校准程序

概述:CALIS程序:结构方程建模是社会科学和行为科学中一个重要的统计工具。结构方程表示变量系统之间的关系,这些变量既可以是观测变量(显式变量),也可以是未观测到的假设变量(潜在变量)。关于潜在变量模型的介绍,见Loehlin(2004)、Bollen(1989b)、Everitt(1984)或Long(1983);对于具有测量误差的显式变量,见Fuller(1987)。在结构模型中,与函数模型相反,所有变量都是随机的,而不是具有固定的水平。对于PROC-CALIS中的最大似然(默认)和广义最小二乘估计,假设随机变量具有近似多元正态分布。非正态性,特别是高峰度,即使在大样本中,也会产生糟糕的估计值和严重错误的标准误差和假设检验。因此,正态性假设比具有非随机外生变量的模型更为重要。在使用具有最大似然(默认)或广义最小二乘估计的PROC-CALIS之前,应该删除异常值并考虑非正态变量的转换。如果观测值足够大,可以使用Browne的渐近无分布(ADF)估计方法。如果您的数据集包含随机缺失的数据,可以使用全信息最大似然(FIML)方法。。。