2022年2022年结构方程模型与人工神经网络模型的比较 .pdf

《2022年2022年结构方程模型与人工神经网络模型的比较 .pdf》由会员分享，可在线阅读，更多相关《2022年2022年结构方程模型与人工神经网络模型的比较 .pdf（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第12卷 第3期2003年9月系 统 工 程 理 论 方 法 应 用SYST EM S EN G IN EER IN G-TH EOR Y M ETHODOLOGY A PPL ICA T ION SV ol. 12 No. 3Sep. 2002 文章编号 : 100522542(2003) 0320262208结构方程模型与人工神经网络模型的比较赵海峰,万迪(西安交通大学管理学院 , 西安 710049)【摘要】 结构方程模型作为一种统计建模技术越来越多的应用在企业管理研究中, 线性结构方程模型(L ISREL) 是其中最有代表性的一种。针对 L ISREL 应用中的问题引入了人工神经网络方

2、法, 在民营企业治理结构影响企业绩效的案例分析中对人工神经网络方法和L ISREL 方法作了一个对比分析, 并根据对比分析的结果 , 探讨了两者的互补性以及结合应用的方法。关键词 : 结构方程模型 ; 人工神经网络 ; 公司治理 ; 企业绩效中图分类号 : F 271 文献标识码 :AL ISREL and Artificial Neural NetworkM odeli ng Com par ison ResearchZH A O H ai2f eng,W A N D i2f ang(School of M anagement, X i an Jiaotong U niv. , X i an

3、 710049, China)【Abs tract】A s a useful statistics modeling approach, structu ral equation modeling is w idely applied in re2search fields of enterp rise m anagement. Atyp ical application L ISREL is introduced to the empirical studyon governance issues of civil2running enterp rise.To deal w ith the

4、common p roblems arising fo rm estima2tion process of L ISREL analysis, a comparative analysis ism ade by useof artificialneural netw ork model2ing technique.Finally , a concise comparison at key differences and sim ilaritiesbetw een tw o approachesand the benefits of combination analysis are offere

5、din the conclu sion part.Ke y w ords: structu ral equation modeling ; artificialneural netw ork; corpo rate govenance; corpo ration per2formance收稿日期: 2002207201基金项目:国家自然科学基金资助项目(79970013) ;国家社会科学基金资助项目(02BJY 045);国家自然科学基金优秀群体资助项目( 70121001)作者简介:赵海峰( 19712) ,男,博士生。主要从事公司治理 、 信息技术与组织学习的研究 。1研究的理论基础1.

6、1结构方程模型简介结构方程模型(Structu ral Equati on M odeling ,SEM )是一种非常通用的线形统计建模技术, 广泛应用于心理学 、 经济学 、 社会学 、 行为科学等领域的研究 , 是计量经济学 、 计量社会学与计量心理学等领域的统计分析方法的综合。 与多元回归 、 通径分析及计量经济学中的联立方程组等方法相比, 结构方程模型有着独特的优势。 首先 , 它没有很严格的假定限制条件 ; 其次 , 它允许自变量和因变量存在测量误差, 为分析潜在变量之间的结构关系提供了可能, 这是其最大优势所在。 结构方程模型的基本原理是“三个二”: 即两类变量(测量变量和潜在变量

7、)、 两个模型 (度量模型和结构模型) 以及两条路径(潜在变量与测量变量之间的路径和潜在变量之间的路径) 1。因为在社会科学及管理学等领域许多变量并不能直接测量 , 实际上 , 这些变量基本上是人们为了理解和研究问题的目的而建立的假设概念, 对于它们并不存在直接的测量方法。 人们可以找到一些可观察的变量作为这些潜在变量的“标识”, 然而这些潜在变? 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http:/名师资料总结 - - -精品资料欢迎下载 - - - - - - -

8、- - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 8 页 - - - - - - - - - 量的观察标识总是包含了大量的测量误差, 这是其他的分析方法所难以解决的问题, 结构方程模型则能够使研究人员在分析中处理测量误差, 并分析潜在变量之间的结构关系。 线性结构方程模型(L IS2REL) 是结构方程模型的一种方法, 在 20 世纪 70 年代由瑞典统计学家、 心理学家KarlG.Joreskog 提出并开发了软件产品, 目前应用广泛的版本是L IS2REL 8 . 30。L ISREL 的应用主要有三个方面: 观测变量用于测量潜在变量的精

