Skip to content
Назад к результатам поиска

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

Размер шрифта

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

1

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).

2

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.

3

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

  1. 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 публикацию
    Скопировано.
  2. 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 DOI
    Скопировано.
  3. Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585.

    Открыть ссылку на публикацию
    Скопировано.