第九章隐变量型.pptVIP

第九章 隐变量模型 关于隐变量 隐变量（Latent variable）： 具有不可直接观测特征的综合性变量，不可观测，或者说“隐”是其表象；综合性是其本质。 与隐变量相应，我们将普通的变量称为显变量（Manifest Variable）或者观测变量（Observed Variable） 隐变量的处理思路 隐变量的处理方法按照其所使用的分析手段可以分为两大类： 以结构方程模型为代表的模型化方法 以多指标综合加权为代表的不使用模型的方法。 不使用模型处理隐变量的方法 除结构方程模型外的其它处理方法可分成两类： 第一类方法利用隐变量的多维特点，从各个角度选择恰当的观测变量作为其测度指标，以此作为隐变量处理的基础，目前来看所有具有一般性的隐变量处理方法，其思想均属此类； 不使用模型处理隐变量的方法 第二类方法则利用隐变量和其它变量（不是该隐变量的测度变量）之间的关系，建立某种函数关系，以此为处理隐变量的基础，它不需要搜集隐变量测度指标这一过程。此类方法只能处理特殊的隐变量，不具一般性。 不使用模型处理隐变量的方法 1、多指标综合评价法 根据隐变量的含义，将原本综合性的变量进行分解，分解后隐变量的维度就从一维到了多维，在此基础上，在每个维度选择合适的观测变量度量隐变量在该方面的表现，最后再将这些观测变量按一定的原则加权汇总，由多维又重新回到一维，所得同时反映这多维表现的综合变量即可做为对隐变量的度量。 不使用模型处理隐变量的方法 多指标综合评价的关键环节有二： 第一个环节是测度指标的选择； 第二个环节是权数的确定。 不使用模型处理隐变量的方法 多指标综合加权法的长处： 1）思路直观、方法简便、适用面广； 2）可容纳指标数量较多，更适合理论的需要； 3）可以对样本进行比较、排序，而且便于对隐变量进一步的分析； 4）不依赖于变量的分布。 不使用模型处理隐变量的方法 此种方法的不足之处则在于： 1）用以构建综合变量的观测变量，往往受多种因素的影响，有时甚至作为测度对象的隐变量不是主要的影响因素，因此最终得到的隐变量的估计值，必定存在着系统的偏差； 2）加权所使用的权数难以确定 ； 3）不能提供对误差的度量，从而无法估计所建立的隐变量测度的准确性。 不使用模型处理隐变量的方法 2、德尔菲法 又名专家调查法，它的思想十分简单，即以专家判断的方式对隐变量进行量化。 德尔菲法与多指标加权方法相比，其优势在于它更适合于那些很难找到合适指标作为其测度的隐变量；其不足则在于：1）需要进行调查，从而提高了分析的成本；2）不能对隐变量进行深入进一步的分析；3）降低了数据的计量尺度。 不使用模型处理隐变量的方法 3、生产函数余值法 根据CD生产函数可以推出，经济增长率等于要素生产率的变化率（即技术进步率）加上资本增长率与资本边际产出弹性之乘积，再加上劳动增长率与劳动边际产出弹性之乘积。以经济增长率减去其它两部分，就得到要素生产率这个隐变量的变化率，将它比上经济增长率就可得到贡献率。 结构方程模型 结构方程模型：SEM，（Structural Equation Modeling），是目前处理隐变量以及复杂关联的主要模型。 主要内容： 结构方程模型的形成 模型的设定 模型的识别 模型的假定 模型的估计 模型的评价 模型的改进 模型的解释 应用案例 一、结构方程模型的形成 结构方程模型有两个思想来源： 路径分析（path analysis） 证实性因子分析（Confirmatory Factor Analysis，CFA ） （注意：通常所说因子分析是探索性因子分析，Exploratory Factor Analysis，EFA） 一、结构方程模型的形成 路径分析 在20世纪二三十年代，由 Wright（1921，1934）提出，与古典的多元线性回归模型相比，路径分析是一种更为灵活、有力的多元数据分析工具。 一、结构方程模型的形成 路径分析与线性回归分析最根本的区别在于： 路径分析中，所有的变量都是随机变量，从而所有的变量之间都可以有相关关系。这毫无疑问是更接近于现实的假设，尤其在社会经济领域。 一、结构方程模型的形成 路径分析与一般线性模型不同的特色主要体现在如下四个方面： 1、变量之间的关系必须先根据理论予以设定； 2、以路径图做为描述模型的重要工具； 3、将参数估计建立在变量的相关系数或协方差的基础上； 4、将简单相关系数分解为直接相关系数，间接相关系数。 一、结构方程模型的形成 证实性因子分析 CFA与EFA的根本区别在于是前者用以证实一个先验的理论假设（表现为因子结构的规定）是否成立，需根据相关理论事先规定作为公因子的隐变量的概念和数量，以及隐