Учебник по промышленной статистике


Моделирование структурными уравнениями - часть 5


Весовые коэффициенты располагаются вблизи от соответствующих стрелок. Диаграмма снизу содержит представление системы простых линейных уравнений в виде диаграммы путей.

Отметим, что кроме представления линейных зависимостей в виде стрелок, диаграмма также содержит некоторые другие выражения. Во-первых, дисперсия независимых переменных, которая должна быть задана для проверки модели структурных связей, показаны на диаграмме с использованием изогнутых линий без стрелок. Такие линии мы называем дугами. Во-вторых, некоторые переменные, изображены в овальных, а не в прямоугольных рамках. Явные переменные (т.е., переменные, которые можно измерить непосредственно) на диаграммах изображаются внутри прямоугольников. Латентные переменные (т.е., которые нельзя непосредственно измерить, как, например, факторы в факторном анализе, или остатки в регрессионном) изображаются внутри овалов или окружностей. Например, переменная E на диаграмме сверху может рассматриваться как остаток линейной регрессии, когда значение Y предсказывается по значению X. Такие остатки не наблюдаются непосредственно, но в принципе могут быть вычислены по известным значениям Y и X (если a известно), поэтому они называются латентными (скрытыми) переменными и помещаются внутри овалов.

Мы рассмотрели очень простой пример диаграммы путей. В общем случае, мы заинтересованы в проверке намного более сложных моделей. Если же система уравнений становится слишком сложной, исследователи обычно переходят к рассмотрению ковариационных структур. В конце концов, модели становится настолько сложной и запутанной, что они перестают понимать ее основные принципы. Но есть доводы, которые говорят о том, что навыки проверки причинных моделей слабо связаны с проверкой линейных моделей. Переменные могут быть связаны нелинейно. Они могут быть линейно связаны по причинам, не относящимся к тому, что мы выбрали в качестве причины в нашей модели. Древнее изречение "наблюдаемая зависимость не означает причинной зависимости" остается верным, даже для сложной и многомерной корреляции.


Начало  Назад  Вперед