LISREL方法：多元回归中的交互作用_（美）詹姆斯·杰卡德（James Jaccard）崔凯万（Choi K. Wan）【译者】：李忠路_9787543226296

本书系格致方法定量研究系列丛书之一，是同系列中《多元回归中的交互作用》的姊妹篇。在前著的基础上，本书通过运用整合了潜变量分析和LISREL法的结构方程模型（SEM）将交互作用分析向前推进了几步。更为重要的是在结构方程模型的框架下，普通*小二乘法分析中忽略的两个重要条件（多指标和测量误差）得到了很好的处理。

处理复杂性的能力是衡量方法进步的一项重要指标。我们所观察到的世界是由许多错综复杂的变量组成的。为了理解它，研究者或许首先会求助于多元回归分析（普通最小二乘法，OLS），因为它可以在统计控制下分析独立效应。教科书中最常见的三变量模型为：Y=a bX cZ e [1]其中Y表示因变量，X和Z表示自变量，a为截距，b和c为斜率，e是误差项。方程[1]所暗含的一个基本假设是X对Y的影响与Z的取值无关。但是现实世界要比这复杂得多。具体来说，X对Y的影响是否取决于Z值，如果是，那么就存在交互作用，这表示一个乘积项应该被包括在内，如方程[2]所示：Y=a bX cZ d（XZ） e [2]杰卡德、图里西和万等在《多元回归中的交互作用》中已经将交互作用引入了传统的多元回归分析中。本书通过运用整合了潜变量分析和LISREL估计的结构方程模型（structural equation modeling,SEM）将交互作用分析向前推进了几步。更为重要的是在结构方程模型的框架下， OLS分析中忽略的两个重要条件（多指标和测量误差）得到了很好的处理。（关于SEM、LISREL及潜变量分析的背景知识请参考本丛书中的《验证性因子分析》《协方差结构模型》及《潜变量对数线性模型》等书。）在本书中杰卡德和万博士详细阐明了LISREL计算程序及其在结构方程模型中的应用。这是一个可以被输入8个不同矩阵的模型。由于运用的是LISREL软件的最新版本（第八版），本书的例子和展示对读者很有帮助。此外，作者还强调了关键点，例如，如何选择基准变量来定义潜变量矩阵，并且提供一个关于LISREL模型拟合度的指标有价值的比较讨论。包括经常会用到卡方检验。关于这一检验，它们令其反向地逻辑清晰，即如果模型的卡方检验统计不显著则表明模型的拟合比较好。这一特殊的关于交互作用的卡方检验包含两步：第一步，拟合不是强制的（如允许斜率在不同的组中有变化）；第二步，拟合是强制的（如限定斜率在不同的组中相等）。通过比较两个模型的结果，来检验是否非强制（含有交互作用）模型的拟合度更好。如果交互作用存在，其规模（IES）能够作为第二步卡方的减少被测量出来。和多元回归类似，由于所有变量都是连续的，LISREL模型也可以包含乘积项。作者还对SEM（包含多指标和测量误差）与普通最小二乘法进行了比较。他们认为这两种方法各有利弊：当在高测量信度、样本规模较小，而且变量不服从多元正态分布时，OLS的估计更好。显然，这些条件通常是无法满足的，在这种情况下，SEM满足了研究者运用更高级、更符合现实的模型来分析交互作用的愿望。迈克尔·S.刘易斯-贝克

你还可能感兴趣

我要评论