第一章 结构方程模型概说
第一节 结构方程模型的特性
一、外显与潜在变量
SEM一个重要的特性是能够对抽象的构念（construct）进行估计与检定。社会与行为研究经常必须处理一些抽象的概念，例如我们想知道“你幸福吗？”。此时，针对抽象的概念，我们必须给予一个操作化的定义，以便能够透过该程序得到具体的数据，用以反映不同个体在该概念上的强度。此时，我们所具体进行测量的变量称为外显变量（manifest variable）、观察变量（observed variable）或测量变量（measuredvariable）。这些可以直接获得数据的变量，若是受到同一个潜在构念的影响，则会具有共同性，反映在变量之间的共变关系上，如果针对这些变量之间的共同性加以估计，得到的一个能够反映该潜在构念的强度的数据，称之为潜在变量（1atentvariable）。
在研究中具体用来获得潜在变量的策略，最典型的代表是因素分析（factoranalysis），因素分析系利用一组测量同一个构念的观察变量来估计背后的潜在变量，传统因素分析针对于观察变量的背后具有哪几个潜在变量以及潜在变量与观察变量之间的关系为何，它无法事前预知，直到数据搜集完成之后，进行变量间的共变关系分析，抽取出最适当的因素，确立一个最佳的因素结构模型，将潜在变量加以命名。此一程序所进行的因素分析，得到的潜在因素即是一种经验性的潜在变量，因而被称之为探索性因素分析。
相对之下，在结构方程模型之中，潜在变量的概念与内涵是基于理论的推导，且潜在变量与观察变量的关系是在资料搜集完成之前即事先提出的假设性概念。然后透过实际所搜集的数据，分析比对假设模型与观察到的数据之间的差异性，决定研究者对于潜在变量所提出的假设性看法是否恰当。以此种模式进行的因素分析称为验证性因素分析，也即是一种先验性、事前的潜在变量定义模式。
展开