9、确程度、 变量之间的关系以及该模型的可信度。1. 2人工神经网络技术简介人工神经网络(A rtificialN eural N etwork) 与遗传算法 、 专家系统并称为人工智能的三大技术。 人工神经网络是在对人脑神经研究的基础上, 模仿人脑神经网络的结构和行为, 建立的一种智能信息处理网络模型 。 人工神经网络最典型的形式是连接模型, 它由模仿脑神经元的神经元节点和节点间模仿脑神经元细胞有向连接组成。 每个节点都是一个独立的处理单元 , 它通过连接接收信息, 对信息进行处理, 又将处理的结果由连接输出。用W i 表示神经元节点间的连接强度, 即权重 。 权重决定了两个神经元的相互作用的强

10、弱, 它并不是固定的, 权重的修正依照 H ebb 学习规则 : 如果两个神经元同时处于兴奋状态 , 那么它们之间的连接强度应该加强。是神经元的阈值 , 在生理学上的意义是只有当神经元输入的加权总和大于阈值时, 才产生兴奋 。 在人工神经元网络中 只是一个参数 。神经元节点的输出是输入加权和与阈值的差的函数, 这个函数关系称为作用函数。 根据神经元作用函数的不同, 神经元的基本处理单元可有不同的作用方式, 如线形阈值单元、 S 型激活函数及分段线形激活函数等。 网络的学习过程就是利用一组学习样本的输入输出模式反复作用于网络 , 通过改变网络的连接权重或拓扑结构, 直到对每一个输入样本,输出满足

11、要求 。 神经元网络通过学习就具有了记忆, 它把学到的知识分布式存储在网络的连接权重上,在必要的时候能回忆起这些知识,因此 , 有了某一个输入模式, 通过神经元网络就能产生特定的输出, 这样的神经元网络具有各种信息处理的能力 。 神经元网络能实现数学映射、 模式分类 、联想记忆 、 组合优化问题求解、 数据压缩等许多信息处理功能 。人工神经网络的连接方式有以下几种类型: 多层无反馈前向网络、 从输出到输入层有反馈的前向网络、 层内相互结合的前向网络和相互连接型网络等。 其中应用最广的是多层无反馈前向网络, 信息由输入层进入 , 通过中间层 (隐层 ) 和输出层的处理后,主输出层输出 。 实际应

12、用中根据需要可以设置多个隐层。 采用非线性作用函数, 多层前向无反馈神经元网络可以实现从输入到输出的多元映射。B P网络就是多层前向无反馈神经元网络。 早在1974 年,W erbo s便已经有了BP 算法的描述 , 1986年, Rumellart等人正式对B P算法进行了清晰而严格的说明 ,BP 算法从此引起了广泛的关注, 它提供了网络学习行之有效的方法, 为神经元网络方法的广泛应用打开了光明的前景。 利用 B P 算法进行学习的无反馈前向网络称为BP 网络 。 B P (B ack2 Prop2agation) 算法即误差反向传播算法, 它是一个有导师的神经元网络学习算法, 它的算法思想

13、是 : 取一对学习模式 , 将输入模式经网络输入层、 隐层、 输出层逐层的处理之后, 得到一个输出模式, 计算网络输出模式和期望输出模式的误差, 将误差由输出层、 隐层、 输入层的反向顺序序传送, 按照减小误差的方向逐层修正各层连接权重。 重复上述过程 , 直到每一对学习模式 ,网络的输出误差都达到要求。1 . 3比较研究的理论分析结构方程模型属于一种因果关系模型, 它可以用来衡量不能通过观察直接得到的变量。 在一个包含有大量复杂性的假设系统的研究中, 可以构建一个由潜在结构和可测量模型相互作用而成的结构方程模型 , 来分析这个不可观察的结构和它的可观测变量之间的关系 。 一般来说 , 结构方

