当结构假设和分布假设不满足时的验证性因子分析:稳健极大似然估计和贝叶斯估计的比较研究（英文）

结构方程模型已被广泛应用于心理学、教育学、以及社会科学领域的统计分析中。结构方程模型分析中最常用的估计方法是基于正态分布的估计量,比如极大似然估计法。这些方法需要满足两个假设。第一,理论模型必须正确地反映变量与变量之间的关系,称为结构假设。第二,数据必须符合多元正态分布,称为分布假设。如果这些假设不满足,基于正态分布的估计量就有可能导致不正确的卡方指数、不正确的拟合度、以及有偏差的参数估计和参数估计的标准误。在实际应用中,几乎所有的理论模型都不能准确地解释变量与变量之间的关系,数据也常常呈非多元正态分布。为此,一些新的估计方法得以发展。这些方法要么在理论上不要求数据呈多元正态分布,要么对因数据呈非正态分布而导致的不正确结果进行纠正。当前较为流行的两种方法是稳健极大似然估计和贝叶斯估计。稳健极大似然估计是应用Satorra and Bentler(1994)的方法对不正确的卡方指数和参数估计的标准误进行调整,而参数估计和用极大似然方法得出的完全等同。贝叶斯估计方法则是基于贝叶斯定理,其要点是:参数的后验分布是由参数的先验分布和数据似然值相乘而得来。后验分布常用马尔科夫蒙特卡洛算法来进行模拟。对于稳健极大似然估计和贝叶斯估计这两种方法之间的优劣比较,先前的研究只局限于理论模型是正确的情境。而本研究则着重于理论模型是错误的情境,同时也考虑到数据呈非正态分布的情境。本研究所采用的模型是验证性因子模型,数据全部由计算机模拟而来。数据的生成取决于三个因素:8类因子结构,3种变量分布,和3组样本量。这三个因素产生72个模拟条件(72=8x3x3)。每个模拟条件下生成2000个数据组,每个数据组都拟合两个模型,一个是正确模型、一个是错误模型。每个模型都用两种估计方法来拟合:稳健极大似然估计法和贝叶斯估计方法。贝叶斯估计方法中所使用的先验分布是无信息先验分布。结果分析主要着重于模型拒绝率、拟合度、参数估计、和参数估计的标准误。研究的结果表明:在样本量充足的情况下,两种方法得出的参数估计非常相似。当数据呈非正态分布时,贝叶斯估计法比稳健极大似然估计法更好地拒绝错误模型。但是,当样本量不足且数据呈正态分布时,贝叶斯估计在拒绝错误模型和参数估计上几乎没有优势,甚至在一些条件下,比稳健极大似然法要差。     

当结构假设和分布假设不满足时的验证性因子分析：稳健极大似然法估计和贝叶斯估计的比较研究

结构方程模型已被广泛应用于心理学、教育学、以及社会科学领域的统计分析中。结构方程模型分析中最常用的估计方法是基于正 态分布的估计量,比如极大似然估计法。这些方法需要满足两个假设。第一, 理论模型必须正确地反映变量与变量之间的关系,称为结构假 设。第二,数据必须符合多元正态分布,称为分布假设。如果这些假设不满足,基于正态分布的估计量就有可能导致不正确的卡方指数、不 正确的拟合度、以及有偏差的参数估计和参数估计的标准误。在实际应用中,几乎所有的理论模型都不能准确地解释变量与变量之间的关系, 数据也常常呈非多元正态分布。为此,一些新的估计方法得以发展。这些方法要么在理论上不要求数据呈多元正态分布,要么对因数据呈非 正态分布而导致的不正确结果进行纠正。当前较为流行的两种方法是稳健极大似然估计和贝叶斯估计。稳健极大似然估计是应用 Satorra and Bentler (1994) 的方法对不正确的卡方指数和参数估计的标准误进行调整,而参数估计和用极大似然方法得出的完全等同。贝叶斯估计方法则是 基于贝叶斯定理,其要点是：参数的后验分布是由参数的先验分布和数据似然值相乘而得来。后验分布常用马尔科夫蒙特卡洛算法来进行模拟。 对于稳健极大似然估计和贝叶斯估计这两种方法之间的优劣比较,先前的研究只局限于理论模型是正确的情境。而本研究则着重于理论模型 是错误的情境,同时也考虑到数据呈非正态分布的情境。本研究所采用的模型是验证性因子模型,数据全部由计算机模拟而来。数据的生成 取决于三个因素：8 类因子结构,3 种变量分布,和3 组样本量。这三个因素产生72 个模拟条件（72=8x3x3）。每个模拟条件下生成2000 个 数据组,每个数据组都拟合两个模型,一个是正确模型、一个是错误模型。每个模型都用两种估计方法来拟合：稳健极大似然估计法和贝叶 斯估计方法。贝叶斯估计方法中所使用的先验分布是无信息先验分布。结果分析主要着重于模型拒绝率、拟合度、参数估计、和参数估计的 标准误。研究的结果表明：在样本量充足的情况下,两种方法得出的参数估计非常相似。当数据呈非正态分布时,贝叶斯估计法比稳健极大 似然估计法更好地拒绝错误模型。但是,当样本量不足且数据呈正态分布时,贝叶斯估计在拒绝错误模型和参数估计上几乎没有优势,甚至 在一些条件下,比稳健极大似然法要差。     

