結(jié)構(gòu)方程模型案例匯總

1、,SEM)結(jié)構(gòu)方程模型(Structural Equation Modeling20世紀(jì)一一主流統(tǒng)計(jì)方法技術(shù)：因素分析回歸分析20世紀(jì)70年代：結(jié)構(gòu)方程模型時(shí)代正式來(lái)臨結(jié)構(gòu)方程模型是一門(mén)基于統(tǒng)計(jì)分析技術(shù)的研究方法學(xué)，它主要用于解決社會(huì)科學(xué)研 究中的多變量問(wèn)題，用來(lái)處理復(fù)雜的多變量研究數(shù)據(jù)的探究與分析。在社會(huì)科學(xué)及經(jīng) 濟(jì)、市場(chǎng)、管理等研究領(lǐng)域，有時(shí)需處理多個(gè)原因、多個(gè)結(jié)果的關(guān)系，或者會(huì)碰到不可 直接觀測(cè)的變量（即潛變量），這些都是傳統(tǒng)的統(tǒng)計(jì)方法不能很好解決的問(wèn)題。SEM能夠?qū)Τ橄蟮母拍钸M(jìn)行估計(jì)與檢定，而且能夠同時(shí)進(jìn)行潛在變量的估計(jì)與復(fù)雜自變量/因變量預(yù)測(cè)模型的參數(shù)估計(jì)。結(jié)構(gòu)方程模型是一種非常通用

2、的、主要的線形統(tǒng)計(jì)建模技術(shù)，廣泛應(yīng)用于心理學(xué)、經(jīng)濟(jì)學(xué)、 社會(huì)學(xué)、行為科學(xué)等領(lǐng)域的研究。實(shí)際上，它是計(jì)量經(jīng)濟(jì)學(xué)、計(jì)量社會(huì)學(xué)與計(jì)量心理學(xué)等領(lǐng)域 的統(tǒng)計(jì)分析方法的綜合。多元回歸、因子分析和通徑分析等方法都只是結(jié)構(gòu)方程模型中的一種 特例。結(jié)構(gòu)方程模型是利用聯(lián)立方程組求解， 它沒(méi)有很嚴(yán)格的假定限制條件，同時(shí)允許自變量和 因變量存在測(cè)量誤差。在許多科學(xué)領(lǐng)域的研究中，有些變量并不能直接測(cè)量。實(shí)際上，這些變 量基本上是人們?yōu)榱死斫夂脱芯磕愁惸康亩⒌募僭O(shè)概念，對(duì)于它們并不存在直接測(cè)量的操作方法。人們可以找到一些可觀察的變量作為這些潛在變量的“標(biāo)識(shí)”，然而這些潛在變量的 觀察標(biāo)識(shí)總是包含了大量的測(cè)量誤差。在統(tǒng)

3、計(jì)分析中，即使是對(duì)那些可以測(cè)量的變量，也總是 不斷受到測(cè)量誤差問(wèn)題的侵?jǐn)_。自變量測(cè)量誤差的發(fā)生會(huì)導(dǎo)致常規(guī)回歸模型參數(shù)估計(jì)產(chǎn)生偏 差。雖然傳統(tǒng)的因子分析允許對(duì)潛在變量設(shè)立多元標(biāo)識(shí)，也可處理測(cè)量誤差，但是，它不能分 析因子之間的關(guān)系。只有結(jié)構(gòu)方程模型即能夠使研究人員在分析中處理測(cè)量誤差，又可分析潛在變量之間的結(jié)構(gòu)關(guān)系。簡(jiǎn)單而言，與傳統(tǒng)的回歸分析不同，結(jié)構(gòu)方程分析能同時(shí)處理多個(gè)因變量，并可比 較及評(píng)價(jià)不同的理論模型。與傳統(tǒng)的探索性因子分析不同，在結(jié)構(gòu)方程模型中，我們可 以提出一個(gè)特定的因子結(jié)構(gòu)，并檢驗(yàn)它是否吻合數(shù)據(jù)。通過(guò)結(jié)構(gòu)方程多組分析，我們可 以了解不同組別內(nèi)各變量的關(guān)系是否保持不變，各因子的均值

4、是否有顯著差異?！蹦壳埃呀?jīng)有多種軟件可以處理SEM包才5: LISREL, AMOS, EQS, Mplus.結(jié)構(gòu)方程模型包括測(cè)量方程（LV和Md間關(guān)系的方程，外部關(guān)系）和結(jié)構(gòu)方程（LV之間 關(guān)系的方程，內(nèi)部關(guān)系），以 ACSI模型為例，具體形式如下：測(cè)量方程 y = A y 4 + e y?, x = A x E + e x=(1)結(jié)構(gòu)方程？ “=B” +r±+（或 （I- b）4=r± +（2）其中，刀和己分別是內(nèi)生LV和外生LV, y和x分別是和的MV Ax和Ay是載荷矩陣,觀察變量負(fù)荷量潛在變量誤差線性相關(guān)分析： 線性相關(guān)分析指出兩個(gè)隨機(jī)變量之間的統(tǒng)計(jì)聯(lián)系。兩個(gè)變

5、量地位平 等，沒(méi)有因變量和自變量之分。因此相關(guān)系數(shù)不能反映單指標(biāo)與總體之間的因果關(guān)系。線性回歸分析： 線性回歸是比線性相關(guān)更復(fù)雜的方法，它在模型中定義了因變量和 自變量。但它只能提供變量間的直接效應(yīng)而不能顯示可能存在的間接效應(yīng)。而且會(huì)因?yàn)?共線性的原因，導(dǎo)致出現(xiàn)單項(xiàng)指標(biāo)與總體出現(xiàn)負(fù)相關(guān)等無(wú)法解釋的數(shù)據(jù)分析結(jié)果。結(jié)構(gòu)方程模型分析： 結(jié)構(gòu)方程模型是一種建立、估計(jì)和檢驗(yàn)因果關(guān)系模型的方法。 模型中既包含有可觀測(cè)的顯在變量，也可能包含無(wú)法直接觀測(cè)的潛在變量。結(jié)構(gòu)方程模 型可以替代多重回歸、通徑分析、因子分析、協(xié)方差分析等方法，清晰分析單項(xiàng)指標(biāo)對(duì) 總體的作用和單項(xiàng)指標(biāo)間的相互關(guān)系。合理的樣本量（Jame

