什麽才是規範的「洋八股」(6)

(七) 驗證結構模型

結構模型，就是我們在研究之初所猜想的那個概念的世界，但是因爲這其中的每個概念，都已經經過了前述的「操作型定義」，幷根據這些定義，分別構造出來所謂的「衡量模型」，所以在實證階段的結構模型，其實已經整合了研究者心中對這個世界的概念性猜想，以及研究者用來觀測這個世界的衡量題項。將現實觀測與概念想像合而爲一，共冶于一圖，所構造出來的結構模型，通常稱作「潜變量路徑模型 (latent variable path model)」，在其中，我們使用圈圈來代表潜變量，使用方框來代表可觀測變量，同時使用單箭頭或是雙箭頭來分別表示變量間單向的因果關係，或是變量間的相關，不論是單箭頭還是雙箭頭，都代表了模型中的因果路徑。

所以，當我們完成了「衡量模型」的效度與信度檢查，幷將這些「衡量模型」調整到了「擬合指標」最優、同時也最能反映現實的地步後，便可以將這些「衡量模型」依據事前猜想的邏輯結構加以組合起來，構造成結構模型，準備接受統計驗證。驗證結構模型的方法，還是不離開前述「修正指標」和「擬合指標」的考量，我們的基本原則是通過「修正指標」來進行模型修正，最後希望能獲得「擬合指標」最優的最後模型。因此這裏所謂的「模型比較」，指的就是在比較各模型間「擬合指標」的好壞，而這擬合指標的好壞判斷，還可以進一步通過「卡方差」的顯著檢定來科學驗證。我們將在後續章節裏，再來深入探討各種擬合指標的意義與用途。

和前述「衡量模型」的修正過程相同，我們必須檢查兩兩配對的「可觀測變量」之間的「修正指標」孰高孰低，來决定這些變量究竟該添增還是刪減，抑或是不予變動；同時，我們也可以根據邏輯思維，添增删减模型中的「潜變量」，甚至更改這些「潜變量」，在邏輯上的關聯，甚至其因果方向，然後通過「擬合指標」的起伏變化，來印證我們心中對這個世界的猜想。但是不論如何調整這個「結構模型」，在這個模型修正的過程裡，我們仍然必須遵循下列幾個原則：

首先是不能爲了獲得表面上數字性的指標擬合，而抹煞了真實世界裏顯而易見的事實，換言之，雖然「結構方程模型」是種十分嚴謹的驗證性的統計手段，我們卻不該「為數字而數字」、「為科學而科學」。子曰：「知之為知之，不知為不知，是知也。」不論是數字還是科學，畢竟還是必須爲這個現實世界服務，不能單純爲了追求統計上的顯著或是擬合，而犧牲了事實真相。其次，在修正模型的過程中，每次的模型修正，其實都代表著一個新模型的誕生，不論我們是增加還是删减變量，抑或是改變變量間的邏輯關係，所有的這些模型，都必須同屬于相同的模型家族，我們才可以比較這些模型間的差异，這就是所謂的「巢內模型 (nested models)」，我們在後續章節裡再來詳細說明何謂「巢內模型」，以及該通過什麽手段來進行模型的比較。

再者，修正模型的方法，主要雖然是去添增删减「結構模型」中的「可觀測變量」與「潜變量」，但是也可能通過對模型中「可觀測變量」的殘差的操弄，來改善模型的擬合指標。這個方法就是去承認模型中，不同「可觀測變量」的殘差間，存在未能被模型所解釋的相關。換言之，就是去承認，在我們的模型之外，還存在著一些「未被解釋的共同因子 (unexplained common factors)」，沒有被納入我們的模型裏面。也就是說，研究者承認自己考慮不周，在構造模型的時候，有些現實世界裏的現象，沒有被事先猜想到，因此被模型忽略了。這些殘差之間的相關，可以具體地在結構方程模型裏正式予以表述 (specify)，從而使這些原先未被模型解釋的共同因子，被正式地納進模型裏面來，其結果，將能够有效地提升整個模型的擬合指標。

不論是去添增删减「結構模型」中的「可觀測變量」與「潜變量」，還是去連結「可觀測變量」間殘差的相關，指引著我們選擇變量的决策指標，一般就是參考「修正指標」的高低，這是因爲「修正指標」實質上指出了模型中的不穩定因素，也就是殘差的變化。但是誠如前述，我們不可以「為數字而數字」，即使爲了達到「擬合指標」的高度優越，對於任何變量的添增刪減，或是對任何一組殘差的相關連結，我們都必須要恪守能夠「自圓其說」的起碼標準，我們最起碼還能自圓其說，表明我們的結構模型起碼還遵循著最基本的自然造化，那麽我們對于真理或事實的追求，至少可以雖不中亦不遠矣。

(八) 干擾變量下結構模型的比較

一個研究之所以有趣，通常不是基於對已知事實的直白描述，也不在於對未知事實的探索觀察，而是因為我們能夠通過真實的數據，來檢驗兩種或兩種以上的不同觀點下，我們所猜測的現象、或人類行爲，究竟哪一種更加符合現實。這就是所謂「替代模型 (competing models)」或「替代理論 (competing theories)」的概念。或者，基於我們對現實世界的猜想，我們可能認為不同類型的樣本，在某些事件上可能出現不相同的行爲，或者，即使是相同的樣本族群，在面對不同的外在刺激或是情境時，也會出現不同的反應，因此結構相同的一組「結構模型」，在不同的樣本群下，經過「結構方程模型」的洗禮，我們將會分別得出不同的模型來，這些不同的模型，雖然外表結構相同，但是其中的「因子負載」和「路徑係數」或許差异頗大，這些係數在數值上的差异，就反映了不同樣本族群間行爲模式的迥然不同。

