- 1、本文档共10页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
因子混合模型:潜在类别分析与因子分析的整合
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。
文档评论(0)