视频字幕
欢迎了解结构方程模型，简称SEM。它是一种强大的多元统计分析技术，结合了因子分析和路径分析的特点。SEM主要用于检验理论模型中变量之间的复杂关系，包括直接效应、间接效应以及潜在变量之间的关系。它允许研究者同时估计多个相互关联的依赖关系，并能处理测量误差。在图中，圆形表示潜变量，即无法直接测量的概念；方形表示观测变量，即可以直接测量的指标。潜变量之间的箭头表示路径系数，而潜变量到观测变量的箭头表示因子载荷。
结构方程模型由两个主要部分组成：测量模型和结构模型。测量模型定义了潜变量与观测变量之间的关系，类似于因子分析，用于评估测量工具的信效度。在图中，蓝色部分展示了测量模型，其中潜变量ξ通过因子载荷λ连接到观测变量X。结构模型则定义了潜变量之间的关系，类似于路径分析，用于检验理论假设的因果关系。图中红色部分展示了结构模型，潜变量η通过因子载荷连接到观测变量Y。紫色箭头表示潜变量之间的路径系数γ。此外，模型还包含了测量误差项ε和结构误差项ζ，这些误差项代表了未被模型解释的变异。
结构方程模型分析通常遵循五个主要步骤。首先是模型设定，研究者基于理论构建假设模型，确定变量间的关系。第二步是模型识别，确保模型参数可以被唯一估计，这通常要求自由参数数量不超过样本协方差矩阵中的非冗余元素数量。第三步是模型估计，使用最大似然法等统计方法估计模型参数。第四步是模型评估，检验模型与数据的拟合程度，常用指标包括卡方值、RMSEA、CFI、TLI等。最后是模型修正，如果模型拟合不佳，研究者可以根据修正指数对模型进行调整，然后重新估计和评估模型。这是一个迭代过程，直到获得理论合理且拟合良好的模型。
模型评估是结构方程模型分析中的关键步骤，用于判断理论模型与观测数据的拟合程度。研究者通常使用多种拟合指标来评估模型。这些指标可分为三类：绝对拟合指标、增值拟合指标和简约拟合指标。绝对拟合指标直接评估模型与数据的一致性，包括卡方检验、均方根残差和近似误差均方根。增值拟合指标将目标模型与基线模型进行比较，包括比较拟合指数和Tucker-Lewis指数。简约拟合指标则考虑模型的复杂性，包括赤池信息准则和贝叶斯信息准则。对于常用指标，我们有一些公认的判断标准：卡方自由度比小于2表示良好拟合；RMSEA和SRMR小于0.05表示良好拟合，小于0.08表示可接受拟合；CFI和TLI大于0.95表示良好拟合，大于0.90表示可接受拟合。在比较不同模型时，AIC和BIC值越小表示模型越优。
结构方程模型在多个学科领域有广泛应用。在心理学中，SEM用于测量心理构念之间的关系；在教育学中，用于评估教学方法的效果；在管理学中，用于分析组织行为与绩效；在市场营销中，用于研究消费者行为模型；在公共卫生领域，用于评估健康干预的效果；在社会学中，用于检验社会理论模型。SEM的主要优势包括能够同时处理多个因变量、估计和控制测量误差、评估中介和调节效应，以及检验复杂的理论模型。进行SEM分析需要专业软件，常用的包括AMOS、Mplus、LISREL、R语言的lavaan包、Stata和EQS等。选择软件时需要考虑用户界面友好度、统计功能完备性、图形输出质量以及价格与可获得性等因素。不同软件各有优缺点，研究者可以根据自己的需求和偏好选择合适的工具。