Stata在结构方程模型及试题反应理论的应用 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

图书标签:

• Stata
• 结构方程模型
• SEM
• IRT
• 试题反应理论
• 统计分析
• 计量经济学
• 数据分析
• 应用统计
• 心理测量
• 教育测量

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
 

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
 

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
 

序

　　结构方程模型(Structural equation modeling, SEM)，它已是社会科学之标准多变量统计技术(Standard multivariate technique)。

　　Stata 已超越LISREL、SIMPLIS、AMOS、EQS、Mplus、Mx、Statistica、SAS PROC CALIS、COSAN、LVPLS 等软体。Stata 延伸了线性SEM 之优点，并且开展出gsem 指令来分析广义SEM( 多层次SEM、probit 回归、重复量数、类别变数、分群组SEM⋯)，故可分析变数类型，包括：类别变数、二分变数、次序变数、计数(count) 变数、连续等变数。Stata 可说是「广义结构方程模型」最成功的推手。即使，非常态分配(Nonnormal Variables)、类别结果(Categorical outcomes) 之变数( 如dichotomous, ordinal, Multinomial、次数变数⋯)、试题反应理论(IRT) 也都可纳入sem/ gsem 分析。

　　此外，Stata v14 介面增加了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，介面操作简单易用。

　　SEM 是联立回归方程式，它同时估计多个自变数，依变数和潜变量之间关系的广义线性模型(general linear model) 的进阶。Stata 广义SEM 的估计法，包括Stata 指令「reg、probit、stcox、mixed」，即Stata SEM的估计法，包括OLS 法、线性机率回归法、Cox 比例风险模型(proportional hazards model)、多层次(Multilevel)mixed-effects linear ( 或logistic /Poisson) 回归分析。

　　Stata 分析SEM，有二种方法：sem 或gsem 指令、SEM Builder 图形介面。其中，Builder 图形介面( 很像AMOS) 更是简单易用，人人很容易上手。

　　有鑑于STATA 分析功能庞大，故作者将撰写一系列的STATA 的书，包括：

　　1. STATA与高等统计分析。
　　2. Stata在财务金融与经济分析的应用。
　　3. Stata在结构方程模型及试题反应理论的应用。
　　4. Panel-data回归模型：Stata在广义时间序列的应用。

　　以上一系列的STATA 书，适用于：基础研究、生物学、医学、心理学、社会学、刑事司法，金融和经济学，政治学，市场营销，生态学，教育学和遗传学等领域，期望这一系列STATA 书能够对学术研究、实务问题决能有抛砖引玉的效果，成果能够开枝散叶。

　　本书内容，着重理论、统计及方法三者的结合。毕竟工欲善其事，必先利其器。研究者除了要精通自己领域的「理论」基础外，正确选用创新性之「研究法」及「统计」技术( 即STATA 分析实作)，三者间如何有效整合应用，更是成为顶尖研究者不可缺乏的基本功夫。本书中每章都有STATA analysis 范例，其中渗杂了许多实证分析的范例，让你实际操作分析，进而能轻松了解STATA 分析的程序与应用，启发你的灵感(Insight)。

　　最后，特感谢全杰科技公司(www.softhome.com.tw)，提供STATA 软体，晚学才有机会撰写STATA 一系列的书，以嘉惠学习者。
 

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。

评分☆☆☆☆☆

坦白說，光是書名中的「Stata」、「結構方程模型」、「試題反應理論」這幾個關鍵字，就足以讓我這個長年與數據打交道的「Stata 控」感到心癢難耐。在台灣，從事學術研究或者數據分析工作的，很少有人沒接觸過 Stata。它強大的資料處理能力、靈活的語法操作，以及豐富的擴展模組，確實讓它在眾多統計軟體中脫穎而出。而 SEM 和 IRT，更是許多進階研究論文的核心分析工具。我記得以前為了搞懂 SEM 的一些細節，常常需要翻閱好幾本不同的教科書，還要找很多國外的論文來比對，花了不少時間摸索。IRT 更是感覺像是在另外一個獨立的知識體系，要同時融會貫通，確實需要一個好的引導。 我對於這本書的編排方式非常感興趣。它會從 SEM 的基礎概念開始，逐步深入到各種進階模型嗎？抑或是會直接切入 Stata 的指令操作，透過實際範例來解釋理論？而 IRT 的部分，又會著重在哪些模型？是 Rasch 模型、二參數模型，還是三參數模型？更重要的是，書中會不會提供一些實際的資料集，讓讀者可以跟著書中的步驟一起練習，從原始資料到最終的分析報告，都能一手掌握？畢竟，光看理論、看範例，遠不如自己動手做一遍來得深刻。如果書中能提供足夠的實例，並且能涵蓋從資料準備、模型設定、參數估計、模型適配度檢驗，到結果解釋的完整流程，那這本書的價值將會大大提升。我迫切地想知道，它能讓我省下多少時間，少走多少彎路。

