线性回归模型_线性回归 vs 结构方程模型

对线性回归和结构方程模型进行简单的刨析比较，抛开统计学方面的理论，尽量说得通俗易懂些。

线性回归(Regression)与结构方程模型(Structural equation modeling)是用来验证变量间的因果关系时，最经常使用的方法。 

本文比较下两者的区别，抛开具体统计学方面的理论，尽量说得通俗易懂些。

共同点

先说共同点。

• 两者都是用来检验变量间的因果关系；

• 可以同时使用多个自变量(X)进行分析(如下图)；

• 都可以检验中介关系和调节关系。

两种分析方法解决的问题是没有本质区别的，因此同学们完全可以根据自己的需要选择。

建议的选择标准，参考学科内近期前辈的毕业论文。你是硕士就参考硕士的，是博士就参考博士。
如果没有可以参考的前辈，那就在自己看过的论文中，选取一篇和自己的想法类似的论文。

在自己选定了方法后，务必和指导教授商量后，再最终决定。

不同点

再说不同点。

1. 使用的分析软件不同。
   线性回归多用SPSS来做，结构方程式模型则使用AMOS居多。

2. 标本要求不同。
   使用线性回归分析时，标本数不需要特别高，硕士论文的情况，一般100-200名就可以了。而结构方程式模型则需要大量样本，才会得到良好的分析结果，硕士一般要300，博士一般要500以上。

3. 线性回归一次只能使用一个因变量，而结构方程式模型则可以同时分析多个因变量。
   因此，结构方程式模型可以简单理解成多个线性回归的集合。

因此，总的来说结构方程式模型分析难度稍高，分析过程也更为复杂些。

分开来看

具体的对两种分析方法进行说明下。

线性回归分析：

• 根据理论首先分清谁是因变量，谁是自变量。然后得出自变量对因变量的关系。

• 这种方法得到的两者关系多为直接的影响。

• 当变量之间的关系比较间接时(如下图。通过第三个因素或其他因素才能联系要分析的两变量关系)，直接运用线性回归分析无法得出我们想要的结果。    

• 这时可以采取sobel-test，阶段式回归分析等方式来进行检验。

• 线性回归分析一般使用SPSS软件进行分析。

结构方程模型分析：

• 是一种建立、估计和检验因果关系模型的方法。模型既包括可观测的显变量，也包括可能无法直接观测的潜变量。

• 结构方程模型最大的优点在于可以同时处理许多因变量(与多元回归不同，可以允许各变量之间存在测量误差)，尤其当变量之间存在多层的关系时非常实用。

• 结构方程模型可以替代多重回归、通径分析、因子分析、协方差分析等方法，科学地分析单项指标对总体的作用和单项指标间的相互关系。并可比较及评价不同的理论模型。

• 通过结构方程多组分析，我们可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异。

• 目前，已经有多种软件可以处理SEM，包括：LISREL，AMOS, EQS, Mplus。

• 重庆大学出版社 2009年曾经专门出版过一本书叫《结构方程模型》(作者吴明隆)，很好的教材，本公众号里有下载，请参考下面传送门。

有疑问请在文章下方留言(请勿私信)，你的问题也会帮助到别人。

有疑问请在文章下方留言(请勿私信)，你的问题也也会帮助到别人。