路径建模_精品文档.ppt

路径建模_精品文档.ppt

《路径建模_精品文档.ppt》由会员分享，可在线阅读，更多相关《路径建模_精品文档.ppt（14页珍藏版）》请在冰豆网上搜索。

路径建模（结构方程建模）数据的PLS分析,路径模型,路径模型的两种主要方法,PLS方法不用对数据做任何分布假定,而ML-LISREL方法必须假定数据为多元正态分布.PLS方法假定所有隐变量都是相关的（即使在图模型中它们之间没有箭头）,而ML-LISREL方法假定,只要隐变量之间没有箭头,就假定它们之间的相关严格为零,并体现在后续的计算之中.PLS方法用全部数据建模,而ML-LISREL方法由于假定了分布,只要有各变量的均值和协方差矩阵就可以计算footnote这意味着,假定有4个可观测变量变量,则只要有总样本量,协方差下三角矩阵（10个数）及样本量等总共11个数目就可以得到充满几页纸的大量的输出.这意味着先验的假定对结果的强大影响.如果假定了数据变量的正态性,则ML-LISREL方法可以输出多达四十多种不同的统计量,检验的$p$值得等,而PLS方法无法做这些检验,PLS有一些其他的指数.PLS适用于关注隐变量得分的情况,比如满意度指数,而ML-LISREL方法无法直接得到隐变量得分,因此各国计算满意度指数都用PLS方法.PLS适用于小样本情况.PLS因为收敛速度快,适用于较大、较复杂的结构方程模型,计算效率比ML-LISREL更高.由于长期没有商业软件支持,PLS知名度不如ML-LISREL方法,而后者由于有LISREL,AMOS（SPSS公司产品）,EQS,COSAN,EZPATH等软件的支持和,路径模型的两种主要方法,商业软件也开始开发PLS方法.由于数学上的复杂和有数学文章可做,ML-LISREL方法有很多数学研究论文,而PLS主要是欧洲大陆（所谓非盎格鲁萨克逊统计传统）的人在研究.从另一个角度来说,由于软件方便,而且只要有协方差阵就可以计算,一些社会学,心理学,教育学等方面的学者喜欢用ML-LISREL方法,但现在随着PLS软件的普及,情况也有改变.关于ML-LISREL方法在正态假定不满足时的稳健型,许多论文都予以否认,这些结论往往与LISREL-AMOS软件商的宣传大相径庭.在人文学科的实际应用中,往往统计不显著也都判定显著,这是因为数据很难满足正态性假定,LISREL-AMOS软件输出的结果往往统计不显著,但必须判定显著.这其实不是ML-LISREL方法的问题,而是数据假定太强,路径模型设定太主观,不能体现数据所产生的背景规律,才出现如此削足适履的做法.ML-LISREL的支持者总是用PLS方法的有偏性性来做文章.在强大的正态假定下,PLS估计是有偏的,但这个偏差所造成的误差远远小于假定不正确所造成的误差.ML-LISREL方法是理论导向的,强调从探索到确认性分析的转换,而PLS主要是在高度复杂但又没有什么理论信息时做因果预测分析.两种方法不应该是互斥的,应该是互补的,除了软件商之外,学者之间的争论应该保持在学术上.,PLS方法:

顾客满意度例子,library（plspm）data（satisfaction）IMAG-c（0,0,0,0,0,0）EXPE-c（1,0,0,0,0,0）QUAL-c（0,1,0,0,0,0）VAL-c（0,1,1,0,0,0）SAT-c（1,1,1,1,0,0）LOY-c（1,0,0,0,1,0）sat.mat-rbind（IMAG,EXPE,QUAL,VAL,SAT,LOY）#上面定义的矩阵与内部关系方程中的矩阵相同#下面语句把显变量分配到与其有关的隐变量确定测量模型sat.sets-list（1:

5,6:

10,11:

15,16:

19,20:

23,24:

27）sat.mod-rep（A,6）#上面A说明显变量是反映型的,B说明显变量是影响型的,res=plspm（satisfaction,sat.mat,sat.sets,sat.mod,scaled=F）summary（res）plot（res,what=all）,协方差方法简介,S.wh-readMoments（names=c（Anomia67,Powerless67,Anomia71,Powerless71,Education,SEI）11.8346.9479.3646.8195.09112.5324.7835.0287.4959.986-3.839-3.889-3.841-3.6259.610-21.899-18.831-21.748-18.77535.522450.288endverbatim,model.whAnomia67,NA,1Alienation67-Powerless67,lamb67,NAAlienation71-Anomia71,NA,1Alienation71-Powerless71,lamb71,NASES-Education,NA,1SES-SEI,lamb,NASES-Alienation67,gam1,NAAlienation67-Alienation71,beta,NASES-Alienation71,gam2,NAAnomia67Anomia67,the1,NAAnomia71Anomia71,the1,NAPowerless67Powerless67,the2,NAPowerless71Powerless71,the2,NAEducationEducation,the3,NASEISEI,the4,NAAnomia67Anomia71,the5,NAPowerless67Powerless71,the5,NAAlienation67Alienation67,psi1,NAAlienation71Alienation71,psi2,NASESSES,phi,NA,sem.wh.1-sem（model.wh.1,S.wh,932）summary（sem.wh.1）,结构方程模型的一些问题,构造图模型的时候,必须进行因果关系的论证.没有任何根据就在图上画几个椭圆和矩形,再添几个想当然的箭头则必然是失败的.结构方程模型分析的推论有很大的局限性,这是因为结构方程模型本身无法创造理论或知识,一定要避免过度依赖技术指标与进行过度推断.此外,解释结构方程模型时,要明白,各参数估计和拟合优度等是变量因果关系的必要条件而不是充分条件,应该避免根据参数的显著性,盲目乐观下达因果结论.在做决策意见时,对模型优劣避免武断和绝对化,应该尽可能检验不同的路径模型,先进行测量模型的检验,再进行结构模型的参数估计,再做模型评估,模型是否适当,不能只考虑统计意义,而要考虑概念的本质与意义,注意隐变量的多重指标是否有理论和实际意义.对协方差方法来说,对于模型拟合的评估,应参考各种指标,不能仅选取符合自己想象的.应尽可能事先检验数据的分布特征,测量变量应尽可能符合正态分布的假定,选择简单的参数较少的模型,而样本量则越大越好.,结构方程模型的一些问题,在使用结构方程模型时,处处都可能出问题.比如:

在收集数据后才确定模型是一个疏忽;隐变量有可能缺乏足够的测量变量的支持;因果关系可能完全弄颠倒了;为追求拟合,而改变模型形式,使其复杂化;在使用协方差方法时,在没有充分理由时,将测量残差或解释残差的相关性纳入估计或者使用多维假定（一个测量变量受一个以上隐变量影响）.结构方程模型使用与结果报告时,绝对不能仅关心模型的拟合,忽视了其它指标和模型的合理性.把模型拟合解读为模型被支持的唯一或主要证据或者把模型拟合解读为内生变量被有效解读的证据是最常见的错误.在使用协方差方法时,往往过度依赖显著性检验结果,错误解释标准化参数估计.从认识上,经常会错误认为结构方程模型可以弥补设计不周或考虑不周的研究.应该把充分的信息和正确的解读提供给服务对象,使他人能够理解或复制研究结果,科学是应该可以重复的,科学结论的推导过程应该完全是透明的.,