基于结构方程模型的测验分析方法

　　结构方程模型（SEM）是近三十年来社会科学和行为科学研究中最为重要的多元统计方法，很多研究者使用结构方程模型进行测验质量的分析。《基于结构方程模型的测验分析方法》系统整理了结构方程模型的此类应用，特别介绍了近年来该领域研究的*进展。相信这《基于结构方程模型的测验分析方法》的内容，能够为相关研究者开发心理和教育测验提供新的思路和方法。

　　吴瑞林，北京航空航天大学心理与行为研究所教师，管理学博士。在美国圣母大学（UniversityofNotreDame）心理学系联合培养期间，师从美国华人心理统计学家Ke-HalYuan.主要从事心理测量与统计、教育测评方面的研究。近三年来，主持国家自然科学基金一项，在SCI（E）、EI、CSSCI检索的期刊上发表论文十余篇。

　　8.3.3报告统计软件与统计过程
　　根据结构方程模型的统计基础，它既可以与样本协方差矩阵拟合，也可以用样本相关系数矩阵来分析，协方差矩阵与相关系数矩阵间本来就可以通过方差来相互转换。在结构方程模型诞生之初，它首先是与协方差矩阵相结合的；但一些研究者认为，与相关系数矩阵拟合后获得的模型参数已经标准化，变量间关系也更明晰，所以更乐于使用样本相关系数矩阵进行分析。
　　不管拟合哪种矩阵，报告研究结果时都应该说明拟合矩阵的类型；并应列出完整的样本协方差矩阵或样本相关系数矩阵，一旦给出两种矩阵之一，论文或研究报告的读者就可以重复进行研究者使用结构方程模型所做的分析，以便验证或改进研究的结果。当研究的变量比较少时，协方差矩阵或相关系数矩阵可以直接通过表格给出。但是，变量增多以后，限于文章的篇幅，就很难列出完整的矩阵了。如果有条件的话，可以将变量较多的协方差（或相关系数）矩阵放在互联网上，供感兴趣的读者下载，或允许其通过电子邮件获得。
　　目前已有多个支持结构方程模型的成熟软件，但这些软件的估计结果并不相同，所提供的模型拟合指标也各有千秋，特别是各软件默认的参数估计方法不一致，所以应该报告具体选用了哪个软件完成统计工作。
　　接下来，参数估计的方法和估计过程是不可或缺的部分。不同的参数估计方法适用于不同类型的数据，所获参数估计值也不会一致。由于极大似然法（ML）的无偏性，多数结构方程模型软件都以ML作为默认的估计方法；但ML法建立在多元正态分布假设基础上，并要求一定的样本量（至少数百个被试）才能发挥出效果。所以很多时候，研究者也会考虑使用ULS、WLS、DWLS等其他估计方法。选用哪种估计方法，是具体研究问题的数据所决定的，但在论文中都应该说明选用的方法和理由。一般而言，结构方程模型软件都会存在预设的最大迭代次数，当达到该迭代次数后，无论参数估计值是否收敛，软件都会自动停止估计过程。