《Statistical Analysis and Data Mining: An ASA Data Science Journal》:Estimating the Variance–Covariance Matrix of Two-Step Estimates of Latent Variable Models: A General Simulation-Based Approach
编辑推荐:
研究人员提出一种通用流程,用于估计潜变量模型中结构参数的两步估计值的方差-协方差矩阵。该方法部分基于模拟,其核心操作是从第一步估计得到的测量参数的抽样分布中抽取模拟值,并利用这些模拟值量化第二步参数估计变异性的组成部分。该方法在渐近意义上等价于两步估计方差-协
研究人员提出一种通用流程,用于估计潜变量模型中结构参数的两步估计值的方差-协方差矩阵。该方法部分基于模拟,其核心操作是从第一步估计得到的测量参数的抽样分布中抽取模拟值,并利用这些模拟值量化第二步参数估计变异性的组成部分。该方法在渐近意义上等价于两步估计方差-协方差矩阵的标准闭式估计,但避免了评估交叉导数矩阵的需求——该矩阵是标准估计中最不便处理的部分。此方法可应用于任意类型的潜变量模型。研究人员在两类常见测量条目为分类变量的模型背景下进行了详细阐述:包含分类潜变量的潜类别模型,以及包含连续潜变量的潜特质模型。模拟研究验证了所提方法的良好性能,并通过两个应用实例进行了说明。
该研究针对潜变量模型两步估计中方差推断的计算复杂性问题展开。传统一步法联合估计测量与结构参数虽理论成熟,但在模型复杂时计算负担重,且易引发测量定义与结构解释混淆。两步估计将过程分离:第一步仅估计测量模型参数,第二步固定测量参数估计值再估计结构参数,已在结构方程模型、潜特质模型、潜类别模型等场景验证与一步法有限样本性能相当甚至更优,且具备概念清晰、计算简便的优势。然而其方差估计需同时纳入两步的不确定性,标准渐近公式包含测量参数与结构参数的交叉导数矩阵,该矩阵无法从两步估计的自然输出中获取,需额外推导编码或调用专用软件,成为方法落地的关键瓶颈。为此研究人员开发了一种通用模拟方案,替代交叉导数的解析计算,在保证统计正确性的同时大幅降低实现门槛。
关键技术方法上,研究采用理论推导与实证验证结合的路径。理论层面,基于伪极大似然估计框架与总方差定律,证明模拟方案与闭式公式的渐近等价性。实证层面,选取两类典型分类测量模型:二分类条目的潜特质模型(Logistic测量模型,潜变量服从多元正态分布)、单潜变量的三类别潜类别模型(多项Logistic测量模型)。模拟研究覆盖不同样本量、测量强度、效应大小的18种潜特质场景与27种潜类别场景,每场景重复250-500次模拟,对比一步法渐近标准误、两步法忽略第一步不确定性的“朴素”标准误、两步法全渐近标准误及不同模拟次数下的模拟标准误。应用实例采用公开数据集:欧洲价值观研究2017-2020荷兰样本(N=约2000)分析工作价值观的潜特质预测因素,PSYCONES项目荷比样本(N=约1500)分析心理契约潜类别对工作不安全感的预测效应,均通过R与Mplus联动实现自动化两步估计与模拟方差计算。
研究结果部分,首先通过模拟验证方法性能。潜特质模型模拟显示:朴素标准误在结构系数非零时严重低估变异性,95%置信区间覆盖率显著低于名义水平;全渐近标准误与模拟标准误均能有效校正偏差,覆盖率接近95%;模拟标准误在模拟次数M≥50时即与全渐近结果几乎无差异,即使M=25仍保持稳定。潜类别模型模拟得到一致结论:弱类别分离场景下所有方法均轻微低估标准误,但模拟法偏差小于全渐近法;强类别分离时各类方法表现趋同,模拟法无需额外计算即可捕获第一步微小贡献。其次通过应用实例展示实用性。欧洲价值观研究实例中,两步法点估计与一步法高度一致;内在工作价值观模型的标准误受第一步不确定性影响更大,需M=100达到渐近精度,外在价值观模型仅需M=25;朴素标准误在该部分系数中低估约10%。心理契约实例中,第一步不确定性贡献极小,M=25的模拟标准误已与全渐近结果完全吻合,两步法与一步法效率损失可忽略。
讨论与结论部分,研究人员指出该方法彻底消除了两步估计中交叉导数矩阵的实现障碍,恢复了两步法“测量-结构”分离的核心优势:第一步的测量参数估计与模拟抽样可复用至多组结构模型比较,缺失测量条目的样本可参与第一步估计,大幅提升方法灵活性。理论证明与模拟均表明,模拟法在统计效率上与闭式公式等价,且不受模型类型限制,可扩展至贝叶斯估计、加权最小二乘等非似然框架。尽管重复第二步估计会增加计算时间,但实际应用中M≤50通常足够,额外成本可控。该方法为复杂潜变量模型的两步推断提供了普适工具,尤其适用于商业软件未实现交叉导数计算的场景,降低了方法学落地门槛。研究发表于《Statistical Analysis and Data Mining: An ASA Data Science Journal》,为潜变量模型的规范化应用提供了新的技术支撑。