Mplus常用的估計法簡介
2023/05/22閱讀時間約 3 分鐘
在使用Mplus進行統計分析時，我們需要設定各種估計方法，但很多同學可能不知道各種估計方法的適用時機，本文將簡介各種常見的估計法。
下圖是Mplus常見的估計方法，當在Mplus中進行結構方程模型(SEM)和確認性因素分析(CFA)等分析方法時，需要設定相應的估計方法
雖然提供很多種方法，其實用到最後，發現常見估計方法就MLR，其它就很少見到了：
1.Maximum Likelihood (ML)：
- 使用最大概似法進行參數估計和模型配適。
- 許多統計軟體的默認估計方法
- 數據若非多元正態分佈，容易造成研究結果產生誤差。
- 經典但最近少用了...
2.Weight Least Square with Mean and Variance(WLSMV):
- 適用於處理類別數據
- 對於非常態有一定程度穩健性(robust)
- 計算Chi-Square Difference Testing 時不能直接減，要用mplus 提供的語法
- 其處理遺漏值採用 pairwise present，這不是遺漏值現代解決辦法
- 當中介是二元時，不推薦使用 ML或 MLR來產生間接影響，而應該使用 WLSMV (來源)。
3.Maximum Likelihood Estimation with Robust Standard Errors (MLR):
- Mplus作者認為MLR是很棒的估計法選擇
- MLR 是 MLM(另一種估計方法) 的擴展。
- 適用於非常態和非獨立數據時。Mplus作者甚至認為使用MLR不需要測是多元常態，因為其估計是robust
- 依變項可以類別或連續。是連續時，則 MLR 估計線性回歸；如果是類別，則 MLR 估計邏輯回歸。
- 計算Chi-Square Difference Testing 時要用公式進行轉換，不能像ML直接減。
- 可以包含缺失數據。使用FIML處理遺漏值，遺漏值現代解決辦法。
- 可惜不能使用bootstrapping計算間接效果，若想確定間接效果是否確實存在，作者建議可以同時ML with bootstrapping vs. MLR，比較間接影響的結果，ML with bootstrapping結果更保守，但也更準確，若兩個結果相反，則可以考慮加入Estimator = Bayes，它介於兩者中間，比較三種結果(來源)
- Bengt O. Muthen也在網路文章中提供一些有用的MLR知識(來源):
-MLR parameter estimates are the same as ML and ML using bootstrap
-Bootstrap influences only SEs
-both bootstrap and MLR improve the SEs compared to ML SEs when outliers are present
-Outliers are not defined/developed with bootstrap
為什麼會看到廣告
158會員
88內容數
留言0
查看全部
