结构方程模型对模型误设的鲁棒性如何？一项仿真研究

来自心理学或经济学等不同科学领域的研究人员经常在实证数据分析中使用结构方程模型（Structural Equation Models, SEMs）。在某些领域（如生态学），SEMs 最近才开始受到关注，并且得益于专用软件包，其使用量稳步增加。然而，这些领域中可能从其他统计技术移植过来的常见分析实践（例如基于 p 值筛选的模型接受或拒绝）可能并不适合 SEMs，尤其是当这些模型被用于确认或拒绝假设时。在本仿真研究中，SEMs 通过两个常用的 R 包进行拟合：lavaan 和 piecewiseSEM。我们探讨了五种不同的数据生成场景：(i) 随机，(ii) 精确，(iii) 打乱，(iv) 欠定和 (v) 过定。此外，还改变了样本量和模型复杂度，以探讨它们对各种全局和局部模型拟合指数的影响。结果表明，不应使用单一的模型指数来决定模型拟合度，而需要结合不同的模型拟合指数。lavaan 的全局卡方检验或 piecewiseSEM 的 Fisher's C 统计量单独使用时是模型拟合度的不良指标。此外，仿真表明，为了达到检测个体效应的足够功效，需要充足的样本量。最后，BIC 表现出良好的选择更接近真实模型的能力，尤其是对于更复杂的模型。基于这些结果，我提供了一个流程图，指示如何结合来自不同指标的信息以揭示模型的优缺点。在生态学等缺乏 SEMs 经验的科学领域的研究人员应考虑并接受这些局限性。