定量研究：PLS-SEM Multigroup Analysis

文摘 2024-09-23 18:34 韩国

定量研究

PLS-SEM Multigroup Analysis

PLS-SEM（Partial Least Squares Structural Equation Modeling）的多组分析（Multigroup Analysis, MGA）是基于路径模型的多组比较技术，广泛用于探索不同子群体间的结构路径差异。PLS-SEM 不仅允许研究者处理高度复杂的模型，还适合应对中小样本、非正态分布数据及复杂的模型结构。

在 PLS-SEM 中，多组分析的目的是检查模型的结构路径（即内在模型路径系数）在不同群体（如不同性别、国家或年龄段）中是否有显著的差异。其过程一般包含两大步骤：

构建和估计多个子群体的模型：对于每个群体，分别估计路径系数和指标负荷，之后比较组间的路径差异。

检验路径差异的显著性：PLS-SEM 通常采用非参数化方法（如置换检验或自助法）来计算路径系数的显著性。置换检验通过打乱组别标签生成路径系数的分布，从而评估组间的差异是否显著。因为 PLS-SEM 不需要满足正态分布假设，因此这种方法特别适合于处理非正态分布的数据和小样本。

PLS-SEM MGA 的特点

灵活性：PLS-SEM 可以处理复杂的因果关系模型，特别适合于探索性研究，如新兴理论验证、模型拓展等。

对小样本友好：相比 CB-SEM，PLS-SEM 不需要大样本支持，研究者可以在中小样本（通常小于 200）条件下进行多组分析。

非正态分布的数据兼容：由于其基于方差的最小二乘法估计，PLS-SEM 能处理不符合正态分布的数据，使得它更适合于那些数据分布不符合假设的现实情况。

无需严格的模型拟合指标：PLS-SEM 更加关注预测能力而非模型的整体拟合度，不依赖诸如卡方检验等全模型拟合度检验指标。

CB-SEM 的多组分析

相比之下，CB-SEM（Covariance-Based SEM）在多组分析时有着更严谨的假设和过程。CB-SEM 以协方差矩阵为基础，通过最大似然估计（Maximum Likelihood, ML）的方法对模型进行估计，要求数据满足正态分布和大样本条件。

CB-SEM 的多组分析一般包括以下步骤：

测量等值性检验（Measurement Invariance Testing）：在多组分析前，CB-SEM 强调必须对测量模型进行等值性检验。测量等值性确保所有组别在测量工具（如量表、问卷等）上的测量一致性。这一步是为了确保各组别的潜变量和指标间的关系在模型中的表现一致。

配置等值性（Configural Invariance）：检查模型的基本结构在各组是否一致。

测量单位等值性（Metric Invariance）：检验指标负荷在各组间是否相等。

截距等值性（Scalar Invariance）：比较各组间的指标截距是否一致。

只有在满足等值性条件后，才能继续进行路径系数的比较。

路径系数的差异检验：CB-SEM 使用多组路径比较检验（例如Wald检验或多组卡方差异检验）来检验路径系数在各组间是否存在显著差异。这些检验基于模型拟合的假设，因此 CB-SEM 对数据的要求较高，包括正态分布和大样本。

PLS-SEM MGA 与 CB-SEM MGA 的差异

数据要求：CB-SEM 假设数据为正态分布，并且需要较大的样本量，这使其在处理复杂模型时受限。而 PLS-SEM 没有这些限制，更适合中小样本和非正态分布的数据。

路径比较的方式：PLS-SEM 采用非参数的置换检验或自助法，重点在于路径系数的比较，而 CB-SEM 则使用参数化的假设检验，如卡方差异检验或 Wald 检验，依赖于数据符合正态分布的前提。

测量等值性：CB-SEM 在多组分析中非常重视测量等值性，以确保各组测量模型的一致性，而 PLS-SEM 对等值性的依赖较小，更适合探索性分析和理论构建的早期阶段。

模型拟合和预测能力：CB-SEM 更强调模型的整体拟合度，要求模型在统计上有较好的拟合，而 PLS-SEM 更注重模型的预测能力和潜在变量之间的解释性。

总结来说，PLS-SEM 的多组分析具有更强的灵活性和应用范围，尤其适合在中小样本和数据分布不理想的情况下使用。CB-SEM 则在严格的理论假设验证、较大样本和数据符合正态分布的情况下表现更为出色，特别适合那些希望获得模型拟合度更精确结果的研究情境。

