翟宏堃 李 强 魏晓薇

    ·研究方法(Research Method)·

    结构方程模型统计检验力分析：原理与方法*

    翟宏堃 李 强 魏晓薇

    (南开大学社会心理学系, 天津 300350)

    结构方程模型是心理学、管理学、社会学等学科中重要的统计工具之一。然而, 大量使用结构方程模型的研究忽视了对该方法的统计检验力进行必要的分析和报告, 在一定程度上降低了这些研究的结果的证明效力。结构方程模型的统计检验力分析方法主要有Satorra-Saris法、MacCallum法与Monte Carlo法三类。其中Satorra-Saris法适用于备择模型清晰、检验对象相对简单、检验方法基于χ2分布的情形; MacCallum法适用于基于χ2分布的模型拟合检验且备择模型不明的情形; Monte Carlo法适用于检验对象相对复杂、采用模拟或重抽样方法进行检验的情形。在实际应用中, 研究者应当首先判断检验的目的、方法以及是否有明确的备择模型, 并根据这些信息选择具体的分析方法。

    结构方程模型, 统计检验力, 模型拟合检验, 模型参数检验

    1 引言

    结构方程模型(Structural Equation Model, SEM)是心理学、管理学、社会学等学科中重要的统计工具之一, 可以用于验证性因子分析、共同方法偏差检验、中介/调节效应分析、交叉滞后分析等多种场景。有研究者指出, 相较于一般的回归分析, 结构方程模型能够更好地控制测量误差, 也支持构建复杂的多变量模型(王阳等, 2020)。然而, 在使用结构方程模型进行分析时, 却较少有研究者报告统计检验力的相关内容。事实上, 统计检验力的大小在零假设显著性检验(Null Hypothesis Significance Testing, NHST)中有着重要的参考价值。

    统计检验力指的是某假设检验能够正确地拒绝错误零假设的概率。对统计检验力进行分析, 可以帮助研究者确定合理样本量, 避免造成大量的人力和物力的浪费(吴艳, 温忠麟, 2011; 赵礼, 王晖, 2019)。此外, 对评估结构方程模型拟合的χ2检验而言, 零假设的形式通常为模型拟合良好或模型间无差异, 而备择假设则通常为模型拟合不良或模型间存在差异。针对此类假设, Ⅱ类错误意味着研究者可能将拟合不良的模型误认为拟合良好的模型进行结果报告。王阳等人(2020)则指出, 若模型设定有误, 建立在此模型基础上的参数估计结果都是不可靠的。在这种情况下, Ⅱ类错误可能带来比Ⅰ类错误更大的危害 ......