结构方程模型 课件 1 结构方程模型（Structural Equation Modeling，SEM) 20世纪——主流统计方法技术：因素分析 回归分析 20世纪70年代：结构方程模型时代正式来临 结构方程模型是一门基于统计分析技术的研究方法学，它主要用于解决社会科学研究中的多变量问题，用来处理复杂的多变量研究数据的探究与分析。在社会科学及经济、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。SEM能够对抽象的概念进行估计与检定，而且能够同时进行潜在变量的估计与复杂自变量/因变量预测模型的参数估计。 结构方程模型是一种非常通用的、主要的线形统计建模技术，广泛应用于心理学、经济学、社会学、行为科学等领域的研究。实际上，它是计量经济学、计量社会学与计量心理学等领域的统计分析方法的综合。多元回归、因子分析和通径分析等方法都只是结构方程模型中的一种特例。 结构方程模型是利用联立方程组求解，它没有很严格的假定限制条件，同时允许自变量和因变量存在测量误 差 。在许多科学领域的研究中，有些变量并 不能直接测量。实际上，这些变量基本 上是人 们 为了 理解和研究某 类 目 的而建立的假设 概念，对于它们 并 不存在直接测量的操 作 方法。人 们 可以 找 到一些可观察 的变量作 为这些潜在变量的“ 标 识 ” ，然 而这些潜在变量的观察 标 识 总 是包 含 了 大 量的测量误 差 。在统计分析中，即使 是对那 些可以 测量的变量，也 总 是不断 受 到测量误 差 问题的侵 扰 。自变量测量误 差 的发 生 会导 致 常规 回归模型参数估计产 生 偏 差 。虽 然 传统的因子分析允许对潜在变量设 立多元标 识 ，也 可处理测量误 差 ，但是，它不能分析因子之 间 的关系。只有结构方程模型即能够使 研究人 员 在分析中处理测量误差 ，又 可分析潜在变量之 间 的结构关系。 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 ...