14、程模型是一种从统计的角度构建模型的参数化研究方法, 它代表了有理论对经验研究的进行指导的一类研究方法。 因果模型方法有着一定的局限性, 这些局限性包括难于合并交互影响和进行非线性分析, 不能处理定性数据和缺失数据 。 在一些领域 , 尤其是管理学领域的研究中 , 许多应用结构方程模型进行研究所得到的估计结果是背离一些基本理论假设的, 尤其是研究中对多重常态的要求是很难被满足的, 因为如果没有数量化的变量, 几乎无法进行管理科学的研究。 矫正变量 10 及其他多元非线性关系的引入实际上也暗含了对常态的假设, 因为那些不可观测指标常常是有缺陷的 , 或者是对其相应的观测变量进行了删减。 目前很少有

15、文章对这些问题进行详细的研究和分析。由于在大量的相关研究文献中看到结构方程研究方法的缺陷, 很容易让人产生将这些研究结果与非参数方法进行比较的思路。 人工神经网络模型不需要对变量之间的关系以及测量方法进行严格的假设, 只需要对结构进行约束, 当然也并不需要将模型362第3期赵海峰 , 等: 结构方程模型与人工神经网络模型的比较? 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http:/名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - -

16、- - - - - - 名师精心整理 - - - - - - - 第 2 页，共 8 页 - - - - - - - - - 中的所有接点都全部连通, 因为学习程序可以在有选择的或者有限制的连接之上进行。这意味着许多结构方程模型可以被转换为一个相应的人工神经网络模型 ,并且使用同样的假设体系和相关数据库。 如果应用两个完全不同的数据处理程序来产生出期望的结果 ,则可以增强假设因果关系的可信度。 人工神经网络方法是忽略理论, 完全凭学习过程探索一组变量之间的未知的关系, 通过对比这两种方法, 可以证实非参数化的人工神经网络研究方法, 并不一定会偏离理论 , 它一样可以通过自身引导, 与通过严格理

17、论指导的分析结果会不谋而合的。两个模型最主要的共同点是可以针对不可观测的或者潜在的变量构建模型。 但是 , 两者在实现途径上有着显著的差别: 首先 , 从本质上讲 , 结构方程模型在进行数据分析之前就已经标识了潜在变量并构建了假设路径 , 而在人工神经网络的研究中, 直到执行数据分析之时, 模型的隐层接点仍然没有被明确标识出来 。 其次 ,假定的变量之间依赖关系的方向也不同。 人工神经网络模型的数据是从输入通过隐层变量流向输出即一个前馈型网络, 当然也不排除一些更为复杂的包含从输出向输入回流情况的网络拓扑结构 。 而相对的 , 在结构方程模型中两套观测变量都与中心的潜在变量相关, 而潜在变量之

18、间也有可能发生关系。 两种方法在建模原理上的本质差别使得研究者必须采用不同的数据处理形式与结构, 因此两个模型中指向4 个潜在变量的标识可能会不尽相同 。2结构方程模型2. 1数据收集及理论假设本文所研究数据的来源是西安科委“火炬计划”行动中连续3 年 (1997 1999 年) 对西安市民营企业的基本情况调查得到的原始数据,其中 1999 年的数据最为完整, 样本量最大, 为本文研究的主要对象。 经过初步筛选 , 获得有效记录1 878 条。本文构建研究模型主要目的是研究公司治理因素与企业绩效之间的相关关系。 因为定义公司治理效率的因素很难直接测量, 本文选择了如下的两类间接变量 。 一是企

19、业内部人员对企业产权的拥有程度, 这是对企业内部治理效率的直接激励因素。 对于这个因素 , 以企业个人持股比例来衡量。 这主要是因为本文所研究的民营企业大部分只是经过了股份制改造而没有发行上市, 个人股基本为企业经营者及员工所拥有 ; 二是企业经营者的管理能力或认知水平, 本文认为它主要取决于知识与经验因素。 对于这个因素 , 以可获得的数据资料经营者的年龄 、 任职时间等指标来衡量, 以此代表经营者的管理经验或认知水平 。 另外将企业各种外部股所占比例也作为影响企业绩效的一个重要因素, 考察它们作为总体的影响作用 。 企业的绩效在此主要以两方面指标来衡量 , 一是体现企业短期盈利能力及长期经

