基于结构方程模型的生猪价格预警研究_杨瑢
畜牧经济·Animal Economy2011年第47卷第18期
价格预警机制是政府为了维护物价的稳定而制定的一项价格监测和预警制度。自从1985年我国取消生猪派购、放开肉类市场、实行多渠道经营以后，我国生猪市场价格就始终处于周期性波动状态。尤其近年，受各种因素影响，生猪价格大起大落，波动幅度加大，给养殖企业和养殖户带来巨大影响。因此，分析生猪价格波动的形成原因，探寻其波动的内在规律和影响因素，建立生猪价格预警机制，对于稳定我国生猪生产，增加畜牧业产值，促进农业乃至国民经济的发展具有非常重要的现实意义。市场价格的涨跌有其逐步发生和发展的过程。在市场价格变动初露端倪时，及时捕捉、跟踪市场信息，科学分析并形成判断，建立有效的价格预警机制，是把握最佳价格调控时机，降低干预成本的未雨绸缪之举。
在市场供求规律的作用下，我国生猪价格呈现周期性波动状态。吕杰等[1]探讨了生猪价格周期的运行规律及生猪价格波动的形成机理，对生猪价格波动的成因进行了系统化的经济学分析。马孝斌等[2]
对影响生猪市场价格的几个关键因素进行关联分析的基础上利用生猪市场价格预测的向量自回归（VAR）模型对生猪价格进行了预测和分析。杨朝英等[3]研究发现，近年来我国生猪批发价格年度内震荡加剧且具有明显的季节性波动特征。
吴瑛[4]根据“蛛网理论”，对1996—2007年全国生猪平均价格进行分析认为，生猪价格在此期间依次出现了趋于收敛型蛛网波动、趋于封闭型蛛网波动以及趋于发散型蛛网波动的变化。对此，胡凯等[5]分析了生猪价格波动的结构性原因，构建了因果分析图和系统动力学流图，在此基础上，建立了系统动力学模型，并进行了仿真分析，结果发现：生产延迟和较大的供给价格弹性是生猪价格大幅波动的本质因素；政府的冻肉收储和母猪保险补贴等政策并不能改变生猪价格大幅波动的规律；只有通过提高生猪饲养规模程度和专业化程度，并配合生猪期货交易，以降低生猪价格供给弹性，才能从根本上改变生猪价格大幅度波动的规律。
生猪价格的大起大落，使得养殖户、相关学者和政府都密切关注如何分析影响生猪价格的风险因
基于结构方程模型的生猪价格预警研究
杨王容
（福建省畜牧总站，福建福州350003）
摘要：基于结构方程模型中的MIMIC模型，结合2006年1月—2011年8月的生猪价格月度数据，构建了我国生猪价格波动预警系统，并进行了实证研究，然后根据模型估计结果，计算出潜在变量生猪价格波动强度，发现2010年4月至今，生猪价格波动强度有进一步增强的趋势，2011年6月达到最高位，之后又形成新的上升曲线，需要积极预警和监控。
关键词：结构方程模型；生猪价格；MIMIC模型
中图分类号：F307.3文献标识码：A
作者简介：杨王容（1971—），女，农经师，主要从事畜牧统计工作
Animal Economy·畜牧经济2011年第47卷第18期
素，并预测未来生猪价格的走势。随着生猪市场由以往的卖方市场转换为买方市场，生猪生产者的生产经营活动经常受到价格波动的困扰，他们所面临的市场风险也越来越大，而要规避这种风险通常需要提高管理水平。赵瑞莹等[6]研究探讨了基于BP人工神经网络的生猪价格风险预警模型的建立与应用，并利用年度数据进行了验证，实现了生猪价格风险管理方法的创新。王步云等[7]提出依据生猪养殖成本的变化来提供预警信号，以达到调控生猪价格的目的。贾会玲等[8]通过对生猪价格及其影响因素的风险分析，运用落点概率和多元线性回归等方法建立了生猪价格风险分析模型，预测未来4～6期生猪价格的风险分布，以期对养殖户和政府提供一定的参考。
因此，国内学者对生猪价格波动的预警已经相对深入，但方法的有效性还有待检验。基于此，本文提出了利用结构模型进行生猪价格波动强度预警的研究，希望能够在生猪价格预警建设方面提供参考。
1我国生猪市场价格波动特征
我国生猪计划流通体制在1985年发生变革，国家宏观调控下的自主流通体制逐渐实施，自此，我国生猪市场发展的价格动态波动成为常态。
1.1价格波动的阶段性明显
1985年至今，我国生猪市场价格波动可以分为具有明显差异的7个阶段，包括：1993年以前、1994—1999年、1999—2003年6月、2003年7月—2006年6月、2006年7月—2009年5月和2009年6月—2010年12月，以及2011年1月至今这7个阶段。我国生猪市场经历了价格相对稳定，生猪市场价格先上涨后逐步回落，生猪市场价格相对低迷，价格上扬又跌入谷底，生猪市场价格波动剧烈（由慢而快上涨然后一路走低）以及生猪市场价格又恢复到相对稳定的阶段，波动幅度减弱的过程再到今天的生猪价格持续上扬。
1.2价格波动的季节性特征明显
我国生猪市场价格的月度波动表现出比较明显的季节性特征。2000年以来，生猪价格多呈现出明显的两头高中间低的特征。
1.3价格波动的幅度越来越大、周期越来越短
2004年以来，我国仔猪、待宰活猪价格的波动幅度越来越大，波动幅度在2007—2008年加剧，最近一段时期波动幅度进一步增大。同时，从多年的市场动态来看，我国生猪市场的波动周期近年来呈现出不断缩短的特征。
1.4价格波动给收益带来了不确定性
近年来，我国猪粮比价的变化趋势与生猪市场价格变化呈现出一定的一致性，波动幅度较大，有进一步扩大的可能。猪粮比的大幅波动，实际上增加了生猪养殖收益的风险和不确定性，尤其是在我国生猪养殖的产业化和规模化程度不高的情况下，将会削弱我国生猪产业的国际竞争力，不利于其健康发展[9]。2模型设立与方法
为了建立我国的生猪价格预警系统，本文采用结构方程模型中的MIMIC模型，并对其进行实证研究。MIMIC模型即多指标多因素（Multiple Indicators and Multiple Causes）模型，是结构方程模型的一种特殊形式。这一模型的最大特点在于其不限内生变量的数量，而且可以计算出不可观测变量（潜在变量）的数值。
2.1MIMIC模型
结构方程模型就是潜在变量模型（Latent Vari－able Model），是由统计学家Joresko在20世纪70年代提出来的，是近年来统计学的三大发展之一。结构方程模型早期在心理学和社会学中广泛应用，近几年逐渐发展到管理学和经济学的研究领域中来。结构方程模型的优势在于可以利用可观测变量来估计不可观测变量，而MIMIC模型是结构方程模型的一种变形。
