主观幸福或许可以用多种方式进行衡量与评估，它们既可以是生理学、神经生物学方面的指标，也可以是被观察到的社会和非语言行为的指标，还可以是问卷的指标。方法的选取决定于具体要研究的问题。在方法选定之后，幸福的许多不同维度和领域都可以有效地予以区分。虽然这些幸福的测度方法并不能以一种理想的方式完全达到这些标准，但它们的一些不足对目前的研究目标没有太大影响或根本没有影响。因为，所有社会学科的衡量标准都是不完善的，包括国民生产总值方法及其扩展方法的可持续的经济福利指数以及人类发展指数等社会指标。有关这些替代方法的讨论显示，它们并不能完全取代主观幸福指标，但它们确实能通过考虑其他可能被忽略的层面对自述的主观幸福予以补充。
对于幸福感的测度，西方心理学家、社会学家和经济学家等已经探索了几十年，具有了一定的知识和经验积累。即便如此，尚未有任何一种幸福测度工具能够得到普遍认同，许多测度量表仍处在不断改进之中。中国与西方的社会文化背景及其反映形式之一的社会心理都存在差异，从而对于幸福的理解不会完全相同，感受幸福的方式也会有所差异。因此，如若研制出一套既符合中国国情又体现国际水平的居民幸福测度工具，尤其是获得可以作为发展规划和社会政策参考的幸福指数，尚有待进行高水准、创新性的多学科合作研究。
鉴于人们主观感觉的重要性，如果能够对之作出精确描述并予以准确测度是一件有意义的事情。然而，无论基于哪一个学科的测量标准，它确实又无法达到科学研究所推崇的精确程度。不过，尽管科学所开发出来的方法论与概念工具还不能让人们准确测度个体感觉，但至少可以帮助人们了解人类总体幸福的规律性。主观体验的本质决定了根本就不可能有真正的幸福测度计。也就是说，在目前条件下，观察者不可能使用一件可靠的工具或仪器来精确测度人的主观体验并读出读数，记录测度结果，并将该结果同其他测度结果进行比较。如若物理学方面的测量仪器不能够测度人类幸福，受访者的如实描述当属是一种比较恰当的手段和方式，虽然它不十分精准。同时，测度过程的不完美也会带来一些问题。但是，遵从统计学上的“大数法则”，便可以很好地解决一些测度技术方面的问题。
本书对居民幸福测度量表的编制，基于以下理论考虑。
（1）以居民幸福的概念分析为基础。本书研究的幸福是一种主观性的概念，即指人们在感受外部事物时带给内心的愉悦、祥和、满足的心理状态，并有三个衡量标准：第一，是一种纯粹个人的感受；第二，同时考虑个人心理健康程度；第三，对于个人生活诸方面幸福予以全方位的评价。
（2）以需求层次理论为基础。无论是马斯洛提出的需要阶梯和自我实现等理论，还是克雷顿·埃尔德弗的ERG理论即人本主义需求理论，都无一例外地考虑到了人本身的感受和需求。马斯洛的需求层次理论将人的需求划分为五个层次，由低到高分别为：生理需求、安全需求、社交需求、尊重需求及自我实现需求。埃尔德弗在马斯洛需求层次理论的基础上概括、改进，提出了生存需要、相互关系需要和成长发展需要三大人类核心需要。从需求层次理论看，个体的一切行为源自于需求，同时又以满足需求作为行为的目标，居民幸福作为一种评价指标，指向是人的自身感受，衡量的是人们对幸福的期望与需求的满足程度。
（3）以居民幸福指标的时空维度为基础。量表测度指标的内在结构为7个方面：健康生活→亲情友情→工作保障→生活环境→政府管理→国家强盛→幸福信心，体现由微观到宏观，由静态到动态，从现在到未来的设计思路。评价指标贯串着一条主线——社会公众的快乐与幸福，所有的问题都围绕着这一主线展开。7个方面指标图示见图3－1。
图3－1 居民幸福测度的7个维度
居民幸福测度遵从4个衡量标准：可靠性、有效性、一贯性及可比性。
（1）可靠性是指测度幸福同一维度的不同方法之间要能互相验证或验证程度比较高，同时还包括对一个调查者不同时间上的测度结果要有稳定性。
（2）有效性是指设计的指标要准确度量所要反映的内容，即被调查者对问题的回答可以反映其真实感受。
（3）一贯性是指测度指标所衡量的个人幸福与其他对同一现象的观察结果之间的互相验证程度。
（4）可比性是指测度结果能够在不同文化条件下、不同国度、不同地域进行比较，因为自述幸福会因文化差异而产生误差，研究者也在尝试用各种方法来解决这些误差问题。虽然误差存在，但也绝非不能进行跨文化、跨国度、跨地域的比较。
一、结构方程模型
（一）结构方程模型的概念与步骤
结构方程模型是探究理论与概念之间关系和结构的统计方法。它将一些无法直接观测而又欲研究探讨的问题作为潜变量，并通过一些可以直接观测的变量来进行反映，从而建立起潜变量之间的结构关系。结构方程模型整合了因子分析、路径分析和多重线性回归分析的思想方法，是统计学、经济学、管理学、社会学、心理学、教育学等领域探索现象之间关系和测量因果关系的一种非常有用的方法。结构方程模型包括测量模型与结构模型。测量模型测度观测变量与潜变量之间的关系，结构模型测度潜变量与潜变量之间的关系。
