統(tǒng)計(jì)學(xué)課后題

1、第2章 均值向量和協(xié)方差陣的檢驗(yàn)1、 試談willks統(tǒng)計(jì)量在多元方差分析中的重要意義。2、 形象分析的基本思路是什么？形象又稱輪廓圖，是將總體樣本的均值繪制到同一坐標(biāo)軸里所得的折線圖，每一個(gè)指標(biāo)都表示為折線圖上的一點(diǎn)。形象分析是將兩（多）總體的形象繪制到同一個(gè)坐標(biāo)下，根據(jù)形象（輪廓圖）的形狀對(duì)總體的均值進(jìn)行比較分析。第三章 聚類分析1、 聚類分析的基本思想和功能是什么？聚類分析的核心思想是根據(jù)具體的指標(biāo)（變量）對(duì)所研究的個(gè)體或者對(duì)象進(jìn)行分類，使得同一類中的對(duì)象之間的相似性比其他類的對(duì)象的相似性更強(qiáng)。聚類分析不僅可以用來(lái)對(duì)樣品進(jìn)行分類，也可以用來(lái)對(duì)變量進(jìn)行分類。對(duì)樣品的分類常稱為Q型聚類分析，

2、對(duì)變量的分類常稱為R型的聚類分析。聚類分析的目的或功能就是把相似的研究對(duì)象歸成類，即使類間對(duì)象的同質(zhì)性最大化和類與類間對(duì)象的異質(zhì)性最大化。2、 試述系統(tǒng)聚類法的原理和具體步驟（1）系統(tǒng)聚類的基本思想是：距離相近的樣品（或變量）先聚成類，距離相遠(yuǎn)的后聚成類，過(guò)程一直進(jìn)行下去，每個(gè)樣品（或變量）總能聚到合適的類中。（2）系統(tǒng)聚類的具體步驟：假設(shè)總共有N個(gè)樣品（或變量）第一步：將每個(gè)樣品（或變量）獨(dú)自聚成一類，共有N類；第二步：根據(jù)所確定的樣品（或變量）“距離”公式，把距離較近的兩個(gè)樣品（或變量）聚合為一類，其他的樣品（或變量）仍各自聚為一類，共聚成N-1類；第三步：將“距離”最近的兩個(gè)類進(jìn)一步聚成

3、一類，共聚成N-2類；。，以上步驟一直進(jìn)行下去，最后將所有的樣品（或變量）全聚成一類。3、 試述K-均值聚類的方法原理這種聚類方法的思想是把每個(gè)樣品聚集到其最近形心（均值）類中。首先隨機(jī)從數(shù)據(jù)集中選取 K個(gè)點(diǎn)作為初始聚類中心，然后計(jì)算各個(gè)樣本到聚類中的距離，把樣本歸到離它最近的那個(gè)聚類中心所在的類。計(jì)算新形成的每一個(gè)聚類的數(shù)據(jù)對(duì)象的平均值來(lái)得到新的聚類中心，如果相鄰兩次的聚類中心沒(méi)有任何變化，說(shuō)明樣本調(diào)整結(jié)束，聚類準(zhǔn)則函數(shù)已經(jīng)收斂。4、試述模糊聚類的思想方法模糊聚類分析是根據(jù)客觀事物間的特征、親疏程度、相似性，通過(guò)建立模糊相似關(guān)系對(duì)客觀事物進(jìn)行聚類的分析方法。在模糊聚類中，每個(gè)樣本不再僅屬于某

4、一類，而是以一定的隸屬度屬于每一類。換句話說(shuō)，通過(guò)模糊聚類分析，可得到樣本屬于各個(gè)類別的不確定性程度，即建立起了樣本對(duì)于類別的不確定性的描述，這樣就更能準(zhǔn)確地反映現(xiàn)實(shí)世界。第4章 判別分析1、 應(yīng)用判別分析應(yīng)該具備什么樣的條件？判別分析最基本的要求是：分組類型在兩組以上；每組案例的規(guī)模必須至少在一個(gè)以上；解釋變量必須是可測(cè)量的，才能夠計(jì)算其平均值和方差，使其能合理地應(yīng)用于統(tǒng)計(jì)函數(shù)。2、 試述貝葉斯判別法的思路思想是：假定對(duì)研究的對(duì)象已有一定的認(rèn)識(shí)，常用先驗(yàn)概率分布來(lái)描述這種認(rèn)識(shí)，然后我們?nèi)〉靡粋€(gè)樣本，用樣本來(lái)修正已有的認(rèn)識(shí)（先驗(yàn)概率分布），得到后驗(yàn)概率分布，各種統(tǒng)計(jì)推斷都通過(guò)后驗(yàn)概率分布來(lái)進(jìn)行

