如何利用多元回归分析建立结构方程模型──以精神质、社会支持、人际信任为例

本文被浏818次

重庆立信研究部李玉杰



        引言
        观察和实验是人类探究自然的主要方法,但如果您有数据,那么如何让这些数据开口说话呢?数据的挖掘与分析是一个重要方法。
        在实际问题的数据建模中,常用的统计方法有频次统计、描述统计、方差分析、相关分析、回归分析、因子分析、主成分分析、路径分析、结构方程模型等。
        随着现代人对数据信息的需求越来越高,特别在实际的经济问题中,一个变量往往受到多个变量的影响。例如,家庭消费支出,除了受到家庭可支配收入的影响以外,还受到诸如家庭所有的财富、物价水平、金融机构存款利息等多种因素的影响。
        简单的数据分析已无法满足市场需求,故近年来,在国内多元回归分析、路径分析与结构方程模型的运用越来越多。下面我将着重介绍多元回归模型,并以精神质、社会支持、人际信任为案例进行分析。
        一、多元回归模型与路径分析介绍
        (一)多元回归模型
        一元回归是一个主要影响因素作为自变量来解释因变量的变化,在现实问题研究中,因变量的变化往往受几个重要因素的影响,此时就需要用两个或两个以上的影响因素作为自变量来解释因变量的变化,这就是多元回归亦称多重回归。当多个自变量与因变量之间是线性关系时,所进行的回归分析就是多元性回归。
        建立多元性回归模型时,为了保证回归模型具有优良的解释能力和预测效果,应首先注意自变量的选择,其准则是:
        (1)自变量对因变量必须有显著的影响,并呈密切的线性相关;
        (2)自变量与因变量之间的线性相关必须是真实的,而不是形式上的;
        (3)自变量之彰应具有一定的互斥性,即自变量之间的相关程度不应高于自变量与因变量之因的相关程度;
        (4)自变量应具有完整的统计数据,其预测值容易确定。
        (二)路径分析
        路径分析的主要目的是检验一个假想的因果模型的准确和可靠程度,测量变量间因果关系的强弱,回答下述问题:
        ①模型中两变量xj与xi间是否存在相关关系;
        ②若存在相关关系,则进一步研究两者间是否有因果关系;
        ③若xj影响xi,那么xj是直接影响xi,还是通过中介变量间接影响或两种情况都有;
        ④直接影响与间接影响两者大小如何。
        以上两种方法均是结构方程模型中的一种特例,下面我将在SPSS中通过多元回归分析与路径分析建立精神质、社会支持、人际信任三个变量之间的结构方程模型。
        二、以精神质、社会支持、人际信任为例的分析
        艾森克人格问卷(EPQ)
        本研究采用英国艾森克1975年编制,于19世纪80年代引入我国的《艾森克人格问卷》,简称EPQ。该量表是一种自陈量表,用是或否作答。有成人和少年两种形式,包括内外向性(E)、神经质(N)、精神质(P)、掩饰性(L)4个分量表,每道题目记分有正向和反向两种记分方式。该量表的克隆巴赫α系数(Cronbach`s alpha)为0.861。
        社会支持评定量表
        采用肖水源于1986年设计,1990修订的《社会支持评定量表》,该量表共10个题项,包括客观支持(3项)、主观支持(4项)、对支持的利用度(3项)3个维度。重测总分一致性α=0.92(P<0.01),各题项一致性α1-10在0.89~0.94之间,且据国内已有研究应用表明该量表具有较好的信度和效度。
        人际信任量表
        采用由Rempel和Holmes(1986)编制的《人际信任量表》,简称ITS。该量表为7点量表,共18个题目,记分方式分为正向与反向两种,包含可预测性、可依靠性和信赖性3个维度。可预测性指被试能否预见到同伴的特定行为,包括被试欢迎和不欢迎的行为,可依靠性是信任的最核心成分,而信赖则“使人们能无保留地确信同伴将继续负起责任并关系自己”。整个量表内部一致性α=0.81;3个维度一致性α在0.80~0.82之间,且据国内已有研究应用表明该量表具有较好的信度和效度。
        三、分析结果
        人格特征、社会支持、人际信任的相关
        
        表1表明人际信任与社会支持、客观支持、主观支持及支持利用度存在非常显著的正相关关系(p<.01),与神经质、精神质存在非常显著的负相关(p<.01),与内外向性的相关关系不显著(p>.05)。
        社会支持与神经质存在显著的负相关(p<.05),与精神质存在非常显著的负相关(p<.01),与内外向性的相关关系不显著(p>.05)。
        社会支持的中介作用分析
        
        表2显示了精神质对社会支持的回归分析结果和显著性检验,在第一步引入控制变量性别、婚姻状况、文化程度、年龄、工龄。第二步引入精神质后结果显示:精神质对社会支持有极其显著影响。
        根据Baron和Kenny所建议的标准来检验和评价社会支持的中介作用,其具体标准为,自变量和中介变量对因变量都有显著影响,但当自变量和中介变量同时进入回归方程时,自变量的作用显著减少或者完全消失。
        表3多元回归结果表示,在第一步回归分析中,精神质对人际信任有极其显著影响β=-.140,p<0.000),在第二步回归分析中,社会支持对人际信任有极其显著的影响β= .200,p<0.000),在第三步同时引入社会支持与精神质后,精神质对人际信任的标准相关系数β由-.140降低至-.115,精神质影响人际信任的过程中社会支持具有部分中介作用。
        
        中介效应检验也可以用a×b系数乘积项检验法即Sobel检验,其中a是预测变量精神质、神经质)对中介变量的未标准化的回归系数,b为预测变量与中介变量一起预测时,中介变量社会支持)与因变量人际信任)的未标准化的回归系数,Sa与Sb分别是a与b的标准误见表4)。Sobel检验,公式为Z = a*b/b^2Sa^2+a^2Sb^2)^0.5,检验结果见表4。
        由表4可以看出,Sobel检验表明。中介变量社会支持)在精神质、神经质和人际信任之间起到了部分中介作用,且在精神质和人际信任之间的部分中介作用极其显著存在,在神经质和人际信任之间的部分中介作用显著存在。
        结合前述假设,万森娱乐电脑网页版绘制出精神质、社会支持、人际信任的结构方程模型。
        
        四、多元回归分析的其他研究应用
        回归分析在预测模型当中的应用:
        静态预测模型:能从一个或几个变量的取值对另一变量的取值做出预测,即能根据一个人或几个事物的变化对另一个事物的影响规律来预测这个事物未来的变化规律。能在某种程度上解决心理科学研究对心理与行为的预测目的。
        时间序列的预测:例如服装销量等受季节性等时间影响的数据。各变量之间相关性较低,无法直接做多元回归分析,故结合数据产生时间建立时间序列预测模型,能更好的了解数据的季节特征、年度特征等相关信息。