|
|
使用复杂测量数据建模
在 Mplus 中分析复杂调查数据有两种方法。一种方法是计算标准误差和模型拟合的卡方检验，同时考虑到分层、由于聚类抽样引起的观测值的非独立性和/或不等的选择概率。亚群分析、复制权重和有限总体校正也可用。对于采样权重，通过最大化加权对数相似函数来估计参数。标准误差计算使用三明治估计器。对于这种方法，观察到的结果变量可以是连续的、删失的、二元的、有序的分类（序数）、无序的分类变量（名义变量）、计数或这些变量类型的组合。 第二种方法是为多水平数据的每个水平指定一个模型，从而对由于聚类抽样而导致的观测值的非独立性进行建模。这通常称为多水平建模。允许在参数估计、标准误差和模型拟合的卡方检验时使用采样权重。可以使用个人水平和群集水平权重。对于采样权重，通过最大化加权对数相似函数来估计参数。标准误差计算使用三明治估计器。对于这种方法，观察到的结果变量可以是连续的、删失的、二元的、有序的分类（序数）、无序的分类变量（名义变量）、计数或这些变量类型的组合。 完整建模框架的多水平扩展允许在分层数据中跨聚类变化的随机截距和随机斜率。对于自变量和因变量以及观测变量和潜在变量的完整 Mplus 模型的任何关系，都可以指定这些随机效应。表示截距和斜率的跨集群变化或个体增长差异的随机效应可以与单个和集群水平上的多个指标测量的因素相结合。根据SEM，允许在随机效应之间，因子之间以及随机效应和因子之间进行回归。 上述两种方法可以结合使用。除了为多水平数据的每个水平指定一个模型，从而对由于聚类抽样而导致的观测值的非独立性进行建模外，还计算了标准误差和模型拟合的卡方检验，同时考虑到分层、由于聚类抽样引起的观测值的非独立性和/或选择概率不等。当同时存在由于主要和次要采样阶段而导致的聚类时，计算模型拟合的标准误差和卡方检验时，将考虑由于主要采样阶段引起的聚类和对由于次要采样阶段引起的聚类进行建模。 上面列出的大多数特殊功能都可用于复杂测量数据的建模。
在线留言尊敬的客户朋友，如您有任何意见建议，请通过下表反馈给我们，我们会尽快与您联系。
|
|
|
||||||||||||||||||||||||
400-621-1085
