结构方程模式在心理学研究中的适用性评价

赵夫明，王学臣，胡云江

结构方程模式在心理学研究中的适用性评价

赵夫明，王学臣，胡云江

解释结构方程模式的一般原理，针对结构方程模式的运用讨论分析结构方程模式在心理学运用过程中的模型建构、模型中潜变量间关系、名义谬误以及结果解释等问题，评述结构方程模式在心理学研究中的适用性。

结构方程模式；名义谬误；因果关系

结构方程模式，又称为协方差结构模式，是一种基于统计分析技术的研究方法，用以处理复杂的多变量研究数据。自从Joreskog（1978）整合了路径分析、多项联立方程以及验证性因子分析而形成其基本概念以后，尤其是LISREL分析软件以及图形操作界面AMOS产生之后，有关结构方程模式的讨论以及应用日益广泛，已经成为心理学研究中重要的研究方法。

一、结构方程模式的原理及优势

结构方程模式采用多个指标来表示潜变量，其数学表达式为， 测量模型：X=Λxξ+δ，Y=Λyη+ε 与结构模型：η=βη+Γξ+ζ。测量模型体现了潜变量与指标之间的关系，Λx和Λy分别表示对潜变量ξ和η的回归系数或因子负荷矩阵，δ和ε分别表示了指标X和Y的测量误差。结构模型体现了潜变量之间的相关或因果关系，β表示内生潜变量之间的关系系数矩阵，Γ表示外源潜变量与内生潜变量关系系数矩阵。若变量可以直接测量则变量本身就是指标，此时结构方程分析就是路径分析。若只考虑因子之间的相关，不考虑因子之间的因果关系，此时结构方程分析就是因子分析。

结构方程模式一方面完善了变量结构的探讨，另一方面，在考虑复杂变量测量误差的同时，可以同时考虑变量之间的相关关系和因果关系，它超越了以往统计方法处理数据的深度和广度。较之于因子分析、路径分析等其它统计方法，结构方程模式具有明显的优点：因子分析虽提出了潜变量的概念，但是它不能分析潜变量之间的关系；结构方程模式则更注重分析潜变量之间的结构。相对于多元回归分析、路径分析等，结构方程模式允许自变量和因变量存在测量误差；采用ML（最大似然法）将模型中所有参数同时进行估计，同时考虑多个变量之间的关系，比采用OLS（最小二乘法）对各个方程分别进行估计的路径分析更加完善。总之，结构方程模式遵循多变量分析的一般线性模式进行验证型分析，可以把方差分析、回归分析、路径分析、因子分析等传统统计方法包含在结构方程模式的次模式中，因而适用性更加广泛。

二、结构方程模式的特性及适用条件

虽然结构方程模式具有传统统计方法不可比拟的优势，但是它也有其固有的统计学特性。例如，推论统计中的假设检验性，心理学研究中为了验证自己所提出理论观点，提出具体理论或者建构模型，不论是针对整体模型的拟合性检验，还是变量间关系的参数估计，都是以假设检验的方式来进行的。再如，结构化验证性，心理学研究中的变量关系，通常并不是单纯的一个变量的推论或两变量关系的讨论，而是涉及系统多个变量之间关系的分析。这些变量除了单纯统计关系外，可能还存有潜在的因果性或层次性。这些变量间的关系均依赖于事前研究变量的性质与内容的界定，提出相应的结构性关系的假设，寻求统计上的检证。尤其在心理学研究中所探讨的变量间结构关系，大多是由一群无法直接观察与测量的概念所组成，需获得严谨的统计数据来证明构想的存在（Bollen，1989）。 再如，模型的比较分析，利用先前拟定的研究假设，将一系列的研究假设整体性的构成一个符合研究设想的假设模型，然后经过计算程序对于这一模型进行验证或者根据拟合指数对假设模型进行改进。因此，结构方程模式虽然较传统统计方法优势明显，但仍然是有局限性的，它在心理学研究中的应用是有条件的。

