課程大綱： 結構方程-AMOS高級培訓
第1講 Bootstrap方法在結構方程模型中的應用
當模型的假定不滿足時，如何得到參數估計的標準誤差？如何基于Bootstrap方法從多個備選模型中選擇佳模型？你可知道估計結果的好壞不僅取決于模型，還取決于估計方法？如何借助Bootstrap方法選擇佳估計方法？
本講通過以因子分析模型為例來回答上述問題。
第2講基于指定搜索方法尋找佳模型
有時候，你是否不確定兩個觀測變量或潛變量之間是否存在作用關系，模型中的某些箭頭覺得可有可無？那么采用指定搜索方法來決定這些箭頭的去留吧。
你是否知道在Amos中也能像逐步回歸一樣讓軟件自動地搜索，實現“逐步因子分析”，幫助你找到佳模型？
第3講在Amos中使用貝葉斯估計
參數估計中有兩種理念：頻率學派和貝葉斯學派，如何在Amos中基于貝葉斯思想得到貝葉斯估計結果？你是否曾因樣本量太小或模型設定的原因得到方差為負的錯誤估計結果？嘗試一下貝葉斯估計吧，它能避免方差為負等錯誤估計結果的出現。
另外除了Amos中默認輸出的參數，你只否還想得到自己想要的其它一些參數的貝葉斯估計結果？本講對此做出解答。
第4講刪失數據分析
你碰到過刪失數據嗎？你會處理刪失數據嗎？本講講解如何基于刪失數據進行參數估計、后驗預測分布估計及和數據插補有關的問題。
第5講有序類別數據分析
在嘗試擬合因子分析模型的時候你是否碰到過“非常不同意”、“不同意”、“同意”、“非常同意”這樣的有序類別數據？本講介紹如何基于有序類別型數據擬合因子分析模型，以及和后驗預測分布估計、數據插補有關的話題。
第6講 Amos中的混合模型建模
混合模型適用于一個模型對于全部總體數據來說不合適，但當將總體分為若干組后，對于每組數據，模型剛好合適的情形。本講重點講解在含有訓練數據集和不含有訓練數據集的情形，如何在Amos中建立混合模型，主要以混合回歸模型的建立為例。
加入高級會員獲得助教答疑
