五、模型验证

五、模型验证

结构方程模型是一种可用来分析因果及验证模式的统计方法，由Jareskog、Sorbom根据Beck、Bargmann的共变量结构分析（covariance structural analysis）加以扩充发展而成。其最大优点在于当某一个因变量在研究程序中变成自变量时，能同时处理一系列因变量间的关系。本研究主要通过SEM完成理论分析框架的验证，即对研究框架中各变量之间影响方向及影响效果（显著性）进行检验，从而判断理论假设的正确性。

针对本研究的实际需要，采用SEM作为研究的具体方法，主要基于以下原因：

首先，本研究所涉及的研究生创新能力、学校环境、社会环境、个体动机等变量皆属于潜变量（latent viarable），具有主观性强、难以直接测量、测量误差大、因果关系复杂等特点，需要用多个项目进行测量。在对数据进行分析时，如果采用多元回归等传统方法，则效率低、效果不理想。传统的方法往往用指标的均值或部分作为潜变量的观测值，这样的结果含有样本的测量误差。而用SEM则允许变量之间存在相关关系，在参数估计时允许测量误差存在，并且能够将有意义的效应与测量误差加以区分。

其次，在传统的回归分析或路径分析中，虽然统计结果的图标中展示多个因变量，但在计算回归路径系数时仍是对每一个因变量逐一计算，忽略了因变量之间的相互影响关系。在本研究中，研究生创新能力受到学校环境、社会环境、个体动机等因素的影响，而学校环境、社会环境、个体动机因素之间也有复杂的相互影响关系。采用SEM可以同时处理多个变量之间的相互关系，因此能更准确地全面剖析各因素之间的相互关系。

最后，如果采用传统路径分析方法，只能估计每一路径的强弱。而SEM方法更强调总体性，参数估计与模型修正都是作为一个整体来进行考虑。除了参数估计外，还可以计算不同模型对同一样本数据的整体拟合程度，从而判断哪个模型更接近数据所呈现的关系。基于上述分析，为了从整体上探究研究生创新能力评价因素之间的相互影响因素及各类关系，本研究采用SEM方法进行分析是恰当的、合理的。

结构方程模型的分析过程，包括理论及模型界定、模型识别、选择测量变量与资料收集、模型估计、适配度评鉴、模式修正及解释。SEM分析的基本步骤如图3.5.1所示。

在结构方程模型中，通过统计运算方法（如最大似然法等）求出使样本方差协方差矩阵S与理论方差协方差矩阵Σ的差异最小的模型参数。换一个角度，如果理论模型结构相对于收集到的数据是合理的，那么样本方差协方差矩阵S与理论方差协方差矩阵Σ差别不大，即残差矩阵（Σ－S）中各个元素均接近于0，就可以认为模型拟合了数据。(https://www.daowen.com)

模型拟合指数是考察理论结构模型对数据拟合程度的统计指标。不同类别的模型拟合指数可以从模型复杂性、样本大小、相对性与绝对性等方面对理论模型进行度量。本研究采取的AMOS软件提供了多种模型拟合指数供使用者选择，如表3.5.2所示。如果模型拟合不好，需要根据相关领域知识和模型修正指标进行模型修正。

需要注意的是，拟合指数的作用是考察理论模型与数据的适配程度，并不能作为判断模型是否成立的唯一依据。拟合优度高的模型只能作为参考，还需要根据所研究问题的背景知识进行模型合理性讨论。即便拟合指数没有达到最优，但一个能够使用相关理论解释的模型更具有研究意义。

另外需要注意的是，由于SEM默认的估计方法——最大似然估计法（ML）使用的前提条件之一是变量为多元正态分布，所以在非正态性情况下，用ML方法得出的χ2值和标准差（SE）都不是精确的。因此，首先需要对量表中变量数据进行偏度与峰度检验。偏度反映数据的对称性程度，峰度反映数据的平坦或尖峰分布的情况。严格来讲，在SEM分析中观测变量的峰度及偏度系数最好介于－2～＋2之间，如果偏度的绝对值大于3、峰度的绝对值大于8，即应视为极端值，须进行处理。

在缺失数据处理方面，SEM有三种处理方法[8]：一为全列删除法（list wise deletion），就是若样本中的任何一个变量有缺失值时，则删除整笔样本数据。此种方法的缺点为可能删除过多样本而使得分析的样本数变得太少。二为配对删除法（pair wise deletion），即分析个别样本矩，排除目标为缺失值者，当要计算特别样本矩时，只有某个观察变量为缺失值而无法计算，才将此笔数据排除，通常为统计分析自动执行。三为数据取代法（data imputation），即以某种猜测、经验法则或传统分析程序取适当数值代替缺失值。由于本研究样本数大，处理遗漏值采取最简便且快速的全列删除法。