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-263 量的观察标识总是包含了大量的测量误差,这是其输入层进入,通过中间层(隐层)和输出层的处理后, 他的分析方法所难以解决的问题,结构方程模型则主输出层输出。实际应用中根据需要可以设置多个 能够使硏究人员在分析中处理测量误差,并分析潜隐层。采用非线性作用函数,多层前向无反馈神经元 在变量之间的结构关系。线性结构方程模型①LIS-网络可以实现从输入到输出的多元映射 RL)是结构方程模型的一种方法,在20世纪70年 BP网络就是多层前向无反馈神经元网络。早在 代由瑞典统计学家、心理学家 Karl G Jo reskog提1974年, Werbos便已经有了BP算法的描述,1986 出并开发了软件产品,目前应用广泛的版本是LI-年, Rum ellard等人正式对BP算法进行了清晰而严 REL830。 L ISREL的应用主要有三个方面观测变格的说明,BP算法从此引起了广泛的关注,它提供 量用于测量潜在变量的精确程度、变量之间的关系了网络学习行之有效的方法,为神经元网络方法的 以及该模型的可信度。 广泛应用打开了光明的前景。利用BP算法进行学 12人工神经网络技术简介 习的无反馈前向网络称为BP网络。BP(Back-Pmop 人工神经网络( A rtificiaI Neural network)与 agaton)算法即误差反向传播算法,它是一个有导 遗传算法、专家系统并称为人工智能的三大技术。人师的神经元网络学习算法,它的算法思想是:取一对 工神经网络是在对人脑神经研究的基础上,模仿人学习模式,将输入模式经网络输入层、隐层输出层 脑神经网络的结构和行为,建立的一种智能信息处逐层的处理之后,得到一个输出模式,计算网络输出 理网络模型。人工神经网络最典型的形式是连接模模式和期望输出模式的误差,将误差由输出层、隐 型,它由模仿脑神经元的神经元节点和节点间模仿层、输入层的反向顺序序传送,按照减小误差的方向 脑神经元细胞有向连接组成。每个节点都是一个独逐层修正各层连接权重。重复上述过程,直到每一对 立的处理单元,它通过连接接收信息,对信息进行处学习模式,网络的输出误差都达到要求。 理,又将处理的结果由连接输出。用Wi表示神经元13比较研究的理论分析 节点间的连接强度,即权重。权重决定了两个神经元 结构方程模型属于一种因果关系模型,它可以 的相互作用的强弱,它并不是固定的,权重的修正依用来衡量不能通过观察直接得到的变量。在一个包 照Hebb学习规则如果两个神经元同时处于兴奋含有大量复杂性的假设系统的研究中,可以构建 状态,那么它们之间的连接强度应该加强。θ是神经个由潜在结构和可测量模型相互作用而成的结构方 元的阈值,在生理学上的意义是只有当神经元输入程模型,来分析这个不可观察的结构和它的可观测 的加权总和大于阈值时,才产生兴奋。在人工神经元变量之间的关系。一般来说,结构方程模型是一种从 网络中θ只是一个参数。神经元节点的输出是输入统计的角度构建模型的参数化研究方法,它代表了 加权和与阈值的差的函数,这个函数关系称为作用有理论对经验研究的进行指导的一类研究方法。因 函数。根据神经元作用函数的不同,神经元的基本处果模型方法有着一定的局限性,这些局限性包括难 理单元可有不同的作用方式,如线形阈值单元、S型于合并交互影响和进行非线性分析,不能处理定性 激活函数及分段线形激活函数等。网络的学习过程数据和缺失数据。在一些领域,尤其是管理学领域的 就是利用一组学习样本的输入输出模式反复作用于研究中,许多应用结构方程模型进行研究所得到的 网络,通过改变网络的连接权重或拓扑结构,直到对估计结果是背离一些基本理论假设的,尤其是研究 每一个输入样本,输出满足要求。神经元网络通过学中对多重常态的要求是很难被满足的,因为如果没 习就具有了记忆,它把学到的知识分布式存储在网有数量化的变量,几乎无法进行管理科学的研究。矫 络的连接权重上,在必要的时候能回忆起这些知识,正变量0其他多元非线性关系的引入实际上也 因此,有了某一个输入模式,通过神经元网络就能产暗含了对常态的假设,因为那些不可观测指标常常 生特定的输出,这样的神经元网络具有各种信息处是有缺陷的,或者是对其相应的观测变量进行了删 理的能力。神经元网络能实现数学映射、模式分类、减。目前很少有文章对这些问题进行详细的研究和 联想记忆、组合优化问题求解、数据压缩等许多信息分析。 处理功能 由于在大量的相关研究文献中看到结构方程研 人工神经网络的连接方式有以下几种类型:多究方法的缺陷,很容易让人产生将这些研究结果与 层无反馈前向网络、从输出到输入层有反馈的前向非参数方法进行比较的思路。人工神经网络模型不 网络、层内相互结合的前向网络和相互连接型网络需要对变量之间的关系以及测量方法进行严格的假 等。其中应用最广的是多层无反馈前向网络,信息由设,只需要对结构进行约束,当然也并不需要将模型 91994-2010ChinaAcademicJOurmalElectronicPublishingHouseAllrightsreservedhttp://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 IS2 REL ) 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 Karl G. Jo reskog 提 出并开发了软件产品, 目前应用广泛的版本是L IS2 REL 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 rtificial N eu ral N etwo rk ) 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。Η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 Η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。 BP 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, Rum ellart 等人正式对BP 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BP 算法进行学 习的无反馈前向网络称为BP 网络。BP (Back2Prop2 agation ) 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 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 — 263 —