外觀
Statistics › 多變量分析 › 結構方程模型
結構方程模型與 lavaan (Structural Equation Modeling, SEM)
SEM 在同一個模型中描述觀察變數、潛在變數,以及潛在變數之間的關係。它不只是「畫了箭頭的迴歸」:真正的價值在於把測量模型與結構關係放在同一框架。R 的 lavaan 是最常用的套件。
何時用
| 情境 | 例子 |
|---|---|
| 多個題目測量同一個潛在概念 | 問卷量表、心理測驗 |
| 想驗證而非探索因素結構 | 驗證性因素分析 (CFA) |
| 多條關係需要同時評估 | 路徑模型、中介 (mediation) |
| 想明確建模量測誤差 | — |
| 概念有階層 | 高階因素模型 |
| 變數 | 意義 | 圖示慣例 |
|---|---|---|
| 觀察變數 (manifest) | 資料中直接量到的值 | 方形 |
| 潛在變數 (latent) | 由多個指標推論的未觀察構念 | 圓形 / 橢圓 |
PCA 問「什麼低維結構能解釋變異?」(資料驅動);SEM 問「這個假設的潛在結構及其關係,與資料相符嗎?」(理論驅動)。
lavaan 語法
| 運算子 | 意義 | 例子 |
|---|---|---|
=~ | 潛在變數由…測量 | visual =~ x1 + x2 + x3 |
~ | 迴歸(結構路徑) | outcome ~ visual + speed |
~~ | 變異 / 共變異 | visual ~~ speed |
:= | 定義衍生參數 | indirect := a * b(中介效果) |
r
library(lavaan)
# 單因素 CFA
fit1 <- cfa("visual =~ x1 + x2 + x3", data = HolzingerSwineford1939)
# 多因素 CFA:要一起配適,才能估計因素之間的相關、檢驗整體結構
model <- '
visual =~ x1 + x2 + x3
speed =~ x7 + x8 + x9
'
fit <- cfa(model, data = HolzingerSwineford1939)
summary(fit, standardized = TRUE, fit.measures = TRUE) # 看標準化負荷量與配適指標
# 高階因素:多個一階因素由更廣的二階因素解釋
higher <- '
verbal_comp =~ v1 + v2 + v3
working_memory =~ w1 + w2 + w3
verbal_iq =~ verbal_comp + working_memory
'
inspect(fit, "cov.lv") # 潛在變數共變異矩陣(排查 Heywood case)分開配適兩個小 CFA ≠ 配適一個聯合多因素模型。聯合模型才能估計潛在因素間的共變異、檢驗完整的驗證性假設。
配適指標 (Fit Indices)
| 指標 | 問的問題 | 常用參考 |
|---|---|---|
| CFI / TLI | 比基準模型(變數全不相關)好多少? | ≥ 0.95 好、≥ 0.90 可接受 |
| RMSEA | 每個自由度還剩多少近似誤差? | ≤ 0.06 好、≤ 0.08 可接受 |
| SRMR | 觀察與模型隱含相關矩陣的殘差 | ≤ 0.08 |
| χ² 檢定 | 模型完全正確嗎? | 大樣本幾乎必顯著,不要單獨使用 |
不要只看單一指標當作及格 / 不及格;多個指標與參數估計指向同一方向時,結論才穩。
標準化負荷量更好解讀:哪些題目強力代表該構念?有沒有負荷量很弱的題目?構念是否定義不清?
Heywood Case
| 徵兆 | 常見意義 |
|---|---|
| 負的變異數估計 | 某指標行為異常或模型過度擠壓 |
| 相關係數超出 ±1 | 兩個因素在此資料中無法區分 |
| 潛在共變異矩陣非正定 (not positive definite) | 模型設定錯誤、無法識別、指標過度冗餘、樣本不足 |
這種警告不能忽略後繼續報告結果。用 inspect(fit, "cov.lv") 檢查:潛在相關是否接近 ±1?是否有因素其實是重複的?
建議流程
- 先定義理論上的測量結構
- 明確寫出 lavaan 語法
- 用
cfa()或sem()配適 - 看整體配適指標
- 看標準化負荷量與潛在共變異
- 先處理警告,再解讀實質結果
- 確認測量模型可接受後,才討論結構理論是否被支持
| 常見錯誤 | 說明 |
|---|---|
| 沒有測量理論就用 SEM | SEM 是驗證工具 |
| 把配適指標當成及格清單 | 它們是證據,不是通關條件 |
| 忽略 Heywood 警告 | 輸出看起來漂亮,但模型不穩 |
| 測量模型還不行就解讀結構路徑 | 順序錯了 |
| 以為軟體估計出來的潛在因素就「真實存在」 | 估計 ≠ 實在 |
Python 替代:
semopy套件語法與 lavaan 相近。