结构方程模型及其应用-侯杰泰

结构方程模型及其应用结构方程模型及其应用-侯杰泰侯杰泰100个分数个分数:21,31,32,05,06,09,10,22,29,18,11,01,39,92,23,27,93,97,30,02,96,40,53,78,04,98,36,07,08,24,54,55,77,99,34,03,86,87,59,60,15,62,63,43,52,28,79,58,65,95,81,85,57,14,17,33,16,19,20,37,25,69,84,61,64,68,70,42,45,72,83,89,44,38,47,71,00,73,12,35,82,56,75,41,46,49,50,94,66,67,76,51,88,90,74,13,26,80,48,91 均值均值M=53，标准差，标准差SD=15 If the distribution is normal,then mean and sd are enough to express the data2100100名学生在名学生在9 9个不同学科间的相关系数个不同学科间的相关系数There are 45 elements in the matrix3Think about 3 factors existed45Similar covarian matrix,and compare original and new to see if the model Can fit data6检查模型的检查模型的准确性准确性(卡方）和简洁性（卡方）和简洁性（df)拟合优度指数（拟合优度指数（goodness of fit index），），简称为拟合指数简称为拟合指数 、NNFI、CFI df=不重复元素不重复元素,p(p+1)/2 估计参数估计参数 在前面例子在前面例子 df=9 x 10/2 21=24There are 9 errors of observed variables and 3 correlations between 3 latent variables and 9 factor burdens7M28M39M410M511M612M71314_模型 df NNFI CFI 需要估计的参数个数 _ M1 24 40.973 .98221=9 Load9 Uniq3 Corr M2 27 503.294.471 18=9 Load9 UniqM3 26 255.647.745 19=9 Load+9 Uniq+1 CorrM4 26 249.656.752 19=9 Load9 Uniq1 CorrM5 27 263.649.727 18=9 Load9 UniqM6 24 422.337 .558 21=9 Load9 Uniq3 CorrM7 21 113 .826 .898 24=9 Load9 Uniq6Corr _15模型比较 自由度,拟合程度,不能保证最好，可能存在更简洁又拟合得很好的模型 Input:相关（或协方差）矩阵一个或多个有理据的可能模型 Output:既符合某指定模型，又与 差异最小的矩阵估计各路径参数（因子负荷、因子相关系数等）。计算出各种拟合指数16结构方程模型的重要性Structural Equation Model，SEM Covariance Structure Modeling，CSM LInear Structural RELationship，LISREL 17结构方程模型的结构 测量模型 外源指标（如6项社经指标）组成的向量。内生指标（如语、数、英成绩）组成的向量因子负荷矩阵 误差项 结构模型 18结构方程模型的优点 同时处理多个因变量容许自变量和因变量含测量误差传统方法（如回归）假设自变量没有误差 同时估计因子结构和因子关系容许更大弹性的测量模型估计整个模型的拟合程度用以比较不同模型 SEM包括:回归分析、因子分析(验证性因子分析、探索性因子分析)、检验、方差分析、比较各组因子均值、交互作用模型、实验设计 19一 验证性因子分析 17个题目:学习态度及取向 A、B、C、D、E4、4、3、3、3题 350个学生 2021Confirmatory Factor Analysis Example 1DA NI=17 NO=350 MA=KMKM SY 1.34 1MO NX=17 NK=5 LX=FU,FI PH=ST TD=DI,FRPA LX4(1 0 0 0 0)4(0 1 0 0 0)3(0 0 1 0 0)3(0 0 0 1 0)3(0 0 0 0 1)OU MI SS SC22什么情况下固定？什么情况下固定？