5、。將貝葉斯思想用于判別分析，就得到貝葉斯判別。3、 試述費(fèi)歇判別方法的思想。費(fèi)歇判別的思想是投影，將K組P維數(shù)據(jù)投影到某一個(gè)方向，使得它們的投影組和組之間盡可能地分開(kāi)。4、 什么是逐步判別分析凡具有篩選變量能力的判別方法統(tǒng)稱為逐步判別法。逐步判別法的基本思想是：逐步引入變量，每次引入一個(gè)"最重要"的變量，同時(shí)也檢驗(yàn)先前引入的變量，如果先前引入的變量其判別能力隨新引入變量而變不顯著，則及時(shí)將其從判別式中剔除，直到判別式中的變量都很顯著，且剩下來(lái)的變量也沒(méi)有重要的變量可引入判別式時(shí)，逐步篩選結(jié)束。5、 簡(jiǎn)要敘述判別分析的步驟及流程。判別分析的6個(gè)步驟過(guò)程：（1）判別分析的對(duì)象：

6、這一步驟主要根據(jù)判別分析的研究目的定義觀測(cè)變量。（2）判別分析的研究設(shè)計(jì)：主要包括解釋變量和被解釋變量的選擇、估計(jì)判別函數(shù)所需的樣本量和為了驗(yàn)證目的對(duì)樣本的分割。（3）假定：推導(dǎo)判別函數(shù)的關(guān)鍵假定是解釋變量的多元正態(tài)性和被解釋變量定義的各組的未知但相等的協(xié)方差結(jié)構(gòu)。（4）估計(jì)判別模型和評(píng)估整體擬合：研究者必須確定估計(jì)的方法，然后確定保留的函數(shù)個(gè)數(shù)；根據(jù)估計(jì)的函數(shù)可用多種方法來(lái)評(píng)估模型擬合。（5）結(jié)果的解釋：這個(gè)過(guò)程主要介紹在判別分析中每個(gè)解釋變量的相對(duì)重要性，主要有標(biāo)準(zhǔn)化判別權(quán)重、判別載荷（結(jié)構(gòu)相關(guān)系數(shù)）、偏F值三種方法確定重要性。（6）結(jié)果的驗(yàn)證：通常采用分割樣本或者交叉驗(yàn)證法。判別分析的流

7、程：研究問(wèn)題>設(shè)計(jì)要點(diǎn)>假定>估計(jì)判別函數(shù)>使用分類矩陣估計(jì)預(yù)測(cè)的精度>判別函數(shù)的解釋>判別結(jié)果的驗(yàn)證第5章 主成分分析1、 主成分的基本思想是什么在對(duì)某一事物進(jìn)行實(shí)證研究中，為了更全面、準(zhǔn)確地反映出事物的特征及其發(fā)展規(guī)律，人們往往要考慮與其有關(guān)系的多個(gè)指標(biāo)，這些指標(biāo)在多元統(tǒng)計(jì)中也稱為變量。這樣就產(chǎn)生了如下問(wèn)題：一方面人們?yōu)榱吮苊膺z漏重要的信息而考慮盡可能多的指標(biāo)，而另一方面隨著考慮指標(biāo)的增多增加了問(wèn)題的復(fù)雜性，同時(shí)由于各指標(biāo)均是對(duì)同一事物的反映，不可避免地造成信息的大量重疊，這種信息的重疊有時(shí)甚至?xí)⑹挛锏恼嬲卣髋c內(nèi)在規(guī)律。基于上述問(wèn)題，人們就希望在定

8、量研究中涉及的變量較少，而得到的信息量又較多。主成分分析正是研究如何通過(guò)原來(lái)變量的少數(shù)幾個(gè)線性組合來(lái)解釋原來(lái)變量絕大多數(shù)信息的一種多元統(tǒng)計(jì)方法。既然研究某一問(wèn)題涉及的眾多變量之間有一定的相關(guān)性，就必然存在著起支配作用的共同因素，根據(jù)這一點(diǎn)，通過(guò)對(duì)原始變量相關(guān)矩陣或協(xié)方差矩陣內(nèi)部結(jié)構(gòu)關(guān)系的研究，利用原始變量的線性組合形成幾個(gè)綜合指標(biāo)（主成分），在保留原始變量主要信息的前提下起到降維與簡(jiǎn)化問(wèn)題的作用，使得在研究復(fù)雜問(wèn)題時(shí)更容易抓住主要矛盾。一般地說(shuō)，利用主成分分析得到的主成分與原始變量之間有如下基本關(guān)系：1.每一個(gè)主成分都是各原始變量的線性組合；2.主成分的數(shù)目大大少于原始變量的數(shù)目3.主成分保留

