预测视角下双因子模型与高阶模型的模拟比较

双因子模型和高阶因子模型,作为既有全局因子又有局部因子的两个竞争模型,在研究中得到了广泛应用。本文采用Monte Carlo模拟方法,在模型拟合比较的基础上,比较了效标分别为外显变量和内潜变量时,两个模型在各种负荷水平下预测准确度的差异。结果发现,两种模型在拟合效果方面无显著差异;但在预测效度方面,当效标为显变量时,两个模型的结构系数估计值皆为无偏估计;而效标为潜变量时,高阶因子模型表现优于双因子模型:高阶因子模型的结构系数为无偏估计,双因子模型的结构系数估计值则在50%左右的情况下存在偏差。     

在亚健康状态研究中运用结构方程模型的合理性

亚健康状态是处于健康与疾病之间的一种“非病但非健康”的中间状态,主要表现为躯体、心理和社会适应等方面的不适,目前尚没有公认的概念和测量诊断工具。由于亚健康状态研究数据中含有潜变量、测量误差以及变量间关系需要确定等因素,不能使用传统的统计学方法进行处理。结构方程模型能够同时处理观测变量、潜变量、测量误差及变量间的关系,应用结构方程模型验证亚健康状况测量量表的结构效度和亚健康状态理论模型是非常合理的。     

数学家庭作业动机量表在中国青少年群体中的信效度检验

目的:在中国青少年中对数学家庭作业动机量表进行修订并考察其信效度。方法:采用方便取样选取762名青少年,对数学家庭作业动机量表进行项目分析、探索性因素分析、验证性因素分析、测量等值性检验以及信效度分析。结果:中文版数学家庭作业动机量表包括认同调节、内部动机、外在调节和内摄调节4个因素,并具有跨性别和跨年龄组的测量等值性以及良好的效标效度和信度。结论:修订后的数学家庭作业动机量表具有良好的心理测量学指标,可以作为测量和评估中国青少年数学家庭作业动机的有效工具。     

结构方程模型中调节效应的标准化估计

回归分析和结构方程分析中,标准化估计对解释模型和比较效应大小有重要作用。对于调节效应模型（或交互效应模型）,通常的标准化估计没有意义。虽然显变量的调节效应模型标准化估计问题已经解决,但潜变量的调节效应模型标准化估计问题复杂得多。本文先介绍回归分析中显变量调节效应模型的标准化估计,然后提出了一种通过参数的原始估计和通常标准化估计来计算潜变量调节效应模型的“标准化”估计的方法,得到的“标准化”估计是尺度不变的,说明可以用“标准化”估计来解释和比较主效应和调节效应     

共同方法变异的影响及其统计控制途径的模型分析

共同方法变异(common method variance, CMV)指两个变量之间变异的重叠是因为使用同类测量工具而导致, 而不是代表潜在构念之间的真实关系。虽然以往研究显示CMV不一定导致研究结果的偏差, 在实际研究中应当加以考量。特别是在使用测量方法的研究中, 如果数据来源越单一, 测量方法越类似, CMV效应使研究结果产生偏差的可能性越大。CMV效应的控制方法包括过程控制法和统计控制法。在统计控制法的选择和使用上, 需要重点考虑该方法是否分离了三大变异(特质变异、方法变异和误差变异), CMV效应是在测量构念层面还是题目层面, CMV效应是加法效应还是乘法效应。控制潜在方法因子途径是统计控制方法中最重要的一类方法, 理解其模型是正确使用这类方法的前提。未来研究应当关注多个研究的CMV效应和侧重评估某个理论研究中CMV所引起的潜在的效度威胁。     

主观幸福感:稳定的人格特质还是情境状态

为了探究主观幸福感各项指标的稳定性及其变化的情况,在一年的时间内对360名大学生的主观幸福感进行了3次追踪测量,分别采用潜特质-状态模型(LST Model)中的经典模型、特质-状态-情境模型(TSO Model)以及测量指标-特殊特质模型(IT Model)对生活满意度、积极情感、消极情感等主观幸福感指标的稳定性和变化性进行评估。结果表明,只有测量指标-特殊特质模型与数据拟合良好,该模型中各变量的一致性系数都显著的高于情境特异性系数,这说明,主观幸福感更可能是一种稳定的人格特质。此外,研究还发现积极情感和消极情感的一致性系数远高于生活满意度的一致性系数,这表明人们的积极情感和消极情感比生活满意度具有更高的稳定性。     

