第1章 結構方程模型簡介
在20世紀70年代，Jöreskog、Keesling等人將「路徑分析」的概念引入到潛在變數（latent variable）的研究中，並和因素分析方法結合起來，而形成了結構方程模型（structural equation modeling, SEM）。在結構方程模型中，利用驗證性因素分析技術（confirmatory factor analysis, CFA），以檢驗潛在變數與觀察變數（observed variable）間的關聯性，而構成測量模型（measurement model）；再借助路徑分析技術（path analysis）檢驗潛在變數之間的因果關係（causal relation），而形成結構模型（structural model）。最後，將測量模型與結構模型整合成完整的架構，即形成了結構方程模型。
結構方程模型是一種複雜的因果關係模型，可以處理觀察變數與潛在變數間的測量問題以及確認潛在變數之間的因果關係。而事實上，一些常用的第一代統計技術，如迴歸分析、主成份分析、探索性因素分析、路徑分析及變異數分析等，都可看成是結構方程模型的特例而已。此外，結構方程模型還擁有其他第一代統計分析技術所無法比擬的優點。也正因為如此，近二十年來，促成了結構方程模型在心理學、社會學、管理學以及行為科學等領域中，都能被廣泛的應用。
1-1 結構方程模型的基本概念
結構方程模型又稱為共變數結構分析（analysis of covariance structure）或線性結構方程（linear structure equation），它是一種運用假設檢定技術，而對因果關係的內在結構進行分析的一種統計方法。它也是近年來發展甚為快速，應用越來越廣泛的一種多變量分析技術。相較於傳統的統計學，由於其對潛在變數、測量誤差和因果關係等都具有獨特的處理能力，因此近年來，除了在心理學、教育學等領域的應用日趨成熟與完善之外，還不斷的被應用在其他的多種領域中。
由於在社會科學領域中，一般研究者所關注之議題的研究中，所涉及的變數大都是屬於不能準確、直接測量的潛在變數（例如：滿意度、忠誠度⋯⋯等）。對於這些潛在變數的處理，傳統的統計方法，例如：迴歸分析、因素分析與路徑分析等皆無法妥善處理（例如：測量誤差的處理）。此時，就須運用到能同時處理潛在變數與觀察變數的結構方程模型了。
認識結構方程模型最簡單的方法，莫過於謹記，結構方程模型有「三兩」，即兩種變數、兩種路徑與兩種模型。兩種變數意味著結構方程模型中的變數類型有兩種，即觀察變數（模型圖中會以長方形代表）與潛在變數（橢圓形或圓形）。兩種路徑則代表結構方程模型中將包含兩類路徑，即代表因果關係的路徑（單向箭頭）與代表共變（相關）關係的路徑（雙向箭頭）。而兩種模型則是指測量模型（又稱驗證性因素分析模型）與結構模型（又稱路徑分析模型）。以下將逐一介紹這些結構方程模型的基本概念。
1-1-1 兩種變數
結構方程模型中包含了兩類變數：觀察變數與潛在變數。另外，誤差變數有些時候也可視為是一種潛在變數，因為它也是不能被直接觀察得到的。此外，亦可根據影響路徑的因果關係，而將結構方程模型的變數分為外生變數（exogenous variables）（代表因，即自變數）和內生變數（endogenous variables）（代表果，即依變數）（榮泰生，2008）。
一、觀察變數與潛在變數
觀察變數，是指可以直接觀察或測量的變數，又稱為外顯變數（manifest variable）。在以問卷調查為基礎的研究中，這些觀察變數通常是指問卷中的每一個題項，一個題項就是一個觀察變數。當然，在一些因素結構較複雜的構面（例如：二階構面）中，觀察變數亦可能是由數個觀察變數的平均值所構成的變數。例如：在圖1-1的測量模型圖中，「遊憩知覺壓力」這個構面是由「遊憩干擾」、「擁擠感」與「不當行為」等三個觀察變數（其實屬子構面，潛在變數）所衡量，然而查閱原始問卷可發現，「遊憩干擾」、「擁擠感」與「不當行為」等變數應屬子構面，且每個子構面又都是由四個題項（觀察變數）所測量。因此，在結構方程模型的分析過程中，為了簡化模型，我們會將各子構面所屬的四個題項之得分的平均值設定給「遊憩干擾」、「擁擠感」與「不當行為」等子構面（這過程通常稱之為：將潛在變數轉換為觀察變數），且以這些「已觀察變數化」的子構面當作是主構面「遊憩知覺壓力」的三個測量指標。故，觀察變數亦可以是數個其他觀察變數的平均值。在結構方程模型的路徑圖中，觀察變數通常以長方形圖表示，如圖1-1中的x1、x2、x3、y1、y2與y3。
