它有什么作用?
结构方程模型(SEM)是一个综合性的统计框架,它结合了路径分析(Sewall Wright, 1921)和验证性因子分析,用于检验连接观测变量和潜在变量的复杂因果模型。SEM由Jöreskog (1973)通过LISREL软件正式提出,能够同时估计测量关系(变量如何测量潜在构念)和结构关系(构念如何影响结果),使其在心理学、流行病学、组织研究和健康科学等领域中,当需要整合分析复杂的中介、调节和潜在过程时,成为强大的理论检验工具。
方法背后的直觉
许多研究问题涉及复杂的因果链:变量X是直接影响结果Y,还是通过中介变量M间接影响?多个观测变量是否测量同一个潜在构念?SEM将这些问题整合到一个模型中。该框架包含两部分:(1)测量模型——观测变量与潜在构念的关系(因子载荷);(2)结构模型——构念之间的因果关系(路径系数)。与回归分析(忽略测量误差)或单独的因子分析(忽略因果关系)不同,SEM在考虑测量误差的同时估计结构路径。这种双重方法能对潜在过程产生更有效的推断,并能够检验间接效应(中介)、调节和互惠关系。
历史学
Sewall Wright于1921年开发了路径分析,用于分解遗传学中相关性为直接和间接因果效应。Karl Jöreskog将路径分析与因子分析相结合,创建了SEM,并于1973年发布了LISREL(线性结构关系)软件,实现了复杂假设检验。Bentler的EQS (1985)和Arbuckle的AMOS (1995)使SEM更加易于使用。现代发展包括稳健估计(Yuan & Bentler, 2000)、多层次SEM(Hox & Maas, 2001)、动态结构模型(潜在增长曲线;Bollen & Curran, 2006)以及贝叶斯SEM(Lee, 2007)。
何时使用
当检验涉及中介、调节、潜在构念和互惠因果关系的复杂多元理论时,使用SEM。心理学:检验认知应对(潜在变量)是否中介压力对抑郁的影响,或人格如何通过动机影响行为。流行病学:模拟疾病风险路径(例如,社会经济地位→健康行为→心血管结局)。组织研究:检验领导力(通过多个条目测量)是否通过员工参与度(潜在变量)影响绩效。教育学:模拟学校气候(由教师和学生报告测量的潜在构念)对学生学业成绩的影响。SEM自然地处理潜在变量,使其成为构念抽象或通过多个含误差的指标测量时的理想选择。
局限与注意事项
- 需要大样本和均衡设计:参数估计在小样本量或极端样本特征下不稳定;最小样本量n ≥ 100–200,且具有多个潜在变量。
- 假设先验模型规格正确:SEM检验指定的模型;不正确的规格(遗漏路径、错误因果方向)可能尽管错误但仍拟合良好(等价模型)。
- 可能存在多个等价模型:不同的路径结构可以重现相同的协方差矩阵;SEM无法区分它们,除非有额外的理论或约束。
- 非实验数据不等于因果关系:路径系数代表回归权重,而非因果效应;混淆、反向因果和选择偏差仍然威胁有效性。
- 复杂的交互作用和非线性关系在SEM中难以指定和估计;通常假设线性关系。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 整合测量和结构组成部分:同时估计变量如何测量构念(效度)以及构念如何关联(理论检验)。
- 考虑测量误差:路径系数经过测量不可靠性的校正,比回归分析产生更有效的结构估计。
- 检验复杂关系:在中介、调节、间接效应和互惠因果关系方面,在一个连贯的框架内进行检验。
- 对缺失数据具有灵活性:全信息最大似然方法允许在MCAR假设下分析不完整数据。
- 全面的拟合诊断:多个指数(CFI、RMSEA、残差)能够进行彻底的模型评估,并识别特定的不拟合来源。
应用
- 临床心理学:检验创伤暴露是否通过负面认知模式(中介)影响抑郁;模拟精神病理学的潜在维度。
- 公共卫生:评估社会生态干预是否通过健康行为(例如,社区参与→知识→行为改变→健康结局)影响健康行为。
- 教育研究:评估学校资源分配是否通过教师质量和学校气候(潜在构念)影响学生学习。
- 组织行为学:检验领导风格是否通过员工动机和承诺(潜在中介变量)影响组织绩效。
- 纵向发展研究:潜在增长曲线模型跟踪个体随时间的变化,并根据基线特征预测轨迹。
使用方式
使用方式
通过以下步骤进行SEM分析:(1)基于理论先验指定模型(绘制或图示假设的因果结构);(2)定义潜在变量(通过测量变量间接观测的抽象构念)及其指标;(3)指定结构路径(连接变量/构念的因果假设);(4)收集所有观测变量的数据(通常是连续变量;SEM可以通过适当的估计方法处理有序/分类变量);(5)确保样本量充足(最小n ≥ 100,理想n ≥ 200;经验法则:n > 估计参数数量的10倍)。收集数据时应尽量减少缺失值;SEM的全信息最大似然(FIML)方法在完全随机缺失(MCAR)假设下可以处理缺失数据。定义外生变量(原因变量,通常不相关)和内生变量(结果变量,可能受其他变量影响)。