Cliff针对结构方程模式的运用提出了四个重要警告：资料无法肯定一个模式，甚至无法否定它；当资料无法否定一个模式，那将有其他许多模式，资料也无法将他们否定。事后不意涵因果性。对相关资料而言，充分地将经验系统给予隔绝使得变量间相关的本质可以清楚地被确定地作为不太可能。如果我们对某一事物加以命名，即使我们地命名是正确地，并不表示我们了解它，即出现名义谬误的问题；事后的解释是不可信赖的（结构方程模式：理论与应用，349）。遵循这四个警告可以探讨心理学研究中结构方程模式运用应注意的几个问题：

其一，使用相同的变量，依据不同的理论假设可以构建出多个模型，变量越多，变量组合而成的模型也越多。这样，就给模型的拟合性检验带来了难度，形成结构偏差。此时应该更加注重理论探讨，寻求模型的理论或实际意义。

其二，在心理学研究中如果没有特殊的设计而使用结构方程模式分析，仅使用数据来探讨潜变量间因果关系，包括结构方程在内的任何统计方法，都不能证明变量间是存在因果关系。要证明变量间存在有因果关系，一个恰当的途径是利用实验设计，控制其他变量的影响，探讨主要变量间的因果效应，即通过控制设计纵贯性的结构方程模式以帮助确定因果的方向性。

其三，在对潜变量的命名中名义谬误显得特别明显。在结构方程中引入潜变量本来是结构方程的优点，可以解决过去运用单变量测量的不足，然而，这种测量是否真正反映了潜在变量或者说指标真正能够表示潜变量，是一个值得重视的问题。这也是无效度性与无信度性的问题，前者是指变量至少有部分测量不同于我们所想的事物。后者意味变项有部分什么也没测到，也就是关于测量误差的问题。Mulaik（1987）认为，当使用一个或少数几个观察变相来构建潜在变量，这种名义谬误的现象特别显著。其次，变量的品质也是相当重要的，变量的品质越高，越能代表潜在结构。所以说，定义潜变量的不确定性可以降低的两个方式就是增加指标的个数以及增强指标的品质（Cliff，1983）。

其四，对研究结果的解释不能绝对化。结构方程模式分析中要求变量之间是线性关系，但在很多情况下这种要求难以保证，而且，即使变量之间确定是线性关系，研究者也不可能把所有变量和变量间的关系纳入理论建构之中，所以数据的拟合在于它对理论建构的支持，但不能证明理论建构的正确性，或者说还有更好的理论建构能够获得数据的支持，而没有绝对正确的理论建构。

三、结论

在心理学研究过程中重要的不是研究方法本身，而是对方法的恰当使用。结构方程模式具有传统统计方法不可比拟的优势，但是作为统计技术仍有其固有的特点和不足。一方面，我们应积极使用结构方程模式，使得研究更为系统、准确与深入；另一方面，完全依赖它的分析是相当危险的。相对于方法而言，理论的建构与结果的解释显得更加重要。所以，在心理学研究中应该首先考虑结构方程模式的特性和适用条件，审慎处理各分析环节。

[1]龙立荣.结构方程模式[J]//心理学方法变革的逻辑.自然辩证法通讯,2001(5).

[2]曾武.线性结构方程模式的原理及其实际应用[J].福建医科大学学报(社会科学版),2001(1).

[3]秦浩,陈景武.结构方程模式原理及其应用注意事项[J].中国卫生统计,2006(4).

[4]方敏,孙影.结构方程模式应用的几个问题[J].中国卫生统计,2006(2).

[5]黄铭芳.结构方程模式：理论与应用[M].北京:中国税务出版社，2005:349-350.

B841.2

A

1673-1999（2010）02-0010-02

赵夫明（1979-），男，山东肥城人，硕士，浙江林学院（浙江临安311300）外国语学院讲师，研究方向为学习与教学心理；王学臣（1961-），男，山东临清人，聊城大学（山东聊城252059）教授，硕士生导师；胡云江（1956-），男，浙江临安人，浙江林学院副教授，研究方向为自然哲学。

2009-06-03