结构方程模型及其应用(附光盘)/社会科学研究方法丛书 pdf epub mobi txt 电子书 下载 在线阅读 2026

基本信息

商品名称：	结构方程模型及其应用(附光盘)/社会科学研究方法丛书	开本：	16开
作者：	侯杰泰//温忠麟//成子娟|总主编:张雷//侯杰泰	页数：
定价：	68	出版时间：	2004-07-01
ISBN号：	9787504128164	印刷时间：	2016-09-01
出版社：	教育科学	版次：	1
商品类型：	图书	印次：	1

目录：序
**部分 结构方程模型入门
**章 引言
一、描述数据
二、具体例子展示准确与简洁的考虑
三、探索性与验证性因子分析比较
第二章 结构方程模型简介
一、结构方程模型的重要性
二、结构方程模型的结构
三、结构方程模型的优点
四、结构方程模型包含的统计方法
五、路径图的图标规则
六、结构方程分析软件包
七、LISREL操作入门
第二部分 结构方程模型应用
第三章 应用示范I：验证性因子分析和全模型
一、验证性因子分析
二、多质多法模型
三、全模型
四、高阶因子分析
第四章 应用示范II：单纯形和多组模型
一、单纯形模型
二、多组验证性因子分析
三、多组分析：均值结构模型
四、回归模型
第五章 结构方程建模和分析步骤
一、验证模型与产生模型
二、结构方程分析步骤
三、参数估计和拟合函数
四、拟合检查
五、模型修正和交互效度
六、模型比较的原理
七、报告结果
第三部分 结构方程模型专题研究
第六章 专题讨论——涉及数据的问题
一、样本容量
二、数据类型
三、处理非正态数据
四、异常数据
五、缺失数据
六、可否应用相关矩阵作分析
七、处理小样本的方法
第七章 专题讨论——涉及模型拟合的问题
一、忽略测量误差所引致的错误
二、非正定协方差矩阵
三、不收敛
四、不恰当的解
五、单指标潜变量
六、误差相关
七、因子的单位与附加限制
八、为什么要考虑等同模型
九、模型与数据拟合是否表示模型正确
十、结构方程是否验证变量间的因果关系
十一、怎样避免潜变量名实不符的问题
十二、合宜和错误的高阶因子
十三、如何报告结构方程分析结果
十四、与传统分析的结合
第八章 拟合指数
一、拟合指数概述
二、**拟合指数
三、相对拟合指数
四、简约拟合指数
五、拟合指数定义一览
第四部分 结构方程模型统计原理
第九章 验证性因子分析原理
一、验证性因子分析的基本概念
二、因子分析模型及其协方差结构
三、因子分析模型识别的若干准则
四、参数估计
五、模型评价
六、有均值结构的因子分析模型
七、多组比较
第十章 路径分析原理
一、因果模型中的结构方程
二、路径分析与效应分解
三、因果模型的协方差矩阵
四、因果模型识别准则
五、参数估计
六、模型评价与修正
七、因果模型与因果分析
第十一章 结构方程分析原理
一、结构方程基本概念
二、结构方程模型及其协方差结构
三、若干特殊的结构方程模型
四、模型识别
五、参数估计
六、模型评价与修正
七、标准化系数
八、有常数项的结构方程模型
九、多组比较
第五部分 LISREL软件
第十二章 LISREL语法结构
一、LISREL语法中的矩阵
二、LISREL语法通则和特性
三、LISREL语法结构一般法则
四、LISREL程序结构
五、标题指令句
六、输人格式
七、一般分析格式
八、模型指令格式
九、其他模型设定格式
十、输出格式
第十三章 PRELIS语法结构
一、PRELIS程序结构
二、标题指令句
三、输入格式
四、操控数据指令
五、处理缺失数据
六、分析和输出指令
七、多元设算指令
附录I LISREL示范程序
一、本章内容
二、各研究内容简介及相应的LISREL程序
附录II PRELIS示范程序
一、本章内容
二、各研究内容简介及对应的PRELIS程序
附录IlI 通过SPsS读取数据
附录Ⅳ 结构方程讨论小组
参考文献

......

精 彩 页： 内容提要： 由侯杰泰、温忠麟、成子娟所著的《结构方程模型及其应用(附光盘)》阐述了结构方程分析（包括验证性因子分析）的基本概念、统计原理、在社会科学研究中的实际应用、常用模型及其LISREL程序、输出结果的解释和模型评价，以及一些与结构方程模型有关的专题和结构方程的**用法。
    

......

