具体描述
结构方程模型（structural equation modeling, SEM）是一种结合路径分析（path analysis）与因素分析（factor analysis）的多元统计技术。在社会科学的研究中，除实验取向的研究之外，其他涉及量化数据的研究，都离不开此一典范的思维模式，因此，我们更可以把他定位成当代量化研究的主要统计方法学典范。
Stata延伸了线性SEM之优点，并且开展出gsem指令来分析广义SEM，包括：多层次SEM、probit回归、重复量数、类别变数、分群组SEM等；可分析的变数类型则包括：类别变数、二分变数、次序变数、计数（count）变数、连续变数等。换言之，Stata 可说是「广义结构方程模型」最成功的推手。在最新的Stata 14版本中，更增加了IRT四种资料型态：二元、比序、类别及混合模型之建模、报表及IRT曲线特征图，大大提昇研究者使用的方便性。
本书提供完整的Stata分析实作范例，从统计方法原理，到软体操作的流程都予以详细解说，希望能帮助研究者在自己的专业领域做出有效的整合应用。
本书特色
●一本学通！当代量化研究的主要统计方法学典范：结构方程模型（SEM）。
●扎实的统计方法说明，并提供不同情境的实证分析范例。
●图片详解操作流程，无痛学习地表最强统计软体──Stata。
●本书范例档案建议使用Stata 13或更新版本执行。
◎随书附赠资料档光碟
Stata延伸了线性SEM之优点，并且开展出gsem指令来分析广义SEM，包括：多层次SEM、probit回归、重复量数、类别变数、分群组SEM等；可分析的变数类型则包括：类别变数、二分变数、次序变数、计数（count）变数、连续变数等。换言之，Stata 可说是「广义结构方程模型」最成功的推手。在最新的Stata 14版本中，更增加了IRT四种资料型态：二元、比序、类别及混合模型之建模、报表及IRT曲线特征图，大大提昇研究者使用的方便性。
本书提供完整的Stata分析实作范例，从统计方法原理，到软体操作的流程都予以详细解说，希望能帮助研究者在自己的专业领域做出有效的整合应用。
本书特色
●一本学通！当代量化研究的主要统计方法学典范：结构方程模型（SEM）。
●扎实的统计方法说明，并提供不同情境的实证分析范例。
●图片详解操作流程，无痛学习地表最强统计软体──Stata。
●本书范例档案建议使用Stata 13或更新版本执行。
◎随书附赠资料档光碟
著者信息
作者简介
张绍勋
学历：国立政治大学资讯管理博士
现任：国立彰化师大专任教授
经历：致理技术专任副教授
研究助理者简介
张任坊
国立海洋大学商船系
张博一
国立台北大学通讯工程学系
张绍勋
学历：国立政治大学资讯管理博士
现任：国立彰化师大专任教授
经历：致理技术专任副教授
研究助理者简介
张任坊
国立海洋大学商船系
张博一
国立台北大学通讯工程学系
图书目录
自序
Chapter 01 结构方程模型简介
1-1 结构方程模型之介绍
1-1-1 Generalized SEM 特殊案例的统计分析
1-1-2 SEM 基本概念
1-1-3 SEM 的参数
1-1-4 模型认定：t-rule
1-1-5 Path diagrams 代表的指令意义
1-1-6 SEM 整体适配度的类型
1-1-7 sem/gsem 之事后(Postestimation) 指令
1-1-8 Stata 输入资料格式(ssd 格式档)
1-2 Stata gsem 之功能
1-2-1 线性sem 功能
1-2-2 广义SEM 的课外补充( 相关网站查询)
Chapter 02 结构方程模型之数学式
2-1 结构方程模型
2-2 因素分析
2-3 探索性因素vs. 验证性因素分析
2-4 SEM 资料分析流程
2-4-1 SEM 分析流程及信效度公式
2-4-2 SEM 参数标註的写法
2-4-3 共变数推导的定理
2-4-4 测量模型的检定
2-5 结构模型分析(SEM)
Chapter 03 Full SEM 分析实例：员工教育训练
绩效评估模型 109
3-0 结构方程模型之重点整理
3-1 员工教育训练绩效之建模
3-1-1 研究背景与动机
3-1-2 研究目的
3-1-3 研究方法与步骤
3-2 研究
3-2-1 研究架构
3-2-2 研究假设
3-2-3 问卷发展与施测
3-2-4 预试(pilot study)
3-2-5 抽样设计
3-2-6 统计分析法
3-3 样本特征分析
3-4 Full SEM 分析结果与讨论
3-4-1 结构方程模型实证分析
3-4-2 整体架构直接与间接效果分析
3-4-3 研究假设分析
3-4-4 检定力(power) 分析
3-4-5 多样本之交叉效度(Cross-Validation) 分析：测量不变性
Chapter 04 sem 实例分析、Builder 介面操作
4-1 SEM 之适配度、遗漏值
4-1-1 SEM 分析步骤
4-1-2 SEM 之适配度
4-1-3 linear SEM ／广义gsem 事后检定之指令
4-1-4 线性SEM 估计法：含遗漏值
4-2 线性SEM 之特殊回归
4-2-1 相关分析
