潜变量交互效应建模: 告别均值结构

潜变量交互效应建模研究近年来有了长足的发展, 但模型中被认为不可缺少的均值结构往往让实际应用工作者却步。本文首先分析了潜变量交互效应模型中均值结构产生的根源; 然后讨论了指标变换与均值结构的关系; 接着提出了一个均值为零的潜变量交互结构, 所建立的模型不需要均值结构, 却不会改变主效应和交互效应等参数; 最后用模拟例子对无均值结构和有均值结构的两种模型的参数估计进行了比较, 结果符合理论预期, 困扰人们多年的均值结构问题从此可以终结。     

潜变量交互效应分析方法

简要回顾了分析显变量交互效应的常用方法。详细讨论了目前分析潜变量交互效应的主要方法,包括用潜变量的因子得分做回归分析、分组线性结构方程模型分析、加入乘积项的结构方程模型分析和两步最小二乘回归分析,并比较和评价了这些方法的优缺点。最后归纳了潜变量交互效应分析方法的研究趋势,并介绍了新近进展(包括LMS方法和GAPI方法)。     

潜变量交互效应结构方程：分布分析方法

对于潜变量交互效应结构方程分析,目前应用较多的是乘积指标方法.分布分析方法国内还罕有应用,包括潜调节结构方程（LMS）方法和准极大似然（QML）方法.该研究以乘积指标方法的模型假设为参照,介绍了分布分析方法的模型假设.并简要叙述了LMS方法及其Mplus程序,QML方法及其QML程序.综合现有研究结果,总结出LMS和QML方法、无约束和约束方法的特点,从中可以看出各方法的优缺点,推荐了不同条件下合适的分析方法.     

潜变量交互效应标准化估计：方法比较与选用策略

标准化估计对模型的解释和效应大小的比较有重要作用。虽然潜变量交互效应的恰当标准化估计公式已经面世超过10年, 国内外都在使用和引用, 但至今未见到关于不同估计方法得到的恰当标准化估计的系统比较。通过模拟实验, 比较了乘积指标法、潜调节结构方程(LMS)、无先验信息和有先验信息的贝叶斯法的潜变量交互效应标准化估计在不同条件下的表现。结果发现, 在正态条件下, LMS和有信息贝叶斯法表现较好; 而在非正态条件下, 乘积指标法比较稳健, 但需要较大的样本(不小于500), 小样本且外生潜变量之间相关很低时可使用无信息贝叶斯法。     

无均值结构的潜变量交互效应模型的标准化估计

潜变量交互效应建模研究近年来有两项重要进展, 一是提出了潜变量交互效应模型的标准化估计及其计算公式; 二是发现无均值结构模型可以取代传统的有均值结构模型, 建模大为简化。但标准化估计是在传统的有均值结构模型中建立的, 在简化的模型中同样适用吗？本文在无均值结构模型的框架内, 给出了潜变量交互效应模型的标准化形式、计算公式和建模步骤, 并通过模拟研究比较了极大似然和广义最小二乘两种估计方法、配对乘积指标和全部乘积指标两种指标类型, 结果表明, 在计算交互效应的标准化估计时, 应当使用配对乘积指标建模, 并且首选极大似然估计。     

潜变量交互效应模型标准化估计中的检验问题

讨论了潜变量交互效应模型是否能直接用统计软件输出的原始估计的t值对模型的标准化估计进行检验的问题,详细介绍了标准化估计的t值计算及其难点,用Bootstrap方法算出标准化估计的标准误和相应的t值（记为t_bs）,并将其与原始估计的t值比较.结果发现,当原始估计t值超过3时,无论用t值还是用t_ bs检验,结果都是显著,即可以使用t值进行检验.而当t值不超过3时,与t_bs很接近,也可以用t值检验,但t值在临界值附近（例如1.5 ～2.5）时,最好还是使用Bootstrap法计算t_bs进行检验.     