作者简介： 侯杰泰，香港中文大学教育心理系教授、系主任。主要研究方向为学习动机，应用统计和香港语文政策。曾多次在北京、上海、南京、长春、广州等地举办的地区或全国性结构方程分析研习班上讲学。 温忠麟，华南师范大学心理系教授。先后就读于华南师范大学、云南大学和香港中文大学。两次获**公派，在英国曼彻斯特大学和澳大利亚西悉尼大学做访问学者各一年。主要研究方向为心理统计和测量，数理统计。 成子娟，香港教育学院讲师。1999年毕业于香港中文大学，获博士学位。主要研究方向为结构方程在内隐观研究中的应用，数学逻辑思维的发展和教学。

《结构方程模型及其应用》 内容简介 《结构方程模型及其应用》是一部深入探讨结构方程模型（Structural Equation Modeling, SEM）理论、方法及其广泛应用的研究专著。本书旨在为社会科学、管理科学、教育学、心理学、医学等领域的科研人员、研究生以及相关从业者提供一个全面、系统、实用的学习平台，帮助读者掌握SEM的核心思想，理解其技术细节，并能独立运用SEM解决实际研究问题。 结构方程模型作为一种强大的统计分析工具，能够同时估计变量之间的直接和间接效应，检验复杂的理论模型，并能处理潜变量与显变量之间的关系。本书在保持理论严谨性的同时，注重实证应用的指导性，力求让读者不仅知其然，更知其所以然，并能触类旁通，灵活运用。 第一部分：理论基础与核心概念 本部分将系统性地梳理和介绍结构方程模型得以建立的统计学和模型理论基础。 导论：研究问题与SEM的定位 首先，本书会回顾传统统计方法（如回归分析、因子分析）在处理复杂研究问题时的局限性，引出SEM的必要性。 清晰界定SEM的核心研究范畴，包括测量模型（因子分析）、路径模型（回归分析）以及两者的结合。 强调SEM在理论检验、模型比较和因果推断方面的独特优势，为读者建立对SEM的初步认知和应用场景的宏观把握。 统计学基础回顾 概率论与统计推断： 简要回顾期望、方差、协方差、相关性等基本概念，以及参数估计（最大似然估计等）的基本原理，为理解SEM中的参数估计打下基础。 多元统计： 重点回顾矩阵代数、向量空间、特征值分解等在SEM中至关重要的数学工具。 假设检验： 介绍统计显著性、p值、置信区间的概念，以及模型拟合度检验的基本逻辑。 核心模型组件详解 测量模型： 深入剖析因子分析的基本原理，区分探索性因子分析（EFA）和验证性因子分析（CFA）。 详细阐述潜变量（Latent Variables）与显变量（Observed Variables）的概念，以及测量模型如何通过显变量来反映和估计潜变量的测量误差。 讲解因子载荷（Factor Loadings）、特异方差（Unique Variances）、共同因子方差（Common Variances）等关键参数的含义和解释。 强调信度（Reliability）与效度（Validity）在测量模型构建中的重要性，并介绍相应的检验指标。 结构模型： 介绍结构模型如何描述潜变量之间的直接和间接路径关系。 讲解路径系数（Path Coefficients）的含义，以及它们如何量化变量之间的线性关系强度和方向。 区分自变量、中介变量、因变量等在结构模型中的角色。 解释模型中误差项的含义，包括结构误差项和测量误差项。 SEM模型表示法 图形表示法： 详细介绍SEM的图形化表示方法，包括变量类型（圆形表示潜变量，方形表示显变量）、路径箭头（单向箭头表示回归关系，双向箭头表示协方差）等符号约定。 矩阵表示法： 介绍SEM的矩阵方程形式，包括测量模型矩阵方程（X = Λξ + δ）和结构模型矩阵方程（η = Bη + Γξ + ζ），以及它们与参数估计的关系。 第二部分：模型构建与参数估计 本部分将深入讲解SEM模型的构建流程、参数估计方法以及模型拟合度的评估。 模型设定与识别 理论驱动的模型构建： 强调SEM模型构建必须基于扎实的理论基础，而非仅仅是数据的拟合。 模型识别问题： 详细阐述模型识别（Identification）的概念，包括自由参数（Free Parameters）和方程（Equations）的数量关系。 识别的条件： 区分模型的过识别（Overidentified）、恰好识别（Just-identified）和模型不足（Underidentified）情况，并介绍如何通过调整模型结构来确保模型可识别。 参数估计方法 最大似然估计（Maximum Likelihood, ML）： 详细讲解ML的原理，即找到一组模型参数，使得观测到的协方差矩阵与模型估计的协方差矩阵最为接近。 其他估计方法： 简要介绍加权最小二乘法（WLS）、渐进分布无自由度估计法（ADF）等，并说明其适用场景。 参数估计结果的解释： 如何解读标准化路径系数、非标准化路径系数、标准误（Standard Errors）等。 模型拟合度评估 拟合指数（Goodness-of-Fit Indices）： 详细介绍多种常用的模型拟合指数，并解释它们各自的计算原理和解释标准。 绝对拟合指数： 如卡方统计量（χ²）、RMSEA（Root Mean Square Error of Approximation）、SRMR（Standardized Root Mean Square Residual）。 