两个变量（指标或因子）间没有关系，将元素固定为0例如，不从属，将因子负荷(LX 1,2)固定为0。又如，因子和因子没有相关，PH 1,2 固定为0。需要设定因子的度量单位(scale)因子没有单位，无法计算。一种将所有因子的方差固定为1(或其他常数)，简称为固定方差法一种是在每个因子中选择一个负荷固定为1(或其他常数)，简称为固定负荷法。什么情况下设定为自由什么情况下设定为自由:所有需要估计的参数2324补充例子9个题目，第1、2、3题(第1个因子)；第4、5、6题(第2个因子)，第7、8、9题(第3个因子)设因子1,2,3互有相关 固定方差法固定方差法 MO NX=9 NK=3 LX=FU,FI PH=ST TD=DI,FRFR LX 1,1 LX 2,1 LX 3,1 LX 4,2 LX 5,2FR LX 6,2 LX 7,3 LX 8,3 LX 9,3固定负荷法固定负荷法MO NX=9 NK=3 LX=FU,FI PH=SY,FR TD=DI,FRFR LX 2,1 LX 3,1 LX 5,2 LX 6,2 LX 8,3 LX 9,3VA 1 LX 1,1 LX 4,2 LX 7,325设因子1和因子3无关，因子1和因子2、因子2和因子3相关固定方差法固定方差法MO NX=9 NK=3 LX=FU,FI PH=ST TD=DI,FRFR LX 1,1 LX 2,1 LX 3,1 LX 4,2 LX 5,2 LX 6,2 LX 7,3 LX 8,3 LX 9,3FI PH 1,3固定负荷法固定负荷法MO NX=9 NK=3 LX=FU,FI PH=SY,FR TD=DI,FRFR LX 2,1 LX 3,1 LX 5,2 LX 6,2 LX 8,3 LX 9,3VA 1 LX 1,1 LX 4,2 LX 7,3FI PH 1,326Number of Input Variables 17 (读入的变量个数)Number of Y-Variables 0 (Y-变量个数)Number of X-Variables 17 (X-变量个数)Number of ETA-Variables 0 (Y-因子个数)Number of KSI-Variables 5 (X-因子个数)Number of Observations 350 (样品个数)27Parameter Specifications 参数设定 LAMBDA-X KSI 1 KSI 2 KSI 3 KSI 4 KSI 5 -VAR 1 1 0 0 0 0 VAR 2 2 0 0 0 0 VAR 3 3 0 0 0 0 VAR 4 4 0 0 0 0 VAR 5 0 5 0 0 0 VAR 6 0 6 0 0 0 VAR 7 0 7 0 0 0 VAR 8 0 8 0 0 0 VAR 9 0 0 9 0 0 VAR 10 0 0 10 0 0 VAR 11 0 0 11 0 0 VAR 12 0 0 0 12 0 VAR 13 0 0 0 13 0 VAR 14 0 0 0 14 0 VAR 15 0 0 0 0 15 VAR 16 0 0 0 0 16 VAR 17 0 0 0 0 1728 PHI KSI 1 KSI 2 KSI 3 KSI 4 KSI 5 -KSI 1 0 KSI 2 18 0 KSI 3 19 20 0 KSI 4 21 22 23 0 KSI 5 24 25 26 27 0 THETA-DELTA VAR1 VAR2 VAR3 VAR4 VAR5 VAR6 VAR7 VAR8 VAR9 VAR10 28 29 30 31 32 33 34 35 36 37VAR 11 VAR 12 VAR 13 VAR 14 VAR 15 VAR 16 VAR 17 38 39 40 41 42 43 4429 Number of Iterations=19 LISREL Estimates(Maximum Likelihood)参数估计 LAMBDA-X KSI 1 KSI 2 KSI 3 KSI 4 KSI 5 -VAR 1 0.59 -(0.06)9.49 VAR 2 0.58 -(0.06)9.30 VAR 3 0.62 -(0.06)9.93 VAR 4 0.05 -(0.07)0.8130 VAR 5 -0.64 -(0.06)10.46 VAR 6 -0.57 -(0.06)9.32 VAR 7 -0.51 -(0.06)8.29 VAR 8 -0.28 -(0.06)4.41 VAR 9 -0.59 -(0.06)9.56 31 VAR 10 -0.61 -(0.06)9.99 VAR 11 -0.64 -(0.06)10.47 VAR 12 -0.62 -(0.06)10.28 VAR 13 -0.66 -(0.06)10.84 VAR 14 -0.54 -(0.06)8.96 VAR 15 -0.65 (0.06)11.14 VAR 16 -0.72 (0.06)12.19 VAR 17 -0.55 (0.06)9.3632 PHI KSI 1 KSI 2 KSI 3 KSI 4 KSI 5 -KSI 1 1.00 KSI 2 0.52 1.00 (0.07)7.06 KSI 3 0.40 0.53 1.00 (0.08)(0.07)5.21 7.24 KSI 4 0.51 0.54 0.48 1.00 (0.07)(0.07)(0.07)6.97 7.47 6.60 KSI 5 0.42 0.50 0.44 0.50 1.00 (0.07)(0.07)(0.07)(0.07)5.77 6.99 6.22 7.17 33 THETA-DELTA VAR 1 VAR 2 VAR 3 VAR 4 VAR 5 VAR 6 -0.65 0.66 0.61 1.00 0.59 0.67 (0.07)(0.07)(0.07)(0.08)(0.07)(0.07)9.63 9.85 9.02 13.19 8.82 10.21 VAR 7 VAR 8 VAR 9 VAR 10 VAR 11 VAR 12 -0.74 0.92 0.66 0.63 0.59 0.61 (0.07)(0.07)(0.07)(0.07)(0.07)(0.06)11.05 12.70 9.96 9.46 8.80 9.46 VAR 13 VAR 14 VAR 15 VAR 16 VAR 17 -0.57 0.70 0.57 0.48 0.69(0.07)(0.07)(0.06)(0.06)(0.06)8.70 10.75 9.13 7.49 10.9134Goodness of Fit Statistics 拟合优度统计量 Degrees of Freedom=109 Minimum Fit Function Chi-Square=194.57(P=0.00)Normal Theory Weight Least Sq Chi-Sq=190.15(P=0.00)Estimated Non-centrality Parameter(NCP)=81.15 90 Percent Confidence Interval for NCP=(46.71;123.45)Minimum Fit Function Value=0.56 Population Discrepancy Function Value(F0)=0.23 90 Percent Confidence Interval for F0=(0.13;0.35)Root Mean Square Error of Approximation(RMSEA)=0.046 90 Percent Confidence Interval for RMSEA=(0.035;0.057)P-Value for Test of Close Fit(RMSEA ETA 3BE是NENE矩阵，ETA(y)对ETA(y)的效应。PS是结构方程残差的协方差矩阵，NENE矩阵。与PH相似，但PS是因子的残差（未被解释的部份）方差。6061DA NI=18 NO=500 MA=KMKM SYMO NY=9 NE=3 NX=9 NK=3 PH=SY,FR PS=SY,FI TD=DI,FR TE=DI,FR BE=FU,FIPA LY3(1 0 0)3(0 1 0)3(0 0 1)PA LX3(1 0 0)3(0 1 0)3(0 0 1)FI LY 1 1 LY 4 2 LY 7 3 LX 1 1 LX 4 2 LX 7 3VA 1 LY 1 1 LY 4 2 LY 7 3 LX 1 1 LX 4 2 LX 7 3PA GA1 1 10 0 11 0 0FR BE 2 1FR PS 1 1 PS 2 2 PS 3 3 PS 2 3OU SS SC MI ND=362结果解释 =292.51，RMSEA=0.050，NNFI=0.93,CFI=0.94，拟合不错 BE 3,2（MI=21.95）及GA 3,3（MI=21.86）。因为BE3,2理论上不太合理，且ETA2,3间已有相关故第一个修正模型M2是让GA 3,3自由估计，=270.14；GA 3,3=0.353，说明增加路径GA 3,3是合适。然后考虑要不要减少原有路径。在各因子关系中，BE 2,1=0.011（SE=0.052,t=0.215)的效应最小，可以删除该路径。将模型M2的 BE 2,1固定为0，变成模型M3。