结构方程模型中的系数为负数,如何理解?

     经常遇到一些朋友问,我用Amos、Mplus等软件做结构方程模型时系数出现负数,怎么办,是不是我的模型有错误?在此,我们总结一下结构方程模型中出现负数的几种情况及其含义。

结构方程模型中的系数为负数,如何理解?_第1张图片

    第一,路径系数(或协方差)出现负数。例如上图中的自我概念、厌学、网络成瘾、学校满意度,有四个路径系数为负数。结构方程模型中的路径系数是一种回归系数,和SPSS中回归分析的标准化、非标准化系数的解释是一样的,它反映的是变量之间的相关关系,因此,出现负数意味着负相关、负向预测、负向影响,与正相关、正向影响、正向预测相对。

     但要注意,有些情况下根据理论和实践经验,变量之间应该是正相关或正向影响,但模型的路径系数却为负数,这种违背常理、无法解释的结果怎么办?通常,这种结果主要出在数据的反向性上,例如有些心理健康量表得分越高表示越健康,但有些量表则是得分越高表示越不健康。

     其次,有些数据可能有反向计分题或逆向指标,此时如果潜变量采用固定载荷法识别时固定的是逆向指标或反向计分的题目当,那么整个潜变量就会以反向含义出现,此时改变潜变量固定的载荷即可解决。

     此外,有时候变量之间的路径系数也可能因为高度共线性而发生正负号改变的情况。

    最后,还要看系数的大小和显著性,如果负数系数不显著或者很小(如低于0.2),那么这种负数很可能不是实质性的负向关系。

     第二,方差(测量误差或残差)为负数。这种情况通常说明模型有问题,通常会伴随路径系数、相关系数大于1的情况,或非正定矩阵。这种情况一般有这么几个原因:(1)测量指标存在共线性;(2)模型变量之间关系设置不当;(3)样本量太小,导致出现非正定矩阵。

     要解决这个问题,首先要确保样本量足够,其次要重新整理变量的测量指标结构,例如通过探索性因子分析来协助构建潜变量测量模型,最后是删除或合并共线性指标。

你可能感兴趣的:(结构方程模型,大数据)