一、结构方程模型是什么? 结构方程模型(SEM)是一种统计模型,常用于探索和验证变量之间的因果关系,是研究群体心理、行为关系和作用路径最为常用的方法之一。有多常见呢?在心理学领域自不必说,可谓是其领域科研者必备技能,很多潜变量模型都是基于结构方程模型扩展或者实现的。 看看SEM在护理领域的发文情况,以PubMed为例,利用检索式(structural equation model) AND (nurs*)进行粗略检索,发现截至今日,已有3千余篇与护理有关的文献使用了结构方程模型。 而且,从pubmed提供的发文趋势来看,最近几年使用了结构方程模型的护理类文章发文量大幅上涨。 在了解结构方程模型之前,先了解几个相关的概念: 1、观测变量:指可直接观测或度量的变量,又称为显变量,比如一个具体的问卷题目。 2、潜变量:指不能直接测量,需要测量多个相关的观测变量来推测,又称为潜在变量、隐变量或因子,它可以是某个量表所测量的变量,比如自我效能;也可以是某个多维量表中的维度。 3、内生变量:指模型需要解释的变量,在模型中被看作因变量或结局变量,有内生显变量,也有内生潜变量。 4、外生变量:外生变量指能够对内生变量产生影响的变量,在模型中被看作自变量或解释变量,有外生显变量,也有外生潜变量。 明白了上述几个概念,那么结构方程模型就好理解了:结构方程模型是一般线性模型的扩展,包括测量模型和结构模型。测量模型指依据预先设计理论模型构建观测变量与各潜变量之间的联系。而结构模型本质是各潜变量之间的回归模型。 显然,我在前面详细介绍过的验证性因子分析及中介效应模型均是结构方程模型的一种特例,两者都可以根据结构方程模型的思想去求解。其中,验证性因子分析本质就是一种测量模型,中介效应模型则是一种显变量形式的结构模型。此外,路径分析、判别分析、多元方差分析以及多元回归分析等也可以说是结构方程模型的特例。 关于验证性因子分析,与中介效应,我在前面的推文中已经有吸纳关系的介绍,如果有兴趣,可以去看看,链接附在下面了: 四、常见的几个问题 1、模型无法识别 模型识别是做SEM时比较头疼的问题,如果模型无法识别,比如自由度df<0,会导致软件输出的结果不完全,或者拟合很差。 没有办法保证完全可以避免不识别的问题,但是应做到下面这两点:(1)数据点的数目不能少于自由参数的数目,即df>=0;(2)为模型中每个潜变量建立测量尺度,将潜变量的方差设定为1(标准化潜变量),或者将潜变量中的任何一个观测指标的因子负载设定为1。 2、拟合指标较差怎么办? 根据MI(修正指数)进行模型修正,一些软件是可以输出MI的,MI测量了当单个固定参数或约束参数被释放为自由参数时新拟合的模型所引起的卡方值的减小量。不过,修正时要注意:先解决测量模型的设定误差;1次只修正1个地方;修正过程应先增加有意义的参数,如有必要,再剔除无意义的参数。 3、样本量如何计算? 一般大于200,也可以采用经验法,比如10:1或15:1。 4、数据不符合正态怎么办? SEM的前提是数据服从多元正态分布,但是如果是大样本,且采用的是使用Likert 等级评分的量表,根据中心极限定理,可以按照近似正态分布进行处理。 温馨提示:如果您有护理科研与统计有关的疑问,欢迎加入我们的微信交流群进行交流和讨论,这是一个纯交流与分享的群。入群方式1:公众号菜单栏(交流园地);方式2:私信后台,发送任意文字即可获取群聊二维码。 |
|