SlideShare a Scribd company logo
1 of 16
Download to read offline
Моделирование структурнымиМоделирование структурными
уравнениямиуравнениями
12 апреля 2014 г.12 апреля 2014 г.
ОдессаОдесса
Алексей Гаевский
2
Забегая вперёд…
https://app.box.com/ai-big-data-lab
3
Что такое SEM?
• В целом, SEM модели – это
расширение линейной регресии с
некоторыми добавлениями:
• 1. Наличие нескольких одновременно
выполняющихся уравнений регресии.
• 2. Независимая (экзогенная)
переменная в одних уравнениях
может выступать в роли зависимой
(эндогенной) переменной в других
уравнениях
5
Преимущества SEM
• Тестирование моделей с
множественными зависимыми
переменными
• Моделирование переменных-
посредников
• Моделирование погрешностей
6
Недостатки SEM
• SEM не может служить средством для:
– Иерархического или многоуровневого
моделирования
– Моделирование с участием латентных
дискретных переменных
– Байесовские расчёты
7
Общие характеристики методов SEM
–Оперирование моделями и
гипотезами
–Необходимость задавать большой
объём параметров
–Взаимодействие переменных
8
Основные понятия и обозначения
• Дисперсия = s2
• Стандартное отклонение = s
• Корелляция = r
• Ковариантность = sXY = COV(X,Y)
9
Основные понятия и обозначения
• Явные переменные
• Латентные переменные
• Экспериментальные исследования
• Зависимые и независимые
переменные
• Экспериментальные исследования
• Прогнозирующие переменные и
условия
10
Основные понятия и обозначения
“внешние”
– вне модели
“внутренние”
– внутри модели
• Экзогенные
• Эндогенные
• Односторон. влияние
• Двустороннее влияние
• Корелляция или
ковариантность
11
Основные понятия и обозначения
• Параметрическая модель
– Латентные переменные и индикаторы
• Структурная модель
– Набор экзогенных и эндогенных
переменных с обозначениями
направления воздействия
12
Параметрическая модель:
Confirmatory Factor Analysis
Результаты
анкеты-опроса
Оценка враждебности
Оценка степени
депрессии
Личная оценка
уровня здоровья
Психическое
здоровье
D1
e4
e3
e2
e1
Singh-Manoux, Clark and Marmot. 2002. Multiple measures of socio-economic
position and psychosocial health: proximal and distal measures.
Латентная конструкция
Результаты наблюдений
14
Результаты
анкеты-опроса
Оценка враждебности
Оценка
уровня депрессии
Род занятий
Доход
Образование
Личная
оценка здоровья
Психическое
здоровье
D3
e4
e3
e2
e1
Singh-Manoux, Clark and Marmot. 2002. Multiple measures of socio-
economic position and psychosocial health: proximal and distal measures.
D1
D2
А – непосредственное
влияние
c
B, C – опосредованное
влияние
15
Что насчёт минимально
приемлемого размера
выборки для SEM?
• Примерно столько же, сколько для
регрессии
• Малые выборки дают ощутимые ошибки
• Можно сказать, что чем больше – тем
лучше, но...
• Слишком большие выборки и сложные
модели тоже дают увеличение ошибок
16
Программное обеспечение
• LISREL 9.1 from SSI (Scientific
Software International)
• IBM’s SPSS Amos
• EQS (Multivariate Software)
• Mplus (Linda and Bengt Muthen)
• CALIS (a module from SAS)
• Stata’s new sem module
• R (lavaan and sem modules)
17
Переходим к практике!
Спасибо за внимание!
lionet@ukr.net

More Related Content

Similar to Моделирование структурными уравнениями_Алексей Гаевский

Тестирование (испытание) при отборе персонала
Тестирование (испытание) при отборе персоналаТестирование (испытание) при отборе персонала
Тестирование (испытание) при отборе персоналаДмитрий Соловьев
 
онлайн-школа: Центр оценки шаг за шагом - занятие №1
онлайн-школа: Центр оценки шаг за шагом - занятие №1онлайн-школа: Центр оценки шаг за шагом - занятие №1
онлайн-школа: Центр оценки шаг за шагом - занятие №1Training Institute - ARB Pro Group
 
Webinar_FORMATTA_Turn-the-scale (rus)
Webinar_FORMATTA_Turn-the-scale (rus)Webinar_FORMATTA_Turn-the-scale (rus)
Webinar_FORMATTA_Turn-the-scale (rus)FORMATTA
 