63增加自由参数（模型变复杂），模型的卡方会减少；减少自由参数（模型变简单），模型的卡方会增加。如果增加自由参数后，卡方非常显著地减少，说明增加自由参数是值得的。如果减少自由参数后，卡方没有显著地增加，说明减少自由参数是可取的。64四 高阶因子分析设一阶能力因子有相关，需估计的参数很多。5个一阶因子时，共有10个因子间相关。设有一个普遍能力（二阶）因子，影响各一阶能力因子的表现。10个相关改由5个参数（二阶因子与一阶因子的关系）所替代。二阶因子卡方必然较大，自由度也增加，只要增加的卡方不到显著水平，从模型简洁性，我们选择二阶模型6566Higher Order CFADA NI=17 NO=350KM SY .SE;1 2 3 5 6 7 8 9 10 11 12 13 14 15 16 17/MO NK=1 NY=16 NE=5 PS=DI,FR TE=DI,FR GA=FU,FRPA LY3(1 0 0 0 0)3(0 1 0 0 0)1(1 0 0 0 0)3(0 0 1 0 0)3(0 0 0 1 0)3(0 0 0 0 1)FI LY 1 1 LY 4 2 LY 8 3 LY 11 4 LY 14 5VA 1 LY 1 1 LY 4 2 LY 8 3 LY 11 4 LY 14 5OU SS SC67解释结果MB-2ord节省5个df，chi-2大致相同，其他指数拟合较好二阶因子与一阶因子关系（GA系数）很强(.66,.66,.66,.75,.66）若一阶因子间相关很弱，没有建立二阶因子的需要当模型只有3个一阶因子时（共有3个相关），二阶因子在数学上等同于一阶因子模型因拟合指数反映整个模型的拟合程度，一阶因子模型要有较好的拟合指数。对因子少的一阶模型（如：只含4或5个1阶因子），一般一阶与二阶拟合指数相差不大难区分68另一个二阶因子模型例子25个题:语文、数学、英语、历史和地理能力 6970M-1-ord:chi-2=464,df=265，RMSEA=.034,TLI=.91;5个因子之间的相关系数在.41至.50之间。M-2-ord:拟合优度大致相同，chi-2=465,df=270,RMSEA=.033,TLI=.92,RNI=.93。按简约原则，我们应取二阶模型。二阶与一阶因子关系也很强（BE值.70,.64,.69,.64,.66 71单纯形模型7273 拟单纯形模型(quasi-simplex)7475多组SEM分析 第一类:多组验证性因子分析（或路径分析），各组（例如男、女组）的因子结构是否相同？某些路径参数在不同的组是否有显著差异？(与比较多组回归系数是否相同类似)第二类:各组的因子均值是否相同。这与传统方差分析相似(通常需要先做第一类分析)76多组验证性因子分析 1.形态相同（configural/pattern invariance）2.因子负荷等同3.误差方差等同4.因子方差等同5.因子协方差等同 77表4-2 多组验证性因子分析各模型的拟合指数Model df chi-2 RMSEA NNFI CFI M0,M男生单独估计 24 49.57.0423.969.979M0,F女生单独估计 24 44.93.0347.976.984M1 两组同时估计,no Inv 48 94.50.0384.972.982M2 Loading Inv 54 107.18 .0389.972.979M3 Ld,PH(3,1)Inv 55 107.52.0383.973.979M4 Ld,FacCov Inv 60 109.32.0354.977.981M5 Ld、FacCov、U Inv 69 131.20.0364.974.975M6 Ld,FacCov,U,Intrcpt Inv78 149.96.0361.975.973M7 Ld,FacCov,U,Intrcpt Inv;Fac meanFree 75 132.23.0334.979.978M8 Ld,FacCov,U,Intrcpt,FacM Inv 78 146.77.0360.975.97378Multiple Group using NG=2,M1Male DA NI=9 NO=600 NG=2KMSD1.07 1.23.98 1.02 1.01 1.03 0.99 1.06 0.98MO NX=9 NK=3 LX=FU,FI PH=SY,FR TD=DI,FRFR LX 2,1 LX 3,1 LX 5,2 LX 6,2 LX 8,3 LX 9,3VA 1 LX 1,1 LX 4,2 LX 7,3OU SS SC ND=3female DA NO=700MO LX=PS PH=PS TD=PSOU SS