模型比较 自由度,拟合程度,不能保证最好,可能存在更 简洁又拟合得很好的模型 · Input 相关(或协方差)矩阵S 个或多个有理据的可能模型 · Output: 既符合某指定模型,又与S差异最小的矩阵∑ 估计各路径参数(因子负荷、因子相关系数 等)。 计算出各种拟合指数 KT HAU SEM p. 16
KT HAU SEM p. 16 模型比较 • 自由度, 拟合程度 , 不能保证最好，可能存在更 简洁又拟合得很好的模型 • Input: – 相关（或协方差）矩阵 – 一个或多个有理据的可能模型 • Output: – 既符合某指定模型，又与 差异最小的矩阵 – 估计各路径参数（因子负荷、因子相关系数 等）。 – 计算出各种拟合指数 Σ S S
结构方程模型的重要性 Structural Equation Model SEM Covariance Structure Modeling, CSM LInear Structural RELationship LISREL KT HAU SEM p 17
KT HAU SEM p. 17 结构方程模型的重要性 • Structural Equation Model，SEM • Covariance Structure Modeling，CSM • LInear Structural RELationship ， LISREL
结构方程模型的结构 测量模型 x=4-5+d y=4,n+8 κ一外源指标(如6项社经指标)组成的向量 J—内生指标(如语、数、英成绩)组成的向量 1.A,—因子负荷矩阵 J δ￡—误差项 结构模型 =B++ KT HAU SEM p. 18
KT HAU SEM p. 18 结构方程模型的结构 • 测量模型 x = Λx ξ + δ y Λ η ε = y + x —外源指标（如6项社经指标）组成的向量。 y —内生指标（如语、数、英成绩）组成的向量 Λx Λy δ ε —误差项 • 结构模型 η =Βη +Γξ +ζ
结构方程模型的优点夏 同时处理多个因变量 容许自变量和因变量含测量[误差传统方法(如 回归)假设自变量没有误差] 同时估计因子结构和因子关系 容许更大弹性的测量模型 估计整个模型的拟合程度[用以比较不同模型 SEM包括:回归分析、因子分析(验证性因子分 析、探索性因子分析)、t检验、方差分析、 比较各组因子均值、交互作用模型、实验设计 KT HAU SEM p. 19
KT HAU SEM p. 19 结构方程模型的优点 • 同时处理多个因变量 • 容许自变量和因变量含测量[误差传统方法（如 回归）假设自变量没有误差 ] • 同时估计因子结构和因子关系 • 容许更大弹性的测量模型 • 估计整个模型的拟合程度[用以比较不同模型 ] • SEM包括:回归分析、因子分析(验证性因子分 析、 探索性因子分析)、ｔ检验、方差分析、 比较各组因子均值、交互作用模型、实验设计
验证性因子分析 1011 314 17个题目 23 402.03.9k 学习态度及取向 515.19.14.9 0.13.12.00.40· A、B、C、D、E 832.32.2103.10.10.97 17.12.02.15.18.23·13 101416.150.1419.18.18.37k 4、4、3、3、3题 1114.15.1901.18.30.13.08·38·3↓ 12.18.16.24 1421.212206238 319.20.1501.14240924.1521.21.45 14.18.21.18 350个学生 2.12.16 KT HAU SEM p. 20
KT HAU SEM p. 20 一 验证性因子分析 17个题目: 学习态度及取向 A、B、C、D、E 4、4、3、3、3题 350个学生