苹果/安卓/wp
积分 323, 距离下一级还需 127 积分
权限: 自定义头衔, 签名中使用图片
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡下一级可获得
道具: 抢沙发
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
开心签到天数: 2 天连续签到: 1 天[LV.1]初来乍到
潜变量建模与Mplus应用：基础篇丛 书 名&&作& &&&者
ＩＳＢＮ 5
载入中......
21:25:03 上传
1005.64 KB
潜变量建模与Mplus应用：基础篇:书中数据与MPLUS语句
总评分:&经验 + 60&
论坛币 + 100&
学术水平 + 3&
热心指数 + 2&
信用等级 + 3&
本帖被以下文库推荐
& |主题: 2645, 订阅: 38
& |主题: 90, 订阅: 14
Mplus学习分享.cn/u/
寻找了近10天，终于有了，太好了！
thanks for your sharing.
研究有一个自变量、一个中介变量、一个调节变量。王老师在他的书里给出了对于这样混合模型的mplus语句，可是如果自变量、中介变量、调节变量各自有五个维度，这样的混合模型该怎么写语句呢？求各位大神帮帮忙···
这个要支持
买书学习，求mac版能用的软件
到哪里去找这么好的人
多谢啦~最近开始学这个了
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
论坛法律顾问：王进律师苹果/安卓/wp
积分 12, 距离下一级还需 12 积分
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
各位大神 这是我论文设计中的一部分 出现了如下语句“& &&&WARNING:&&THE RESIDUAL COVARIANCE MATRIX (THETA) IS NOT POSITIVE DEFINITE.& &&&THIS COULD INDICATE A NEGATIVE VARIANCE/RESIDUAL VARIANCE FOR AN OBSERVED
& &&&VARIABLE, A CORRELATION GREATER OR EQUAL TO ONE BETWEEN TWO OBSERVED
& &&&VARIABLES, OR A LINEAR DEPENDENCY AMONG MORE THAN TWO OBSERVED VARIABLES.
& &&&CHECK THE RESULTS SECTION FOR MORE INFORMATION.
& &&&PROBLEM INVOLVING VARIABLE Y1.&
这是不是说明Y1有问题？ 但是不在模型中单独的验证性因素分析y的模型是成立的 那我该如何从处理呢 下一步该怎么办。
关于我模型中中介变量是两个显变量也是因为我用潜变量不拟合的缘故 郁闷 。
求帮助 谢谢！！
17:55:52 上传
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
你的数据是非正定矩阵，可能存在高度共线性的观测指标。
南南数据 发表于
你的数据是非正定矩阵，可能存在高度共线性的观测指标。那应该怎么做呢……怎么才能得出结果呢……
检查你的原始数据结构，看看因子结构界定是否合理，变量间是否存在高度相关等。
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
论坛法律顾问：王进律师缺失值处理的现代方法
&&&&前文：缺失值的机制和传统处理方法
&&&&传统的方法存在种种不足，新的方法也在不断发展，其中最为研究者推崇的方法为多重填补(Multiple
Imputation, MI)和极大似然估计(Allison, 2003; Graham, 2009; Schafer
& Graham, 2002)。
极大似然估计
极大似然估计在处理缺失值数据时又称作全息极大似然估计(Full Information Maximum Likelihood,
FIML)，意指使用所有观测变量的全部信息。FIML同ML分析完整数据过程一样，只是在计算单个对数似然值时使用全部完整信息而不考虑缺失值（公示见，Enders,
2010）。因此，ML处理缺失值并非使用替代值将缺失填补，而是使用已知信息采用迭代的方式估计参数。FIML在MCAR和MAR下产生无偏和有效的参数估计值。当在非正态分布时，FIML需要使用同完整数据时的参数校正统计量（S-Bχ2等，见本章），Bootstrapping也是有效的策略之一。
FIML法包含辅助变量的分析使用Graham (2003)提出的饱和相关模型(Saturated
Correlates)，即将辅助变量纳入模型中，同时允许辅助变量间、辅助变量与外生观测指标以及内生观测指标的测量误差相关。假设第5章PTSD例子的数据存在缺失值，同时假定性别和年龄为辅助变量，表9-5给了使用FIML估计DSM三因子结构的Mplus程序。
表9-5 FIML处理缺失值的Mplus语句
TITLE: CFA Model With Missing D
DATA: FILE IS PTSD with Missing.
