📊 statistics

From Structural Equation Modelling to Double Machine Learning: Robustness Analysis for Survey-Based Research

本文提出并展示了一个阶段性稳健性分析框架，该框架整合了结构方程模型、普通最小二乘回归以及双重机器学习，旨在通过以金融科技数字客户亲密度模型作为案例研究，来验证基于调查的结构关系在不同估计方法下的稳定性。

原作者： Ka Ching Chan, Qiana Liu, Sanjib Tiwari, Ranga Chimhundu

发布于 2026-07-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Ka Ching Chan, Qiana Liu, Sanjib Tiwari, Ranga Chimhundu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一名正在试图破解一个关于人们对一款新金融科技（FinTech）应用感受如何的谜题的侦探。你收集了一堆线索（调查问卷答案），涉及诸如“信任”、“满意度”以及“他们使用该应用的频率”等内容。

长期以来，研究人员一直使用一种被称为结构方程模型（SEM）的特定工具来连接这些线索。你可以把 SEM 想象成一张高科技、定制化的地图。它之所以出色，是因为它可以处理“不可见”的概念（比如“信任”，你无法用尺子去测量），通过将许多调查问题组合成一个大的得分来进行衡量。它绘制了一张展示事物如何相互影响的地图（例如，“信任导致满意度”）。

问题所在：
本文指出，仅仅依赖这张定制化的地图是有风险的。如果这张地图看起来很好，仅仅是因为你是这样画出来的呢？如果换一种观察数据的方式，这些联系就会消失呢？作者说：“不要只相信地图；让我们用不同的交通工具来测试地形，看看这些道路是否真的存在。”

解决方案：三阶段稳健性检验
作者提出了一个新的工作流，它就像是一个三阶段车辆测试，用来验证你地图上的道路（关系）是真实的还是幻觉。

第一阶段：定制地图 (SEM)

它是什么： 标准方法。你构建你的理论地图。
类比： 这就像是根据你的建筑理论绘制房屋的蓝图。你知道墙壁应该在哪里。
论文规则： 即使蓝图看起来有些摇晃，也不要丢弃任何墙壁。保留完整的蓝图以进行下一步。

第二阶段：透明行走 (OLS 回归)

它是什么： 一种更简单、标准的统计方法。
类比： 这就像是拿着手电筒在房子里走动。你不再使用那份华丽的蓝图了，你只是在观察原始材料（调查得分），并询问：“如果我从厨房走到客厅，那里真的有一条路径，还是只是一堵墙？”
为什么要这样做？ 这是一个“常识检查”。如果蓝图显示有一条路径，但你的手电筒行走却发现是死路，那么你就知道出问题了。

第三阶段：全地形车 (双重机器学习 - DML)

它是什么： 一种利用人工智能（机器学习）来处理干扰因素的高级计算机方法。
类比： 想象你正开着一辆全地形车 (ATV) 在丛林中穿行。丛林里充满了藤蔓、泥泞和岩石（其他因素，如“年龄”、“收入”或“其他应用功能”），它们可能会遮蔽路径。
- 标准方法可能会陷入泥潭。
- DML 就像是一辆智能全地形车，它可以自动切断藤蔓并抹平泥泞，从而看清下方的路径。它会询问：“即便我们忽略所有这些干扰因素，‘信任’到‘满意度’的路径是否依然存在？”
- 作者使用三种不同的“全地形车引擎”（随机森林、梯度提升和支持向量机）进行了测试，以确保路径不仅仅是某一种特定引擎产生的幻象。

“反向路径”检查

有时，地图显示“A 导致 B”，但也有可能是“B 导致 A”。

类比： 想象一条河流。地图说水流从高山流向大海。但如果大海实际上是在把水往山上推呢？
作者通过让全地形车倒着行驶来检查这一点。如果路径在两个方向上看起来都很强，那么它可能是一条双向车道（互惠关系），而不仅仅是单行道。

他们发现了什么（金融科技案例研究）

他们针对一项关于数字客户亲密度（客户对金融应用的感觉有多亲近）的调查进行了测试。

坚实的道路： 他们地图上的大多数路径都是真实的。无论他们使用的是蓝图、手电筒还是全地形车，事物之间的联系（如“感知质量”、“态度”和“数字亲密度”）都经受住了考验。
摇晃的桥梁： 有些路径很棘手。
- 使用频率 vs. 满意度： 蓝图显示“使用应用更多会导致满意度降低”。手电筒也同意这一点，但全地形车在测量“使用频率”的方式不同时会感到困惑。这意味着这种关系对你的测量方式非常敏感。
- 信任 vs. 亲密度： 地图显示“信任导致亲密度”，但反向检查显示“亲密度也可能导致信任”。这表明这是一个双向的关系，而不只是单行道。
死胡同： 一些路径（如“客户意识”导致“态度”）在蓝图中很弱，在其他所有测试中也保持很弱。这些很可能是死胡同，应该从最终理论中剔除。

核心启示

本文并不是说“机器学习取代了旧方法”。相反，它说的是：“使用旧方法来构建你的理论，但使用机器学习作为压力测试，看看你的理论是否足够强大，能够经受住不同条件的考验。”

他们甚至制作了一个 Google Colab 工作簿（一个免费的在线编程笔记本），以便其他研究人员可以在自己的研究中使用这种完全相同的“地图 + 手电筒 + 全地形车”的工作流。这是一个工具包，旨在防止研究人员仅基于单一且可能存在缺陷的地图做出决策。