9、了原始變量絕大多數(shù)信息4.各主成分之間互不相關(guān)通過(guò)主成分分析，可以從事物之間錯(cuò)綜復(fù)雜的關(guān)系中找出一些主要成分，從而能有效利用大量統(tǒng)計(jì)數(shù)據(jù)進(jìn)行定量分析，揭示變量之間的內(nèi)在關(guān)系，得到對(duì)事物特征及其發(fā)展規(guī)律的一些深層次的啟發(fā)，把研究工作引向深入。2、 主成分在應(yīng)用中的主要作用是什么？設(shè)法將原來(lái)變量重新組合成一組新的互相無(wú)關(guān)的幾個(gè)綜合變量，同時(shí)根據(jù)實(shí)際需要從中可以取出幾個(gè)較少的綜合變量盡可能多地反映原來(lái)變量的信息的統(tǒng)計(jì)方法叫做主成分分析或稱主分量分析，也是數(shù)學(xué)上用來(lái)降維的一種方法。3、 由協(xié)方差陣出發(fā)和由相關(guān)陣出發(fā)求主成分有什么不同？一般而言，對(duì)于度量單位不同的指標(biāo)或是取值范圍彼此差異非常大的指標(biāo)，我

10、們不直接由其協(xié)方差矩陣出發(fā)進(jìn)行主成分分析，而應(yīng)該考慮將數(shù)據(jù)標(biāo)準(zhǔn)化。但是，對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后傾向于各個(gè)指標(biāo)的作用在主成分的構(gòu)成中相等。對(duì)于取值范圍相差不大或是度量相同的指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理后，其主成分分析的結(jié)果仍與由協(xié)方差陣出發(fā)求得的結(jié)果有較大區(qū)別。其原因是由于對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化的過(guò)程實(shí)際上也就是抹殺原始變量離散程度差異的過(guò)程，標(biāo)準(zhǔn)化后的各變量方差相等均為1，而實(shí)際上方差也是對(duì)數(shù)據(jù)信息的重要概括形式，也就是說(shuō)，對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化后抹殺了一部分重要信息，因此才使得標(biāo)準(zhǔn)化后各變量在對(duì)主成分構(gòu)成中的作用趨于相等。由此看來(lái)，對(duì)同度量或是取值范圍在同量級(jí)的數(shù)據(jù)，還是直接從協(xié)方差矩陣求解主成分為宜。第

11、6章 因子分析1、 因子分析與主成分分析有什么本質(zhì)不同？主成分分析和因子分析是兩種把變量維數(shù)降低以便于描述、理解和分析的方法：實(shí)際上主成分分析可以說(shuō)是因子分析的一個(gè)特例。 （1）因子分析中是把變量表示成各因子的線性組合，而主成分分析中則是把主成分表示成各個(gè)變量的線性組合。   （2）主成分分析的重點(diǎn)在于解釋個(gè)變量的總方差，而因子分析則把重點(diǎn)放在解釋各變量之 間的協(xié)方差。  （3）主成分分析中不需要有假設(shè)(assumptions),因子分析則需要一些假設(shè)。因子分析的假設(shè)包括：各個(gè)共同因子之間不相關(guān)，特殊因子（specific&

12、#160;factor）之間也不相關(guān)，共同  因子和特殊因子之間也不相關(guān)。  （4）主成分分析中，當(dāng)給定的協(xié)方差矩陣或者相關(guān)矩陣的特征值是唯一的時(shí)候，的主成分 一般是獨(dú)特的；而因子分析中因子不是獨(dú)特的，可以旋轉(zhuǎn)得到不到的因子。  （5）在因子分析中，因子個(gè)數(shù)需要分析者指定（spss根據(jù)一定的條件自動(dòng)設(shè)定，只要是特 征值大于1的因子進(jìn)入分析），而指 定的因子數(shù)量不同而結(jié)果不同。在主成分分析中，成分的數(shù)量是一定的，一般有幾個(gè)變量就有幾個(gè)主成分。  （6）和主成分分析相比，由于因子分析可以使

