论文部分内容阅读
在结构方程模型(Structural Equation Modeling,SEM)的研究中,为了降低探索性结构方程模型带来的模型复杂性和改善验证性因子分析模型拟合度可能不高的问题,相关学者提出在SEM中利用Lagrange Multiplier-test(LM-test)方法或lasso正则化方法对模型中部分参数进行探索,通过加入一些参数以提高模型拟合度,同时使得分析结果更合理可靠。本文通过仿真实验比较LM-test方法和lasso正则化方法在SEM中的表现,并将两种方法进一步应用到实际问题中进行分析。主要研究内容和创新点如下:1、针对SEM中的lasso正则化方法,为了满足模型可识别性,已有的方法是将因子载荷固定在最大的因子载荷系数值上,文中通过将外源潜变量方差设置为1来对其进行改进,通过仿真实验得知,此措施能有效减小参数估计值的偏差,使得构造的模型更加接近母体模型。2、通过仿真实验比较LM-test和lasso正则化方法在参数选择、参数估计值偏差和模型拟合度方面的表现。实验结果表明在参数选择方面,LM-test方法正确选出的值非0因子载荷更多,而lasso正则化方法错误选择值为0因子载荷更多;在参数估计值偏差方面,LM-test比lasso正则化方法得出的模型参数估计值更加精确,在模型整体拟合度方面,当测量误差方差较大时,LM-test比lasso正则化方法得到的模型与实际样本数据拟合的更好,当测量误差方差减小时,两种方法的表现差异较小,综合参数估计值平均偏差和模型整体拟合度来看,LM-test方法相对较优。随着样本量的增加,两者在各方面的表现都有所改善。当测量误差方差变小时两者表现都有所提高,两者结果间差距缩小。3、利用LM-test和lasso正则化方法对农业转移人口调查数据进行统计分析,分析结果表明有时候仅根据先验知识进行CFA分析是不够的,LM-test和lasso正则化两种方法能够在此基础上进行改进,并且lasso正则化比LM-test方法选择的参数更多,两种方法所得模型拟合度差异较小,进一步验证了仿真实验所得结果,实证分析所得结果与仿真实验结论相一致。