SEM原理、應用及操作.ppt

SEM原理 應用及操作 尹衛(wèi)兵同濟大學經(jīng)濟與管理學院 主要內(nèi)容 PARTA SEM原理PARTB SEM應用PARTC SEM上機操作 SEM的定義 PARTA 結(jié)構(gòu)方程模型 StructuralEquationModeling StructuralEquationModel StructureEquationModeling 簡稱SEM 是基于變量的協(xié)方差矩陣來分析變量之間關(guān)系的一種綜合性的統(tǒng)計方法 因此又稱為協(xié)方差結(jié)構(gòu)分析 SEM的優(yōu)點 PARTA 同時處理多個因變量 容許自變量和因變量含有誤差 精確估計觀察變量與潛在變量之間的關(guān)系 同時估計因子結(jié)構(gòu)和因子關(guān)系 可以估計整個模型和數(shù)據(jù)的擬合程度 相關(guān)概念 PARTA 潛變量 latentvariable 不能被直接測量的變量 內(nèi)生潛變量 受其它潛變量影響的潛變量 也稱為因變量 內(nèi)顯潛變量 內(nèi)生因子 EndogenousFactors 等 外生潛變量 由系統(tǒng)外其他因素決定的潛變量 也稱為自變量 外顯潛變量 外生因子 ExogenousFactors 等 指標 observableindicators 間接測量潛變量的指標 也稱為觀測變量 內(nèi)生指標 間接測量內(nèi)生潛變量的指標 外生指標 間接測量外生潛變量的指標 相關(guān)概念 續(xù)1 PARTA 中介變量 Mediator 考慮自變量X對因變量Y的影響 如果X通過影響變量M來影響Y 則稱M為中介變量 中介效應 MediatorEffects MediatingEffect 調(diào)節(jié)變量 Moderator 如果變量Y與變量X的關(guān)系是變量M的函數(shù) 稱M為調(diào)節(jié)變量 調(diào)節(jié)效應 ModeratorEffects ModeratingEffect 相關(guān)概念 續(xù)2 PARTA 控制變量 ControlVariable ControlVariables ControlledVariable 是指那些除了實驗因素 自變量 以外的所有影響實驗結(jié)果的變量 這些變量不是本實驗所要研究的變量 所以又稱無關(guān)變量 無關(guān)因子 非實驗因素或非實驗因子 題項 Items 具體操作問題 結(jié)構(gòu)方程模型的結(jié)構(gòu) PARTA 測量模型 測量指標與潛變量之間的關(guān)系x x y y 其中 外生潛變量 xi 內(nèi)生潛變量 eta x 外生指標 x的誤差項 delta y 內(nèi)生指標 y的誤差項 epsilon x 外生指標與外生潛變量的關(guān)系 lambda y 內(nèi)生指標與內(nèi)生潛變量的關(guān)系 結(jié)構(gòu)方程模型的結(jié)構(gòu) 續(xù) PARTA 結(jié)構(gòu)模型對于潛變量間的關(guān)系 可用結(jié)構(gòu)方程表示 B 內(nèi)生潛變量 eta 外生潛變量 xi B 內(nèi)生潛變量間的關(guān)系 bta 外生潛變量對內(nèi)生潛變量的影響 gamma 結(jié)構(gòu)方程的殘差項 zeta SEM的八個矩陣 PARTA SEM主要參數(shù) PARTA 結(jié)構(gòu)方程模型的路徑系數(shù)圖 PARTA 在SEM中用直觀的圖形表達各變量之間的關(guān)系 這種圖形稱為路徑系數(shù)圖 SEM路徑系數(shù)圖圖形規(guī)則 PARTA 橢圓形表示潛變量綠色橢圓形代表外生潛變量 黃色橢圓形代表內(nèi)生潛變量 長方形代表觀測指標灰色長方形代表外生觀測指標 