6、s Stevens 的 Applied Multivariate Statistics for the Social Sciences 一書(shū)中說(shuō)平均一個(gè)自變量大約需要15 個(gè) case； Bentler and Chou （1987）說(shuō)平均一個(gè)估計(jì)參數(shù)需要5個(gè)case就差不多了，但前提是數(shù)據(jù)質(zhì)量非常好；這兩種說(shuō)法基本上是等價(jià)的；而 Loehlin （1992）在進(jìn)行蒙特卡羅模擬之后發(fā)現(xiàn)對(duì)于包含24個(gè)因子的模型，至少需要 100個(gè)case,當(dāng)然200更好；小樣本量容易導(dǎo)致模型計(jì)算時(shí)收斂的失 敗進(jìn)而影響到參數(shù)估計(jì)；特別要注意的是當(dāng)數(shù)據(jù)質(zhì)量不好比如不服從正態(tài)分布或者受到 污染時(shí)，更需要大的樣本量）連

7、續(xù)的正態(tài)內(nèi)生變量（注意一種表面不連續(xù)的特例：underlying continuous ;對(duì)于內(nèi)生變量的分布，理想情況是聯(lián)合多元正態(tài)分布即JMVN模型識(shí)別（識(shí)別方程）（比較有多少可用的輸入和有多少需估計(jì)的參數(shù)；模型不 可識(shí)別會(huì)帶來(lái)參數(shù)估計(jì)的失?。┩暾臄?shù)據(jù)或者對(duì)不完整數(shù)據(jù)的適當(dāng)處理（對(duì)于缺失值的處理，一般的統(tǒng)計(jì)軟件 給出的刪除方式選項(xiàng)是pairwise 和listwise ,然而這又是一對(duì)普遍矛盾：pairwise 式的刪除雖然估計(jì)到盡量減少數(shù)據(jù)的損失，但會(huì)導(dǎo)致協(xié)方差陣或者相關(guān)系數(shù)陣的階數(shù)n參差不齊從而為模型擬合帶來(lái)巨大困難，甚至導(dǎo)致無(wú)法得出參數(shù)估計(jì)；listwise 不會(huì)有pairwise

8、的問(wèn)題，因?yàn)榉彩怯龅絚ase中有缺失值那么該 case直接被全部刪除，但是又帶來(lái)了數(shù)據(jù)信息量利用不足的問(wèn)題一一全殺了吧，難免有冤枉的；不殺吧，又難免影響 整體局勢(shì)）模型的說(shuō)明和因果關(guān)系的理論基礎(chǔ)（實(shí)際上就是假設(shè)檢驗(yàn)的邏輯一一你只能說(shuō)你 的模型不能拒絕，而不能下定論說(shuō)你的模型可以被接受）結(jié)構(gòu)方程模型的技術(shù)特性:1. SEMM有理論先驗(yàn)性2. SEM同時(shí)處理測(cè)量與分析問(wèn)題3. SEM以協(xié)方差的運(yùn)用為核心，亦可處理平均數(shù)估計(jì)4. SEM適用于大樣本的分析一一一般而言，大于200以上的樣本，才可稱得上是個(gè)中型樣本。5. SEM包含了許多不同的統(tǒng)計(jì)技術(shù)。6. SEM重視多重統(tǒng)計(jì)指標(biāo)的運(yùn)用結(jié)構(gòu)方程模型的實(shí)

9、施步驟模型設(shè)定。研究者根據(jù)先前的理論以及已有的知識(shí)，通過(guò)推論和假設(shè)形成一個(gè)關(guān)于一 組變量之間相互關(guān)系（常常是因果關(guān)系）的模型。這個(gè)模型也可以用路徑表明制定變量 之間的因果聯(lián)系。模型識(shí)別。模型識(shí)別時(shí)設(shè)定SEM真型時(shí)的一個(gè)基本考慮。只有建設(shè)的模型具有識(shí)別性，才能得到系統(tǒng)各個(gè)自由參數(shù)的唯一估計(jì)值。其中的基本規(guī)則是，模型的自由參數(shù)不 能夠多于觀察數(shù)據(jù)的方差和協(xié)方差總數(shù)。模型估計(jì)。SEM模型的基本假設(shè)是觀察變量的反差、協(xié)方差矩陣是一套參數(shù)的函數(shù)。把固定參數(shù)之和自由參數(shù)的估計(jì)帶入結(jié)構(gòu)方程，推導(dǎo)方差協(xié)方差矩陣2,使每一個(gè)元素盡可能接近于樣本中觀察變量的方差協(xié)方差矩陣S中的相應(yīng)元素。也就是，使2與 S之間的差

10、異最小化。在參數(shù)估計(jì)的數(shù)學(xué)運(yùn)算方法中，最常用的是最大似然法（MD和廣義最小二乘法（GLS）。模型評(píng)價(jià)。在已有的證據(jù)與理論范圍內(nèi)，考察提出的模型擬合樣本數(shù)據(jù)的程度。模型的總體擬合程度的測(cè)量指標(biāo)主要有X2檢驗(yàn)、擬合優(yōu)度指數(shù)（GFI）、校正的擬合優(yōu)度指數(shù)（AGFD、均方根殘差（RMR等。關(guān)于模型每個(gè)參數(shù)彳4計(jì)值的評(píng)價(jià)可以用“ t”值。模型修正。模型修正是為了改進(jìn)初始模型的適合程度。當(dāng)嘗試性初始模型出現(xiàn)不能擬合觀 察數(shù)據(jù)的情況（該模型被數(shù)據(jù)拒絕）時(shí)，就需要將模型進(jìn)行修正，再用同一組觀察數(shù)據(jù)來(lái)進(jìn)行 檢驗(yàn)。探索性分析定義:探索性因子分析法（Exploratory Factor Analysis , EFA

