图书信息
图书目录
结构方程模型：方法与应用（第二版）
暂无简介
作者：
王济川，王小倩，姜宝法
定价：
98.00元
出版时间：
2025-01-10
ISBN：
978-7-04-062311-6
读者对象：
学术著作
一级分类：
自然科学
二级分类：
统计学
三级分类：
应用统计学
重点项目：
暂无
版面字数：
560.00千字
开本：
特殊
全书页数：
暂无
装帧形式：
平装
- 前辅文
- 第一章 结构方程建模简介(Introduction to Structural Equation Modeling)
- 1.1 简介(Introduction)
- 1.2 模型表述(Model formulation)
- 1.2.1 测量模型(Measurement model)
- 1.2.2 结构模型(Structural model)
- 1.2.3 模型表述公式(Model formulation in equations)
- 1.3 模型识别(Model identification)
- 1.4 模型估计(Model estimation)
- 1.5 模型拟合评估(Model fit evaluation)
- 1.6 模型修正(Model modification)
- 附录1.A 将观察变量之间的方差/协方差表示为模型参数的函数(Expressing variances and covariances among observed variables as functions of model parameters)
- 附录1.B SEM的最大似然函数(Maximum likelihood function for SEM)
- 第二章 验证性因子分析(Confirmatory Factor Analysis, CFA)
- 2.1 简介(Introduction)
- 2.2 CFA模型基础(Basics of CFA model)
- 2.3 带连续标识变量的CFA模型(CFA model with continuous indicator variables)
- 2.3.1 因子标度设定备选方法(Alternative methods for factor scaling)
- 2.3.2 基于模型估计的条目信度(Model estimated item reliability)
- 2.3.3 基于修正指数的模型修正(Model modification based on modification indices)
- 2.3.4 基于模型估计的量表信度(Model estimated scale reliability)
- 2.3.5 条目打包(Item parceling)
- 2.4 带非正态或删失连续标识变量的CFA模型(CFA model with non-normal or censored continuous indicator variables)
- 2.4.1 检验非正态性(Testing non-normality)
- 2.4.2 带非正态连续标识变量的CFA模型(CFA model with non-normal continuous indicator variables)
- 2.4.3 带删失连续标识变量的CFA模型(CFA model with censored continuous indicator variables)
- 2.5 带分类标识变量的CFA模型(CFA model with categorical indicator variables)
- 2.5.1 带二分类标识变量的CFA模型(CFA model with binary indicator variables)
- 2.5.2 带有序分类标识变量的CFA模型(CFA model with ordinal indicator variables)
- 2.6 贝叶斯CFA模型(Bayesian CFA model, BCFA)
- 2.7 潜变量合理值(Plausible values of latent variables)
- 2.8 CFA模型的扩展(Extension of CFA model)
- 2.8.1 高阶CFA模型(Higher-order CFA model)
- 2.8.2 双因子CFA模型(Bifactor CFA model)
- 附录2.A BSI-18量表(BSI-18 instrument)
- 附录2.B 条目信度(Item reliability)
- 附录2.C Cronbach α系数(Cronbach’s alpha coefficient)
- 附录2.D 用PROBIT回归系数计算概率(Calculating probabilities using PROBIT regression coefficients)
- 第三章 结构方程模型(Structural Equation Model, SEM)
- 3.1 简介(Introduction)
- 3.2 MIMIC模型(Multiple indicators and multiple causes model)
- 3.3 结构方程模型(Structural equation model)
- 3.4 单标识变量中测量误差的校正(Correcting for measurement error in single indicator variable)
- 3.5 检验涉及潜变量的交互效应(Testing interactions involving latent variable)
- 3.6 调节中介效应模型(Moderated mediation effect model)
- 3.7 使用潜变量合理值的SEM (SEM using plausible values of latent variable)
- 3.8 贝叶斯路径分析模型(Bayesian path analysis model)
- 附录3.A 测量误差的影响(Influence of measurement errors)
- 附录3.B 缺失信息分率(Fraction of missing information, FMI)
- 第四章 潜发展模型(Latent Growth Model, LGM)
- 4.1 简介(Introduction)
- 4.2 线性潜发展模型(Linear LGM)
- 4.2.1 无条件线性潜发展模型(Unconditional linear LGM)
- 4.2.2 带时间恒定协变量的潜发展模型(LGM with time-invariant covariates)
- 4.2.3 带时间变化协变量的潜发展模型(LGM with time-varying covariates)
- 4.3 非线性潜发展模型(Nonlinear LGM)
