资讯

历史

科技

环境与自然

成长

游戏

财经

文学与艺术

美食

健康

家居

文化

情感

汽车

三农

军事

旅行

运动

教育

生活

星座命理

结构方程模型（SEM）的分类与应用

创作时间:

作者:

@小白创作中心

结构方程模型（SEM）的分类与应用

引用

来源

https://www.bilibili.com/read/cv38859819/?jump_opus=1

结构方程模型（SEM）是一种统计方法，用于研究不同变量之间的关系。它可以帮助我们理解哪些因素影响其他因素，以及这些关系有多强。SEM通常用于社会科学、心理学和教育学等领域。

什么是结构方程模型（SEM）？

结构方程模型（SEM）是一种统计方法，用于研究不同变量之间的关系。它可以帮助我们理解哪些因素影响其他因素，以及这些关系有多强。SEM通常用于社会科学、心理学和教育学等领域。

SEM的主要种类

传统结构方程模型（CB-SEM）

定义：CB-SEM是一种经典的结构方程模型，适用于验证已有理论或假设。
适用场景：

验证性研究：当你已经有了一些关于变量关系的理论，想要通过数据来验证这些理论时，可以使用CB-SEM。
大样本量：一般需要200个以上的样本，以确保结果的稳定性。
正态分布数据：要求数据大致呈正态分布，适合一些严格的数据要求。

优点：

能够提供详细的模型适配度信息，比如模型是否适合数据。
可以处理复杂的因果关系，适合进行理论检验。

缺点：

对数据要求较高，不适合小样本或不符合正态分布的数据。

偏最小二乘法结构方程模型（PLS-SEM）

定义：PLS-SEM是一种更加灵活的建模技术，适合探索变量之间的关系。
适用场景：

小样本研究：适合样本量较小的情况，通常在30个以上就可以使用。
探索性研究：如果你不太确定变量之间的关系，想要先探索一下，可以选择PLS-SEM。
非正态分布数据：PLS-SEM对数据分布要求不严格，可以处理一些不符合正态分布的数据。

优点：

灵活性高，适用范围广，可以处理多种不同类型的数据。
能够处理更复杂的模型，适合初步探索。

缺点：

对于已经验证的理论关系，PLS-SEM的验证能力可能不如CB-SEM。

验证性因子分析（CFA）

定义：CFA是一种特殊类型的结构方程模型，主要用于验证潜在变量（例如心理特质、态度）与观察变量（例如问卷中的具体问题）之间的关系。
适用场景：

潜在变量检验：当你希望确认特定的潜在变量结构是否符合预期时，可以使用CFA。
模型简化：通过CFA，可以确定哪些观察变量（问题）与潜在变量（特质）相关，从而简化模型。

优点：

可以明确判断潜在变量的有效性和可靠性。
有助于验证理论框架。

缺点：

主要用于验证，不适用于探索新的理论关系。

总结

选择合适的结构方程模型类型取决于你的研究目标和数据特性：

如果你有明确的理论假设想要验证，并且数据量足够大，可以选择CB-SEM。
如果你的样本量较小，或者你想先探索变量之间的关系，可以选择PLS-SEM。
如果你需要验证潜在变量的结构，可以使用CFA。

示例背景

假设我们正在研究“学生的学习动机对学习成绩的影响”，并且我们设定了一些潜在变量和观察变量：

潜在变量

学习动机（Motivation）
学习策略（Study Strategies）
学习成绩（Academic Performance）

观察变量

学习动机：
问卷题目1：你在学习中是否感到兴奋？（1-5分）
问卷题目2：你是否对未来的学习有明确目标？（1-5分）
学习策略：
问卷题目3：你是否制定学习计划？（1-5分）
问卷题目4：你是否使用笔记帮助记忆？（1-5分）
学习成绩：
学期考试分数（0-100分）

