《结构方程模型lecture1.ppt》由会员分享，可在线阅读，更多相关《结构方程模型lecture1.ppt（28页珍藏版）》请在三一文库上搜索。
1、SEM简介,路径分析,验证性因子分析,SEM,线性因果关系,SEM的产生与发展,SEM的基本形式,因果推断方法,AMOS简介,本讲内容,Sewall Wright （1921,1934）提出路径分析 路径图 1960年代以前，路径分析基本处于休眠状态 Otis Duncan（1966）以及其他学者将其引入社会学研究 1930年代凯恩斯创立了联立方程模型 模型识别,SEM的产生与发展,SEM的产生与发展（续1）,Jreskog（1966,1967）开发了验证性因子分析（CFA） Jreskog提出卡方检验，用来比较可测变量的观测相关结构与假定模型所隐含的相关结构，从而否定（或暂时验证）假设模型，
2、是SEM发展的里程碑,Exploratory data analysis is detective in character. Confirmatory data analysis is judicial or quasi-judicial in character Unless the detective finds the clues, judge or jury has nothing to consider. Unless exploratory data analysis uncovers indications, usually quantitative ones, there i
3、s likely to be nothing for confirmatory data analysis to consider. (Tukey, 1977),SEM的产生与发展（续2）,将Wright的路径分析与Jreskog的CFA融合在一起，从而诞生了SEM,SEM的产生与发展（续3）,基本假定,所涉变量,路径分析,可测变量,潜变量与可测变量,CFA,SEM,潜变量无关,潜变量与可测变量,可测变量可以有测量误差 潜变量可以相关,变量没有测量误差,SEM的产生与发展（续4）,1970年代，LISREL的诞生极大地促进了SEM的研究与应用 1994年，创立了专门的杂志Structural
4、Equation Modeling 20世纪末，计算科学家和科学哲学家进一步发展了线性因果关系理论与算法，使得SEM在线性因果关系建模中的应用在理论、统计以及计算方面都得以深化和推广,其他SEM分析软件 EQS，Amos，EZPath，SEPath，COSAN，Mx R中的SEM，SAS中的CALIS,Family Tree of SEM,T-test,ANOVA,Multi-way ANOVA,Repeated Measure Designs,Growth Curve Analysis,Bivariate Correlation,Multiple Regression,Path Analys
5、is,Structural Equation Modeling,Factor Analysis,Exploratory Factor Analysis,Confirmatory Factor Analysis,SEM的优势与局限,优势（与多元回归相比） more flexible assumptions (particularly allowing interpretation even in the face of multicollinearity) use of confirmatory factor analysis to reduce measurement error by hav
6、ing multiple indicators per latent variable the attraction of SEMs graphical modeling interface the desirability of testing models overall rather than coefficients individually the ability to test models with multiple dependents the ability to model mediating variables rather than be restricted to a
7、n additive model the ability to model error terms the ability to test coefficients across multiple between-subjects groups ability to handle difficult data (time series with autocorrelated error, non-normal data, incomplete data where regression is highly susceptible to error of interpretation by mi
8、sspecification, the SEM strategy of comparing alternative models to assess relative model fit makes it more robust 局限：SEM cannot itself draw causal arrows in models or resolve causal ambiguities. Theoretical insight and judgment by the researcher is still of utmost importance.,SEM的基本形式：结构模型,潜变量（Late
9、nt/unobserved variables）之间的因果关系 外生变量（Exogenous variables）： 外生变量（Endogenous variables）：,无关,SEM的基本形式：测量模型,反映潜变量与可测变量（Observed/measured variables） 之间的关系,因子载荷 （loadings）,无关,结构方程图,Observed Variable,Latent Variable,: Loading,Observed Variables,Latent Variables,0.15,Loadings,图例,Error Var.,SEM示例：stability o