4-2-2 多变量回归(Multivariate regression)：非线性回归
4-2-3 纳入测验信度之回归式
4-2-4 验证因素分析(CFA)：Measurement models
4-2-4a 单因子测量模型(Single-factor measurement model)
4-2-4b Two-factor 测量模型：Equation-level goodness-of-fit
4-2-4c Two-factor 测量模型：Group-level GOF( 交叉效度)
4-2-4d 多样本Two-factor CFA：Testing parameter equality across groups ( 测量不变性)
4-2-4e 整体goodness-of-fit statistics for linear SEM
4-2-4f 高阶验证因素分析(Higher-order CFA 模型)
4-2-5 阶层(Hierarchical) 验证性因素：Higher-order CFA
4-2-6a 完整(full) 结构模型：panel data 模型的信度及稳定度
4-2-6b panel data 模型：Modification indices
4-2-7a 单层(One-level) 之中介效果
4-2-7b Two-level 之中介(Mediation) 效果
4-2-8 MIMIC 模型及Residual analysis for linear SEM
4-2-9 潜在成长曲线模型(Latent growth curve models)
4-2-10 Correlated uniqueness 模型：Multitrait-Multimethod (MTMM)
4-2-11 似不相关回归模型(Seemingly Unrelated Regression)
4-2-12 非递回模型的稳定性：直接／间接效果
Chapter 05 Generalized SEM 之分析
5-1 认识Generalized SEM
5-1-1 Generalized SEM 的介绍
5-1-2 广义gsem 与线性sem 指令，二者的差异比较
5-1-3 Generalized SEM 的分配(Family)
5-1-4 Generalized SEM 的特性
5-1-5 gsem 指令之事后检定
5-2 测量模型(generalized response)
5-2-1 单因子measurement model (generalized response)
5-2-2 双因子measurement model：Likert 量表vs. 测验卷的回归分析
5-3 Multilevel 模型
5-3-1 双层次测量模型( 广义反应变数)
5-3-2 Multilevel mediation models
5-3-3 三层次模型(generalized response)
5-4 Logistic 回归 ( 广义反应变数)
5-5 generalized responses 的组合模型：logit + poisson 回归
5-6 多类别(multinomial) 反应变数的logit 回归
5-7 MIMIC 模型(generalized indicators)
5-8 序位反应变数之机率回归(Ordered probit regression)
5-9 试题反应理论(Item response theory, IRT)
5-9-1 试题反应理论(IRT) 之介绍
5-9-2 单参数之试题反应理论(IRT)：Rasch 模型分析
5-9-3 STATA 试题反应理论之irt 指令
5-9-4 双参数之试题反应理论(IRT)
5-10 gsem 指令之网站补充的特殊回归
Chapter 01 结构方程模型简介
1-1 结构方程模型之介绍
1-1-1 Generalized SEM 特殊案例的统计分析
1-1-2 SEM 基本概念
1-1-3 SEM 的参数
1-1-4 模型认定：t-rule
1-1-5 Path diagrams 代表的指令意义
1-1-6 SEM 整体适配度的类型
1-1-7 sem/gsem 之事后(Postestimation) 指令
1-1-8 Stata 输入资料格式(ssd 格式档)
1-2 Stata gsem 之功能
1-2-1 线性sem 功能
1-2-2 广义SEM 的课外补充( 相关网站查询)
Chapter 02 结构方程模型之数学式
2-1 结构方程模型
2-2 因素分析
2-3 探索性因素vs. 验证性因素分析
2-4 SEM 资料分析流程
2-4-1 SEM 分析流程及信效度公式
2-4-2 SEM 参数标註的写法
2-4-3 共变数推导的定理
2-4-4 测量模型的检定
2-5 结构模型分析(SEM)
Chapter 03 Full SEM 分析实例：员工教育训练
绩效评估模型 109
3-0 结构方程模型之重点整理
3-1 员工教育训练绩效之建模
3-1-1 研究背景与动机
3-1-2 研究目的
3-1-3 研究方法与步骤
3-2 研究
3-2-1 研究架构
3-2-2 研究假设
3-2-3 问卷发展与施测