因果信息和提示指导语对大学生贝叶斯推理的影响

基于三重加工心智模型,以大学生为被试,采用经典贝叶斯推理的文本范式,通过操纵自变量：因果信息（有或无）与提示指导语（提供或不提供）,试图探讨激发反省心智,消解理性障碍的情况下,因果贝叶斯框架的作用机制。估计正确率和准确性的结果都表明因果信息显著提高了贝叶斯推理成绩,准确性的结果也说明指导语可以提示被试放下既有观念,以无偏见的方式进行推理,从而有效促进了贝叶斯推理表现。而在提示条件下增加因果信息并没有促进作用,表明对于较高元认知的被试因果信息作用是有限的。     

因果信息和提示指导语对大学生贝叶斯推理的影响

基于三重加工心智模型，以大学生为被试，采用经典贝叶斯推理的文本范式，通过操纵自变量：因果信息（有或无）与提示指导语（提供或不提供），试图探讨激发反省心智，消解理性障碍的情况下，因果贝叶斯框架的作用机制。估计正确率和准确性的结果都表明因果信息显著提高了贝叶斯推理成绩，准确性的结果也说明指导语可以提示被试放下既有观念，以无偏见的方式进行推理，从而有效促进了贝叶斯推理表现。而在提示条件下增加因果信息并没有促进作用，表明对于较高元认知的被试因果信息作用是有限的。     

对归纳推理贝叶斯模型的检验

作者用实验比较检验特征归纳的贝叶斯模型、关联相似性模型、基于特征的归纳推理模型和相似性覆盖模型这四种模型。以大学生为被试的实验结果表明：1）在强关联强度一致时,被试的归纳推理基本符合贝叶斯模型和关联相似性模型的预测,在弱关联强度一致时,不符合这四种模型预测;2）在关联强度不一致时,关联强度效应不符合贝叶斯模型的预测;3）在关联强度一致时,贝叶斯模型和关联相似性模型的预测结果是一致的,不能区分两个模型。实验结果较多地支持贝叶斯模型和关联相似性模型。     

频率树类型和提问方式对因果强度估计模式的影响

心理学研究的重要目的之一发现心理干预的途径和方法。但截至目前,有效干预人类被试因果推理过程的手段尚不丰富,干预手段的效果并不稳定。本研究采用完全随机设计开展两个实验,分别探讨频率树是否影响大学生被试在反事实提问和能力提问因果推理问题上的作答表现。结果显示:(1)在两个实验中都发现了明显的图形促进效应,大部分被试在借助提供嵌套集合关系频率树(而非隐藏嵌套集合关系频率树)辅助推理时使用PPC值估计因果强度;(2)频率树类型和提问方式共同影响被试的因果强度估计模式,提供嵌套集合关系频率树+反事实提问的组合促使最多被试使用PPC估计因果强度。结果说明:明确数据之间的嵌套集合关系能极大地提高被试使用PPC估计因果强度的概率,关注焦点集信息有助于被试明确数据间的嵌套集合关系。     

因果变化模式与因果联结强度在幼儿因果推理中的作用

对93名幼儿进行了五种因果变化模式的因果推理题目的测试。结果表明:(1)在不同的因果变化模式下,被试进行因果推理的成绩存在差异,且在对于这五类题目的掌握上具有一定的顺序。(2)被试在同样因果变化模式题目的表现之间具有较高的相似性,而在因果联结强度相同的题目之间则具有显著的差异。(3)被试对于各题目回答的正确率并不随原因与结果联结次数的增多而提高。(4)即使是在观察到的刺激完全一致的情况下,被试的回答仍会因因果变化模式的差异及主试对于题目解释的不同而存在差别。     