MIMIC模型最早是由Goldberger[10]引入到经济学研究中来的，Gertler[11]对这个模型进行了扩展，并且实证结果比较理想。按照Gertler的定义，MIMIC 模型可以表示为：
y i，j=βjξi+υi，j（1）
畜牧经济·Animal Economy
2011年第47卷第18期
价格波动强度
x 2x 3x 4x 5x 1x 6x 7
y 1
y 2
ξi =γk x i ，k +ζi
（2）
式（1）、（2）中：y i ，j 为i 时期可观测到的第j 个内生变量的数值，x i ，k 为i 时期可观测到的第k 个外生变量的数值，
ξi 为i 时期不可观测到的潜在变量的估计值，本文中这个指标被描述为生猪价格波动的强度；β和γ是系数向量；υ和ζ是误差项。将式（2）代入到式（1）可以得到式（3）：
Y =Π′X+ε
（3）
式（3）中ε=βζ+υ，Π′=γβ′。假设υ和ζ都服从正态分布且相互独立，即E （ζ）=E （υj ）=0，E （ζ2）=σ2，E （ε′）=Θ2，则有：
E （εε′）=E ［（βζ+υ）（βζ+υ）′］=σ2ββ′+Θ2
（4）
因此，MIMIC 模型的求解思路为：假设式（4）是含有未知参数的协方差矩阵Σ
（θ），这个含有未知参数的协方差矩阵可以用样本协方差矩阵Σ来代替，即得Σ
（θ）=Σ，从而据此求得未知参数估计值，然后再代入式（2），估计潜在变量的数值。2.2
变量的选择
有研究表明：建立MIMIC 模型的前提条件是选择恰当的可观测变量，即对内生变量和外生变量要有合理的选择。Thomas [12]指出，使用MIMIC 模型的唯一约束就是可观测变量的选择，因为可观测变量选择是否科学合理直接关系着模型的有效性。2.2.1
内生变量的选择
在本文建立的基于MIMIC 模型的生猪价格预警系统模型中，内生变量是能够主要表现猪价格的变量，因为这些变量能够反映猪价格波动的强度。然而Berg 等[13]研究发现：无论采用任何方法，对价格波动强度的度量误差都会必然存在。根据本文研究的数据易得性和我国生猪价格监测的实际情况，选择仔猪（普通）价格指数（y 1）和猪肉（去骨统肉）价
格指数（y 2）作为内生变量反映价格波动的强度。2.2.2
外生变量的选择
关于生猪价格预警指标的选择方面的研究有很多，本文建立的MIMIC 模型包括7个外生变量，即食品价格指数（x 1）、肉禽及其制品价格指数（x 2）、食品零售价格指数（x 3）、饲料价格指数（x 4）、产品畜价格指数（x 5）、农业生产服务价格指数（x 6）、燃料动力购进价格指数（x 7）。2.2.3
MIMIC 模型的初始形式
根据对内生变量和外生变量的科学合理选择，本文建立模型初始形式，如图1所示。
图1MIMIC 模型的初始形式
图1中，x 1—x 7为上文中选择的7个外生变量，由于外生变量选择过多会降低模型的自由度，因此本文仅考虑7个主要的外生变量；y 1和y 2为上文中选择的2个内生变量；价格波动强度为模型中的潜在变量。
3实证结果
根据上文的模型可以建立我国生猪价格预警系
统，本文所采用的数据为2006年1月—2011年7月生猪价格月度数据。数据来源于国务院发展研究中心信息网。本文对模型中的内生变量和外生变量都
表1
ADF 平稳性检验结果ADF 值1%临界值5%临界值是否平稳
△X 1
-6.5649-3.5441-2.9109平稳
△X 2-3.3183-3.5504-2.9135平稳
△X 3-6.8141-3.5441-2.9109平稳
△X 4
-3.6303-3.5441-2.9109平稳
△X 5-3.0090-3.5441-2.9109平稳
△X 6-2.9606-3.5461-2.9117平稳
△X 7-9.1576-3.5461-2.9117平稳
△Y 1-7.6531-3.5441-2.9109平稳
△Y 2-8.1724-3.5441-2.9109平稳
Animal Economy ·畜牧经济
2011年第47卷第18期
进行了ADF 平稳性检验，对于不平稳的序列进行了差分处理，检验结果如表1所示。在5%的显著水平上，所有的内生变量和外生变量的一阶差分都表现出的平稳性。
根据上文建立的模型，利用AMOS 7.0软件可以得到MIMIC 模型的拟合结果。本文选择的是极大似然估计，这样得到如表2所示的MIMIC 模型估计结果。
根据变量显著性的C.R.检验可以发现，所有的外生变量都是非常显著的，模型的卡方自由度比大于临界值。因此，可以看出本文建立的MIMIC 模型的拟合效果是比较理想的，本文所建立的猪肉价格预警模型中包括7个外生变量是合理的。这样就可以根据式（2）来计算和估计潜在变量———价格波动强度的数值，结果如图2。
图2潜在变量价格波动强度的走势
从图2看出，我国生猪价格市场在2006年1月—2011年7月的波动相对剧烈，以2008年4月为分界线，之后价格波动强度趋于下降。出现这种情况的原因可能由于2007年5月—2008年4月，
我国生猪价格波动强度较大，国家通过各种宏观调控政策，最终在整体物价涨幅较大的情况下，生猪价格上涨强度逐渐下降。图中也显示，
2010年4月开始，生猪价格波动强度呈现进一步增强的趋势，2011年6月达到最高位，之后又形成新的上升曲线，需要积极预警和监控。
4小结
本文利用结构方程模型中的MIMIC 模型构建
了我国生猪价格波动预警系统，并利用2006年1月—2011年7月的月度数据进行模型的估计。本文选择了7个外生变量、
2个内生变量和1个潜在变量建立生猪价格波动预警的MIMIC 模型，经统计变量选择科学合理，然后依据模型估计结果计算出的潜在变量生猪价格波动强度的数值发现2010年4月至今，生猪价格波动强度有进一步增强的趋势，2011年6月达到最高位，之后又形成新的上升曲线，需要积极预警和监控。本文仅针对我国最近一段时期生猪价格波动进行了实证研究，所得出的判断只是相对的，具有一定的局限性，而且没有估计出相应的门限值。因此，
在今后的研究中，可以考虑计算相应的门限值来完善和修正这一预警模型
。
参考文献
[1]吕杰，綦颖.生猪市场价格周期性波动的经济学分析[J].农业
经济问题，
2007(7):89-72.[2]马孝斌,王婷,董霞,等.向量自回归法在生猪价格预测中的应
用[J].中国畜牧杂志,2007(23):4-6.