10、f alienation,结构方程,测量方程,测量方程,因果推断理论,三个主要的因果模型 潜在结果模型（Neyman,1923; Rubin, 1974） 事先假定变量间的因果关系 评价一个变量对另一个变量的因果作用 不能用于发现变量间的因果关系 因果网络图（Spites, 2000; Pearl, 1995） 利用有向非循环图描述多变量之间的因果网络关系 根据数据学习因果网络的结构和网络的参数 试图发现变量间的因果关系 Granger因果模型（Granger, 1969）,图的几个基本术语,图：点集合和边集合的二元组 顶点/节点（vertex/node）变量 边（edge）依存性 无向边/有
11、向边 有向图（directed graph）：所有的边都是有向边 箭头：原因变量结果变量 路径（path）：从节点Xi开始，中间不重复经过节点到节点Xj的连续连接的边集合，不管边的方向 有向路径：路径上所有的边的方向都是朝向Xj 有向环：从Xi到Xi的有向路径,有向图示例,X1,X1,X3,X4,X5,变量的Markov链有向图,X1,Y2,Y5,Y3,Y4,Y1,有分支和扰动的树形图,有向图的类型,有向有环图（directed cyclic graph）：有有向环的图 也称为非递归模型（nonrecursive model） 有向无环图（ directed acyclic graph，DAG
12、）：没有有向环的图 也称为递归模型（recursive model）,X1,Y2,Y1,无环图,X1,Y2,Y1,有环图,哪种图所示的条件分布可以推导出变量的联合分布？,DAG的几个术语,父节点（parents）：结果变量的直接原因 子节点（child/daughter）：原因变量的直接结果 祖节点（ancestor）：与某变量间有直接路径的所有变量 后裔节点（descendent）：从某变量出发的直接路径上的所有变量,X2,Y1,Y2,Y3,Y4,X1,X3,所有的父节点都是祖节点 所有的子节点都是后裔节点,DAG描述的概率分布,对于一个DAG，总可以将所有节点排序，使得每个节点Xj的父节点
13、都排在该节点之前 DAG描述的概率分布为：,DAG与因果机制,如果DAG的有向边表示因果关系的话，则称其为一个因果网络 一个因果网络可以被视为一个数据生成机制 由网络的无父节点的变量开始产生数据 然后产生下一代 逐步进行，直至产生了所有变量的数据,问题 仅仅根据一个时点的观察数据能否找出变量间的因果关系？ 利用条件独立性是否可能判断因与果？,Markov条件,令PAj表示节点Xj的父节点的集合，一个DAG描述的概率分布具有如下的条件独立假定 The Markov condition implies that variables will be unconditionally dependent
14、 on their parents but conditionally independent of all other nondescendent variables, conditional on parents. 定理：令X、Y和Z为互不相交的节点集，则 当且仅当X和Y被Z有向分离（d-separated）,有向分离准则,A path is said to be d-separated (or blocked) by a set of nodes Z if and only if p contains a chain im j or a fork im j such that the m
15、iddle node m is in set Z, or p contains an inverted fork (or collider) im j such that the middle node m is not in set Z and such that no descendent of m is in Z 如果一个路径不是有向分离的，称为有向连接的（d-connected） A set Z of variables corresponding to nodes in the DAG is said to be d-separate a set of variables X fro
16、m Y if and only if Z blocks every path from a node in X to a node in Y.,可用来推断： 起初相关的变量何时变得独立 起初独立的变量如何变得相关,在给定原因条件下，其多个结果之间，如果没有因果关系的话，是相互独立的 作为原因的多个因素，即使它们之间是相互独立的，但是给定结果后，这些原因可能变得相关了 很难想象，两个原因相关，给定结果后，这两个原因因素变得相互独立了,例：判断一个人是否吸烟,吸烟（a）,慢性支气管炎（c）,饮用水含氟高（b）,牙齿黄（d）,被发现牙齿黄（e）,给定“牙齿黄”这一证据 “吸烟”和“被发现牙齿黄” 之
17、间相关吗？,给定“牙齿黄”这一证据 “吸烟”和“饮用水含氟高” 之间相关吗？,给定“被发现牙齿黄”这一证据 “吸烟”和“饮用水含氟高” 之间相关吗？,DAG的估计,两个问题 估计问题：给定一个DAG，G，和来自分布f的数据V，如何估计f 模型选择问题：给定数据V，如何估计G 估计问题：极大似然估计 模型选择问题：利用极大似然估计来估计每个可能的DAG，并用AIC或其他准则来选择一个DAG,干预与因果关系判断,考虑一个二元组（G,P），其中G是一个DAG，P是DAG中变量V的一个分布。令f表示P的概率分布函数。考虑干预和固定一个变量X，使之等于x。通过做两件事来表示该干预 通过移走所有指向X的有
18、向边来产生一个新的DAG，G* 通过从f(v)中移走f(x|PAx)来产生一个新的分布f*(v)=P(V=v|X:=x) 新的二元组（G *,P * ）表示干预“set X=x”,太阳升起公鸡打鸣 公鸡打鸣太阳升起,同一个分布可以用不同的图来表示， 哪一个图表示正确的因果关系？,Amos（ Analysis of Moment Structures ）简介,AMOS Graphics draw SEM graphs runs SEM models using graphs AMOS Basic runs SEM models using syntax,Amos的优势,可视化、绘图导向 缺失值处理 提供模型检验方法 多群组分析 可处理定性数据 可处理删失数据 可处理小样本和不允许参数值的情形,课后任务,阅读文献Scott L. Hershberger: The Growth of Structural Equation Modeling: 19942001, STRUCTURAL EQUATION MODELING, 2003 10(1), 3546 下载Amos，练习数据导入和绘图等基本操作,