11、是一項(xiàng)用來(lái)找出多元觀測(cè)變量 的本質(zhì)結(jié)構(gòu)、并進(jìn)行處理降維的技術(shù)。因而，EFA能夠?qū)⒕哂绣e(cuò)綜復(fù)雜關(guān)系的變量綜合為少數(shù)幾個(gè)核心因子。探索性因子分析（EFA致力于找出事物內(nèi)在的本質(zhì)結(jié)構(gòu)。e3殘差探索性分析的適用情況:指標(biāo)在缺乏堅(jiān)實(shí)的理論基礎(chǔ)支撐，有關(guān)觀測(cè)變量?jī)?nèi)部結(jié)構(gòu)，一般用探索性因子分析。先用探 索性因子分析產(chǎn)生一個(gè)關(guān)于內(nèi)部結(jié)構(gòu)的理論，再在此基礎(chǔ)上用驗(yàn)證性因子分析。但這必須用 分開(kāi)的數(shù)據(jù)集來(lái)做。探索性分析步驟:1、辨別、收集觀測(cè)變量。按照實(shí)際情況收集觀測(cè)變量，并對(duì)其進(jìn)行觀測(cè)，獲得觀測(cè)值。 針對(duì)總體復(fù)雜性和統(tǒng)計(jì)基本原理的保證，通常采用抽樣的方法收集數(shù)據(jù)來(lái)達(dá)到研究目的。2、獲得協(xié)方差陣（或Bravais

12、-Pearson的相似系數(shù)矩陣）。我們所有的分析都是從原始 數(shù)據(jù)的協(xié)方差陣（或相似系數(shù)矩陣）出發(fā)的，這樣使我們分析得到的數(shù)據(jù)具有可比性，所以首 先要根據(jù)資料數(shù)據(jù)獲得變量協(xié)方差陣（或相似系數(shù)矩陣）。3、確定因子個(gè)數(shù)。有時(shí)候你有具體的假設(shè)，它決定了因子的個(gè)數(shù)；但更多的時(shí)候沒(méi)有 這樣的假設(shè)，你僅僅希望最后的到的模型能用盡可能少的因子解釋盡可能多的方差。如果你 有k個(gè)變量，你最多只能提取k個(gè)因子。通過(guò)檢驗(yàn)數(shù)據(jù)來(lái)確定最優(yōu)因子個(gè)數(shù)的方法有很多，例 如Kaiser準(zhǔn)則、Scree檢驗(yàn)。方法的選擇由，具體操作時(shí)視情況而定。4、提取因子。因子的提取方法也有多種，主要有主成分方法、不加權(quán)最小平方法、極大 似然法等

13、，我們可以根據(jù)需要選擇合適的因子提取方法。 其中主成分方法一種比較常用的提取 因子的方法，它是用變量的線性組合中，能產(chǎn)生最大樣品方差的那些組合（稱主成分）作為公 共因子來(lái)進(jìn)行分析的方法。5、因子旋轉(zhuǎn)。因子載荷陣的不唯一性，使得可以對(duì)因子進(jìn)行旋轉(zhuǎn)。這一特征，使得因子 結(jié)構(gòu)可以朝我們可以合理解釋的方向趨近。我們用一個(gè)正交陣右乘已經(jīng)得到的因子載荷陣（由 線性代數(shù)可知，一次正交變化對(duì)應(yīng)坐標(biāo)系的一次旋轉(zhuǎn)），使旋轉(zhuǎn)后的因子載荷陣結(jié)構(gòu)簡(jiǎn)化。旋 轉(zhuǎn)的方法也有多種，如正交旋轉(zhuǎn)、斜交旋轉(zhuǎn)等，最常用的是方差最大化正交旋轉(zhuǎn)。6、解釋因子結(jié)構(gòu)。最后得到的簡(jiǎn)化的因子結(jié)構(gòu)是使每個(gè)變量?jī)H在一個(gè)公共因子上有較大 載荷，而在其余

14、公共因子上的載荷則比較小，至多是中等大小。通過(guò)這樣，我們就能知道所研 究的這些變量是由哪些潛在因素（也就是公共因子）影響的，其中哪些因素是起主要作用的， 而哪些因素的作用較小，甚至可以不用考慮。7、因子得分。因子分析的數(shù)學(xué)模型是將變量表示為公共因子的線性組合，由于公共因子能反映原始變量的相關(guān)關(guān)系，用公共因子代表原始變量時(shí)，有時(shí)更利于描述研究對(duì)象的特征， 因而往往需要反過(guò)來(lái)將公共因子表示為變量的線性組合，即因子得分。驗(yàn)證性因子分析定義:驗(yàn)證性因子分析是對(duì)社會(huì)調(diào)查數(shù)據(jù)進(jìn)行的一種統(tǒng)計(jì)分析。它測(cè)試一個(gè)因子與想對(duì)應(yīng) 的測(cè)度項(xiàng)之間的關(guān)系是否符合研究者所設(shè)計(jì)的理論關(guān)系。驗(yàn)證性因子分析 （con巾rmator

