图5-4中的第一种情况有可能是产生于没有将两个变量的共同原因变量明 确纳入模型,要是能够找到一个变量α3同时影响z1与α2,并明确将其设置于 模型之中,便能够将内生变量误差项e2与外生变量x1的相关部分从原有的e2 中剥离出去,使新得到的e2不再与z1相关。重新设置的模型便成为递归模型 如图5-5所示。 图55通过明确设置共同的原因变量使模型递归化 在图5-4的第二种情形中,虽然p21可以通过常规最小二乘法对方程x2= p21x回归求出,但是模型中的另一个内生变量x;对z2回归时却遇到与图5 中第一种情况同样的非递归问题(因为e2与e3和x2分别相关,所以可以视为 e3与z2相关)。图5-4中的两个非递归部分都不能直接采用最小二乘法回归求 解通径系数,因为在非递归的情况下用常规回归方法所计算的回归系数(或标准 化回归系数)并不等于所要求的通径系数。正如模型中如果发生图5-3中的三 种反馈作用,就不能简单应用最小二乘法回归来求解通径系数。 总之,非递归模型的参数估计过程将非常复杂,有时可能无解。并且,整个 模型也很难得到检验。一些非递归模型可以应用通径分析的变换规则将非递归模 型转换后求解,但是这些规则比较复杂,应用时还需要一定的技巧,所以本章不 讨论非递归模型的分析,有兴趣的读者可以参考有关书目。①以上关于非递归模 型的介绍主要服务于辨别递归模型和非递归模型,以免发生将非递归模型按照递 归模型分析处理的错误。 本章所介绍的递归模型实际上只是通径模型分析技术中的一部分。作为本章 内容范围内应牢记的递归通径分析基本性质有②:第一,所有递归模型都是可识 Berry william D.(1984)Nonrecursive Causal Models. Sage Publications, Inc Heise, David R.(1975)Causal Analysis, John Wiley Sons, Inc 2: Berry William D.(1984)Nonrecursive Causal Models. Sage Publications, Inc:8