结构方程模型（SEM）的分析流程

结构方程模型（SEM）是一门很“硬”的统计学，在应用SEM方法时，需严格地遵守统计的假设，例如多元正态、同质性、样本独立等（往期文章：统计分析三大基本假设（正态性、同质性与独立性）），否则分析结果无法就达到你想要的分析要求。

之所以说结构方程模型（SEM）“硬”，是因为它必须遵循一定的步骤来完成分析报告，所以对初学者来说，只要能够按照标准分析的流程，就可以快速进入结构方程模型研究领域。

SEM分析流程图

数据来源：修改自Diamantopoulos & Siguaw,2000;Kline,2011

01

模型设定

模型设定(model specification)是SEM分析最重要的步骤，这是因为后续的每一个步骤都是在假设模型设定是正确的情形下进行的。

一般建议,研究者在模型设定时，要有合理的理论依据及具体的理由（文献支持）。因此，模型设定包含了研究模型中所有变量的相关理论以及过去研究的精华，是文献回顾后的结果。

02

模型识别

模型识别(modelidentification)简单讲就是理论模型是否可以分析，有些人称为模型正定，亦即设定的模型在理论上是否提供足够的信息可求出数学上的最优解。没有结果产生即为模型非正定。

模型识别是自由度(df)与估计参数(p)的函数。如果模型无法识别，不论研究的样本数为 100、500 还是 1000 都是无法识别的。这种情况下，应该回到SEM 分析的第一个步骤重新开始，否则最后仍会徒劳无功。

03

决定测量工具、搜集数据

此阶段要详细向读者呈现出分析数据是如何产生的，包含问卷的设计、数据搜集过程、样本数或二手数据的来源等。

问卷的设计要交代是引用自过去某些学者的问卷还是自己设计的问卷，如果是自己设计的问卷，应该阐述问卷的设计过程。数据收集过程包括收集的时间及收集的方法，同时还要阐述采用了何种抽样方式进行数据收集。

样本数的确定同样很重要，一般来说，样本数可能是用经验法则或是利用数学公式计算的结果。财务、会计及医学等研究领域经常应用次级数据，如果是这种情况，应报告数据从哪一个数据库取得，样本是依照何种条件筛选而得，以及收集数据的起止时间。

04

模型估计

模型估计（model estimation）包括模型估计方法、模型拟合度、数据及单变量正态检验及极端值检验等。

结构方程模型（SEM）模型估计主要是求取样本协方差矩阵与模型期望协方差矩阵差异的最小值的函数。目前Amos提供下列五种估计方法，其中最大似然法是最常用的估计方法：

最大似然法（maximum likelihood estimation,MLE）

未加权最小平方法（unweighted least squares,ULS）

最小平方法（generalized least squares,GLS）

自由尺度最小平方法（scale free least squares,SLS）

渐近式自由分布估计法（asymptotically distribution-free estimation,ADF）

05

模型检验

在使用Amos进行模型检验（model test）过程中，有两个方面要注意：

（1）Amos的错误信息

估计参数无法正定，即无法执行、无法获得估计值。

Amos程序估计无法收敛

负的误差方差

协方差矩阵非正定

（2）模型拟合度

拟合度指标(model fit)指的是研究者的假设模型与收集的数据之间的拟合程度，如果拟合度不佳，研究者要重新对模型进行修正，但修正的过程要有理论上的依据或实务上具体的证明。

在 SEM 中有两个方法来检查模型拟合的情况，一是整体模型的拟合度指标，另一种是检验模型中单独参数的拟合度。

06

模型修正

当我们分析验证式因素分析或结构方程模型时，并不是每个模型都能符合研究的预期。有时你需要重新改善模型拟合度不佳的情形，这个模型修正(mode modification)的过程，就称之为模型设定搜索(model specification search)(Leamer,1978)。

模型修正时，可以依照理论或SEM软件产生的参考指标，对拟合不良的模型或不必要的估计参数加以修正。修正指标(modification index,MI)及标准化残差协方差矩阵是最适合的判定标准。

07

报告结果

最后一个步骤是正确且完整地描述整个分析的结果，Thompson(2000)提出了 SEM 论文研究报告的 10 个准则：

(1) 不要只得出研究模型是唯一拟合于数据的结论，因为仍然会有其他的等价模型或更精简的模型在拟合度上优于研究模型；

(2) 样本足够大(>300)的情形下，应将数据分成两组样本，重新检验研究模型，即比较交叉效度;

