結構方程模型在心理學研究中的應用綜述

劉旭

【摘要】近年來，結構方程模型作為統計分析的一般框架被廣泛地應用于社會科學的數據分析。隨著它的發展，結構方程模型開始運用于在教育學、心理學等研究領域，并逐漸受到研究者的重視。本文旨在對結構方程模型及其分析模型做出簡要概述。

【關鍵詞】結構方程模型 分析模型 心理學

【中圖分類號】G642.3 【文獻標識碼】A 【文章編號】2095-3089（2018）15-0016-03

社會科學的發展離不開研究方法的發展，傳統的研究方法諸如因素分析、回歸分析和經典測量理論等已經滿足不了現代學科的專業發展。所以新一代的統計分析方法便應運而生，其中最突出的發展就是結構方程的發展和應用。在眾多的研究領域中，結構方程彌補了傳統統計方法的不足，它可以處理多個原因和結果的關系，也可以測量不可以直接觀測的變量。正因為結構方程的這些優點，結構方程分析便迅速發展起來，并成為多元數據分析的重要工具。

一、結構方程模型概述

結構方程模型（Structural Equation Models， SEM）作為一門基于統計分析技術的研究方法，它能夠用來處理復雜的多變量研究數據的探究和分析，而且SEM能同時進行潛在變量的估計與復雜自變量、因變量預測模型的參數估計。

完整的結構方程模型包含測量模型和結構模型兩部分。測量模型描述潛變量與實際測量變量之間的關系，而結構模型則描述潛變量之間的關系。所以完整的SEM模型的參數圖如圖1。

其中，λ表示觀察變量與潛變量的關系；γ表示外源變量與內生潛變量的關系；β表示內生潛在變量的關系；δ表示外源變流量被潛變量解釋不完全的測量殘差；ε表示內生變量被潛變量解釋不完全的測量殘差；ζ表示內生潛變量無法被完全解釋的估計殘差。完整的圖中左側為外源變量的關系，右側則是內生變量的關系。由γ和β參數所構成的就是結構模型。而且圖1中涉及的各種變量與參數的關系，最終都可以用一般線性方程進行描述。方程表達式為：

x=Λxξ+δ

y=Λyη+ε

η=Вη+Γξ+ζ

著三個方程式代表著一般的方程式，對于特定變量與特定參數的關系則無法反映出來。但是特定的關系也可以用方程式來變現，如圖1中的結構模式就可以用下面兩個方程式來說明。

η1=β12η2+ζ1 η2=γ21ξ1+γ22ξ2+ζ2

以上的簡要概述中不難發現，如果一個結構方程模型中沒有潛變量的假設，只有測量變量，那么它與傳統的路徑分析模型是沒有差別的。所以總體來說，結構方程模型除了可以同時處理多組的回歸方程式的估計，更重要的是使得變量關系的處理更具彈性。

總之，結構方程模式遵循多變量分析的一般線性模式進行驗證型分析，可以把方差分析、回歸分析、路徑分析、因子分析等傳統統計方法包含在結構方程模式的模式中，并且調查研究和實驗分析研究都可以使用，因此適用性更加廣泛。

二、結構方程模型的應用及分析過程

1.結構方程模型的應用

結構方程模式雖然較傳統統計方法優勢明顯，但仍然是有局限性的，它在心理學研究中是有條件的。

第一，不同的理論假設，如果是相同的變量，則可以構建出多個模型。但是變量越多則組合而成的模型也越多。這樣會給模型擬合性檢驗帶來難度。所以運用結構方程模型要更加注重理論探討，要以確切的理論或者合理的邏輯推理為基礎。

第二，在心理學研究中，如果沒有特殊設計僅使用數據來探討潛變量之間因果關系，包括結構方程模型在內的任何統計方法，都不能證明變量間是否存在因果關系。所以要想用結構方程模型變量之間的因果關系，就需要通過控制設計縱貫性的結構方程模式來幫助確定因果關系。

第三，在結構方程中引入潛變量本來是結構方程模型的優點，可以解決過去運用單變量測量的不足，然而這種測量是否真正反映了潛在變量或者說指標是否能夠真正表示潛變量，是一個值得重視的問題。

第四，結構方程模式分析中要求變量之間是線性關系，但在很多情況下這種要求難以保證，而且即使變量之間確定是線性關系，研究者也不可能把所有變量和變量間的關系納入理論建構之中，所以數據的擬合在于它對理論建構的支持，但不能證明理論建構的正確性。

2.結構方程模型分析過程

結構方程模型的分析過程一般包括以下幾個步驟：

（1）模型建構

模型建構包括指定：① 觀測變量與潛變量的關系；② 各潛變量之間的相互關系；③ 在復雜的模型中，可以限制因子負荷或因子相關系數等參數的數值或關系。

（2）模型識別

識別所指定的模型是建立SEM模型的重要階段。模型識別重點關注就是能否從觀察數據得到唯一估計值。模型中如果有一個非識別參數，模型就是非識別模型，模型便無法估計。為了使得模型能夠識別，通常需要檢查兩個必要條件：一是自由度不能為負數；二是模型中的每一個潛變量都必須設立一個測量尺度

