結構方程模型的基本觀念 (1)

三、結構方程模型的基本觀念

(一) 結構方程模型是什麼

結構方程模型可以說，就是「路徑分析 (path analysis)」和「因子分析 (factor analysis)」的結合體。它的用途，與大家所熟悉的多元迴歸分析十分相似，但是不同的地方在於，結構方程模型是一種更為強大的統計方法，在構造模型和估計參數的過程裡，可以直接處理多組方程間的互動干擾、非線性關係、不獨立（相關）的自變量、殘差相關、衡量誤差、以及將多組相依的衡量模型共冶於一個單一模型當中。事實上，我們可以將結構方程模型視為「廣義線性模型 (general linear model: GLM)」的延伸，它的強大功能，絕對可以用來取代我們慣用的迴歸分析、路徑分析、因子分析、時間序列分析、甚至共變量分析。不過限於篇幅，本書將聚焦於結構方程模型在因子分析、潛變量路徑分析、和一般路徑分析上的應用。

相對於多元迴歸分析，結構方程模型在應用上的限制也較少，關鍵的亮點包括在進行「路徑分析」的時候，即使自變量間存在明顯的共線性 (multicollinearity)，結構方程模型依然可以照單全收，絲毫不影響其解釋上的有效性。利用結構方程模型來進行「驗證性因子分析」，更可以通過將多個可觀測變量指定給單一潛變量，從而可以在根源處直接降低衡量誤差。尤其在殘差的處理上，很少有統計方法可以這麼方便地直接檢查每一個可觀測變量的殘差，甚至操弄這些殘差之間的相關。結構方程模型在路徑係數的處理上也高人一等，不僅可以同時估計多個自變量對多組因變量的關係，還能夠進行多樣本多模型之間的係數比較。最重要的優勢是，結構方程模型不僅僅可以估計單一參數的係數，還能夠直接估計整體模型的擬合度，這是許多傳統統計方法所望塵莫及的。

如前所述，結構方程模型的主要用途，其實是用來驗證研究者心中對於他所想像世界的猜想，而比較不是用來探索一個新的世界。換言之，在應用結構方程模型的一開始，大多數的研究者在他的心中，早已存在某些定見了。這些定見的存在形式，大抵上可以分成兩種：(1) 研究者想要檢驗他的某個想法是否正確，於是構造了一個結構方程模型，在代入真實數據對模型進行估計後，研究者可以根據擬合指標的好壞，來判斷真實世界裡的數據，和他所構造的模型之間是否一致，從而明白他原先的想法是否可以接受。(2) 研究者根據不同理論，得出兩種或兩種以上可以用來描述這個世界的不同看法，然後針對這些不同看法，分別構造出不同的結構方程模型來，在代入真實數據分別對這些模型進行估計後，研究者可以根據擬合指標的好壞，來判斷究竟哪種看法，更加切合實際。

儘管如此，我們還是可以在文獻中看到有些研究者，利用結構方程模型來進行模型探索，而不是正確使用結構方程模型，來驗證心中事先設定的模型猜想。例如有些研究者在驗證原先設定好的結構模型時，發現擬合指標很差，於是通過「修正指標 (modification index)」的暗示，「為數字而數字」地對模型任意調整改動，直到擬合指標達到及格標準為止。當然這樣的作法並不可取，因為通過這種過程而勉強予以接受的結構模型，可能只是剛好反映了這組特定樣本的特徵，而不是因為模型本身可以放諸四海而皆準，換句話說，是因為這組特定樣本造就了一個事先想像不到、缺乏理論依據的模型，而不是通過真實數據，驗證了一個具有理論深度的模型。這樣的模型即使擬合指標合格了，可能還是缺乏外部效度，我們很難接受這樣的模型會是能夠代表事實真理的模型。對於這種情形下所構造出來的結構方程模型，研究者有必要使用多組不同的樣本，對相同模型進行多次驗證，也就是「強韌度測試 (robust tests)」，如果多組樣本都證實了相同結構模型的「擬合指標」都是及格的，那麼我們才能夠正式接受這個結構方程模型。