線性結構關係(LISREL)之統計學原理

黃富廷
國立台東大學特殊教育學系助理教授

摘要
本文旨在介紹 LISREL(線性結構關係)之統計學原理，從二元一次方程式的線性關係
開始探討 LISREL 的結構方程模式與測量模式，進而探討 LISREL 的理論架構、以及其如何
應用於多變項統計之原理。

關鍵詞：線性結構關係、結構方程模式、共變數結構分析、潛在變項分析、驗證性因素分
析

式(structural equation modeling, SEM)」家

壹、前言 族的一員，因此 LISREL 之最大能耐亦在
於探討多變項或單變項之間的因果關係。
由於 LISREL(LInear Structural RELation,
本質上，SEM 係為一項驗證性技術(Kelloway,
線 性 結 構 關 係 )在 探 討 多 變 項 因 果 關 係 上
1998)，用以檢定存在於現象界之多變項結
的強力優勢，使得 LISREL 在社會科學研
構式理論(Byrne, 1998)。SEM 一族的成員
究上似乎有愈來愈受重視的趨勢，不懂
包含「共變數結構分析(covariance structure
LISREL 的 研 究 人 員 彷 彿 已 經 落 伍 了 一
analysis)」、「潛在變項分析(latent variable
樣。邇來有些教育界、輔助科技界同好也
analysis)」、「驗證性因素分析(confirmatory
在學習 LISREL，因不嫌筆者才疏學淺而常
factor analysis) 」、 以 及 「 LISREL 分 析
來相互討論，茲將個人研讀 LISREL 之心
(LISREL analysis)」等等，SEM 結合了多
得撰寫成文，敬請各界方家、先進不吝指
元迴歸與因素分析，可以同時分析一堆互
教。不過，筆者亦須事先聲明：在閱讀本
為 關 連 之 依 變 項 間 的 關 係 (Hair, Jr.,
文之前，讀者最好先讀過林清山所著之
Anderson, & Black, 1992)。例如：Bagozzi
『「線性結構關係」(LISREL)電腦程式的理
與 Warshaw (1992)即曾運用 SEM 來研究態
論與應用』(林清山，民 73)一文。換言之，
度與行為之間的因果關係。LISREL 之理論
本文之要旨乃為林清山之該文做進一步補
架構包含「結構方程模式」（註：「模式」
充之用，若讀者無法從林清山之該文中對
即代表「因果關係」的意思）與「測量模
LISREL 產 生 一 個 清 楚 的 認 知 架 構
式」 ，而 LISREL 之測量模式通常被用來進
(schema)，那麼，本文或許可作若干補強。
行驗證性因素分析(蔡坤宏，民 84)。依據
Hair, Jr.、Anderson 與 Black (1992)的說法，
貳、LISREL 的身家背景
SEM 之使用步驟係為：(1)發展研究人員之
基本上，LISREL 係屬於「結構方程模 理論基礎模式、(2)建構變項間之因果關係