评分☆☆☆☆☆

看到這本《Stata在結構方程模型及試題反應理論的應用》的書名，我的腦海裡立刻浮現出許多過去在學術研究和實際操作中遇到的挑戰。結構方程模型（SEM）和試題反應理論（IRT）都是統計學中非常強大但同時也極具深度的領域。SEM 在探討複雜變項關係、驗證理論模型方面，扮演著至關重要的角色，對於社會科學、心理學、教育學等領域的研究者來說，它幾乎是必備的工具。而 IRT 則在測驗編製、能力評估、項目分析等方面，提供了更精確、更具統計基礎的分析方法，尤其在教育測驗、學術能力鑑定等領域，其重要性不言而喻。 然而，這兩套理論的實際應用，往往不是一蹴可幾的。光是理解其背後的數學原理和統計假設，就可能讓許多人望之卻步。更不用說將這些理論落實到實際數據分析中，需要熟練掌握相應的統計軟體，並能正確解讀軟體輸出的結果。Stata 作為一款功能強大且廣泛使用的統計軟體，在處理複雜模型和進行精確分析方面，具有顯著優勢。因此，一本能將 Stata 的應用與 SEM 和 IRT 這兩個高階統計方法結合的書籍，對於像我一樣，希望能將理論知識轉化為實務能力的讀者來說，絕對是一本值得期待的寶藏。我尤其好奇書中會如何引導讀者，從理論概念的介紹，到 Stata 實際操作的步驟，再到結果的解釋和應用的建議，這整個流程的銜接是否流暢，能否有效幫助讀者克服學習上的障礙。

评分☆☆☆☆☆

這本《Stata在結構方程模型及試題反應理論的應用》這個書名，對於我們這種在台灣教育領域打滾的老師們來說，簡直是久旱逢甘霖。我們長期以來都在為學生的學習成效、測驗的信效度、課程的評量機制傷腦筋。SEM 在我們評估教育政策的影響、探討學習動機與學業成就的關聯等方面，有著不可替代的作用。例如，我們想知道某個新的教學方法，是不是真的能有效提升學生的數學能力，並且這種提升是透過增強學生的學習興趣來達成的，這就非常適合用 SEM 來驗證。 而 IRT，對於我們編制標準化測驗，像是升學考試、國家級的學力檢定，更是核心的分析工具。傳統的 KR-20 或 Cronbach's alpha 雖然能提供總體的信度指標，但在項目分析、評估單一題目的難度、鑑別度，以及更精確地評量學生的能力水平方面，IRT 提供了更為細緻的視角。尤其是在推動適性化學習、精熟學習的理念下，IRT 所能提供的個別化能力評估，更是顯得尤為重要。因此，若這本書能將 Stata 這個強大的分析軟體，與這兩大統計理論完美結合，並且提供一些貼近台灣教育情境的案例，那對於我們這些身處第一線的教育工作者來說，無疑是一份極為寶貴的資源。我希望書中能深入淺出地講解，讓非統計學科班出身的老師也能讀懂、學會，並能實際應用到我們的教學與研究中。

评分☆☆☆☆☆

每次在學術研討會上，聽到同儕們分享 SEM 和 IRT 的研究成果，總會讓我感到既羨慕又有些力不從心。雖然我對這些理論的概念有初步的了解，但當他們開始談論模型設定、參數估計、軟體操作時，我常常會感到一頭霧水。尤其是 Stata，雖然我知道它很強大，但我平時接觸的都是一些比較基礎的統計分析，對 Stata 的進階語法和操作流程，還不是非常熟悉。這也讓我對嘗試應用 SEM 和 IRT 產生了心理上的障礙。 所以我非常期待這本書能成為我跨越這個障礙的橋樑。我希望它能提供一個循序漸進的學習路徑，從最基本的 SEM 模型（像是單因子、多因子驗證性因素分析）和 IRT 模型（例如二分法項目反應模型）開始，逐步引導讀者熟悉 Stata 的相關指令和操作。同時，我也希望書中能提供一些真實世界的資料範例，並詳細展示如何利用 Stata 來進行資料的預處理、模型的建立、參數的估計、模型的診斷（例如適配度指標的判讀），以及結果的解釋。更重要的是，希望書中能包含一些常見問題的解決方案，以及一些在實際應用中可能遇到的陷阱和注意事項。如果能有這樣的指導，我相信我一定能更有信心去探索 SEM 和 IRT 的世界。

评分☆☆☆☆☆

這本書的書名，立刻勾起了我對於過去那些為了統計分析而熬夜查文獻、試圖理解複雜模型、以及在電腦前與 Stata 奮鬥的點點滴滴的回憶。結構方程模型（SEM）的強大之處在於它能夠讓我們描繪出抽象概念之間複雜的因果關係，這在心理學、社會學、市場研究等領域，都是非常關鍵的研究工具。而試題反應理論（IRT），更是讓我在測驗發展和人才評估方面，有了更精確、更科學的依據。然而，將這些理論從紙面上的公式，轉化為 Stata 程式碼，再到能夠解讀的分析結果，這中間的過程，實在是充滿了挑戰。 我尤其關注的是，這本書在 Stata 的操作方面，會有多麼詳盡的指導。Stata 的語法雖然靈活，但對於初學者來說，可能需要花不少時間去適應。我希望書中能夠提供清晰、易懂的 Stata 指令，並且能夠解釋每一個指令背後所代表的意義，以及它在 SEM 或 IRT 模型建構中的作用。此外，我也期待書中能夠展示如何利用 Stata 來進行模型的適配度檢驗，並針對不同的適配度指標，提供詳細的解釋和判讀建議。因為，很多時候，模型建構完成後的解讀，往往比模型建構本身更為關鍵。如果這本書能夠在這方面給予我足夠的啟發和幫助，那將會是一本我願意長期珍藏的工具書。