亮藍色長方形代表內(nèi)生觀測指標 長方形代表觀測指標 SEM路徑系數(shù)圖圖形規(guī)則 續(xù) PARTA 單向箭頭表示單向影響或效應潛變量之間 潛變量與觀測指標之間 單向箭頭且無起始圖形表示測量誤差或未被解釋部分潛變量 觀測指標 雙向弧形箭頭表示相關(guān)關(guān)系潛變量之間 觀測指標之間 SEM擬合指標 PARTA 2與 2 df 2值越小 說明實際矩陣和輸入矩陣的差異越小 說明假設(shè)模型和樣本數(shù)據(jù)之間擬合程度越好 擬合優(yōu)度指數(shù) GoodnessofFitIndex GFI 和調(diào)整擬合優(yōu)度指數(shù) AdjustedGoodnessofFit AGFI 反映了假設(shè)模型能夠解釋的協(xié)方差的比例 擬合優(yōu)度指數(shù)越大 說明自變量對因變量的解釋程度越高 自變量引起的變動占總變動的百分比越高 殘差均方根 RootMeansquareResidual RMR 和近似誤差均方根 RootMeanSquareErrorofApproximation RMSEA 殘差均方根和近似誤差均方根是測量輸入矩陣和估計矩陣之間殘差均值的平方根 數(shù)值越小則說明模型擬合程度越佳 規(guī)范擬合指數(shù) NormedFitIndex NFI 和增量擬合指數(shù) IncrementalFitIndex IFI 規(guī)范擬合指數(shù)是測量獨立模型與假設(shè)模型之間卡方值的縮小比例 但其與卡方指數(shù)一樣 容易收到樣本容量的影響 為彌補其缺點 學者建議采用增量擬合指數(shù)來衡量模型優(yōu)度 比較擬合指數(shù) ComparativeFitIndex CFI 比較擬合指數(shù)反映了獨立模型與假設(shè)模型之間的差異程度 數(shù)值越接近1 則假設(shè)模型越好 SEM擬合指標范例 PARTA DegreesofFreedom 59MinimumFitFunctionChi Square 184 35 P 0 00 IndependenceAIC 2016 04RootMeanSquareErrorofApproximation RMSEA 0 08ModelAIC 278 15SaturatedAIC 306 00IndependenceCAIC 2098 63ModelCAIC 491 90SaturatedCAIC 1049 26NormedFitIndex NFI 0 90Non NormedFitIndex NNFI 0 94ParsimonyNormedFitIndex PNFI 0 72ComparativeFitIndex CFI 0 95IncrementalFitIndex IFI 0 95RelativeFitIndex RFI 0 88CriticalN CN 263 34RootMeanSquareResidual RMR 0 054StandardizedRMR 0 054GoodnessofFitIndex GFI 0 94AdjustedGoodnessofFitIndex AGFI 0 92ParsimonyGoodnessofFitIndex PGFI 0 67 SEM擬合指標建議值 PARTA SEM步驟 PARTA 概念模型設(shè)定研究假設(shè)變量的測量數(shù)據(jù)初步處理 描述性統(tǒng)計指標 信度和效度檢驗 系數(shù) EFA和CFA 模型估計模型評價模型修正假設(shè)檢驗 典型步驟范例 SEM工具 PARTA LISREL語法見長必須使用PRELIS計算出CORorCOV矩陣作為輸入也可以畫圖AMOS圖形見長可以直接以原始數(shù)據(jù)作出輸入適合于初學者MplusorEQS LISREL文件類型 PARTA ls8 LISREL語法文件 用以執(zhí)行ISREL分析 spl SIMPLIS語法文件 