结构方程模型讲义完整课件.pptx

  1. 1、本文档共62页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
结构方程模型讲义 Structural Equation Modeling;Structural Equations with Latent Variables (Hardcover) by Kenneth A. Bollen (Author) Readers of this book are likely to have diverse backgrounds in statistics... (more) Key Phrases: subjective occupational prestige, component fit measures, subjective socioeconomic status, New York, Sociological Methodology, San Francisco (more...) 4.7 out of 5 stars See all reviews (6 customer reviews) List Price: $153.95 Price: $123.16 this item ships for FREE with Super Saver Shipping. Details You Save: $30.79 (20%) ;Structural Equation Modeling: A Second Course (Quantitative Methods in Education and the Behavioral Sciences) (Paperback) by Gregory R. Hancock (Editor), Ralph O. Mueller (Editor) 5.0 out of 5 stars See all reviews (2 customer reviews) List Price: $39.99 Price: $39.99 this item ships for FREE with Super Saver Shipping. Details;SEM历史;什么是SEM?;什么是SEM?;什么是SEM?;SEM的步骤1:模型的描述;SEM的步骤2:模型的识别;SEM步骤3:数据;SEM步骤4:估计;探索性因子分析 Exploratory Factor Analysis , EFA;回顾因子分析;样本量;验证性因子分析 Confirmatory Factor Analysis, CFA;验证性因子分析(Confirmatory Factor Analysis, CFA);;;样本量;模型确认和识别;因果模型的识别;过度识别;;例1. 下面路径图的含义;(x1,x2,y1,y2)的协方差矩阵;因果模型(什么是因果?);注意;模型的检验和评价;因果模型的建立;路径模型设定;;;这里,包含有b的B矩阵、h及z是未知的。而B矩阵的形式完全被图模型所确定。;这里,包含有l的L矩阵、h是未知的,而x是可观测的。而L矩阵的形式完全被图模型所确定。;模型基本假定;可测变量假定;隐变量之间关系的假定;参数估计;ML;ULS;GLS;收敛问题;信度和效度(不是数学可以解决的);模型评估策略;模型评价;模型评价;模型拟合; ; ; ;拟合评估(内在);测量模型的评估;测量模型的评估;测量模型的评估;结构模型的评估;关于拟合指标;模型修正;模型修正方法;注意;J?reskog (1973)[1]提出用最大似然法(ML)估计相关的结构方程模型,由于相应的软件LISREL,也称为ML-LISREL模型。Word (1975)[2]提出了偏最小二乘方法(PLS)解路径模型问题。ML方法需要假定分布,而PLS不需对分布做任何假定。这两个方法除了研究对象之外是根本不同的。;ML对MV和LV的协方差距阵建模,并在建模过程中预测MV和LV,它还假定MV的观测值有某确定独立多元分布。而在PLS不用假定独立性,也不用假定任何分布。在ML方法中,参数估计是相合的,但LV的值是不可估计的。在PLS中,所有的LV的值都是可估计的,为相关块的观测值的加权平均;它给出的参数值和LV值不是相合的,但,但是当相应观测值很多时,趋于相合。对于独立系统,PLS(而不是ML-LISREL)对结构关系提供了确定的因果预测方向。;Sohn Park(2001)[3]的蒙特卡罗模拟比较表明:(1)以均方误差和对因子载荷的方差为标准,在数据量小,而且表现出稍微非正态时,ML性能最差;当数据是正态或近似正态时,在ML和PLS之间没有显著差别,(2)以因子载荷的偏差为标准,无论数据量大小,ML随着非正态增加而性能变差,(3)以回归系数的均方误差为标准,PLS比ML要好。

文档评论(0)

xingyuxiaxiang + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档