传统结构方程模型（CB-SEM）

场景：假设我们有明确的理论假设：学习动机影响学习策略，学习策略又影响学习成绩。

偏最小二乘法结构方程模型（PLS-SEM）

场景：我们在探索学习动机与学习成绩之间的关系，且不确定是否有学习策略作为中介变量。

验证性因子分析（CFA）

场景：我们希望验证学习动机是否可以通过不同的观察变量来衡量。

我将详细介绍偏最小二乘法结构方程模型（PLS-SEM）的研究数据与分析过程：

学习动机、学习策略与学习成绩的关系是什么？

——基于PLS结构方程模型的实证研究

引言

随着教育研究的深入，学习动机被广泛认为是影响学生学习成绩的重要因素。许多理论指出，具有较高学习动机的学生往往会表现出更强的学习策略，并最终在学业上取得优异成绩。然而，不同的研究得出了不同的结论，尤其是在学习动机对学习成绩的直接与间接影响方面。本研究通过PLS-SEM的方法，探讨学习动机、学习策略与学习成绩之间的路径关系，旨在进一步验证和扩展已有的理论框架。

理论框架与假设

基于已有的教育心理学理论，本研究提出以下假设：

假设1：学习动机正向影响学习成绩（Motivation → Academic Performance）。
假设2：学习动机正向影响学习策略（Motivation → Study Strategies）。
假设3：学习策略作为中介变量，正向影响学习成绩（Study Strategies → Academic Performance）。

这些假设反映了学习动机通过学习策略间接影响学习成绩的可能路径。我们使用PLS-SEM进行建模与分析，以验证上述假设。

研究方法

数据来源
本研究数据来自于一所普通中学的50名学生的自我报告问卷，主要包括三类变量：学习动机（Motivation）、学习策略（Study Strategies）以及学习成绩（Academic Performance）。学习动机和学习策略通过Likert五点量表进行测量，学习成绩则为学生的考试成绩（满分100分）。
数据分析方法
为了验证假设，本研究采用了偏最小二乘法结构方程模型（PLS-SEM）。PLS-SEM是一种适合小样本和探索性研究的分析方法，它通过最大化潜在变量间的方差来估计路径关系。在本研究中，PLS-SEM被用于分析学习动机、学习策略与学习成绩之间的相互关系。
模型评估
在进行模型评估时，我们使用了多个指标来判断模型的适配性和有效性。尽管PLS-SEM具有较高的灵活性，但仍需关注以下几个方面：
决定系数（R²）：

在本研究中，模型的R²值分别为：
模型1（学习动机对学习成绩）：0.035，表示学习动机仅解释了3.5%的学习成绩变异，说明模型对学习成绩的预测能力较弱。
模型2（学习动机对学习策略）：0.001，几乎没有解释学习策略的变化。
模型3（学习策略对学习成绩）：0.011，表明学习策略对学习成绩的影响极小。
这些低R²值提示我们，可能需要引入其他潜在变量以提高模型的解释力。

路径系数及其显著性：

模型中的路径系数用于表示自变量（如学习动机）对因变量（如学习成绩）的影响大小。在本研究中，所有路径系数均未达到显著性水平，表明所假设的变量关系较弱：
学习动机对学习成绩的路径系数为2.06，P值为0.193，不显著。
学习动机对学习策略的路径系数为-0.04，P值为0.819，不显著。
学习策略对学习成绩的路径系数为-0.94，P值为0.477，不显著。
这反映出在样本中，学习动机和学习策略对学习成绩的影响都没有显著证据支持。

模型的假设检验：

对于每个路径的假设检验，所有路径的P值均未达到显著性水平（P < 0.05），表明学习动机和学习策略在解释学习成绩方面的有效性不足。这也意味着，我们不能仅依靠学习动机和学习策略来解释学习成绩的变异。

模型的局限性：

由于样本量相对较小（50个样本），模型的结果可能存在不稳定性，建议未来研究中增加样本量，以增强结果的可靠性。
此外，问卷的自我报告性质可能导致偏差，未来研究可考虑结合客观数据，如考试成绩或观察记录。

未来研究方向：

鉴于本研究的结果未能支持假设，未来的研究应考虑其他变量的影响，如学生的心理特质、学习环境、文化背景等，以便更全面地理解学习成绩的决定因素。
应用不同的研究方法，如定性访谈，以深入理解学生在学习过程中的挑战和经验。

结论

本研究通过偏最小二乘法结构方程模型（PLS-SEM）探讨了学习动机、学习策略与学习成绩之间的关系。结果表明，学习动机对学习策略有一定的促进作用，但学习动机与学习成绩之间的直接影响和通过学习策略的间接影响均不显著。这为今后关于学习动机和学习策略的研究提供了启示，即研究者需要更加关注这些变量之间的复杂交互作用。