潜变量建模的贝叶斯方法

贝叶斯统计是统计学的两大流派之一,近年来贝叶斯统计在社会及行为科学领域日益流行。鉴于国内心理学界对贝叶斯统计应用仍不广泛,本文尝试从非技术性的角度对贝叶斯统计用于潜变量建模的过程进行简要介绍。主要涉及贝叶斯与频率论在统计学基本概念上的对比;贝叶斯统计的基本原理和分析过程。最后以一个验证性因子分析为例,简要介绍贝叶斯统计用于潜变量建模的分析过程。希望本文能为国内心理学者进行潜变量建模提供新的视角。     

二阶潜增长模型标度方法及其可比的一阶潜增长模型

潜增长模型(LGM)是分析纵向数据的一种强有力工具,在心理学和其他社会科学研究领域受到重视。多指标测量的变量,既可以用合成分数建立单变量LGM(一阶LGM),也可以用指标建立潜变量LGM(二阶LGM)。简述了二阶LGM标度方法(包括尺度指标法和效应编码),提出了有可操作性的潜变量标准化标度方法和合成分数的一阶LGM标准化模型。系统总结了二阶LGM标度方法及其可比的一阶LGM建模,并用多指标变量的实测数据进行示例。推荐使用效应编码法对二阶LGM进行标度和标准化。     

如何描述发展趋势的差异：潜变量混合增长模型

在追踪研究中,研究者不仅关心某一特质随时间的发展趋势,而且关注个体之间发展趋势的差异及其存在差异的原因。在总体发展同质的情形下,多层线性模型和潜变量增长曲线模型为解决这一问题提供了切实有效的方法。但是如果所研究的总体本身不同质,就需要一种能够描述总体中不同质子总体的不同发展特点的方法。该文简要介绍了一种能够描述不同群体不同发展趋势特征的统计模型——潜变量混合增长模型,并通过一个实际例子介绍了这一方法的应用过程,同时说明了潜变量混合增长模型与多层线性模型和潜变量增长曲线模型之间的关系     

结构方程建模中的题目打包策略

结构方程建模中题目打包法的优缺点包括：指标数据质量变好、模型拟合程度提高; 估计偏差不大, 可校正; 估计稳定, 但降低了敏感性与可证伪性。打包法的前提条件是单维、同质, 适合结构模型分析, 不适合测量模型分析。对于单维测验, 给出了一个打包流程。对于通常的多个子量表(多维结构)测验, 推荐在子量表内打包, 每个子量表打包成1个指标或者3个指标, 用于结构方程建模。     

纵向数据的调节效应分析

目前调节效应检验主要是基于截面数据, 本文讨论纵向(追踪)数据的调节效应分析。如果自变量X和因变量Y有纵向数据, 调节效应可分为三类：调节变量Z不随时间变化、Z随时间变化、调节变量从自变量或因变量中产生。评介了基于多层模型、多层结构方程模型、交叉滞后模型和潜变量增长模型的纵向数据的多种调节效应分析方法。调节效应的分解和潜调节结构方程法的使用是纵向数据的调节效应分析的两大特点。对基于四类模型的调节效应分析方法进行综合比较后, 总结出一个纵向数据的调节效应分析流程。随后用实际例子演示如何进行纵向数据的调节效应分析, 并给出相应的Mplus程序。随后展望了纵向数据的调节效应分析的拓展方向, 例如基于动态结构方程模型的密集追踪数据的调节效应分析。     

Factor analysis with (mixed) observed and latent variables in the exponential family

We develop a general approach to factor analysis that involves observed and latent variables that are assumed to be distributed in the exponential family. This gives rise to a number of factor models not considered previously and enables the study of latent variables in an integrated methodological framework, rather than as a collection of seemingly unrelated special cases. The framework accommodates a great variety of different measurement scales and accommodates cases where different latent variables have different distributions. The models are estimated with the method of simulated likelihood, which allows for higher dimensional factor solutions to be estimated than heretofore. The models are illustrated on synthetic data. We investigate their performance when the distribution of the latent variables is mis-specified and when part of the observations are missing. We study the properties of the simulation estimators relative to maximum likelihood estimation with numerical integration. We provide an empirical application to the analysis of attitudes.