幽幽一扇窗

最美的窗都是古时的,要不,怎会有那么多文人反复吟诵诸如绿窗人似花,竹摇轻影罩幽窗,兰窗绣柱玉盘龙,佳人当窗弄琴音,碧纱如烟花如许等优雅美好的诗句。窗原本只为采集光线、通风     

奥斯曼帝国将军东游记与16世纪西亚中亚形势——《大地之镜》评述

奥斯曼土耳其帝国海军上将西迪·阿里·雷斯所著的《大地之镜》一书,详细记叙了1552至1556年间作者在古吉拉特、信德、河外、花剌子模、钦察草原、呼罗珊和伊拉克等诸多国家和城市的所见所闻,涉及到这些地区的政治状况、宗教信仰、民俗风物、山川地理、作者个人体验等多个方面。     

科学哲学与批判-创新思维

Since the 16-17 centuries scientific methods have been playing a key role in the development of the scientific-technological age.There are three types of general scientific method,i.e.,induction-confirmation method,deduction-falsification method,and abduction-explanation method.They correspond to logical positivism,falsificationism,and historicism in philosophy of science respectively.Based on the reasoning procedure of these three scientific methods,and the development of the three schools of thought,this ...     

添花不添疤

对于如今的孩子来说,他们肯定不太清楚“锔碗”是怎么一回事了。在我童年的记忆里,对于“锔盆锔碗锔大缸”的叫喊声却是最熟悉不过了。     

玫瑰在荆棘中生长北大核心

经文:马太福音7:16b—17 荆棘不能结葡萄,蒺藜也不能结无花果。好树结好果子,坏树结坏果子。 荆棘是荆棘,它结的是荆棘,它不可能结出玫瑰来。只有玫瑰才能结出玫瑰来。“好树结好果子,坏树结坏果子”是千真万确的真理。     

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.     

基于增长模型的非随机缺失数据处理:选择模型和极大似然方法

对含有非随机缺失数据的潜变量增长模型,为了考察基于不同假设的缺失数据处理方法:极大似然(ML)方法与DiggleKenward选择模型的优劣,通过Monte Carlo模拟研究,比较两种方法对模型中增长参数估计精度及其标准误估计的差异,并考虑样本量、非随机缺失比例和随机缺失比例的影响。结果表明,符合前提假设的Diggle-Kenward选择模型的参数估计精度普遍高于ML方法;对于标准误估计值,ML方法存在一定程度的低估,得到的置信区间覆盖比率也明显低于Diggle-Kenward选择模型。     

有选择的痛苦

生命是一条河流,尘缘就是渡口,心境就是渡河之舟。要想生命两岸之花常开,自己须是个好舵手。     

两种新的计算机化自适应测验在线标定方法

在线标定技术由于具有诸多优点而被广泛应用于计算机化自适应测验(CAT)的新题标定。Method A是想法最直接、算法最简单的CAT在线标定方法, 但它具有明显的理论缺陷--在标定过程中将能力估计值视为能力真值。将全功能极大似然估计方法(FFMLE)与“利用充分性结果”估计方法(ECSE)的误差校正思路融入Method A (新方法分别记为FFMLE-Method A和ECSE-Method A), 从理论上对能力估计误差进行校正, 进而克服Method A的标定缺陷。模拟研究的结果表明：(1)在大多数实验条件下, 两种新方法较Method A总体上可以改进标定精度, 且在测验长度为10的短测验上的改进幅度最大; (2)当CAT测验长度较短或中等(10或20题)时, 两种新方法的表现与性能最优的MEM已非常接近。当测验长度较长(30题)时, ECSE-Method A的总体表现最好、优于MEM; (3)样本量越大, 各种方法的标定精度越高。     

LGM模型中缺失数据处理方法的比较:ML方法与Diggle-Kenward选择模型

追踪研究中缺失数据十分常见。本文通过Monte Carlo模拟研究,考察基于不同前提假设的Diggle-Kenward选择模型和ML方法对增长参数估计精度的差异,并考虑样本量、缺失比例、目标变量分布形态以及不同缺失机制的影响。结果表明:(1)缺失机制对基于MAR的ML方法有较大的影响,在MNAR缺失机制下,基于MAR的ML方法对LGM模型中截距均值和斜率均值的估计不具有稳健性。(2)DiggleKenward选择模型更容易受到目标变量分布偏态程度的影响,样本量与偏态程度存在交互作用,样本量较大时,偏态程度的影响会减弱。而ML方法仅在MNAR机制下轻微受到偏态程度的影响。