[3]杨朝英，徐学荣.中国生猪价格波动特征分析[J].技术经济,
2011(3):100-104.
[4]吴瑛.基于蛛网理论的我国近10年生猪价格波动分析[J].广
东农业科学,2011(3):106-108.
[5]胡凯,甘筱青.我国生猪价格波动的系统动力学仿真与对策分
析[J].系统工程理论与实践,2010(12):2220-2227.
[6]赵瑞莹,陈会英,杨学成.生猪价格风险预警模型的建立与应
用[J].运筹与管理,2008(8):128-131.
[7]王步云,吴振先.关于完善生猪价格预警监控机制的设想[J].
价格理论与实践,2009(12):48-49.
[8]贾会玲,杨晓光,邓若鸿,等.基于数据的生猪价格风险分析模
型研究与实证分析[J].数学的实践与认识,2010，40(12):53-58.
（下转第14页）
表2
MIMIC 模型估计结果
外生变量
x 1x 2x 3x 4x 5x 6x 7
方差估计值
43.322332.95643.29332.393953.25514.89519113.779
S.E.7.78160.2817.7765.818171.2102.6753432.936
C.R.5.5685.5235.5685.5685.5685.5685.568
P *********************
注：自由度=28，卡方值=1014.5
生猪价格波动强度400300200100
2006年1月
2006年3月2006年5月2006年7月2006年9月2006年11月2007年1月2007年3月2007年5月2007年7月2007年9月2007年11月2008年1月2008年3月2008年5月2008年7月2008年9月2008年11月2009年1月2009年3月2009年5月2009年7月2009年9月2009年11月2010年1月2010年3月2010年5月2010年7月2010年9月2010年11月2011年1月2011年3月2011年5月2011年7月
产业透视·Market Perspective2011年第47卷第18期
控知识的需求也日益强烈。近年来，生猪业疫病风险加大，不少农户蒙受损失。由于种畜禽关系着畜禽场的长期经济效益，因此种畜禽的健康状况越来越受到农户关注。在调查中，我们还发现，农户普遍采用自繁自养的养殖方式，逐步采用全进全出的饲养工艺，并逐步落实健康养殖模式的其他要求。
3.2政策建议
（1）推进畜牧业信息化建设，保障畜牧业平稳发展。由于农户获取市场供求与价格信息的主要渠道是家庭社会关系网络，而农户家庭社会关系网络存在异质性，因而市场信息在农户中也存在明显的异质性与不对称性，这可能也是导致农户养猪盲目性的一个重要原因。如果要保障畜牧业平稳健康发展，那么就必须理顺市场信息在农户间的传导机制，尽可能地消除农户市场信息不对称与不完全现象，这在很大程度上有赖于政府对畜牧业信息化建设的投入力度。
（2）普及疫病防治知识，完善疫病防控体系。近年来，生猪业疫病风险加大，不少养猪户蒙受损失，越来越多的养猪户需要疫病防治知识。因此，为保障畜牧业平稳健康发展，除了推进畜牧业信息化建设外，还需要不断普及疫病防控知识，完善疫病防控体系。
（3）加强普法宣传，规范市场秩序，营造公平竞争的市场环境。首先，由于农业生产资料种类多，涉及的市场范围广，政府监管难度大，一些供应商投机取巧，扰乱正常的市场秩序，造成不公平市场竞争；其次，由于农户维权意识淡薄，遇到侵权事件往往忍气吞声；再次，由于向法庭起诉的费用高与时间长，也成为阻碍农户采用法律手段维权的重要原因之一。
（4）加强对各类经销商的监管力度，切实保护农户利益。目前，农业生产资料市场中的各类经销商数量多，具有很高的流动性，监管难度大。一些经销商投机取巧、以次充好，严重损害农户的利益。
（5）支持农民专业合作社发展，提高农户的市场谈判能力。分散的农户难以与经销商实现平等谈判，又难以向生产企业直接购买生产资料，也难以保障自身合法利益不受侵害。为了将分散的农户有效地组织起来，全国各地陆续成立农民专业合作社。政府通过支持这些合作社的健康发展，帮助农户提高市场谈判能力，保障农户的合法权益不受侵害
。
参考文献
[1]张筑平.从农村固定观察点看贵州农户家庭购买行为[J].贵州
师范大学学报(社会科学版),2010(3):40-47.
[2]龚继红，钟涨宝.农户背景特征对农业服务购买意愿影响研
究[J].求索，2011（1）：12-15.
[3]安玉发,张浩,陈丽芬.国外消费者对中国蔬菜的购买行为分
析——
—以日本消费者为例[J].农业技术经济,2009(4):103-110.
[4]华豫民.基于顾客价值理论的农民工手机购买行为分析[J].中
国农村经济，2010（9）：82-90.
[5]吴春霞，杨为民，邓蓉.中国农村居民家庭耐用品消费特点及
购买行为探究[J].消费经济，2010（4）：49-56.
[6]冯建英,穆维松,傅泽田.农户对农机的购买行为现状调查分
析[J].现代农业科技,2007(11):195-196.
[7]傅新红，宋汶庭.农户生物农药购买意愿及购买行为的影响
因素分析——
—以四川省为例[J].农业技术经济,2010(6):120-128.
[8]侯玲玲,穆月英,曾玉珍.农业保险补贴政策及其对农户购买
保险影响的实证分析[J].农业经济问题,2010(4):19-25.
[9]宁满秀，邢郦，钟甫宁.影响农户购买农业保险决策因素的实
证分析——
—以新疆玛纳斯河流域为例[J].农业经济问题, 2005(6):38-44.
（上接第9页）
[9]段海波,薛英俊.我国生猪市场价格波动特征与调控建议[J].
价格理论与实践,2010(8):20-21.
[10]Goldbergera S.Structural equation methods in the social sciences
[J].Econometrica，1972，40(6):979-1001.
[11]Gertler P J.A latent variable model of quality determination[J].
Journal of Business and Economic Statistics，1988，6(1):97-107.
[12]Thomas https://www.wendangku.net/doc/ab16758429.html,rmal economic activity，handbooks in economics
[M].London:Harvester Wheat sheaf，1992.
[13]Berg A，Borensztein E，Patillo C.Assessing early warning systems:
how have they worked in practice[EB/OL].[2010-02-08].
http://www.imf.or g/exter/nal/pubs/ft/wp/2004/w p0452.pdf.
