SEM协方差在双一流视野下的研究生创新能力培养与评价

1.常规的SEM有两个主要目标

①了解一组变量之间的相关/协方差模式。

②用指定的模型尽可能解释它们的方差。

因此常规SEM也有人直接称为协方差SEM，下文也使用这一称呼，尽管可能不贴切，因为分段SEM也基于协方差，只是情况比常规SEM复杂一些。

观测协方差矩阵（原始变量观测值的协方差矩阵）与预测协方差矩阵（模型预测值的协方差矩阵）之间的差异量化了模型的拟合优度。

2.协方差SEM的拟合度评估

可用于反映模型拟合优度的指标有很多，例如卡方值（CMIN）、卡方自由度比（CMIN/DF）、比较拟合指数（CFI）、近似值的均方根误差（RMSEA）、信息准则（AIC）、贝叶斯信息标准（BIC）等，它们均以比较两个协方差矩阵的差异为准。(www.xing528.com)

通常使用诸如极大似然之类的方法，选择最能重现观测协方差矩阵整体的参数估计值（最小化两者差异），并使用卡方检验来评估SEM的拟合优度，将估计值与观察到的协方差矩阵进行比较。

3.协方差SEM的局限性

协方差SEM假定所有变量均来自正态分布，即数据服从多元正态分布。

协方差SEM假设所有观察结果都是独立的，换句话说，假设数据没有底层结构。例如在生态学研究中，这些假设经常被违反，变量间的空间、时间等相关关系是普遍存在的，尽管实际中通常忽略该假设。

SEM通常需要相当大的样本量，每个估计参数至少需要5个样本，普遍在10个以上。如果变量是嵌套的，则此问题可能会更为棘手，此时通常只能在层次结构的最高层考虑变量，这会极大降低分析的能力。