结构方程模型lecture4.pptVIP

SEM的参数估计 SEM模型参数估计的原理 参数估计的任务 估计参数 检验假设 假设的模型能否较好地拟合（再现）样本数据 恰好可识别→完全拟合数据，但假设不可检验 给定更多约束→不能完全拟合数据 拟好不好→假设中对参数施加的约束错误 自由参数的估计值应当使得模型假设的协方差阵与样本协方差阵的距离最小化 自由参数是在给定假设的条件下进行估计 SEM的距离函数（discrepancy function） 常用的距离函数 普通最小二乘 极大似然估计 广义最小二乘 距离函数的求导 SEM的方差协方差阵 ML求导 LS求导 GLS求导 参数估计的算法—Steepest Descent Steepest Descent算法 参数估计的算法—Newton-Raphson Newton-Raphson算法 参数估计的算法—Quasi-Newton Newton法 收敛速度快 需要计算Hessian矩阵及其逆矩阵 最速下降法 计算简单 收敛速度很慢 目标：寻找一种新算法，尽可能保持Newton法收敛速度快的优点，又不必计算Hessian的逆矩阵 基本思想：用Gk来代替Hk-1 参数估计的算法—Quasi-Newton（续） Gk需要满足的条件 Gk都是正定的 Gk之间的迭代具有简单形式 最简单的形式：Gk+1=Gk+Ek 必须满足拟Newton性质：Gk+1Δgk=Δxk 参数估计的算法—Quasi-Newton（续） DFP算法中Gk的构造方法 Quasi-Newton算法 三种距离函数的比较 课后任务 抑郁问题研究 数据 潜变量：独立型、依存型、抑郁、社会焦虑 测量变量 变量1：种族（1=Anglo；2=Asian-American） 变量2~13：，每个潜变量各三个测量变量 对自我构建的模型进行参数估计 * 距离函数 微分 算法 性质 SEM参数估计的原理 距离函数 参数估计的算法 参数估计的性质 本讲内容 或 取初始点 x(0)∈Rr k=0 停止迭代 取x*=x(k) 是 否 令pk=-g(x(k)) 求步长因子λk，使 取x(k+1)=x(k) + λk pk 计算f(x(k+1)) 停止迭代 取x*=x(k) 否 令pk=-g(x(k)) 是 否 k=k+1 计算f(x(k)) 计算 求搜索方向，即 取x(k+1)=x(k) + pk 计算f(x(k+1)) 或 取初始点 x(0)∈Rr k=0 停止迭代 取x*=x(k) 是 否 停止迭代 取x*=x(k+1) 否 是 否 k=k+1 计算f(x(k)) Gk=I：最速下降法 Gk=Hk-1 ：Newton法 做直线搜索 ,求得λk 或 或 取G0=I，p0=-g0 ，令k=0 取初始点 x(0)∈Rr 计算Δxk=x(k+1)-x(k) Δgk= gk+1-gk yk= GkΔgk 取x(k+1)=x(k) +λk pk 计算f(x(k+1))和g (x(k+1)) =gk+1 停止迭代 取x*=x(k+1) 否 计算f(x(k))和g0=g(x(0)) 令x(0)=x(k) 计算f(x(0))和g0=g(x(0)) 是 否 是 k=r 令x(0)=x(k+1) 计算f(x(0))和g0=g(x(0)) 是 否 pk =- Gk+1 gk+1 k=k+1 - 拟合优度检验 - 渐近方差 √ × √ 渐近正态性 多元正态 无 多元正态 分布假定 √ × √ 尺度不变性 √ × √ 渐近有效性 √ √ √ 一致性 GLS LS ML PowerPoint Template Click to edit Master title style Competitors You may want to allocate one slide per competitor Strengths Your strengths relative to competitors Weaknesses Your weaknesses relative to competitor Company Logo * LOGO Company Logo