妳好信4845660
-
路徑分析可以有多種用途:壹是將幾個與因變量相關的回歸模型整合成壹個模型，幫助分析和表達完整簡潔；第二，將整合模型中每個變量對每個因變量的“總效應”分解為“直接效應”和“間接效應”。如果發現間接效應較大，則具有理論價值(當然，如下圖所示，很難發現較大的間接效應)；三是通過比較直接影響和間接影響來驗證自變量是否為“中介變量”，即直接影響不顯著但間接影響顯著(如上所述，間接影響不容易發現，如果直接影響同時不顯著就更難了)。
從這個角度來說，路徑分析是個好東西(不好意思，已經過時了)。從1960年代興起，到1970-80年代非常流行，我在印第安納讀博士的時候，學院的老師經常用通徑分析做研究。後來學了SEM(結構方程模型)，才知道路徑分析有“有測量誤差”和“無測量誤差”兩種，前者只研究自變量和因變量之間的因果關系，即SEM中的結構模型(見圖1)，後者增加了每個變量的CFA(驗證性因子分析)，即SEM中的測量模型(圖2)。
路徑分析的說明書怎麽寫(再版)路徑分析的說明書怎麽寫(再版)
好，現在我直接回答妳的問題。問題1字面上只涉及結構模型，所以比較簡單容易。這種路徑分析不僅可以使用LISREL、SAS或其他SEM軟件，也可以使用SPSS等通用統計軟件，結果是壹樣的。我來說說在SPSS裏怎麽做。圖1類似於我前幾天在《驗證性回歸與分層回歸》壹文中舉的例子(當時只用了三個公式，沒有這個圖)。如前所述，由於該模型中有兩個因變量(或內生變量)，因此需要建立兩個回歸模型，即公式1和公式2，其中變量和系數的名稱發生了變化，系數分別記為B和G，以便與LISREL的用法保持壹致。b代表壹個內生變量(如W)對另壹個內生變量(如Y)的影響，G代表壹個外生變量。
Y = b0+g1X+b2W(公式1)
W = g0 +g2X(公式2)
在SPSS中，根據上面兩個公式做壹個回歸分析。如果您習慣使用SPSS指令，語法是:
回歸相關= Y/輸入X，w。
回歸相關=W/Enter X。
然後將兩次回歸分析得到的回歸系數填入圖1。此時，標準化β(即，B1、b2和G1分別是公式1和3中的b1、B2和g1的標準化值)用於得到路徑分析。當然，這裏的B1、B2、G1都是直接影響，年齡對Y的間接影響和總影響我們都不知道(註:上網時間對Y只有直接影響，所以其總影響=直接影響)，但這個可以手工算出來:
X對Y = G1 X B2的間接影響(公式3)
X對Y的直接影響= X對Y的直接影響+X對Y的間接影響= B1+G1 X B2(式4)。
因為G1和B2都在0到1之間，所以它們的乘積壹般都很小。例如，G1 = 0.5和B2 = 0.5的乘積只有0.25。在有測量誤差的回歸中，系數為0.5的比較少見，在0.1-0.3之間的比較常見，所以乘積只在0.01-0.10之間。這也是間接影響普遍較小的原因。通過SPSS做的通徑分析，因為沒有考慮到各個變量的測量誤差，所以就是我上面說的有測量誤差的通徑分析。同時也可以稱之為“組裝式”路徑分析，因為它是將幾個回歸分析組裝在壹起，而不是整合在壹起。
如果用LISREL呢？妳可能知道，LISREL可以用SIMPLIS或matrices編寫。前者很簡單，其語法如下(其中“...”部分是數據定義等說明，此處省略):
...
關系:
Y = X W
W = X
LISREL輸出EF...
...
前三句類似於SPSS回歸中的句法，最後壹句中的“EF”要求LISREL輸出間接影響和總影響的結果，不僅不需要手工計算，而且給出了間接影響(公式4)和直接影響(公式5)的顯著性檢驗，這是SPSS無法提供的。
使用LISREL矩陣指令的人越來越少，屬於“斬龍”之術，這裏不做介紹。如果妳問的是矩陣指令，請告訴我。
顯然，LISREL的結果是壹個“集成的”(而不是“組裝的”)路徑分析，這是壹件好事(而且它又流行起來了)。但是結果(即直接影響系數、間接影響系數、總影響系數)和SPSS計算出來的完全壹樣！(可以分別用這兩個軟件驗證同樣的數據。原因很簡單，因為使用了所有相同的數據(包括測量誤差)。當然，LISREL可以進壹步整合各種變量的度量指標(即圖2)，所以其路徑分析的結果可能與匯編結果不同，壹般情況下各種影響的系數會更大(因為扣除了度量誤差)。當然現在很少有人把這種分析叫做路徑分析，直接叫SEM(那是壹回事)。
最後，回答妳的問題2和3。問題2:是的，我們可以也應該根據理論或者常識的暗示，把很多直接測量的自變量構造成少數幾個因子，當然也要看數據是否支持這些合並。問題3:是的，如果妳的理論模型中沒有解釋兩個內生變量之間的因果關系(即圖1或圖2中沒有B2)，那麽就應該把它們當作相關來處理。事實上，LISREL會自動計算這種相關性(在PSY矩陣中)。