结构方程模型-lecture1ppt课件

SEM简介 路径分析 验证性因子分析 SEM 线性因果关系 SEM的产生与发展 SEM的基本形式 因果推断方法 AMOS简介 本讲内容 SewallWright 1921 1934 提出路径分析路径图1960年代以前 路径分析基本处于休眠状态OtisDuncan 1966 以及其他学者将其引入社会学研究1930年代凯恩斯创立了联立方程模型模型识别 SEM的产生与发展 SEM的产生与发展 续1 J reskog 1966 1967 开发了验证性因子分析 CFA J reskog提出卡方检验 用来比较可测变量的观测相关结构与假定模型所隐含的相关结构 从而否定 或暂时验证 假设模型 是SEM发展的里程碑 Exploratorydataanalysisisdetectiveincharacter Confirmatorydataanalysisisjudicialorquasi judicialincharacter Unlessthedetectivefindstheclues judgeorjuryhasnothingtoconsider Unlessexploratorydataanalysisuncoversindications usuallyquantitativeones thereislikelytobenothingforconfirmatorydataanalysistoconsider Tukey 1977 SEM的产生与发展 续2 将Wright的路径分析与J reskog的CFA融合在一起 从而诞生了SEM SEM的产生与发展 续3 基本假定 所涉变量 路径分析 可测变量 潜变量与可测变量 CFA SEM 潜变量无关 潜变量与可测变量 可测变量可以有测量误差潜变量可以相关 变量没有测量误差 SEM的产生与发展 续4 1970年代 LISREL的诞生极大地促进了SEM的研究与应用1994年 创立了专门的杂志StructuralEquationModeling20世纪末 计算科学家和科学哲学家进一步发展了线性因果关系理论与算法 使得SEM在线性因果关系建模中的应用在理论 统计以及计算方面都得以深化和推广 其他SEM分析软件EQS Amos EZPath SEPath COSAN MxR中的SEM SAS中的CALIS FamilyTreeofSEM T test ANOVA Multi wayANOVA RepeatedMeasureDesigns GrowthCurveAnalysis BivariateCorrelation MultipleRegression PathAnalysis StructuralEquationModeling FactorAnalysis ExploratoryFactorAnalysis ConfirmatoryFactorAnalysis SEM的优势与局限 优势 与多元回归相比 moreflexibleassumptions particularlyallowinginterpretationeveninthefaceofmulticollinearity useofconfirmatoryfactoranalysistoreducemeasurementerrorbyhavingmultipleindicatorsperlatentvariabletheattractionofSEM sgraphicalmodelinginterfacethedesirabilityoftestingmodelsoverallratherthancoefficientsindividuallytheabilitytotestmodelswithmultipledependentstheabilitytomodelmediatingvariablesratherthanberestrictedtoanadditivemodeltheabilitytomodelerrortermstheabilitytotestcoefficientsacrossmultiplebetween subjectsgroupsabilitytohandledifficultdata timeserieswithautocorrelatederror non normaldata incompletedatawhereregressionishighlysusceptibletoerrorofinterpretationbymisspecification theSEMstrategyofcomparingalternativemodelstoassessrelativemodelfitmakesitmorerobust局限 SEMcannotitselfdrawcausalarrowsinmodelsorresolvecausalambiguities Theoreticalinsightandjudgmentbytheresearcherisstillofutmostimportance SEM的基本形式 结构模型 潜变量 Latent unobservedvariables 之间的因果关系外生变量 Exogenousvariables 外生变量 Endogenousvariables 无关 SEM的基本形式 测量模型 反映潜变量与可测变量 Observed measuredvariables 之间的关系 因子载荷 loadings 无关 结构方程图 ObservedVariable LatentVariable Loading ObservedVariables LatentVariables 