技术摘要：从结构方程模型到双重机器学习

问题陈述
结构方程模型（SEM）是涉及潜在构念（如信任、满意度、意图）的调查研究的标准框架。虽然 SEM 能有效评估测量模型并估计基于理论的结构关系，但其路径显著性取决于特定的模型设定。SEM 中的显著路径系数并不本质地证明其在替代估计框架、得分表示或灵活控制调整下的稳定性。因此，研究人员缺乏一个系统的、透明的工作流，来确定当研究从潜变量建模转向常规回归或基于机器学习的调整时，关键关系是否保持稳健。近期文献将双重机器学习（DML）引入信息系统领域并在金融科技（FinTech）背景下进行了应用，但 DML 很少被用作针对潜构念模型的后置 SEM 逐路径稳健性诊断工具。

方法论：阶段式 SEM–OLS–DML 框架
本文提出了一个由两层、八个阶段组成的稳健性框架，该框架整合了 SEM、普通最小二乘法（OLS）回归和双重机器学习（DML）。该工作流旨在将稳健性证据的生成与其解释分离，确保机器学习是对 SEM 的补充而非替代。

第一层：证据生成
- 测量精炼与基准 SEM： 过程始于精炼测量模型（验证指标、信度和拟合度）。至关重要的是，在根据显著性移除任何路径之前，必须先重新估计完整的理论指定结构模型，将其作为“稳健性基准 SEM 模型”。
- 得分构建： 生成两种类型的受访者层面构念得分：(a) SEM 因子得分（保留潜在结构和因子载荷）以及 (b) 平均复合得分（一种透明、简单的基准）。
- SEM 到回归的转化： 将基准 SEM 中的每个结构路径转化为 OLS 和 DML 的路径级设定。对于结构方程 $Y \sim D + X$ ，焦点预测变量 $D$ 是感兴趣的变量，而同一方程中的其他预测变量 $X$ 则被视为共预测控制变量。
- OLS 基准： 在构念得分上运行 OLS 回归，以提供透明的线性基准。这用于检查 SEM 暗含的路径模式在常规回归假设下是否依然可见。
- DML 式残差化： 应用 DML 来检验在灵活控制调整下的稳定性。通过使用机器学习学习器（随机森林 RF、梯度提升 GBM 和支持向量机 SVM）来估计扰动函数，将结果变量（ $Y$ ）和焦点预测变量（ $D$ ）对控制向量（ $X$ ）进行回归。随后利用残差来估计焦点关系。采用交叉拟合（cross-fitting）以防止过拟合。
- 敏感性检查： 框架包括学习器敏感性检查（比较 RF、GBM、SVM）和得分敏感性检查（比较因子得分与复合得分）。同时进行选定的反向诊断，以测试方向的稳健性。
第二层：综合解释
- 对来自 SEM、OLS 和 DML 的输出进行跨方法、跨得分类型和跨学习器的比较。
- 根据收敛性或分歧性对路径进行分类：
  - 强稳健（Strongly Robust）： 在所有方法下方向和显著性均保持稳定。
  - 部分稳健/DML 敏感（Partly Robust/DML-Sensitive）： 方向稳定，但在灵活控制调整下显著性减弱。
  - 得分敏感（Score-Sensitive）： 结果高度依赖于使用因子得分还是复合得分。
  - 方向不稳定（Directionally Unstable）： 符号发生翻转，或反向诊断显示对相反方向有更强的支持。

实证演示
该框架应用于一个包含 17 条结构路径和构念（如感知质量、用户体验、信任和情感连接）的金融科技数字客户亲密度（DCI）调查模型。

结果： 大多数路径（例如 $PQ \to AT$ 、 $AT \to BI$ 、 $EC \to DCI$ ）在 SEM、OLS 和 DML 学习器以及两种得分类型下均表现出强稳健性。
细微发现：
- $UB \to SA$ （使用行为到满意度）： 在 SEM 和因子得分 DML 中显著且为负，但在复合得分检查中微弱或不显著，表明存在得分表示敏感性。
- $TR \to EC$ （信任到情感连接）： 在 SEM 中不显著，但在基于得分的检查中显著且具有符号敏感性，需要进行理论审查。
- $CA \to AT$ （客户意识到态度）： 在所有方法中均较弱，表明如果理论依据薄弱，该路径可能是剔除的候选对象。
- 反向诊断： 情感连接与 DCI 之间的关系在两个方向上均表现出稳定性，表明存在互惠关联。

核心贡献

实践工作流： 本文提供了一个可重复的、阶段式的流程，用于将 SEM 暗含的路径转化为 OLS 和 DML 式的稳健性检查，而并非将机器学习视为潜变量建模的替代品。
诊断清晰度： 它明确了如何在基于调查的研究中解释得分表示敏感性（因子得分 vs. 复合得分）和学习器敏感性（RF vs. GBM vs. SVM）。
资源可用性： 作者提供了 Google Colab 工作簿和通过 Zenodo 生成的结果文件，为研究人员提供了一个可复用的模板，以便将其应用于其他基于调查的潜构念研究中的稳健性工作流。

意义与主张
本文将该框架定位为一种“模型决策支持过程”，而非简单的稳健性附录。其主要意义在于将研究实践从“先剔除后检查”（在 SEM 后立即移除不显著路径）转向“先检查后决策”的方法。通过保留完整的理论路径系统以进行下游稳健性分析，研究人员可以基于来自潜变量建模、透明回归和灵活机器学习调整的证据收敛来做出最终的结构决策。

作者明确指出，该方法旨在加强稳健性评估，但并不建立确定的因果主张（干预性或反事实性）。该框架旨在识别哪些关系是稳定的，哪些需要谨慎解释、进一步的理论讨论或纵向验证。它通过将 DML 特别定位为针对潜构念模型的后置 SEM 诊断工具，解决了方法论上的空白，这有别于 DML 在因果推断中作为主要估计器或在 SEM-ML 集成研究中作为预测工具的用途。