跳到主要内容

结构方程模型

一、直观理解：把“路径图”变成可估计的方程组​

结构方程模型（Structural Equation Modeling, SEM）把实质理论画成路径：哪些潜变量影响哪些潜变量，哪些指标测量哪些潜变量，然后一次性估计测量模型与结构模型。

它适合这类问题：

  • “满意度”不可直接观测，由多个问卷题测量；
  • 既想看 X→M→YX\to M\to Y 的中介，又想允许测量误差；
  • 多个方程、互为反馈或相关误差需要系统估计。

SEM 的双层结构：

  1. 测量模型：观测指标 = 载荷 × 潜变量 + 误差；
  2. 结构模型：潜变量之间的回归/路径。

注意：SEM 中的“因果箭头”首先是研究者的设定；统计拟合好并不自动证明箭头方向正确。识别来自理论约束、时间顺序、实验或外生性论证。

二、适用场景与优缺点​

类型说明
适用场景多指标潜变量；中介/路径分析；验证性因子分析（CFA）+ 结构路径；问卷与心理、管理、教育数据。
核心优点显式处理测量误差；可同时估计多方程；拟合指数体系完善；路径图利于沟通。
局限与缺点强依赖模型设定；等价模型可拟合同样好但解释不同；样本需求较大；默认线性、正态假设需检查；横截面 SEM 的因果薄弱。

三、核心原理与识别​

1. 一般形式（LISREL 思想）​

测量：

x=Λxξ+δ,y=Λyη+εx=\Lambda_x\xi+\delta,\quad y=\Lambda_y\eta+\varepsilon

结构：

η=Bη+Γξ+ζ\eta=B\eta+\Gamma\xi+\zeta

由参数推出观测协方差 Σ(θ)\Sigma(\theta)，与样本协方差 SS 比较，最小化拟合函数（ML、ULS、ADF 等）。

2. 识别​

参数必须由 Σ\Sigma 唯一确定。经验规则：t 规则、参照指标固定载荷、避免同时自由估计所有残差相关等。不可识别时优化会失败或给出任意尺度。

3. 拟合评价​

常用：χ2\chi^2、CFI、TLI、RMSEA、SRMR。
拟合好 = 协方差被再现得好 ≠ 因果真。还应报告路径系数、间接效应与 bootstrap 区间。

4. 中介​

间接效应 a⋅ba\cdot b 的推断用乘积分部或 Bootstrap，比 Sobel 更稳妥。

四、关键决策​

1. 先 CFA 后结构​

测量模型不合格时，不要急着解释结构路径。

2. 修正指数​

按理论改，而不是为降低 χ2\chi^2 无加相关。

3. 因果增强​

时间顺序、工具变量、实验操纵、敏感性分析，比单纯 SEM 拟合更关键。

4. 软件​

专业常用 lavaan、Mplus；MATLAB 可用自定义 ML 或通过接口。赛题中也可用“多方程 + 因子分析”分步实现并讲清。

五、MATLAB 示例​

下面用可观测变量路径 + 简单中介演示结构思想；完整潜变量 SEM 可用逐步：先 PCA/因子得分，再系统估计（或外部工具）。目标是把识别与间接效应说清。

rng(26);
n = 500;
% 真模型: X -> M -> Y 与 X -> Y
X = randn(n,1);
M = 0.7*X + randn(n,1)*0.7;
Y = 0.4*M + 0.3*X + randn(n,1)*0.7;

% 结构方程（观测 SEM / 路径分析）
% M = a X + e1
% Y = b M + c X + e2
mdl_M = fitlm(X, M);
mdl_Y = fitlm([M X], Y);
a = mdl_M.Coefficients.Estimate(2);
b = mdl_Y.Coefficients.Estimate(2);
c = mdl_Y.Coefficients.Estimate(3);
indirect = a*b;
direct = c;
total = direct + indirect;
fprintf("a=%.3f, b=%.3f, c'=%.3f\n", a, b, c);
fprintf("间接=%.3f, 直接=%.3f, 总计=%.3f\n", indirect, direct, total);

% Bootstrap 间接效应 CI
B = 1000;
ind_boot = zeros(B,1);
for i = 1:B
    id = randi(n, n, 1);
    a_i = X(id)\M(id);           % 无截距简化？更稳用 fitlm
    % 用协方差公式含截距
    biM = [ones(n,1) X(id)]\M(id);
    biY = [ones(n,1) M(id) X(id)]\Y(id);
    ind_boot(i) = biM(2)*biY(2);
end
ci = quantile(ind_boot, [0.025 0.975]);
fprintf("间接效应 95%% Bootstrap CI: [%.3f, %.3f]\n", ci(1), ci(2));

% 简易“测量模型”示意：潜变量 F 的 3 个指标
F = randn(n,1);
x1 = 0.9*F + 0.4*randn(n,1);
x2 = 0.8*F + 0.5*randn(n,1);
x3 = 0.7*F + 0.6*randn(n,1);
% 验证性思路：单因子 PCA 载荷
[coeff, score, ~, ~, explained] = pca(zscore([x1 x2 x3]));
fprintf("第一主成分解释 %.1f%%，载荷：\n", explained(1));
disp(coeff(:,1)');

% 路径图数据（供报告）
fprintf("路径: X-a->M-b->Y, X-c'->Y\n");

若需完整 ML-SEM，可在报告中说明使用外部 lavaan 脚本，或在 MATLAB 中对参数 θ\theta 写 Σ(θ)\Sigma(\theta) 并 fminunc 最小化 log⁡∣Σ∣+tr(SΣ−1)\log|\Sigma|+\mathrm{tr}(S\Sigma^{-1})（样本需足够、模型需识别）。

六、如何解释结果​

  1. 理论路径图与识别约束；
  2. 测量模型：载荷、信度、拟合；
  3. 结构路径：标准化/非标准化系数；
  4. 间接与总效应及 CI；
  5. 拟合指数与残差相关；
  6. 等价模型与因果假设的局限；
  7. 稳健性（交叉验证、增删路径）。

七、常见误区​

1. 拟合好 = 因果真​

最大误区。

2. 未识别还强行解释​

标准误巨大或无法收敛时不要美化结果。

3. 根据 MI 无理论改模型​

过拟合样本协方差。

4. 小样本高复杂模型​

不稳定，应简化或贝叶斯正则。

5. 把探索性因子分析当成验证性结论​

EFA 与 CFA/SEM 的推断强度不同。

八、小结​

结构方程模型的核心是：

用测量方程与结构方程系统再现变量的协方差结构，从而估计路径与潜变量关系。

它擅长多指标与多方程理论，但因果效力取决于识别假设而非拟合指数。规范用法是：理论图 → 识别 → 测量合格 → 结构估计 → 间接效应与等价模型讨论。