基于复合变量的结构方程模型的自动化模型设定搜索:一种遗传方法

《Computational Statistics & Data Analysis》:Automated specification search for composite-based structural equation modeling: A genetic approach

【字体: 大 中 小 】 时间:2026年02月02日 来源:Computational Statistics & Data Analysis 1.7

编辑推荐:

  结构方程模型(Structural Equation Modeling, SEM)主要作为一种验证性方法,通过评估理论模型对收集数据的拟合程度来实证检验这些模型。在实践中,研究人员经常采取更具探索性的方法,手动评估替代模型。尽管针对基于因子(factor-ba

  
结构方程模型(Structural Equation Modeling, SEM)主要作为一种验证性方法,通过评估理论模型对收集数据的拟合程度来实证检验这些模型。在实践中,研究人员经常采取更具探索性的方法,手动评估替代模型。尽管针对基于因子(factor-based)的SEM已开发出自动化搜索技术以识别最佳拟合模型,但在基于复合变量(composite-based)的SEM中,自动化模型设定搜索(automated specification search)仍 largely unexplored。为填补这一空白,引入了一种新方法:基于遗传算法的偏最小二乘路径建模自动化模型设定搜索(Automated Genetic Algorithm Specification Search for Partial Least Squares Path Modeling, AGAS-PLS)。该算法将偏最小二乘路径建模(Partial Least Squares Path Modeling, PLS-PM)与遗传算法(Genetic Algorithm, GA)相结合,以识别“最佳”结构模型。通过蒙特卡洛(Monte Carlo)模拟,评估了AGAS-PLS在不同条件下(包括不同样本量和模型复杂度水平)准确识别数据生成过程(data-generating process, DGP)结构模型的能力。此外,还利用实证数据进一步说明了AGAS-PLS的实际适用性。
**论文解读:基于遗传算法的复合基结构方程模型自动化模型设定搜索**

**研究背景与问题**

结构方程模型(Structural Equation Modeling, SEM)是社会科学中检验理论模型的重要工具,偏最小二乘路径建模(Partial Least Squares Path Modeling, PLS-PM)作为复合基SEM的代表方法,广泛用于营销、信息系统、人力资源和旅游等领域。尽管PLS-PM在估计一致性、序数变量处理、离群值、多重共线性、模型拟合指标及预测能力等方面取得了显著进展,但自动化模型设定搜索(automated specification search)在PLS-PM文献中仍很少被探索。现有自动化搜索技术主要针对基于因子(factor-based)的SEM,如模拟退火、禁忌搜索、蚁群优化和遗传算法(Genetic Algorithm, GA),而复合基SEM中缺乏此类工具。研究人员通常依赖手动调整模型,效率低且易受主观影响。为填补这一空白,研究人员提出了一种新方法——基于遗传算法的偏最小二乘路径建模自动化模型设定搜索(Automated Genetic Algorithm Specification Search for PLS-PM, AGAS-PLS),并发表于《Computational Statistics》。该研究旨在通过结合遗传算法与PLS-PM,自动识别最优线性递归结构模型,提高模型选择的客观性和效率。

**主要关键技术方法**

AGAS-PLS的核心技术包括:1)将结构模型结构表示为二进制指示矩阵Π(元素为1表示路径存在,0表示不存在),并确保外生构念集(ξexo)固定,对角元素为零,且仅搜索线性递归模型;2)采用遗传算法(GA)进行优化,包括线性排名选择(linear rank selection)、单点交叉(单点交叉概率pc=0.8)和位翻转突变(bit-flip mutation,突变概率pm=0.2);3)以贝叶斯信息准则(Bayesian Information Criterion, BIC)作为适应度函数,惩罚模型复杂度,优先选择更简约的模型;4)通过PLS-PM估计候选模型参数,并检查孤立构念和反馈循环,无效模型赋予低适应度值f?=?105。蒙特卡洛模拟使用R语言(版本4.3.0),基于cSEM.DGP和cSEM包生成数据并估计模型,GA包实现遗传算法。实证数据来源于Bergami与Bagozzi(2000)收集的韩国电子公司男性员工样本(N=157,构念包括组织声望OP、组织认同OI、情感承诺-喜悦ACJ和情感承诺-爱ACL)。