20、营绩效的 3 个比率 营业利润率、 总资产收益率及所有者权益收益率 。 另一方面是企业是否通过国家的“高新技术企业” 认定 , 这可以对企业的技术水平及整体素质作出一定的反映。 基于研究需要 , 对数据进行了筛选 , 以利润率水平比较接近平均水平的几个行业的企业作为研究的主要对象以剔除行业的影响作用。假定 : 企业内部治理效率对企业的绩效有正面影响 ; 总体外部持股比例对企业绩效有负面的影响; 高新企业认定对企业的盈利能力有正面影响; 外部持股比例与内部治理效率之间存在一定的相关关系 ; 所有指标都可以作为衡量所研究变量的有效指标 , 即它们统计显著 。2 . 2模型结构基于上面的分析及研究假

21、设建立结构方程模型, 并以通径图的形式描述(见图 1)。图1研究模型的L ISREL通径图图中观测变量列于矩型框中, 潜在变量列于椭圆型中。 线条刻画了变量之间的关系, 单箭头线条表示假设两个变量之间存在因果作用关系, 箭头从原因变量指向结果变量。 双箭头则表示两者之间有相关的联系 ,因果关系并不明确。 表示因子负载 , 与均表示结构通径系数, ? 和 分别为观测变量x和y的误差项 , 而 为结构方程的误差项。 0 且统计显著 , 说明企业是否经过 “高新技术” 认定对企业的经营绩效有正面的影响, 由于y1为虚拟编码的直接观测变量 , 其参照组为没有经过高新技术企业认定,所以该结果说明经过高新

22、技术企业认定的企业比没有经过认定的企业有着更好的经营绩效。 11和 21都是正值且统计显著, 说明内部治理效率对企业绩效有着正面的影响, 即内部治理效率高的企业会表现出更好的绩效, 无论从经营能力还是从是否通过高新认定方面都是如此。 12和 22都是负值且统计显著, 说明外部股的比例对企业绩效有着负面的影响,即外部股的比例越大, 企业的绩效越差 。 以上结论说明企业内部股比企业外部股的激励效果要大。这与本文的研究假设是一致的。另外 ,外生潜在变量之间的协方差小于零, 说明外部股的比例与内部治理效率之间有着负相关关系。 考虑到两个内生变量的多重相关系数的平方分别为: 0 . 251 0 和 0.

23、 324 8, 说明方程的解释能力并不是非常强的 。8 个标识中有2 个的斜率小于0 . 5, 而几乎所有的指标都有正的或负的凹度, 这些数据明显偏离了常态假设 ,但本文仍然进行了最大似然估计。 有很多管理领域的研究中都采用了这种做法, 但是几乎没有对假设进行检验。M L 估计偏离常规可能问题不大, 但实际情况是参数估计和有效性检验结果以一种未知的模式偏离常规。 按照其他管理领域研究的传统做法 , 似乎可以无视那些非正常现象和关系错误而照常对结果进行解释。 在本文的研究中比这些传统更近了一步, 将把这些数据用人工神经网络的计算方法进行处理以重新审视这些研究结果的解释性与合理性 。报告的最后提供

24、了一些修正信息, 其中提示将因子负载y21改为自由参数可以相对最大限度地改善卡方值 , 将其减少 45. 01。这一修改可以在一定程度上改善模型的拟合优度。 本文在下面的研究中将忽略修正信息的提示, 而采用其他非参数分析方法人工神经网络技术进行研究, 期望这一方法可以有助于进一步理清关系结构,同时考察结构方程模型的子结构是否足够强壮到可以通过进一步的实证检验。表1参数估计表LAM BDAy32= 0. 003 1y42= -0. 001 5x21= 15. 024 13y31= 6. 021 03BETA21= 0. 013 4GAMM A11= 0. 042 021= 0. 001 712=