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。     

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。     

乌特勒支恋家症量表在大学生中的信效度检验

为检验中文版乌特勒支恋家症量表在大学生群体中的信效度,使用样本1(n=1071),进行信效度检验与测量等值性,使用样本2(n=177,连续5期)检验跨时点的纵向测量等值性。结果表明中文版乌特勒支恋家症量表为五因子结构,包含想家、孤独、想念朋友、适应困难和关于家庭的沉思5个维度,具有良好的信效度、效标效度与测量等值性。意味该量表适合在我国大学生群体中使用,并能够用于跨性别、年级以及时点的相关研究。     

问卷数据建模的前传

问卷法是一种常见的实证研究方法。问卷数据建模的前期工作,就像是一栋大楼的奠基工程,基础是否扎实,影响后续的工程质量。本文专门讨论统计模型建立之前要做的事情（重点是量表评价）,内容包括：处理缺失值、评价量表的结构效度和题目删除的适当性、多维量表需要合成总分时检验同质性并计算合成信度、检验共同方法偏差和评价（变量）区分效度、题目打包、检验自变量的多重共线性,最后也涉及建模理据和无关变量控制等。     

网络成瘾的潜在结构:连续的还是分类的?

变量的潜在结构是连续的还是分类的不应被随意指定,错误的设定可能导致不正确的结论。本研究的目的在于从实证的角度探索网络成瘾的潜在结构。研究采用了来自中国杭州的2511名初中生对Young网络成瘾量表的有效作答数据,比较了Rasch模型、潜在类别模型和混合Rasch模型与数据的拟合情况。结果表明:2个潜在类别的混合Rasch模型可以最好地反映网络成瘾的潜在结构,说明网络成瘾包含两个存在着质的差异的群体,并且每个群体内的个体间存在量的差异。研究进一步比较了基于混合Rasch模型的分类与传统划界分数分类的区别,结果表明:Young的网络成瘾标准可能具有很小的误判率和较高的漏判率;基于Young网络成瘾测验的修订需要考虑有针对性地增加部分题目。     

Stochastic EM for estimating the parameters of a multilevel IRT model

An item response theory (IRT) model is used as a measurement error model for the dependent variable of a multilevel model. The dependent variable is latent but can be measured indirectly by using tests or questionnaires. The advantage of using latent scores as dependent variables of a multilevel model is that it offers the possibility of modelling response variation and measurement error and separating the influence of item difficulty and ability level. The two‐parameter normal ogive model is used for the IRT model. It is shown that the stochastic EM algorithm can be used to estimate the parameters which are close to the maximum likelihood estimates. This algorithm is easily implemented. The estimation procedure will be compared to an implementation of the Gibbs sampler in a Bayesian framework. Examples using real data are given.     

多层多项Logit模型：原理与应用

常用的多层线性模型要求因变量是服从正态分布的连续变量,却无法处理因变量为离散变量的嵌套数据.多层多项Logit模型能够处理因变量是无序多分类的多层嵌套数据,但这一模型在我国心理学研究中却鲜有介绍和应用.研究简要介绍了多层多项Logit模型的原理、参数估计和假设检验,然后分别用该模型和传统Logistic回归模型探讨个体因素和区域因素对35721名学生进入不同高校就读机会的影响并对结果进行了解释,结果表明多层多项Logit模型比传统Logistic回归模型更拟合数据.     

K-means、潜在类别模型和混合Rasch模型的比较

基于模拟研究比较了K-means方法、潜在类别模型和混合Rasch模型在二分外显变量情境下的聚类效果.结果表明：（1）潜在类别数量、变量数量、样本量、样本平衡和变量间相关对K-means方法、潜在类别模型和混合Rasch模型的分类准确性均有影响且因素间的交互作用存在;（2）除了在2个潜在类别的样本不平衡条件下K-means方法表现较差外,在其他条件下与潜在类别模型和混合Rasch模型的表现相当;（3）混合Rasch模型的分类一致性在2个潜在类别的情境下要好于潜在类别模型,但是在4个潜在类别的情境下要差于潜在类别模型.     