SC ND=379multiple group fixing LX,M2male DA NI=9 NO=600 NG=2MO NX=9 NK=3 LX=FU,FI PH=SY,FR TD=DI,FRFR LX 2,1 LX 3,1 LX 5,2 LX 6,2 LX 8,3 LX 9,3VA 1 LX 1,1 LX 4,2 LX 7,3OU SS SC ND=3female DA NO=700MO LX=IN PH=PS TD=PSOU SS SC nd=380fixing covariance of PH 1 3 to be equalmultiple group,M3male DA NI=9 NO=600 NG=2MO NX=9 NK=3 LX=FU,FI PH=SY,FR TD=DI,FRFR LX 2,1 LX 3,1 LX 5,2 LX 6,2 LX 8,3 LX 9,3VA 1 LX 1,1 LX 4,2 LX 7,3OU SS SC ND=3female DA NO=700MO LX=IN PH=PS TD=PSEQ PH 1 3 1 PH 3 1 OU SS SC nd=381fixing all covariances of factorsmultiple group，M4male DA NI=9 NO=600 NG=2MO NX=9 NK=3 LX=FU,FI PH=SY,FR TD=DI,FRFR LX 2,1 LX 3,1 LX 5,2 LX 6,2 LX 8,3 LX 9,3VA 1 LX 1,1 LX 4,2 LX 7,3OU SS SC ND=3female DA NO=700MO LX=IN PH=IN TD=PSOU SS SC nd=382fixing all variances of errorsmultiple group,M5male DA NI=9 NO=600 NG=2MO NX=9 NK=3 LX=FU,FI PH=SY,FR TD=DI,FRFR LX 2,1 LX 3,1 LX 5,2 LX 6,2 LX 8,3 LX 9,3VA 1 LX 1,1 LX 4,2 LX 7,3OU SS SC ND=3female DA NO=700MO LX=IN PH=IN TD=INOU SS SC nd=383多组分析：均值结构模型不同组别因子均值是否有显著差异(均值结构模型,mean structure models)首先需确定各组的负荷相同更希望因子协方差等同,误差方差等同难实现 指标截距TX等同先让第1组的TX自由(TX=FR)要求其他组别TX与第1组的相等(TX=IN)因子均值等同 先设定第1组各因子均值为0(KA=FI)容许其他组的KA元素自由估计(KA=FR)因子值2倍SE（t2.0）,则因子不同于第1组84Multiple Group fixing tx=invariance，M6male DA NI=9 NO=600 NG=2KMSD1.07 1.23.98 1.02 1.01 1.03 0.99 1.06 0.98ME2.01 2.45 2.67 3.21 3.33 3.45 2.67 2.19 2.34MO NX=9 NK=3 LX=FU,FI PH=SY,FR TD=DI,FR TX=FRFR LX 2,1 LX 3,1 LX 5,2 LX 6,2 LX 8,3 LX 9,3VA 1 LX 1,1 LX 4,2 LX 7,3OU SS SC ND=3 female DA NO=700KMSD 1.05 1.20 1.02.99 1.02 1.02 1.02 1.04 0.96ME2.02 2.48 2.69 3.10 3.20 3.38 2.75 2.29 2.45MO LX=IN PH=IN TD=IN TX=INOU SS SC ND=385结果显示:第2组的KA元素（即语文、数学、英语均值）为0.019,-0.102和0.083对应的SE为0.054,0.041,0.036t-值为0.351、-2.472、2.329这表示:语文自信-男女无差异男生（均值为0）的数学自信高于女生（均值 -0.102,t=2.47）女生的英语自信（均值 0.083）则高于男生（均值为0,t=2.33）86均值结构模型（限制均值等同）multiple group,M8 Fixing KA to be equal,maleDA NI=9 NO=600 NG=2MO NX=9 NK=3 LX=FU,FI PH=SY,FR TD=DI,FR TX=FR KA=FIFR LX 2,1 LX 3,1 LX 5,2 LX 6,2 LX 8,3 LX 9,3VA 