贝叶斯结构方程模型及其研究现状

在心理学研究中结构方程模型(Structural Equation Modeling, SEM)被广泛用于检验潜变量间的因果效应, 其估计方法有频率学方法(如, 极大似然估计)和贝叶斯方法两类。近年来由于贝叶斯统计的流行及其在结构方程建模中易于处理小样本、缺失数据及复杂模型等方面的优势, 贝叶斯结构方程模型发展迅速, 但其在国内心理学领域的应用不足。主要介绍了贝叶斯结构方程模型的方法基础和优良特性, 及几类常用的贝叶斯结构方程模型及其应用现状, 旨在为应用研究者介绍新的研究工具。     

任务情境和证据信息对青少年贝叶斯推理的影响研究

采用生活情境测查任务和经典测查任务探讨了任务情境对青少年贝叶斯推理的影响,以及生活情境测查任务中不同证据信息对青少年贝叶斯判断的影响作用.结果表明:(1)在生活情境测查任务中,从小学六年级到大学二年级,被试的贝叶斯推理能力稳步缓慢提升(相邻的两个被试组之间差异不显著,而不相邻的两个被试组之间差异更容易达到显著水平),发展没有出现加速期,而经典测查任务情境下没有表现出年龄差异;(2)贝叶斯推理作为条件概率的判断不仅受任务情境的影响,而且同一任务情境中不同证据信息也会影响贝叶斯判断.当证据信息与先验信念一致时,被试可以充分利用线索进行推理.     

基于概率的归纳推理模型

归纳推理是指从个别前提推出一般结论的推理,它是人的一项基本认知能力,也是心理学研究需要解释的重要现象.在模拟归纳推理时,不能排除先验知识对归纳推理结论力度的影响,贝叶斯理论可以结合条件对先验概率进行修正,能够很好地将先验知识引入到归纳推理中来.文章重点介绍了基于记忆的贝叶斯模型,相似性概率模型和结构统计模型对归纳推理的解释.     

因果模型在类比推理中的作用

通过操纵因果模型的特征维度及推理方向, 探讨因果模型在类比推理中的作用。实验一探讨了当结果特征未知时进行类比推理的情况, 发现在一果多因时, 被试采用因果模型进行类比推理, 而在一因多果时, 被试同时采用因果模型和计算模型进行类比推理。实验二探讨当原因特征未知时进行类比推理的情况, 发现在一果多因和一因多果时, 被试均采用因果模型进行类比推理。结果表明：(1)当结果特征未知时, 人们会建构因果模型进行类比推理。且当因果模型和计算模型处于冲突情境时, 人们会采用因果模型进行类比推理; 但当因果模型和计算模型处于非冲突情境时, 人们会同时采用因果模型和计算模型。(2)当原因特征未知时, 即按照因果模型推理的难度增加时, 人们仍会建构因果模型进行类比推理。     

因果力比较范式下对效力PC理论的检验

在用图形方式集中呈现信息的条件下,用因果力大小比较的实验范式检验效力PC理论。233名大学生被试对不同化学药物影响动物基因变异的能力做大小比较判断。结果发现,对单一因果关系因果力大小的比较判断具有以下3个特点：（1）不对称性：在预防原因条件下的因果力判断一般符合效力PC理论,而在产生原因条件下的因果力判断一般不符合效力PC理论;（2）在同时变化协变值DP和结果基率P(E|~C)的产生原因条件下,多数被试使用DP规则。这与概率对比模型的预测相一致,而不支持效力PC理论;（3）在固定协变值DP而只变化结果基率P(E|~C)的产生原因条件下,多数被试使用变异比RP规则。这是目前所有的因果推理理论都不能解释的现象。     

“直觉调整差误”偏向对贝叶斯推理成绩的影响

采用贝叶斯推理问题作为实验材料,探讨被试解决贝叶斯推理问题的启发式策略,从认知偏向的角度分析该问题的困难原因。结果发现:(1)贝叶斯推理问题解决过程中的可得性启发与后验概率估计过程中的直觉调整差误密切相关;(2)贝叶斯推理问题解决过程中文、理科被试都同样会产生直觉调整差误偏向;(3)贝叶斯推理问题解决过程中的后验概率估计值和对推理问题中包括虚报率信息的命题的可得性测量所得主观概率之间存在显著的负相关。     

