Skip to content

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 ​

  1. 先定義理論上的測量結構
  2. 明確寫出 lavaan 語法
  3. 用 cfa() 或 sem() 配適
  4. 看整體配適指標
  5. 看標準化負荷量與潛在共變異
  6. 先處理警告,再解讀實質結果
  7. 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 SEMSEM 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。