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
结构方程sem模型案例分析
结构方程SEM模型案例分析 什么是SEM模型? 结构方程模型（Structural equation modeling, SEM）是一种融合了因素分析和路径分析的多元统计技术。它的强势在于对多变量间交互关系的定量研究。在近三十年内，SEM大量的应用于社会科学及行为科学的领域里，并在近几年开始逐渐应用于市场研究中. 顾客满意度就是顾客认为产品或服务是否达到或超过他的预期的一种感受。结构方程模型（SEM）就是对顾客满意度的研究采用的模型方法之一。其目的在于探索事物间的因果关系，并将这种关系用因果模型、路径图等形式加以表述。如下图： 图: SEM模型的基本框架 在模型中包括两类变量：一类为观测变量，是可以通过访谈或其他方式调查得到的，用长方形表示；一类为结构变量，是无法直接观察的变量，又称为潜变量，用椭圆形表示。 各变量之间均存在一定的关系，这种关系是可以计算的。计算出来的值就叫参数，参数值的大小，意味着该指标对满意度的影响的大小，都是直接决定顾客购买与否的重要因素。如果能科学地测算出参数值，就可以找出影响顾客满意度的关键绩效因素，引导企业进行完善或者改进，达到快速提升顾客满意度的目的。 SEM的主要优势 第一，它可以立体、多层次的展现驱动力分析。这种多层次的因果关系更加符合真实的人类思维形式，而这是传统回归分析无法做到的。SEM根据不同属性的抽象程度将属性分成多层进行分析。 第二，SEM分析可以将无法直接测量的属性纳入分析，比方说消费者忠诚度。这样就可以将数据分析的范围加大，尤其适合一些比较抽象的归纳性的属性。 第三，SEM分析可以将各属性之间的因果关系量化，使它们能在同一个层面进行对比，同时也可以使用同一个模型对各细分市场或各竞争对手进行比较。
★作业(全模型3)：结构方程模型和路径分析的区别
★作业(全模型3)：结构方 程模型和路径分析的区别-标准化文件发布号：（9456-EUATWK-MWUB-WUNN-INNUL-DDQTY-KII
★数据分析的类型 1、以变量为中心的分析（R研究）：探索性因子分析、验证性因子分析、回归分析、结构方程模型分析等 2、以人为中心的分析（S研究）：聚类分析、判别分析等 ★因子载荷 因子载荷a（ij）的统计意义就是第i个变量与第j个公共因子的相关系数，即表示X（i）依赖F（j）的份量（比重）。统计学术语称作权，心理学家将它叫做载荷，即表示第i个变量在第j个公共因子上的负荷，它反映了第i个变量在第j个公共因子上的相对重要性。 在因子分析中，通常只选其中m个(m A M O S结构方程模型分 析 文档编制序号：[KKIDT-LLE0828-LLETD298-POI08] Amos模型设定操作 在使用AMOS进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图，并确定潜变量与可测变量的名称，以避免不必要的返工。 1.绘制潜变量 使用建模区域绘制模型中的潜变量，在潜变量上点击右键选择Object Properties，为潜变量命名。 2.为潜变量设置可测变量及相应的残差变量 使用绘制。在可测变量上点击右键选择Object Properties为可测变量命名。其中Variable Name对应的是数据的变量名，在残差变量上右键选择Object Properties为残差变量命名。 3.配置数据文件，读入数据 File——Data Files——File Name——OK。 4.模型拟合 View——Analysis Properties——Estimation——Maximum Likelihood。 5.标准化系数 Analysis Properties——Output——Standardized Estimates——因子载荷标准化系数。 6.参数估计结果 Analyze——Calculate Estimates。红色框架部分是模型运算基本结果信息，点击View the Output Path Diagram查看参数估计结果图。 7.模型评价 点击查看AMOS路径系数或载荷系数以及拟合指标评价。 路径系数/载荷系数的显着性 模型评价首先需要对路径系数或载荷系数进行统计显着性检验。 模型拟合指数 模型拟合指数是考察理论结构模型对数据拟合程度的统计指标。拟合指数的作用是考察理论模型与数据的适配程度，并不能作为判断模型是否成立的唯一依据。拟合优度高的模型只能作为参考，还需要根据所研究问题的背景知识进行模型合理性讨论。 指数名称评价标准1 绝对拟合指2 (卡方)越小越好 结构方程模型（Structural Equation Modeling，SEM) 20世纪——主流统计方法技术：因素分析回归分析 20世纪70年代：结构方程模型时代正式来临 结构方程模型是一门基于统计分析技术的研究方法学，它主要用于解决社会科学研究中的多变量问题，用来处理复杂的多变量研究数据的探究与分析。在社会科学及经济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可直接观测的变量（即潜变量），这些都是传统的统计方法不能很好解决的问题。SEM能够对抽象的概念进行估计与检定，而且能够同时进行潜在变量的估计与复杂自变量/因变量预测模型的参数估计。 结构方程模型是一种非常通用的、主要的线形统计建模技术，广泛应用于心理学、经济学、社会学、行为科学等领域的研究。实际上，它是计量经济学、计量社会学与计量心理学等领域的统计分析方法的综合。多元回归、因子分析和通径分析等方法都只是结构方程模型中的一种特例。 结构方程模型是利用联立方程组求解，它没有很严格的假定限制条件，同时允许自变量和因变量存在测量误差。在许多科学领域的研究中，有些变量并不能直接测量。实际上，这些变量基本上是人们为了理解和研究某类目的而建立的假设概念，对于它们并不存在直接测量的操作方法。人们可以找到一些可观察的变量作为这些潜在变量的“标识”，然而这些潜在变量的观察标识总是包含了大量的测量误差。在统计分析中，即使是对那些可以测量的变量，也总是不断受到测量误差问题的侵扰。自变量测量误差的发生会导致常规回归模型参数估计产生偏差。虽然传统的因子分析允许对潜在变量设立多元标识，也可处理测量误差，但是，它不能分析因子之间的关系。只有结构方程模型即能够使研究人员在分析中处理测量误差，又可分析潜在变量之间的结构关系。 简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的理论模型。与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是否吻合数据。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. 结构方程模型包括测量方程（LV和MV之间关系的方程，外部关系）和结构方程（LV之间关系的方程，内部关系），以ACSI模型为例，具体形式如下： 应用案例1 第一节模型设定 结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个研究实例作为说明，使用Amos7软件2进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、模型构建的思路 本案例在著名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据3进行分析，并对文中提出的模型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。 表 2.1、顾客满意模型中各因素的具体范畴 参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表7-2。 