结构方程模型：研究方法及应用

目前，国内外的学者研究管理问题时，最常采用的统计方法主要有两种：一种是以回归模型为代表的第一代统计研究模型，另一种是以结构方程模型（Structural Equation Modeling，SEM）为代表的第二代统计研究模型。结合本书涉及的相关要素的特点，以及所讨论问题的本质，本书选取结构方程模型作为本文的主要实证研究方法。

SEM 模型是以线性方程体系来研究观测变量与潜在变量以及潜在变量之间的一种统计分析方法，其实质是计量经济学、计量社会学与计量心理学等领域的统计分析方法的综合。

SEM 的基本理念源于20 世纪20 年代出现的路径分析法，在70 年代才由瑞典统计学家、心理测量学家Joreskog 提出，并在1994 年创刊的Structural Equation Modeling 专门刊登结构方程模型领域的理论与实证研究。90 年代SEM 方法受到越来越多学者的关注，被广泛应用到心理学、经济学、社会学、管理学、行为科学等领域的研究，取得诸多有价值的研究成果。2001 年SEM 的应用开始升温，从2003 年开始在诸多统计研究方法中一枝独秀，在2010 年后趋于稳定。

SEM 模型包括：①测量模型（measurement model），反映潜变量和可测变量间的关系；②结构模型（structural model），反映潜变量之间的结构关系。SEM 一般由3 个矩阵方程式所代表：

式（4-1）为结构模型，η 为内生潜变量，ξ 为外源潜变量，η 通过B 和Γ 系数矩阵以及误差向量ζ把内生潜变量和外源潜变量联系起来。式（4-2）和式（4-3）为测量模型，X为外源潜变量的可测变量，Y为内生潜变量的可测变量，Λx为外源潜变量与其可测变量的关联系数矩阵，Λy为内生潜变量与其可测变量的关联系数矩阵，通过测量模型，潜变量由可观测变量来反映。

为何结构方程得到如此广泛的应用，主要源于以下五个特点：(www.xing528.com)

其一，能够处理潜变量。在本质上不能直接观测或测量到的变量被称为潜变量（latent variables），如心理学中的人的情绪，行为学中的顾客满意度，还有本书的创业者的社会网络等。不可以直接观察成为研究这些变量与其他变量关系的障碍，SEM可以吸取传统算法中的因子分析和路径分析的优点，采用SEM模型中的迭代算法，通过设定可以观测的变量（显变量，observableindicators）去衡量潜变量，进而可以研究不同潜变量之间的关系。

其二，可以同时处理多组因变量。传统的回归分析中，即使模型中展示了多个因变量，但在实际回归时，只能对每一个因变量逐一计算。所以，即使模型中好像同时考虑了多个因变量，但在实际计算时都是忽略了其他因变量的影响，与模型的理论相悖，而SEM可以同时处理多组因变量。

其三，能同时估计因子间的结构和因子间的关系。因为每个潜变量都用多个指标或题目去测量，SEM方程可以同时考虑测量指标与潜变量之间、各个潜变量之间的两类关系。而且同一个指标能隶属于不同的潜变量。

其四，允许含有测量误差。无论潜在变量内生还是外生，都需要通过观测变量来反映，这样在引入显变量时就不可避免地会产生误差，这种误差包括因不准确测量产生的随机误差，也包括显变量测量了包含其特性之外性质产生的系统误差。在SEM中，误差测量同路径系数一样被视为参数估计的对象，并试图更正测量误差导致的偏误，但由于SEM对这些误差“敏感度”不高，所以模型通常拟合得很好，这时模型得出的结论并不一定是最可靠的。

其五，重视多重指标的运用。SEM集多种统计技术于一身，但对统计显著性的依赖程度却远不及一般统计分析。SEM的参考指标不以单一参数为主要标准，注重综合性的系数，并发展出不同的统计评估指标，使研究者可以从不同角度来进行分析、评价。