结构方程模型,严格来说,是不得已而为之,而不是一种必须的方法,因为其假设条件太多,导致结果很不稳健。
这么说吧,能方差分析解决的问题,就不要用多元线性回归。能多元线性回归解决的问题,就不要用结构方程模型,这是最后一种方案。
那为什么还要依靠结构方程模型?是因为社会科学研究中,有些概念必须用多指标才能全面测量,这就是结构方程模型的用武之地。注意了,结构方程模型的建模起点,首先是概念界定,高手就是从这里开始的。概念没想清楚,起点就没打好。比如说,“聪明”,仁者见仁,智者见智,有人说占小便宜是聪明,有人说吃亏是福才是真聪明,那到底怎样才是“聪明”?你必须从理论体系中和前人文献中演绎出来,让大家心服口服,你给出的概念,确实界定了“聪明”的本质,大家都是这么认为的。概念界定好了,接下来是测量,如果你认可吃亏是福是“聪明”,那么你在操作性测量中就得有“有人在我前面插队时,我从不与他争论”之类的问项。
简单来说,就是概念要站得住,不要人为构造概念,或是随意阐释概念,概念站住了,后面的测量才有基础。很多人,概念没想清楚,就开始乱测量,自己都不知道自己在测量什么,你怎么能期望因子分析能聚合到你想要的结果呢?
有了概念,接下来是概念间的关系,这就是假设,也就是结构方程模型的路径,很多人是胡乱牵线,怎么好怎么来,或是这里搭搭,那里配配,看那种结果最好。正确地逻辑应该是,先根据理论推演和前人研究推论出变量间的假设关系,然后再看结构方程模型能否支持假设关系下的模型,如支持,则假设得以成立,若不支持,则假设不成立。这中间,关键是假设关系要强,才很有可能得到显著性的结果。怎么说呢,所谓吹尽黄沙始到金,你有很强的假设关系,那么你测量的建构效度差一点,数据质量差一点,其他因素再干扰一点,还是动摇不了你的假设关系。比如说路径影响系数原本很强,有0.6,在其他诸多因素干扰之下,大不了算0.2嘛,还是显著的正向关系,关系本质不变。但假如关系不强,原本是0.1,一有风吹草动,可能就变成-0.1了,结果你还在那傻乎乎的surprise。
综上,结构方程模型其实是一门技术,高手不会把精力放在技术上,而是放在idea、概念创新和假设关系上,当然,中间的操作性测量、问卷设计、数据搜集其实也很见功力,所以管理研究不是那么好做的。
|