结构方程模型lecture4.ppt

. SEM的参数估计 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 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 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)) 参数估计的算法—Newton-Raphson 计算 求搜索方向，即 取x(k+1)=x(k) + pk 计算f(x(k+1)) Newton-Raphson算法 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)) 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 Gk=I：最速下降法 Gk=Hk-1 ：Newton法