處理復(fù)雜性的能力是衡量方法進(jìn)步的一項(xiàng)重要指標(biāo)。我們所觀察到的世界是由許多錯(cuò)綜復(fù)雜的變量組成的。為了理解它，研究者或許首先會(huì)求助于多元回歸分析（普通最小二乘法，OLS），因?yàn)樗�可以在統(tǒng)計(jì)控制下分析獨(dú)立效應(yīng)。教科書(shū)中最常見(jiàn)的三變量模型為：Y=a bX cZ e [1]其中Y表示因變量，X和Z表示自變量，a為截距，b和c為斜率，e是誤差項(xiàng)。方程[1]所暗含的一個(gè)基本假設(shè)是X對(duì)Y的影響與Z的取值無(wú)關(guān)。但是現(xiàn)實(shí)世界要比這復(fù)雜得多。具體來(lái)說(shuō)，X對(duì)Y的影響是否取決于Z值，如果是，那么就存在交互作用，這表示一個(gè)乘積項(xiàng)應(yīng)該被包括在內(nèi)，如方程[2]所示：Y=a bX cZ d（XZ） e [2]杰卡德、圖里西和萬(wàn)等在《多元回歸中的交互作用》中已經(jīng)將交互作用引入了傳統(tǒng)的多元回歸分析中。本書(shū)通過(guò)運(yùn)用整合了潛變量分析和LISREL估計(jì)的結(jié)構(gòu)方程模型（structural equation modeling,SEM）將交互作用分析向前推進(jìn)了幾步。更為重要的是在結(jié)構(gòu)方程模型的框架下， OLS分析中忽略的兩個(gè)重要條件（多指標(biāo)和測(cè)量誤差）得到了很好的處理。（關(guān)于SEM、LISREL及潛變量分析的背景知識(shí)請(qǐng)參考本叢書(shū)中的《驗(yàn)證性因子分析》《協(xié)方差結(jié)構(gòu)模型》及《潛變量對(duì)數(shù)線性模型》等書(shū)。）在本書(shū)中杰卡德和萬(wàn)博士詳細(xì)闡明了LISREL計(jì)算程序及其在結(jié)構(gòu)方程模型中的應(yīng)用。這是一個(gè)可以被輸入8個(gè)不同矩陣的模型。由于運(yùn)用的是LISREL軟件的最新版本（第八版），本書(shū)的例子和展示對(duì)讀者很有幫助。此外，作者還強(qiáng)調(diào)了關(guān)鍵點(diǎn)，例如，如何選擇基準(zhǔn)變量來(lái)定義潛變量矩陣，并且提供一個(gè)關(guān)于LISREL模型擬合度的指標(biāo)有價(jià)值的比較討論。包括經(jīng)常會(huì)用到卡方檢驗(yàn)。關(guān)于這一檢驗(yàn)，它們令其反向地邏輯清晰，即如果模型的卡方檢驗(yàn)統(tǒng)計(jì)不顯著則表明模型的擬合比較好。這一特殊的關(guān)于交互作用的卡方檢驗(yàn)包含兩步：第一步，擬合不是強(qiáng)制的（如允許斜率在不同的組中有變化）；第二步，擬合是強(qiáng)制的（如限定斜率在不同的組中相等）。通過(guò)比較兩個(gè)模型的結(jié)果，來(lái)檢驗(yàn)是否非強(qiáng)制（含有交互作用）模型的擬合度更好。如果交互作用存在，其規(guī)模（IES）能夠作為第二步卡方的減少被測(cè)量出來(lái)。和多元回歸類(lèi)似，由于所有變量都是連續(xù)的，LISREL模型也可以包含乘積項(xiàng)。作者還對(duì)SEM（包含多指標(biāo)和測(cè)量誤差）與普通最小二乘法進(jìn)行了比較。他們認(rèn)為這兩種方法各有利弊：當(dāng)在高測(cè)量信度、樣本規(guī)模較小，而且變量不服從多元正態(tài)分布時(shí)，OLS的估計(jì)更好。顯然，這些條件通常是無(wú)法滿足的，在這種情況下，SEM滿足了研究者運(yùn)用更高級(jí)、更符合現(xiàn)實(shí)的模型來(lái)分析交互作用的愿望。邁克爾·S.劉易斯-貝克