增量拟合指数/相对拟合指数： 如CFI（Comparative Fit Index）、TLI（Tucker-Lewis Index）。 信息量准则： 如AIC（Akaike Information Criterion）、BIC（Bayesian Information Criterion）。 模型的解释与修正： 如何综合运用各种拟合指数来判断模型是否“拟合良好”，以及在模型拟合不佳时，如何根据理论和统计证据进行模型修正（如加入残差协方差、修改路径等）。 模型比较 嵌套模型比较： 介绍卡方差异检验（Δχ²）等方法，用于比较嵌套模型（一个模型是另一个模型的子模型）的拟合优度。 非嵌套模型比较： 介绍AIC、BIC等信息量准则，用于比较非嵌套模型。 第三部分：高级SEM技术与应用 本部分将介绍SEM在处理更复杂研究设计和问题的进阶技术，并结合具体案例进行展示。 多组比较（Multi-group Analysis） 概念与目的： 如何检验不同群体（如性别、年龄组、国家）的模型参数是否存在显著差异。 模型设定与检验： 介绍如何设定多组模型，并进行参数约束（如均值不变、载荷不变、斜率不变等），以及如何解释检验结果。 纵向数据分析（Longitudinal Data Analysis） 增长模型（Growth Curve Models）： 如何利用SEM分析个体在时间维度上的变化轨迹，估计变化速率和个体差异。 自回归交叉滞后模型（Autoregressive Cross-Lagged Panel Models）： 如何在面板数据中检验变量之间随时间推移的相互影响。 潜在类别分析（Latent Class Analysis, LCA）与潜剖面分析（Latent Profile Analysis, LPA） 概念与区别： 介绍LCA用于识别离散的潜在类别，LPA用于识别连续的潜在剖面。 模型构建与解释： 如何将LCA/LPA整合到SEM框架中，以及如何解释识别出的潜在类别或剖面。 中介效应与调节效应的SEM检验 中介效应（Mediation Analysis）： 详细阐述直接效应、间接效应、总效应的计算与检验，以及Bootstrap方法在检验中介效应中的应用。 调节效应（Moderation Analysis）： 如何在SEM中检验变量之间的交互作用，特别是潜变量之间的交互作用（Latent Moderated Structural Equations, LMSEM）。 模型修正（Model Modification） 理论指导下的修正： 再次强调模型修正必须以理论为基础，避免“数据淘金”。 修正指数（Modification Indices, MI）： 解释MI的含义，以及如何谨慎使用MI指导模型修正。 SEM软件应用实操 常用软件介绍： 重点介绍Amos、LISREL、Mplus、lavaan（R包）等主流SEM软件的操作流程。 数据准备与导入： 讲解SEM分析前的数据预处理步骤，如数据清洗、缺失值处理、异常值检测等。 程序编写与结果输出： 演示如何在不同软件中构建模型、运行分析，并解读输出结果。 图表绘制： 指导读者如何绘制清晰的SEM路径图。 第四部分：案例研究与前沿展望 本部分将通过一系列真实的研究案例，生动地展示SEM在不同学科领域的应用，并对SEM的发展趋势进行展望。 经典案例解析 心理学领域： 如测量人格特质的因子模型、检验学习动机与学业成就关系的路径模型。 管理学领域： 如检验组织承诺与员工绩效的关系、领导风格对员工满意度的影响。 教育学领域： 如分析影响学生学习成绩的多元因素、评估教学干预效果。 医学领域： 如研究疾病风险因素的复杂网络、评估治疗方案的效果。 其他领域： 介绍SEM在社会学、传播学、市场营销等领域的典型应用。 每个案例将详细介绍研究背景、理论模型、数据分析过程、结果解释以及研究结论。 SEM的优势与局限性 优势总结： 再次强调SEM在处理复杂关系、潜变量测量、理论检验等方面的不可替代性。 局限性讨论： 坦诚分析SEM在数据要求（样本量、正态性）、模型误设、因果推断的限制等方面的不足。 SEM的发展趋势 贝叶斯SEM（Bayesian SEM）： 介绍基于贝叶斯统计框架的SEM方法。 混合方法研究中的SEM应用： 如何将SEM与其他研究方法（如定性研究）相结合。 SEM在机器学习与人工智能领域的融合。 处理大数据集和高维数据的SEM技术。 附录： 统计术语表。 常用SEM拟合指数解释参考表。 软件操作速查指南（针对主要软件）。 光盘内容： 光盘将包含本书中介绍的各个案例的原始数据文件（匿名化处理）、SEM分析的程序代码（针对不同软件）、以及本书作者编写的辅助分析工具（若有）。读者可以通过光盘中的数据和代码，亲自动手复现案例分析，加深理解，并将其应用于自己的研究中。 《结构方程模型及其应用》以其理论的系统性、方法的全面性、应用的实用性，将成为社会科学及相关领域研究者进行高阶统计分析的得力助手。本书不仅是一本教材，更是一本操作手册，旨在赋能读者独立运用SEM解决科研挑战，推动学术研究的深入发展。