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-26 经网络模型中,并去除了外生变量的那些多余输出着一定的影响作用的,与 L ISREL相比,这一结论 单元。随即对分析样本又进行了数十万次的训练,使也更好地符合了理论假设,从而对传统研究方法中 用了三套随机确定的结构连接关系的初始权重值重完全根据LISR且L的参数估计结论修改模型这一 复训练过程。用以来测量异性联合网络模型的指标做法的必要性提出了一定的质疑 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4结论 进行的 L ISREL估计结果进行类比分析。 利用人工神经网络技术进行结构化建模的方法 图4显示了结构模型的权重估计,经过对分析并不是一个推论性的工具,它不需要进行严格的显 样本的三次训练过程和对保留样本的三次测试过程著性检验。采用这种方法最大的特点在于,其基本数 而产生的RMS误差在Q153Q161。采用其他随据的转换是在缺乏严格的测量和分类假设的情况下 机产生的初始化权重值集合重复运行过程产生的结进行的。与之相应的是,参数化方法力图处理测量误 果与以上结果类似。对于权重值的解释,有以下两点差和系统干扰,但在很多管理学领域的应用研究中 必须说明:(1)采用随机初始化方法分析网络模型遇到了数据属性不充分的问题。本文研究中遇到的 所产生的结果,可能出现某一隐层单元的大多数权问题代表了结构方程建模中的普遍症结。传统的方 重为负,并且有着正斜(持续激活的条件)的情况,也法对于那些在该领域有着丰富研究经验的研究者来 可能出现恰好相反的现象。这种结果会颠倒从这一说,可以毫不费力地去重新设计或修改结构方程模 单元引出的正负连接的含义。(2)输入数据被统 型,使其最终获得很好的拟合优度以及可接受的显 转换到了[0,1]区间,但是并没有对它们进行标准化著性水平。然后进行参数估计工作,并在相关参数估 处理。这意味着在评判某一个单元的外向连接的时计结果的基础上得出相关的政策性建议。但是由于 候,必须考察其激活值的标准偏差。各隐层单元在激管理科学的研究中涉及的问题很庞杂,所以很少有 活层的情况还是有着一定差别的,如对于外部股所人能够凭借丰富的经验很好的驾驭传统方法。本文 占比例变量∝=Q04,而公司治理效率变量G=Q则抛开传统思路,利用人工神经网络方法重新分析 34,另外两个潜在变量的标准差值比较接近,企业绩数据,这样做有助于评价关系结构的稳定性和强壮 效的G=020,是否高新企业的c=Q23 性,避免不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 007007/0 V4 一个适当的解决方案的问题,因而这种灵活性的优 图4结构关系的神经网络权重值 势被制约了 分析结果表明,结构关系的引入并没有使得模 此外还需要指出的是,本文所探讨的两种技术 型的测量关系发生太大变化,因而对网络的整体连在构造含有不可观测变量或潜在变量的模型方面都 通性也没有产生太大影响。网络模型分析发现,内部是有用的。在某一特定研究中采用何种技术主要取 治理效率对企业绩效有着正面的影响,这一结论与决于研究者所从事研究内容的相关理论基础。在一 L ISREL研究发现的结果是一致的。与LBR估些新兴的研究领域,理论研究的内容较少,采用人工 计相比外部股所占比例对企业的经营绩效的影响神经网络这种技术构造模型的结构,用以探索未知 作用对理论假设的符合性更好一些,其负面的影响的关系能够达到更好的效果。而在一些比较成熟的 作用更为显著一些,无论是直接影响作用,还是通过研究领域,前人研究的大量相关文献都证实了潜在 是否高新企业变量间接施加的影响作用。权重估计变量对两边的观测变量都会产生影响,则宜采用 反映出是否高新企业对企业经营绩效有着相当强的LIRE技术进行研究。 影响作用,其作用力大大超过了其他潜在变量的影 最后,综合以上研究结果,将结构方程模型和人 响作用。另外,人工神经网络模型硏究还发现,经营工神经网络模型技术之间的主要异同点总结于表 者年龄与经营者在职时间变量对经营者能力还是有2。 g1994-2010 China Academic Joumal Electronic Publishing House. All rights reserved.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. 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 Ρ= 0. 04, 而公司治理效率变量 Ρ= 0. 34, 另外两个潜在变量的标准差值比较接近, 企业绩 效的 Ρ= 0. 20, 是否高新企业的 Ρ= 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。 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 — 267 —