（3）模型擬合

有了新模型之后，就要求出模型的解，其中主要的就是模型參數的估計，這個過程就是模型擬合。擬合指數達到標準則模型擬合良好。

（4）模型評價

結構方程模型中如果每一個參數順利估計后就可以進行整體模型的評估。模型的評估就是通過不同的統計程序或擬合指數的計算來分析假設模型與實際觀察數據的擬合情況。如果模型的擬合度不理想，則代表提出的假設模型存在問題，這時候就需要調整假設模型的參數估計內容重新加以擬合，直到模型擬合度達到理想水平。

三、結構方程模型在心理學研究的應用

結構方程模型（SEM）作為統計方法中的一個大發展，被研究者們使用的越來越廣泛，下面就簡單介紹一下結構方程模型中常見的模型。

1.驗證性因素分析

（1）驗證性因素的基本概念

驗證性因素分析（Confirmatory Factor Analysis，CFA）是用于檢驗假設或理論所定義的因子結構能夠能擬合相應的數據。簡單來說就是檢驗測量變量與潛變量的假設關系，這是結構方程模型中最基礎的測量部分。如果假設的CFA模型與數據擬合則認為理論上的因子結構是有效的。

（2）驗證性因素分析實例

在一個結構方程模型中，如果僅涉及測量模型的檢驗就是驗證性因素分析。我們以主觀幸福感的測量為例，進行驗證性因素分析的操作。主觀幸福感的測量量表包含四個維度，其中每一個維度包含3個題目，共12題。測量模型的假設模型如圖2。

驗證性因素分析就是驗證假設模型的擬合度，利用相關軟件進行分析之后，路徑系數用來衡量變量之間的影響程度或是效應大小。所得的擬合指數諸如

GFI值、RMSEA值，NFI值等符合所要求的適配標準，則該模型擬合好，題目質量良好。如果擬合指數不符合則修改模型并重新進行分析。

2. 路徑分析

（1） 路徑分析的基本概念

路徑分析是一種分析因果模型的技術。它的主要特色就是可以利用測量變量間的共變情形，同時估計模型中的所有參數，并配合提出的特定假設模型，檢驗理論模型與觀察數據的擬合性，找出最佳的模型。

（2）路徑分析實例

有研究者曾指出路徑分析就是一連串中介效應的組合形成的復雜模型。舉例說明，影響主觀幸福感的因素有很多，我們將依戀風格作為影響因素X，主觀幸福感為因變量Y。在X對Y的關系中至少還存在著一個中介變量M（孤獨感），形成X M Y的中介效應。即自變量X在影響了中介變量M后進而影響到了因變量Y。見圖3。

3.統合模型分析

（1） 統合分析模型的基本概念

統合模型分析是指同時具有測量模型和結構模型的結構方程模型分析，簡單的說統合模型分析可以認為是驗證性因素分析和路徑分析的綜合，它內外兼顧，整合了二者的核心概念。

（2）統合模型分析實例

通常一個統合模型分析包含有多個潛變量，這些潛變量不僅可以作為外源與內生變量，還可以作為中介變量。路徑分析的舉例說明中我們提出了因變量X通過影響中介變量M影響自變量Y。也就是說孤獨感的高低會主觀幸福感水平，但是孤獨感的高低會受到依戀風格的影響。因此可以得到如圖4的概念圖。

假設模型之后需要進行模型界定，參數估計與分析。分析后若各項擬合指數均達到適配標準則模型良好，若有一項不符合，則模型仍需修正。

四、結論

結構方程模型已經成為一個最為重要的分析工具，它的發展體現了統計方法的進步。這種數據分析的新方法，可以幫助深入的研究心理學現象。但是不能盲目的使用，應該在全面掌握了結構方程模型的基本原理、適用條件后去運用這種方法，才能把這種方法的優勢真正的發揮出來。本文簡單介紹了結構方程模型及其三個分析模型，希望在今后的研究中能夠學會并運用更多的分析模型來進行數據處理，更加精確的掌握這個全面的分析方法。

參考文獻：

[1]侯杰泰，溫忠麟，成子娟.結構方程模型及其應用[M].北京：教育科學出版社，2004，07.

[2]王濟川，王小倩，姜寶法.結構方程模型：方法與應用[M].北京：高等教育出版社，2011，05.

[3]邱皓政，林碧芳.結構方程模型的原理與應用[M].北京：中國輕工業出版社，2009.02.

[4]溫忠麟，劉紅云，侯杰泰.調節效應和中介效應分析[M].北京：教育科學出版社，2012.01.

[5]方杰，溫忠麟，張敏強等.基于結構方程模型的多重中介效應分析[]J.心理科學，2014，37（3）：735—741.

[6]方平，熊端琴，蔡紅.結構方程模型在心理學研究中的應用[J].心理科學，2001，24（04）.

[7]柳恒超，許燕，王力.結構方程模型應用中模型選擇的原理與方法[J].心理學27（01）.

[8]龍力榮.結構方程模型；心理學方法變革的邏輯[J].2001，23（05）.

[9]李順勇，岳利梅.基于成分數據的多元結構方程模型[J].河南理工大學學報（Z自然科學版，2017.03.

[10]鄭海珠.英語學習成績影響因素的結構方程模型研究[J].校園英語（上旬），2017.09.

[11]溫學兵，劉洋.結構方程模型在科技期刊量化指標研究中的應用[J].沈陽師范大學學報（自然科學版），2017.03.