因子混合模型：潜在类别分析与因子分析的整合.pdf

心理科学进展 2015，Vo1．23，No．3，529—538 AdvancesinPsychologicalScience DOI：10．3724／SP．J．1042．20l5．00529 因子混合模型 ：潜在类别分析与因子分析的整合 陈宇帅 温忠麟 顾红磊 (华南师范大学心理应用研究中心 理学院，广州 510631) 摘 要 因子混合模型(FMM)是考虑 了群体潜在异质性后的因子分析模型，它将潜在类别分析(LCA)与传统 的因子分析(FAl)整合在同一框架内，既保留了两种分析技术的优点，同时又展现出独特优势。FMM 的应用主 要包括描述变量的潜在结构、对被试进行分组以及探测社会称许偏差等。我们建议分别采用FA、LCA与FMM 三种模型拟合数据，参考拟合指数和模型可解释性选择最优模型。总结了FMM 的分析步骤以及软件使用，并 用于探讨大学生社会面子意识的测量模型。未来研究应关注FMM分析过程的简化，继续深化对拟合指数等方 面的探 讨 。 关键词 因子混合模型；潜在类别分析；因子分析 分类号 B841 在心理学研究中，由于许多人格特质 、内隐 提 出研究展望。 态度等的不可直接观测性，潜变量模型得到广泛 1 FA、LCA与FMM 简介 应用，其 中因子分析(FactorAnalysis，FA)比较流 行 。然而，FA的样本同质性假设在许多场合可能 1．1 FA简介 不成立 (Jedidi，Jagpal， DeSarbo，1997；Yuan FA 作为多元统计中重要的方法之一为研究 Bentler,201O)。许多研究样本中包含不同性别 、 者广泛使用，其 目的在于通过一个或多个 因子来 年级，或者不同能力 、态度的个体，异质性可能是 解释各指标间的关联，从而实现对指标的分组 。 普遍存在的。假定所有个体具有相同的参数值往 本文考虑的FA模型仅限CFA模型。以图 1中的 往与实际相悖，产生模型拟合不佳等结果。尽管 M 为例，假定模型中有 ，个指标，测量了两个 因 多组模型(multiple—groupmodels)~,够处理外显异 子 l和 2，其中前 t个指标测量了 1，其余指标 质性，但对于样本潜在的异质性则显得无能为力。 测量了 2。模型可用如下方程表示 ： 为了解决这一问题，因子混合模型(FactorMixture Y1=rl+^1+81，·一， Model，FMM)作为一种新的分析技术应运而生。 Yt= + 1vii+ ， FMM是潜在类别分析(LatentClassAnalysis， Yt+1=Ct+1+ +1)2叩2+ +i，…， (1) LCA)与 FA的结合，继承了两种分析技术的优点， Y，=f，+ 2 + ， 弥补了各 自的局限，为研究者提供了一个全新的 叩1= 1+ ， ，72= 2+ 视角，但 目前实际应用还不多。本文以FMM为主 题，首先介绍了FMM的基本形式，包括数学模型 在上述方程中，Yl表示第 1个指标，rl表示Y1的截 及基本原理：接着归纳了 FMM 的主要优势以及 距，l1表示Y1在 叩1上的负荷，1表示Y1的误差，a1 实际应用，然后总结了FMM 的分析步骤，并以一 表示 因子 叩1的均值， 表示 叩1的离均差 (残差)， 个实例进行示范；最后就 FMM 有待完善的问题， 其余符号类推。