0 15 Loadings 图例 ErrorVar SEM示例 stabilityofalienation 结构方程 测量方程 测量方程 因果推断理论 三个主要的因果模型潜在结果模型 Neyman 1923 Rubin 1974 事先假定变量间的因果关系评价一个变量对另一个变量的因果作用不能用于发现变量间的因果关系因果网络图 Spites 2000 Pearl 1995 利用有向非循环图描述多变量之间的因果网络关系根据数据学习因果网络的结构和网络的参数试图发现变量间的因果关系Granger因果模型 Granger 1969 图的几个基本术语 图 点集合和边集合的二元组顶点 节点 vertex node 变量边 edge 依存性无向边 有向边有向图 directedgraph 所有的边都是有向边箭头 原因变量 结果变量路径 path 从节点Xi开始 中间不重复经过节点到节点Xj的连续连接的边集合 不管边的方向有向路径 路径上所有的边的方向都是朝向Xj有向环 从Xi到Xi的有向路径 有向图示例 X1 X1 X3 X4 X5 变量的Markov链有向图 X1 Y2 Y5 Y3 Y4 Y1 有分支和扰动的树形图 有向图的类型 有向有环图 directedcyclicgraph 有有向环的图也称为非递归模型 nonrecursivemodel 有向无环图 directedacyclicgraph DAG 没有有向环的图也称为递归模型 recursivemodel X1 Y2 Y1 无环图 X1 Y2 Y1 有环图 哪种图所示的条件分布可以推导出变量的联合分布 DAG的几个术语 父节点 parents 结果变量的直接原因子节点 child daughter 原因变量的直接结果祖节点 ancestor 与某变量间有直接路径的所有变量后裔节点 descendent 从某变量出发的直接路径上的所有变量 X2 Y1 Y2 Y3 Y4 X1 X3 所有的父节点都是祖节点所有的子节点都是后裔节点 DAG描述的概率分布 对于一个DAG 总可以将所有节点排序 使得每个节点Xj的父节点都排在该节点之前DAG描述的概率分布为 DAG与因果机制 如果DAG的有向边表示因果关系的话 则称其为一个因果网络一个因果网络可以被视为一个数据生成机制由网络的无父节点的变量开始产生数据然后产生下一代逐步进行 直至产生了所有变量的数据 问题仅仅根据一个时点的观察数据能否找出变量间的因果关系 利用条件独立性是否可能判断因与果 Markov条件 令PAj表示节点Xj的父节点的集合 一个DAG描述的概率分布具有如下的条件独立假定TheMarkovconditionimpliesthatvariableswillbeunconditionallydependentontheirparentsbutconditionallyindependentofallothernondescendentvariables conditionalonparents 定理 令X Y和Z为互不相交的节点集 则当且仅当X和Y被Z有向分离 d separated 有向分离准则 Apathissaidtobed separated orblocked byasetofnodesZifandonlyifpcontainsachaini m joraforki m jsuchthatthemiddlenodemisinsetZ orpcontainsaninvertedfork orcollider i m jsuchthatthemiddlenodemisnotinsetZandsuchthatnodescendentofmisinZ如果一个路径不是有向分离的 称为有向连接的 d connected AsetZofvariablescorrespondingtonodesintheDAGissaidtobed separateasetofvariablesXfromYifandonlyifZblockseverypathfromanodeinXtoanodeinY 可用来推断 起初相关的变量何时变得独立起初独立的变量如何变得相关 在给定原因条件下 其多个结果之间 如果没有因果关系的话 是相互独立的作为原因的多个因素 即使它们之间是相互独立的 但是给定结果后 这些原因可能变得相关了很难想象 两个原因相关 给定结果后 这两个原因因素变得相互独立了 例 判断一个人是否吸烟 吸烟 a 慢性支气管炎 c 饮用水含氟高 b 牙齿黄 d 被发现牙齿黄 e 给定 牙齿黄 这一证据 吸烟 和 被发现牙齿黄 之间相关吗 给定 牙齿黄 这一证据 吸烟 和 饮用水含氟高 之间相关吗 给定 被发现牙齿黄 这一证据 吸烟 和 饮用水含氟高 之间相关吗 DAG的估计 两个问题估计问题 给定一个DAG G 和来自分布f的数据V 如何估计f模型选择问题 给定数据V 如何估计G估计问题 极大似然估计模型选择问题 利用极大似然估计来估计每个可能的DAG 并用AIC或其他准则来选择一个DAG 干预与因果关系判断 考虑一个二元组 G P 其中G是一个DAG P是DAG中变量V的一个分布 令f表示P的概率分布函数 考虑干预和固定一个变量X 使之等于x 通过做两件事来表示该干预通过移走所有指向X的有向边来产生一个新的DAG G 通过从f v 中移走f x PAx 来产生一个新的分布f v P V v X x 新的二元组 G P 表示干预 setX x 太阳升起 公鸡打鸣公鸡打鸣 太阳升起 同一个分布可以用不同的图来表示 哪一个图表示正确的因果关系 Amos AnalysisofMomentStructures 简介 AMOSGraphicsdrawSEMgraphsrunsSEMm