3-2-4 预试(pilot study)
3-2-5 抽样设计
3-2-6 统计分析法
3-3 样本特征分析
3-4 Full SEM 分析结果与讨论
3-4-1 结构方程模型实证分析
3-4-2 整体架构直接与间接效果分析
3-4-3 研究假设分析
3-4-4 检定力(power) 分析
3-4-5 多样本之交叉效度(Cross-Validation) 分析：测量不变性
Chapter 04 sem 实例分析、Builder 介面操作
4-1 SEM 之适配度、遗漏值
4-1-1 SEM 分析步骤
4-1-2 SEM 之适配度
4-1-3 linear SEM ／广义gsem 事后检定之指令
4-1-4 线性SEM 估计法：含遗漏值
4-2 线性SEM 之特殊回归
4-2-1 相关分析
4-2-2 多变量回归(Multivariate regression)：非线性回归
4-2-3 纳入测验信度之回归式
4-2-4 验证因素分析(CFA)：Measurement models
4-2-4a 单因子测量模型(Single-factor measurement model)
4-2-4b Two-factor 测量模型：Equation-level goodness-of-fit
4-2-4c Two-factor 测量模型：Group-level GOF( 交叉效度)
4-2-4d 多样本Two-factor CFA：Testing parameter equality across groups ( 测量不变性)
4-2-4e 整体goodness-of-fit statistics for linear SEM
4-2-4f 高阶验证因素分析(Higher-order CFA 模型)
4-2-5 阶层(Hierarchical) 验证性因素：Higher-order CFA
4-2-6a 完整(full) 结构模型：panel data 模型的信度及稳定度
4-2-6b panel data 模型：Modification indices
4-2-7a 单层(One-level) 之中介效果
4-2-7b Two-level 之中介(Mediation) 效果
4-2-8 MIMIC 模型及Residual analysis for linear SEM
4-2-9 潜在成长曲线模型(Latent growth curve models)
4-2-10 Correlated uniqueness 模型：Multitrait-Multimethod (MTMM)
4-2-11 似不相关回归模型(Seemingly Unrelated Regression)
4-2-12 非递回模型的稳定性：直接／间接效果
Chapter 05 Generalized SEM 之分析
5-1 认识Generalized SEM
5-1-1 Generalized SEM 的介绍
5-1-2 广义gsem 与线性sem 指令，二者的差异比较
5-1-3 Generalized SEM 的分配(Family)
5-1-4 Generalized SEM 的特性
5-1-5 gsem 指令之事后检定
5-2 测量模型(generalized response)
5-2-1 单因子measurement model (generalized response)
5-2-2 双因子measurement model：Likert 量表vs. 测验卷的回归分析
5-3 Multilevel 模型
5-3-1 双层次测量模型( 广义反应变数)
5-3-2 Multilevel mediation models
5-3-3 三层次模型(generalized response)
5-4 Logistic 回归 ( 广义反应变数)
5-5 generalized responses 的组合模型：logit + poisson 回归
5-6 多类别(multinomial) 反应变数的logit 回归
5-7 MIMIC 模型(generalized indicators)
5-8 序位反应变数之机率回归(Ordered probit regression)
5-9 试题反应理论(Item response theory, IRT)
5-9-1 试题反应理论(IRT) 之介绍
5-9-2 单参数之试题反应理论(IRT)：Rasch 模型分析
5-9-3 STATA 试题反应理论之irt 指令
5-9-4 双参数之试题反应理论(IRT)
5-10 gsem 指令之网站补充的特殊回归
图书序言
1-1 结构方程模型之介绍
结构方程模型(Structural equation modeling, SEM) 是一种融合了因素分析和路径分析的多元统计技术。它的强势在于对多变数间交互关系的定量研究。在近三十年内，SEM 大量的应用于社会科学及行为科学的领域里，并在近几年开始逐渐应用于心理学、教育学、行销学研究中。学界中，常见SEM 潜在变数，
包括：
1. 心理学：压力程度(level of stress)。
2. 社会学：民主制度的品质(quality of democratic institutions)。
