29路徑分析PPT課件

1、IBM-SPSS第第29章章 路徑分析路徑分析 前面的多元回歸分析常用于對影響因素的分析，但由于只考察變量之間的直接作用，而實際上變量之間的相關關系往往是一個復雜的傳遞過程，因此需要一種可以全面地考察變量間的相互作用，包括直接作用和間接作用的方法，即本章所介紹的路徑分析（通徑分析）。 路徑分析通過構建路徑圖直觀地顯示變量間的結構關系，在多元回歸的基礎上計算變量間的相關系數(shù)，計算結果給出的線性回歸方程的標準系數(shù)（Standardized Coefficients）也就是我們需要的路徑系數(shù)。路徑系數(shù)分為直接路徑系數(shù)（某一自變量對因變量的直接作用）和間接路徑系數(shù)（該自變量通過其他自變量對因變量的間接

2、作用）兩種。在一個構造合適的路徑圖中,任何兩個變量間的相關系數(shù)就是連結這兩點之間的所有復合鏈上的路徑系數(shù)的乘積之和路徑模型的假設條件和限制路徑模型的假設條件和限制（1）首先要求模型中各變量的函數(shù)關系為線性、可加；否則不能采用回歸方法估計路徑系數(shù)。如果處理變量之間的交互作用，把交互項看作一個單獨的變量，此時它與其它變量的函數(shù)關系同樣滿足線性、可加。（2）模型中各變量均為等間距測度。（3）各變量均為可觀測變量，并且各變量的測量不能存在誤差（4）變量間的多重共線性程度不能太高，否則路徑系數(shù)估計值的誤差將會很大。（5）需要有足夠的樣本量。Kline（1998）建議樣本量的個數(shù)應該是需要估計的參數(shù)個數(shù)的

3、10倍（20倍更加理想）。路徑模型的調試，過程類似于多元回歸過程路徑模型的調試，過程類似于多元回歸過程的調試的調試如果某一變量的路徑系數(shù)（回歸系數(shù)）統(tǒng)計性不顯著，則考慮是否將其對應的路徑從模型中刪去；如果多個路徑系數(shù)同時不顯著，則首先刪除最不顯著的路徑繼續(xù)進行回歸分析，根據(jù)下一步的結果再決定是否需要刪除其它原因變量。進行調試的一般原則，實際進行調試時，還必須考慮模型的理論基礎。作為研究焦點的因果聯(lián)系必須要有足夠的理論根據(jù)，即使其統(tǒng)計不顯著，仍然應當加以仔細考慮，并尋找其統(tǒng)計不顯著的原因：是否是多重共線性的影響，還是其它路徑假設的不合理而影響了該路徑的顯著性。模塊解讀模塊解讀1變量轉換變量轉換因

4、為性別為屬性變量，我們無法對字串變量進行回歸分析，所以需要用轉換功能將性別m（男）和f（女）轉換分別成虛擬數(shù)字變量1和0。單擊“轉換”|“重新編碼為不同變量”命令，彈出變量轉換對話框，如圖29-4所示?！拜敵鲎兞俊笨蛑小懊Q”欄輸入一個新的變量“gender1”，“標簽”是“性別”，然后單擊“更改”。2“舊值和新值舊值和新值”按鈕按鈕單擊“舊值和新值”按鈕，彈出圖29-5所示的“舊值和新值”對話框，此對話框可用于對目標變量進行具體變量的轉換。在“舊值”的“值”欄里輸入需要轉換的目標變量“m”，“新值”的“值”中輸入新的值“1”，單擊“添加”按鈕，再以同樣方法添加“f”和“0”，單擊“確定”按鈕

5、，即生成一個新的變量“gender1”，如圖29-6所示。3年齡轉換年齡轉換由于年齡比出生日期更簡潔直觀，我們把出生日期轉換成年齡進行分析，因為統(tǒng)計資料的時間不清楚，用現(xiàn)在時間計算并不影響結果，所以算當下時間的年齡。單擊“轉換”|“日期和時間向導”命令，彈出圖29-7所示的對話框，選擇“使用日期和時間進行計算”選項，單擊“下一步”按鈕，彈出圖29-8所示的對話框，日期和時間向導第一步對話框。4計算當前年齡計算當前年齡在日期和時間向導第一步對話框中選擇“計算兩個日期之間的時間數(shù)”，單擊“下一步”彈出圖29-9第二步對話框，把變量列表中的“STIME”和“bdate”放入相應欄中，點開“單位”下拉