模型中各变量之间的关系可表示为下述3个矩阵方程式：
方程（1）是结构模型，它通过β和Γ系数矩阵以及误差向量ζ把潜在变量之间联系起来。方程（2）和（3）是测度模型，通过这两套线性方程连接观测变量与相应的潜在变量η和ξ。其中，η为内生潜变量向量；ξ为外生潜变量向量；β为内生变量影响系数矩阵，反映内生变量之间的关系；Γ为外生变量影响系数矩阵，反映外生变量对内生变量的影响；ζ为随机误差项矩阵；x为外生指标矩阵；y为内生指标矩阵；Λx为外生指标与外生潜变量之间的关系，是外生指标在外生潜变量上的因子负荷矩阵；Λy为内生指标与内生潜变量之间的关系，是内生指标在内生潜变量上的因子负荷矩阵；δ、ε为随机误差项矩阵。结构方程要估计的参数包括：外生潜变量与内生潜变量的结构方程系数；观测变量与潜变量的测度方程系数；反映剩余误差的大小的观测变量误差项估计；反映观测变量之间关联的误差项与误差项之间协方差的估计；外生潜在变量的方差。
结构方程模型分析主要步骤如下。
第一，根据研究目的进行模型设定。此步骤要初步拟定上述方程组，或者绘制路径图。
第二，确定所设定的模型是否能够被识别。此步骤要正确地判断模型的识别度，并作出相应的调整。
第三，对模型参数进行估计。模型参数可以采用几种不同的方法来估计，通常采用最大似然法和广义最小二乘法。
第四，对模型进行评价与修正。进行模型估计之后，要对模型的整体拟合效果和单一参数的估计值进行评价。如果模型拟合效果不好，可予以修正。
（二）结构方程模型的主要特征
与传统的统计建模方法相比，结构方程模型具有如下特点。
在传统统计方法特别是计量模型中，自变量通常都是默认可直接观测，不存在观测误差。但是对于经济学、管理学等社会科学领域很多研究课题来说，模型所涉及的自变量常常不可观测，结构方程模型将这种测度误差纳入模型，能够加强模型对实际问题的解释性。
2．可同时处理多个因变量
在回归模型中，只允许有一个因变量。但是在经济学、管理学、社会学、心理学等社会科学领域，因变量常常有许多个，类似问题运用结构方程模型便可轻而易举地解决。
3．可在一个模型中同时进行各个潜变量的测度和探索潜变量之间的关系
传统的统计方法中，对研究因子本身的测度和各个因子之间的关系往往是分开来处理的，即对各个因子先分别进行测度，评估其信度与效度，通过评估标准之后，才将测度结果用于进一步分析。在结构方程模型中，则允许将因子测度和各因子之间的结构关系同时纳入模型予以拟合，这不仅可以检验因子测量的信度和效度，还可以将测量信度的概念整合到路径分析等统计推论中。
4．允许更具弹性的模型设定
在传统建模技术中，模型的设定通常限制较多，例如，单一指标只能从属于一个因子，模型自变量之间不能有多重共线性等。结构方程模型中则限制相对较少，例如，结构方程模型既可以处理单一指标从属于多个因子的因子分析，也可以处理多阶的因子分析模型；在因子结构关系拟合上，也允许自变量之间可能存在共变方差关系。
二、因子分析
（一）因子分析方法的概念与步骤
因子分析方法是指从研究指标相关矩阵内部的依赖关系出发，把一些信息重叠、具有错综复杂关系的变量归结为少数几个不相关的综合因子的一种多元统计分析方法。其基本思想是：根据相关性大小把变量分组，使得同组内的变量之间相关性较高，但不同组的变量不相关或相关性较低，每组变量代表一个基本结构即公共因子。
因子分析法的主要步骤如下：
（1）对数据样本进行标准化处理；
（2）计算样本的相关矩阵；
（3）求相关矩阵R的特征根和特征向量；
（4）根据系统要求的累积贡献率确定主因子的个数；
（5）计算因子载荷矩阵；
（6）确定因子模型；
（7）根据上述计算结果，对系统进行分析。
因子分析包括探索性因子分析和验证性因子分析两种方法。两种因子分析相同点是都以普通因子分析模型作为理论基础，其主要目的都是浓缩数据，通过对诸多变量的相关性研究，可以用假想的少数几个变量来表示原有变量的主要信息。探索性因子分析主要应用于三个方面：探求数据基本结构、化简数据、发展测度量表。验证性因子分析允许研究者将观测变量依据理论或预先假设构成测度模式，之后对该因子结构与理论界定的样本资料间符合程度予以评估。验证性因子分析主要应用于三个方面：对测度量表的维度、有效因子结构进行验证；对因子层级关系进行验证；对测度量表的信度、效度进行评估。
（二）因子分析方法的主要特征
现分述探索性因子分析与验证性因子分析的差异及特征。
