量化研究典範的革命－結構方程模式概說（SEM 的特性）

～摘錄自邱皓政博士

不論是用何種名詞來稱呼 SEM，這些分析技術具有一些基本的共同特質（Kline,
1996, pp. 8-13），說明如下。

一、SEM 具有理論先驗性
SEM 分析最重要的一個特性，是它必須建立在一定的理論基礎之上，也就是說，
SEM 是一個用以檢證某一先期提出的理論模型（priori theoretical model）的適
切性的一種統計技術。這也是 SEM 被視為是一種驗證性（confirmatory）而非探
索性（exploratory）統計方法的主要原因。SEM 的分析過程中，從變項內容的
界定、變項關係的假設、參數的設定、模型的安排與修正，一直到應用分析軟
體來進行估計，其間的每一個步驟都必須要有清楚的理論概念或邏輯推理作為
依據。從統計的原理來看，SEM 也必須同時符合多項傳統統計分析的基本假設
（例如線性關係、常態性）以及 SEM 分析軟體所特有的假設要件，否則所獲得
的統計數據無法採信。

以因素分析為例，結構方程模式所使用的因素模式採取了相當嚴格的限制。研
究者對於潛在變項的內容與性質，在測量之初即必須有非常明確的說明，或有
具體的理論基礎，並已先期決定相對應的觀察變項的組成模式。分析的進行即
在考驗這一先期提出的因素結構的適切性，除了測量工具發展時，可以利用此
一程序來檢驗其結構的有效性，也可用於理論架構的檢驗，因此又被稱為驗證
性因素分析。

二、SEM 同時處理測量與分析問題
過去傳統的統計方法，不論分析的內容為何，多把變項視為「真實」、「具
體」、「可觀測」的測量資料，在分析過程中，並不去處理測量過程所存在的
問題，也就是說，「測量」與「統計」是兩個獨立分離的程序。傳統上，如果
變項所涉及的概念是如同「智力」或「自尊」等不易界定的心理概念，研究者
為了獲得可以分析的資料，會先行討論測量的方法，並以信度與效度的概念程
序來先行進行評估，一旦通過評估的標準，即將所獲得的測量資料進行分析。

相對於傳統的作法，SEM 是一套可以將「測量」與「分析」整合為一的計量研
究技術。主要的關鍵在於 SEM 將不可直接觀察的構念或概念，以潛在變項的形
式，利用觀察變項的模型化分析來加以估計，不僅可以估計測量過程當中的誤
差，也可以用以評估測量的信度與效度（如因素效度），甚至可以超越古典測
量理論的一些基本假設，針對特定的測量現象（例如誤差的相關性）加以檢測。
另一方面，在探討變項之間關係的時候，測量過程所產生的誤差並沒有被排除
在外，而是同時包含在分析的過程當中，使得測量信度的概念可以整合到路徑
分析等統計推論的決策過程中。

三、SEM 以共變數的運用為核心，亦可處理平均數估計
SEM 分析的核心概念是變項的共變數（covariance）。共變數是描述統計中的一
種離散量數，利用變異數的離均差和的數學原理，計算出兩個連續變項配對分
數（paired scores）的變異量，用以反應兩個變項的共同變異或相互關聯程度。
共變數是一個非標準化的統計量數，受到兩個變項所使用的量尺或單位的影響，
數值可能介於 到 之間，如果將共變數除以兩個變項的標準差，即可得出標準化
共變數（即 Pearson 相關係數）。

在 SEM 當中，共變數具有兩種功能，第一是描述性的功能，利用變項之間的共
變數矩陣，我們可以觀察出多個連續變數之間的關聯情形；第二是驗證性的功
能，用以反應出理論模型所導出的共變數與實際觀測得到的共變數的差異。在
SEM 分析過程中最重要的數學程序，即是在產生模型導出共變矩陣（S
matrix）。如果研究者所設定的 SEM 模型有問題，或是資料估計過程導致 S
matrix 無法導出，整個 SEM 即無法完成。

