python结构方程模型_结构方程模型：方法与应用_结构方程模型公式

讲解清晰，适合MPLus学习者！注意这是王济川的书！

第一章

绪论( Introduction)

11模型表述( Model formulation

1.11测量模型( Measurernent model)

112结梅模型 Structural model)

113模型表达方程( Model formulation in equations)

12模型识别( Model identification

13模型估计( Model estimation)

14模型评估( Model evauation)

15模型修正( Model modification)

附录11将总体方差/协方差表达为模型参数的函数( Expressing population vari

ances and covariances as functions of model parameters

附录12结构方程模型的最大似然函数( Maximun likelihood function for sEM

近年来结构方程模型( structural equation modeling,SEM)作为统计分析的

一般框架( Bentler,1995;Bole,1989a; Huyou,1989; Jonesky,1973; Muthen&

Muthen,1998-2008)被广泛地应用于社会科学的数据分析。结构方程模型在估

计一组观察变量 Observed variables)与其代表的潜变量( latent variables)(或概念

( constructa)、因子(aor)的关系的同时,分析各潜变量之间的关系( Bentler

1980,1983; Bollen,1989a; Joreskog,1967,1969,1973; Joreskog& Sorbon,1979)

这样,潜变量之间的关系估计便不受测量误差( measurement errors)的影响。结

构方程模型源于因子分析( factor analysis)( Spearman1904; Tucker;11958)和

路径分析( path analysis)(或联立方程( simultaneous equations)( Wright,1921,

2·第一章绪论( Lntroduction

1934)。基于因子分析的测量模型( measurement mcdel)与基于路径分析的结构

公式( structural equations}的整合,形成了一个数据分析的一般框架,叫做结构

方程模型( Joreskog,1973; Keesling,1972; wiley,1973)

结构方程模型对解决数据分析中观察变量测量误差的影响提供了一个机制

或平台。社会科学研究中某些概念,如智力、能力、倍任、自尊、动机、成功、雄

心、偏见、疏远、保守等,是不能直接测量的。由于没有可操作性的方祛来直接

测量这些假设的概念( constructs or concepts),研究者只能寻找一些可测量的观

察标识变量( observed indicator variables)来间接地测量潜变量。遗憾的是,几乎

所有的观察标识变量都会带有一定的测量误差( measurement errors)。即便是

些可以直接测量的变量,在统计分析中通常也需要关注其测量误差。传统的分析

方法,如多元回归 multiple regressions)、 ANOVA、路径分析及联立方程等,都忽

略了模型中变量的浏量误差。一旦多元回归力程中的自变量出现测量误差,则模

型残差( model residuals)就会与自变量相关,从而违背基本统计假设,引起回归

模型的参数估计值出现偏倚(bias),导致拖论错误。sEM提供了一个实用、有效

的手段,可同时评估测量( measurement)的质量并检测潜变量( latent variables)

之间的因果关系( causal relationships)。运用结构方程模型,我们不但能构建非

观察性潜变量,还能估计不受测量误差影响的潜变量之间的关系。结构方程模型

的优点还包括:具有同时对多个因变量( dependent variables)建模的能力;检验

模型的整体拟合度( overall model fit;检验直接效应( direct effects'、间接效应

indirect effects和总效应( total ef