运用 Multigroup Analysis (MGA) 方法进行分析的主要目的是为了探讨不同组别间在结构模型中的路径系数是否存在显著差异，而传统的调节效应分析则是检验某个调节变量是否会影响自变量与因变量之间的关系。这两种方法虽然都涉及组别或变量对关系的影响，但有明显的侧重点和分析逻辑上的不同。

Multigroup Analysis (MGA) 的目的和使用场景

MGA 的核心目的是比较不同组别间的结构路径差异。假设研究者希望了解某个模型在不同的群体（例如性别、地区、文化背景等）中是否存在显著差异，MGA 是一种有效的分析方法。具体来说，MGA 在以下情境中会被使用：

组间比较：研究者希望比较某一结构方程模型（SEM）在不同组别（如不同性别、年龄段、文化背景等）下的路径系数是否存在显著差异。

群体特定效应：帮助识别某些关系（路径系数）是否仅在某些特定群体中显著。

模型的稳定性分析：MGA 可以用于测试模型的跨组一致性，帮助理解模型在不同子群体中的稳定性。

例如，如果研究者在研究“工作压力对工作满意度的影响”时，想了解这种关系在不同性别（男性 vs. 女性）或不同文化背景（东方 vs. 西方）下是否有差异， MGA 能够通过比较路径系数的显著性检验来回答这些问题。

传统的调节效应分析的目的和使用场景

调节效应分析（moderation analysis）的核心目标是检验调节变量（moderator）对自变量与因变量关系的影响。它的关注点是某个特定变量（例如性别、年龄、教育水平等）如何影响某种因果关系的强弱和方向。调节效应分析的基本思路是引入一个调节变量到回归模型中，并通过交互项的显著性检验，判断调节变量是否对自变量与因变量的关系有显著的调节作用。

调节效应分析通常用于以下情境：

检验某个变量是否影响某种关系：如果研究者认为某个变量（如性别或年龄）会改变自变量与因变量之间的关系，可以通过调节效应分析来检验。例如，研究者可以探讨性别是否调节“工作压力对工作满意度的影响”。

交互效应的分析：调节效应分析通过在模型中加入交互项（自变量与调节变量的乘积）来直接检验调节作用。

Multigroup Analysis (MGA) 与调节效应分析的区别

分析对象的不同：

MGA 是针对不同的组别（如男性 vs. 女性、A 组 vs. B 组等）进行分析，比较的是各个子群体中相同路径系数是否显著不同。它关心的是这些组别在模型结构上是否有差异。

调节效应分析则是针对某个调节变量的作用来进行分析，它检验的是调节变量（例如性别、收入、教育水平）是否影响某个自变量与因变量之间的关系。

操作上的区别：

MGA 需要将样本按组别分割，并分别估计不同群体的结构路径，然后通过统计检验（如 PLS-SEM 中的非参数置换检验或 CB-SEM 中的卡方检验）比较各组的路径系数。

调节效应分析则是在同一模型中引入一个调节变量的交互项，通过对交互项的显著性检验，判断调节变量是否对自变量和因变量的关系有显著的影响。

结果的解释：

MGA 的结果是不同组别间的比较。例如，在性别差异的情况下，MGA 可以告诉研究者“工作压力对工作满意度的影响在男性和女性之间是否显著不同”，从而得出某种效应在不同群体中的差异。

调节效应分析的结果是某个调节变量的作用。例如，它可以告诉研究者“性别是否调节工作压力与工作满意度之间的关系”，也就是这个关系的强度或方向是否随性别的不同而变化。

数据要求不同：

MGA 需要将样本分成不同组别，因此每个组别都需要有一定的样本量（虽然在 PLS-SEM 中小样本也可以进行分析，但样本量过小会影响结果的可靠性）。

调节效应分析不需要将样本分组，而是通过交互项的引入直接在一个整体模型中进行分析，因此对样本量的要求通常低于 MGA。

举个例子来区分

假设我们有一个模型：自变量是“工作压力”，因变量是“工作满意度”，现在我们想研究“性别”对这个模型的影响。

MGA：我们将样本分成男性和女性两个子群体，分别估计这两个群体中的“工作压力对工作满意度”的路径系数，然后通过统计检验比较这两个系数的差异。如果结果表明男性和女性的路径系数显著不同，那么我们可以得出结论，性别在这一关系中扮演了一个显著的差异化角色。