纳入式分类分析法在潜在剖面模型的后续多元回归中的应用

纳入式分类分析法能克服传统的分类分析法对后续一元回归模型参数的低估,发挥潜在类别模型的后续分析简化变量间交互作用的功能。本文进一步将纳入式分类分析法拓展至潜在剖面模型后续的多元统计分析中。通过蒙特卡洛模拟实验,比较各种纳入变量的方法思路与后续分析模型在四种常见的多元回归模型中参数估计的表现。结果发现,纳入式分类分析法所需纳入的变量取决于后续分析中与因变量、潜类别变量的关系,且后续分析使用含交互作用的模型更为稳健。     

Robust Measurement via A Fused Latent and Graphical Item Response Theory Model

Item response theory (IRT) plays an important role in psychological and educational measurement. Unlike the classical testing theory, IRT models aggregate the item level information, yielding more accurate measurements. Most IRT models assume local independence, an assumption not likely to be satisfied in practice, especially when the number of items is large. Results in the literature and simulation studies in this paper reveal that misspecifying the local independence assumption may result in inaccurate measurements and differential item functioning. To provide more robust measurements, we propose an integrated approach by adding a graphical component to a multidimensional IRT model that can offset the effect of unknown local dependence. The new model contains a confirmatory latent variable component, which measures the targeted latent traits, and a graphical component, which captures the local dependence. An efficient proximal algorithm is proposed for the parameter estimation and structure learning of the local dependence. This approach can substantially improve the measurement, given no prior information on the local dependence structure. The model can be applied to measure both a unidimensional latent trait and multidimensional latent traits.     

Measurement bias and error correction in a two-stage estimation for multilevel IRT models

Among current state-of-the-art estimation methods for multilevel IRT models, the two-stage divide-and-conquer strategy has practical advantages, such as clearer definition of factors, convenience for secondary data analysis, convenience for model calibration and fit evaluation, and avoidance of improper solutions. However, various studies have shown that, under the two-stage framework, ignoring measurement error in the dependent variable in stage II leads to incorrect statistical inferences. To this end, we proposed a novel method to correct both measurement bias and measurement error of latent trait estimates from stage I in the stage II estimation. In this paper, the HO-IRT model is considered as the measurement model, and a linear mixed effects model on overall (i.e., higher-order) abilities is considered as the structural model. The performance of the proposed correction method is illustrated and compared via a simulation study and a real data example using the National Educational Longitudinal Survey data (NELS 88). Results indicate that structural parameters can be recovered better after correcting measurement biases and errors.     

协变量相关对时变效应模型参数估计的影响

时变效应模型被广泛应用于密集追踪研究中,研究者往往会同时纳入2个或以上协变量。然而,协变量相关对其参数估计的影响较少被研究者关注。本研究在不同类型协变量的情境下,采用蒙特卡洛模拟,探讨协变量相关对时变效应模型参数估计的影响,结果表明：（1）在两种协变量类型的情境下,协变量相关都会影响时变效应模型斜率函数β_1和斜率函数β_2参数估计的准确性;（2）两种协变量类型的情境下,协变量相关和样本量的交互作用都会影响时变效应模型斜率函数β_1和斜率函数β_2参数估计的准确性;（3）两种协变量类型的情境下,样本量、观测数据缺失率主要通过主效应影响时变效应模型参数估计的准确性。     

Two-Step Estimation of Models Between Latent Classes and External Variables

We consider models which combine latent class measurement models for categorical latent variables with structural regression models for the relationships between the latent classes and observed explanatory and response variables. We propose a two-step method of estimating such models. In its first step, the measurement model is estimated alone, and in the second step the parameters of this measurement model are held fixed when the structural model is estimated. Simulation studies and applied examples suggest that the two-step method is an attractive alternative to existing one-step and three-step methods. We derive estimated standard errors for the two-step estimates of the structural model which account for the uncertainty from both steps of the estimation, and show how the method can be implemented in existing software for latent variable modelling.     

A Composite Likelihood Inference in Latent Variable Models for Ordinal Longitudinal Responses

The paper proposes a composite likelihood estimation approach that uses bivariate instead of multivariate marginal probabilities for ordinal longitudinal responses using a latent variable model. The model considers time-dependent latent variables and item-specific random effects to be accountable for the interdependencies of the multivariate ordinal items. Time-dependent latent variables are linked with an autoregressive model. Simulation results have shown composite likelihood estimators to have a small amount of bias and mean square error and as such they are feasible alternatives to full maximum likelihood. Model selection criteria developed for composite likelihood estimation are used in the applications. Furthermore, lower-order residuals are used as measures-of-fit for the selected models.