台東特教 92 年 12 月 第 18 期 第 45-51 頁 45
的徑路圖、(3)將徑路圖轉化為一套結構方 寫著「線性」二字，其所使用之數學原理，
程，並指定其測量模式、(4)選擇輸入矩陣 自然也逃不過 y=bx+a 的範圍。
類型(相關矩陣或變異數－共變數矩陣)，
並對研究人員所假設之理論模式進行測量 肆、潛在變項與顯性變項
與驗證。Bollen 與 Long (1993)亦曾提出
在 LISREL 的基本理論中，其認為潛
SEM 之五段應用步驟：(1)模式內容之詳
在 變 項 (latent variables) 是 無 法 直 接 測 量
述 、 (2)模 式 之 確 認、 (3)模 式 之評 估、 (4)
的，必須藉由顯性變項(manifest variables)
模式之適配度檢定、(5)修正後模式內容之
來間接推測得知(Diamantopoulos & Siguaw,
再述。綜合上述兩項說法，SEM 之使用乃
2000)。例如：「智力」是一種抽象的潛在
不外乎「提出模式之假設→驗證模式→修
變項，它無法被直接觀察、測量得到，因
正模式→確認模式」等核心步驟。一般而
此，必須藉由顯性變項──智力測驗之得
言，LISREL 與 SEM 之使用步驟乃極為相
分 ── 來 間 接 推 論 才 能 得 知 ( 林 清 山 ， 民
似。
73)。LISREL 的這套邏輯概念進一步將「智
『線性』與『 y=bx+a』之關
參、 力」與「智力測驗結果」做了一個清楚的
係 劃分，筆者認為這套邏輯著實非常清晰。
在一般智力測驗使用者的認知中，通常將
LISREL 的 全 稱 是 Linear Structural
「智力測驗結果」和「智力」畫上等號，
Relations ， 通 常 被 翻 譯 為 「 線 性 結 構 關
這是十分含糊的。因為「智力測驗」只能
係」 。基本上，統計學裏所提到之關於「線
性(linearity)」的統計方法，其所援用之數 代表受試者對於智力測驗題目的「反應」，
學原理，大部分都逃不過二度空間座標系 受試者援用自己的「智力」對測驗題目做
裏的 y=bx+a 這條線。例如：我們在求相關 反應，因此，智力測驗本身只是一個間接
係數(correlation coefficient)時，若想辦法將 測量的過程，而「智力」本身的廬山真面
a 這個截距化為零（在統計上，求出 x 與 y 目究竟長得什麼模樣，吾人並無法直接清
的 z 分數之後， a 自動會等於零），此時， 楚窺知。故而，LISREL 共有兩套理論模
將 a 化 為 零 之 後 的 y=bx+a 可 以 改 寫 為 式，其中第一套模式──結構方程模式
y'=βx'，其中，新的斜率 β（亦即：標準化 (structural equation model)──是用來界定
之 後 的 斜 率 ）， 就 是 所 謂 的 相 關 係 數 潛在自變項與潛在依變項之間的線性關
(Tabachnick & Fidell, 1996)。因此，我們可 係，亦即：第一套模式係在於界定「潛在
以知道，相關係數所使用的數學原理，也
自變項對於潛在依變項的影響程度」 ；而第
只不過是 y=bx+a 這條二元一次方程式的
二 套 模 式 ─ ─ 測 量 模 式 (measurement
直線而已。
model)──則界定了潛在變項與顯性變項
基本上，一般線性模式(general linear
之間的線性關係，亦即：第二套模式係在
model, GLM)乃假定每一對變項之間會存
於界定「如何從顯性變項來間接推測潛在
在線性的關係，故兩者之間的關係可用直
變項」(Byrne, 1998)。是故，研究人員施測
線 方 程 式 來 表 示 (Tabachnick & Fidell,
所得之實際觀察資料必須藉由第二套模式
1996)，而在數學的二度空間座標系裏，兩
的直線關係做為切入點，才能被用來進行
個座標(變項)之間的線性關係乃用一條二
整個 LISREL 分析。
元一次方程式的直線( y=bx+a)來表示。因
以下引用筆者過去之研究案例來說明
此，LISREL 既然明明白白地在統計名稱上
LISREL 之潛在變項與顯性變項所形成之

46 台東特教 92 年 12 月 第 18 期 第 45-51 頁
因果關係模式與圖形表示方式。如圖 1 所 Jöreskog 與 Sörbom (1993a)說法：χ²會受樣
示，潛在變項係以橢圓形來表示，而顯性 本大小影響（因此不能單以χ²作為檢驗模
變項則以四方形表示。筆者從文獻探討 式之指標），而適配度指數(goodness-of-fit
中，依據各種理論架構而組織了一個自己 index, GFI) 與 修 正 適 配 度 指 數 (adjusted
內心想探討的因果關係圖，以進行 LISREL goodness-of-fit index, AGFI)則 否。 Tanaka
分析。圖 1 中央部分之橢圓形變項（潛在 (1993)指出：GFI 與 AGFI 範圍介於 0～1
自變項與潛在依變項）之間以單向箭頭來 之間，數值愈高，模式適配度愈佳。Cole
表示潛在變項之間的因果關係，在統計上 (1987)認 為 ： 當 模 式 的 GFI＞ .90、 AGFI
屬於徑路分析模式（亦即：結構方程模 ＞ .80 ， 且 殘 差 均 方 根 (root mean square
式）
。而每一橢圓形變項皆以若干單向箭頭 residual, RMR)＜.10 時，可視為好模式。
指向若干四方形變項，即代表該橢圓形變 Browne 與 Cudeck (1989)認為 .05 的估計
項須藉由這些四方形變項來間接測量而獲 誤 差 均 方 根 (root mean square error of
得（亦即：測量模式） 。如果筆者認為橢圓 approximation, RMSEA)可做為良好模式指
形變項之間可能存在相關(correlation)之關 標，RMSEA 小於 .05 之 90%信賴區間能
係，則可在橢圓形變項之間畫一條雙向箭 提供有效模式訊息。如果筆者初步得到之
頭，以表示之。原始因果關係模式組成之 LISREL 分析結果未令人滿意，則須依據
後，即開始以 LISREL 進行統計分析，至 Jöreskog 與 Sörbom (1993b)建議，對有關
於一個模式是否能夠被接受為「好」的模 變項及路徑做調整，以使之符合良好模式
式，則須通過若干統計指標才行。依據 之標準。