调节效应分析：我们不分组，而是将性别作为一个调节变量引入模型，构建一个交互项（工作压力 × 性别），然后检验这个交互项的显著性。如果交互项显著，则表示性别对“工作压力与工作满意度”的关系有调节作用。

总而言之

MGA 和传统的调节效应分析都是研究复杂关系的有效工具，但它们的侧重点和应用场景不同。MGA 关注的是不同组别间模型结构的差异，适用于比较群体效应。而调节效应分析则专注于某个变量是否会调节两个变量之间的关系，适用于探讨交互效应。因此，选择哪种方法取决于研究者想要解决的问题是“不同组别是否存在差异”还是“某个变量是否影响一对关系的强弱”。

Multigroup Analysis (MGA) 方法可以和传统的调节效应分析一起或结合使用，以获得更全面的研究结果。通过结合这两种方法，研究者可以更深入地探讨复杂模型中不同组别之间的差异，以及调节变量对某些关系的调节作用。下面介绍两者结合使用的方式和应用场景。

1. 结合使用的优势

将 MGA 与调节效应分析结合使用，能够帮助研究者在两个层次上理解数据中的复杂关系：

MGA 分析组间差异：MGA 可以检验不同组别（如性别、文化、年龄等）在路径系数上的差异，从而回答“不同组别是否表现出显著的路径差异？”例如，工作压力对工作满意度的影响是否在男性和女性之间有显著差异？

调节效应分析解释变量的调节作用：调节效应分析则用于检验某个变量（如性别、年龄等）是否调节自变量和因变量之间的关系。例如，性别是否会调节工作压力与工作满意度的关系，即随着性别变化，这一关系的强度或方向是否发生变化？

通过结合使用，研究者既可以探讨不同组别之间的整体差异（通过 MGA），也可以检验某个特定变量是否调节自变量与因变量之间的具体关系（通过调节效应分析）。这可以帮助研究者构建更复杂、细致的理论模型，并揭示变量间的交互影响和组间差异。

2. 结合使用的具体方式

方法 1: 先进行调节效应分析，再进行 MGA

一种常见的策略是先进行调节效应分析，通过添加交互项（如“工作压力 × 性别”）来检验性别是否调节工作压力和工作满意度之间的关系。如果交互项显著，那么我们知道性别作为调节变量影响了这对关系。

之后，再进行 MGA 分析，将样本按照性别分成不同组别（如男性和女性），并对这两个子群体进行结构路径的估计和比较。如果 MGA 显示出显著的路径差异，这进一步验证了性别不仅调节了关系，还在不同组别中产生了结构性的差异。

方法 2: 结合调节效应和组间比较

在更复杂的模型中，研究者可以同时加入调节效应分析和组间比较。具体操作步骤如下：

构建一个包含调节效应的模型：在模型中引入调节变量及其交互项。比如，假设自变量是工作压力，因变量是工作满意度，调节变量是性别，则引入“工作压力 × 性别”作为交互项。

进行 MGA：将样本按组别（如性别、地区等）分组，分别估计这些组别的模型。在每个组别模型中，可以同时保留交互项，以便比较调节效应在不同组别中的显著性差异。

这种结合方法允许研究者同时探索：

不同组别间的总体路径系数差异。

调节效应是否在某些组别中更为显著，或是否存在特定的组别对调节作用有更强或更弱的影响。

方法 3: 分层调节效应分析

另一种方法是进行分层调节效应分析。即，先使用 MGA 方法将样本分组（例如按性别、文化背景等），然后在每个子群体内分别进行调节效应分析。

假设我们有两个子群体：男性和女性。可以在每个子群体中独立地测试不同的调节变量（例如，性别和年龄的交互作用在男性群体中是否显著，在女性群体中是否显著）。这种方法能够揭示调节效应是否仅在某些特定的子群体中显现出来。

3. 举个具体的例子

假设我们研究一个模型：工作压力（自变量）如何影响工作满意度（因变量），并想探讨**性别（调节变量）**对这一关系的调节作用，以及是否在不同地区（如东部 vs. 西部）有差异。

