оказываются причинные связи. Несмотря на это различие, уравнения регрессии 
можно использовать для оценки структурных уравнений, если выполняется ряд 
условий. Во-первых, идентифицированные в данной модели причинные переменные не 
должны зависеть от др. неустановленных причин или, в противоположной 
формулировке, все существенные причинные переменные, связанные с изучаемым 
явлением, должны быть точно определены. Следовательно, М. с. у. требует высокой 
концептуальной (понятийной) и теорет. точности. Во-вторых, переменные, входящие 
в данную модель, являются либо дихотомическими, либо линейно взаимосвязанными. 
Линейные структурные модели можно эффективно использовать в исслед. нелинейных 
связей, если провести соотв. преобразования. В-третьих, причинные переменные 
либо измеряются без погрешности, либо предусматриваются эксплицитные процедуры 
для оценки ошибки измерения, как это имеет место при использовании 
многопараметрического комплексного анализа в моделях множественных индикаторов 
(multiple indicator models). В четвертых, направление и порядок причинных 
связей среди изучаемых переменных должны быть явно определены. Хотя это, 
возможно, не представляет особой проблемы в случае рекурсивной модели, 
моделирование реципрокной причинности требует использования более тонких и 
сложных аналитических процедур. Если эти четыре условия выполняются, тогда 
можно предложить причинную интерпретацию значений соотв. структурных 
коэффициентов.
    В науках о поведении крайне мало представляющих интерес явлений, к-рые 
поддаются адекватному описанию и анализу с т. зр. простой связи «причина —> 
следствие». Обычно поведенческие феномены встроены в сеть причинных отношений, 
что требует применения более мощных и точных аналитических процедур. Поскольку 
линейная регрессионная модель служит основой практически для всех 
статистических методов, используемых в поведенческих науках, в тех случаях, 
когда реальная и теорет. сложность превышает ограничения двумерной рекурсивной 
модели, в анализ могут вводиться др. линейные модели. Если целью анализа 
является идентификация множественных независимых переменных (предикторов), то 
можно применить модель множественной регрессии. Если, в дополнение к этому, 
приходится иметь дело с множественными зависимыми переменными, тогда можно 
воспользоваться многомерной регрессией. Наконец, если есть признаки реципрокных 
причинных связей между эндогенными переменными, тогда лучше всего использовать 
общую линейную модель структурных уравнений.
    В целях иллюстрации общей линейной модели структурных уравнений кратко 
рассмотрим пример из девяти переменных. Связи между этими гипотетическими 
переменными можно изобразить схематически следующим образом:
    
    Эти девять переменных разделяются на три характерные категории: эндогенные 
переменные, экзогенные переменные и возмущающие члены. Аналогично переменной У 
в двумерной модели, эндогенные переменные — это переменные, значения которых 
полностью определяются причинными связями, заданными в исследуемой модели. В 
нашем примере эндогенные переменные представлены переменными D, Е и F. 
Экзогенные переменные — А, В и С — это переменные, в отношении к-рых 
предполагается, что теоретически они могут оказывать заметное воздействие на 
эндогенные переменные, однако их значения определяются внешними процессами, не 
включенными на данный момент в рассматриваемую модель. Связанные с каждой 
эндогенной переменной возмущающие члены (и) показывают, какая доля изменчивости 
соотв. эндогенной переменной не объясняется др. переменными, входящими в данную 
модель. Как можно заметить на приведенной выше структурной схеме, ряд логически 
возможных причинных связей не определен (напр. А—Е, B—F, C—D).
    Эту причинную модель можно преобразовать в следующую систему из трех 
структурных уравнений:
    D = bDAА + bDВВ + uD,
    Е = bEBВ + bEDD + bEFF + uE,
    F = bFCC + bFEE + uF.
    Полученная система уравнений отображает структурную модель поведенческих и 
стохастических процессов, предположительно порождающих определенное множество 
данных.
    Хотя при использовании М. с. у. приходится решать целый ряд технических 
вопросов (напр. задачи идентификации модели и оценивания параметров), роль 
теории остается крайне важной. Несмотря на применение в анализе предполагаемых 
причинных связей строго установленных статистических методов, начальный импульс 
и главные ориентиры М. с. у. определяются взаимодействием теорет. и 
методологических соображений.
    См. также Теория алгоритмически-эвристических процессов, Каузальное 
мышление, Когнитивная сложность, Общие системы, Человеческие факторы, 
Множественная регрессия, Научный метод
    Д. Никинович
    
   Моделирование (simulation)
    
    М. — это имитация естественных ситуаций, при к-рой человек в идеале должен 
вести себя так, как если бы это была реальная ситуация. Преимущество модели в 
том, что она позволяет испытуемому реагировать на ситуацию, не сталкиваясь с 
опасностями естественной ситуации. Во мн. психол. экспериментах (особенно в соц.
 психол.), моделируется все, кроме решающей переменной. Предельным случаем М., 
однако, является мат. или машинное (компьютерное) М., — когда изучаемые 
элементы или процессы могут замещаться мат. символами (или наборами машинных 
команд). Психодрама является примером М. в психотер., где личность играет роль