什么是SEM
以下路径图描述了变量间的某种简单相互关系(Y~X1+X2),这种情形中,所关注的是X1和X2如何直接影响Y,Y直接通过X1和X2进行建模:
如果X1和X2与Y的关系属于下面这种形式,即分别存在X2~X1和Y~X2的直接作用,Y与X1的相互作用是间接的,并使用两个方程式综合描述这种关系,那么这两个方程即组成了一个简单的SEM:
这就是SEM的一个简单示例。一个模型中,根据推测的变量X1能够影响X2、X2影响Y而进一步推测变量X1可能也会影响Y,即X1-X2-Y。该模型具有两个方程,一个方程使用X1预测X2,另一个方程使用X2预测Y。为了验证这个模型,测量观察到的X1、X2和Y之间的关系,并应用SEM提供以下测试:(1)X1是否真的是X2的有效预测因子,(2)X2是否真的是Y的有效预测因子,(3)模型整体上是否符合观测数据。最后一项测试相对于前两项测试并非冗余的,因为对于测试X1是否是Y的有效预测因子时,在(1)(2)均通过时,模型也可能不太合适,若忽略(3)则可能会错误地指定了X1与Y的直接关系。
综合来看,SEM是数据分析的一种特殊形式,从一个指定了多变量间(假定的)相互关系的模型开始,变量间的关系被形式化为一组方程,用于测试这些变量并量化它们之间的关系。对模型的测试涉及对方程再现或“拟合”假定关系的评估。
SEM要求事先考虑变量间相互关联的方式(如因果关系,通过先验知识给出假定),从这个意义上说,SEM是验证性的,而非探索性的分析方法。
对于变量间的关系,可以是线性的,也可以是非线性的。并且SEM能够同时识别直接和间接关系,对于量化级联影响非常有用。
如果意在探寻变量间的因果关系,SEM可以给出单向的推论,即模型显示X1直接或间接影响Y,而反过来则无效。因此与常规的统计方法(如相关性分析)相比具有优势,可以测试复杂关系的竞争性假设,考虑了“相关性并不意味着因果关系”这一问题。
SEM的主要建模方法
作为一种强大且灵活的数据分析框架,SEM允许将许多其它类型的数据分析策略视为SEM特定形式,如线性和非线性回归、路径分析、因子分析、层次建模等。
以下简单展示常见的4种建模方法。
路径分析
路径分析(Path Analysis)是目前使用的主要SEM模型之一,是没有潜在变量的SEM应用。
路径分析的优点在于,它包含了在一个模型中充当预测变量的变量之间的关系。一个典型的例子是中介模型。
路径分析是另一