問題是，差異多少，才稱得上在統計上具備顯著的差異？這時，我們就需要通過一些統計手段，去檢查這些數值上的差異。幹擾變量下比較結構模型的基本要件就是必須站在相同的基礎上進行比較，這樣的比較結果才有意義。和前述「修正模型」的模型比較不同，幹擾變量下結構模型比較的基礎，就是「完全相同的模型結構」，我們必須確保這些準備加以比較的模型，不論是其中的各組「衡量模型」、或是「潜變量」本身、還是「潜變量」之間的關係，都必須一模一樣，這樣才具備了共同的基礎，可以拿來比較。爲了滿足這個條件，我們必須先針對其中一組樣本，通過前述「模型修正」的過程，先構造了一個「擬合指標」及格的結構模型，然後以這個模型爲基礎，套入另一組樣本數據，重新估計模型中的各個參數與擬合指標，再來比較兩組不同的樣本數據下，所構造出來的兩組結構模型，在擬合指標上究竟是否存在顯著差异，以及兩組擬合指標何者爲優。這裏所采用的比較擬合指標差异的統計技術，依然是卡方差的統計檢定。

這個方法的前提要件其實是兩組模型，其中一組的擬合指標，顯著地優于另一組，依此，于是我們就可以確立其中一組模型中的「潜變量」關係，而弃却另一組模型的適用性。或者換句話說，研究者對于這個世界的概念想像，可以被這特定的一組樣本所驗證，而這樣一種對世界的概念想像，幷不適用于另一組樣本。在這樣的檢查下，其實我們就等于驗證了兩組「替代理論」之間的孰優孰劣，或者驗證了特定干擾變量下，不同兩群樣本之間在行爲上的不一致。

問題是，也許我們的驗證結果，發現兩個結構模型的「擬合指標」，在統計上幷不存在顯著差異。也就是說，兩組結構模型的擬合指標，其實同樣的好，這時，上述比較兩組模型擬合指標的方法，就無法爲我們服務了。在這樣的情形下，我們還是可以通過方差分析，來比較兩組結構模型中，相同路徑的路徑係數差異，是否存在統計上的顯著性。在結構方程模型的估計演算中，對每一條潜變量之間的路徑，除了路徑係數外，還能够計算出這係數的「標準誤 (standard error)」和t值，這時我們只要加上樣本數，同時將路徑係數當成均值（在迴歸分析的概念下，迴歸係數本來就是一種均值），就可以輕易地算出兩組路徑係數之間的F值，通過F分布的概率計算，我們可以獲取這個F值，在這個樣本數下的顯著水平，于是就可以對兩組路徑係數的差异是否顯著，做出一個嚴謹的判斷。

(九) 通過結構方程模型來驗證對事實的猜想

進行科學調研的最後階段，當然就是根據結構模型所顯示的數據結果，「實事求是」，「一分證據說一分話」。這些以數據形式存在的事實依據，主要包括兩種類型的結果，一是模型的「擬合指標」，二是「路徑係數」，以及這些路徑係數所附帶的，以t分布爲基礎所計算出來的顯著水平。事實上可以利用結構方程模型進行處理的問題形式有許多種，最主要的應用領域大致有三，首先是「驗證性因子分析」，用來對「可觀測變量」進行分類和梳理；其次是「潜變量路徑分析」，用來觀察抽象概念的因果關係；當然也可以用來直接估計「可觀測變量」之間的因果關係，也就是一般意義上的「路徑分析」。但是不論是哪一種應用，我們在解讀結構方程模型時所依據的事實，還是不離開「擬合指標」與「路徑係數」這兩大統計結果。當然，對于「驗證性因子分析」的用途，統計結果中幷不存在所謂的「路徑係數」，但是我們依然可以通過「因子負載」來明白這些「衡量模型」的結構。

這些「路徑係數」或是「因子負載」就是通過「結構方程模型」這方法所估計出來的結論，但是這結論是否確實可信，却取决于「擬合指標」是否及格。所以在通過「結構方程模型」來驗證我們心中對於這個世界的概念猜想時，首要之務就是先確定模型的「擬合指標」是否及格，在指標及格的前提下，這些統計估計的結論，才具備了科學上的意義。鄧小平先生說：「實踐是檢驗真理唯一的標準」，我個人對這句話的理解是，這裏的「真理」，其實還只是研究者心中的合理猜想而已，必定要通過實踐過程中的真實數據加以檢驗，同時這檢驗的結果，還必須在「擬合指標」的標準上合格，我們這才真正驗證了這個原先的猜想，究竟合不合現實，究竟算不算「實事求是」。由此看來，鄧先生實在是中國真正懂得「結構方程模型」的第一人。當然，在研究中能够具備上述這九大條件，我們就說，這「結構方程模型」的應用，已經滿足了「洋八股」的基本要求。