圖1 筆者設計之原始因果關係圖

台東特教 92 年 12 月 第 18 期 第 45-51 頁 47
 經過 LISREL 8.20 版統計分析、且進 所佔之比重。而潛在自變項與潛在依變項
行模式調整後，其因果關係圖如圖 2 所 之間的單向箭頭係數，即為徑路係數，代
示。比較圖 1 與圖 2 之後，吾人可見：若 表該潛在自變項對其潛在依變項之影響程
干因果關係徑路（單、雙向箭頭）已被刪 度。此外，潛在變項（包含潛在自變項與
除，且有些顯性變項（四方形變項）亦已 潛在依變項）之間的雙向箭頭之係數，即
刪除。四方形變項與橢圓形變項（潛在變 代表潛在變項之間的相關係數(correlation
項）之間的係數，即為因素負荷量(factor coefficient)。
loading)，代表該顯性變項在其潛在變項中

圖2 LISREL 統計軟體所呈現之因果關係圖

在依變項，Γ (gamma)是潛在自變項對潛在
伍、LISREL 的理論架構 依 變 項 之 影 響 效 果 的 係 數 矩 陣 ， β(beta)
是潛在依變項對潛在依變項之影響效果的
LISREL 之理論架構係由兩部分的模
係數矩陣，ζ (zeta)是殘餘誤差。
式所構成，此即： 「結構方程模式」與「測
雖然上面這條線已經界定了潛在自變
量模式」(Jöreskog & Sörbom, 1993a)。基
項與潛在依變項之間的關係，但是潛 在變
本上，這兩個模式也充滿了 y=bx+a 的影
項是無法直接測量的，必須藉由顯性變項
子。下式是 LISREL 的結構方程模式：
來間接推測得知。下列之 LISREL 測量模式
的兩條線，即用來界定潛在變項與顯性變
βη = Γξ + ζ
項(觀察變項)之間的關係：

其 中，ξ (xi)是潛在自變項，η (eta)是潛

x = Λx ξ + δ

48 台東特教 92 年 12 月 第 18 期 第 45-51 頁
 個「容積」(每一個容積可代表一個變項)，
其中，x 是觀 察 自變項， Λx (lambda x)是描 亦可以將之視為一個「矩陣」(矩陣內的每
述 x 與 ξ 之關係的係數矩陣，δ (delta)是 x 一個元素即代表一個變項)。一條看似簡單
的測量誤差。 的二元一次方程式，原本其自變項只有一
個 x、依變項只有一個 y，利用矩陣而將之
y = Λy η + ε 「多變項化」之後，其中，x 矩陣內的 m×n
個元素即代表 m×n 個自變項，而 y 矩陣內
其中，y 是觀 察 依變項， Λy (lambda y)是描 的 p×q 個元素則代表 p×q 個依變項，如此，
述 y 與 η 之關係的係數矩陣，ε(epsilon)是 就可以將 y=bx+a 這條線應用在多變項分
y 的測量誤差。 析上了。
從上面兩條測量模式的直線中，我們 一言以蔽之，在單變項統計分析上，
可以知道如何利用 顯性變項來間接推測潛 y=bx+a 這條 線應視為「容積 y 等於：容積
在變項。總的來看，LISREL 的線性結構關 b 乘於容積 x，再加上容積 a」；而在多變
係乃總共由三條直線所組合而成。至於這 項 統計上，y=bx+a 則可視為「 y 矩陣」(內
三條線究竟如何「多變項化」 ，亦即：y=bx+a 含 p×q 個元素)等於：a 矩陣乘於 x 矩陣(內
如何推廣、應用到多變項統計分析上，筆 含 m×n 個元素)，再加上 b 矩陣」。其中，
者在下面的段落中繼續為您分解。 每一個「容積」或每一個「元素」即可視
為一個「變項」。因此， y=bx+a 不僅可以
陸、矩陣在『 y=bx+a 多變項化』
解決單變項(univariate)統計問題，亦可以
過程中的角色與功能 解決多變項(multivariate)統計問題。
上面所介紹的「線性」結構都只是依
柒、以 χ²考驗來確認模式是 否
據 y=bx+a 的數學原理所產生，不過，不知
您是否曾經感到納悶：在二度空間座標系 可被接受：探討『觀察值』
上， x 或 y 都只是代表兩個座標而已，充 與『期望值』之差異
其 量 也 只 能 代 表 一 個 自 變 項 (x )與 一 個 依
首 先，讓我們回過來複習「χ²考 驗」
變 項 ( y) 來 進 行 單 變 項 (univariate) 統 計 分
的公式：
析，如此，怎能將這條線性結構應用到多
變 項 (multivariate) 統 計 分 析 上 呢 ？ (LISREL
不是被歸類為多變項統計分析法嗎？）其
實這個道理很簡單，統計上只是玩了一下
數學魔術，就可以將 y=bx+a 這條線應用於
多變項統計分析上，訣竅就在於矩陣
(matrix)的應用。我們都知道：矩陣(代表向 ( =觀察值／ =期望值) (林清山，民 81)
量之空間關係)不管內含多少維元素，最後
都能展開其行列式，算出一個數值(向量的 基本上，χ²考 驗 係用來考驗觀察值與期
容積)(林清山，民 77)。因此，反過來看， 望值之間的差異情形。試以擲銅板這件事
我們亦可以將這個數值視為一個多維矩陣 來看，原本在數學機率之理論值上，每次
之行列式的計算結果。如此一來，不但可 銅板出現正面與反面的機率各為 1/2，但
以將 y=bx+a 這條線上的每個符號視為一 是，在實際的投擲過程中，每次擲銅板出

