【北师大心理统计学课件】10 因果模型(Causal Model).ppt

递归模型的检验与调试 运用模型检验的基本思想就是将这些反推出的相关系数值与实际的相关系数值进行比较，如果二者差异显著，说明被检验的模型在统计上不能很好地拟和数据，需要进一步修正。 饱和模型总是恰好识别的模型，因此它能够完全再现实际相关系数值。对这种模型是无法进行检验的，在因果模型中，真正能够检验的是不饱和模型。 对不饱和模型进行检验主要是为了分析删除路径后的模型与未删除路径的模型所估计出的相关系数是否存在显著差异。 递归模型的检验与调试 对模型的检验主要包括以饱和模型作为基准的检验和两个嵌套的非饱和模型之间的差异检验 （1）以饱和模型作为基准模型的检验 这种检验是将不饱和模型与饱和模型相比较而进行的，饱和模型在这里为基准模型，而不饱和模型为检验模型。检验的无差异假设为：不饱和模型中删除的路径系数为0。 （2）两个嵌套的非饱和模型间的差异检验 递归模型的检验与调试 由于饱和模型能够完全再现实际相关系数值，因此它总能完全地拟合数据，但这并能不说明所设定的模型就完美无缺，因为即便将模型中的因果路径完全颠倒，在统计上也难以去检验它的有效性。最佳模型的获得总要经过一个复杂的调试过程，在统计检验、理论假设与实际观察三者的综合考虑下不断对模型进行修正。 因果模型的共线性问题 共线性现象 不良的影响 ? 回归系数的置信区间变宽，系数变得不稳定，由样本推到总体不可靠 ? 回归系数不能很好地反映单个自变量对因变量的独立影响 ? 使变量的偏确定系数变小 ? 当方程用于预测时，回归结果变得不可靠。 因果模型的共线性问题 补救方法 ： ?去掉与Y相关程度较低，但与其它自变量高度相关的变量 ? 去掉可以由其它自变量线性表示的自变量 ? 增加样本量 ? 采用新的样本数据 递归模型的应用 多元回归 多因素多元回归 递归分析 非递归模型简介 X1 X2 X1 X2 X3 X1 X2 X3 因果模型中参数估计的一般原理 对递归模型与非递归模型，结构方程的参数估计问题就是用观测变量（包括外源变量x和内源变量y）的协方差估计模型中未知参数的过程。结构方程模型的一般形式是： Σ=Σ（θ） 公式中Σ为外源变量x，内源变量y，及x和y之间的协方差，Σ（θ）是以待估参数表示的观测变量的方差协方差矩阵，这一方程表明协方差矩阵中的元素是模型中一个或多个待估参数的函数。 因果模型中参数估计的一般原理 根据关系式Σ=Σ（θ），用Σ中的元素与对应的Σ（θ）中的元素建立方程式，即可求解以上结构方程中的参数。 非递归模型的识别 p为内源变量数目，q为外源变量数目 识别规则 评价对象 条件要求 必要条件 充分条件 t-规则 模型 T≤(p+q)(p+q+1)/2 √ ? 0Β规则 模型 Β=0 ? √ 递归规则 模型 Β为下三角矩阵， Ψ为对角矩阵 ? √ 阶条件 方程 不在方程中的变量数≥p-1；Ψ不加任何约束 √ ? 秩条件 方程 矩阵Ci的秩为p-1 Ψ不加任何约束 √ √ 非递归模型的识别 注意事项： 在运用阶条件和秩条件要注意的是，所谓的阶条件和秩条件适用于对Β、Γ、Ψ矩阵未加约束的情况，而如果对它们中的参数已经施加约束，则即使不满足阶条件和秩条件，模型也有可能是可识别的。 举例 举例 把上面的公式进行转换： 举例 将以上方程的系数写成矩阵的形式（Y的系数的符号可以忽略），得如下矩阵： 1 1 1 0 0 非递归模型的识别 修正未识别模型 增加外源变量 零限制 设置工具变量 :要使非递归模型能识别，有时可预先假设有些外源变量对内源变量没有影响，即路径系数为0。 非递归模型的参数估计 未加权最小二乘法（ULS） 广义最小二乘估计（GLS） 极大似然估计（ML） 工具变量法（IV） 两阶段最小平方法（TSLS） 广义加权最小平方法（WLS） 对角加权最小平方（DWLS） 模型的评价 饱和模型: 相关数目= V (V-1)/2 不饱和模型 零模型 模型的评价 饱和递归模型不存在评价问题 不饱和递归模型和非递归模型 ——整体拟合指数 绝对拟合指数： χ2 、Χ2/df、 GFI、 AGFI、RMSEA 相对拟合指数：（与零模型的比较）CF