结构方程模型的特点及优化探讨

结构方程模型主要分为两部分，分别是结构模型和测量模型。结构模型又称为潜在变量模型，用于建立潜在变量之间的关系，它融合了两种统计技术即路径分析和因素分析，能够同时检验模型中的潜变量、干扰变量或误差变量以及观测变量间的关系，然后获得因变量受自变量影响的总体效果、间接效果、直接效果。在结构方程模型体系中，测量模型就是验证性因素分析模型，它使用指标来构建潜变量。结构方程模型是一种建立在理论或经验法则基础上的验证性方法，假设模型只有在理论的引导下才能得以构建。

结构方程模型首先在一组潜在变量之间建立因果假设关系，其中潜在变量是某几个观测变量的线性组合，能够分别用一组显性变量来表示;然后对观测变量之间的协方差进行验证，以检验假设对研究的过程是否恰当。若假设得到证实，说明潜变量之间的因果关系存在，模型最终具有可操作性。变量的交互关系常常是通过路径图来描述的，通过复杂的内部规则可以找出交互关系对于方差和变量的协方差含义，然后检验方差、协方差与模型是否拟合。统计检验的结果也就是所报告的线性方程组数字系数参数估计和标准误差，在此基础上可以判断模型与数据是否拟合良好。

路径图在结构方程建模中用来描述变量与变量之间的因果关系，即哪些变量引起其他变量发生变化。比如经典的线性回归方程Y=aX+e也可以通过路径图表示。方程式中的变量全部可置于路径图中，用方框或椭圆表示，显变量用方框表示，潜在变量用椭圆或圆形表示。所有的自变量(等式右侧的变量)用箭头指向因变量，加权系数置于箭头上方，构成简单的线性方程系统。用于检验结构模型的自变量方差在路径图中用曲线表示(无箭头)，如以上方程式中的变量e可以当作线性回归方程的残差，Y是X的预测结果。残差不可以直接观察到，但可以通过Y和X计算出来，因此在路径图中被当作潜在变量，用椭圆表示，路径图的具体含义如表6－10所示。(www.xing528.com)

表6－10　结构方程模型常用的图标及含义

结构方程模型有以下优势:①适用于样本较大的统计分析。协方差矩阵是结构方程模型分析的主要依据，在样本量较小时，协方差分析结果容易不稳定，因此只有在样本量较大时，结构方程模型分析结果稳定性才较好，样本越大，其稳定性对各种指标的适用性也越好。②注重协方差运用。变量的协方差属于结构方程模型的核心分析概念。协方差在结构方程模型分析中具有两种作用:一种是验证性功能，能够得出实际搜集数据的协方差与理论模型所推导的协方差之间的差异;另一种是描述性功能，可以通过变量间的协方差矩阵观察多个连续变量间的关联情况。③强调多元统计指标的运用。结构方程模型参考的指标属于多元的，因为模型所比较的是整体模型，强调对整体模型拟合度的处理，所以为了对模型的适配度进行整体判别，研究者需要参考多种不同指标。④能集分析与测量于一体。与传统的统计方法相比较，结构方程集分析与测量于一体。结构方程不仅有助于准确估计问卷数据的测量误差大小和其他参数值提高，从而较大程度提高整体测量的准确度，同时也可以对其信度与效度进行评估测量。结构方程模型克服了传统统计方法的不足，对观测指标与潜变量之间的复杂关系可以进行准确处理，对观测指标和潜变量之间的直接作用和交互作用都可以研究。⑤汇集多种统计技术。通常情况下，基于结构方程模型涉及的变量较多，因此整合模型中的变量主要采用一般线性模型分析技术。当然，在多变量分析中，结构方程模型也经常被采用，结构方程模型将路径分析、因子分析等多种统计技术融合为一体来对潜在变量与观测变量之间的假设关系进行检验。