台東特教 92 年 12 月 第 18 期 第 45-51 頁 49
現正面與反面的機率並非一定各為 1/2，因 考驗與其它參考指標來加以驗證，才能見
此，數學機率上的 1/2 可以視為擲銅板的 分曉。
期望值，而實際擲銅板時，正、反面的出
現率就可以視為觀察值。利用 χ²考驗，我 捌、結 語
們可以探討擲銅板的期望值與觀察值之
間，是否呈現顯著的差異。 依據王文中 (民 84)的說法：利用 SEM
在 LISREL 統計上，其線性結構模式 來探討變項間的因果關係時，其因果模式
也會有期望值與觀察值。一般而言， 「變異 早已預先做好假定，統計方法只是在此因
數-共變數矩陣」(variance-covariance matrix， 果模式之下，驗證施測所得之觀察資料的
以下簡稱為「變共矩陣」)可以代表 LISREL 適配度(fit)，倘若研究人員所假設之因果模
之線性結構的分布情形，因此，我們就以 式未適配施測所得之觀察資料，那麼，使
變共矩陣的期望值與觀察值之間的差異情 用者會改用另一種因果模式，直到找到一
形進行 χ²考驗。研究人員利用 LISREL 進 種最合適的模式為止，或乾脆放棄，因此，
行多變項分析時，其可以就 m×n 個自變項 若想知道變項間的因果關係，並非跑一次
與 p×q 個依變項之間的因果關係，建構出 LISREL 就必定能見分曉。試以林宏熾(民
一套假設性的線性結構關係。如果研究人 85)的研究為例，林宏熾在研究重度智障者
員所假設之線性結構關係之變共矩陣的觀 轉銜階段之生活素質的研究中，根據試探
察值與期望值之間呈現顯著差異，那麼代 性因素分析結果，其最初所假設之模式在
表其所假設之變項間的線性結構關係與現 統計上並未被接受，顯示其所假設之模式
象界的真實狀況顯然不一致，故其線性結 與觀察數據並不相符，後來經其修正之
構關係的假設自然不能得到觀察數據的支 後，新模式在統計上才獲得接受。
持。反之，如果經過 χ²考驗之後，變共矩 不過，LISREL 並不像徑路分析(path
陣的觀察值與期望值未呈現顯著差異，即 analysis)一樣，受到一堆不合理之統計 基本
代表研究人員所假設之線性結構關係與現 假定的限制(林清山，民 73)。因此，自從
象界的真實狀況十分一致，故經統計考驗 Jöreskog 所發展之 LISREL 統計理論問世
後，可予以接受。一般而言，χ²考驗通常 以來，全世界之 LISREL 使用者始得以享
係用來作為確認模式是否可被接受的最初 受到 LISREL 統計方法的優越性。後來，
參考指標，但如前所述，由於 χ²值會受到 當 Jöreskog 與 Sörbom 發展出 LISREL 統計
樣本大小之影響，故此一不穩定特性使之 軟體之後，全世界之 LISREL 使用者更得
不能被當作唯一之參考指標，因而研究人 以分享該統計軟體所帶來的便利性。目
員仍須參考 GFI、AGFI、RMR、RMSEA 前，最新的 LISREL 統計軟體已發展到 8.30
等指標。 版 以 上 。 從 8.12a 版 開 始 ， Jöreskog 與
簡言之，LISREL 之所以在統計名稱上 Sörbom 即已針對舊式之 LISREL 指令語言
以「線性」 為名，乃由於研究人員可以利 的缺點加以改良，而增列了 SIMPLIS 指令
用 y=bx+a 的數學原理，來假設一套變項之 語言，新式之 SIMPLIS 指令語言較舊式之
間的線性結構關係。然而，研究人員所假 LISREL 指令語言更加易學好用(Jöreskog
設之線性結構關係是否可以成立(亦即：研 & Sörbom, 1993a)。為了讓使用者很快進入
究人員實地施測所得之變共矩陣的觀察值 狀況，Jöreskog 與 Sörbom 在 1993 年也出
是否與期望值達到一致)，卻需要藉由 χ² 版了一本 SIMPLIS 指令語言之實用範例

