Amarengo

Articles and news

Latente Variabele Modellen en Factor-Analyse: Een geïntegreerde Benadering, 3e Editie

Voorwoord xi

Dankwoord xv

1 Basis-Ideeën en Voorbeelden 1

1.1 Het statistische probleem 1

1.2 Het basisidee 3

1.3 Twee Voorbeelden 4

1.4 Een breder theoretisch beeld 6

1.5 voorbeeld van een alternatieve aanpak 8

1.6 Een overzicht van speciale gevallen 10

1.7 Belangrijkste onderdelen 11

1.8 De historische context 12

1.9 Nauw verwante velden in de Statistieken van 17

2 De Algemene Lineaire Latente Variabele Model 19

2.1 Inleiding 19

2.2 Het model 19

2.3 een Aantal eigenschappen van het model 20

2.4 Een speciaal geval 21

2.5 De toereikendheid principe 22

2.6 Opdrachtgever bijzondere gevallen 24

2.7 Latente variabele modellen met niet-lineaire termen 25

2.8 Montage van de modellen 27

2.9 Montage van maximale waarschijnlijkheid 29

2.10 Montage door Bayesiaanse methoden 30

2.11 Rotatie 33

2.12 Interpretatie 35

2.13 Sampling error van de parameter schattingen 38

2.14 Het voorgaande distributie 39

2.15-Posterior analyse 41

2.16 voor Een verdere toelichting op de voorafgaande 43

2.17 Psychometrische Gevolgtrekking 44

3 De Normale Lineaire Factor Model 47

3.1 Het model 47

3.2 Sommige verschillen in de eigenschappen van 48

3.3 Beperkingen van het model 50

3.4 Maximum likelihood schatting 50

3.5 Maximum likelihood schatting van de E-M-algoritme 53

3.6 Sampling variatie van schatters 55

3.7 Goodness-of-fit en de keuze van de q 58

3.8 Montage zonder normaliteit veronderstellingen: De kleinste kwadraten methoden 59

3.9 Andere methoden van montage 61

3.10 Geschatte methoden voor het schatten van 62

3.11 Goodness-of-fit en de keuze van de q voor de kleinste kwadraten methoden 63

3.12 Verder schatting problemen 64

3.13 Rotatie en aanverwante zaken, 69

3.14 Posterior analyse: De normale geval 67

3.15 Posterior analyse: kleinste-kwadraten-72

3.16 Posterior analyse: een betrouwbaarheid aanpak 74

3.17 Voorbeelden 74

4 Binaire Gegevens: Latent Trait Modellen 83

4.1 Voorrondes 83

4.2 De logit/normaal model 84

4.3 De probit/normaal model 86

4.4 De gelijkwaardigheid van de reactie van de functie en de onderliggende variabele benaderingen 88

4.5 Montage van de logit/normaal model: de E-M-algoritme 90

4.6 Bemonstering eigenschappen van de maximum likelihood schatters 94

4.7 Geschatte maximum likelihood schatters 95

4.8 Gegeneraliseerde kleinste kwadraten methoden 96

4.9 Goodness-of-fit 97

4.10-Posterior analyse 100

4.11 Montage van de logit/normaal en probit/normale modellen: Markov Chain Monte Carlo 102

4.12 Afwijking van de raming algoritme 109

4.13 Voorbeelden 109

5 Polytomous Gegevens: Latent Trait Modellen 119

5.1 Inleiding 119

5.2 Een reactie functie model gebaseerd op de toereikendheid principe 120

5.3 Parameter interpretatie 124

5.4 Rotatie 124

5.5 Maximum likelihood schatting van de polytomous logit model 125

5.6 Een benadering voor de kans 126

5.7 Binaire data als een speciaal geval van 134

5.8 het Bestellen van de categorieën 136

5.9 Een alternatief onderliggende variabele model 144

5.10-Posterior analyse 147

5.11 Verdere opmerkingen 148

5.12 Voorbeelden van de analyse van polytomous gegevens met behulp van het logit-model 149

6 Latente Klasse Modellen 157

6.1 Inleiding 157

6.2 Het latent class model met binaire manifeste variabelen 158

6.3 Het latent class model voor binaire data als een latent trait model 159

6.4 Latente Klassen binnen de GLLVM 161

6.5 Maximum likelihood schatting 162

6.6 Standaard fouten 164

6.7 Posterior analyse van het latent class model met binaire manifeste variabelen 166

6.8 Goodness-of-Fit 167

6.9 Voorbeelden voor binaire Gegevens 167

6.10 Latente klasse modellen met ongeordende polytomous manifeste variabelen 170

6.11 Latente klasse modellen besteld polytomous manifeste variabelen 171

6.12 Maximum likelihood schatting 172

6.13 Voorbeelden voor ongeordende polytomous gegevens 174

6.14 Identificeerbaarheid, 178

6.15 Starten waarden 180

6.16 Latente klasse modellen met metrische manifeste variabelen 180

6.17 Modellen besteld latente klassen 181

6.18 Hybride modellen 182

7 Modellen en Methoden voor de Manifeste Variabelen van het Gemengde Type 191

7.1 Inleiding 191

7.2 Opdrachtgever de resultaten 192

7.3 Overige leden van de exponentiële familie 193

7.4 Maximum likelihood schatting 195

7.5 Bemonstering eigenschappen en Goodness-of-Fit 201

7.6 Gemengde latente klasse modellen 202

7.7 Posterior analyse 203

7.8 Voorbeelden 204

7.9 Besteld categorische variabelen en andere generalisaties 208

8 Relaties Tussen de Latente Variabelen 213

8.1 Toepassingsgebied 213

8.2 Gecorreleerd latente variabelen 213

8.3 Procrustes methoden 215

8.4 Bronnen van voorkennis 215

8.5 Lineaire structurele relaties modellen 216

8.6 De LISREL-model 218

8.7 Geschiktheid van een structural equation model 221

8.8 Structurele relaties in een algemene instelling 222

8.9 Veralgemeningen van de LISREL-model 223

8.10 Voorbeelden van modellen die zijn niet te onderscheiden 224

8.11 Gevolgen voor de analyse 227

9 Aanverwante Technieken voor het Onderzoeken van Afhankelijkheid 229

9.1 Inleiding 229

9.2 principale Componenten Analyse (PCA) 229

9.3 Een alternatief voor de normale factor model 236

9.4 latente variabelen vervangen door lineaire functies van de manifeste variabelen 238

9.5 schatting van correlaties en regressies tussen latente variabelen 240

9.6 Q-methodologie 242

9.7 afsluitende reflecties van de rol van latente variabelen in statistische modellering 244

Geef een antwoord

Het e-mailadres wordt niet gepubliceerd.