结构方程中软件操作过程.pptxVIP

结构方程中的缺失数据处理;第一局部：软件操作;LISREL提供的例子;在应用任何一方法之前;Excel中的数据预览;LISREL中的数据预览;LISREL图形界面中的缺失值设置;“EM〞的两层意思;LISREL中的EM方法;什么是Full Information Maximizing-Likelihood;LISREL中的FIML法;Multiple Imputation 方法;SAS中的MI与EM方法;SAS提供的EM与MI的范例;SAS的MI范例解析;R中的EM、MI方法 ;Copyleft v.s. Copyright;在R中安装norm程序包;在R中启动程序包;在命令窗里输入：help(em.norm) 回车，弹出的帮助窗口解释em.norm的用法。首先从最后一段的实例入手。这段例子可以直接copy运行，得到EM估计的协方差矩阵： ????? data(mdata)　#这一句把数据框mdata载入????? s - prelim.norm(mdata)?? #do preliminary manipulations????? thetahat - em.norm(s)?? #compute mleIterations of EM:1...2...3...4...5...6...7...8...9...10...11...12...13...14...15...16...17...????? getparam.norm(s,thetahat,corr=TRUE)$r #look at estimated correlations??????????? [,1]?????? 　　　 [,2]??????? 　　[,3]?????　　 [,4]?????? 　[,5][1,]? 10-00.4889176? 0.7145953[2,]? 01 00.5197721? 0.5429959[3,] -00 10.2930083 -0.3598209[4,]? 00 01.0000000? 0.3029066[5,]? 00-00.3029066? 1.0000000;Ｒ中的数据框;R中的“缺失模式〞报告;R的MI方法与sem包;第二局部：理论背景与方法比较;现状：缺失数据常见，令人满意的处理报告却罕见;不同报告背后的理念比照;影响专业方法普及的因素;不同缺失模式的实际例子;Rubin经典框架的思路;MCAR MNAR;MCAR、MNAR与 MAR关系;Expectation-Maximization(EM);Multiple Imputation(MI);MI抽样环节是否最大似然法那么抽样？是否抽均值估计点？;SEM中的FIML;SEM中的比较：估计的无偏性与效率;软件界面的便利性;相互关系;困难：缺少样本量的调整估计拟合指标;NO=？样本量更大好还是更小好;EM、FIML与MI样本量问题;只用无缺失的局部数据建模;用含缺失的全部数据建模;RMSEA的几何意义;END