50 台東特教 92 年 12 月 第 18 期 第 45-51 頁
集 ， 供 使 用 者 參 考 (Jöreskog & Sörbom,
1993b)，此無異是 LISREL 使用者之一大
福音。希望藉由電腦科技之不斷革新與改
良，將來能進一步發展出「它傻瓜，你聰
明」的 LISREL 統計軟體，屆時，LISREL
之易學好用的程度，也許可以更加輕鬆、
簡便！
參考書目
王文中(民 84)：學校效率研究中的因果推
論：以階層線性模式為例。教育與心
理研究，18，51-82。
林宏 熾(民 85)：重度智障者轉銜階段生活
素質領域的因素分析研究。 特殊教育
學報，11，79-108。
林清 山(民 73)： 「線性結構關係」(LISREL)
電腦程式的理論與應用 。測驗年刊，
31，149-164。
林 清 山 (民 77)： 多 變 項 分 析 統 計 法 （ 五
版）。台北：東華 。
林清山(民 81)：心理與教育統計學。台北：
東華。
蔡坤宏(民 84)：驗證性因素模式加權最小
平方法之 小樣本估計特性分析。教育
與心理研究，18，1-18。
Bagozzi, R. P., & Warshaw, P. R. (1992).
An examination of the etiology of the
attitude-behavior relation for goal-
directed behavior. Multivariate Be-
havior Research, 27(4), 601-634.
Bollen, K. A., & Long, J. S. (1993). In-
troduction. In K. A. Bollen & J. S. Long
(Eds.), Testing structural equation
models. Beverly Hills, CA: Sage.
Browne, M. W., & Cudeck, R. (1989). Single
sample cross-validation indices for
covariance structures. Multivariate
Behavioral Research, 24, 445-455.
Byrne, B. M. (1998). Structural equation
modeling with LISREL, PRELIS, and
SIMPLIS: basic concepts, applications,
and programming. Mahwah, NJ: Law-
rence Erlbaum Associates.
Cole, D. A. (1987). Utility of confir-
matory factor analysis in test
validation research. Journal of
Counseling and Clinical Psychology, 55,
584-594.
Diamantopoulos, A., & Siguaw, J. (2000).
Introducing LISREL: a guide for the
uninitiated. London, UK: Sage.
Hair, Jr., J. F., Anderson, R. E., & Black,
W. C. (1992). Multivariate data analysis.
New York, NY: Macmillan Publishing
Company.
Jöre skog, K. G.,& Sörbom, D. (1993a).
LISREL8: User's reference guide.
Chicago, IL: Scientific Software
International.
Jöreskog,K.G.,& Sörbom,D.(1993b). LISREL
8: Structural equation modeling with the
SIMPLIS command language. Chicago,
IL: Scientific Software Interna-
tional.
Kelloway, E. K. (1998). Using LISREL for
structural equation modeling: a re-
searcher’s guide. Thousand Oaks, CA:
Sage.
Tabachnick, B. G., & Fidell, L. S. (1996).
Using multivariate statistics (3rd. ed.).
New York, NY: HarperCollins.
Tanaka, J. S. (1993). Multifaceted con-
ceptions of fit in structural
equation models. In K. A. Bollen &
J.S. Long (Eds.), Testing structural
equation models, Newbury Park, CA:
Sage.
台東特教 92 年 12 月 第 18 期 第 45-51 頁 51