Структурное моделирование (Structural Equation Modeling)
- Автор метода
- Sewall Wright
- Год
- 1921
- Тип
- Method
- Семейство
- multivariate-modeling
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Структурное моделирование (SEM) представляет собой всеобъемлющую статистическую основу, объединяющую анализ путей (Sewall Wright, 1921) и конфирматорный факторный анализ для проверки сложных причинно-следственных моделей, связывающих наблюдаемые и латентные переменные.
Формализованный Йёрескогом (Jöreskog, 1973) с помощью программного обеспечения LISREL, SEM позволяет одновременно оценивать связи измерения (как переменные измеряют латентные конструкты) и структурные связи (как конструкты влияют на исходы), что делает его мощным инструментом для проверки теорий в психологии, эпидемиологии, организационных исследованиях и медицинских науках, где сложные опосредования, модерации и латентные процессы требуют интегрированного анализа.
Интуиция метода
Многие исследовательские вопросы включают сложные причинно-следственные цепочки: влияет ли переменная X на исход Y напрямую или косвенно через медиатор M? Измеряют ли несколько наблюдаемых переменных один латентный конструкт? SEM интегрирует эти вопросы в одну модель. Основа включает две части: (1) модель измерения — как наблюдаемые переменные связаны с латентными конструктами (факторные нагрузки), и (2) структурная модель — как конструкты причинно связаны друг с другом (коэффициенты путей). В отличие от регрессии (которая игнорирует ошибку измерения) или простого факторного анализа (который игнорирует причинно-следственные связи), SEM оценивает структурные пути, учитывая ошибку измерения. Этот двойной подход обеспечивает более достоверные выводы о лежащих в основе процессах и позволяет проверять косвенные эффекты (опосредование), модерацию и взаимные отношения.
История
Сьюолл Райт (Sewall Wright) разработал анализ путей (1921) для разложения корреляций на прямые и косвенные причинные эффекты в генетике. Карл Йёреског (Karl Jöreskog) объединил анализ путей с факторным анализом для создания SEM, выпустив программное обеспечение LISREL (Linear Structural Relations) в 1973 году, что позволило проводить сложную проверку гипотез. EQS (Bentler, 1985) и AMOS (Arbuckle, 1995) сделали SEM более доступным. Современные разработки включают робастные оценки (Yuan & Bentler, 2000), многоуровневый SEM (Hox & Maas, 2001), динамические структурные модели (латентные кривые роста; Bollen & Curran, 2006) и байесовский SEM (Lee, 2007).
Когда применять
Используйте SEM при проверке сложных многомерных теорий, включающих опосредование, модерацию, латентные конструкты и взаимную причинность. Психология: проверка того, опосредует ли когнитивное совладание (латентное) эффект стресса на депрессию, или как личность влияет на поведение через мотивацию. Эпидемиология: моделирование путей риска заболеваний (например, социально-экономический статус → поведенческие факторы здоровья → сердечно-сосудистые исходы). Организационные исследования: проверка того, влияет ли лидерство (измеренное по нескольким пунктам) на производительность через вовлеченность сотрудников (латентную). Образование: моделирование эффектов школьного климата (латентный конструкт по отчетам учителей и учеников) на успеваемость учащихся. SEM естественным образом обрабатывает латентные переменные, что делает его идеальным, когда конструкты абстрактны или измеряются с помощью нескольких индикаторов с ошибкой.
Ограничения и замечания
- Требует больших выборок и сбалансированного дизайна: оценка параметров нестабильна при малом n или экстремальных характеристиках выборки; минимум n ≥ 100–200 при наличии нескольких латентных переменных.
- Предполагает априорную корректную спецификацию модели: SEM проверяет специфицированную модель; некорректная спецификация (пропущенные пути, неправильное причинное направление) может хорошо соответствовать, несмотря на ошибочность (эквивалентные модели).
- Возможность существования нескольких эквивалентных моделей: различные структуры путей могут воспроизводить одну и ту же ковариационную матрицу; SEM не может их различить без дополнительных теорий или ограничений.
- Неэкспериментальные данные не подразумевают причинность: коэффициенты путей представляют собой регрессионные веса, а не причинные эффекты; смешивающие факторы, обратная причинность и смещение отбора по-прежнему угрожают достоверности.
- Сложные взаимодействия и нелинейные зависимости трудно специфицировать и оценивать в SEM; обычно предполагаются линейные зависимости.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Интегрированные компоненты измерения и структуры: одновременная оценка того, как переменные измеряют конструкты (валидность), и как конструкты связаны (проверка теории).
- Учет ошибки измерения: коэффициенты путей скорректированы на ненадежность измерения, что дает более достоверные структурные оценки, чем регрессия.
- Проверка сложных связей: опосредование, модерация, косвенные эффекты и взаимная причинность в одной согласованной структуре.