25、 -0. 002 322= -0 . 000 1PS I1= 0. 247 32= 4 . 746 8Covariance M atrix of ETAand KS I121210 . 246 020 . 000 847. 458 710 . 028 20. 001 60. 680 92-0 . 028 2-0. 001 6-0. 216 822 . 234 0PH I1210. 680 92- 0. 216 822. 234 0Squared M ulti ple Correlati ons forStructuralEquations1: 0 . 251 02: 0. 324 8TH ET

26、A2EPSy2: -44 . 202 2y3: 0. 090 1y4: 1. 117 0TH T EA2D EL TAx1: 0 . 897 9x2: 99 . 033 4x3: 6. 742 0 x4: 22 . 450 9562第3期赵海峰 , 等: 结构方程模型与人工神经网络模型的比较? 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http:/名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理

27、 - - - - - - - 第 4 页，共 8 页 - - - - - - - - - 可以从不同的角度评价模型的拟合优度。其中卡方检验值为188 . 60, 自由度为 15, 且统计显著 。卡方值显然偏大 , 但由于模型的样本规模较大, 所以并不能据此判定模型的拟合度不佳。 其他拟合优度指标 GF I、 A GF I、 N Fl、 CF I、IFI 及 NN F I 都在 0. 9 左右, 指标 RM SEA 0 . 05。 从整体衡量 , 该模型的拟合优度尚可 。3人工神经网络模型3. 1具有BP学习的前馈神经网络模型的构建有几种不同的方法可以将上文研究中的结构方程模型转换为人工神经网络

28、模型的结构。 在本文的研究中结合了自动联合网络和异性联合网络这两种人工神经网络模型构建模型。 自动联合网络模型被用于分析的第1 阶段 , 其目的是复制所有标识的观测值 , 这是一项与确定因素分析相应的工作。 在学习(或估计 )的第 2 阶段, 采用的结构是异性联合网络,在这个网络中核心非独立变量企业绩效(见图 2 和图 3 中的PER F) 期望产生三类输出(标识 ) , 另外一个内生变量(是否高新企业)则产生近似于观测值的标识值 。 在模型中总共有8 个标识变量 , 数字 2 9代 表了这些输入变量(偏离单位# 1 没有显示出来)。 公司治理效率和外部股所占比例是两个外生变量。 图 2 显示

29、了第1 阶段采用的自动联合网络的结构体系 ,它只局限于测量子模型, 即潜在变量与标识之间的关系模型。 图 3 显示了第 2 阶段采用的异性联合网络进行分析的情况, 在这一阶段的研究中加入了结构模型 , 重点在于探讨潜在变量之间的关系。整个人工神经网络模型是基于三层理论假设体系构建的 , 并且这一假设体系与在L ISREL 模型研究中采用的因果关系假设保持一致。 在人工神经网络领域的研究中认为,这些因果关系属于隐藏单元, 与外部观测变量之间没有直接的联系。图2有限连通的自动联合型前馈网络图3异性联合型网络图3 . 2学习过程及结果分析整个人工神经网络的研究分析过程是在B P 学习规则的基础上进行

30、的。 这种方法在人工神经网络的研究中被普遍采用, 本文研究的例外之处在于研究过程是建立在理论基础之上而进行的。 此外 , 与传统的人工神经网络建模原则相比, 这里的模型的网络连通性受到了一定的限制, 这是为了与上文的L ISREL 因果模型中预先定义的关系结构保持一致而进行的 。 图 2 和图 3 所示网络图中各连线的权重值描述了关系力的大小(实线表示高度正相关, 虚线表示高度负相关)。 L ISREL 模型是基于总体协方差或相关矩阵进行分析, 而人工神经网络模型则在由单个问卷产生的数据矢量的基础上进行分析。 在研究的开始预先随机定义一个初始权重集合, 随机地抽取一个问卷的数据, 将加权后的输