1 LX 1,1 LX 4,2 LX 7,3OU SS SC ND=3 female DA NO=700KM,SD,ME女生组相关矩阵MO LX=IN PH=IN TD=IN TX=IN KA=INOU87结构方程建模和分析步骤 验证模型与产生模型纯粹验证（strictly confirmatory，SC）心目中只有一个模型 这类分析不多，无论接受还是拒绝，仍希望有更佳的选择选择模型（alternative models，AM）从拟合的优劣，决定那个模型最为可取但我们仍常做一些轻微修改，成为MG类的分析88产生模型（model generating，MG)先提出一个或多个基本模型基于理论或数据，找出模型中拟合欠佳的部份修改模型，通过同一或其他样本，检查修正模型的拟合程度，目的在于产生一个最佳模型89结构方程分析步骤 模型建构（model specification）,指定观测变量与潜变量（因子）的关系各潜变量间的相互关系（指定哪些因子间有相关或直接效应）在复杂的模型中，可以限制因子负荷或因子相关系数等参数的数值或关系（例如，2个因子间相关系数等于0.3；2个因子负荷必须相等）模型拟合(model fitting,通常 ML)主要的是模型参数的估计(e.g.,回归分析，通常用所最小二乘方法拟合模型，相应的参数估计称为最小二乘估计)90模型评价（model assessment）结构方程的解是否适当(proper)，估计是否收敛，各参数估计值是否在合理范围内（例如，相关系数在+1与1之内）参数与预设模型的关系是否合理。当然数据分析可能出现一些预期以外的结果，但各参数绝不应出现一些互相矛盾，与先验假设有严重冲突的现象检视多个不同类型的整体拟合指数，如 NNFI、CFI、RMSEA 和等含较多因子的复杂模型中，无论是否删去某一两个路径（固定它们为0），对整个模型拟合影响不大应当先检查每一个测量模型 91模型修正（model modification）依据理论或有关假设，提出一个或数个合理的先验模型检查潜变量（因子）与指标（题目）间的关系，建立测量模型可能增删或重组题目。若用同一样本数据去修正重组测量模型，再检查新模型的拟合指数，这十分接近探索性因素分析（exploratory factor analysis，EFA），所得拟合指数，不足以说明数据支持或验证模型可以循序渐进地，每次只检查含2个因子的模型，确立测量模型部分的合理后，最后才将所有因子合并成预设的先验模型，作一个总体检查。对每一模型，检查标准误、t值、标准化残差、修正指数、参数期望改变值、及各种拟合指数，据此修改模型并重复步骤。这最后的模型是依据某一个样本数据修改而成，最好用另一个独立样本，交互确定（cross-validate）92参数估计和拟合函数目标是参数使得隐含协方差矩阵 与样本协方差矩阵 “差距”最小称为拟合函数（fit function）多种拟合函数，参数估计值可能不同工具变量(IV,instrumental variable)；两阶段最小二乘(TSLS,two-stage least squares)；无加权最小二乘(ULS,unweighted least squares)；最大似然(ML,maximum likelihood)；广义最小二乘(GLS,generalized least squares)；一般加权最小二乘(WLS,generally weighted least sq)对角加权最小二乘(DWLS,diagonally weighted least sq)93专题讨论涉及数据的问题样本容量每个因子上多设计几题，预试协助删去一些不好的题目 最后每个因子应有3个或更多的题目 数据类型绝大部份分析基于皮尔逊（Pearson）相关来自等级（顺序）量表（ordinal scale），改用多项（polyserial）相关系数，并与渐近方差矩阵(asymptotical covariance matrix，ACM)合用，以WLS法拟合模型，除非N很大，额外需要的ACM矩阵多不稳定 94可否应用相关矩阵作分析？SEM建立在方差和协方差分析上用相关矩阵，大多数情况下正确在某些况下并不正确(见Cudeck,1989):限制因子方差为 1，同时限制某指标的因子负荷不等于零同一个因子，限制其两个或以上指标的因子负荷，不等于零同一个因子的两个或以上指标，限制其因子负荷相同不同因子的两个或以上指标，限制其因子负荷相同限制两个或以上内生潜变量的误差相等95专题讨论涉及模型拟合的问题 忽略测量误差所引致的错误方差（变异量）x变异量 变异量 误差变异量除非 等于零，传统统计高估了变量的真正变异量相关和回归参数96单指标潜变量不能同时估计LX 与TD对相关矩阵 FI LX 4,3 TD 4,4VA.922 LX 4,3 !SQRT(.85)=.922VA.15 TD 4,4 !