1关于该案例的操作也可结合书上第七章的相关内容来看。 2本案例是在Amos7中完成的。 3见spss数据文件“处理后的数据.sav”。 表 三、关于顾客满意调查数据的收集 本次问卷调研的对象为居住在某大学校内的各类学生（包括全日制本科生、全日制硕士和博士研究生），并且近一个月内在校内某超市有购物体验的学生。调查采用随机拦访的方式，并且为避免样本的同质性和重复填写，按照性别和被访者经常光顾的超市进行控制。问卷内容包括7个潜变量因子，24项可测指标，7个人口变量，量表采用了Likert10级量度，如对 四、缺失值的处理 采用表列删除法，即在一条记录中，只要存在一项缺失，则删除该记录。最终得到401条数据，基于这部分数据做分析。 五、数据的的信度和效度检验 1．数据的信度检验 4正向的，采用Likert10级量度从“非常低”到“非常高” Amos模型设定操作 在使用AMOS进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图, 并确定潜变量与可测变量的名称，以避免不必要的返工。 1. 绘制潜变量 使用*■建模区域绘制模型中的潜变量，在潜变量上点击右键选择Object Properties为潜变量命名。 2. 为潜变量设置可测变量及相应的残差变量 使用绘制。在可测变量上点击右键选择Object Properties为可测变量命名。对应的 是数据的变量名，在残差变量上右键选择Object Properties为残差变量命 名。 ￡炭Object Properties Test Par：iJTL 已七已工乞 | Colors | For mat ] Visibility | Set Default Undo 实施影 响 其中Variable Name Font size Font style Text | Parameters | Colors | Forniat | Visibility | Set Default 3. 配置数据文件，读入数据 File ----- Data Files ---- File Name ----- OK Edit View Diagram Analyze Tools Plugins Help ^ew New 空ith Template... Open... Retrieve Backup... 4. 模型拟合 View --- An alysis Properties ------ E stimation ----- M aximum Likelihood View Di 曰Analyze Tools Plugins Helf =3S Interface Properties,,, Ctrl+I 彳 &盟 ,3也齊 ________________ ￡trl^A ____ | u 〔口 d ；色严*。严尽六旨甘;日亡 厂丄c Est ijnation Numerical Bias | Output | Bootstrap | Permut at ions | Randan # | Tit le Discrepancy 厂 Estimate means intercepts C Generalized least squares 5. 标准化系数 An alysis Properties --- Output ------ S ta ndardized Estimate —因子载荷标准化系数。 0切Ed Properties T 辭dt |Paiajietei ：E | Colors | Fornat | Visibility | Font style Font size Variable nanne | Regular Variable label Save Save As... Save As Templat?... Ctrl+S Files.. Ctd + D |J * Maximujii lxkElihuucl arid n n Hr Analysis Pro 卩亡门咯 AMOS输出解读 惠顿研究 惠顿数据文件在各种结构方程模型中被当作经典案例，包括AMOS 和LISREL。本文以惠顿的社会疏离感追踪研究为例详细解释AMOS的输出结果。AMOS同样能处理与时间有关的自相关回归。 惠顿研究涉及三个潜变量，每个潜变量由两个观测变量确定。67疏离感由67无力感（在1967年无力感量表上的得分）和67无价值感（在1967年无价值感量表上的得分）确定。71疏离感的处理方式相同，使用1971年对应的两个量表的得分。第三个潜变量，SES（社会经济地位）是由教育（上学年数）和SEI (邓肯的社会经济指数)确定。 解读步骤 1.导入数据。 AMOS在文件ex06-a.amw中提供惠顿数据文件。使用File/Open，选择这个文件。在图形模式中，文件显示如下。虽然这里是预定义模式，图形模式允许你给变量添加椭圆，方形，箭头等元素建立新模型 2.模型识别。 潜变量的方差和与它关联的回归系数取决于变量的测量单位，但刚开始谁知道呢。比如说要估计误差的回归系数同时也估计误差的方差，就好像说“我买了10块钱的黄瓜，然后你就推测有几根黄瓜，每根黄瓜多少钱”，这是不可能实现的，因为没有足够的信息。如何告诉你“我买了10块钱的黄瓜，有5根”，你便可以推出每根黄瓜2块钱。对潜变量，必须给它们指定一个数值，要么是与潜变量有关的回归系数，要么是它的方差。对误差项的处理也是一样。一旦做完这些处理，其它系数在模型中就可以被估计。在这里我们把与误差项关联的路径设为1，再从潜变量指向观测变量的路径中选一条把它设为1。这样就给每个潜变量设置了测量尺度，如果没有这个测量尺度，模型是不确定的。有了这些约束，模型就可以识别了。 注释：设置的数值可以是1，也可以是其它数，这些数对回归系数没有影响，但对误差有影响，在标准化的情况下，误差项的路径系数平方等于它的测量方差。 3.解释模型。 模型设置完毕后，在图形模式中点击工具栏中计算估计按钮 。输出如下。蓝色字体用于注解，不是AMOS输出的一部分。 Title Example 6, Model A: Exploratory analysis Stability of alienation, mediated by ses. Correlations, standard deviations and means from Wheaton et al. (1977). 以上是标题，全是英文，自己翻译去吧。 Notes for Group (Group number 1) The model is recursive. Sample size = 932 各组注释：它告诉你模型为递归模型，样本量为932。 Amos软件操作 1.模型设定 结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个研究实例作为说明，使用Amos软件进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 2.模型构建的思路 根据构建的理论模型，通过设计问卷对留学生学习汉语的学习动机、学习策略和焦虑调查得到实际数据，然后利用对缺失值进行处理后的数据进行分析，并对文中提出的模型进行拟合、修正和解释。 3.潜变量和可测变量的设定 模型中共包含2个因素(潜变量)：学习动机、学习策略，7个可测变量：融入型动机、工具型动机、焦虑、记忆策略、认知策略、情感策略和社交策略。 4.关于调查数据的收集 本次问卷调研的对象为不同国家的留学生 5.缺失值的处理 采用表列删除法，即在一条记录中，只要存在一项缺失，则删除该记录。数据的的信度和效度检验 1）．数据的信度检验 信度（reliability）指测量结果（数据）一致性或稳定性的程度。