15、y factor analysis）的強(qiáng)項(xiàng)在于它允許研究者明確描述一個(gè)理論模型中的細(xì)節(jié)。因?yàn)闇y(cè)量誤差的存在，研究者需要使用多個(gè)測(cè)度項(xiàng)。當(dāng) 使用多個(gè)測(cè)度項(xiàng)之后，我們就有測(cè)度項(xiàng)的“質(zhì)量”問(wèn)題，即效度檢驗(yàn)。而效度檢驗(yàn)就是 要看一個(gè)測(cè)度項(xiàng)是否與其所設(shè)計(jì)的因子有顯著的載荷，并與其不相干的因子沒(méi)有顯著的 載荷。對(duì)測(cè)度模型的檢驗(yàn)就是驗(yàn)證性測(cè)度模型。對(duì)測(cè)度模型的質(zhì)量檢驗(yàn)是假設(shè)檢驗(yàn)之前的必要步驟而驗(yàn)證性因子分析（CFA是用來(lái)檢驗(yàn)已知的特定結(jié)構(gòu)是否按照預(yù)期的方式產(chǎn)生作用elM析的步驟:、定義必模型一|舌選排2子個(gè)4和定義可載荷?？谝蛄d荷可以事先定為0或者其載荷相等）。這是和探索的常數(shù)。或者在二矩的約束條件一卜變

16、化式微（，用子分析析方法上的一個(gè)重要差異,X 3e3們可以用一個(gè)直觀的比喻，也就是說(shuō)探索性因子:析是在一張力紙，傳圖，Iff驗(yàn)證性因子分行是在一張有框架的圖上完善和修改FOB觀測(cè)值。定義了因子模型以后，我們就可以根據(jù)研究目的收集觀測(cè)值了。這一點(diǎn)與探和因子分析有一定的相為略編負(fù)荷3、獲得相關(guān)系數(shù)矩陣。與探索性因子分析一樣,潛變量我們的分析都是在原始數(shù)據(jù)的相關(guān)系數(shù)矩陣基礎(chǔ)上進(jìn)行的，所以首先就要得到相關(guān)系數(shù)矩陣。實(shí)際上方差協(xié)差陣、相似系數(shù)矩陣和相 關(guān)陣之間是可以相互轉(zhuǎn)化的。4、根據(jù)數(shù)據(jù)擬合模型。我們需要選擇一個(gè)方法來(lái)估計(jì)自由變化的因子載荷。 在多元正態(tài) 的條件下，最常用的是極大似然估計(jì)，也可采用漸進(jìn)

17、分布自由估計(jì)。5、評(píng)價(jià)模型是否恰當(dāng)。這一步可以說(shuō)是驗(yàn)證性因子分析的核心。 當(dāng)因子模型能夠擬合數(shù) 據(jù)時(shí)，因子載荷的選擇要使模型暗含的相關(guān)陣與實(shí)際觀測(cè)陣之間的差異最小。 最好的參數(shù)被選 擇以后，差異量能被用來(lái)作為衡量模型與數(shù)據(jù)一致的程度。 最常用的模型適應(yīng)性檢驗(yàn)是卡方擬 合優(yōu)度檢驗(yàn)。原假設(shè)是模型是適應(yīng)性模型，備擇假設(shè)是存在顯著差異。但是，這個(gè)檢驗(yàn)受樣本 量大小影響，包含大樣本的檢驗(yàn)往往會(huì)導(dǎo)致拒絕原假設(shè)，盡管因子模型是合適的。其他的統(tǒng)計(jì) 方法，比如用Tucker-Lewis指數(shù)，比較建議模型和“原模型”的擬合度。這些方法受樣本量 大小影響不大。6、與其他模型比較。為了得到最優(yōu)模型，我們需要完成這一步

18、。如果你想比較兩個(gè)模型， 其中一個(gè)是另一個(gè)的縮略形式，你就能從卡方統(tǒng)計(jì)量的值檢查出他們的差別， 大約服從卡方分 布。幾乎所有獨(dú)立因子載荷的檢驗(yàn)?zāi)苡脕?lái)作為全因子模型和簡(jiǎn)因子的模型之間的比較。為以防你不是在檢查全模型和簡(jiǎn)模型， 你可以比較均方根誤差的近似值(RMSEA)， 它是模型中每個(gè)自由度差異的一個(gè)估計(jì)值。驗(yàn)證性分析適用情況驗(yàn)證性因子分析要處理推論統(tǒng)計(jì)量，處理難度要求高。需要具備更大容量的樣本。精確的樣本量要隨著觀測(cè)值和模型的因子數(shù)變化而變化，但一個(gè)標(biāo)準(zhǔn)模型至少需要200個(gè)個(gè)體。在進(jìn)行分析過(guò)程中必須選擇與每個(gè)因子在很大程度上匹配的變量，而不是可能是潛在變量的“隨機(jī)樣本”?；诮Y(jié)構(gòu)方程全模型的大

19、學(xué)生就業(yè)預(yù)期情況分析0 引言隨著我國(guó)經(jīng)濟(jì)的不斷發(fā)展，我國(guó)高校大規(guī)模擴(kuò)招，越來(lái)越多的年輕人獲得了接受教育的機(jī)會(huì)。從社會(huì)發(fā)展的角度來(lái)講，大批高素質(zhì)的人才培養(yǎng)是與我國(guó)快速發(fā)展的社會(huì)經(jīng)濟(jì)水平相適應(yīng)的。然而，由此也帶來(lái)了兩方面的問(wèn)題：一是本科生的就業(yè)矛盾日益突出，幾乎每一個(gè)大學(xué)生都在切身感受就業(yè)的恐慌；二是人才的競(jìng)爭(zhēng)加劇，加之市場(chǎng)對(duì)于人才的需求多元化，考研或出國(guó)深造成為提高我們本科生自身核心競(jìng)爭(zhēng)力的一種渠道，同時(shí)也是規(guī)避就業(yè)難的一種新途徑；那么，在如此就業(yè)形勢(shì)嚴(yán)峻、人才競(jìng)爭(zhēng)加劇的當(dāng)今社會(huì)，大學(xué)生們對(duì)自己將來(lái)的就業(yè)有怎樣的預(yù)期呢？本論文基于遼寧工程技術(shù)大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)院 2005級(jí)統(tǒng)計(jì)系本科生于 2007

