结构方程建模是一种先进的统计技术，具有多层次、多复杂的概念。使用结构方程模型的研究人员对基本统计、回归分析和因子分析有很好的理解。建立一个结构方程模型需要严谨的逻辑以及对该领域理论和先前经验证据的深入了解。这篇文章提供了结构方程建模的一个非常一般的概述，而没有深入到所涉及的复杂性。

结构方程建模是一组统计技术，允许检查一个或多个自变量和一个或多个因变量之间的一组关系。自变量和因变量可以是连续变量或离散变量，也可以是因子或测量变量。结构方程建模还有其他几个名称：因果建模、因果分析、联立方程建模、协方差结构分析、路径分析和验证性因子分析。

当探索性因素分析与多元回归分析相结合时，结果是结构方程模型（SEM）。SEM允许回答涉及因素多元回归分析的问题。在最简单的层面上，研究人员假定单个测量变量与其他测量变量之间存在关系。SEM的目的是试图解释直接观察变量之间的“原始”相关性。

路径图

路径图是SEM的基础，因为它们允许研究人员绘制假设模型或一组关系。这些图表有助于澄清研究人员关于变量之间关系的想法，并可直接转化为分析所需的方程式。

路径图由几个原则组成：

• 测量变量用正方形或矩形表示。
• 由两个或多个指示器组成的因子由圆或椭圆表示。
• 变量之间的关系用线表示；缺少一条连接变量的线意味着没有假设直接的关系。
• 所有行都有一个或两个箭头。带有一个箭头的线表示两个变量之间的假设直接关系，箭头指向的变量为因变量。两端带有箭头的线表示未分析的关系，没有隐含的效果方向。

结构方程模型解决的研究问题

结构方程建模提出的主要问题是，“模型是否生成与样本（观察到的）协方差矩阵一致的估计总体协方差矩阵？”在此之后，SEM可以解决其他几个问题。

• 模型的充分性：估计参数以创建估计的总体协方差矩阵。如果模型良好，参数估计将产生一个接近样本协方差矩阵的估计矩阵。这主要通过卡方检验统计和拟合指数进行评估。
• 测试理论：每个理论或模型都生成自己的协方差矩阵。那么，哪种理论最好？对代表特定研究领域中相互竞争的理论的模型进行评估、相互比较和评估。
• 因子所占变量的方差量：自变量所占因变量的方差量是多少？这可以通过R平方型统计来回答。
• 指标的可靠性：每个测量变量的可靠性如何？SEM推导了测量变量的可靠性和可靠性的内部一致性度量。
• 参数估计：SEM为模型中的每条路径生成参数估计或系数，用于区分在预测结果度量时，一条路径是否比其他路径更重要。
• 中介：自变量是否影响特定的因变量，或者自变量是否通过中介变量影响因变量？这被称为间接效应测试。
• 群体差异：两个或两个以上群体的协方差矩阵、回归系数或均值是否存在差异？可以在SEM中进行多组建模来测试这一点。
• 纵向差异：也可以检查人内和人与人之间的时间差异。这个时间间隔可以是几年、几天甚至几微秒。
• 多层次建模：在这里，在不同的嵌套测量级别收集自变量（例如，嵌套在学校内的教室内的学生），用于预测相同或其他测量级别的因变量。

结构方程模型的弱点

相对于其他统计程序，结构方程建模有几个弱点：

• 它需要相对较大的样本量（N为150或更大）。
• 为了能够有效地使用SEM软件程序，需要更多的正式统计培训。
• 它需要一个明确的度量和概念模型。SEM是由理论驱动的，因此必须有完善的先验模型。

参考资料

• 塔巴奇尼克，B.G.和菲德尔，L.S.（2001）。使用多元统计，第四版。李约瑟高地，马：艾琳和培根。
• 克彻，K.（2011年11月查阅）。结构方程建模（SEM）简介。http://www.chrp.org/pdf/HSR061705.pdf