- Гибкость для пропущенных данных: максимальное правдоподобие с полным наблюдением позволяет проводить анализ с неполными данными при предположении MCAR.
- Комплексная диагностика соответствия: несколько индексов (CFI, RMSEA, остатки) позволяют тщательно оценить модель и выявить конкретные источники несоответствия.
Применение
- Клиническая психология: проверка того, опосредует ли травматическое воздействие депрессию через негативные когнитивные паттерны (опосредование); моделирование латентных измерений психопатологии.
- Общественное здравоохранение: оценка того, влияют ли социально-экологические вмешательства на поведенческие факторы здоровья (например, вовлеченность сообщества → знания → изменение поведения → исходы для здоровья).
- Исследования в области образования: оценка того, влияет ли распределение школьных ресурсов на успеваемость учащихся через качество учителей и школьный климат (латентный конструкт).
- Организационное поведение: проверка того, влияет ли стиль лидерства на производительность организации через мотивацию и приверженность сотрудников (латентные медиаторы).
- Лонгитюдные исследования развития: модели латентных кривых роста, отслеживающие, как индивиды меняются со временем, предсказывая траектории на основе исходных характеристик.
Как это работает
Как это работает
Проведение SEM включает: (1) априорное определение модели на основе теории (нарисовать или изобразить предполагаемую причинно-следственную структуру), (2) определение латентных переменных (абстрактных конструктов, которые вы наблюдаете косвенно через измеренные переменные) и их индикаторов, (3) определение структурных путей (причинно-следственных гипотез, связывающих переменные/конструкты), (4) сбор данных по всем наблюдаемым переменным (обычно непрерывным; SEM может обрабатывать порядковые/категориальные данные с соответствующей оценкой), (5) обеспечение адекватного размера выборки (минимум n ≥ 100, в идеале n ≥ 200; эмпирическое правило: n > 10 × количество оцениваемых параметров). Собирайте данные с минимальным количеством пропущенных значений; метод максимального правдоподобия с полным наблюдением (FIML) обрабатывает пропущенные данные при предположении о случайном пропуске (MCAR). Определите экзогенные переменные (причины, обычно некоррелированные) и эндогенные переменные (следствия, которые могут быть вызваны другими переменными).
Оценка SEM выполняется с использованием максимального правдоподобия (ML) или робастных методов оценки (MLR для ненормальных данных). Выходные данные включают: (1) Стандартизированные коэффициенты путей (регрессионные веса между переменными): напрямую сравнимы между путями; коэффициент 0.4 указывает на умеренный эффект. (2) Факторные нагрузки: корреляции между латентными переменными и их индикаторами (≥0.5 приемлемо, ≥0.7 сильно). (3) Стандартные ошибки и z-статистики: проверка того, отличаются ли коэффициенты статистически значимо от нуля. (4) Косвенные эффекты (опосредование): произведение коэффициентов путей по косвенному(ым) пути(ям); проверка с помощью бутстрэпа (≥1000 итераций). (5) R² для эндогенных переменных: доля объясненной дисперсии. (6) Индексы соответствия: CFI > 0.95, TLI > 0.95, RMSEA < 0.06, SRMR < 0.08 (Hu & Bentler, 1999). (7) Остатки: стандартизированные значения должны быть близки к нулю; большие остатки указывают на несоответствие модели в конкретных связях. (8) Индексы модификации: предлагают альтернативные пути; однако модификации, основанные на данных, компрометируют достоверность — модифицируйте только на основе теории.
Интерпретируйте стандартизированные коэффициенты путей следующим образом: коэффициент 0.5 для пути X→Y означает, что увеличение X на 1 стандартное отклонение предсказывает увеличение Y на 0.5 стандартного отклонения (прямой эффект) при условии постоянства других переменных. Если коэффициент p < 0.05, эффект статистически значим. Косвенные эффекты: умножьте коэффициенты вдоль опосредующего пути. Например, если коэффициент X→M равен 0.3, а M→Y равен 0.4, косвенный эффект = 0.3 × 0.4 = 0.12; 95% доверительный интервал бутстрэпа должен исключать ноль для значимости. Общий эффект = прямой + косвенный; сравните с нулем для оценки общей ассоциации. Соответствие модели: выполнение всех критериев соответствия (CFI, RMSEA и т. д.) указывает на то, что модель адекватно воспроизводит наблюдаемую ковариационную структуру. Остатки, близкие к нулю, подтверждают соответствие на уровне отдельных путей. Индексы модификации > 3.84 указывают на пути, которые могут улучшить соответствие, но добавление ад-хок путей увеличивает ошибку I рода; переопределяйте модели только на основе теоретического обоснования или перекрестной проверки на независимой выборке.
Частые ошибки
- Модификация модели на основе данных: итеративное добавление путей на основе индексов модификации использует случайность и приводит к моделям, которые могут не воспроизводиться. Модификации должны быть теоретически обоснованы априори или проверены на независимой выборке.