20、年 10月至 11月期間收集的題目為“ 大學(xué)生就業(yè)與深造意向調(diào)查 ”的原始問(wèn)卷資料，欲從大學(xué)生的就業(yè)預(yù)期角度出發(fā)，結(jié)合結(jié)構(gòu)方程模型，分析大學(xué)生預(yù)期就業(yè)手段和預(yù)期就業(yè)地域方面的相關(guān)情況 ，并期望推廣結(jié)構(gòu)方程模型應(yīng)用于問(wèn)卷分析的方法。1 問(wèn)題分析1.1 研究目的本論文在采用量表方式對(duì)問(wèn)卷中的定性變量予以賦值后， 欲分析影響大學(xué)生預(yù)期就業(yè)手段和預(yù)期就業(yè)地域的因素 ，并期望得到各個(gè)因素與大學(xué)生預(yù)期就業(yè)手段、預(yù)期就業(yè)地域之間的關(guān)系的度量。需注意：該調(diào)查的調(diào)查對(duì)象是遼寧工程技術(shù)大學(xué)全日制在讀本科生。調(diào)查對(duì)象僅僅是來(lái)自大學(xué)生這個(gè)總體的一個(gè)群或?qū)?。根?jù)抽樣調(diào)查的相關(guān)理論，遼寧工程技術(shù)大學(xué)在讀本科生并不具有典型

21、代表性，即它作為大學(xué)生總體的一個(gè)群被抽出并不具備隨機(jī)性和強(qiáng)代表性。因此，本論文從這份調(diào)查數(shù)據(jù)出發(fā)，僅僅只是從一個(gè)相對(duì)小的視角研究大學(xué)生預(yù)期就業(yè)手段、預(yù)期就業(yè)地域方面的情況，結(jié)果不一定適用于大學(xué)生總體。問(wèn)卷數(shù)據(jù)歸屬于2009年10月這個(gè)時(shí)點(diǎn)，因此，本論文的分析結(jié)果當(dāng)然是對(duì) 2009年10 月這個(gè)時(shí)點(diǎn)相關(guān)情況的反映。1.2 研究方法本論文考慮建立結(jié)構(gòu)方程全模型來(lái)研究大學(xué)生預(yù)期就業(yè)手段和預(yù)期就業(yè)地域（內(nèi)生潛變量）與其各個(gè)因素（外生潛變量）之間的關(guān)系，并量化這種關(guān)系。結(jié)構(gòu)方程模型的優(yōu)勢(shì)就在于引入潛變量（不可直接觀測(cè)的量），使人們考慮問(wèn)題的思路躍然紙上，顯得更加系統(tǒng)化。也就 是，它以如下的方式考慮問(wèn)題：

22、外源觀測(cè)變量?jī)?nèi)生觀測(cè)變量那么，研究外生潛變量對(duì)內(nèi)生潛變量的影響實(shí)質(zhì)上就是間接研究X指標(biāo)對(duì)Y指標(biāo)的影響,只不過(guò)，結(jié)構(gòu)方程把由同一個(gè)潛變量控制的指標(biāo)劃分為一類，表示這一類指標(biāo)受該潛變量的 影響，使得問(wèn)題的分析更加的系統(tǒng)。值得注意的是，本論文的研究基礎(chǔ)一一問(wèn)卷資料來(lái)自于第二方的調(diào)查資料，第二方事先 并未考慮過(guò)用結(jié)構(gòu)方程模型分析問(wèn)卷。那么，本文運(yùn)用結(jié)構(gòu)方程模型分析問(wèn)卷，問(wèn)卷中的問(wèn) 題就不一定能很好地切合結(jié)構(gòu)方程模型，由此可能引起相當(dāng)?shù)恼`差。這也就決定了我們?cè)诖_ 定運(yùn)用結(jié)構(gòu)方程模型分析問(wèn)卷時(shí)，已有心理準(zhǔn)備面對(duì)模型可能出現(xiàn)的整體擬合效果不好等問(wèn) 題，故本文著眼于推廣結(jié)構(gòu)方程模型建模方法在問(wèn)卷分析中的應(yīng)用。

23、也就是說(shuō)，欲用結(jié)構(gòu)方程模型分析問(wèn)卷，應(yīng)該事先根據(jù)相關(guān)理論或經(jīng)驗(yàn)初步設(shè)定幾個(gè)潛變量，然后在問(wèn)卷中為每一 個(gè)潛變量設(shè)置若干的題目來(lái)測(cè)量它。2問(wèn)卷數(shù)據(jù)的收集2.1 數(shù)據(jù)來(lái)源本論文數(shù)據(jù)來(lái)自于遼寧工程技術(shù)大學(xué)理學(xué)院 2007級(jí)統(tǒng)計(jì)系本科生于2009年10月至11月 期間收集的題目為“大學(xué)生就業(yè)與深造意向調(diào)查”的原始問(wèn)卷資料。該次調(diào)查的調(diào)查對(duì)象為 遼寧工程技術(shù)大學(xué)全日制在讀本科生 （遼寧工程技術(shù)大學(xué)二級(jí)學(xué)院的學(xué)生不包括在內(nèi)）。具體說(shuō)來(lái)，本論文僅僅提取在問(wèn)卷的“甄別問(wèn)題”部分回答“就業(yè)”的那部分人（共計(jì)280人）的相關(guān)信息進(jìn)行分析。2.2 抽樣方法該次調(diào)查按學(xué)科類別（文科、理科、工科、其他）和年級(jí)（大一、大

