结构方程模型系数不显著怎么办？

经常有客户问，我做的结构方程模型有些路径系数没有达到p<0.05的显著性水平，该怎么办？在此，博主谈谈如何处理这一问题。

     第一，模型修正。通常情况下，结构方程模型是多路径回归模型，增加其他路径就会减少某个路径的相关性或“影响力”（个别情况是提高相关性），因此，试着删除某些理论上可以删除的或不重要的因素或路径，突出本研究的重要自变量和主要假设路径，让研究路径相对影响力提高（即系数变大，显著性提高）。

     第二，如果是潜变量模型，则可以查看误差项修正，主要是其他潜变量的误差项修正。例如研究路径是A—C，但同时B也影响C，那么在B潜变量的误差项之间建立共变修正，有时候可以提高A—C的路径系数，因为误差项的共变关系实际上是增加了一个额外的解释变量，降低了B—C的系数，变相的增加了A—C的路径系数。当然，模型修正要有理论上的可解释性，不能一味的数据驱动。

     第三，如果模型比较复杂，模型中存在很多不显著的路径或者还有一些其他路径没有设置（通常最容易忽视的是直接路径），那么将不显著的路径逐一删除或增加其他可能的路径，使最后模型中的路径绝大多数都是显著的以及最简约的，然后再考虑模型的其他修改。

    第四，对于反映性的潜变量模型，由于测量指标之间在统计上是可以互相替代的，因而可以试试删除、替换某些测量指标，例如载荷过低、交叉负荷严重等指标。

     第五，如果有必要以及允许，可以将潜变量模型转化为显变量路径模型再处理，但这是一种降格处理的方法。很多时候潜变量模型的系数不显著，但是显变量路径模型却是显著的，原因主要是测量误差、共同方法效应的混入（这也正是潜变量优于显变量路径模型的原因），这种情况在使用自陈问卷时下容易出现。

     第六，如果模型不变，数据清洗也是可以考虑的。通常，数据清洗包括以下几个方面：（1）变量极端值的处理；（2）不认真回答、不可靠数据的清理；（3）异质性类别样本的识别与区分；（4）违反变量间特定相关趋势的个案识别与清除。不过，除非样本特殊、系数边缘显著、数据质量不佳等情况，否则不建议采用数据清洗的方法来提高系数显著性。

     最后，考虑更精细的分类分析，例如调节效应分析。因为有些情况下总体上系数不显著，但在某些类别情况下系数可能是显著的，例如在性别中的男性或女性群体中系数是显著的。