6、列表，選擇“年份”，在“結果”復選框中選擇“取整”。單擊“下一步”按鈕，彈出圖29-10第三步對話框，在“結果變量”欄里輸入計算生成的新的變量名稱“age”，“變量標簽”欄中輸入“年齡”給新的變量加上標簽，單擊“完成”即可生成一個新的變量，如圖29-11所示。5計算路徑系數(shù)計算路徑系數(shù)單擊“分析”|“回歸”|“線性”命令，彈出線性回歸對話框，如圖29-12所示?！耙蜃兞俊笨蛑蟹湃氡敬涡枰容^的變量“salary”，把要比較的八個因素“educ”、“salbegin”、“minority”“jobcat”“gender1”“prevexp”和“jobtime”放入“自變量”框中，方法選擇“進入”

7、。6.“統(tǒng)計量統(tǒng)計量”按鈕按鈕單擊“統(tǒng)計量”按鈕，彈出圖29-13所示的“統(tǒng)計量”對話框，選擇“描述性”，單擊“繼續(xù)”完成選擇，回到線性回歸對話框單擊“確定”按鈕即可計算回歸系數(shù)。實例詳解實例詳解例29.1：我們采用SPSS軟件系統(tǒng)自帶的數(shù)據(jù)文件Employee data.sav（可在SPSS軟件的子目錄下找到該數(shù)據(jù)）來進行路徑分析。該數(shù)據(jù)收錄了474個員工的人事工資資料，序號為434的缺失出生日期，所以有效為473個，在接下來的分析中，剔除該樣品；該數(shù)據(jù)包含有：id（編碼）、gender（性別）、bdate（Date of Birth，出生日期）、educ（Educational Level

8、，受教育水平）、jobcat（Employment Category，職位類別）、salary（Current Salary，目前工資）、salbegin（Beginning Salary，初始工資）、jobtime（Months since Hire，已工作時間）、prevexp（Previous Experience，以前的工作經(jīng)驗）、minority（是否是少數(shù)民族）等10個變量。gender為屬性變量，用“f ”表示female女性，“m ”表示male男性；educ使用受教育的年數(shù)衡量；jobcat分為三類：“1”表示clerical（文員），“2”代表custodial（保管人員）

9、，以“3”表示manager（管理人員）。當前工資和初始工資以實際額為準。已經(jīng)工作的時間和以前的工作經(jīng)驗均以月為單位來衡量；是否是少數(shù)民族為“0”、“1”變量，“1”表示“Yes”，是少數(shù)民族，“0”表示“No”非少數(shù)民族。用出生日期的年份數(shù)來計算出新變量年齡代替出生日期進行分析。1以以“salary”為因變量為因變量操作步驟如下：（1）單擊“分析”|“回歸”|“線性”命令，彈出圖29-12所示?！耙蜃兞俊笨蛑蟹湃氡敬涡枰容^的變量“salary”，把“educ”、“salbegin”、“minority”“jobcat”“gender1”“prevexp”和“jobtime”放入“自變量”，

10、方法選擇“進入”。2）單擊“統(tǒng)計量”按鈕，彈出圖29-13所示的對話框，選中“描述性”項，單擊“繼續(xù)”按鈕，返回圖29-7，單擊“確定”運行，輸出結果。結果解讀：圖29-16所示為模型匯總，R方=0.841，說明模型可解釋的變異度較高。圖29-17所示為方差分析結果，F(xiàn)=358.914，P=0.000，說明回歸模型有意義。圖29-18所示為回歸模型的系數(shù)。2以以“educ”為因變量為因變量操作步驟同上，“因變量”框中放入“educ”，自變量為“minority”、“gender1”和“age”，輸出結果圖29-19所示為模型匯總，可見R方=0.212，解釋效果不是很好。 圖29-20所示為模型

11、方差分析結果，可見F=42.098，P=0.000，模型有意義。圖29-21所示為模型系數(shù)。以“jobcat”為因變量，“educ”、“gender1”和“prevexp”為自變量，結果可見，圖29-22所示為模型匯總情況，R方=0.329，解釋度較低，但圖29-23所示為模型方差分析結果依然有統(tǒng)計學意義，P=0.00。圖29-24所示為模型系數(shù)。以“prevexp”為因變量，“gender1”和“age”為自變量輸出結果可見，圖29-25所示為模型匯總，R方=0.687，該模型對變異的解釋度尚可，圖29-26所示為模型方差分析結果，P=0.00，反映模型有意義，圖29-27所示為模型系數(shù)。以“salbegin”為自變量，“minority”、“educ”、“jobcat”、“gender1”和“prevexp”為自變量輸出結果，其結果解釋同上