24、二、大三、大四） 將研究總體分為16個(gè)層，由于“其他類”的大一和大四的數(shù)據(jù)難以取得，因此，僅針對(duì)其余 14個(gè)層進(jìn)行抽樣。根據(jù)抽樣框，在每層中按簡(jiǎn)單隨機(jī)抽樣抽取20%勺班級(jí)，同時(shí)在抽中的班級(jí)中按簡(jiǎn)單隨機(jī)抽樣抽取30%勺學(xué)生。2.3 問(wèn)卷內(nèi)容及執(zhí)行情況調(diào)查問(wèn)卷詳見(jiàn)附錄三。該次調(diào)查專門(mén)成立調(diào)查組，按照被抽中學(xué)生的花名冊(cè)由專人負(fù)責(zé)發(fā)放問(wèn)卷，共計(jì)發(fā)放問(wèn) 卷788份，實(shí)際收回問(wèn)卷758份，提取有效問(wèn)卷706份。3問(wèn)卷數(shù)據(jù)的處理3.1 定性變量的分類及賦值方法3.2 本文變量的設(shè)置表1指標(biāo)的設(shè)置變里小會(huì)變量名取值情況X1生源地X1=1西部；X1=2中部；X1=3東部X2戶口類型X2=0農(nóng)村戶口； X2=1城

25、鎮(zhèn)戶口X3父親受教育程度X3=1初中以下；X3=2初中；X3=3高中或中專X3=4大?；虮究?；X3=5研究生以上X4母親受教育程度X4=1初中以下； X4=2初中；X4=3高中或中專X4=4大?；虮究疲籜4=5研究生以上X5月可支配生活費(fèi)X5=1 300 元以下；X5=2 300500 元X5=3 500800 元；X5=4 800 元以上X6對(duì)就業(yè)形勢(shì)的看法X6=1很不好；X6=2不好；X6=3 一般X6=4較好；X6=5非常好X7所學(xué)專業(yè)前景看法X7=1很不好；X7=2不好；X7=3 一般X7=4較好；X7=5非常好X8參加就業(yè)輔導(dǎo)的次數(shù)X8=0參力口 0次；X8=1參力口 1次X8=2參

26、力口 2次；X8=3參力口 4次以上X9就業(yè)資格證書(shū)個(gè)數(shù)X9=0、1、2、3X10四、六級(jí)考證情況X10二0四、六級(jí)都沒(méi)過(guò)；X10=1過(guò)四級(jí)；X10=2過(guò)六級(jí)X11參加社會(huì)實(shí)踐次數(shù)X11=0從不參加；X11=1 參加1、2次X11=2參加3、4次；X11=3參加4次以上Y1是否自主創(chuàng)業(yè)Y1=0 否；Y1=1 是Y2工作地域Y2=1農(nóng)村地區(qū)；Y2=2縣級(jí)地區(qū)Y2=3地級(jí)城市及州市；Y2=4省會(huì)城市及直轄市表2潛變量的設(shè)置變里小會(huì)變量名變量包括的指標(biāo)外生潛變量1社會(huì)經(jīng)濟(jì)地位X1、X2、X3、X4、X52對(duì)就業(yè)狀況的把握X6、 X7、 X83自身能力X9、 X10、 X11內(nèi)生潛變量1預(yù)期就業(yè)手段Y

27、12預(yù)期就業(yè)地域Y24.基于結(jié)構(gòu)方程模型的大學(xué)生預(yù)期就業(yè)手段和就業(yè)區(qū)域情況 分析4.1 結(jié)構(gòu)方程模型簡(jiǎn)介很多社會(huì)、教育、心理等研究中涉及的變量，都不能準(zhǔn)確、直接地測(cè)量，比如學(xué)習(xí)動(dòng) 機(jī)、家庭社會(huì)經(jīng)濟(jì)地位等，我們稱這樣的變量為潛變量。潛變量往往只能通過(guò)一些外生指標(biāo)去衡量，比如用父母受教育程度、學(xué)生戶口類型、父母收入等外生指標(biāo)來(lái)衡量學(xué)生的社會(huì)經(jīng) 濟(jì)地位（潛變量）。傳統(tǒng)的統(tǒng)計(jì)分析方法不能妥善處理這些潛變量，而結(jié)構(gòu)方程全模型則能同 時(shí)處理潛變量及其指標(biāo)。它是一種基于變量的協(xié)方差矩陣來(lái)分析多個(gè)變量之間關(guān)系的一種統(tǒng) 計(jì)方法，也稱為協(xié)方差結(jié)構(gòu)分析。并且，它有機(jī)地整合了多元統(tǒng)計(jì)中的因子分析方法、生物 學(xué)中的路徑

28、分析方法以及計(jì)量經(jīng)濟(jì)學(xué)中的聯(lián)立方程模型。結(jié)構(gòu)方程全模型由測(cè)量方程和結(jié)構(gòu) 方程組成。若結(jié)構(gòu)方程模型中只包括測(cè)量方程，則又稱為驗(yàn)證性因子模型。關(guān)于測(cè)量方程和 結(jié)構(gòu)方程的形式，最普遍的情況是設(shè)定為線性模型。測(cè)量方程用來(lái)描述指標(biāo)與潛變量之間的關(guān)系，用下述模型表示：Xm AX4.1Yn AY這里，X (x1,x2,.,xm)T是由m個(gè)外生指標(biāo)構(gòu)成的列向量；(1，2,.，u)T是由u個(gè)外生潛變量構(gòu)成的列向量；AX是一個(gè)m u維的矩陣，稱作X在 上的因子負(fù)荷陣，描述了外生指標(biāo)與外生潛 變量之間的關(guān)系；1, 2,.,m T是m維的誤差項(xiàng)列向量。Y (y1,y2,，yn)T是由n個(gè)內(nèi)生指標(biāo)構(gòu)成的列向量；(1,

