判断结构方程模型的应用是否成功，或者说因果模式是否得到了验证，我们
一般可以采用以下判断标准。
（1）对变异的解释
判断回归分析成功与否的传统标准是看被解释变量中的变异比例r 2 ，它表
示解释变量的作用大小。这个标准可用于估计因果模式的应用成功与否。但在使
用时要注意几个问题:第一，我们用哪个被解释的变量去检验?有的研究者认为，
如果因变量的大部分变异都得到了解释，那么这个因果模式就是成功的，但这可
能忽略了干预变量；第二，研究的设计因素对变量变异的解释可能有影响。例如，
在相同条件下，我们希望对变量的变异能解释更多，这意味着预测的变异通常只
能比较具有相同设计的两个研究。但用所解释的变异设置标准去判断因果模式的
有效性是不可能的。而且，我们希望因果模式能充分解释干预变量和因变量中的
变异。这个标准对于“验证”一个因果模式极为有用。
（2）系数的显著性或大小
因果模式可用于不同的预测，假设某个自变量能解释特定的干预变量，假设
所选的自变量和干预变量在因变量中会引起变异。由这些预测就使我们能够通过
考察数据中的预测指标对模型作出评价。因此，当研究者预测的关系在分析图中
反映为显著的路径时，他们就说该模式被“验证”了。此外，当路径系数大于某
一特定标准时，研究者也判断该模型已被“验证”。当然，这两种程序都有其不
足。第一个程序要求研究者把统计显著性的概念具体化(我们知道，统计显著性
反映了样本大小和作用大小。因此，两个研究对同一个因果模式可能得出不同的
结论，因为它们涉及的样本大小不同。另外，在同一个回归方程中，回归系数的
计算误差可能很大。因此，两个变量作用的大小虽相同，但一个达到显著，而另
一个则不显著)；第二个程序要求研究者把随机产生的影响认为是合理的。此外，
两个标准把对系数实际大小的注意转向影响作用的大小，而多数路径图对影响作
用的强弱没有加以区分(实际上，对这二者进行区分是很容易的，比如把影响作
用强的路径加粗，但研究者很少这么做)。尽管存在这些问题，但我们希望模式
能做的另一件事情是对它们给予不同的预测。评价回归系数的统计显著性，是检
验模式“验证”的一种适当方法。但这个标准相对独立于变异的解释标准。某个
标准可能解释了主要的变异，却错误预测了有效的变量。相反，某个标准也可能
预测了适当的变量，但仍然只有很弱的共同效应。
（3）相对效果大小
有些因果模式预测了各种效果的相对大小(例如，研究者预测，智力比社会
地位对学业成绩的影响更大，并且他把这个预测纳入因果模式)。通过判断回归
系数差异的相对大小或统计显著性，就可以对这个预测作出评价。如果差异支持
了因果模式，就可以说这个模式被“验证”。但是，判断回归系数的相对大小也
是评价因果模式的一种有效方法。这条标准也相对独立于已讨论过的标准。
（4）路径的“捕获”
当研究者考虑因果模式具有干预变量时，会产生另一种判断成功的标准。如
果假设干预变量居于自变量和因变量中间并可解释二者间的关系，那我们就预期
干预变量“捕获”了大多数联结自变量与因变量的路径。如果模式是成功的，研
究者选择了适当的干预变量并确定了正确的因果路径，则分析中几乎没有残差或
者根本没有残差，而且自变量与因变量之间也几乎没有直接路径或根本没有直接
路径。相反，如果他发现了残差和直接路径，可能表明该模式并没有包括重要的
干预变量。
（5）拟合量数
前边我们讨论的判断因果模式的这四个标准，都是利用最小二乘法。LISREL
及其有关技术为判断模式的“验证”提供了另外的标准。其中一个是 指数，
它检测因果模式与数据的拟合程度。如果 小于某个规定置信限水平的临界值，就说这个模式得到了“验证”与 的其它应用一样，如果因果模式的任何部分
确实与数据不相拟合，就不能“验证”该模式。但“验证”了一个因果模式，并
不意味着其它模式就不能被“验证”此外，对于其中只能解释很小变异的模式，
可能会发现它的 不显著。当这个模式被“验证”时，这并不表示模式中特定的、预期的作用达到了统计显著。简言之，这个标准有且是独立的。
（6）干扰的协方差
利用LISREL 评价因果模式的另一个点是，研究者可以考察“干扰”(或被测
变量误差估计)的协方差。如果所有这些协方差都没有达到统计显著，模式代表
所有的重变量。相反，如果发现有些“干扰”显著地变，就应该假设把其它重要
变量纳入该模式。因此，当一个模式干扰条件的协方差不显时，也可认为这个模
式得到了“验证”。这标准也相对独立。
（7）样本比较
最后，可把因果模式用于新的数据，继续对其作出评价。对于大样本可把数
据分成个子样本，一个在于形成因果模式，一个在验证已形成的因果模式。同样
为达比较的目的，研究者也可把源于一个总体的因果模式用于另一个在社会地
位、道德、民族或其它景上完全不同的总体"这类评价通常只“验证”该因果模
式的某些方面，不能“验证”模式的其他方面。 |
