结构化方程模型示例
在本例中，人力资源部门的员工希望提高工作满意度。本例使用“结构化方程模型”平台分析了关于 200 个人对其工作满意度调查的回复。该调查包含对与工作满意度相关的 11 个问题的回复。您想要构造一个结构化回归模型，将调查问题的答复与领导力特征、角色冲突和整体工作满意度等潜在变量联系起来。
1. 选择帮助 > 样本数据库，然后打开 Job Satisfaction.jmp。
2. 选择分析 > 多元方法 > 结构化方程模型。
3. 从支持_L 一直选择到主管_S，然后点击模型变量。
4. 点击确定。
“结构化方程模型”报表“模型规格”分级显示项随即显示。
创建潜在变量
5. 在“至列表”中从支持_L 一直选择到互动_L，在“添加潜在变量”旁边的框中键入“领导力”，然后点击添加潜在变量。
6. 在“至列表”中从人员_C 一直选择到互动_C，在“添加潜在变量”旁边的框中键入“冲突”，然后点击添加潜在变量。
7. 在“至列表”中从常规_S 一直选择到主管_S，在“添加潜在变量”旁边的框中键入“满意度”，然后点击添加潜在变量。
添加载荷和回归变量
8. 在“自列表”中选择领导力，在“至列表”中选择满意度，然后点击单向箭头 
按钮。
9. 在“自列表”中选择领导力，在“至列表”中选择冲突，然后点击单向箭头 按钮。
10. 在“自列表”中选择冲突，在“至列表”中选择满意度，然后点击单向箭头 按钮。
11. 在“模型名称”（位于“模型规格”报表左上角）下方的文本框中，键入“带潜在变量的路径分析”。
12. 点击运行。
13. （可选。）点击“结构化方程模型：带潜在变量的路径分析”旁边的红色小三角，然后选择路径图 > 布局 > 6。
14. （可选。）点击“参数估计值”旁边的灰色展开图标。
关闭“参数估计值”报表将支持您查看整个路径图。
图 8.2 “结构化方程模型”报表
“拟合汇总”报表中列出的该模型的卡方统计量为 34.27，自由度为 41。请注意，相应的 p 值为 0.7624，该值不显著。这表明，没有证据可以拒绝模型拟合良好这一原假设。因此，您可以得出结论：该模型对数据拟合良好。
卡方值取决于样本大小，因此，一些拟合良好的模型仍然可以生成显著的卡方值。比较拟合指数 (CFI) 和近似的均方根误差 (RMSEA) 为确定模型拟合提供了额外的指导。这些指数介于 0 和 1 之间。CFI 值最好大于 0.90，RMSEA 值最好小于 0.10（Browne and Cudeck 1993；Hu and Bentler 1999）。在此，CFI 为 1 且 RMSEA 为 0，指示拟合极佳。
15. 点击“结构化方程模型：带潜在变量的路径分析”旁边的红色小三角，然后选择标准化参数估计值。
图 8.3 “标准化参数估计值”报表
“标准化参数估计值”报表中的“载荷”的估计值有助于解释定义潜在变量的测量模型。标准化载荷指示观测到的变量与未观测到的潜在变量的相关性。报表中所有潜在变量的载荷都介于 0.52 到 0.67 之间，这表明“领导力”、“冲突”和“满意度”构造良好。
在Figure 8.2 中，“回归”下的参数估计值表明，“领导力”对“冲突”以及“冲突”对“满意度”的影响是负面的，而“领导力”对“满意度”的影响是正面的。因此，“领导力”得分越高，“冲突”得分就越低，“满意度”得分就越高；“冲突”得分越高，“满意度”得分就越低。参数估计值相应的 p 值显示在“回归”下方。“领导力 -> 冲突”和“领导力 -> 满意度”回归参数在 α = 0.05 水平下均显著。因此，您得出结论：这些回归关系很牢固。
注意：您还可以将“标准化参数估计值”报表中的“回归”参数估计值用作效应大小。这些效应大小被解释为预测变量中一个标准差变化的结果中标准差单位的变化。
16. 点击“结构化方程模型：带潜在变量的路径分析”旁边的红色小三角，然后选择标准化残差热图。
图 8.4 标准化残差热图
“标准化残差热图”在正方向或负方向上没有超过 2.0 个单位的值；这进一步证明了该模型拟合数据良好。残差也可以在更细粒度上诊断拟合不良的模型。该模型中的标准化残差没有显示出局部失拟的证据。