29、2,.,)T是由小內(nèi)生變量構(gòu)成的列向量；AY是一個(gè)n v維的矩陣,稱作Y在 上的因子負(fù)荷陣，描述了內(nèi)生指 標(biāo)與內(nèi)生潛變量之間的關(guān)系；=1, 2,.,n是n維的誤差項(xiàng)列向量。結(jié)構(gòu)方程用來(lái)描述外生潛變量與內(nèi)生潛變量之間的關(guān)系，用下述模型表示：4.2 模型的基本假定一般假定，每一個(gè)指標(biāo)x,yj i 1,2,K,m;j 1,2,K ,n只在其對(duì)應(yīng)的潛變量上有不為 0的因子負(fù)荷，而在其他潛變量上的因子負(fù)荷為0。內(nèi)生變量之間的路徑(相關(guān)或單方面影響)依據(jù)經(jīng)驗(yàn)和相關(guān)理論而定。測(cè)量誤差項(xiàng)i與外生潛變量j之間(i,j 1,2,K,m)、測(cè)量誤差項(xiàng)i與內(nèi)生潛變量j之間不相關(guān)(i, j 1,2,K , n ) ；

30、i與 j (i, j 1,2,K , m;i j )、 i與 j ( i, j 1,2,K ,n;i j )、i與 j ( i, j 1,2,K ,v;i j )不相關(guān)。4.3 結(jié)構(gòu)方程模型路徑圖及形式結(jié)合研究目的，首先我們根據(jù)相關(guān)研究及經(jīng)驗(yàn)，找出影響大學(xué)生的預(yù)期就業(yè)手段和預(yù)期就業(yè)地域這兩個(gè)內(nèi)生潛變量的外生潛變量。然后，對(duì)問(wèn)卷中的相關(guān)指標(biāo)進(jìn)行初步歸類，建立 驗(yàn)證性因子模型，并進(jìn)行相關(guān)的參數(shù)估計(jì)、不斷修正，最終確定潛變量的結(jié)構(gòu)后，再加入結(jié) 構(gòu)方程模型。下圖為擬采用的結(jié)構(gòu)方程全模型的路徑分析圖，欲對(duì)各路徑參數(shù)進(jìn)行估計(jì)。圖1的符號(hào)說(shuō)明：正方形或長(zhǎng)方形表示指標(biāo)；圓或橢圓表示潛變量；單向箭頭表示單向影響

31、；雙箭頭表示 相關(guān)；單向箭頭指向指標(biāo)表示測(cè)量誤差；單向箭頭指向潛變量表示內(nèi)生潛變量未被解釋的部 分。一、/汪忠：確定需要用哪些指標(biāo)衡量潛變量，可以根據(jù)經(jīng)驗(yàn)分析進(jìn)行初步歸類，也可以使用多元統(tǒng) 計(jì)分析中因子分析的方法進(jìn)行探索。然后，對(duì)初步歸類的指標(biāo)建立驗(yàn)證性因子模型（即只有測(cè)量方程），并進(jìn)行相應(yīng)的參數(shù)估計(jì)，比較從屬于同一潛變量的各路徑參數(shù)的大小，進(jìn)行相應(yīng)的 路徑刪減。結(jié)構(gòu)方程全模型是否可識(shí)別不僅取決于數(shù)據(jù)質(zhì)量，更取決于模型設(shè)定形式是否正確。模 型形式的正確性就表現(xiàn)在潛變量指向指標(biāo)的單向路徑、外生潛變量之間的雙向路徑、內(nèi)生潛 變量之間的單向或雙向路徑、外生潛變量指向內(nèi)生潛變量的單向路徑劃定是否正確。

32、每一條路徑對(duì)應(yīng)一個(gè)待估參數(shù)（主要是模型中的系數(shù)（負(fù)荷）、誤差方差、潛變量之間的相關(guān)系數(shù)）。 一般的思路是先建立驗(yàn)證性因子模型，不斷修正（刪減路徑或改變路徑相連方式）、保證指標(biāo)與潛變量之間的從屬關(guān)系成立后，再建立結(jié)構(gòu)方程，不斷修正，漸漸修改為相對(duì)理想的模 型。在沒(méi)有任何理論依據(jù)或經(jīng)驗(yàn)的前提下，我們要考慮任意兩個(gè)外生潛變量之間、任意兩個(gè) 內(nèi)生潛變量之間的相關(guān)關(guān)系（路徑為雙向），然后根據(jù)模型的參數(shù)估計(jì)結(jié)果進(jìn)行相應(yīng)的路徑增 減。由圖1,注意到本文擬采用的模型中，兩個(gè)內(nèi)生潛變量1和2均分別只用一個(gè)指標(biāo)丫和丫2衡量，相當(dāng)于潛變量就是指標(biāo)。原則上，結(jié)構(gòu)方程模型并不允許這樣的情況出現(xiàn)，因?yàn)閱沃?標(biāo)潛變量的存在

33、會(huì)使得模型無(wú)法識(shí)別。倘若這種情況真的出現(xiàn)了，需在參數(shù)估計(jì)時(shí)固定負(fù)荷 或方差等（詳見(jiàn)附錄四的程序）o本文模型的設(shè)定形式不得不包含單指標(biāo)的潛變量，主要是由 于我們基于第二方設(shè)計(jì)的問(wèn)卷進(jìn)行相關(guān)問(wèn)題的分析，使得問(wèn)卷內(nèi)容設(shè)計(jì)和模型形式設(shè)定脫 節(jié)，從而導(dǎo)致有些潛變量找不到一定數(shù)量的、合適的指標(biāo)來(lái)測(cè)量。對(duì)照?qǐng)D1,模型的形式設(shè)定為：|4.4 模型的識(shí)別常用t法則判斷模型是否可識(shí)別：在結(jié)構(gòu)方程模型 4.14.2中，共有m n個(gè)可觀測(cè)變量，記t為模型中自由估計(jì)的參數(shù)個(gè)數(shù)，則模型可識(shí)別的一個(gè)必要條件是： t （m n）（m n 1）/ 2該模型中共含有35個(gè)參數(shù)，包括11個(gè)負(fù)荷、3個(gè)潛變量之間的相關(guān)系數(shù)、11個(gè)觀測(cè)