(1-0.85)=0.15误差相关除非在特殊设计(重复测量multi-wave panel)，刻意容许误差相关在一般研究，通常不容许误差可以相关 97为甚么要考虑等同模型？以同样个数的参数（t），用不同组合产生许多不同模型，而其中再生协方差矩阵，完全相同换句话说，同样个数的参数（t）产生多个与样本数据有相同拟合程度、但结构不同的模型 98 结构方程是否验证变量间的因果关系？严格来说，非经设计用以探讨变量间因果效应的研究，都不能证明变量间是否真正存在因果关系。单从等同模型，已经可以举出拟合指数相同，但变量间效应相反的例子利用非实验设计:采用纵贯研究数据，每个变量至少要有2次测量（2时段以上设计）使用多个指标以推算潜变量样本要够大并具代表性，使结果具有实质意义和普遍性考虑不同模型的意义，考虑指标误差项相关的意义 99合宜和错误的高阶因子 不一定可以强将数个因子合并，并简化为高阶因子的关系例:学生的性格如何影响学生成绩表现100通过通过SPSS读取数据读取数据方法一（使用方法一（使用PRELIS）1.在SPSS中创建.sav 文件（1）使用compute,recode 命令对数据进行编辑。（2）把在LISREL中要用到的变量保存为file1.sav(文件名.sav)。2.在LISREL中创建.dsf文件（1）点击“file”菜单中的“Import External Data in Other Format”(2)“file of type”一项，选择“spss for window(*.sav)”;通过恰当的路径选择“file1.sav”。（3）现在看到一个表格，保存为file1.psf,(或其他设置的文件名，但LISREL并不读取.psf文件)。（4）对.psf文件进行必要的“transformation”和“statistics”后，选择“statistics”菜单中的“Data Screening”，对数据进行扫描（现在已自动创建了LISREL程序所用的file1.dsf）。101方法一（续）方法一（续）3.在LISREL中创建.ls8文件（1）点击“file”中的“new”(或打开旧文档名)（2）在第一行，用“SY=file1.dsf”代替“DA”“ME”“KM”“SD”命令。（3）例如：SY=file1.dsf MO NX=9 NK=3（4）把以上语句保存为p1.ls8(文件名.ls8)。（5）点击“run LISREL”运行程序。102通过通过SPSS读取数据读取数据方法二（输出方法二（输出.txt协方差距阵）协方差距阵）1.在SPSS中创建.cov 文件(此文件可以采用“cov”或其他扩展名)(1)使用compute，recode 等命令编辑数据。（2）把LISREL程序所用的变量保存为file1.sav(文件名.sav)。（3）创建协方差矩阵文件file1.cov(文件名.cov)；把任一变量作为因变量，把其他所有变量当作自变量。regressionmatrix=out(c:SEMfile1.cov)/var=y1 y2 y3 x1 x2 x3/desc=cov/dep=y1/meth=enter y2 to x3.103方法二（续）方法二（续）2.在在SPSS中创建中创建.txt 文件文件（1）读取所选的协方差矩阵文件（这并不是一个）读取所选的协方差矩阵文件（这并不是一个txt文件，文件，只有只有SPSS能读取并使用它）；输出这个文件内容为能读取并使用它）；输出这个文件内容为file1.txt(文件名文件名.txt)供供LISREL使用。使用。（2）E13.5:使用指数格式，使用指数格式，5位小数，总共位小数，总共13位数字。位数字。get file=C:SEMfile1.cov.print format y1 to x3(E13.5).print outfile=C:SEMfile1.txt./y1 to y2 /y3 x1 to x3.execute.104方法二（续）3.在“notepad”中去掉人数N（MS-WIN 的辅助非文本档案编辑器）（1）编辑file1.txt，去掉人数N(N为被试人数；在回归中，用列删法会有p个“N”值，对删法会有pp个“N”值)。（2）保存为file1.txt。（3）在LISREL程序中，甚至在分析中不会用着他们时，也必须读取ME,SD,KM。DA NI=6 NO=249 MA=CMME FI=file1.txtSD FI=file1.txtKM FI=file1.txt FUMO NX=6 NK=2105