3. Установление критериев и Методы отбора 03
3. Установление критериев и Методы отбора 033. Установление критериев и Методы отбора 03
3. Установление критериев и Методы отбора 03Katie Danilova
 
круглый стол методика отбора мэйнстрим_21.03
круглый стол методика отбора мэйнстрим_21.03круглый стол методика отбора мэйнстрим_21.03
круглый стол методика отбора мэйнстрим_21.03Jeanne Tyan
 
Online система для поддержки принятия решений. куренков н.и.
Online система для поддержки принятия решений. куренков н.и.Online система для поддержки принятия решений. куренков н.и.
Online система для поддержки принятия решений. куренков н.и.Anastasia Khuraskina
 
Инструменты и решения Cut-e
Инструменты и решения Cut-eИнструменты и решения Cut-e
Инструменты и решения Cut-eECOPSY Consulting
 
The practical value analyzing. Анализ практической ценности
The practical value analyzing. Анализ практической ценностиThe practical value analyzing. Анализ практической ценности
The practical value analyzing. Анализ практической ценностиOlga Tсyrulova
 
Working with legacy code
Working with legacy codeWorking with legacy code
Working with legacy codeMihail Lebedev
 
Риски и психология менеджера
Риски и психология менеджераРиски и психология менеджера
Риски и психология менеджераRiskGap
 
чмв лабораторная №4
чмв   лабораторная №4чмв   лабораторная №4
чмв лабораторная №4student_kai
 
Собеседование при отборе персонала
Собеседование при отборе персоналаСобеседование при отборе персонала
Собеседование при отборе персоналаДмитрий Соловьев
 
Вебинар по методу цвето-словесных ассоциаций
Вебинар по методу цвето-словесных ассоциацийВебинар по методу цвето-словесных ассоциаций
Вебинар по методу цвето-словесных ассоциацийPraxisCom LLC
 
Как проверять свои идеи и быть уверенным, что ваш продукт получится хорошим?
Как проверять свои идеи и быть уверенным, что ваш продукт получится хорошим?Как проверять свои идеи и быть уверенным, что ваш продукт получится хорошим?
Как проверять свои идеи и быть уверенным, что ваш продукт получится хорошим?Sciencehit.by
 
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В КОМПЕТЕНТНОСТНОЙ ОЦЕНКЕ КАДРОВ - Алексей Князев
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В КОМПЕТЕНТНОСТНОЙ ОЦЕНКЕ   КАДРОВ - Алексей КнязевИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В КОМПЕТЕНТНОСТНОЙ ОЦЕНКЕ   КАДРОВ - Алексей Князев
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В КОМПЕТЕНТНОСТНОЙ ОЦЕНКЕ КАДРОВ - Алексей Князевrusbase
 
Teachers summit2012 m-kukharenko
Teachers summit2012 m-kukharenkoTeachers summit2012 m-kukharenko
Teachers summit2012 m-kukharenkoVladimir Kukharenko
 
Методология сравнительного исследования банкоматов Usability lab
Методология сравнительного исследования банкоматов Usability labМетодология сравнительного исследования банкоматов Usability lab
Методология сравнительного исследования банкоматов Usability labKirill Kochkin
 
методика изучения мотивов учебной деятельности
методика изучения мотивов учебной деятельностиметодика изучения мотивов учебной деятельности
методика изучения мотивов учебной деятельностиВиктория Левченко
 

Similar to Моделирование структурными уравнениями_Алексей Гаевский (20)

Тестирование (испытание) при отборе персонала
Тестирование (испытание) при отборе персоналаТестирование (испытание) при отборе персонала
Тестирование (испытание) при отборе персонала
 
онлайн-школа: Центр оценки шаг за шагом - занятие №1
онлайн-школа: Центр оценки шаг за шагом - занятие №1онлайн-школа: Центр оценки шаг за шагом - занятие №1
онлайн-школа: Центр оценки шаг за шагом - занятие №1
 
Webinar_FORMATTA_Turn-the-scale (rus)
Webinar_FORMATTA_Turn-the-scale (rus)Webinar_FORMATTA_Turn-the-scale (rus)
Webinar_FORMATTA_Turn-the-scale (rus)
 
3. Установление критериев и Методы отбора 03
3. Установление критериев и Методы отбора 033. Установление критериев и Методы отбора 03
3. Установление критериев и Методы отбора 03
 
круглый стол методика отбора мэйнстрим_21.03
круглый стол методика отбора мэйнстрим_21.03круглый стол методика отбора мэйнстрим_21.03
круглый стол методика отбора мэйнстрим_21.03
 
28.10.2014 Shmelev A. G.
28.10.2014 Shmelev A. G. 28.10.2014 Shmelev A. G.
28.10.2014 Shmelev A. G.
 
Online система для поддержки принятия решений. куренков н.и.
Online система для поддержки принятия решений. куренков н.и.Online система для поддержки принятия решений. куренков н.и.
Online система для поддержки принятия решений. куренков н.и.
 
