第11章 协方差结构模型解说.pptVIP

X1为高中平均成绩；X2为高考成绩；X3为高中教师评价；X4为学生性别。 Y1为是否在重点院校；Y2为高校第一年平均成绩；Y3为教师对其高校第一年表现的评价。 ksi1为高中成绩；ksi2为性别；eta1为是否重点院校；eta2为高校第一年成绩。 10.2.3 协方差结构模型的识别 一、自由度识别(必要条件)根据所定义模型的自由度与最大可能自由度之间的关系来简单判断模型是否有可能识别，这是一个必要条件。 1、最大可能自由度的概念设模型中有p个外源观测变量，q个内源观测变量，那么模型最大可能的自由度为(p+q)(p+q+1)/2. 2、自由度识别方法在协方差方程Σ= Σ(θ)中包含(p+q)(p+q+1)/2个方程。如果待估参数θ的个数t大于方程的个数，则模型不可能识别。所以,t? (p+q)(p+q+1)/2。模型的自由度df= (p+q)(p+q+1)/2－t?0。df ?0,模型有可能识别；df0,模型一定不能识别。 P=5,q=6, (p+q)(p+q+1)/2=11?12/2=66, 需要估计的参数: 由内源变量指向测量变量的路径系数。本例为11个； 测量变量的残差。11个； 外源变量指向内源变量的路径系数。4个； 潜变量之间的协方差和残差。家庭地位与学生能力的协方差1个，同伴关系和学业成就的2个残差，两个残差之间的协方差1个，共4个。 外源潜变量的方差，2个。 为了使模型可以识别，对于每个潜变量，一定要对其设立一条路径系数，通常为1，这些系数当然不需要估计，本例为4个。模型的自由度为：df=66-11-11-4-4-2+4=38 二、两阶段判别法（充分条件）两阶段判别法将完整的协方差结构模型分为验证性因素分析（测量部分）和潜变量因果关系模型（结构部分）两个部分，然后分别判断两部分模型是否可识别的方法。如果测量部分和结构部分都可识别，那么，可以断定整个协方差结构模型可以识别。用两阶段判别法分析上例， 本图是上例模型的测量部分，由于符合两指标法则，所以可识别上图为模型的结构部分，该模型为递归模型，所以可识别。协方差结构模型的两部分都可识别，所以，整个模型可以识别。 10.2.4 模型的估计所谓模型估计就是求解模型中各个参数的估计值，使模型再生协方差矩阵尽可能好的拟合观测变量的协方差矩阵。有几种方法： 1、极大似然法； 2、非加权的最小二乘估计； 3、广义最小二乘估计； 10.2.5 模型的评价与修正 拟合指数： 1、绝对拟合指数 （1）?2=(n-1)F, 一般希望得到不显著的?2值。拟合优度的卡方检验受样本容量的影响，常常不能很好地判断模型的拟合度。在样本容量很小时，几乎接受所有的拟合劣势的模型，而在大样本容量时，几乎拒绝所有的拟合较优的模型。 （2）、拟合优度指数(Goodness-of-fit index, GFI)和调整的拟合优度指数(Adjusted goodness-of-fit index, AGFI) （3）、近似误差均方根(Root mean square error of approximation, RMSEA) 2、相对拟合指数 （1）本特勒与波内特正态化拟合指数（Bentler-Bonett normed fit index, NFI） （2）Bollen的IFI指数 （3）非正态拟合指数（Nonormal fit index, NNFI） （4） 本特勒比较拟合指数(Comparative fit index, CFI) （5）信息标准指数(Information criteria indexes) Akaike Information Criterion, AICAIC=c+2t Consistent Akaike Information Criterion, CAICCAIC=c+[1+ln(n)]t Expected cross-validation index, ECVIECVI=c/(n-1)+2[t/(n-1)] 这些指标越小说明模型越简单并且拟合越好。 模型的修正结构方程是用于估计潜变量之间的关系，并验证某一模型是否与研究者所得的数据吻合。在实际中，研究者常根据一些统计分析结果如残差、模型修正指数，进而放宽(free)、固定(fix)或改动模型，以便使模型更拟合数据，整个过程就是模型的修正。 几个概念： 简约原则(principle of parsimony); 等统模式(equivalent models); 嵌套模型(nested model) 修正指数：指一个固定参数或限定参数恢复为自由时卡方值可能减少最小的量。 10.3 LISREL8.20的使用 1、LISREL模型中个变量的符号及有关的LISREL命令 希腊字母 英文表示 模型中的定义 有关程序的命令符号 大写 小写