高维结构方程建模的最大似然估计方法及其在COVID-19应激研究中的应用

为解决高维数据中传统因子分析(如SEM)无法处理稀疏性和维度问题的缺陷，研究人员开发了基于最大似然理论的新型结构方程模型(SEM)，成功实现了对COVIDiSTRESS全球调查数据的潜在因子识别和稀疏载荷矩阵估计，为大数据驱动的心理学研究提供了方法论突破。

　　

传统因子分析(Factor Analysis)虽能降维处理大数据，但面对高维场景时，结构方程模型(SEM)和因子回归等方法常遭遇维度灾难和稀疏性缺失的瓶颈。更棘手的是，这些方法需要预先指定潜在因子数量——这个因子分析特有的核心问题，往往只能依赖经验法则草率解决。

最新研究突破性地将最大似然理论(Maximum Likelihood)引入SEM框架，构建出能同步处理高维性、稀疏性和因子数量不确定性的新方法。仿真实验证实，该方法不仅能精准捕捉自变量与因变量背后的潜在因子(Latent Factors)，还可对因子载荷矩阵(Factor Loading Matrix)实现准确的稀疏化估计。

在COVIDiSTRESS全球调查数据(研究COVID-19大流行对人类心理影响的跨国数据集)的实战检验中，该模型展现出卓越性能：既解析出数据内蕴的潜在心理构念(Psychological Constructs)，又通过稀疏化处理提炼出关键变量关系。这一创新为心理学、公共卫生等领域的超大规模数据分析提供了兼具数学严谨性和计算可行性的新工具。