论文写作中的结构方程模型：从路径分析到SEM
结构方程模型（SEM）是社会科学中最强大的多变量分析工具之一。它同时处理"测量误差"和"路径关系"，是验证理论模型的利器。以下是系统化的SEM方法论。
SEM的核心优势：同时估计测量模型和结构模型。传统回归假设变量被完美测量（无误差），但现实中所有测量都有误差。SEM分两步：①测量模型（Measurement Model）：用多个指标（题项）测量一个潜变量（Latent Variable），并估计测量误差。②结构模型（Structural Model）：用潜变量（而非有误差的观测变量）估计路径关系。这种"先净化测量，再估计关系"的逻辑，是SEM的核心价值。
SEM分析的标准流程。第一步：验证性因子分析（CFA）——检验测量模型是否合格。看每个题项的因子载荷（>0.7为佳）、组合信度（CR>0.7）、平均方差萃取（AVE>0.5）、区分效度（Fornell-Larcker准则）。第二步：结构模型估计——在测量模型合格的基础上，估计潜变量之间的路径系数。第三步：模型拟合评估——用χ²/df（<3）、RMSEA（<0.08）、CFI（>0.90）、TLI（>0.90）、SRMR（<0.08）等指标判断模型拟合度。第四步：假设检验——看路径系数的显著性（p值）和效应量。
常见SEM模型类型。①路径分析（Path Analysis）：最简单的SEM，所有变量都是观测变量（无潜变量）。适合变量测量误差较小的情况。②验证性因子分析（CFA）：只有测量模型，没有结构模型。用于检验"我的量表是否测量了它应该测量的构念"。③全SEM（Full SEM）：既有测量模型又有结构模型。适合理论模型包含多个潜变量和路径的复杂假设。④多组SEM（Multi-group SEM）：检验模型在不同群体（如男女、东西方文化）中是否一致。⑤纵向SEM（Longitudinal SEM）：跨多个时间点的SEM，可以检验"因果方向"和"发展变化"。
SEM的"陷阱"与避坑指南。①样本量不足：SEM需要大样本（经验法则：N>200，或更严格地N>10×自由估计参数数）。小样本做SEM，结果极不稳定。②模型过度拟合（Over-fitting）：你不断修改模型（删路径、加协方差）直到拟合指标"好看"，但这可能只是拟合了样本噪声。应对：预注册你的模型，或用一半数据探索、一半数据验证。③忽略替代模型（Alternative Models）：你的模型拟合好，不代表它就是"对的"。可能有其他模型同样拟合好。应对：比较多个竞争性模型的拟合度（AIC/BIC）。④"相关≠因果"依然成立：即使SEM路径系数显著，也不能直接宣称因果（除非有实验/准实验设计支撑）。
SEM报告的规范格式。①描述样本特征（N、人口统计）。②报告测量模型结果（因子载荷、CR、AVE、区分效度）。③报告结构模型结果（路径系数、标准误、p值、效应量）。④报告模型拟合指标（χ²/df、RMSEA、CFI、TLI、SRMR）。⑤附上路径图（Path Diagram）——让读者一眼看到你的模型结构。⑥讨论替代解释：如果路径不显著或拟合不好，讨论可能的原因（测量问题？模型设定错误？样本问题？）。
论文写作中的结构方程模型：从路径分析到SEM
结构方程模型（SEM）是社会科学中最强大的多变量分析工具之一。它同时处理"测量误差"和"路径关系"，是验证理论模型的利器。以下是系统化的SEM方法论。
SEM的核心优势：同时估计测量模型和结构模型。传统回归假设变量被完美测量（无误差），但现实中所有测量都有误差。SEM分两步：①测量模型（Measurement Model）：用多个指标（题项）测量一个潜变量（Latent Variable），并估计测量误差。②结构模型（Structural Model）：用潜变量（而非有误差的观测变量）估计路径关系。这种"先净化测量，再估计关系"的逻辑，是SEM的核心价值。
SEM分析的标准流程。第一步：验证性因子分析（CFA）——检验测量模型是否合格。看每个题项的因子载荷（>0.7为佳）、组合信度（CR>0.7）、平均方差萃取（AVE>0.5）、区分效度（Fornell-Larcker准则）。第二步：结构模型估计——在测量模型合格的基础上，估计潜变量之间的路径系数。第三步：模型拟合评估——用χ²/df（<3）、RMSEA（<0.08）、CFI（>0.90）、TLI（>0.90）、SRMR（<0.08）等指标判断模型拟合度。第四步：假设检验——看路径系数的显著性（p值）和效应量。
常见SEM模型类型。①路径分析（Path Analysis）：最简单的SEM，所有变量都是观测变量（无潜变量）。适合变量测量误差较小的情况。②验证性因子分析（CFA）：只有测量模型，没有结构模型。用于检验"我的量表是否测量了它应该测量的构念"。③全SEM（Full SEM）：既有测量模型又有结构模型。适合理论模型包含多个潜变量和路径的复杂假设。④多组SEM（Multi-group SEM）：检验模型在不同群体（如男女、东西方文化）中是否一致。⑤纵向SEM（Longitudinal SEM）：跨多个时间点的SEM，可以检验"因果方向"和"发展变化"。
SEM的"陷阱"与避坑指南。①样本量不足：SEM需要大样本（经验法则：N>200，或更严格地N>10×自由估计参数数）。小样本做SEM，结果极不稳定。②模型过度拟合（Over-fitting）：你不断修改模型（删路径、加协方差）直到拟合指标"好看"，但这可能只是拟合了样本噪声。应对：预注册你的模型，或用一半数据探索、一半数据验证。③忽略替代模型（Alternative Models）：你的模型拟合好，不代表它就是"对的"。可能有其他模型同样拟合好。应对：比较多个竞争性模型的拟合度（AIC/BIC）。④"相关≠因果"依然成立：即使SEM路径系数显著，也不能直接宣称因果（除非有实验/准实验设计支撑）。
SEM报告的规范格式。①描述样本特征（N、人口统计）。②报告测量模型结果（因子载荷、CR、AVE、区分效度）。③报告结构模型结果（路径系数、标准误、p值、效应量）。④报告模型拟合指标（χ²/df、RMSEA、CFI、TLI、SRMR）。⑤附上路径图（Path Diagram）——让读者一眼看到你的模型结构。⑥讨论替代解释：如果路径不显著或拟合不好，讨论可能的原因（测量问题？模型设定错误？样本问题？）。