Testing Structural Equation Models (SAGE Focus Editions) pdf epub mobi txt 电子书 下载 2026

结构方程模型：理论基础、应用实践与最新发展 本书旨在为读者提供一个全面、深入且实用的结构方程模型（Structural Equation Modeling, SEM）学习指南，覆盖从基础理论到高级应用的各个方面。本书特别注重概念的清晰阐述、数学基础的稳健构建以及实际操作的指导性，确保读者不仅理解“如何做”，更能洞悉“为何要如此做”。 --- 第一部分：结构方程模型的基础与核心概念 本部分将奠定读者对SEM的整体认识，构建必要的理论框架。 第一章：导论与模型构建的哲学基础 结构方程模型的起源与发展历程： 追溯SEM从因子分析、路径分析到现代SEM的演变，阐述其作为一种综合性统计方法的独特地位。 SEM的本质： 探讨SEM作为一种将测量模型（Confirmatory Factor Analysis, CFA）与结构模型（Path Analysis）相结合的工具，如何实现对潜在变量之间复杂关系的检验。 数据要求与基本假设： 详细讨论SEM对数据分布（如正态性）、样本量、测量误差和模型设定的基本前提和敏感性。 第二章：测量模型：验证性因子分析（CFA）的深度解析 潜在变量与观测变量的关系： 明确区分潜变量的理论构建与指标的实际测量。 因子载荷的解释与评估： 深入探讨因子载荷的标准化与非标准化值，评估其显著性、大小和理论合理性。 模型拟合度的评估体系： 详细介绍各种绝对拟合指标（如 $chi^2$ 检验、RMSEA、SRMR）和增量拟合指标（如 CFI、TLI）的计算原理、解释标准及局限性。强调拟合度指标的“多重证据”原则。 测量的信度和效度： 重点讲解组合信度（Composite Reliability, CR）和平均方差提取量（Average Variance Extracted, AVE）的计算与应用，以及区分收敛效度和区分效度（Discriminant Validity）。 第三章：结构模型：路径分析与因果推断的框架 路径图的绘制与解读： 学习如何将理论模型转化为规范化的路径图，清晰区分内生变量（Endogenous）和外生变量（Exogenous）。 路径系数的估计与解释： 掌握回归权重（路径系数）的估计方法、标准误的计算，以及如何解释直接效应和间接效应。 中介效应的检验（Mediation Analysis）： 采用现代方法（如Bootstrap法）对单中介和多重中介模型进行稳健检验，讨论Baron与Kenny的传统方法及其局限性。 调节效应的引入（Moderation Analysis）： 学习如何在SEM框架内整合交互作用项，区分变量间是调节关系还是交互关系，并探讨交互项的图示化。 --- 第二部分：模型设定、估计与高级技术 本部分将聚焦于SEM的实际操作层面，处理复杂的模型设定和估计挑战。 第四章：模型估计方法与参数估计理论 最大似然估计（ML）： 详细介绍ML估计量的原理，它是SEM中最常用的方法，并讨论其对多元正态分布的依赖性。 替代估计方法： 探讨在数据不满足正态性或存在缺失值时，应采用的稳健估计方法，包括渐近自由（Asymptotically Distribution Free, ADF）、加权最小二乘（WLS/DWLS/WLSMV）以及贝叶斯估计（Bayesian Estimation）的初步介绍。 模型识别（Identification）： 这是一个关键且常被忽视的环节。解释模型何时是“可识别的”（Just-identified, Over-identified, Under-identified），以及如何通过添加约束或固定参数来解决模型不识别问题。 第五章：处理复杂数据结构：多层SEM与增长曲线模型 多层数据结构的需求： 解释当数据存在嵌套结构（如学生嵌套在班级中）时，标准SEM的局限性。 多层结构方程模型（ML-SEM）： 介绍如何构建和检验ML-SEM，区分水平层内效应、水平层间效应以及跨层次效应（Cross-level Interactions）。 潜变量增长曲线模型（Latent Growth Curve Modeling, LGCM）： 将纵向数据分析整合到SEM框架内，用于考察个体随时间变化的轨迹，包括截距因子（初始水平）和斜率因子（变化率）的解释。 第六章：缺失数据处理与稳健性分析 缺失数据机制的分类： 区分完全随机缺失（MCAR）、随机缺失（MAR）和非随机缺失（MNAR）。 处理缺失数据的策略： 深入讨论列表删除法（Listwise Deletion）、平均值替代法（Mean Imputation）的弊端，重点介绍期望最大化（EM）算法和多重插补法（Multiple Imputation, MI）在SEM中的应用及其优势。 模型比较与选择： 介绍嵌套模型检验（Nested Model Testing）和非嵌套模型比较（如AIC/BIC指标），以及如何通过模型修正指数（Modification Indices）指导模型调整的规范性。 --- 第三部分：特定应用与前沿扩展 本部分将展示SEM在特定研究领域和最新统计方法中的应用。 第七章：潜变量的测量与拓展应用 潜变量的类型： 区分反转测量模型（Reflective Model）和前摄测量模型（Formative Model）的数学结构、参数估计和理论含义。 二阶因子模型（Second-Order Factor Models）： 如何在模型中检验高阶潜在结构（如“智力”包含“言语能力”和“空间能力”两个一阶因子），以及处理二阶模型的识别问题。 潜变量均值与方差的检验： 介绍如何通过固定或自由化参数，检验不同群体（如性别、年龄组）之间潜变量均值的差异（多组比较/平均数差异检验）。 第八章：多组比较与参数非标准（Invariance Testing） 多组比较的必要性： 阐述在不同样本或群体间比较模型结构和参数的理论和实践价值。 测量不变性检验的层次结构： 详细介绍配置不变性（Configural Invariance）、度量不变性（Metric Invariance/Factor Loading Invariance）、量表不变性（Scalar Invariance）和误差方差不变性的逐步检验流程。 结构不变性： 在检验完测量不变性后，如何比较群体间的路径系数和潜变量方差/协方差是否相等。 第九章：贝叶斯结构方程模型（BSEM）的兴起与应用 从频率论到贝叶斯视角： 概述贝叶斯统计哲学，以及其在处理模型复杂性、先验信息整合方面的优势。 BSEM的核心： 介绍先验分布（Prior Distributions）的设定、MCMC（马尔可夫链蒙特卡罗）模拟过程。 “软约束”与模型拟合： 重点介绍如何利用贝叶斯方法的“软约束”（Informative Priors）来解决传统SEM中模型过度识别或理论上不确定的参数估计问题，以及如何使用后验预测检验（Posterior Predictive Checks, PPC）评估模型拟合。 --- 附录 附录 A：主要统计软件操作指南（Mplus, Lavaan/R, Amos）： 提供主流软件中用于实现书中核心模型的输入文件示例和基本操作步骤，帮助读者将理论模型快速转化为可运行的分析。 附录 B：关键拟合指标的敏感性分析报告： 汇总不同样本量、不同模型复杂性下，关键拟合指标（如RMSEA, CFI）的理论临界值与实际表现的对比。