结构方程模型
Parent: ai_keywords
核心定义
结构方程模型（Structural Equation Modeling, SEM）是一种融合因子分析与路径分析的多变量统计方法，旨在验证观测变量与潜在变量（无法直接测量的构念，如“认知储备”、“脑网络效率”）之间的因果或相关假设。其核心通过协方差矩阵比较模型隐含结构与实际数据的拟合优度，为复杂生物学-行为关联提供统计推断。
关键技术点
- 潜变量建模
SEM将抽象构念（如“执行功能”）操作化为多个观测指标（如Stroop测试、威斯康星卡片分类任务得分），分离测量误差后估计潜变量间关系。 - 路径图与因果假设
以有向箭头表示变量间假定因果方向，形成递归或非递归路径，支持双向反馈（如神经可塑性→认知训练→神经可塑性）的检验。 - 模型拟合指数
使用χ²、RMSEA（<0.06）、CFI（>0.90）、SRMR（<0.08）等指标量化模型与数据的契合度，需结合理论判断是否接受。 - 修正与交叉验证
根据修正指数（MI）添加或删减路径，防止过拟合；需拆分样本或使用Bootstrap进行稳定性检验。
医学/神经科学应用场景
首都医科大学神经病学研究案例
在阿尔茨海默病（AD）早期识别中，SEM可整合结构MRI（灰质体积）、扩散张量成像（白质完整性）及神经心理学量表（MMSE、MoCA）构建“脑网络效率”潜变量。研究假设：默认模式网络（DMN）完整性通过潜变量间接影响情景记忆。
- 路径设计：DMN体积→网络效率（潜变量）→工作记忆（潜变量）→日常功能衰退。
- 数据来源：首都医科大学宣武医院AD队列（n=300）。
- 结果：SEM确认DMN萎缩完全通过“网络效率”下调记忆，γ系数=0.62（p<0.001），且该路径在APOE ε4携带者中增强，为靶向脑网络保护的临床试验提供了统计靶标。
该方法突破了传统回归无法处理多重中介及测量误差的限制，成为神经影像-认知关联研究的金标准工具。