31、入值加总, 并将它们归入各自的结构变量中。 将加总值用一个非线形的S函数进行变形处理,把处理结果向前传入下一层的并发 (非独立 ) 潜在变量中去 。 然后在所有的隐层重复这一处理过程, 最终数据会流向体现标识值的输出层 。 期望输出与实际输出的差异引导着学习的过程 。 每个权重值都会随着学习的速度和失败的次数而不断更新, 其初始值也是影响总体差异的一个因素 。 在这种数据处理方式下, 数据每经过一次前馈处理后 , 就会随之产生一次偏差纠正过程的反向传播。在模型的训练过程中使用了1 2 的的样本 (939个案例 ),另1 2样本 (939个案例 ) 作为保留样本被用来检验人工神经网络模型对前面未

32、使用过数据的归纳能力 。 在第 1 阶段的训练中 , 随着学习速度的不断减慢 , 自动联合网络模型的处理过程经过数十万次反复迭代更新之后逐渐收敛至最优。 对于这个拥有 2 个外生变量 、 2 个内生变量以及总共8 个标识变量的测量子模型, 保留样本的RM S 值达到了0 . 31。 在第 2 阶段的分析中引入结构关系到人工神662系统工程理论方法应用第12卷? 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http:/名师资料总结 - - -精品资料欢迎下载 - - - -

33、- - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 8 页 - - - - - - - - - 经网络模型中, 并去除了外生变量的那些多余输出单元。 随即对分析样本又进行了数十万次的训练, 使用了三套随机确定的结构连接关系的初始权重值重复训练过程 。 用以来测量异性联合网络模型的指标基本上是从前面的自动联合网络中继承而来的, 在此基础上进行了修正, 其目的是与为了可以与同时进行的L ISREL估计结果进行类比分析。图 4 显示了结构模型的权重估计, 经过对分析样本的三次训练过程和对保留样本的三次测试过程而产生的 RM S 误差在 0

34、 . 153 0 . 161。 采用其他随机产生的初始化权重值集合重复运行过程产生的结果与以上结果类似。 对于权重值的解释, 有以下两点必须说明 :(1)采用随机初始化方法分析网络模型所产生的结果, 可能出现某一隐层单元的大多数权重为负 ,并且有着正斜(持续激活的条件) 的情况 , 也可能出现恰好相反的现象。 这种结果会颠倒从这一单元引出的正负连接的含义。 (2) 输入数据被统一转换到了 0, 1区间, 但是并没有对它们进行标准化处理。 这意味着在评判某一个单元的外向连接的时候, 必须考察其激活值的标准偏差。 各隐层单元在激活层的情况还是有着一定差别的, 如对于外部股所占比例变量 = 0 .

35、04, 而公司治理效率变量 = 0 .34, 另外两个潜在变量的标准差值比较接近, 企业绩效的 = 0 . 20, 是否高新企业的 = 0 . 23。图4结构关系的神经网络权重值分析结果表明, 结构关系的引入并没有使得模型的测量关系发生太大变化, 因而对网络的整体连通性也没有产生太大影响。 网络模型分析发现,内部治理效率对企业绩效有着正面的影响, 这一结论与L ISREL 研究发现的结果是一致的。 与 L ISREL 估计相比 , 外部股所占比例对企业的经营绩效的影响作用对理论假设的符合性更好一些, 其负面的影响作用更为显著一些, 无论是直接影响作用, 还是通过是否高新企业变量间接施加的影响作

36、用。 权重估计反映出是否高新企业对企业经营绩效有着相当强的影响作用 , 其作用力大大超过了其他潜在变量的影响作用 。 另外 , 人工神经网络模型研究还发现, 经营者年龄与经营者在职时间变量对经营者能力还是有着一定的影响作用的, 与 L ISREL 相比 , 这一结论也更好地符合了理论假设, 从而对传统研究方法中完全根据L ISREL 的参数估计结论修改模型这一做法的必要性提出了一定的质疑。4结论利用人工神经网络技术进行结构化建模的方法并不是一个推论性的工具, 它不需要进行严格的显著性检验 。 采用这种方法最大的特点在于, 其基本数据的转换是在缺乏严格的测量和分类假设的情况下进行的。 与之相应的

