Mplus常用的估計法簡介
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
221會員
121內容數
文章內容以圖像式和步驟化方式，教您如何在各種統計軟體中(例如:SPSS、R和Mplus)，執行多種統計方法。此外，我還會分享一些學術和科技新知，幫助您在學術之路上走得更順利。
留言0
查看全部
你可能也想看
Google News 追蹤
徵的就是你 🫵 超ㄅㄧㄤˋ 獎品搭配超瞎趴的四大主題，等你踹共啦！還有機會獲得經典的「偉士牌樂高」喔！馬上來參加本次的活動吧！
隨著理財資訊的普及，越來越多台灣人不再將資產侷限於台股，而是將視野拓展到國際市場。特別是美國市場，其豐富的理財選擇，讓不少人開始思考將資金配置於海外市場的可能性。
然而，要參與美國市場並不只是盲目跟隨標的這麼簡單，而是需要策略和方式，尤其對新手而言，除了選股以外還會遇到語言、開戶流程、Ap
本篇文章介紹了一種簡單但正確的評估方法，以投資評估總分和本益比為依據，給出了公司的投資評級，並以臺積電和NVDA作為範例。文章還提到了演算法的重要性，以及執行長數學的思路。建議投資者試用這種投資策略來輔助自己的投資。
有學過統計的人都知道，所謂的平均有許多不同的定義，我們今天要來學習在金融財務當中常見的平均方法。
這些平均方式可能是用在績效的結果，也可能是用在分析財務報表。
這些統計有時候差之毫釐、失之千里，我們在理解不同的統計分析跟看其結果時，不可不慎。
本篇文章簡單介紹5種平均數
本文將展示使用不同激活函數（ReLU 和 Sigmoid）的效果。
一個簡單的多層感知器（MLP）模型來對 Fashion-MNIST 資料集進行分類。
函數定義
Sigmoid 函數
Sigmoid 函數將輸入壓縮到 0到 1 之間：
特性：
輸出範圍是 (0,1)(0, 1)(0,1
前面說明了所謂「假設檢定」的邏輯，也就是推論統計的基礎。但前面都還只是概念的階段，目前沒有真正進行任何的操作──還沒有提到推論統計的技術。
這篇其實有點像是一個過渡，是將前面的概念銜接到下一篇t分數之間的過程，也可以說是稍微解釋一下t檢定怎麼發展出來的。
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.2 Structured Probabilistic Models
既然要融入Uncertainty和Probability
大型語言模型（Large Language Model，LLM）是一項人工智慧技術，其目的在於理解和生成人類語言，可將其想像成一種高階的「文字預測機器」，然而，它們並非真正理解語言。除了在上篇介紹的技巧可以協助我們在使用 LLM 時給予指示之外，今天我們會介紹使用 LLM 的框架。
當開啟試算表（EXCEL等）的累加（SUM）及離散度，標準差（STDEV）的運算功能後，逐一統計的累進報票式選票統計表就可以退休了，而且全國一萬七千多所的數據不待一所所列出，就可以用較小選區（例如嘉義市198所，宜蘭縣431所等）的統計過程證明統計結果都是正確的，尤其是將計算式列出（隱藏前面的
本文章記錄了我在2023年8月透過Finlab課程和自己的研究開發出的一個量化投資策略程式，回測顯示年化報酬率達到99%。該策略在大盤不穩或空頭時期具有避免持股的特性，並在8年的回測中實現了驚人的資產增長。從2024年開始，我將開始實際將這一策略應用於市場，並在文章中記錄相關的實際操作。
我們常把研究分成量化與質性兩種不同的方法（當然不止這兩種方法），其中量化分析主要在討論變數與變數的關係，而質性分析則在變數間在的互動過程與事件。因此通常在進行質性研究時，我們需要收集大量田野調查或訪談資料。做過訪談的人都知道，訪談後需要反覆的聆聽訪談錄音並將其轉化為訪談逐字稿，這是一個大工程，還好現
徵的就是你 🫵 超ㄅㄧㄤˋ 獎品搭配超瞎趴的四大主題，等你踹共啦！還有機會獲得經典的「偉士牌樂高」喔！馬上來參加本次的活動吧！
隨著理財資訊的普及，越來越多台灣人不再將資產侷限於台股，而是將視野拓展到國際市場。特別是美國市場，其豐富的理財選擇，讓不少人開始思考將資金配置於海外市場的可能性。
然而，要參與美國市場並不只是盲目跟隨標的這麼簡單，而是需要策略和方式，尤其對新手而言，除了選股以外還會遇到語言、開戶流程、Ap
本篇文章介紹了一種簡單但正確的評估方法，以投資評估總分和本益比為依據，給出了公司的投資評級，並以臺積電和NVDA作為範例。文章還提到了演算法的重要性，以及執行長數學的思路。建議投資者試用這種投資策略來輔助自己的投資。
有學過統計的人都知道，所謂的平均有許多不同的定義，我們今天要來學習在金融財務當中常見的平均方法。
這些平均方式可能是用在績效的結果，也可能是用在分析財務報表。
這些統計有時候差之毫釐、失之千里，我們在理解不同的統計分析跟看其結果時，不可不慎。
本篇文章簡單介紹5種平均數
本文將展示使用不同激活函數（ReLU 和 Sigmoid）的效果。
一個簡單的多層感知器（MLP）模型來對 Fashion-MNIST 資料集進行分類。
函數定義
Sigmoid 函數
Sigmoid 函數將輸入壓縮到 0到 1 之間：
特性：
輸出範圍是 (0,1)(0, 1)(0,1
前面說明了所謂「假設檢定」的邏輯，也就是推論統計的基礎。但前面都還只是概念的階段，目前沒有真正進行任何的操作──還沒有提到推論統計的技術。
這篇其實有點像是一個過渡，是將前面的概念銜接到下一篇t分數之間的過程，也可以說是稍微解釋一下t檢定怎麼發展出來的。
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.2 Structured Probabilistic Models
既然要融入Uncertainty和Probability
大型語言模型（Large Language Model，LLM）是一項人工智慧技術，其目的在於理解和生成人類語言，可將其想像成一種高階的「文字預測機器」，然而，它們並非真正理解語言。除了在上篇介紹的技巧可以協助我們在使用 LLM 時給予指示之外，今天我們會介紹使用 LLM 的框架。
當開啟試算表（EXCEL等）的累加（SUM）及離散度，標準差（STDEV）的運算功能後，逐一統計的累進報票式選票統計表就可以退休了，而且全國一萬七千多所的數據不待一所所列出，就可以用較小選區（例如嘉義市198所，宜蘭縣431所等）的統計過程證明統計結果都是正確的，尤其是將計算式列出（隱藏前面的
本文章記錄了我在2023年8月透過Finlab課程和自己的研究開發出的一個量化投資策略程式，回測顯示年化報酬率達到99%。該策略在大盤不穩或空頭時期具有避免持股的特性，並在8年的回測中實現了驚人的資產增長。從2024年開始，我將開始實際將這一策略應用於市場，並在文章中記錄相關的實際操作。
我們常把研究分成量化與質性兩種不同的方法（當然不止這兩種方法），其中量化分析主要在討論變數與變數的關係，而質性分析則在變數間在的互動過程與事件。因此通常在進行質性研究時，我們需要收集大量田野調查或訪談資料。做過訪談的人都知道，訪談後需要反覆的聆聽訪談錄音並將其轉化為訪談逐字稿，這是一個大工程，還好現