生指標來衡量學生的社會經濟地 位潛變量傳統(tǒng)的統(tǒng)計分析方法不能妥善處理這些潛變量而結構方程全模型則能同時處 理潛變量及其指標它是一種基于變量的協(xié)方差矩陣來分析多個變量之間關系的一種統(tǒng)計方 法也稱為協(xié)方差結構分析并且它有機地整合了多元統(tǒng)計中的因子分析方法生物學中 的路徑分析方法以及計量經濟學中的聯(lián)立方程模型結構方程全模型由測量方程和結構方程 組成若結構方程模型中只包括測量方程則又稱為驗證性因子模型關于測量方程和結構 方程的形式最普遍的情況是設定為線性模型

29、 測量方程用來描述指標與潛變量之間的關系用下述模型表示 x a m x 41 y a n y t t 這里x x x x 是由m個外生指標構成的列向量 是 1 2 m 1 2 u 由u個外生潛變量構成的列向量a 是一個m u維的矩陣稱作x 在上的因子負荷陣 x 描述了外生指標與外生潛變量之間的關系 t 是m維的誤差項列向量 1 2 m t t y y y y 是由n個內生指標構成的列向量 是由v個內生變 1 2 n 1 2 v 量構成的列向量a 是一個n v維的矩陣稱作y 在上的因子負荷陣描述了內生指 y 標與內生潛變量之間的關系 是n維的誤差項列向量 1 2 n 結構方程用來描述外生潛變量與

30、內生潛變量之間的關系用下述模型表示 42 這里同上定義是一個v v維的矩陣描述內生潛變量之間的關系是 一個v u的矩陣是在上的負荷描述外生潛變量對內生潛變量的影響 t 為一個v維結構模型殘差項列向量反映了模型中未能解釋的部分 1 2 v 42 模型的基本假定 一般假定每一個指標x y i 12 m j 12 n只在其對應的潛變量上有不為 0 i j 的因子負荷而在其他潛變量上的因子負荷為 0內生變量之間的路徑相關或單方面影響 依據(jù)經驗和相關理論而定 測量誤差項 與外生潛變量 之間 測量誤差項 與內生潛變量 之 i j i j 12 m i j 12 結構方程模型 課件 間不相關 i j 12

31、n 與 i j 12 mi j 與 i j 12 ni j 與 i j i j i j 不相關 i j 12 vi j 43 結構方程模型路徑圖及形式 結合研究目的首先我們根據(jù)相關研究及經驗找出影響大學生的預期就業(yè)手段和預期 就業(yè)地域這兩個內生潛變量的外生潛變量然后對問卷中的相關指標進行初步歸類建立 驗證性因子模型并進行相關的參數(shù)估計不斷修正最終確定潛變量的結構后再加入結 構方程模型下圖為擬采用的結構方程全模型的路徑分析圖欲對各路徑參數(shù)進行估計 x 指標 外生潛變量 內生潛變量 y指標 x1 x2 1 x3 社 會 經 濟地位 x4 1 x5 預 期 就 業(yè)手段 y1 2 x6 對就業(yè)狀 x7 況的把握 x8 2 3 預 期 就 x9 業(yè)地域 y2 自 身 能 x10 力 x11 圖 1 擬采用的全模型路徑分析圖 圖 1 的符號說明 正方形或長方形表示指標圓或橢圓表示潛變量單