NAME are gender age y1-y17;
USEVARIABLES = y1-y17;
MISSING = ALL (9);
AUXILIARY = (m) gender
&!设置自动包含辅助变量，（m）指定缺失分析的辅助变量。也可在模型中设置辅助变量与指标的相关，见(Enders,
2010，例5-14)
TYPE =!第5版之后此项为默认设置；
ESTIMATOR = ML; !非正态时可以选用MLM或MLR等；
INFORMATION =
!Mplus提供Expected和Observed两种信息矩阵，两者的区别在于计算标准误时依据的缺失值机制不同，期望矩阵的要求是MCAR而观测依据的是MAR，所以通常使用的Observed矩阵(Enders,
BOOTSTRAP = 500 (residual); !获得BOOTSTRAP标准误；
F1 by y1-y5*;
F2 by y6-y12*;
F3 by y13-y17*;
多重插补法(Multiple Imputation, MI)
该方法由Rubin(1987)最早提出，假设在数据随机缺失情况下，用两个或更多能反映数据本身概率分布的值来填补缺失值的方法。一个完整的MI包含三步：数据填补(Imputation
Phase)，计算(Analysis Phase)和汇总(Pooling Phase)。数据填补是关键一步，对每一个缺失数据填补m(
1)次。每次填补将产生一个完全数据集，以此类推，共产生m个完全数据集。第二步，对每一个完全数据集采用标准的完全数据分析方法进行分析。第三步，将所每次分析得到的结果进行综合，得到最终的统计推断。根据数据缺失机制、模式以及变量类型，可分别采用回归、预测均数匹配(
predictive mean matching, PMM )、趋势得分( propensity score, PS
)、Logistic回归、判别分析以及马尔可夫链蒙特卡罗( Markov Chain Monte Carlo, MCMC)
等不同的方法进行填补。与FIML不同，MI采用填补缺失值的方法。MI要求数据缺失为MAR，如果采用ML估计同样要求数据分布符合多元正态分布假设，但研究发现违反正态性假设对MI参数精确性影响不大(Demirtas,
Freels, & Yucel, 2008; Schafer,
1997)。另外一个影响估计精确性的因素是缺失率，Demirtas等(2008)的研究发现缺失率高达25%仍能得到精确的参数估计结果。
在具体使用MI时需要考虑m的次数，类似Bootstrapping抽样，理论上来说m的数量越多估计越精确，但太大的数量会增加计算负荷，模拟研究指出m
= 20在多数情况下是合适的(Graham, Olchowski, & Gilreath,
在Mplus中执行MI需要两步，第一步数据插补，第二步使用第一步插补的数据集估计计算并输出汇总结果，两步的Mplus语句呈现在表9-6中。
表9-6 多重插补法处理缺失值的Mplus语句
TITLE: CFA Model With Missing D
DATA: FILE IS PTSD with Missing.
NAME are gender age y1-y17;
USEVARIABLES = y1-y17;
MISSING = ALL (9);
AUXILIARY = (m) gender
&!括号内的m表示其后的变量作为缺失值的辅助变量。
DATA IMPUTATION:
& IMPUTE = y1-y17;
!设置存在缺失值的变量进行插补，如果是类别变量在变量名后加“（C）”。
& NDATASETS = 50; !设置m = 50，默认值为5；
&&save = PTSDimp*.
!设置插补的50个数据集保存文件名，“*”将被数值替换。
&ANALYSIS:
& ! SEED FOR DATA AUGMENTATION ALGORITHM;
& bseed = 79566;
& ! NUMBER OF DATA AUGMENTATION CHAINS;
& chains = 1;
TITLE: Summary Statistics with Multiply Imputed D
DATA: FILE IS PTSDimplist.使用第一步保存的插补数据文件集；
进行MI设置；
&& NAME are gender age
USEVARIABLES = y1-y17;
& ESTIMATOR = ML;
& INFORMATION = 标准误基于观测信息矩阵；
& F1 by y1-y5*;
F2 by y6-y12*;
F3 by y13-y17*;
OUTPUT: STANDARDIZED;
Mplus学习机会：
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。