13、用旋轉(zhuǎn)技術(shù)幫助解釋因子，在解釋方面更加有 優(yōu)勢(shì)。大致說(shuō)來(lái)，當(dāng)需要尋找潛在的因子，并對(duì)這些因子進(jìn)行解釋的時(shí)候，更加傾于使用因子分析，并且借助旋轉(zhuǎn)技術(shù)幫助更好解釋。而如果想把現(xiàn)有的變量變成少數(shù)幾個(gè)新的變量（新的變量幾乎帶有原來(lái)所有變量的信息）來(lái)進(jìn)入后續(xù)的分析，則可以使用主  成分分析。當(dāng)然，這中情況也可以使用因子得分做到。所以這種區(qū)分不是絕對(duì)的。   2、 因子載荷的統(tǒng)計(jì)定義是什么？它在實(shí)際問(wèn)題分析中的作用是什么？因子載荷a（ij）的統(tǒng)計(jì)意義就是第i個(gè)變量與第j個(gè)公共因子的相關(guān)系數(shù)即表示X（i）依賴F（j）的份量（比重）。統(tǒng)計(jì)學(xué)術(shù)語(yǔ)稱作權(quán)

14、，心理學(xué)家將它叫做載荷，即表示第i個(gè)變量在第j個(gè)公共因子上的負(fù)荷，它反映了第i個(gè)變量在第j個(gè)公共因子上的相對(duì)重要性。在因子分析中，通常只選其中m個(gè)(m<p主因子），即根據(jù)變量的相關(guān)選出第一主因子1,使其在各變量的公共因子方差中所占的方差貢獻(xiàn)為最大，然后消去這個(gè)因子的影響，而從剩余的相關(guān)中，選出與之不相關(guān)的因子，使其在各個(gè)變量的剩余因子方差貢獻(xiàn)中為最大，如此往復(fù)，直到各個(gè)變量公共因子方差被分解完畢為止。第七章 對(duì)應(yīng)分析1、 試述對(duì)應(yīng)分析的思想方法及特點(diǎn)。思想：對(duì)應(yīng)分析又稱為相應(yīng)分析，也稱RQ分析。是因子分子基礎(chǔ)發(fā)展起來(lái)的一種多元統(tǒng)計(jì)分析方法。它主要通過(guò)分析定性變量構(gòu)成的列聯(lián)表來(lái)揭示變量之間

15、的關(guān)系。當(dāng)我們對(duì)同一觀測(cè)數(shù)據(jù)施加R和Q型因子分析，并分別保留兩個(gè)公共因子，則是對(duì)應(yīng)分析的初步。對(duì)應(yīng)分析的基本思想是將一個(gè)聯(lián)列表的行和列中各元素的比例結(jié)構(gòu)以點(diǎn)的形式在較低維的空間中表示出來(lái)。它最大特點(diǎn)是能把眾多的樣品和眾多的變量同時(shí)作到同一張圖解上，將樣品的大類及其屬性在圖上直觀而又明了地表示出來(lái)，具有直觀性。另外，它還省去了因子選擇和因子軸旋轉(zhuǎn)等復(fù)雜的數(shù)學(xué)運(yùn)算及中間過(guò)程，可以從因子載荷圖上對(duì)樣品進(jìn)行直觀的分類，而且能夠指示分類的主要參數(shù)（主因子）以及分類的依據(jù)，是一種直觀、簡(jiǎn)單、方便的多元統(tǒng)計(jì)方法。特點(diǎn)：對(duì)應(yīng)分析的基本思想是將一個(gè)聯(lián)列表的行和列中各元素的比例結(jié)構(gòu)以點(diǎn)的形式在較低維的空間中表示出

16、來(lái)。它最大特點(diǎn)是能把眾多的樣品和眾多的變量同時(shí)作到同一張圖解上，將樣品的大類及其屬性在圖上直觀而又明了地表示出來(lái)，具有直觀性。另外，它還省去了因子選擇和因子軸旋轉(zhuǎn)等復(fù)雜的數(shù)學(xué)運(yùn)算及中間過(guò)程，可以從因子載荷圖上對(duì)樣品進(jìn)行直觀的分類，而且能夠指示分類的主要參數(shù)（主因子）以及分類的依據(jù)，是一種直觀、簡(jiǎn)單、方便的多元統(tǒng)計(jì)方法。2、 試述對(duì)應(yīng)分析中總慣量的意義。 總慣量不僅反映了行剖面集定義的各點(diǎn)與其重心加權(quán)距離的總和,同時(shí)與2統(tǒng)計(jì)量?jī)H相差一個(gè)常數(shù),而2統(tǒng)計(jì)量反映了列聯(lián)表橫聯(lián)與縱聯(lián)的相關(guān)關(guān)系,因此總慣量也反映了兩個(gè)屬性變量各狀態(tài)之間的相關(guān)關(guān)系。對(duì)應(yīng)分析就是在對(duì)總慣量信息損失最小的前提下，簡(jiǎn)化數(shù)據(jù)結(jié)構(gòu)以反

