结构方程模型(Structural Equation Modeling, SEM)是在考虑测量误差的基础上, 评估一系列关于潜在变量和可观测变量对其他变量影响的多重假设的强大的多元分析方法. 由于近年来结构方程模型的应用越来越广泛, 研究者们建立了新模型和发展出新的统计方法以更精确地分析更复杂的数据. 结构方程模型的贝叶斯方法使用先验信息, 得到更准确的参数估计, 潜在变量估计以及用于模型比较的统计量, 而且在小样本的情况下会得到更稳健的结果.
《结构方程模型: 贝叶斯方法》介绍了分析结构方程模型的贝叶斯方法, 包括先验分布的选择和数据增广技术. 该书还概括了本学科的近期发展.
示范如何使用强大的统计计算工具, 包括Gibbs抽样, Metropolis-Hastings算法, 桥梁抽样和路径抽样, 得到贝叶斯结果.
讨论用于模型比较的贝叶斯因子和偏差信息准则(Deviance Information Criterion, DIC).
涵盖复杂的模型, 包括含有序分类变量和二分有序变量的结构方程模型, 非线性结构方程模型, 两水平结构方程模型, 多组结构方程模型, 混合结构方程模型, 含缺失值的结构方程模型, 含指数分布族的结构方程模型, 以及以上提到模型的一些组合.
通过模拟研究以及来自工商管理学, 教育学, 心理学, 公共卫生和社会学的实际数据说明所提出的方法.
通过辅助网页提供的程序代码以及数据集示范免费软件WinBUGS的应用.
《结构方程模型: 贝叶斯方法》是一本适用于不同领域(包括统计学, 生物统计学, 商学, 教育学, 医学, 心理学, 公共卫生与社会学等)的研究者和学生的理想交叉学科专著.