用以執(zhí)行SIMPLIS分析 pth LISREL路徑文件 用以存放LISREL執(zhí)行完畢后的路徑圖型 pr2 PRELIS語法文件 用以執(zhí)行PRELIS分析 out LISREL結(jié)果文件 用以存放LISREL執(zhí)行完畢的報表 dat 原始數(shù)據(jù)文件 用以存放待分析的原始數(shù)據(jù) cor 相關(guān)矩陣檔 用以存放待分析的相關(guān)矩陣數(shù)據(jù) cov 共變矩陣檔 用以存放待分析的共變矩陣數(shù)據(jù) lab 卷標文件 用以存放各變項的卷標數(shù)據(jù) wmf LISREL路徑文件經(jīng)轉(zhuǎn)換后的圖形文件 可以復制到WORD軟件中使用 其他說明 PARTA 數(shù)據(jù)樣本容量 樣本數(shù)在100以下不宜 樣本量與題項數(shù)比例至少要在5 1以上 理想的樣本量與題項數(shù)比例為10 25倍 對于標準化路徑系數(shù)而言 其絕對值大于0 5以上算是大效果 0 3為中效果 小于0 1為小效果 主要內(nèi)容 PARTA SEM原理PARTB SEM應用PARTC SEM上機操作 PARTB SEM應用 PARTB 理論模型構(gòu)建文獻綜述模型構(gòu)建變量確定研究假設(shè)研究設(shè)計變量的測量問卷設(shè)計數(shù)據(jù)收集研究方法和研究工具 數(shù)據(jù)分析描述性統(tǒng)計信度分析EFACFASEM假設(shè)檢驗潛變量假設(shè)檢驗中介變量假設(shè)檢驗調(diào)節(jié)變量假設(shè)檢驗結(jié)論與討論 理論模型構(gòu)建 PARTB 文獻綜述別人做了什么我打算做什么 示例 如何找文獻關(guān)鍵字 中文文獻中文文獻 英文文獻英文文獻 英文文獻工具 scholargoogle ABI EBSCOhost圖書館數(shù)據(jù)應用 示例 如何保存文獻打分 示例 歸檔 示例 本文研究概念模型 PARTB 概念模型拓展 PARTB 企業(yè)資源維度變量的確定 企業(yè)聲譽 CompanyReputation 產(chǎn)品聲譽 ProductReputation 員工技能 EmployeeKnow how 企業(yè)文化 Culture 組織網(wǎng)絡 OrganizationalNetworks 開放性組織結(jié)構(gòu) OrganizationStructure Hall 1993 PARTB 速度營銷動態(tài)能力維度變量的確定 PARTB 競爭優(yōu)勢維度與企業(yè)績效維度變量的確定 競爭優(yōu)勢有效性速度企業(yè)績效市場績效財務績效 PARTB 調(diào)節(jié)變量 控制變量和中介變量 調(diào)節(jié)變量 市場環(huán)境和技術(shù)環(huán)境中介變量 速度營銷競爭優(yōu)勢控制變量 企業(yè)類型 企業(yè)司齡 企業(yè)規(guī)模 所在部門 擔任職務 PARTB 概念全模型 研究假設(shè) 示例 PARTB 變量的測量 PARTB 原則盡量借鑒現(xiàn)有文獻 信度 內(nèi)容效度 盡量全面符合理論依據(jù)示例 5 1 1企業(yè)聲譽的測量 與確定變量的區(qū)別突出操作性定義 如速度在不同背景下的含義 突出測量性指標確定變量時 體現(xiàn)為變量與變量之間的關(guān)系 問卷設(shè)計 PARTB 數(shù)據(jù)收集 PARTB 回收率樣本的回收率有效回收率樣本描述分布情況合理性代表性 主要內(nèi)容 PARTA SEM原理PARTB SEM應用PARTC SEM上機操作 數(shù)據(jù)分析 PARTC 描述性統(tǒng)計均值MIN和MAX標準差單個測量指標分布信度檢驗信度 Reliability 又可稱為可靠性 是指測驗的可信程度 