**研究结果**

**5.1 模拟设计**:采用全因子设计,包含三个因素:结构模型结构(4种:完全中介、部分中介模型2和3、饱和模型)、效应大小(小、中、大,基于Cohen’s f2)和样本量(100、250、500),共36个条件,每个条件200次重复,总计7200个数据集。

**5.2 数据生成与软件**:从多元正态分布中抽取样本,使用cSEM.DGP包生成数据,AGAS-PLS基于cSEM包和GA包实现,默认设置(Mode B估计权重,路径加权方案计算内权重)。

**5.3 结果**:通过五个指标评估性能。**准确率(Accuracy Rate)**:AGAS-PLS的准确率主要取决于效应大小和模型复杂度,样本量影响较小。对于最简单的完全中介结构(Structure 1),准确率在所有条件下均较高(大效应时达0.87);对于部分中介结构(Structure 2和3),仅在中、大效应下表现良好(0.57~0.88);对于饱和模型(Structure 4),无法准确识别。**简约率(Parsimony Rate)**:AGAS-PLS倾向于选择更简约的模型,尤其在效应小且复杂度高时(Structure 3小效应下简约率0.36~0.43;Structure 4大效应下0.45)。**成功率(Success Rate)**:准确率与简约率之和,中、大效应下普遍较高,小效应和复杂模型时较低。**错误率(Incorrect Rate)**:随效应增大而降低,饱和模型下错误率最高。**路径选择频率(Path Selection Frequency)**:对于Structure 1,真实路径几乎总是被选中(最低0.80);对于Structure 2和3,大部分路径正确识别率超过82%,但小效应下可能出现反向路径;对于饱和模型,除指向ξ6的路径外,其他路径识别失败。

**5.4 敏感性分析**:考察种群大小P(50, 100)和世代数G(50, 100, 200, 300)对成功率与计算时间的影响。结果表明:增加G和P可提高成功率,但计算时间显著增加;G超过100后收益递减;P=100、G=200提供平衡的性能与效率;大效应下计算时间略短。

**6 实证应用**:使用Bergami和Bagozzi(2000)的组织认同数据集,AGAS-PLS找到的模型BIC为7806.50,低于原始模型(BIC=7836.36)。识别出的模型中外生构念仅OP,OI对ACJ有直接效应,OI对ACL的效应完全由ACJ中介,而原始模型包含OI对ACL的直接效应。这表明AGAS-PLS能发现更简约且拟合更好的模型。

**讨论与结论**

**7 结论与未来研究**:AGAS-PLS作为复合基SEM中自动化模型设定搜索的新工具,已在R包cSEM中实现。蒙特卡洛模拟表明,AGAS-PLS能有效识别数据生成过程(DGP)的结构模型结构,尤其在中到大的效应大小和简单模型下表现优异,且样本量影响不大。随着模型复杂度增加,AGAS-PLS倾向于选择更简约的模型,这在一定程度上弥补了其对复杂结构识别能力的不足。存在等价模型(equivalent models)是SEM中的常见问题,AGAS-PLS无法区分等价模型,但提供外生构念集有助于识别更简约的嵌套模型。研究人员应将AGAS-PLS视为缩小候选模型范围的辅助工具,最终结论需经复制或交叉验证。当前局限性包括:需至少指定一个外生构念;仅限于线性递归模型;仅搜索结构模型层面。未来方向包括:扩展到非递归模型、外模型搜索、使用一致偏最小二乘(Consistent Partial Least Squares, PLSc)处理共同因子、整合先验知识约束搜索空间、探索其他适应度函数(如基于样本外预测性能),以及研究外生构念或外模型错误指定时的表现。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号