使用最大似然(ML)或稳健估计方法(MLR用于非正态数据)来估计SEM。输出包括:(1)标准化路径系数(变量间的回归权重):可直接在路径间进行比较;系数0.4表示中等效应。(2)因子载荷:潜在变量与其指标之间的相关性(≥0.5可接受,≥0.7为强)。(3)标准误和z统计量:检验系数是否显著异于零。(4)间接效应(中介):沿间接路径的路径系数乘积;通过自助法(≥1000次迭代)进行检验。(5)内生变量的R²:解释的方差比例。(6)拟合指数:CFI > 0.95, TLI > 0.95, RMSEA < 0.06, SRMR < 0.08 (Hu & Bentler, 1999)。(7)残差:标准化残差应接近零;大的残差表明模型在特定关系上拟合不佳。(8)修正指数:建议替代路径;然而,基于数据的修改会损害有效性——仅应基于理论进行修改。
解释标准化路径系数的含义:路径X→Y的系数为0.5,表示在保持其他变量不变的情况下,X增加1个标准差,Y预测增加0.5个标准差(直接效应)。如果系数p < 0.05,则效应在统计上显著。间接效应:将沿中介路径的系数相乘。例如,如果X→M系数为0.3,M→Y系数为0.4,则间接效应=0.3×0.4=0.12;自助法95%置信区间应不包含零才算显著。总效应=直接效应+间接效应;与零比较以评估整体关联。模型拟合:满足所有拟合标准(CFI、RMSEA等)表明模型充分重现了观测到的协方差结构。接近零的残差证实了各路径的拟合情况。修正指数>3.84提示可能改进拟合的路径,但随意添加路径会增加第一类错误;仅应基于理论依据重新指定模型或在独立样本上进行交叉验证。
常见陷阱
- 基于数据的模型修改:基于修正指数迭代地添加路径会利用偶然性,并产生可能无法复制的模型。修改必须是先验理论上合理的,或在独立样本上进行检验。
- 忽略测量模型:仅关注结构路径,同时允许自由估计测量误差;不充分的测量会损害结构有效性。
- 在未检查残差的情况下报告模型拟合:良好的全局拟合指数并不保证所有路径都拟合良好。检查标准化残差和修正指数以识别局部不拟合。
- 在探索性使用时将SEM视为验证性:如果模型是基于数据推导的(事后规格),则应报告为探索性模型,并在独立样本上进行验证。
- 混淆统计显著性与实际显著性:显著路径(p < 0.05)并不意味着效应很大或有意义。应报告效应量(标准化系数)和置信区间。
- 模型中潜在变量过多:相对于指标和样本量,过多的潜在构念会导致估计不稳定;谨慎使用多组SEM或双因子模型。
常见问题
直接效应与间接效应(中介)的区别是什么?
直接效应是从X到Y的路径,量化X如何直接影响Y。间接效应是路径X→M→Y,量化X如何通过中介变量M影响Y。间接效应等于X→M路径系数乘以M→Y路径系数。总效应=直接效应+间接效应。当满足以下条件时发生中介:(1)在控制M后,X→Y的直接效应减小,并且(2)X→M→Y的间接效应显著(自助法置信区间不包含零)。完全中介:包含中介变量后,直接效应变得不显著。部分中介:直接效应和间接效应均显著,表明X通过多条路径影响Y。
我如何知道我的模型是否拟合良好?CFI和RMSEA是什么意思?
模型拟合通过多个指数(Hu & Bentler, 1999标准)进行判断:CFI(比较拟合指数)将你的模型与一个零模型(所有变量不相关)进行比较;CFI > 0.95表示拟合良好(范围0–1)。RMSEA(近似均方根误差)量化了模型与数据之间每自由度的差异;RMSEA < 0.06为优秀,0.06–0.08为良好,>0.10为差(越接近零越好)。TLI > 0.95和SRMR < 0.08也推荐。同时满足所有标准表明拟合良好。然而,良好的整体拟合并不保证所有路径都拟合良好;应检查标准化残差(应< |2|)和修正指数。
什么是潜在变量?我该如何测量它?
潜在变量是一个未被观测到的构念(例如,抑郁、智力、组织文化),通过多个观测指标(问卷条目、测验分数)间接测量。每个指标都反映了潜在构念加上测量误差。在SEM中,你通过因子载荷指定哪些观测变量测量哪些潜在变量。例如,潜在变量“抑郁”可能由以下条目测量:悲伤、绝望、睡眠障碍(观测指标)。每个载荷应≥0.5;如果某个指标载荷较弱,则考虑移除它或重新概念化潜在构念。
我能用SEM从观察性数据中建立因果关系吗?
不能。SEM估计关联性,并检验假设的因果模型是否能重现数据中的相关结构。路径系数代表回归权重(条件关联),而非因果效应。因果关系需要:(1)时间顺序(X在Y之前测量),(2)共变(X和Y相关),(3)无合理替代解释(混淆、反向因果)。观察性SEM违反了第三个标准:混淆变量和未测量的原因威胁有效性。仅凭SEM的统计拟合无法证明因果关系。应结合理论、定性证据和研究设计(随机化、工具变量)来使用SEM以加强因果推断。考虑进行敏感性分析来检验替代模型。
相关方法
参考文献
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.
打开出版物文献已复制。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.
打开 DOI 文献已复制。Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585.
打开出版物文献已复制。