Replies: 11 comments 9 replies
-
PLS似乎会好一点 |
Beta Was this translation helpful? Give feedback.
-
|
PLS比起协方差建模方法是要稍微好一点点，但PLS同样也仅仅只利用了协方差的信息，相比之下其优点在于计算的复杂性大大降低了，求特征向量/特征根的问题我们完全是有把握的，而SEM协方差建模的方法中，求那个目标函数的极小值根本就是非常扯的事情，难以想象。
|
Beta Was this translation helpful? Give feedback.
-
…………师兄说的确实也有道理，不过貌似现在在社会科学领域结果方程还是挺吃香，我们这学期刚学完的结构方程，我的领悟还不深，不过其中一点是结构方程主要目的是做CFA，所以做结果方程之前的理论建构应该是更好总要的吧 |
Beta Was this translation helpful? Give feedback.
-
|
我想它popular的一点重要原因就是可以任人摆布，要想做出一个SEM不支持的理论，难
|
Beta Was this translation helpful? Give feedback.
-
对了 把这篇贴网址推荐到到我们班级学习的GOOGLE group 了，师兄不介意吧 |
Beta Was this translation helpful? Give feedback.
-
|
No problem
|
Beta Was this translation helpful? Give feedback.
-
SEM的应用确实很值得反思甚至反动，但不是在所提的三个问题的层面上。 第一个问题：经过数理统计专业训练的同行应该知道充分统计量这个概念。SEM在理论上也有考虑进偏度、峰度的模型(Bentler为首的研究团队一直在推这种叫做ADF的模型)，只是在应用中明显处于劣势被淘汰。因为需要的样本量太多，在小样本时没用；但在大样本时，普通的正态假设模型就已经很好用了。 第二个问题：计算复杂性问题是软件和算法研究者做的事情，应用者不应该牵扯详细的迭代过程，只需要知道迭代是否收敛。对于常见的SEM模型和不过分少的样本量，收敛不是问题。lisrel软件设计者对计算复杂性的政策是：如果有异样，就原样报告给用户，不给掩盖问题的缺省方案。 第三个问题：RMSEA的区间估计有明确的统计意义，可以告诉使用者“贵模型有能力近似地描述当前样本”或"贵模型没能力近似地描述当前样本"或"样本太少，证据不足"。 我的意见： SEM的致命伤是前提太多，用家经常混淆什么是模型的前提，什么是模型所检验的结论。输入的整个框架是模型的前提，谁指向谁、谁解释谁，这些信息的90%不是模型检验的结论，而是模型的前提。因为前提实在太多了，所以（前提&结果）就太容易被质疑。但（前提-->结果）极严谨，并无破绽。正如 SEM比简单的线性回归多出来的一个麻烦是因子命名的效度，“几若善博者呼卢成卢，喝雉成雉”。但效度这样一个争吵了几十年的老问题，SEM不过是雨露均沾，不足为致命伤。 |
Beta Was this translation helpful? Give feedback.
-
|
多谢李老师的教诲！ 1、我一直都在想的问题是，若只用协方差的信息建模，那么意思就是说，只要两批样本的协方差矩阵相同，那么在结构方程模型的眼中，这两批样本就没有任何区别，我觉得这是不合理的。另外，我从您说的ADF模型中看出您似乎有点误解我的意思了，我不是说数据是否服从正态分布的问题（这也是问题之一），而是说对数据的信息利用充分程度。另外，我不知道协方差矩阵是不是充分统计量（初步感觉应该不是），还望老师指点。 2、这一点也要请教老师，应用者通常有没有注意两个问题：（1）对于如此高度复杂的优化问题，是否多次更改迭代初始值，让程序多次计算并检验计算结果的稳定性；（我所了解的一位老师就完全没有意识到这个问题的重要性，这让我非常吃惊）（2）有没有尝试类似leave-one-out之类的算法，随意删掉一条样本记录，再重新计算，看结果是否有大的波动。我认为在SEM的计算过程中，这两点是一定要做的，而我所读到的论文似乎都很少提及这些事情，因此我很怀疑那些看似漂亮的结果背后隐藏着多大的不稳定性。 3、我的意思是，SEM的思想源自一个假设检验，那么这就注定我们只有把握拒绝这个模型，而当我们作出“接受某个模型”的决定时，我们是很难意识到犯第II类错误的危险的。至于RMSEA之类的辅助指标，基本上都取决于怎样定义S和Sigma之间的差异，而这个差异要怎样小才算小，多大又算大？也是没有一定之规，RMSEA<0.05就是好模型吗？不一定。 至于您提到的因子命名的问题，就是更麻烦的问题了，几乎就没办法讲理了……我甚至想知道有没有SEM做不出来的理论（东家一套命名，西家一套命名，大家各自都能得到SEM的支持）。 以上四个问题中，有两个是Norman Cliff(1983)提到过的。我觉得对于SEM的研究者来说，这篇论文还是非常有价值的。
|
Beta Was this translation helpful? Give feedback.
