情境效应 基于多层结构方程模型的情境效应分析

　　1　前言 　　 　　最近20多年，多层线性模型(Multilevel Modeling，MLM)和结构方程模型(structural Equation Modeling，SEM)已成为社会科学研究中广泛使用的两种方法。这两种方法都是针对传统线性回归分析的缺陷提出的，都是传统线性回归分析的延伸和发展。多层线性模型是针对传统回归分析只能分析单一层次数据，在分析多层(嵌套)数据时存在随机误差独立性违反的缺陷而提出的。多层线性模型通过建立多层回归方程组(见公式(1)～(3))，将误差分解为各层次的误差(J真，和／J0，)，解决了随机误差独立性的问题，因此可以探索不同层面自变量对因变量的影响以及不同层面自变量之间的交互作用。但是，多层线性模型仍然将所有变量都设定为显变量(manifest variable)，并假设自变量无测量误差。结构方程模型是针对传统回归分析只能分析显变量之间关系的缺陷而提出的。结构方程模型用测量方程和结构方程来描述潜变量(1atent variable)和指标之间、潜变量之间的关系，并允许自变量和因变量存在测量误差，还能方便地提供模型的拟合指数(m indices)，，帮助研究者评价模型的拟合程度。但是，结构方程模型只能分析单一层次数据，对多层(嵌套)数据并没有特殊的检验机制，使得多层(嵌套)结构所反映的变量关系无法在假设模型中进行估计，造成随机误差独立性假设的违反和标准误估计失真。一般在结构方程模型分析中看到的误差相关(correlated uniqueness)，就是误差间存在随机误差独立性假设违反的典型现象。由于多层线性模型和结构方程模型是两套为了解决不同问题而独立提出的统计方法，两者各有优势，但是当数据同时即具有多层(嵌套)结构，又具有潜变量的时候，两种分析方法都只能解决部分问题，因此发展多层结构方程模型(Multilevel Structural EquationModeling，MSEM)可以使这两种重要的分析方法并用于同一个研究中，同时解决数据的多层(嵌套)结构和潜变量的估计问题(邱皓政，2007；王济川，谢海义，姜宝法，2008)。本文目的是将多层(嵌套)数据结构(以两层为例)、潜变量、情境效应分析相结合，用多层结构方程模型进行情境效应检验。

相关热词搜索：情境 方程 多层 基于多层结构方程模型的情境效应分析 结构方程模型 调节效应 分析 结构方程模型案例