Инструменты и решения Cut-e
Инструменты и решения Cut-eИнструменты и решения Cut-e
Инструменты и решения Cut-e
 
The practical value analyzing. Анализ практической ценности
The practical value analyzing. Анализ практической ценностиThe practical value analyzing. Анализ практической ценности
The practical value analyzing. Анализ практической ценности
 
Working with legacy code
Working with legacy codeWorking with legacy code
Working with legacy code
 
Риски и психология менеджера
Риски и психология менеджераРиски и психология менеджера
Риски и психология менеджера
 
чмв лабораторная №4
чмв   лабораторная №4чмв   лабораторная №4
чмв лабораторная №4
 
Test
TestTest
Test
 
Собеседование при отборе персонала
Собеседование при отборе персоналаСобеседование при отборе персонала
Собеседование при отборе персонала
 
Вебинар по методу цвето-словесных ассоциаций
Вебинар по методу цвето-словесных ассоциацийВебинар по методу цвето-словесных ассоциаций
Вебинар по методу цвето-словесных ассоциаций
 
Как проверять свои идеи и быть уверенным, что ваш продукт получится хорошим?
Как проверять свои идеи и быть уверенным, что ваш продукт получится хорошим?Как проверять свои идеи и быть уверенным, что ваш продукт получится хорошим?
Как проверять свои идеи и быть уверенным, что ваш продукт получится хорошим?
 
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В КОМПЕТЕНТНОСТНОЙ ОЦЕНКЕ КАДРОВ - Алексей Князев
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В КОМПЕТЕНТНОСТНОЙ ОЦЕНКЕ   КАДРОВ - Алексей КнязевИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В КОМПЕТЕНТНОСТНОЙ ОЦЕНКЕ   КАДРОВ - Алексей Князев
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В КОМПЕТЕНТНОСТНОЙ ОЦЕНКЕ КАДРОВ - Алексей Князев
 
Teachers summit2012 m-kukharenko
Teachers summit2012 m-kukharenkoTeachers summit2012 m-kukharenko
Teachers summit2012 m-kukharenko
 
Методология сравнительного исследования банкоматов Usability lab
Методология сравнительного исследования банкоматов Usability labМетодология сравнительного исследования банкоматов Usability lab
Методология сравнительного исследования банкоматов Usability lab
 
методика изучения мотивов учебной деятельности
методика изучения мотивов учебной деятельностиметодика изучения мотивов учебной деятельности
методика изучения мотивов учебной деятельности
 

More from GeeksLab Odessa

DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...
DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...
DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...GeeksLab Odessa
 
DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...
DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...
DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...GeeksLab Odessa
 
DataScience Lab 2017_Блиц-доклад_Турский Виктор
DataScience Lab 2017_Блиц-доклад_Турский ВикторDataScience Lab 2017_Блиц-доклад_Турский Виктор
DataScience Lab 2017_Блиц-доклад_Турский ВикторGeeksLab Odessa
 
DataScience Lab 2017_Обзор методов детекции лиц на изображение
DataScience Lab 2017_Обзор методов детекции лиц на изображениеDataScience Lab 2017_Обзор методов детекции лиц на изображение
DataScience Lab 2017_Обзор методов детекции лиц на изображениеGeeksLab Odessa
 
DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...
DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...
DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...GeeksLab Odessa
 
DataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладDataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладGeeksLab Odessa
 
DataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладDataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладGeeksLab Odessa
 
DataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладDataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладGeeksLab Odessa
 
DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...
DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...
DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...GeeksLab Odessa
 
DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...
DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...
DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...GeeksLab Odessa
 
DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко
DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко
DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко GeeksLab Odessa
 
DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...
DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...
DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...GeeksLab Odessa
 
DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...
DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...
DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...GeeksLab Odessa
 
DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...
DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...
DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...GeeksLab Odessa
 
DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...
DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...
DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...GeeksLab Odessa
 
DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...
DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...
DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...GeeksLab Odessa
 
DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...
DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...
DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...GeeksLab Odessa
 
DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот
DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот
DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот GeeksLab Odessa
 
JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...
JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...
JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...GeeksLab Odessa
 
JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js
JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js
JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js GeeksLab Odessa
 

More from GeeksLab Odessa (20)

DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...
DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...
DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...
 
DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...
DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...
DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...
 
DataScience Lab 2017_Блиц-доклад_Турский Виктор
DataScience Lab 2017_Блиц-доклад_Турский ВикторDataScience Lab 2017_Блиц-доклад_Турский Виктор
DataScience Lab 2017_Блиц-доклад_Турский Виктор
 
DataScience Lab 2017_Обзор методов детекции лиц на изображение
DataScience Lab 2017_Обзор методов детекции лиц на изображениеDataScience Lab 2017_Обзор методов детекции лиц на изображение
DataScience Lab 2017_Обзор методов детекции лиц на изображение
 
DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...
DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...
DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...
 
DataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладDataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-доклад
 
DataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладDataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-доклад
 
DataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладDataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-доклад
 
DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...
DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...
DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...
 
DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...
DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...
DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...
 
DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко
DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко
DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко
 
DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...
DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...
DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...
 
DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...
DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...
DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...
 
DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...
DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...
DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...
 
DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...
DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...
DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...
 
DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...
DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...
DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...
 
DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...
DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...
DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...
 
DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот
DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот
DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот
 
JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...
JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...
JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...
 
JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js
JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js
JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js
 

Моделирование структурными уравнениями_Алексей Гаевский

  • 1. Моделирование структурнымиМоделирование структурными уравнениямиуравнениями 12 апреля 2014 г.12 апреля 2014 г. ОдессаОдесса Алексей Гаевский
  • 3. 3 Что такое SEM? • В целом, SEM модели – это расширение линейной регресии с некоторыми добавлениями: • 1. Наличие нескольких одновременно выполняющихся уравнений регресии. • 2. Независимая (экзогенная) переменная в одних уравнениях может выступать в роли зависимой (эндогенной) переменной в других уравнениях
  • 4. 5 Преимущества SEM • Тестирование моделей с множественными зависимыми переменными • Моделирование переменных- посредников • Моделирование погрешностей
  • 5. 6 Недостатки SEM • SEM не может служить средством для: – Иерархического или многоуровневого моделирования – Моделирование с участием латентных дискретных переменных – Байесовские расчёты
  • 6. 7 Общие характеристики методов SEM –Оперирование моделями и гипотезами –Необходимость задавать большой объём параметров –Взаимодействие переменных
  • 7. 8 Основные понятия и обозначения • Дисперсия = s2 • Стандартное отклонение = s • Корелляция = r • Ковариантность = sXY = COV(X,Y)
  • 8. 9 Основные понятия и обозначения • Явные переменные • Латентные переменные • Экспериментальные исследования • Зависимые и независимые переменные • Экспериментальные исследования • Прогнозирующие переменные и условия
  • 9. 10 Основные понятия и обозначения “внешние” – вне модели “внутренние” – внутри модели • Экзогенные • Эндогенные • Односторон. влияние • Двустороннее влияние • Корелляция или ковариантность
  • 10. 11 Основные понятия и обозначения • Параметрическая модель – Латентные переменные и индикаторы • Структурная модель – Набор экзогенных и эндогенных переменных с обозначениями направления воздействия
  • 11. 12 Параметрическая модель: Confirmatory Factor Analysis Результаты анкеты-опроса Оценка враждебности Оценка степени депрессии Личная оценка уровня здоровья Психическое здоровье D1 e4 e3 e2 e1 Singh-Manoux, Clark and Marmot. 2002. Multiple measures of socio-economic position and psychosocial health: proximal and distal measures. Латентная конструкция Результаты наблюдений
  • 12. 14 Результаты анкеты-опроса Оценка враждебности Оценка уровня депрессии Род занятий Доход Образование Личная оценка здоровья Психическое здоровье D3 e4 e3 e2 e1 Singh-Manoux, Clark and Marmot. 2002. Multiple measures of socio- economic position and psychosocial health: proximal and distal measures. D1 D2 А – непосредственное влияние c B, C – опосредованное влияние
  • 13. 15 Что насчёт минимально приемлемого размера выборки для SEM? • Примерно столько же, сколько для регрессии • Малые выборки дают ощутимые ошибки • Можно сказать, что чем больше – тем лучше, но... • Слишком большие выборки и сложные модели тоже дают увеличение ошибок
  • 14. 16 Программное обеспечение • LISREL 9.1 from SSI (Scientific Software International) • IBM’s SPSS Amos • EQS (Multivariate Software) • Mplus (Linda and Bengt Muthen) • CALIS (a module from SAS) • Stata’s new sem module • R (lavaan and sem modules)