本站分享:AI、大数据、数据分析师培训认证考试,包括:Python培训Excel培训Matlab培训SPSS培训SAS培训R语言培训Hadoop培训Amos培训Stata培训Eviews培训

探索性结构方程模型Exploratory Structural Equation Modeling(附MPLUS程序)

spss培训 cdadata 7790℃

探索性结构方程模型Exploratory Structural Equation Modeling(附MPLUS程序)

关键词:structural equation,exploratory research,探索性结构方程模型

1 探索性结构方程模型概述

在实际研究中,许多测量工具有着良好的EFA结构但很难得到CFA的支持(Marsh et al., 2009; Marsh, Hau, & Grayson, 2005)。例如,测量大五人格最常用的量表NEO-PI-R,在EFA分析中,其因子结构在多种文化、多种人群中得到复制,但是在CFA中拟合指数并不理想(McCrae et al., 1996)。换句话说,在CFA中限制某些因子负荷为零是不合适的,往往会高估因子间相关和外部变量间的关系(Asparouhov, & Muthen, 2009),特别是在某些特定的研究领域,如人格(不同的人格特质在同一个人身上同时存在而非完全孤立)。因此,在某些情况下使用CFA并非能得到合理的模型拟合。为了获得可接受的模型拟合,研究者常常使用修正指数来修改模型(见第9章),而此种做法有存在诸多弊端(MacCallum, Roznowski, & Necowitz, 1992)。为此,研究者最近提出了一种称作探索性结构方程模型(Exploratory Structural Equation Modeling, ESEM)的方法(Asparouhov, & Muthen, 2009)的方法,该方法同时兼顾EFA和CFA的特点。

ESEM 作为EFA和CFA的整合具有如下优点(Asparouhov, & Muthen, 2009):(1)可以得到所有SEM的参数,包括整个模型的拟合指数,误差相关,与其他变量间的关系等。(2)可以探讨EFA模型在多组和/或多时点测量不变性,而在EFA模型中是不可能的。关于ESEM统计原理参见Asparouhov和Muthen(2009)的文章,相关应用见Marsh等(2009;2010;2011)。目前,ESEM只能在Mplus中实现,下面以CES-D为例演示ESEM的分析过程。

2 探索性结构方程模型示例

与EFA设置不同,ESEM采用的是CFA模式,用MODEL命令设置因子模型。仍然以CES-D三因子模型为例比较ESEM和传统CFA模型间的差异。ESEM示例程序呈现在表4-6中。通过执行该程序,Mplus报告的结果与EFA抽取三因子的结果完全相同(相同的模型拟合,相同的因子负荷、因子相关等)。但是与EFA不同,可以在MODEL命令下设置因子与外部变量间的关系,也即是包含EFA所有特征的同时涵盖了CFA的特征。

为了进一步说明ESEM带有的CFA特点,表1的第二部分呈现了包含协变量的(自尊,由5个条目测量的潜变量)的ESEM模型,如图1所示。该模型的拟合指数呈现在表4-7中,因子负荷、因子相关以及自尊对三个因子的回归系数列在表2。在带有协变量的ESEM模型中,CES-D的因子负荷与EFA三因子模型结果差异不大,三个因子间的相关在.20-.60(p < .01)之间。自尊对三个因子的回归系数分别为-46,-.44和-.64(p < .01)。

探索性结构方程模型Exploratory Structural Equation Modeling(附MPLUS程序)
         图1 带有协变量的ESEM示意图(注:F1F2F4彼此相关)

探索性结构方程模型Exploratory Structural Equation Modeling(附MPLUS程序)
                                图2 带有协变量的三因子CFA模型意图

 表1 ESEM示例程序

TITLE: this is an example of an ESEM

DATA: FILE IS CFA for CES-D.dat;

VARIABLE: NAMES = age gender y1-y20;

MODEL:  F1-F3 BY y1-y20 (*1); !括号内的星号定义f1-f3ESEM因子;

OUTPUT: STANDARDIZED MOD;

TITLE: this is an example of an ESEM with covariate

DATA: FILE IS CFA for CES-D.dat;

VARIABLE: NAMES = age y1-y20 i1-i10;

ANALYSIS: ROTATION = geomin(oblique);

            ESTIMATOR = MLR;

MODEL:  F1-F3 BY y1-y20 (*1);

F4 BY i1-i5;

         F1-F3 ON F4; !自尊预测F1-F3

OUTPUT: STANDARDIZED MOD;

TITLE: this is an example of an SEM!更多的内容见第8

DATA: FILE IS CFA for CES-D.dat;

VARIABLE: NAMES = age gender y1-y20 i1-i10;

 USEVARIABLES = y1-y20 i1-i5;

ANALYSIS:

       ESTIMATOR = MLR;

MODEL: F1 BY y1* y2 y3 y5 y6 y7 y9 y10 y11;

        F2 BY y4* y8 y12 y16;

        F3 BY y13* y14 y15 y17 y18 y19 y20;

        F4 BY i1* i2-i5;

        F1-F4@1;

        F1-F3 ON F4;

OUTPUT: STANDARDIZED  MOD;

2 带有协变量的ESEMCFA模型拟合结果

Model

χ2

df TLI CFI

AIC

BIC

SRMR RMSEA(90% CI)
CFA 1213.67* 167 .915 .926 99412.38 99780.05 .039 .050(.047, .052)
ESEM 1567.37* 235 .905 .926 120674.21 121345.35 .040 .047(.045, .050)
SEM 2039.71* 269 .890 .901 121204.71 121677.42 .049 .051(.049, .053)

转载请注明:数据分析 » 探索性结构方程模型Exploratory Structural Equation Modeling(附MPLUS程序)

喜欢 (0)or分享 (0)