信度好的指標在同樣或類似的條件下重復操作 可以得到一致或穩(wěn)定的結(jié)果 它主要表現(xiàn)測驗結(jié)果的一致性 一貫性 再現(xiàn)性和穩(wěn)定性指標 alpha值在0 60以上工具 SPSS16 0 數(shù)據(jù)分析 效度檢驗 PARTC 內(nèi)涵內(nèi)容效度 內(nèi)容效度指測試或量表內(nèi)容或題項的適當性與代表性 構(gòu)建效度 建構(gòu)效度是指測量結(jié)果體現(xiàn)出來的某種結(jié)構(gòu)與測值之間的對應程度 一般分為聚合效度 ConvergentValidity 和區(qū)分效度 DiscriminantValidity 聚合效度 當測量同一構(gòu)念的多重指標彼此間聚合或有關(guān)連時 表明聚合效度存在區(qū)分效度 區(qū)分效度是指當一個構(gòu)念的多重指標相聚合或呼應時 則這個構(gòu)念的多重指標也應與其相對立之構(gòu)念的測量指標有負向相關(guān) 若相關(guān)程度越低 則區(qū)分效度越好 研究方法因子分析 EFAandCFA 平均提取方差 AverageVarianceExtracted AVE 示例 效度檢驗 因子分析步驟 PARTC 步驟1 Bartlett球度檢驗和KMO步驟2 探索性因子分析 EFA 步驟3 驗證性因子分析 CFA 步驟1 Bartlett球度檢驗和KMO PARTC 目的 是否適合進行因子分析 Bartlett球度檢驗從檢驗整個相關(guān)矩陣出發(fā) 其零假設(shè)為相關(guān)矩陣是單位陣 即各觀測變量之間是不相關(guān)的 這時認為不適合做因子分析 建議值0 8 KMO是用于比較觀測值相關(guān)系數(shù)值與偏相關(guān)系數(shù)值的一個指標 其值愈逼近于1 表明對這些變量進行因子分析的效果愈好 工具 SPSS 步驟2 EFA PARTC 目的 在事先不知道影響因素的基礎(chǔ)上 完全依據(jù)資料數(shù)據(jù) 利用統(tǒng)計軟件以一定的原則進行因子分析 最后得出因子的過程 步驟 因子矩陣 抽取公共因子 根據(jù)題項含義 定義公共因子 示例 6 3 1 判別 因子載荷系數(shù)工具 SPSS 步驟3 CFA PARTC 目的 利用先驗信息 在已知因子結(jié)構(gòu)情況下檢驗所搜集的數(shù)據(jù)資料是否按事先預定的結(jié)構(gòu)方式產(chǎn)生作用 判別 因子載荷 擬合指標 示例 6 3 1 工具 LISREL EFA和CFA區(qū)別 PARTC EFA是在事先不知道影響因素的基礎(chǔ)上 完全依據(jù)資料數(shù)據(jù) 利用統(tǒng)計軟件以一定的原則進行因子分析 最后得出因子的過程 CFA充分利用了先驗信息 在已知因子的情況下檢驗所搜集的數(shù)據(jù)資料是否按事先預定的結(jié)構(gòu)方式產(chǎn)生作用 因此EFA主要是為了找出影響觀測變量的因子個數(shù) 以及各個因子和各個觀測變量之間的相關(guān)程度 而CFA的主要目的是決定事前定義因子的模型擬合實際數(shù)據(jù)的能力 進行EFA之前 我們不必知道我們要用幾個因子 各個因子和觀測變量之間的聯(lián)系如何 而進行CFA要求事先假設(shè)因子結(jié)構(gòu) 我們要做的是檢驗它是否與觀測數(shù)據(jù)一致 中介效應和調(diào)節(jié)效應的檢驗步驟與判別標準 PARTC 中介變量檢驗方法 LISREL中的OUT文件 示例6 5 2 SPSS多元線性回歸 調(diào)節(jié)變量回歸方程 Model1 EFFE 11ADAP 12ABSO 13INNO 14MAEN e1Model2 EFFE 21ADAP 22ABSO 23INNO 24MAEN 25ADAP MAEN 26ABSO MAEN 27INNO MAE