一致性主要反映的是测验内部题目之间的关系，考察测验的各个题目是否测量了相同的内容或特质。稳定性是指用一种测量工具（譬如同一份问卷）对同一群受试者进行不同时间上的重复测量结果间的可靠系数。如果问卷设计合理，重复测量的结果间应该高度相关。由于本案例并没有进行多次重复测量，所以主要采用反映内部一致性的指标来测量数据的信度。 Cronbach在1951年提出了一种新的方法（Cronbach's Alpha系数），这种方法将测量工具中任一条目结果同其他所有条目作比较，对量表进行内部一致性估计。 Amos实现 一、Amos模型设定操作 1．模型的绘制 在使用Amos进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图，并确定潜变量与可测变量的名称，以避免不必要的返工。相关软件操作如下： 第一步，使用建模区域绘制模型中的2个潜变量。为了保持图形的美观，可以使用先绘制一个潜变量，再使用复制工具绘制其他潜变量，以保证潜变量大小一致。在潜变量上点击右键选择Object Properties，为潜变量命名。绘制好的潜变量图形。 第二步设置潜变量之间的关系。使用来设置变量间的因果关系，使用 来设置变量间的相关关系。绘制好的潜变量关系图。 第三步为潜变量设置可测变量及相应的残差变量(一定要设置残差)，可以使用绘制，也可以使用和自行绘制。在可测变量上点击右键选择Object Properties，为可测变量命名。其中Variable Name一项对应的是数据中的变量名，在残差变量上右键选择Object Properties为残差变量命名。最终绘制完成模型结果。 2．数据文件的配置 Amos可以处理多种数据格式，如文本文档（*.txt），表格文档（*.xls、*.wk1），数据库文档（*.dbf、*.mdb），SPSS文档（*.sav）等。 为了配置数据文件，选择File菜单中的Data Files，出现对话框，然后点击File name按钮，会再出现一个对话框，找到需要读入的数据文件“处理后的数据.sav”,双击文件名或点击下面的“打开”按钮，最后点击对话框中“ok”按钮就读入数据了。 二、模型拟合 1.参数估计方法选择 模型运算是使用软件进行模型参数估计的过程。Amos提供了多种模型运算方法供选择。可以通过点击View菜单在Analysis Properties（或点击工具栏的 ）中的Estimation项选择相应的估计方法。 结构方程模型( Structural Equation ，SEM) Modeling 20 世纪——主流统计方法技术：因素分析回归分析 20 世纪70 年代：结构方程模型时代正式来临结构方程模型是一门基于统计分析技术的研究方法学，它主要用于解决社会科学研究中的多变量问题，用来处理复杂的多变量研究数据的探究与分析。在社会科学及经济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可直接观测的变量（即潜变量），这些都是传统的统计方法不能很好解决的问题。SEM能够对抽象的概念进行估计与检定，而且能够同时进行潜在变量的估计与复杂自变量/ 因变量预测模型的参数估计。 结构方程模型是一种非常通用的、主要的线形统计建模技术，广泛应用于心理学、经济学、社会学、行为科学等领域的研究。实际上，它是计量经济学、计量社会学与计量心理学等领域的统计分析方法的综合。多元回归、因子分析和通径分析等方法都只是结构方程模型中的一种特例。 结构方程模型是利用联立方程组求解，它没有很严格的假定限制条件，同时允许自变量和因变量存在测量误差。在许多科学领域的研究中，有些变量并不能直接测量。实际上，这些变量基本上是人们为了理解和研究某类目的而建立的假设概念，对于它们并不存在直接测量的操作方法。人们可以找到一些可观察的变量作为这些潜在变量的“标识”，然而这些潜在变量的观察标识总是包含了大量的测量误差。在统计分析中，即使是对那些可以测量的变量，也总是不断受到测量误差问题的侵扰。自变量测量误差的发生会导致常规回归模型参数估计产生偏差。虽然传统的因子分析允许对潜在变量设立多元标识，也可处理测量误差，但是，它不能分析因子之间的关系。只有结构方程模型即能够使研究人员在分析中处理测量误差，又可分析潜在变量之间的结构关系。 简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的理论模型。与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是否吻合数据。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. 结构方程模型包括测量方程（LV和MV之间关系的方程，外部关系）和结构方程 AMOS结构方程模型修正经典案例 第一节模型设定结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解 释四个步骤。下面以一个研究实例作为说明，使用 Amos7 软件1进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、模型构建的思路 本案例在著名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据2进行分析，并对文中提出的模型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承 ASCI 模型核心概念的基础上，对模型作了一些改进，在模型中 增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素 (潜变量 )：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素 是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍， 2000)。 表 7-1设计的结构路径图和基本路径假设 设计的结构路径图基本路径假设 超市形象 顾客抱怨质量期望 感知价值 顾客满意 质量感知 顾客忠诚超市形象对质量期望有路径影响 质量期望对质量感知有路径影响 质量感知对感知价格有路径影响 质量期望对感知价格有路径影响 感知价格对顾客满意有路径影响 顾客满意对顾客忠诚有路径影响 超市形象对顾客满意有路径影响 超市形象对顾客忠诚有路径影响 2.1 、顾客满意模型中各因素的具体范畴 1本案例是在Amos7 中完成的。 2见 spss数据文件“处理后的数据 .sav”。 ★结构方程模型要点 一、结构方程模型的模型构成 1、变量 观测变量：能够观测到的变量(路径图中以长方形表示) 潜在变量：难以直接观测到的抽象概念，由观测变量推估出来的变量（路径图中以椭圆形表示） 内生变量：模型总会受到任何一个其他变量影响的变量（因变量；路径图会受 外生变量：模型中不受任何其他变量影响但影响其他变量的变量（自变量；路 中介变量：当内生变量同时做因变量和自变量时，表示该变量不仅被其他变量影响，还可能对其他变量产生影响。 内生潜在变量：潜变量作为内生变量 内生观测变量：内生潜在变量的观测变量 外生潜在变量：潜变量作为外生变量 外生观测变量：外生潜在变量的观测变量 中介潜变量：潜变量作为中介变量 中介观测变量：中介潜在变量的观测变量 2、参数（“未知”和“估计”） 潜在变量自身：总体的平均数或方差 变量之间关系：因素载荷，路径系数，协方差 参数类型：自由参数、固定参数 自由参数：参数大小必须通过统计程序加以估计 固定参数：模型拟合过程中无须估计 （1）为潜在变量设定的测量尺度 ①将潜在变量下的各观测变量的残差项方差设置为1 ②将潜在变量下的各观测变量的因子负荷固定为1 （2）为提高模型识别度人为设定 限定参数：多样本间比较（半自由参数） 3、路径图 （1）含义：路径分析的最有用的一个工具，用图形形式表示变量之间的各种线性关系，包括直接的和间接的关系。 （2）常用记号： ①矩形框表示观测变量 ②圆或椭圆表示潜在变量 ③小的圆或椭圆，或无任何框，表示方程或测量的误差 单向箭头指向指标或观测变量，表示测量误差 单向箭头指向因子或潜在变量，表示内生变量未能被外生潜在变量解释的部分，是方程的误差 ④单向箭头连接的两个变量表示假定有因果关系，箭头由原因（外生）变量指向结果（内生）变量 宋锋华编辑制作——更多内容请访问“统计之都” 第一部分:介绍 ★数据分析的类型 1、以变量为中心的分析（R研究）：探索性因子分析、验证性因子分析、回归分析、结构方程模型分析等 2、以人为中心的分析（S研究）：聚类分析、判别分析等 ★因子载荷 因子载荷a（ij）的统计意义就是第i个变量与第j个公共因子的相关系数，即表示X（i）依赖F（j）的份量（比重）。统计学术语称作权，心理学家将它叫做载荷，即表示第i个变量在第j个公共因子上的负荷，它反映了第i个变量在第j个公共因子上的相对重要性。 在因子分析中，通常只选其中m个(m 结构方程模型估计案例 Prepared on 22 November 2020 应用案例1 第一节模型设定 结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个研究实例作为说明，使用Amos7软件2进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、模型构建的思路 本案例在着名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据3进行分析，并对文中提出的模型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。 表7-1 设计的结构路径图和基本路径假设 、顾客满意模型中各因素的具体范畴 参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表7-2。 表7-2 模型变量对应表 1关于该案例的操作也可结合书上第七章的相关内容来看。 2本案例是在Amos7中完成的。 3见spss数据文件“处理后的数据.sav”。 超市形象质量期望 质量感知感知价值顾客满意 顾客抱怨 顾客忠诚 应用案例1 第一节模型设定 结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个研究实例作为说明，使用Amos7软件2进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、模型构建的思路 本案例在著名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据3进行分析，并对文中提出的模型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。 表7-1 设计的结构路径图和基本路径假设 设计的结构路径图基本路径假设 超市形象对质量期望有路径影响 质量期望对质量感知有路径影响 质量感知对感知价格有路径影响 质量期望对感知价格有路径影响 感知价格对顾客满意有路径影响 顾客满意对顾客忠诚有路径影响 超市形象对顾客满意有路径影响 超市形象对顾客忠诚有路径影响 2.1、顾客满意模型中各因素的具体范畴 参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表7-2。 1关于该案例的操作也可结合书上第七章的相关内容来看。 2本案例是在Amos7中完成的。 3见spss数据文件“处理后的数据.sav”。 结构方程模型（SEM）及其应用举例 该分公司有三类业务：无线业务、宽带业务以及综合业务。围绕着这三类业务产品的销售，该通信分公司还提供了售前、售中和售后三个环节多方面的服务。结合该通信分公司的主要产品情况，从顾客满意度着手，重点分析并找出影响顾客满意的关键因素，从而为制定有效的顾客满意度提升方案提供数据支持。 1．设计满意度模型 根据该公司的业务具体情况，设计出了顾客满意度模型，如下图： 图:某通信分公司顾客满意度SEM模型 上图显示，该公司重点要考察的是产品满意度和服务满意度对顾客满意度的影响。图中的Xn是待构建的测量指标，λ值表示各指标对上级指标的影响大小，ζn和δn表示误差，是受模型外因素影响的部分，如价格满意度等其他因素。 结构方程模型 - 结构方程模型的优点 （一）同时处理多个因变量 结构方程分析可同时考虑并处理多个因变量。在回归分析或路径分析中，就算统计结果的图表中展示多个因变量，其实在计算回归系数或路径系数时，仍是对每个因变量逐一计算。所以图表看似对多个因变量同时考虑，但在计算对某一个因变量的影响或关系时，都忽略了其他因变量的存在及其影响。 （二）容许自变量和因变量含测量误差 态度、行为等变量，往往含有误差，也不能简单地用单一指标测量。结构方程分析容许自变量和因变量均含测量误差。变量也可用多个指标测量。用传统方法计算的潜变量间相关系数，与用结构议程分析计算的潜变量间相关系数，可能相差很大。 （三）同时估计因子结构和因子关系 假设要了解潜变量之间的相关，每个潜变量者用我个指标或题目测量，一个常用的做法是对每个潜变量先用因子分析计算潜变量（即因子）与题目的关系（即因子负荷），进而得到因子得分，作为潜变量的观测值，然后再计算因子得分，作为潜变量之间的相关系数。这是两个独立的步骤。在结构方程中，这两步同时进行，即因子与题目之间的关系和因子与因子之间的关系同时考虑。 （四）容许更大弹性的测量模型 传统上，我们只容许每一题目（指标）从属于单一因子，但结构方程分析容许更加复杂的模型。例如，我们用英语书写的数学试题，去测量学生的数学能力，则测验得分（指标）既从属于数学因子，也从属于英语因子（因为得分也反映英语能力）。传统因子分析难以处理一个指标从属多个因子或者考虑高阶因子等有比较复杂的从属关系的模型。 （五）估计整个模型的拟合程度 在传统路径分析中，我们只估计每一路径（变量间关系）的强弱。在结构方程分析中，除了上述参数的估计外，我们还可以计算不同模型对同一个样本数据的整体拟合程度，从而判断哪一个模型更接近数据所呈现的关系。 结构方程模型 - 三种分析方法对比 线性相关分析 :线性相关分析指出两个随机变量之间的统计联系。两个变量地位平等，没有因变量和自变量之分。因此相关系数不能反映单指标与总体之间的因果关系。 线性回归分析 :线性回归是比线性相关更复杂的方法，它在模型中定义了因变量和自变量。但它只能提供变量间的直接效应而不能显示可能存在的间接效应。而且会因为共线性的原因，导致出现单项指标与总体出现负相关等无法解释的数据分析结果。 结构方程模型分析:结构方程模型是一种建立、估计和检验因果关系模型的方法。也可能包含无法直接观测的潜在变量。 简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的理论模型。与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是否吻合数据。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. 第一节模型设定 结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释 四个步骤。