34、變量 的誤差方差、結(jié)構(gòu)模型的8個(gè)未知參數(shù)、2個(gè)內(nèi)生潛變量的誤差方差。由于 35 13 14/2 91,故該模型可識(shí)別。4.5 模型的參數(shù)估計(jì)以及參數(shù)的顯著性檢驗(yàn)1、模型的參數(shù)估計(jì)利用結(jié)構(gòu)方程模型軟件AMOS7.0寸模型的未知參數(shù)進(jìn)行估計(jì)，源程序、輸出結(jié)果分別見(jiàn) 附錄四和附錄五。結(jié)構(gòu)方程模型參數(shù)估計(jì)的基本思想是：求參數(shù)使得模型隱含的協(xié)方差矩陣與樣本協(xié)方差 矩陣“差距”最小。對(duì)這個(gè)矩陣之間“差距”的不同定義方法，產(chǎn)生了不同的模型擬合方法 及相應(yīng)的參數(shù)估計(jì)。最常用的結(jié)構(gòu)方程模型參數(shù)估計(jì)方法是極大似然函數(shù)法（MD , |雖然此法需要假定觀測(cè)指標(biāo)的分布為正態(tài)或近似正態(tài)分布，但很多研究表明，即使指標(biāo)的分布

35、不為正 態(tài)分布，ML方法也能得到合適的估計(jì)，尤其在大樣本條件下。也即，ML估計(jì)是穩(wěn)健的。2、模型參數(shù)的顯著性檢驗(yàn)AMOS7.0勺輸出結(jié)果給出了未標(biāo)準(zhǔn)化情況下，各因子負(fù)荷的估計(jì)以及與各負(fù)荷相應(yīng)的標(biāo)準(zhǔn)差估計(jì)值和t檢驗(yàn)統(tǒng)計(jì)量值。一般可簡(jiǎn)單地取t值大于2為顯著，即此時(shí)認(rèn)為相應(yīng)的負(fù)荷顯著不為0。若有某幾個(gè)因子負(fù)荷不顯著，每次取消一個(gè)路徑，重新運(yùn)行程序后，再進(jìn)行負(fù)荷的 顯著性檢驗(yàn)，重復(fù)此過(guò)程，直到各個(gè)負(fù)荷均顯著為止。AMOS7.0勺輸出結(jié)果也給出了標(biāo)準(zhǔn)化情況下參數(shù)的估計(jì)結(jié)果。標(biāo)準(zhǔn)化情況下，參數(shù)估計(jì)結(jié) 果不受各指標(biāo)或因子量綱的影響，便于對(duì)變量之間的相互關(guān)系進(jìn)行分析。本文的模型采用標(biāo)準(zhǔn)化情況下的參數(shù)估計(jì)結(jié)果，

36、并且分兩步確立：第一步建立驗(yàn)證性因 子模型，確定潛變量的結(jié)構(gòu)；第二步按照?qǐng)D 1的模型（即加入結(jié)構(gòu)方程），運(yùn)行程序，刪除不 顯著的路徑后再次運(yùn)行程序，共經(jīng)歷兩次路徑刪除后，估計(jì)結(jié)果顯示所有的因子負(fù)荷在置信 水平 90%下，均已顯著。從而得到本文估計(jì)模型的具體形式:0.404000.712000.7680011202+M03M0110.9000.4270.2341122Xi0.810004.3X20.653001 M 00.519M00.679x1100.63400000010010.1230.1620.145120.254020.1910023y10.99702 y200.886此外，輸出結(jié)果（

37、見(jiàn)附錄五）中沒(méi)有包含違背常理的參數(shù)估計(jì)值，比如說(shuō)沒(méi)有出現(xiàn)方差小于0、相關(guān)系數(shù)大于1等情況，說(shuō)明用該模型擬合原始數(shù)據(jù)是合適的。4.6 模型的整體擬合評(píng)價(jià)根據(jù)結(jié)構(gòu)方程模型中評(píng)價(jià)模型擬合優(yōu)劣的相關(guān)理論，通常采用以下幾種指標(biāo)來(lái)評(píng)價(jià)模型的擬合效果：相對(duì)擬合指數(shù)（CFI）：取值于0 1之間，越接近于1,模型整體擬合越好；近似均方根誤差指數(shù)（RMSEA：其值越小越好。一般認(rèn)為，RMSE癡于0.1表示好的擬合, 低于0.05表示非常好的擬合。調(diào)整后的擬合優(yōu)度指數(shù)（AGFI）:取值于01之間，越接近1,模型整體擬合越好。本文模型的擬合優(yōu)劣指標(biāo)匯總?cè)缦拢罕?模型的擬合指數(shù)指標(biāo)CFIRMSEAAGFI取值0.730.130.76結(jié)合各個(gè)擬合指數(shù)的判斷標(biāo)準(zhǔn)，由表1知，模型整體擬合效果一般。前述4.3節(jié)的注意（4） 已分析過(guò)原因。4.7 模型參數(shù)估計(jì)結(jié)果的解釋每一個(gè)觀測(cè)指標(biāo)對(duì)其從屬的潛變量的標(biāo)準(zhǔn)化參數(shù)估計(jì)值（即負(fù)荷），有效地反映了該指標(biāo)與相應(yīng)潛變量之間的相關(guān)程度，同時(shí)也反映了潛變量對(duì)相應(yīng)觀測(cè)指標(biāo)的解釋能力。這可以由 下圖中各路徑的參數(shù)清晰地表征出來(lái)：對(duì)比圖1和圖2,顯然，在參數(shù)估計(jì)