37、是 , 参数化方法力图处理测量误差和系统干扰, 但在很多管理学领域的应用研究中遇到了数据属性不充分的问题。 本文研究中遇到的问题代表了结构方程建模中的普遍症结。 传统的方法对于那些在该领域有着丰富研究经验的研究者来说, 可以毫不费力地去重新设计或修改结构方程模型, 使其最终获得很好的拟合优度以及可接受的显著性水平 。 然后进行参数估计工作, 并在相关参数估计结果的基础上得出相关的政策性建议。 但是由于管理科学的研究中涉及的问题很庞杂, 所以很少有人能够凭借丰富的经验很好的驾驭传统方法。 本文则抛开传统思路, 利用人工神经网络方法重新分析数据, 这样做有助于评价关系结构的稳定性和强壮性, 避免不

38、尽合理的阐释以及重新考虑政策的建议。总的来说 , 对于存在多重潜在变量的复杂社会系统模型来说, 应用两个模型所取得的研究效果都是比较好的 , 但是两个模型中的一些参数的估计值之间有较大的差异。一般来说 ,L ISREL模型在因果链的方向上比人工神经网络模型更具灵活性。 但由于应用 L ISREL 模型时会出现难以将模型转化为一个适当的解决方案的问题, 因而这种灵活性的优势被制约了 。此外还需要指出的是, 本文所探讨的两种技术在构造含有不可观测变量或潜在变量的模型方面都是有用的 。 在某一特定研究中采用何种技术主要取决于研究者所从事研究内容的相关理论基础。 在一些新兴的研究领域, 理论研究的内容

39、较少, 采用人工神经网络这种技术构造模型的结构, 用以探索未知的关系能够达到更好的效果。 而在一些比较成熟的研究领域 , 前人研究的大量相关文献都证实了潜在变量对两边的观测变量都会产生影响, 则宜采用L ISREL 技术进行研究 。最后 ,综合以上研究结果, 将结构方程模型和人工神经网络模型技术之间的主要异同点总结于表2。762第3期赵海峰 , 等: 结构方程模型与人工神经网络模型的比较? 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http:/名师资料总结 - - -精品

40、资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 6 页，共 8 页 - - - - - - - - - 表2结构方程模型和人工神经网络模型技术异同点比较表结构方程模型人工神经网络模型来源心理学 经济计量学生理学 心理学基础理论知识必须具备很好的心理学和经济计量学的基础知识,另外具备线性代数的基础知识对研究是很有帮助的必须对人工神经网络技术方法论有着很深的理论,这样才能在研究中恰当地选择类型合适的人工神经网络模型 、 设置隐层接点和学习参数以及解释结果计算机处理时间完全取决于构建解决方案的时间,一旦最终模型的结构

41、被很详细地确定下来,通常可以很快找到解决方案大部分取决于构建解决方案的时间,一些时间的解决可能要花费很多时间输入数据形式一般的协方差矩阵或关系矩阵原始数据潜在变量有,应由用户指定和命名可以由用户来命名,但通常是在运行模型之后模型规范必须详细描述实际模型的结构,定义的有的约束条件及每个变量与其他变量之间的联系一般需要指定隐层节点的个数和配置方式以及学习参数 。一些软件可以处理有限连接的情况解决途径反复迭代直至似然函数至最大值在有指导学习过程中反复迭代直至RM S和M SE达到最小值。在无指导的学习过程中反复迭代直至创建出最佳同质群模型数据流向系统中变量之间的因果关系既可以是前向的,又可以是反向的

42、简单的人工神经网络为前馈型的。有反馈的网络(循环网络)允许节点间任意方向的连接允许假设检验是否诊?2是否断Standard erro rs是否系t2values是否数适用条件有成熟的理论基础和假设体系支持模型结构的情况下 。以理论和数据为导向只有很少的或者有限的理论支持模型结构 。适用于需要进行模式识别或者分类的问题 。以数据为导向常见问题无法确切定义估计矩阵,无法解释模型 。允许测试失败或者模型无法收敛模型收敛于局部最小值,对于样本以外的数据难以达到最优解参考文献 : 1 刘大为.结构方程模型在跨文化心理研究中的应用J .心理学动态, 1999, 7 (2). 2 N orth D C.In