(3) 考虑其他的竞争模型；

(4) 使用两阶段检验法，先检验测量模型，再检验结构模型；

(5) 评估模型需有理论依据及统计拟合指标配合；

(6) 报告多个统计拟合指标；

(7) 报告数据是否符合多元正态检验；

(8) 寻找更精简的模型；

(9) 考虑模型中测量变量的尺度(须为连续尺度)，以及变量的分布(是否为正态或有极端值)；

(10) 不使用小样本（低于100个样本）做SEM分析

08

重制结果（交叉效度）

Anderson和Gerbing(1988)认为很少会有研究者的假设模型一开始分析就能得到适当的模型拟合度，因此在模型估计的过程中，通常会根据调查数据对原研究模型加以修正。如删除某些信度较低的题目或对原本模型的关系加以修正(增加或减少)，使得原来的模型与最终的模型不完全相同，Joreskog(1993)称这种过程为模型生成(model generating,MG),而这也是大部分 SEM 的研究者在使用的方法。

由于模型生成的过程牵连到数据驱动的问题，因此人们对SEM 的分析结果就产生怀疑：研究者的结果会不会只跟所用的这一份数据一致而已。MacCallum(1986)认为，利用模型修正的主要目的是要确保研究模型与数据的一致性。

然而，却不能保证模型修正后的结果会与总体一致。因此，研究者在解读研究结果时要特别小心，并以交叉效度评估来确定模型的稳定性(Cudeck &Browne,1983;Anderson&Gerbing1988;Diamantopoulos，1994)。

若研究删题之后，已经从严谨的验证式分析(strictly confirmatory,SC)修正为模型生成，则研究删题之后，必须应用交叉效度评估来确定模型的稳定性。如果模型经过交叉效度的验证，SEM的最后一个分析步骤就大功生成。

教育学模型：计划行为理论（TPB） │ 技术接受模型（TAM） │ 整合技术接受模型（UTAUT） │ 期望确认理论（ECT） │ 创新扩散理论（DI） │ 理性行为理论（TRA） │ 享乐动机系统接受模型（HMSAM） │ 印象管理理论（TIM）│ 服务质量 │ 任务科技配适（TTF）丨保护动机理论（PMT）丨过程虚拟化理论（PVT）丨信息系统成功（D&M-IS success）

社会学模型：计划行为理论（TPB） │ 技术接受模型（TAM） │ 整合技术接受模型（UTAUT） │ 期望确认理论（ECT） │ 创新扩散理论（DI） │ 理性行为理论（TRA） │ 享乐动机系统接受模型（HMSAM） │ 印象管理理论（TIM）│ 服务质量 │ 任务科技配适（TTF）丨过程虚拟化理论（PVT）丨信息系统成功（D&M-IS success）

管理学模型：计划行为理论（TPB） │ 技术接受模型（TAM） │ 整合技术接受模型（UTAUT） │ 期望确认理论（ECT） │ 创新扩散理论（DI） │ 理性行为理论（TRA） │ 享乐动机系统接受模型（HMSAM） │ 印象管理理论（TIM）│ 服务质量 │ 任务科技配适（TTF）丨保护动机理论（PMT）丨多动机信息系统连续模型（MISC）丨过程虚拟化理论（PVT）丨信息系统成功（D&M-IS success）

量表推荐：社交焦虑 │ 健康调查 │ 新环境关心NEP │ AIO（活动、兴趣、意见） │ 总体幸福感 │ 科技准备度 │ 抑郁、焦虑和压力 │ 状态焦虑 │ 抑郁 │ 社交回避及苦恼 │ 自我效能 │ 领导行为描述 │ 多因素领导 │ 变革型领导 │ 交易型领导 │ 心理幸福感 │ 主观幸福感 │ 服务质量 │ 学习动机 │ 学习风格 │ 组织公民行为 │ 成就目标 │ 工作投入 │ 社会资本│ 印象管理 │ 心理技能 │ 学校归属感 │ 艺术自我感知 │ 旅游体验 │ 心理授权│ 生活满意度│ 品牌形象│ 课程体验│ 离职倾向│ 付出-回报（回馈）│ 沉默行为 │ 工作不安全感 │ 组织文化 │ 组织目标模糊 │ 内隐追随│ 组织公平 │自我控制 │无法忍受不确定性 │焦虑自评│抑郁自评│宾州担忧 丨创伤后成长丨组织文化认同丨感知学校气氛丨心理素质丨工作繁荣丨一般拖延 丨事件影响丨父母低头行为丨偶像崇拜 丨教学质量评价 丨积极情感/消极情感量表 丨心理弹性量表 丨简式自我控制量表 丨冲动性量表 丨自我关怀量表 丨 自我关怀量表简版 丨整体品牌资产量表 丨品牌认同量表 丨品牌依恋量表 丨品牌价值量表 丨员工建言行为量表 丨自我感受负担量表 丨创新绩效量表丨创意自我效能量表丨学习适应量表