结构方程模型在护理理论验证中的应用

1. 一句话告诉你这是什么

结构方程模型（SEM）把因子分析和路径回归合并为一个模型，同时处理”量表条目是否测到了想要的构念”（测量模型）和”这些构念之间是什么关系”（结构模型）两个问题。在护理中用于理论框架验证——比如检验自我效能理论中”社会支持→自我效能→自护行为”的完整路径。

2. 什么时候用，什么时候别用

适合用

• 需要同时检验多个变量之间的多元路径关系（一个模型包含多条假设路径）
• 变量为潜变量（如生活质量、心理韧性），由多个量表条目间接测量
• 需要比较多个竞争模型的拟合优度（如验证某理论是否比竞争理论更适合数据）

不适合用

• 只有一个预测变量和一个结局变量（只需简单回归即可）
• 样本量不足（通常 $n \ge 200$，复杂模型需 $n \ge 500$）
• 变量间关系的理论基础薄弱（SEM 不能替代理论推导）

3. 数据准备清单

• 样本量满足拇指法则（$n \ge 10 \times k$，$k$ 为自由参数个数）
• 每个潜变量至少 3 个条目（理想 4-6 个）
• 变量为正态分布（或使用稳健估计，如 MLR）
• 无严重缺失值（$\le 5\%$，或用 FIML 处理）
• 测量不变性已在不同子组中检验

4. 方法直觉

SEM 由两部分组成：

测量模型： 条目是构念的”实现方式”——比如 SF-12 的 PCS 得分是”身体健康”这个潜变量的观测指标。测量模型评估每个条目对潜变量的贡献（因子载荷）。

结构模型： 潜变量之间的回归路径——$M = \beta_1 X + \varepsilon_1$；$Y = \beta_2 M + \beta_3 X + \varepsilon_2$。

$\text{测量模型: } X = \Lambda_X \xi + \delta \quad \quad \text{结构模型: } \eta = B\eta + \Gamma\xi + \zeta$

整体模型拟合用 CFI（$\ge 0.95$）、TLI（$\ge 0.95$）、RMSEA（$\le 0.06$）和 SRMR（$\le 0.08$）评估。

点击展开：SEM 与中介分析的异同

维度	传统中介分析	SEM
变量类型	观察变量	可包含潜变量
测量误差	不单独建模	通过因子分析分离误差
模型拟合	通常不报告全局拟合	必须报告 CFI/RMSEA 等
软件	mediation 包或 lavaan	推荐 lavaan

简言之：如果变量是多个量表条目的总分，测量误差已经被压缩了，传统中介分析可能足够；如果变量是潜变量（多个条目的共同方差），SEM 更精确。

5. R 代码（复制即可跑）

library(lavaan)

# 模拟护理理论数据：社会支持 → 自我效能 → 自护行为
set.seed(2026)
n <- 300

support    <- rnorm(n, 50, 10)                            # 社会支持（潜变量，用总分替代）
efficacy   <- 30 + 0.5 * support + rnorm(n, 0, 8)        # 自我效能
selfcare   <- 20 + 0.3 * efficacy + 0.2 * support + rnorm(n, 0, 5) # 自护行为

df <- data.frame(support, efficacy, selfcare)

# SEM 模型定义
model <- '
  # 路径（结构模型）
  efficacy ~ a * support
  selfcare ~ b * efficacy + c * support

  # 间接效应
  indirect := a * b
  total    := c + (a * b)
'

fit <- sem(model, data = df, estimator = "ML")
summary(fit, fit.measures = TRUE, standardized = TRUE)

# 拟合指标检查
fitMeasures(fit, c("chisq", "df", "pvalue", "cfi", "tli", "rmsea", "srmr"))

6. 结果怎么读

项目	值（示例）	含义
CFI / TLI	0.99 / 0.98	模型拟合优秀（均 > 0.95）
RMSEA	0.03 (90% CI [0.00, 0.06])	模型拟合良好（$< 0.06$）
$a$ (支持→效能)	$0.50^{***}$	社会支持越高，自我效能越高
$b$ (效能→自护)	$0.30^{***}$	自我效能越高，自护行为越好
间接效应 $a \times b$	$0.15^{**}$	自我效能中介了社会支持对自护的影响

$^{**} p < 0.01, ^{***} p < 0.001$

7. 论文里怎么写

中文： 采用结构方程模型检验社会支持、自我效能与自护行为之间的关系。模型整体拟合良好（CFI = 0.99, TLI = 0.98, RMSEA = 0.03, SRMR = 0.02）。Bootstrap 检验显示间接效应显著（$\beta = 0.15$, 95% CI [0.09, 0.22]），自我效能部分中介了社会支持对自护行为的影响。直接效应仍显著（$\beta = 0.20$, $p = 0.002$），提示存在未纳入的其他中介路径。

English: Structural equation modeling was used to examine the relationships among social support, self-efficacy, and self-care behavior. The model demonstrated good fit (CFI = 0.99, TLI = 0.98, RMSEA = 0.03, SRMR = 0.02). Bootstrap analysis revealed a significant indirect effect ($\beta = 0.15$, 95% CI [0.09, 0.22]), indicating that self-efficacy partially mediated the relationship between social support and self-care behavior. The direct effect remained significant ($\beta = 0.20$, $p = 0.002$), suggesting the presence of unexamined mediating pathways.

8. 三个最常见的坑

1. 只报告模型整体拟合，不报告每个路径的参数。 CFI 好不代表每条路径都合理——一个包含无关路径的模型也能拟合良好。必须报告每条假设路径的标准化系数、标准误和 $p$ 值。
2. 对模型修正不做理论辩护。 SEM 软件会建议根据修正指数（MI）增加路径——每加一条路径都可能提高拟合，但每一条也必须有理论依据。没有理论支撑的 MI 驱动改模是数据 dredging。
3. 中介效应不报告 bootstrap 置信区间。 SEM 中的间接效应乘积项（$a \times b$）分布通常偏态，Sobel 检验不可靠。必须用 bootstrap（至少 1000 次）估计偏差校正的置信区间。