系。但是由于回归分析一般并不关心m12,所以对这一相关关系的代表线省略。 xI 图5—1多元回归模型因果关系示意图 但是,有时研究人员从经验和理论两方面都有理由认为,变量之间的因果作 用是更复杂的传递过程,一个变量对于某些变量可能是原因变量( cause/ predic tor variable),而对于另外一些变量则可能是结果变量( response variable)。这时 对整个因果结构模型便不能简单地以因变量或自变量的概念来划分变量类型。对 于这样的模型,可以用结构方程组或相应的通径图来表示(见图 31 P 图5—2通径模型的因果结构示意图 通径分析的主要功能是研究变量之间关系的不同形式。通过多元回归的学 习.读者已经了解多元回归在分析上优越于简单回归。由于多元回归的统计控 制.其偏回归系数的数值往往不同于简单回归系数,有时甚至连系数的符号也不 相同。与回归分析相比,通径分析是一种统计分析能力更强大的工具,它还可以 进一步揭示多元回归系数与简单回归系数之间的数量联系。总的来说,简单回归 系数是一个自变量对因变量作用的“毛”测量( gross measure),而多元分析的 偏回归系数则是自变量作用的一种“净”测量( net measure)。类似于通常所说 的毛重中不仅包括净重而且还要加上其他包装填料的附加重量,自变量作用毛测 量也是由净作用加上其他作用所构成的。与净重和毛重之间关系不同的是,影响 作用有正负之分,所以自变量的毛作用并不一定大于其净作用,两者之间的数量