43、stitu tion s and Econom ic Perfo rm ance.M aki U , Gu stafsson B , KnudsenC,eds.Rationali2ty ,Institu tion s andEconom ic M ethodo logy M.L ondon : Rou tledge , 1993. 3 Q iu L iw en, V aughan.T he con tribu tion ofinfo rma2tion to bu siness success: aL ISR EL modelanalysis ofm anufactu res in Shangh

44、ai J .Info rmation Process2ing and M anagem en t, 1999, 5: 59-68. 4 M ichaelShields.T he designand effectsofcon tro lsystem tests of direct2and indirect2effects model J .A ccoun ting , O rgan izati on s and Society , 2000, 8: 185-202. 5 Smith A .Co rpo rate ow nersh ip structu re and perfo r2m ance:

45、T he case of managem ent buyou tsJ.Jou r2nal of FinancialEconom ics, 1990, 27: 143-164. 6 T rickerRH.D angersfocu singonconfo rm anceratherthan perfo rm ance J .Keyno te A ddresstheF irstA sian2PacificCo rpo rateGovernanceConfer2862系统工程理论方法应用第12卷? 1994-2008 China Academic Journal Electronic Publishi

46、ng House. All rights reserved. http:/名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 7 页，共 8 页 - - - - - - - - - ence, 1993. 658-684. 7 YvetteR eisingger.Structu ralequationmodelingw ithL isrel:app licati onintou rism J .Tou rismM anagem ent, 1999, 5: 71-88. 8 柯林 ?梅耶.

47、市场经济和过渡经济的企业治理机制,转引自费方域,什么是公司治理? J .上海财经研究,1996, (5): 29-37 9 奥利弗 ?哈特.公司治理:理论与启示J .经济学动态, 1996, (6) : 1622510 Bo llen K A .Structu ralequati on w ith L aten t vari2ab lesM . N ew Yo rk: W iley , 1989.11 HopfieldJ J.N eural netw ork s and physicalsystem sw ith emergen t collectivecompu tati onal abil

48、ities J .Proceedings of N ational A cadem y ofScience, 1982,79: 2254-255812 H ayk in S. N eu ral netw ork s, a comp rehen sive foun2dati on M .N ew Yo rk: M acm illan , 1994.工业工程建立现代企业制度必需的企业成功之术工业工程挖潜力 , 保质量 , 提高生产效率和经济效益的“点金术”工业工程增强企业竞争能力的“健身术”推荐订阅2004年度 工业工程与管理杂志中国期刊方阵期刊、 中国科技论文统计源期刊、 “中国科学引文数据库”

49、 来源期刊和教育部优秀科技期刊工业工程与管理 是应用性与学术性相结合的刊物; 引进先进理论技术的向导; 交流工业工程应用的园地; 加强企业管理的顾问; 提高经济效益的参谋。 本刊将从深层次启发您的思路, 激发您的灵感 , 帮助寻找新的经济增长点 。 工业工程与管理 杂志乃原理与实践之精华。传播工业工程(IE) 先进管理方法, 如计划管理 , 物流和供应链管理, 项目管理 , 质量管理等 , 介绍国内外应用IE的先进经验和案例。面向我国企业改革, 研究中国企业特别是国有大中型企业如何运用工业工程, 增强企业活力与竞争力, 促进现代企业制度的形成。上海交通大学和德国著名的跨国出版集团Springe

50、r 出版社合办 , 主编为中国工程院院士翁史烈教授, 德方主编为弗朗霍夫协会主席H. J.W arnecke 教授。 1996 年创刊 , 76 页, 大 16 开, 双月刊 , 国内定价人民币10 元 本, 全年人民币60 元, 海外定价 10 美元 本,全年 60 美元。国内外公开发行, 邮发代号 42585, 欢迎到邮局订阅, 或向编辑部订阅, 并欢迎赐稿和刊登广告 。编辑部地址 : 上海市华山路1954 号交通大学高科技大厦806 室, 邮编: 200030E-ma il: qdxusjtu. edu . cnhttp :www. sjtu. edu. cn Ch inese W eb