-
闻道先后，术业专攻，不合适“教诲”这么重的语气。
当然，样本量充分多时，也就是总体已知时，可以知道两个变量之间的预测关系的非线性成分。线性回归可以引入二阶项、交互项，但SEM照样也有类似的扩展。 SEM研究的对象是总体的二阶中心矩，所以样本的二阶中心矩就是充分统计量。
|
Beta Was this translation helpful? Give feedback.
-
|
从您的回复中我的确又学到了一些新的东西（准确地说是视角），所以“教诲”也不为过啦，呵呵 1、这么想倒也有道理，统计的祖宗之一Pearson做的工作确实是在计算前四阶矩。 2、我这么看重计算的问题，是因为我感觉国内的统计氛围中，对统计计算忽视得太严重了，尤其是过于依赖软件，我是非常支持开源软件的，因此对于无法看到源代码的软件始终有种不信任的感觉，把具体的计算过程封闭起来不让别人看到，这样谁都无法了解计算中是否存在bug。R里面有sem包，所以我可以从其源代码中看见John Fox用的是nlm()函数来完成最小化，而LISREL用的是什么方法来最小化目标函数的呢，官方网站上似乎没有提及这件事。 3、RMSEA不是SQRT[(Chi^2 - df / (N - 1))/df]么？这里面看不出它有上界吧？因为没有上界（参照物），所以就无法判断多小算作足够小。统计里面有些指标是有范围的，像您提到的R^2，如果不钻牛角尖，我们还是可以讲0.9算大0.1算小的，因为它的取值在[0，1]之间。而且，在ML估计的情况下，即使Chi^2=0、RMSEA=0，也反推不出S=Sigma（这二者之间没有if and only if的关系）。 4、我个人的意思是，模型的灵活性是好的，但SEM也未免太灵活了。
|
Beta Was this translation helpful? Give feedback.
-
Browne, M. W., & Cudeck, R. (1993). Alternative ways of assessing model fit. In (ed.) Bollen, K. A. & Long, J. S., Testing Structural Equation Models, 136-61. Newbury Park, CA: Sage MacCallum, R.C., & Austin, J.T. (2000) Applications of structural equation modeling in psychological research. Annual Review of Psychology, 51, 201-226. |
Beta Was this translation helpful? Give feedback.
-
|
好的，等有空我争取读一读您提到的文章，也期待你们的作品：） 非常感谢您的意见，难得我的Blog上有如此充分的交流 😁
|
Beta Was this translation helpful? Give feedback.
-
我这个学期有选SEM的课，当然是在社会科学领域。我认为SEM最方便的地方在于它灵活的建模方式，提供了一种方便的把理论转化为模型的思路。我主要是从这个角度来使用SEM，而至于你说的variance-covariance矩阵方面的质疑，并未做太多考虑。可能我们做社会科学的就像你所说的那样，做出漂亮的Chi2和RMSEA就不去考虑别的条件。这方面应该加强。 如果不麻烦的话，可否请你解释一下那个所谓几阶样本距的概念么？或者推荐一些基本的文献参考。 I am wondering whether you are the person I met in Renmin Univ. |
Beta Was this translation helpful? Give feedback.
-
|
概率论或者数理统计的书。 我记得你的邮箱，你应该没认错人：）
|
Beta Was this translation helpful? Give feedback.
-
呵呵，正在考虑用SEM来做课题设计后续部分的数据分析探讨，见前辈对SEM的口诛毛伐，有点迟疑。呵呵，不过，不得不说，前辈揭的SEM的痛处是其硬伤，我得再备加斟酌或择或弃：》 |
Beta Was this translation helpful? Give feedback.
-
|
不要受我蛊惑，我发牢骚只是SEM这个东西几乎人人都说好，越说越神奇，这就有问题了。自己好好琢磨琢磨吧。
|
Beta Was this translation helpful? Give feedback.
-
呵呵，也是，贫僧之前所见，几乎悉奉之为统计学的里程碑。今闻前辈醍醐灌顶，始明需冷眼观之。借哲学的辩证法之说，便是事物矛盾的双重性所在了：》 |
Beta Was this translation helpful? Give feedback.
-
AMOS最大的问题就在于，改模型只需画线，但模型估计、拟合全是黑箱操作，很容易滥用。。。 |
Beta Was this translation helpful? Give feedback.
-
|
我的天哪，我完全支持谢老师的观点！真的是完全说出了我的心声！最近在做研究时对SEM产生了深深的思考：我为什么要做它，它能解决什么实际问题？ |
Beta Was this translation helpful? Give feedback.
-
|
年少无知的我凶狠起来我自己都害怕，哈哈。后面我还发过好几篇牢骚： |
Beta Was this translation helpful? Give feedback.
-
结构方程模型：罄竹难书
https://yihui.org/cn/2008/01/why-i-hate-structural-equation-models/
Beta Was this translation helpful? Give feedback.
All reactions