3. 生物学：基因型和环境(genotype and environment)。
4. 医学保健：个人健康功能差异大(difficulty in personal functioning)。
一、何谓SEM？
什么是结构方程模型(Structural equation modeling, SEM)？简单地说，就是用一系列的算式，检测变数之间的因果关系(causal relationship)。这种统计方法就叫作SEM。
为什么要学新的SEM？以图1-2 及图1-3 来说，你亦可以只用多元回归(multiple regression)一个一个算出来，不是吗？没错，但是你要算几遍才够？此外，逐次算出来的结果，与用SEM算出来的还是有些不一样，因为SEM可以让你作更多的分析。跑一次回归就有一次误差，那如果你回归之间的误差有高度相关，你怎么解决这样的问题呢？
结构方程模型是一种相当复杂的因果关系模型，它除了可以处理观察变数与潜在变数以及各潜在变数之间的关系外，同时也考虑了误差变数的问题。
图1-1 因果图之示意图
结构方程模型(Structural equation modeling, SEM) 的意涵：
1.SEM 是统计之一种技术，旨在检定变数之间的「关系假设」( test hypotheses about relationships among variables)。
2.SEM 统计重点放在：相关、线性回归、因素分析、试题反应理论(IRT)、潜在长成分析、联立方程式⋯。
3.SEM 亦可视为共变数结构之分析(Analysis of Covariance Structures)， 因为SEM 系用观察之共变数矩阵及平均数(observed covariances and possibly means) 来适配模型。
一般我们所常用的统计方法如回归分析、主成分分析、因素分析、路径分析及变异数分析等，其实都可看成是结构方程模型的特例。但是，结构方程模型的本质上却都具有上述统计方法所无法比拟的优点。也正因为如此，导致近年来，结构方程模型在心理学、教育学、管理学以及行为科学等领域中能被广泛的应用。
结构方程模型(Structural equation modeling, SEM) 是一种融合了因素分析和路径分析的多元统计技术。它的强势在于对多变数间交互关系的定量研究。在近三十年内，SEM 大量的应用于社会科学及行为科学的领域里，并在近几年开始逐渐应用于心理学、教育学、行销学研究中。学界中，常见SEM 潜在变数，
包括：
1. 心理学：压力程度(level of stress)。
2. 社会学：民主制度的品质(quality of democratic institutions)。
3. 生物学：基因型和环境(genotype and environment)。
4. 医学保健：个人健康功能差异大(difficulty in personal functioning)。
一、何谓SEM？
什么是结构方程模型(Structural equation modeling, SEM)？简单地说，就是用一系列的算式，检测变数之间的因果关系(causal relationship)。这种统计方法就叫作SEM。
为什么要学新的SEM？以图1-2 及图1-3 来说，你亦可以只用多元回归(multiple regression)一个一个算出来，不是吗？没错，但是你要算几遍才够？此外，逐次算出来的结果，与用SEM算出来的还是有些不一样，因为SEM可以让你作更多的分析。跑一次回归就有一次误差，那如果你回归之间的误差有高度相关，你怎么解决这样的问题呢？
结构方程模型是一种相当复杂的因果关系模型，它除了可以处理观察变数与潜在变数以及各潜在变数之间的关系外，同时也考虑了误差变数的问题。
图1-1 因果图之示意图
结构方程模型(Structural equation modeling, SEM) 的意涵：
1.SEM 是统计之一种技术，旨在检定变数之间的「关系假设」( test hypotheses about relationships among variables)。
2.SEM 统计重点放在：相关、线性回归、因素分析、试题反应理论(IRT)、潜在长成分析、联立方程式⋯。
3.SEM 亦可视为共变数结构之分析(Analysis of Covariance Structures)， 因为SEM 系用观察之共变数矩阵及平均数(observed covariances and possibly means) 来适配模型。
一般我们所常用的统计方法如回归分析、主成分分析、因素分析、路径分析及变异数分析等，其实都可看成是结构方程模型的特例。但是，结构方程模型的本质上却都具有上述统计方法所无法比拟的优点。也正因为如此，导致近年来，结构方程模型在心理学、教育学、管理学以及行为科学等领域中能被广泛的应用。
图书试读
None
用户评价
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 ttbooks.qciss.net All Rights Reserved. 小特书站 版权所有