Life bus will never stop!

版权声明：转载时请以超链接形式标明文章原始出处和作者信息及本声明
http://jixiang7.blogbus.com/logs/4846420.html

SEM基本思想：   Structural Equation Modeling，简称SEM

传统的统计方法，如方差分析、多元回归、因素分析等，都是从已有的数据中进行探索，发现客观规律，这种分析属于探索分析。SEM是代表性的验证分析。其基本思想是：研究者首先根据先前的理论和已有的学科知识，经过推论和建设，形成一个关于一组变量之间的相互关系（通常是具有因果关系）的模型，然后根据抽样测验后，获得一组观测变量（自变量）的数据，以及给予此数据形成的协方差矩阵。这个矩阵S是进行SEM分析的基础。用这个方差矩阵去估计模型的各参数矩阵。简单说就是理论假设模型与从实践测量中得到的数据形成的模型之间进行比较。如果拟合度很好（有算法得出数据），则模型是可以接受的；如果不能很好的拟和数据，模型就存在误差。必须根据算法得出的数据进行修改，直到更好的拟和为止。

       总之，过程是先简历模型，然后用数据去验证模型（通常模型可以分解为若干假设），根据拟和程度进行改进，并进行解释。

应用SEM的路径图示法：

LISREL路径图能明确指定变量间的因果联系，是目前该领域中既简单有最为常用的一种方法。使用路径图时要遵循以下规范：

   1：用矩形框表示观测变量，用圆形或椭圆形表示潜在变量。

   2：变量之间的关系用带箭头的线条标志，单箭头线条表示假设两个变量之间存在因果关系，箭头指向结果变量；双箭头表示两变量之间有相关或双向的联系，但不表示因果关系；两变量之间无连线则表示假设它们之间没有直接联系。

   3：表示观测指标与潜伏变量之间关系的符号∧，要求第一个下标标志外生或内生观测指标，第二个下标标志外生或内生潜在变量。

   4：通径系数β和γ的第一个下标标志内生因变量，第二个下标标志原因变量。具体分两种情况：当原因变量是外生变量时，用γ表示；当原因变量是另一个内生变量时，则用β表示。

  SEM的特点：

(1)可同时考虑及处理多个因变量(endogenous/dependent variable)；

(2)允许自变量和因变量(exogenous and endoge-nous)项目含有测量误差；

(3)允许潜伏变量由多个外显指标变量构成(这一点与因素分析类似)，并可同时估计指标变量的信度及效度；

(4)可采用比传统方法更有弹性的测量模式(measurement model)。在传统方法中，项目更多的依附于单一因子，而在SEM中，某一指标变量可从属于两个潜伏因子；

(5)可构建潜伏变量之间的关系，并估计模式与数据之间的吻合程度。

(1)能同时处理多个因变量。从上面的模型图可以看到,结构方程模型可同时考虑并处理多个因变量。而回归分析中,只能处理一个因变量,如果有多个因变量需要处理,则需分别计算,这样在计算一个因变量时,就忽略了其他因变量的存在及影响。

(2)允许自变量和因变量均包含测量误差。从测量方程中可看到,潜变量的观察标识包含了大量的测量误差。而回归分析只允许因变量存在测量误差,假定自变量没有误差。

(3)估计整个模型的拟和程度。通过结构方程软件计算出的多个拟和参数值,可以判断不同模型对同一个样本数据的整体拟和程度,从中选取最确切的模型。

      结构方程首先从研究的实际问题出发来构建初始模型。

消费者满意度研究、产品服务的偏好以及购买行为研究、行为和态度动机的探索、生活方式研究等。

1：最主要的是事务间的因素分析与结构关系；

  2：因果关系判断以及推论；  

SEM相关概念：

    1：变量：分为外显变量与潜在变量；

外显变量（自变量）：那些可观测与可测量的变量；又分为外生潜在变量与内生潜在变量；

               外生潜在变量：假设的因

               内生潜在变量：假设的国

          在构建的初始模型中：

               外生标识变量：模型中与外生潜在变量相联系的

               内生标识变量：模型中与内生潜在变量相联系的

潜在变量（因变量）：无法直接观测与测量，但是与外显变量有密切联系的变量；

 SEM模型相关概念：

1：一个完整的SEM模型包括：测量模型和结构模型

测量模型：描述外显变量（因变量）与潜在变量（自变量）之间测量关系的模型；