SEM术语详解，让你轻松掌握

（1）观测变量即可直接测量的变量，通常是指标。

（2）潜变量亦称隐变量，是无法直接观测并测量的变量。潜变量需要通过设计若干指标间接加以测量。

（3）外生变量是指那些在模型或系统中，只起解释变量作用的变量。它们在模型或系统中，只影响其他变量，而不受其他变量的影响。在路径图中，只有指向其他变量的箭头，没有箭头指向它的变量均为外生变量。

（4）内生变量是指在模型或系统中，受模型或系统中其他变量包括外生变量和内生变量影响的变量，即在路径图中，有箭头指向它的变量，它们也可以影响其他变量。

外源变量（Exogenous variable）：外源变量是指在特定的结构模型分析中，只用来预测其他指标而不被其他指标预测的变量。如年龄的变化可以导致血脂和血压的变化，但年龄本身并不受其他变量的影响。因此，年龄是外源变量。如果用路径图表示的话，箭头只会离开外源变量而不会指向外源变量。

内源变量（Endogenous variable）：和外源变量相反，内源变量是指在特定的结构模型分析中至少被其他一个外源变量所影响的变量。比如，血压受年龄，血脂等多个变量的影响，因此是内源变量。值得指出的是，尽管体重和血脂影响血压，但它们也同时被其他变量（如年龄）影响，因此体重和血脂都是内源变量。如果用路径图表示的话，至少会有一个箭头指向内源变量。应该指出的是内源变量和外源变量都是相对概念，它们是由研究课题本身和课题研究人员的兴趣决定的。

中介变量（Mediating variable，Intervening variable，intermediate variable）：中介变量是在因果联结其他两变量的中间变量。中介关系不只限于生物学上的作用，比如，在过度饮酒→肝硬化→肝癌的关系中，肝硬化是饮酒与肝癌关系中的中介变量。中介关系也同样适应于阐述社会学和心理学现象，比如父母的社会阶层影响孩子未来的社会阶层，这一影响很大程度上是通过文化教育介导的。中介变量又可根据其介导程度分为：完全中介变量和部分中介变量。完全中介变量是指，一个预测变量对结果的作用是完全通过中介变量传导的。而部分中介变量是指预测变量对结果变量的部分影响是通过中介变量传导的。比如，体育锻炼与血脂、血压之间的关系，血脂便是一个部分中介变量。经常参加体育锻炼有助于降低血脂，而降低血脂本身又可以预防高血压，但体育锻炼还可能通过其他途径影响血压。

显变量（Manifest variable）或称指示变量（Indicator）：指可以通过直接观察或测量得到的变量。

隐变量（Latent variable）也被称为隐结构（Latent construct）或因子（Factor）：隐变量是指理论上存在，但不能被直接测量的变量或概念。在结构模型分析中，隐变量是通过一个或若干个指示变量来估计的。比如，一个医生的业务水平是不能直接测量的，但可以通过若干可测量的指示变量来估计，比如是否出过医疗事故，有无博士学位，专业考试的分数，科研论文数量等等。又比如，体育锻炼本身是不可以被直接测量的，可以理解成隐变量。但具体的某项体育活动，如平均每天跑步和骑自行车的时间等是可以被直接观察或测量到的，因此是显变量可以用来估计“体育锻炼”这个隐变量的情况。

模型识别（Identification）：在结构方程模型分析中，用识别力来反映是否有足够的已知变量和方程来求未知的回归系数。根据模型中已知和未知的相对比例，结构方程模型可分为三类：充足识别（Over identified），恰好识别（Just identified）和不能识别（Under identified）。由于结构方程模型分析中的例子相对复杂，为了帮助理解这一基本概念，我们不妨借助中学课程中多元一次方程的概念来作个类比。在x+y=5这一数学式中有两个未知数，但只有一个方程，因此x和y是无解的，所以这个方程是不能识别方程。以此类推，方程组（x+5=5，y-x=1）和（x+5=5，y-x=1，x×y=6）分别是恰好识别和充足识别方程。在结构方程分析中可通过计算模型的自由度来决定一个特定模型的识别。