（1）探索性因子分析主要是为了找出影响观测变量的因子个数，以及各个因子和各个观测变量之间的相关程度，以试图揭示一套相对比较大的变量的内在结构。而验证性因子分析的主要目的是决定事前定义因子的模型拟合实际数据的能力，以试图检验观测变量的因子个数和因子载荷是否与基于预先建立的理论的预期一致。指标变量是基于先验理论选出的，而因子分析是用来看它们是否如预期的一样。其先验假设是每个因子都与一个具体的指示变量子集对应，并且至少要求预先假设模型中因子的数目，但有时也预期哪些变量依赖哪个因子。
（2）探索性因子分析没有先验信息，而验证性因子分析有先验信息。探索性因子分析是在事先不知道影响因子的基础上，完全依据样本数据，利用统计软件以一定的原则进行因子分析，最后得出因子的过程。在进行探索性因子分析之前，不必知道要用几个因子，以及各因子和观测变量之间的关系。在进行探索性因子分析时，由于没有先验理论，只能通过因子载荷凭知觉推断数据的因子结构。因此，探索性因子分析更适合于在没有理论支持的情况下对数据的试探性分析。这就需要用验证性因子分析来做进一步检验。而验证性因子分析则是基于预先建立的理论，要求事先假设因子结构，其先验假设是每个因子都与一个具体的指示变量子集对应，以检验这种结构是否与观测数据一致。也就是在上述数学模型中，首先要根据先验信息判定公共因子数，同时还要根据实际情况将模型中某些参数设定为某一定值。这样，验证性因子分析也就充分利用了先验信息，在已知因子的情况下检验所搜集的数据资料是否按事先预定的结构方式产生作用。
（3）探索性因子分析的假设主要包括：所有公共因子都是否相关；所有的公共因子都直接影响所有的观测变量；特殊因子间相互独立；所有观测变量只受一个因子的影响；公共因子与特殊因子相互独立。验证性因子分析克服了探索性因子分析假设条件约束太强的缺陷，其假设主要包括：公共因子之间可以相关，也可以无关；观测变量可以只受一个或几个公共因子的影响，而不必受所有公共因子的影响；特殊因子之间可以相关，还可以出现不存在误差因素的观测变量；公共因子与特殊因子之间相互独立。
（4）探索性因子分析主要步骤如下：收集观测变量；构造相关矩阵；确定因子个数；提取公因子；因子旋转；解释因子结构；计算因子得分。验证性因子分析主要步骤如下：定义因子模型；收集观测值；获得相关系数矩阵；拟合模型；评价模型；修正模型。如果模型拟合效果不佳，应根据理论分析修正或重新限定约束关系，对模型进行修正，以得到最优模型。
本书运用因子分析主要进行居民幸福测度量表的项目分析，居民幸福测度指标体系的探索性、验证性分析。
三、决策树模型
决策树模型是指运用概率论的原理，利用树形图作为分析工具的一种研究方法。其基本原理是用决策点代表决策问题，用方案分枝代表可供选择的方案，用概率分枝代表方案可能出现的各种结果，经过对各种方案在各种结果条件下损益值的计算比较，为决策者提供决策依据。决策树分析法是常用的风险分析决策方法。该方法是一种用树形图来描述各方案在未来收益的计算。比较以及选择的方法，其决策是以期望值为标准的。人们对未来可能会遇到几种不同的情况。每种情况均有出现的可能，人们目前无法确知，但是可以根据以前的资料来推断各种自然状态出现的概率。在这样的条件下，人们计算的各种方案在未来的经济效果只能是考虑到各种自然状态出现的概率的期望值，与未来的实际收益不会完全相等。如果一个决策树只在树的根部有一决策点，则称为单级决策；若一个决策不仅在树的根部有决策点，而且在树的中间也有决策点，则称为多级决策。
决策树一般都是自上而下生成的。每个决策或事件都可能引出两个或多个事件，导致不同的结果，把这种决策分支画成的图形很像一棵树的枝干，故称决策树。
本书运用决策树分析主要探讨影响居民幸福的不同因素。
四、其他统计分析方法
（一）平均数比较
运用T检验等方法检验变量在不同组别幸福指数之间的差异。
（二）对应分析
对应分析也称关联分析、R－Q型因子分析，它的基本思想是将一个列联表的行和列中各元素的比例结构以点的形式在较低维的空间中表示出来，分析由定性变量构成的交互汇总表来揭示同一变量各个类别之间的差异以及不同变量各个类别之间的对应关系，并把几组看不出联系的数据通过视觉上可以接受的定位图展现出来。本书运用此方法主要对不同维度上的居民幸福进行比较分析。
（三）相关系数分析
本书运用相关系数分析方法主要计算居民幸福总指数与单项指数之间相关系数，以反映某个单项指数的重要程度。
（四）满意度、重要度矩阵分析
将居民幸福或公共服务满意度、重要度置于不同象限中，找出决定性因素。
（五）可靠性分析
用来分析居民幸福测度量表的有效性。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