下面以一个研究实例作为说明，使用Amos7软件1 2进行计算，阐述在实 际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、模型构建的思路 本案例在着名的美国顾客满意度指数模型（ASCI）的基础上，提出了一个新的 模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据3进行分析，并对文中提出的模型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1 o 模型中共包含七个因素（潜变量）：超市形象、质量期望、质量感知、感知价 值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素 是结果变量，前提变量综合决定并影响着结果变量（Euge ne W. An derson & Claes Fornell ，2000;殷荣伍，2000）。 表7-1 设计的结构路径图和基本路径假设 设计的结构路径图基本路径假设 1关于该案例的操作也可结合书上第七章的相关内容来看。 彳本案例是在Amos7中完成的。 超市形象对质量期望有 超市 、顾客满意模型中各因素的具体范畴 参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小 范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表 7-2 o 表7-2 模型变量对应表 形象 顾客 期望 顾客 价值 满意、 顾客 感知 忠诚 路径影响 质量期望对质量感知有 路径影响 质量感知对感知价格有 路径影响 质量期望对感知价格有 路径影响 感知价格对顾客满意有 路径影响 顾客满意对顾客忠诚有 路径影响 超市形象对顾客满意有 路径影响 超市形象对顾客忠诚有 表 一、关于顾客满意调查数据的收集 本次问卷调研的对象为居住在某大学校内的各类学生（包括全日制本科生、全日制硕士和博士研究生），并且近一个月内在校内某超市有购物体验的学生。调查采用随机拦访的方式，并且为避免样本的同质性和重复填写，按照性别和被访者经常光顾的超市进行控制。问卷内容包括7个潜变量因子，24项可测指标，7个人口变量，量表采用了Likert10级量度，如对 1正向的，采用Likert10级量度从“非常低”到“非常高” 二、缺失值的处理 采用表列删除法，即在一条记录中，只要存在一项缺失，则删除该记录。最终得到401条数据，基于这部分数据做分析。 三、数据的的信度和效度检验 1．数据的信度检验 信度（reliability）指测量结果（数据）一致性或稳定性的程度。一致性主要反映的是测验内部题目之间的关系，考察测验的各个题目是否测量了相同的内容或特质。稳定性是指用一种测量工具（譬如同一份问卷）对同一群受试者进行不同时间上的重复测量结果间的可靠系数。如果问卷设计合理，重复测量的结果间应该高度相关。由于本案例并没有进行多次重复测量，所以主要采用反映内部一致性的指标来测量数据的信度。 折半信度（split-half reliability）是将测量工具中的条目按奇偶数或前后分成两半，采用Spearman-brown公式估计相关系数，相关系数高提示内部一致性好。然而，折半信度系数是建立在两半问题条目分数的方差相等这一假设基础上的，但实际数据并不一定满足这一假定，因此信度往往被低估。Cronbach在1951年提出了一种新的方法（Cronbach's Alpha系数），这种方法将测量工具中任一条目结果同其他所有条目作比较，对量表内部一致性估计更为慎重，因此克服了折半信度的缺点。本章采用SPSS16.0研究数据的内部一致性。在Analyze菜单中选择Scale下的Reliability Analysis（如图7-1），将数据中在左边方框中待分析的24个题目一 一选中，然后点击，左边方框中待分析的24个题目进入右边的items方框中，使用Alpha 模型（默认），得到图7-2，然后点击ok即可得到如表7-3的结果，显示Cronbach's Alpha系数为0.892，说明案例所使用数据具有较好的信度。 图7-1 信度分析的选择AMOS结构方程模型分析
结构方程模型案例
Amos_验证性因子分析步步教程
AMOS-结构方程模型分析
AMOS解释结构方程模型
AMOS操作
结构方程模型案例汇总-共18页
AMOS结构方程模型修正经典案例
最新★结构方程模型要点资料
手把手教AMOS结构方程模型
AMOS 的使用
?
第一部分: 介绍
o o o o
关于文挡 访问 AMOS 文挡 获得 AMOS 帮助 SEM 概述 SEM 术语 为什么使用 SEM? 合理的样本量 连续和正态内生变量 模型识别（识别方程） 完整数据或缺失数据的适当处理 模型规范和因果关系的理论基础 结构方程——多重回归关系的说明 使用 AG 绘制模型 将数据读入到 AMOS 中 选择 AMOS 分析选项和运行模型 评估整体模型拟合 绝对拟合检验 相对拟合检验 修改模型获得较好的拟合优度 浏览路径图 独立参数的显著性检验
?
第二部分 : SEM 基础
o o o
?
第三部分: SEM 假设
o o o o o
?
第四部分: 使用 AG 建立和检验模型
o o o o
?
第五部分: AMOS 输出解释
o o o o o o
?
第六部分:摘要：结论的实质性解释
1
关于文档
SEM=Structural Equation Modeling Amos=Analysis of Moment Structures
本课程使用 AMOS（距结构分析）软件对结构方程进行简单的介绍和概述。结构方程模型 (SEM) 包括多种统计技术，如路径分析，验证性因子分析，带潜变量的因果关系模型，甚 至方差分析和多重线性回归。 课程介绍 SEM 的逻辑，SEM 的假设和输入需求，怎样使用 AMOS 执行 SEM 分析。 到课程结束，能够使用 AMOS 拟合 SEM。也能给出 SEM 适合研究问题的评价和 SEM 方 法基本假设的概述。
You must do it
应该已经知道使用 SAS，SPSS 或类似统计软件怎样产生多重线性回归分析。也应该理解 怎样解释多重线性回归分析的输出。最后，应该理解基本微软视窗导航操作：打开文件和文 件夹，保存文件，重新调用先前保存过的文件，等等。
访问 AMOS
可以用下列三种方法访问 AMOS： 1. 个人计算机用户须从 SPSS 公司(SPSS 许可版本)或者 Smallwaters 公司(独立版本) 获得许可密码 2. 德克萨斯大学的教师，学生和职员经由 STATS 视窗终端服务器访问 AMOS。要使 用终端服务器，必须获得 ITS 计算机账号（或分类账号） ，然后在 NT 服务器上验证 账号。接下来下载和配置客户端软件使个人计算机，Macintosh，或 UNIX 工作站 能连接终端服务器。最后连接服务器，通过双击位于 STATS 终端服务组中 AMOS 程序肖像登陆 AMOS。如何获得 ITS 计算机账号的细节，账号使用的变更，下载客 户端软件和配置指导可以在 General FAQ #30: Connecting to published statistical applications on the ITS Windows Terminal Server. 中找到。 3. 从 AMOS development website 网站下载免费 AMOS 学生版到个人计算机上。 如果模型比较小，免费演示版能充分满足需求。对大型模型，需要购买 AMOS 软件 或通过校园网络访问 ITS 共享的软件副本。特别是如果决定利用服务器访问其它程 序软件（例如，SAS，SPSS，HLM，Mplus 等等） ，后一项选择最有效。
文档
2作业：结构方程模型和路径分析的区别
结构方程模型估计案例
结构方程Amos操作Word案例
结构方程模型(SEM)及其应用举例
结构方程模型估计案例
IBM SPSS AMOS 结构方程模型教程