- 4.3.1 带多项式时间函数的潜发展模型(LGM with polynomial time functions)
- 4.3.2 分段线性潜发展模型(Piecewise linear LGM)
- 4.3.3 自由时间分值潜发展模型(LGM with free time scores)
- 4.3.4 带终端结局测量的潜发展模型(LGM with distal outcomes)
- 4.4 带多结局测量发展过程的线性潜发展模型(LGM with multiple growth processes)
- 4.5 两部式潜发展模型(Two-part LGM)
- 4.6 带分类结局测量的潜发展模型(LGM with categorical outcomes)
- 4.7 带个体差异观察时间的潜发展模型(LGM with individually varying time of observations)
- 第五章 多组模型(Multi-group Model)
- 5.1 简介(Introduction)
- 5.2 多组CFA模型(Multi-group CFA model)
- 5.2.1 多组一阶CFA模型(Multi-group first-order CFA model)
- 5.2.2 多组二阶CFA模型(Multi-group second-order CFA model)
- 5.2.3 带分类标识的多组CFA (Multi-group CFA with ordinal categorical indicators)
- 5.3 多组结构方程模型(Multi-group structural equation model)
- 5.4 多组潜发展模型(Multi-group latent growth model)
- 第六章 混合模型(Mixture Model)
- 6.1 简介(Introduction)
- 6.2 潜类别分析模型(Latent class analysis (LCA) model)
- 6.2.1 潜类别分析模型的描述(Description of LCA model)
- 6.2.2 无条件潜类别分析模型(Unconditional LCA model)
- 6.2.3 检验潜类别与观察变量的关系(Testing relationship of latent class with observed variables)
- 6.2.4 带残差协方差的潜类别分析模型(LCA model with residual covariance)
- 6.3 潜剖面分析模型(Latent profile analysis (LPA) model)
- 6.4 纵向数据混合模型(Longitudinal data mixture model)
- 6.4.1 纵向潜剖面分析(Longitudinal latent profile analysis, LLPA)
- 6.4.2 潜转换分析模型(Latent transition analysis (LTA) model)
- 6.4.3 用三步法估计带协变量的LTA模型(Estimate LTA model with covariates using 3-step method)
- 6.4.4 发展混合模型(Growth mixture model, GMM)
- 6.5 因子混合建模(Factor mixture modeling, FMM)
- 6.6 多组潜剖面分析模型(Multi-group LPA model, MGLPA)
- 6.6.1 检验条目均值的跨组不变性(Testing invariance of item means across groups)
- 6.6.2 检验条目方差的跨组不变性(Testing invariance of item variances across groups)
- 6.6.3 检验潜剖面分布的跨组不变性(Testing invariance of latent profile distribution across groups)
- 6.6.4 带协变量和结局测量的多组潜剖面模型(Multi-group LPA model with covariates and outcome measure)
- 第七章 结构方程建模的样本量估计(Sample Size Estimation for Structural Equation Modeling)
- 7.1 简介(Introduction)
- 7.2 结构方程模型样本量估计的经验法则(The rule of thumb for sample size needed for SEM)
- 7.3 用Satorra-Saris方法估计样本量(Satorra-Saris’s method for sample size estimation)
- 7.3.1 Satorra-Saris方法在CFA模型中的应用(Application of Satorra-Saris’s method to CFA model)
- 7.3.2 Satorra-Saris方法在LGM中的应用(Application of Satorra-Saris’s method to LGM)
- 7.4 用蒙特卡罗模拟估计样本量(Monte Carlo simulation for sample size estimation)
- 7.4.1 蒙特卡罗模拟在CFA模型中的应用(Application of Monte Carlo simulation to CFA model)
- 7.4.2 蒙特卡罗模拟在LGM中的应用(Application of Monte Carlo simulation to LGM)
- 7.4.3 蒙特卡罗模拟在带协变量的LGM中的应用(Application of Monte Carlo simulation to LGM with covariate)
- 7.4.4 蒙特卡罗模拟在带缺失值的LGM中的应用(Application of Monte Carlo simulation to LGM with missing values)
- 7.5 基于模型拟合统计量/指标估计SEM的样本量(Estimate sample size for SEM based on model fit statistics/indexes)
- 7.5.1 MacCallum, Browne & Sugawara方法的应用(Application of MacCallum, Browne & Sugawara’s method)
- 7.5.2 Kim方法的应用(Application of Kim’s method)
- 7.6 LCA模型的样本量估计(Estimate sample size for LCA model)
- 参考文献(References)
- 名词索引(Index)
