Amarengo

Articles and news

Latent Variable Models and Factor Analysis: a Unified Approach, 3rd Edition

Esipuhe xi

kuittaukset xv

1 Basic Ideas and Examples 1

1.1 the statistical problem 1

1.2 the basic idea 3

1.3 kaksi esimerkkiä 4

1.4 laajempi teoreettinen näkemys 6

1.5 vaihtoehtoisen lähestymistavan kuvaus 8

1.6 erityistapausten yleiskatsaus 10

1.7 pääkomponentit 11

1.8 the historical context 12

1.9 Closely related fields in Statistics 17

2 The General Linear Latent Variable Model 19

2.1 Introduction 19

2.2 the model 19

2.3 Some properties of the model 20

2.4 a special case 21

2.5 riittävyysperiaate 22

2.6 pääasialliset erityistapaukset 24

2.7 latentti muuttuva malli Epälineaarisilla termeillä 25

2.8 mallien asentaminen 27

2.9 parhaan todennäköisyyden mukainen asentaminen 29

2.10 Bayesilaisilla menetelmillä 30

2.11 kierto 33

2.12 tulkinta 35

2.13 parametrin estimaattien otantavirhe 38

2.14 aiempi jakauma 39

2.15 Jälkianalyysi 41

2.16 seuraava huomautus aiemmasta 43

2.17 psykometrinen päättely 44

3 normaali Lineaarinen tekijä malli 47

3.1 malli 47

3.2 jotkut jakaumaominaisuudet 48

3.3 rajoitteet malliin 50

3.4 suurimman todennäköisyyden estimointi 50

3.5 suurin todennäköisyysarvio E-M-algoritmilla 53

3.6 estimaattoreiden Näytteenottovaihtelu 55

3.7 sopivuuden hyvyys ja Q 58: n valinta

3.8 sopivuus ilman normaalioletuksia: pienimmän neliösumman menetelmät 59

3.9 muut sovitusmenetelmät 61

3.10 likimääräiset menetelmät 62

3.11 sopivuus ja valinta Q pienimmän neliösumman menetelmien osalta 63

3.12 Lisäarvion kysymykset 64

3.13 kierto ja siihen liittyvät asiat 69

3.14 posterior-analyysi: normaali tapaus 67

3.15 posterior-analyysi: pienimmän neliösumman 72

3.16 posterior-analyysi: a reliability approach 74

3, 17 Examples 74

4 Binary Data: Latent Trait Models 83

4, 1 Preliminaries 83

4, 2 The logit/normal model 84

4, 3 The probit/normal model 86

4, 4 vastefunktion ja taustalla olevan muuttujan lähestymistapojen vastaavuus 88

4.5 logit/Normal-mallin mukainen: E-M-algoritmi 90

4.6 suurimman todennäköisyyden Estimaattoreiden näytteenotto-ominaisuudet 94

4.7 likimääräiset suurimman todennäköisyyden estimaattorit 95

4.8 yleiset pienimmän neliösumman menetelmät 96

4.9 fit 97

4.10 Posterior-analyysi 100

4.11 logit/normal-ja probit/normal-mallien sovittaminen: Markovin ketju Monte Carlo 102

4.12 estimointialgoritmin ero 109

4.13 esimerkit 109

5 Polytomiatiedot: latentti ominaisuusmalli 119

5.1 johdanto 119

5.2 vastefunktiomalli, joka perustuu riittävyysperiaatteeseen 120

5.3 Parametritulkinta 124

5.4 rotaatio 124

5.5 Maksimitodennäköisyysarvio Polytomisesta logit-mallista 125

5.6 likiarvo todennäköisyyteen 126

5.7 Binääritiedot erityistapauksena 134

5.8 luokkien 136

5.9 vaihtoehtoinen taustalla oleva muuttujan malli 144

5.10 Posteriorianalyysi 147

5.11 lisähavainnot 148

5.12 esimerkkejä polytomisten tietojen analysoinnista logit-mallilla 149

6 latenttiluokkamallia 157

6.1 johdanto 157

6.2 latenttiluokkamalli binäärisillä manifestimuuttujilla 158

6.3 binaaritietojen latenttiluokkamalli latenttina ominaisuutena 159

6, 4 Latenttiluokkia GLLVM: ssä 161

6, 5 maksimitodennäköisyysarvio 162

6, 6 Keskivirhettä 164

6, 7 posteriorinen analyysi latenttiluokkamallista binäärisillä manifestimuuttujilla 166

6.8 hyvyys fit 167

6.9 esimerkkejä binääritiedoille 167

6.10 latenttiluokkamallit, joissa järjestämättömät polytomiset Manifestimuuttujat 170

6.11 Latenttiluokkamallit, joissa järjestetyt polytomiset manifestimuuttujat 171

6.12 suurimman todennäköisyyden estimointi 172

6.13 esimerkkejä järjestämättömistä polytomisista tiedoista 174

6.14 tunnistettavuus 178

6.15 lähtöarvot 180

6.16 Latenttiluokan mallit, joissa on metrinen manifesti muuttuja 180

6.17 mallit, joissa on järjestetty latentti luokat 181

6.18 hybridimallit 182

7 mallit ja menetelmät sekamuotoisten muuttujien 191

7.1 Johdanto 191

7.2 päätulokset 192

7.3 muut eksponentiaalisen perheen jäsenet 193

7.4 suurimman todennäköisyyden estimointi 195

7, 5 otanta-ominaisuudet ja hyvyys Fit 201

7, 6 sekalaiset latenttiluokkamallit 202

7, 7 Posteriorianalyysi 203

7, 8 esimerkkejä 204

7, 9 järjestetyt kategoriset muuttujat ja muut yleistykset 208

8 latenttien muuttujien väliset suhteet 213

8.1 scope 213

8.2 korreloivat latentit muuttujat 213

8.3 Procrustes methods 215

8.4 ennakkotietojen lähteet 215

8.5 lineaariset rakennesuhdemallit 216

8.6 LISREL-malli 218

8.7 rakenteellisen yhtälömallin 221

8. 8 rakenteelliset suhteet yleisessä ympäristössä 222

8. 9 LISREL-mallin 223

8. 10 esimerkkejä malleista, joita ei voi erottaa 224

8. 11 implications for analysis 227

9 related techniques for investigating dependence 229

9.1 introduction 229

9.2 principal components analysis, (PCA) 229

9.3 an alternative to the normal factor model 236

9.4 latenttien muuttujien korvaaminen manifestoitujen muuttujien lineaarisilla funktioilla 238

9.5 estimointi latenttien muuttujien korrelaatioista ja regressioista 240

9.6 Q-menetelmä 242

9.7 Loppuhuipennukset latenttien muuttujien roolista tilastollisessa mallintamisessa 244

Vastaa

Sähköpostiosoitettasi ei julkaista.