结构方程模型
| 结构方程模型 | |
|---|---|
| 英文名 | Structural Equation Modeling(SEM) |
| 学科归属 | 心理测量、多元统计 |
| 核心含义 | 以测量模型与结构模型结合检验多变量因果假设的统计方法 |
| 两大成分 | 测量模型(因素分析)与结构模型(路径分析) |
| 拟合指标 | 卡方检验、近似误差均方根、比较拟合指数 |
| 常用软件 | MPLUS、AMOS、Lavaan 等 |
| 相关条目 | 验证性因素分析、路径分析、中介效应|} |
结构方程模型是把测量模型与结构模型结合起来的统计方法:研究者先说明每个潜变量用哪些观测指标测量(测量模型),再说明潜变量之间假定存在什么关系(结构模型),然后用观测数据检验整个模型与数据的拟合程度。
它被广泛用于检验心理学中的理论模型——特别是包含多个构念、多组关系(中介、调节、递归因果链)的模型。它不是在数据中"发现"模型,而是检验研究者事先提出的模型能否被数据容纳。
模型的两大成分
结构方程模型由两层构成。
测量模型:每个潜变量与其观测指标之间的关系,本质上是验证性因素分析。它回答"这些指标是否共同测量了所假定的构念"。
结构模型:潜变量之间的回归与路径关系。它回答"构念之间的假设关系是否成立"。
两层结合的优势在于:结构关系的估计是在考虑了测量误差之后进行的,克服了用观测分数直接回归时的误差衰减问题。这是结构方程模型区别于多元回归的根本之处。
基本步骤
一项结构方程分析通常包含以下步骤。
模型设定:依据理论画出路径图,说明潜变量、指标与路径。
模型识别检查:确认待估参数有足够的信息量支持估计。
参数估计:通常用最大似然法,非正态数据可用稳健估计或自助抽样。
拟合评价:综合多项指标判断模型与数据的匹配程度。
模型修正:若拟合不佳,依据修正指数与理论判断调整,但需在独立样本中验证,避免数据驱动的虚改。
结果解释:报告路径系数、显著性、效应量与模型局限。
每一步都有对应的规范要求,主流期刊已形成结构方程分析报告标准。
拟合评价
结构方程模型的拟合评价比回归复杂,因为"拟合好"没有单一指标。常用指标各有侧重。
卡方检验:检验"模型隐含的协方差矩阵与观测协方差矩阵完全一致"这一严格假设。样本量大时卡方几乎必然显著,因此很少单独作为判断依据。
近似误差均方根(RMSEA):衡量每自由度的近似误差,一般认为低于 0.08 可接受,低于 0.05 良好。
比较拟合指数(CFI)与Tucker-Lewis 指数(TLI):与基准模型比较,通常以 0.90 或 0.95 为界。
标准化残差均方根(SRMR):协方差残差的平均大小,一般以 0.08 为界。
拟合指标的门槛值是经验惯例而非硬性标准,且不同指标可能给出不一致的信号。规范做法是报告多项指标、结合样本量与模型复杂度综合判断,并辅以残差检查。
中介与调节的检验
结构方程模型是检验中介效应的标准工具:潜变量 X 通过潜变量 M 影响潜变量 Y 的路径分解与显著性检验。相比传统逐步回归,它能在测量误差被建模的前提下估计间接效应,并用自助抽样直接检验间接效应的置信区间——这是目前推荐的标准做法。
调节效应则通过潜变量交互项检验,技术难度高于中介检验,但避免了用乘积项直接回归时误差被放大的问题。
多组分析可以检验路径系数在不同群体(性别、文化、时间点)中是否相同,前提是先确认测量等值性——即量表在不同群体中测的是同一构念。测量等值检验已成为跨文化研究的必经步骤。
纵向与扩展模型
结构方程模型的框架可以容纳纵向设计,其中最常用的是交叉滞后面板模型:两个以上变量在两个以上时间点重复测量,检验"A1→B2 与 B1→A2"的交叉路径,以时间为因果方向提供线索。变量的自身稳定性(自回归路径)被同时估计,交叉路径代表超出稳定性之外的相互影响。
在纵向数据上还可以定义潜变量增长模型:把个体随时间的变化轨迹参数化——起点(截距潜变量)与变化速度(斜率潜变量),再考察起点与斜率的前因后果。这一模型的优势在于区分"谁起点高"与"谁长得快",两类问题在发展研究中常被混为一谈。
针对测量误差,纵向数据中的潜变量模型可以分离真实变化与测量噪声;针对群体差异,多组模型检验轨迹参数的性别、文化差异。
计算实现方面,主流工具包括 MPLUS、AMOS、Lavaan(R 环境)等,各自的语法哲学不同但模型能力相近。工具的选择远不如设计重要:一个设计缺陷(如时间间隔与过程速度不匹配)是任何软件都无法弥补的。
此外,样本规模与估计稳健性的关系应写进报告:结构方程分析的样本量要求没有普适常数,取决于模型参数量、指标分布与缺失程度;规范的报告会说明样本量判断的依据,而非仅以"达到经验规则"带过。
对初学者的实用建议是:从路径图开始,先画清楚每个潜变量、每条路径与时间顺序;再检查识别条件;最后才是软件操作。模型设定的错误(如用后测变量做前测的原因)在软件输出中并不显眼,画图审查是防止这类错误的有效习惯。
常见问题与批评
结构方程模型的能力也带来了使用上的问题。
因果推断的限度。模型中的箭头来自理论假设,拟合好不等于因果关系成立——同样的数据通常能被多种不同方向结构的模型容纳。结构方程模型检验的是"数据是否与假设一致",一致性证据弱于实验证据。横断面数据中的中介模型尤其需要克制解释。
模型比较的滥用。研究者可能尝试多个模型后选择拟合最好的报告,这种数据驱动选择会抬高虚警率,规范做法是事先注册假设、报告全部尝试。
样本量与复杂度的匹配。参数过多而样本不足时,估计不稳定。经验法则是每参数十例以上,或依赖具体情境的蒙特卡洛证据。
拟合指标的解读分歧。不同文献对同一指标给出不同门槛,报告时应注明所采用的惯例。
这些批评并不否定方法本身,而是提醒:结构方程模型的输出质量,取决于输入的理论质量与测量质量。