首先，研究者可以进行调节效应分析，检验“性别”是否调节“工作压力与工作满意度”的关系。通过引入交互项“工作压力 × 性别”，判断这一交互项的显著性。

接下来，研究者可以进行MGA 分析，将样本按地区（东部 vs. 西部）分组，分别估计每个地区内的路径系数。如果不同地区之间的路径系数存在显著差异，这表明地区在这一关系中的影响显著。

最后，研究者还可以在每个地区的样本内再次进行调节效应分析，检验“性别”在不同地区中是否具有不同的调节作用。例如，性别是否在东部地区显著调节工作压力与工作满意度的关系，而在西部地区不显著。

4. 结合方法的应用场景

以下场景可以考虑将 MGA 和调节效应分析结合使用：

跨文化研究：研究者希望同时比较不同文化群体间的路径差异，并检验某些文化变量（如文化价值观）是否会调节自变量和因变量之间的关系。

市场细分分析：营销研究中，研究者可以先按市场细分（如高收入 vs. 低收入群体）进行 MGA，然后通过调节效应分析探讨某些特征（如年龄、教育水平）在这些市场中的调节作用。

人力资源管理：在不同公司或地区比较员工满意度模型时，先进行 MGA 比较不同公司的模型差异，再通过调节效应分析检验公司内的不同特征（如部门、职级）如何调节某些关键关系。

综上所述

MGA 和调节效应分析可以结合使用，以提供更丰富的研究视角和结论。MGA 适用于比较不同组别的路径系数差异，而调节效应分析用于检验特定变量对某对关系的调节作用。通过结合这两种方法，研究者能够深入分析模型中的多层次影响，既揭示组间的差异，也能说明调节变量在不同环境下的作用效果。

Multigroup Analysis (MGA) 和调节效应分析在管理学、教育学、社会学、心理学、法学、政治学等社会科学中的应用和理解有很强的普适性。这两种方法帮助研究者分析不同群体或情境中变量之间的关系差异和调节效应，可以用于多种学科背景下的实证研究。以下分别探讨它们在各个社会科学领域的应用和理解方式。

1. 管理学中的应用和理解

在管理学中，MGA 和调节效应分析被广泛应用于组织行为、领导风格、市场营销、战略管理等领域，用来分析不同管理实践或组织环境下的路径关系。

MGA 的应用：MGA 可以用于比较不同部门、行业、地区或员工群体（如高层管理者 vs. 一线员工）在工作满意度、组织承诺、领导风格与员工绩效等变量之间的关系差异。例如，研究者可以使用 MGA 检验不同文化背景下，领导风格对员工绩效的影响是否有显著差异。

调节效应分析的应用：调节效应分析可用于探讨某些变量（如工作压力、组织资源）在管理决策中的调节作用。例如，研究者可以检验“组织文化”是否调节“领导风格与员工绩效”的关系，或“创新性”是否调节“企业资源配置与市场绩效”的关系。

例子：

假设研究者想比较不同行业的领导风格对员工绩效的影响，首先通过 MGA 方法比较制造业与服务业中这一关系的显著性差异；然后再使用调节效应分析，检验是否员工的工作动机调节这一关系。

2. 教育学中的应用和理解

在教育学中，MGA 和调节效应分析主要用于探讨不同群体（如不同年龄、性别、地区或学校类型的学生）在学习效果、教师行为、教学方法等方面的差异，以及某些因素（如家庭背景、学习态度）的调节作用。

MGA 的应用：MGA 可以用于比较不同群体的学生在某些教育变量之间的差异。例如，研究者可以比较城市和农村学校中，教师支持与学生学业成绩之间的关系是否存在显著差异。

调节效应分析的应用：调节效应分析可以用于探讨某些变量如何调节教学实践和学习效果之间的关系。例如，研究者可以检验“学生的学习动机”是否调节“教师反馈与学生成绩”的关系，或“家长参与”是否调节“课外活动与学业成就”的关系。

例子：

在教育学研究中，研究者可以用 MGA 方法比较不同教育背景（如公立学校 vs. 私立学校）中，教师反馈对学生学习成果的影响差异。然后，通过调节效应分析，检验学生的学习动机是否调节教师反馈对学生成果的影响。

3. 社会学中的应用和理解

在社会学中，MGA 和调节效应分析经常用于探讨不同社会群体（如社会阶层、种族、文化群体等）之间的结构性差异，以及某些社会因素（如经济状况、社会网络）对社会现象的调节作用。