- Игнорирование модели измерения: фокусировка только на структурных путях при свободном оценивании ошибки измерения; неадекватное измерение подрывает структурную достоверность.
- Отчетность о соответствии модели без анализа остатков: хорошие глобальные индексы соответствия не гарантируют, что все пути соответствуют хорошо. Анализируйте стандартизированные остатки и индексы модификации для выявления локального несоответствия.
- Рассмотрение SEM как конфирматорного при использовании в исследовательских целях: если модель была получена на основе данных (пост-хок спецификация), сообщайте об этом как об исследовательском и проверяйте на независимой выборке.
- Смешение статистической и практической значимости: статистически значимый путь (p < 0.05) не означает, что эффект велик или имеет практическое значение. Сообщайте о размерах эффекта (стандартизированных коэффициентах) и доверительных интервалах.
- Перенасыщение модели латентными переменными: слишком много латентных конструктов по отношению к индикаторам и размеру выборки приводит к нестабильным оценкам; используйте многогрупповой SEM или бифакторные модели с осторожностью.
Часто задаваемые вопросы
В чем разница между прямым и косвенным эффектом (опосредование)?
Прямой эффект — это путь от X к Y, количественно определяющий, как X влияет на Y напрямую. Косвенный эффект — это путь X→M→Y, количественно определяющий, как X влияет на Y через медиатор M. Косвенный эффект равен произведению пути X→M на путь M→Y. Общий эффект = прямой + косвенный. Опосредование происходит, когда: (1) прямой эффект X→Y уменьшается после контроля за M, и (2) косвенный эффект X→M→Y является статистически значимым (доверительный интервал бутстрэпа исключает ноль). Полное опосредование: прямой эффект становится незначимым после включения медиатора. Частичное опосредование: оба эффекта, прямой и косвенный, значимы, что означает, что X влияет на Y по нескольким путям.
Как узнать, хорошо ли моя модель соответствует данным? Что означают CFI и RMSEA?
Соответствие модели оценивается по нескольким индексам (критерии Hu & Bentler, 1999): CFI (Comparative Fit Index) сравнивает вашу модель с нулевой моделью (все переменные некоррелированы); CFI > 0.95 указывает на хорошее соответствие (диапазон 0–1). RMSEA (Root Mean Square Error of Approximation) количественно определяет расхождение между моделью и данными на степень свободы; RMSEA < 0.06 — отличное, 0.06–0.08 — хорошее, >0.10 — плохое (чем ближе к нулю, тем лучше). Также рекомендуются TLI > 0.95 и SRMR < 0.08. Одновременное выполнение всех критериев указывает на хорошее соответствие. Однако хорошее общее соответствие не гарантирует, что все пути соответствуют; анализируйте стандартизированные остатки (должны быть < |2|) и индексы модификации.
Что такое латентная переменная и как ее измерить?
Латентная переменная — это ненаблюдаемый конструкт (например, депрессия, интеллект, организационная культура), измеряемый косвенно с помощью нескольких наблюдаемых индикаторов (пункты опросника, результаты тестов). Каждый индикатор отражает латентный конструкт плюс ошибку измерения. В SEM вы указываете, какие наблюдаемые переменные измеряют какие латентные переменные через факторные нагрузки. Например, латентная переменная 'депрессия' может измеряться пунктами: грусть, безнадежность, нарушение сна (наблюдаемые индикаторы). Каждая нагрузка должна быть ≥0.5; если индикатор нагружается слабо, рассмотрите возможность его удаления или переосмысления латентного конструкта.
Могу ли я использовать SEM для установления причинности на основе наблюдательных данных?
Нет. SEM оценивает ассоциации и проверяет, воспроизводит ли гипотетическая причинная модель структуру корреляций в данных. Коэффициенты путей представляют собой регрессионные веса (условные ассоциации), а не причинные эффекты. Причинность требует: (1) временного предшествования (X измерено до Y), (2) ковариации (X и Y коррелируют), (3) отсутствия правдоподобных альтернатив (смешивающие факторы, обратная причинность). Наблюдательный SEM нарушает критерий 3: смешивающие переменные и ненаблюдаемые причины угрожают достоверности. Статистическое соответствие SEM само по себе не может доказать причинность. Используйте SEM с теорией, качественными доказательствами и дизайном исследования (рандомизация, инструментальные переменные) для усиления причинных выводов. Рассмотрите анализ чувствительности для проверки альтернативных моделей.
Похожие методы
Источники
Jöreskog, K. G., & Sörbom, D. (1973). LISREL: A general computer program for estimating a linear structural equation system. Research Bulletin 73-5. University of Stockholm.
Открыть ссылку на публикациюСкопировано.Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indices in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55.
Открыть ссылку DOIСкопировано.Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585.
Открыть ссылку на публикациюСкопировано.