除了共變數以外，SEM 也可以處理變項的集中傾向的分析與比較，也就是平均
數的檢驗。傳統上，平均數檢驗是以 t 檢定或變異數分析（ANOVA）來進行。
由於 SEM 可以對於截距進行估計，使得 SEM 可以將平均數差異的比較納入分析
模型當中，同時若配合潛在變項的概念，SEM 更可以估計潛在變項的平均數，
使得 SEM 的應用範圍更為廣泛。

一般而言，SEM 主要的優勢來自於多元迴歸與因素分析等主要應用於非實驗設
計的統計技術，但由於 SEM 可以處理分組變數與平均數估計，因此實驗設計所
得出的資料也可以利用 SEM 來分析。

四、SEM 適用於大樣本之分析
由於 SEM 所處理的變項數目較多，變項之間的關係較為複雜，因此為了維持統
計假設不致違反，必須使用較大的樣本數，同時樣本規模的大小，也牽動著
SEM 分析的穩定性與各種指標的適用性，因此，樣本數的影響在 SEM 當中是一
個重要議題。

與其他的統計技術一樣，SEM 分析所使用的樣本規模當然是越大越好，但是究
竟有沒有一個最適規模，則會隨著 SEM 模型的複雜度與分析的目的與種類而有
相當大的變化。但是，一般來說，當樣本數低於 100 之時，幾乎所有的 SEM 分
析都是不穩定的。Breckler（1990）曾針對人格與社會心理學領域的 72 個 SEM
實徵研究進行分析，樣本規模介於 40 至 8650 之間，中數為 198。有四分之一的
研究小於樣本數 500，約百分之二十的研究樣本規模小於 100。因此，一般而言，
大於 200 以上的樣本，才可以稱得上是一個中型的樣本。若要追求穩定的 SEM
分析結果，低於 200 的樣本數是不鼓勵的。

五、SEM 包含了許多不同的統計技術
綜觀統計分析技術的內容，可以概略分為平均數檢定的變異數分析與探討線性
關係的迴歸分析兩大範疇。事實上，這兩者並無本質上的差異，前者可以被歸
為一般線性模型（general linear model）分析技術，後者則是以變項間的線性關
係為分析的內容。隨著電腦科技的發展，分析軟體功能的提昇，使得兩種統計
模式可以互通，合而為一。

一般線性模型的優點是可以數學方式來整合不同型態的變異來源，可以不斷擴
充研究者所欲探討的變項的數目與影響方式，因此一般線性模型逐漸發展出多
種多變量統計的概念，例如多變量變異數分析（multivariate analysis of
variance）。而迴歸分析在處理變項的彈性與複雜度的優勢似乎有凌駕變異數分
析之勢，但是變異數分析由於簡單清楚的數學原理與容易解釋分析的特性，也
一直受到研究者的青睞[1][8]。在 SEM 當中，雖然是以變項的共變關係為主要內
容，但由於 SEM 模型往往牽涉到大量變項的分析，因此常借用一般線性模式分
析技術來整合變項，故 SEM 分析可以說是多種不同統計分析程序的集合體。

六、SEM 重視多重統計指標的運用
雖然 SEM 涵括了多種不同統計技術於一身，但是對於統計顯著性的依賴性卻遠
不及一般統計分析，主要理由有三：第一，SEM 所處理的是整體模型的比較，
因此所參考的指標不是以單一的參數為主要考量，而是整合性的係數，此時，
個別檢定是否具有特定的統計顯著性即不是 SEM 分析的重點所在。第二，SEM
發展出多種不同的統計評估指標，使得使用者可以從不同的角度來進行分析，
避免過度倚賴單一指標。第三，由於 SEM 涉及大樣本的分析，當樣本越大，
SEM 分析的核心概念卡方統計量的顯著性，即受到相當的扭曲，因此 SEM 的評
估指數都特意避免碰觸到卡方檢定的顯著性考驗。也因為這個原因，在 SEM 分
析當中，較少討論到與統計顯著性決策有關的第一與第二類型錯誤議題，顯示
了 SEM 技術的優勢是在於整體層次（macor-level）而非個別或微視的層次
（mocro-level）