在这里，d.f为模型的自由度，p为内源性变量的个数，q为外源性变量的个数，t则是模型所要估计参数的总和，其中包括通经系数，及所要估计的方差协方差。自由度等于1的模型为恰好识别模型，自由度大于1时为充足识别模型，小于1时为不能识别模型。尽管模型为恰好识别模型时仍可进行参数估计，但如果模型的自由度为0，则不能进行统计检验。(www.xing528.com)

克隆巴赫α是一个综合指标，研究中多用于观察指标反应，研究人员往往需要估计单个具体观察指标与综合指标关系。克隆巴赫α是评价单个具体观察指标反应其相应综合指标可靠性的统计参数。克隆巴赫α值波动在0到1之间，值越高可靠性就越好。一般来讲，克隆巴赫α值在0.7以上被视为可靠性好的标准。在SAS程序中可用PROCCORRALPHA命令得到克隆巴赫α数值。

模型拟合（Goodness-of-fit）：由于结构方程分析的基本数据是协方差或相关矩阵，因此模型的拟合是通过检查实际数据和模型估计数据（方差协方差或相关矩阵，variance-co variance or correlation matrix）接近程度的残差矩阵（Residual matrix）来实现的。实际数据和模型估计数据越接近，残差矩阵就越小而模型拟合度就越高。

探索性因子分析（Exploratory factor analysis）和确定性因子分析（Confirmatory factor analysis）：广义地讲因子分析是指用来分析多个相互关联变量的若干统计分析方法。其宗旨是利用特定的统计手段把很多个显变量按其相互关系归纳成理论上存在的少数几个因子或隐变量。尽管存在争议，主成分分析（Principal components analysis）有时也被视为因子分析的一种。

确定性因子分析是结构方程模型分析中的重要手段之一，用来评价隐变量和其对应指示变量的关系。相对而言，当因子分析用于寻找和确定是否存在理论上的因子时被称为探索性因子分析。

测量模型（Measurement model）：测量模型是结构方程模型分析中的分模型，是用于通过确定性因子分析的手段确定和评估指示变量和隐变量之间的关系。在含有隐变量的结构方程模型分析中测量模型分析需在模拟结构模型分析之前进行。

结构模型（Structural model）：在测量模型分析的基础上，结构模型用于表示研究假设存在的各种关系。结构方程模型的回归系数是在结构模型中确定的。

直接作用（Direct effect）：是指一个变量对另一变量发生影响时无需通过中介变量。但值得指出的是，实际科研中直接作用是一个相对概念，它受研究者对研究现象的理解和兴趣的影响。同时也受研究现象本身的实际意义和可行性影响。比如，吸烟和肺癌的关系一般被看作直接作用。但严格地讲在肺癌发生前，吸烟往往先造成肺部细胞和分子的改变，从这个意义上讲吸烟对肺癌发生的影响又是间接作用。但细胞的变化一般是不易观察到的，因此在现代流行病学研究中把吸烟对肺癌的影响归为直接作用更具有实际意义。

间接作用（Indirect effect）：相对直接作用而言，间接作用是指预测变量对结果变量的影响需要借助中介变量。根据预测变量对中介变量的依赖性程度，间接作用又可分为完全间接作用和部分间接作用。

最大似然函数估计（Maximum Likelihood Estimation，MLE）：最大似然函数和普通最小二乘法可视为多元统计分析中最常用的总体参数估计方法。MLE的基本原理是通过反复使用不同的未知参数来计算产生实际观察到数据的概率，通过若干次不同的比较来找出和产生观察到实际数据最大概率的参数，这时所得到的参数便是最可能要估计的参数。最大自然函数估计是在结构方程模型分析中的重要组成部分。