MGA 的应用：MGA 可以用于比较不同社会群体间的关系模型差异。例如，研究者可以探讨不同社会阶层对社会流动性或教育机会的看法是否不同，或者比较不同国家中社会信任与政治参与的路径系数差异。

调节效应分析的应用：调节效应分析可以用于探讨社会结构中的变量如何调节社会行为的关系。例如，研究者可以检验“社会资本”是否调节“教育水平与收入”的关系，或者“性别”是否调节“社会支持与心理健康”的关系。

例子：

社会学研究可以使用 MGA 方法比较城市和农村居民的社会支持对心理健康的影响是否不同；然后，使用调节效应分析探讨经济状况是否调节社会支持与心理健康的关系。

4. 心理学中的应用和理解

在心理学中，MGA 和调节效应分析主要用于理解不同个体特征（如性别、年龄、人格等）对心理变量之间关系的影响，以及某些心理机制（如应对策略、社会支持）如何调节这些关系。

MGA 的应用：心理学研究可以使用 MGA 来探讨不同性别、年龄或人格类型的个体在心理变量（如应激、焦虑、幸福感）之间的关系差异。例如，研究者可以比较男性和女性在应激对焦虑影响上的差异。

调节效应分析的应用：调节效应分析可以用于检验某些变量（如应对策略或社会支持）是否调节特定心理变量之间的关系。例如，研究者可以探讨“社会支持”是否调节“生活压力与抑郁”的关系，或“自我效能感”是否调节“工作负荷与职业倦怠”的关系。

例子：

心理学研究者可以用 MGA 方法比较不同人格特质（如内向型 vs. 外向型）个体在应激与心理健康之间的关系差异；然后，通过调节效应分析，检验应对策略是否调节这一关系。

5. 法学中的应用和理解

在法学中，MGA 和调节效应分析可以用于分析不同法律环境或不同法律适用群体（如不同地区、年龄、性别）中的法律效应差异，以及某些变量（如社会信任、法律意识）对法律执行效果的调节作用。

MGA 的应用：MGA 可以用于比较不同地区或群体对法律的态度和行为。例如，研究者可以比较不同文化背景的群体对法律信任与法律遵从之间关系的差异，或者不同国家中法治观念对法律服从的影响是否有显著差异。

调节效应分析的应用：调节效应分析可以用于探讨某些社会变量（如法律意识、道德观念）是否调节法律制度与行为间的关系。例如，研究者可以检验“法律意识”是否调节“法律惩罚与违法行为”的关系。

例子：

在法学研究中，MGA 可以用于比较不同地区的居民对法律信任与违法行为的关系是否不同；随后通过调节效应分析，探讨社会经济地位是否调节法律信任对违法行为的影响。

6. 政治学中的应用和理解

在政治学中，MGA 和调节效应分析可以用于分析不同群体（如不同国家、年龄段、党派）在政治态度、行为及政策支持上的差异，以及某些因素（如媒体暴露、教育水平）对政治行为的调节作用。

MGA 的应用：MGA 可以用于比较不同国家、年龄群体或政治党派在政策支持或投票行为上的差异。例如，研究者可以比较年轻选民和年长选民在政治信任与投票行为之间的关系是否有显著差异，或者不同国家的公民对民主制度满意度的路径是否不同。

调节效应分析的应用：调节效应分析可以用于探讨某些政治或社会因素是否调节特定的政治行为或态度。例如，研究者可以检验“媒体暴露”是否调节“政治参与与政治信任”的关系，或者“教育水平”是否调节“社会阶层与政治参与”的关系。

例子：

在政治学研究中，MGA 可以比较不同国家中，政治信任对选举行为的影响是否有差异；通过调节效应分析，探讨媒体使用是否调节这一关系。

7. 其他社会科学领域的应用和理解

在其他社会科学领域，MGA 和调节效应分析也可以用于探讨不同群体间的结构性差异和调节效应。这些方法能够帮助研究者识别群体特异性效应以及变量间的复杂互动关系。

总而言之

MGA 和调节效应分析在社会科学中的应用提供了灵活而有力的工具，可以帮助研究者更好地理解复杂的社会现象。这两种方法的结合使用可以同时揭示不同群体间的关系差异和特定变量的调节作用。每个学科都可以根据其特定的研究问题，将 MGA 和调节效应分析应用于理论验证、群体比较或交互效应的检验，从而得出更具深度和广泛性的重要发现。