在20世紀70年代，Jöreskog、Keesling等人將「路徑分析」的概念引入到潛在變數（latent variable）的研究中，並和因素分析方法結合起來，而形成了結構方程模型（structural equation modeling, SEM）。在結構方程模型中，利用驗證性因素分析技術（confirmatory factor analysis, CFA），以檢驗潛在變數與觀察變數（observed variable）間的關聯性，而構成測量模型（measurement model）；再借助路徑分析技術（path analysis）檢驗潛在變數之間的因果關係（causal relation），而形成結構模型（structural model）。最後，將測量模型與結構模型整合成完整的架構，即形成了結構方程模型。
結構方程模型是一種複雜的因果關係模型，可以處理觀察變數與潛在變數間的測量問題以及確認潛在變數之間的因果關係。而事實上，一些常用的第一代統計技術，如迴歸分析、主成份分析、探索性因素分析、路徑分析及變異數分析等，都可看成是結構方程模型的特例而已。此外，結構方程模型還擁有其他第一代統計分析技術所無法比擬的優點。也正因為如此，近二十年來，促成了結構方程模型在心理學、社會學、管理學以及行為科學等領域中，都能被廣泛的應用。
1-1 結構方程模型的基本概念
結構方程模型又稱為共變數結構分析（analysis of covariance structure）或線性結構方程（linear structure equation），它是一種運用假設檢定技術，而對因果關係的內在結構進行分析的一種統計方法。它也是近年來發展甚為快速，應用越來越廣泛的一種多變量分析技術。相較於傳統的統計學，由於其對潛在變數、測量誤差和因果關係等都具有獨特的處理能力，因此近年來，除了在心理學、教育學等領域的應用日趨成熟與完善之外，還不斷的被應用在其他的多種領域中。
由於在社會科學領域中，一般研究者所關注之議題的研究中，所涉及的變數大都是屬於不能準確、直接測量的潛在變數（例如：滿意度、忠誠度⋯⋯等）。對於這些潛在變數的處理，傳統的統計方法，例如：迴歸分析、因素分析與路徑分析等皆無法妥善處理（例如：測量誤差的處理）。此時，就須運用到能同時處理潛在變數與觀察變數的結構方程模型了。
認識結構方程模型最簡單的方法，莫過於謹記，結構方程模型有「三兩」，即兩種變數、兩種路徑與兩種模型。兩種變數意味著結構方程模型中的變數類型有兩種，即觀察變數（模型圖中會以長方形代表）與潛在變數（橢圓形或圓形）。兩種路徑則代表結構方程模型中將包含兩類路徑，即代表因果關係的路徑（單向箭頭）與代表共變（相關）關係的路徑（雙向箭頭）。而兩種模型則是指測量模型（又稱驗證性因素分析模型）與結構模型（又稱路徑分析模型）。以下將逐一介紹這些結構方程模型的基本概念。
1-1-1 兩種變數
結構方程模型中包含了兩類變數：觀察變數與潛在變數。另外，誤差變數有些時候也可視為是一種潛在變數，因為它也是不能被直接觀察得到的。此外，亦可根據影響路徑的因果關係，而將結構方程模型的變數分為外生變數（exogenous variables）（代表因，即自變數）和內生變數（endogenous variables）（代表果，即依變數）（榮泰生，2008）。
一、觀察變數與潛在變數
觀察變數，是指可以直接觀察或測量的變數，又稱為外顯變數（manifest variable）。在以問卷調查為基礎的研究中，這些觀察變數通常是指問卷中的每一個題項，一個題項就是一個觀察變數。當然，在一些因素結構較複雜的構面（例如：二階構面）中，觀察變數亦可能是由數個觀察變數的平均值所構成的變數。例如：在圖1-1的測量模型圖中，「遊憩知覺壓力」這個構面是由「遊憩干擾」、「擁擠感」與「不當行為」等三個觀察變數（其實屬子構面，潛在變數）所衡量，然而查閱原始問卷可發現，「遊憩干擾」、「擁擠感」與「不當行為」等變數應屬子構面，且每個子構面又都是由四個題項（觀察變數）所測量。因此，在結構方程模型的分析過程中，為了簡化模型，我們會將各子構面所屬的四個題項之得分的平均值設定給「遊憩干擾」、「擁擠感」與「不當行為」等子構面（這過程通常稱之為：將潛在變數轉換為觀察變數），且以這些「已觀察變數化」的子構面當作是主構面「遊憩知覺壓力」的三個測量指標。故，觀察變數亦可以是數個其他觀察變數的平均值。在結構方程模型的路徑圖中，觀察變數通常以長方形圖表示，如圖1-1中的x1、x2、x3、y1、y2與y3。
