AMOS的使用手册(2)

Itellin@163.com 6

Itellin@163.com 相反，我们声称 F1 引起测量变量I1 和 I2上的观测得分。因果效应在路径图中由单箭头表示。F1 和 F2 被两个指示因子共享的方差概念化(例如，两个指示因子共有什么。)至今为止正如所猜测的那样， F1 和 F2 是潜因子； I1 到I4 是观测变量。也许它们是调查项。E1 到 E4 是I1到 I4中引起响应方差的残差或误差方差 。路径图告诉我们1到4的得分或调查响应项是由两个相关因子及每项的唯一方差引起的。部分唯一方差或许是由于测量误差。

路径图中一部分路径被标上数字 “1”。意思是这些路径系数设为固定值为1。必须要包括这些固定值: 它们设置潜在因子和残差的测量尺度。另一种选择是，把因子方差设置为1以获得固有的标准解。注释：当执行多组分析时不应该使用后一种方法。

为什么使用SEM?

如后面所见，研究者为什么想使用SEM和必需用它自己的语言处理一些相当严格的统计假设？SEM有许多吸引人的优点：

? ?

假设潜在的统计分析是明确的和可检验的，调查者能全部控制和进一步地分析理解。 绘图接口软件创造性地推进和使快速调式模型变得容易（这个特性取决于所选的SEM软件）。

SEM程序同时提供总体模型检验和独立参数估计检验。 回归系数，均值和方差同时被比较，即使多个组间交叉。

测量和验证性因子分析模型能净化误差，使得潜变量间的关联估计较少地被测量误差污染。

拟合非标准模型的能力，包括灵活处理追踪数据，带自相关误差结构的数据库（时间序列分析），和带非正态分布变量和缺失数据的数据库。

? ? ?

?

? SEM的最后特征是它最具吸引人的性质。SEM提供统一的架构，多个线性模型能使用灵活，功能强大的软件拟合。

第三部分: SEM的假设

合理的样本量

SEM是一般线性模型灵活有力的扩展。像其它统计方法一样，需要一系列假设。这些假设应该满足或至少近似地保证有可信赖的结果。

按照James Stevens的社会科学的应用多变量统计的说法，一个好的经验法则是在标准普通最小二乘多重回归分析中每个因子有15个个案。因为SEM在某些方面与多重回归紧密相关，SEM中每个测量变量15个个案是合理的。Bentler 和Chou (1987) 注意到只要

7

Itellin@163.com 数据表现良好（例如，正态分布，无缺失数据或例外值等等），在SEM分析中研究者对每个参数估计，只需要5个个案。注意Bentler 和Chou 提及每个参数估计要有5个个案而不是每个测量变量。测量变量在分析中至少有一个典型地路径系数与其它变量相关联，加上残差项或方差估计，所以认可Bentler 和Chou 和Stevens推荐的每个测量变量最小要15个个案相吻合是重要的。更一般的， Loehlin (1992) 使用验证性因子分析模型报告蒙特卡洛仿真的研究结果，参考一些文献后，得出对两到四因子模型，调查者应该收集至少100个个案，200更好（如果可能）。使用小样本的结果包括迭代失败 (软件不能达到满意的解), 不合理的解 (包括测量变量的方差估计为负值)和降低参数估计的准确性，尤其是，标准误– SEM的标准误是在大样本假设下进行计算的。

当数据是非正态分布或在某些方面是有缺陷的情况下 (几乎总是对个案)，需要较大的样本。当数据有偏斜，有高低峰，不完整或不尽合理时，对所需要的样本量做出绝对的推荐是困难的。一般的推荐是尽可能获得较多的数据。

内生变量的连续和正态分布

SEM程序假设因变量和中间变量(所谓的内生变量是SEM的叫法) 是连续分布，有正态分布的残差。事实上，SEM分析的残差不仅仅要求服从单变量正态分布，它们的联合分布也要服从联合多变量正态分布。然而，这个假设在实际中从未满足。

SEM专家已经开发多种方法处理非正态分布变量。这些方法是为假设有潜在连续分布的变量而设计。 例如，也许你管理一个研究参与者自信心项目的李克特量表。量表按照自信的连续程度由低到高计分，即使项目数据不是连续分布，潜在自信分布也是连续的。 相反，其它结果变量不是连续分布。例如，医学研究中病人处理后是生还是死？大部分SEM程序目前不能处理这些名义水平因变量的类型。

模型识别 (识别方程)

如不久所见，为了产生有判断力的一组结果，SEM程序需要已知足够数量的相关阵或协方差阵作为输入。另一个要求是方程完全可识别。在SEM中，识别涉及参数估计至少有一个唯一解的概念。参数估计只有一个可能解的模型称为恰好识别。有无限可能参数估计值的模型叫做欠识别。最后，参数估计多于一个可能解（除了一个最佳或最优解外）的模型叫做过度识别。

下列方程，来自Rigdon (1997)，或许可以帮助更清晰的理解这些概念： x + 2y = 7

在上面方程中，x 和 y 有无穷多个解(例如， x = 5 和 y =1, x = 3 和 y = 2)。因为“已知”比“未知”少，所以这些值是欠识别的。恰好识别模型是方程个数与变量个数相同

8

Itellin@163.com 的方程。 x + 2y = 7 3x - y = 7

对这个方程，方程个数与变量个数相同，从而有一对最佳值 (x = 3, y = 2)。

当每个参数可识别，至少一个参数是过度识别时，会出现过度识别模型（例如，方程能由多种方式求解——而不是带一个方程的参数解，多个方程都会产生这种参数估计）。多数使用SEM的人都喜欢使用过度识别。过度识别模型有正自由度，也不必拟合恰好识别模型。当有过度模型时，施加在模型上的限制提供一组假设检验，然后它能被绝对拟合模型的卡方统计量和各种描述模型拟合指数估计。与过度识别模型相关的正自由度允许模型有虚假的卡方检验。当过度识别模型拟合良好时，研究者通常认为模型有足够的拟合数据。 …… 此处隐藏：776字，全部文档内容请下载后查看。喜欢就下载吧 ……