Моделирование структурными уравнениями (structural equation modeling)

оэтому были разработаны модели, учитывающие и латентный аспект этих переменных, и их эмпирическую связь с измеряемыми переменными.

Уравнения регрессии дают информ. о степени эмпирической связи между изучаемыми переменными, представленную в форме утверждения «когда изменяется х, то изменяется и y». Структурные уравнения представляют более высокий уровень абстракции, на к-ром при данном эмпирическом объединении переменных в центре оказываются причинные связи. Несмотря на это различие, уравнения регрессии можно использовать для оценки структурных уравнений, если выполняется ряд условий. Во-первых, идентифицированные в данной модели причинные переменные не должны зависеть от др. неустановленных причин или, в противоположной формулировке, все существенные причинные переменные, связанные с изучаемым явлением, должны быть точно определены.

В науках о поведении крайне мало представляющих интерес явлений, к-рые поддаются адекватному описанию и анализу с т. зр. простой связи «причина —> следствие». Обычно поведенческие феномены встроены в сеть причинных отношений, что требует применения более мощных и точных аналитических процедур. Поскольку линейная регрессионная модель служит основой практически для всех статистических методов, используемых в поведенческих науках, в тех случаях, когда реальная и теорет. сложность превышает ограничения двумерной рекурсивной модели, в анализ могут вводиться др. линейные модели. Если целью анализа является идентификация множественных независимых переменных (предикторов), то можно применить модель множественной регрессии. Если, в дополнение к этому, приходится иметь дело с множественными зависимыми переменными, тогда можно воспользоваться многомерной регрессией. Наконец, если есть признаки реципрокных причинных связей между эндогенными переменными, тогда лучше всего использовать общую линейную модель структурных уравнений.

В целях иллюстрации общей линейной модели структурных уравнений кратко рассмотрим пример из девяти переменных.

Эти девять переменных разделяются на три характерные категории: эндогенные переменные, экзогенные переменные и возмущающие члены. Аналогично переменной У в двумерной модели, эндогенные переменные — это переменные, значения которых полностью определяются причинными связями, заданными в исследуемой модели. В нашем примере эндогенные переменные представлены переменными D, Е и F. Экзогенные переменные — А, В и С — это переменные, в отношении к-рых предполагается, что теоретически они могут оказывать заметное воздействие на эндогенные переменные, однако их значения определяются внешними процессами, не включенными на данный момент в рассматриваемую модель. Связанные с каждой эндогенной переменной возмущающие члены (и) показывают, какая доля изменчивости соотв. эндогенной переменной не объясняется др. переменными, входящими в данную модель. Как можно заметить на приведенной выше структурной схеме, ряд логически возможных причинных связей не определен (напр. А—Е, B—F, C—D).

Эту причинную модель можно преобразовать в следующую систему из трех структурных уравнений:

D = bDA= + bDaB + UD,

Е = ЬЕВВ + bEDD + bEFF + UE,

F = bFcC + bFEE + Up

Полученная система уравнений отображает структурную модель поведенческих и стохастических процессов, предположительно порождающих определенное множество данных.

Хотя при использовании М. с. у. приходится решать целый ряд технических вопросов (напр. задачи идентификации модели и оценивания параметров), роль теории остается крайне важной. Несмотря на применение в анализе предполагаемых причинных связей строго установленных статистических методов, начальный импульс и главные ориентиры М. с. у. определяются взаимодействием теорет. и методологических соображений.

См. также Теория алгоритмически-эвристических процессов, Каузальное мышление, Когнитивная сложность, Общие системы, Человеческие факторы, Множественная регрессия, Научный метод

Д. Никинович