路径分析还是完整的 SEM?

机器算法验证 结构方程建模
2022-04-01 17:47:57

我一直在研究这个话题一段时间,并在一些意见或评论之后。

是否存在路径分析(SEM 的一种形式)可能比完整的 SEM 更合适的情况?具体来说,如果使用的测量是标准化的并且通常很长,使得测量模型非常复杂,并且随后要估计的参数的增加对样本量提出了更高的要求,我想知道使用路径分析作为折衷方案是否合理?重点是我理解的“潜在变量”之间的关系,这些变量在路径分析中被视为观察到的。

测量模型解释了这样一个事实,即测量永远不会完美,但在 SPSS、相关性和差异测试中执行了许多测试,我假设是在此基础上,即测量中没有错误?

我对此有复杂的感觉,文学作品也同样复杂。许多文章说他们使用的是 SEM,但没有讨论测量模型的规范,这让我想知道他们是否使用了路径分析。我最近参加的一门课程表明这是可以接受的,但我再次意识到存在局限性,并希望与使用这些技术的其他人联系。

我希望这是有道理的。我想我想确保我已经考虑了所有途径并对我的决定充满信心。

1个回答

1)肯定有很多问题,路径分析就足够了。

2)增加复杂性或增加所需的样本量(等)本身并不是避免包含潜在变量的有效理由。

3)潜在变量在路径分析中不被“视为观察到” - 更准确地说,路径分析是不包含任何潜在变量的 SEM(有点语义,但我认为这是一个重要的区别)

4) 许多模型实际上假设没有测量误差,线性回归是最滥用的罪魁祸首。

5) 许多人可能确实说他们在使用 SEM,而实际上他们在使用路径分析。这并不是那么令人震惊,因为路径分析当然可以被视为一种 SEM“子模型”(因为没有更好的词)。

您在模型中包含潜在变量的选择实际上应该由您正在测试的理论和您拥有的数据驱动。如果您选择使用潜在变量,您当然应该对各自的测量模型进行一些分析,然后再进入与其他变量相关的完整 SEM。如果没有关于您的具体问题的更多详细信息,很难提供更详细的建议。