问题类型和情绪状态对贝叶斯推理的影响

本研究以240名大学生为被试,探讨了问题类型和情绪状态对贝叶斯推理的影响。结果表明：(1)问题类型对贝叶斯推理有影响;(2)情绪状态对贝叶斯推理有影响;(3)问题类型与情绪状态对贝叶斯推理的影响存在交互作用。具体地,在经典乳癌问题中,被试在消极情绪状态下比在积极情绪状态下做出更高的概率估计,而在中彩问题中,被试在积极情绪状态下比在消极情绪状态下概率估计更高。     

实质取样对因果强度估计的影响

使用单个目标原因和单个效果的图形集中呈现范式协变关系探讨实质取样增量（12.5%< 50%< 87.5% <100%）对大学生被试因果强度估计的影响。实验结果显示：1）实质取样增加在Power-PC=.50和1协变关系上都导致高估计,在Power-PC=0的协变关系上导致低估计;2）相同实质取样增量对被试在Power-PC=.50（1）协变关系上强度估计的影响符合一次（二次）函数假设。结果说明高实质取样促使被试做出符合理性预期的强度估计,混合假设可以解释被试的强度估计偏离Power-PC值的现象。     

取样大小对因果强度推理的影响研究

摘 要：使用纸笔测验探讨表格集中呈现信息条件下取样大小对单一因果关系强度推理的影响,并比较五种模型ΔP、效力PC、SS效力、Support和χ2的预测与实验数据的相关。结果显示：（1）取样大小对不同的问题有不同的影响：高取样在ΔP=0时导致了低估计值,在0<|ΔP|=PPC时没有效果,在|ΔP|相似文献   

贝叶斯推理的三重加工心智模型

自二十世纪60年代Edwards首次用实验研究人类推理是否遵循贝叶斯规则以来,国内外贝叶斯推理研究取得了长足的发展,但也出现了一些困境:对影响贝叶斯推理的客体因素和主体因素研究未成体系,解释理论莫衷一是。未来的研究应该重新审视客体与主体的关系,系统整合和多角度分析影响贝叶斯推理的因素,尝试以三重加工心智模型解释人类贝叶斯推理行为,并对以往的解释理论进行融合,从而更好地揭示人类不确定性决策的本质。     

大学生数字运算能力对贝叶斯推理的影响

本文采用两个贝叶斯推理问题和一个数字运算能力量表对102个大学生进行了调查,结果表明:(1)数字运算能力对贝叶斯推理有影响,具体表现为高数字运算能力被试比低数字运算能力被试的贝叶斯推理成绩要好;(2)自然频数表征对贝叶斯推理的影响是有条件的,只有高数字运算能力被试才出现自然频数表征促进效应,而低数字运算能力被试并没有出现自然频数表征促进效应。这可能表明,即使是对自然频数的理解和操纵也需要一定程度的数字运算能力,而且自然频数表征促进效应并没有以前认为的那么普遍。     

多水平随机中介效应估计及其比较

本文在综述各类多水平中介模型的基础上, 聚焦于自变量、中介变量、因变量都来自多水平结构中较低水平的多水平随机中介效应模型, 通过蒙特卡洛模拟研究比较该模型与简化的多水平固定中介效应模型、传统中介效应模型的差别, 并考察了目前用于多水平随机中介效应的三种参数估计方法：限制性极大似然、极大似然、最小方差二次无偏估计在不同情况下对随机中介效应估计的优劣。研究结果显示：当数据符合多水平随机中介效应模型时, 使用简化模型将错误估计中介效应及其标准误, 得到不正确的统计检验结果; 使用多水平随机中介效应模型能够实现对中介效应的正确估计和检验, 其中限制性极大似然或极大似然估计方法优于最小方差二次无偏估计方法。     

基于非逻辑机制的条件推理模式：P—Q映射模型及其实证检验

研究结合数学分析方法,提出了基于非逻辑机制的条件推理模型：P-Q映射模型。并根据这个模型,对人们在不同命题类型奈件下的推理行为进行了预测。预测结果显示,当推理前提为LH和HL型命题时,基于P-Q映射模型的预测结果与基于条件概率模型的预测结果完全一致。但当推理前提为LL和HH型命题时,两种模型给出的预测结果存在差异。实验结果表明,当前提命题为LL和HH型命题时,被试的条件推理行为与P-Q映射模型的预言完全一致。