路徑分析
路徑分析（path analysis）是一種將變項關係以模型化（modeling）的方式來進行分析的一種統計技術。路徑分析的概念最初由遺傳學家Sewall Wright 於1921 年所提出，至1960 年代才廣泛受到重視。傳統上，路徑分析由一系列的迴歸分析所組成，透過假設性的架構，將不同的方程式加以組合，形成結構化的模式，以SPSS 或SAS 等軟體進行多次迴歸即可完成模型參數的估計，稱為迴歸取向（regressionapproach ） 的路徑分析。自從結構方程模式（ Structural EquationModeling）發展以來，路徑分析已經逐漸改由LISREL、EQS、AMOS、MPLUS 等SEM 軟體來處理，稱為結構方程模式取向（SEM approach）的路徑分析。其主要特色是可以利用變項間的共變情形， 同時（simultaneously）估計模型當中所有的參數，過程中可以把用以估計潛在變項（latent variable）的因素分析技術融合在路徑模型中，配合研究者所提出的特定假設模型或競爭模型，來檢驗理論模型與觀察資料的適切性，找出最佳的模型，近年來此種帶有潛在變項的路徑分析（path analysis with latent variable）或一般結構方程模式（generalstructural equation modeling）深受社會科學領域的關注，成為當代最重要的統計方法之一1。在傳統的路徑分析中，用來解釋或預測其他變項的解釋性變項，通常被假設是沒有測量誤差，或其測量誤差可以被忽略。僅有被解釋或被預測的變項則的被解釋殘差可以被估計出來。在SEM 取向的路徑分析，不論是潛在變項或觀察變項，測量誤差都可以有效的估計，排除在分析過程之外，因此，SEM 取向的路徑分析有取代傳統迴歸取向路徑分析的諸多優勢。但由於篇幅的限制，本書僅介紹迴歸取向的路徑分析。

怎样进行路径分析？

路徑分析的基本原理

因果模式與路徑模型路徑分析主要的工作是從變項之間共變關係來檢驗研究者所提出的影響、預測、或因果關係，企圖推論出因果結論（causality）。與迴歸分析一樣，路徑分析的基礎是變項的線性關聯（或相關），變項間的相關越高，路徑分析的結果會越顯著明確。然而在所有的基本統計教科書上都會提醒大家，相關不等於因果（correlation does not prove
causality），但是在路徑分析中，這條警語被修改為，相關蘊涵了因果關係，變項之間可以存在因果關係，透過適當的程序與分析，配合假設考驗，相關可以推導出因果結論（causal inference can be stronglycorroborated by correlation）。Meehl 與Waller（2002）指出，路徑分析雖然可以檢驗因果論證的存在，但是對於誰為因、誰為果，卻需要更為嚴謹的檢驗（correlation evidences causation but does not immediatelyreveal what causes what, and how much（p. 284）。雖然路徑分析是檢測因果關係的有力工具，但如果把某一個研究的分析結果視為特定變項因果關係的唯一證據，而沒有多方檢驗其真實性，將可能造成偏差的結論。
基本上，社會科學並沒有像自然科學具有明確的因果率，在心理學研究中，只有實驗研究藉由操弄自變項、控制干擾變數、觀察依變項的研究策略，能被接受是一種因果關係的探究。路徑分析之所以能夠「宣稱」用來檢驗因果路徑，主要的依侍是背後的理論依據。如果研究者無法提出一個具有說服力的理論基礎，路徑分析得到的結果只是一堆無意義的統計數據的累積。如果研究過程中，研究者在沒有理論依據的情況下隨意調整變項的關係，那麼路徑分析只是統計技術的
玩弄。相反的，如果研究者經過縝密的思考而提出一個路徑模型，且經由統計方法支持該模型的有效性，那麼就可能是一個具有學術價值的理論模型的誕生。

我同意用理论去支持因果关系

之前还一直不能理解相关为何能用来建立预测模型呢

谢谢lz