结构化方程模型示例
在本例中，人力资源部门的一名员工希望开展一项调查，以衡量关键的工作场所结构。本例使用“结构化方程模型”平台构建了一个确认性因子分析模型。您可以使用该模型分析对 200 名员工的调查回复，了解他们工作场所的各个方面。该调查包含对与工作满意度相关的 11 个问题的回复。该确认性因子分析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 > 样本数据文件夹，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“至列表”下方的框中键入“领导力”，然后点击添加潜在变量 
按钮。
6. 在“至列表”中，从人员_C 一直选择到互动_C。在“至列表”下方的框中键入“冲突”，然后点击添加潜在变量 按钮。
7. 在“至列表”中，从常规_S 一直选择到主管_S。在“至列表”下方的框中键入“满意度”，然后点击添加潜在变量 按钮。
添加协方差并拟合模型
8. 同时在“从列表”和“至列表”中，选择领导力、冲突和满意度。点击双向箭头 
按钮。
9. 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“三因子 CFA”。
10. 点击运行。
11. （可选。）点击“结构化方程模型: 三因子 CFA”旁边的红色小三角，然后选择路径图设置 > 布局 > 从上到下。
12. （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。
13. 右击路径图并选择显示 > 显示估计值 > 标准化。
“路径图”中的数字现在表示该模型的标准化参数估计值。
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。您得出结论：该调查是测量领导力、冲突和满意度等潜在变量的一个不错的工具。
14. 点击“结构化方程模型: 三因子 CFA”旁边的红色小三角，然后选择热图 > 标准化残差热图。
图 8.3 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。