17、映兩屬性變量之間的相關(guān)關(guān)系。第8章 典型相關(guān)分析1、 試述典型相關(guān)分析的統(tǒng)計(jì)思想典型相關(guān)分析是借助于主成分分析的思想，對(duì)每一組變量分別尋找線性組合，使生成的新的綜合變量能代表原始變量大部分的信息，同時(shí)，與由另一組變量生成的新的綜合變量稱為第一對(duì)典型相關(guān)變量，同樣的方法可以找到第二對(duì)，第三對(duì)等。使得各對(duì)典型相關(guān)變量之間互不相關(guān)，典型相關(guān)變量之間的簡(jiǎn)單相關(guān)系數(shù)稱為典型相關(guān)系數(shù)典型相關(guān)分析就是用典型相關(guān)關(guān)系數(shù)衡量?jī)山M變量之間的相關(guān)性。2、 典型相關(guān)分析中的冗余度有什么作用。在進(jìn)行典型相關(guān)分析的時(shí)候，需要了解典型變量的解釋比例，從而定量測(cè)度典型變量所包含的原始信息量的大小，此時(shí)就需要典型變量的冗余分析

18、。冗余度(Redundancy)分析結(jié)果，它列出各典型相關(guān)系數(shù)所能解釋原變量變異的比例，可以用來(lái)輔助判斷需要保留多少個(gè)典型相關(guān)系數(shù)。3、 典型變量的解釋有什么具體方法？實(shí)際意義是什么？（1） 典型權(quán)重（標(biāo)準(zhǔn)化系數(shù)）（2）典型載荷（結(jié)構(gòu)系數(shù)）（3）典型交叉載荷利用典型變量解釋的技術(shù),可以引出用收益方差協(xié)方差矩陣引出的特征根作為風(fēng)險(xiǎn)的一種量度指標(biāo),并在此基礎(chǔ)上,推導(dǎo)出了第一特征向量的分塊結(jié)構(gòu)分式,還可給出具有實(shí)際意義的解釋。同時(shí)，相關(guān)思想及技術(shù)路線,可為以后對(duì)股市風(fēng)險(xiǎn)定量研究及開(kāi)發(fā)金融工程產(chǎn)品打開(kāi)新的研究視野。第九章 定性數(shù)據(jù)的建模分析1.簡(jiǎn)述對(duì)數(shù)線性模型應(yīng)用的原理。對(duì)類別間的聯(lián)系進(jìn)行精確建模，通

19、過(guò)假設(shè)檢驗(yàn)的方法確定分類變量各類別之間究竟有無(wú)聯(lián)系。對(duì)數(shù)線性模型的構(gòu)造類似于方差分析模型，其作用也與方差分析類似。一般的對(duì)數(shù)線性模型的特色是對(duì)所有的變量不分因變量和自變量，一視同仁的分析。在兩因素方差分析中：其中，Yijk是A因素的i水平和B因素的j水平構(gòu)成的處理的第k個(gè)觀察，i、j分別表示A因素和B因素的主效應(yīng)，ii則為A與B的交互效應(yīng)，ijk是隨機(jī)誤差，服從正態(tài)分布。在方差分析模型中，將每個(gè)觀察值y的變異看成是A因素的作用(主效應(yīng))、B因素的作用、A與B的交互作用及隨機(jī)誤差之和。類似地，對(duì)二維列聯(lián)表，也可以將每個(gè)單元格中頻數(shù)的變異分解為各因素的作用。將A因素的i水平和B因素的j水平對(duì)應(yīng)的格

20、子的頻數(shù)記為fij，顯然fij是一個(gè)隨機(jī)變量，它是隨樣本的變化而變化的，且在抽樣前無(wú)法確切地預(yù)測(cè)它將取什么值?？梢韵胂?，fij的變異是由A、B兩個(gè)因素的作用及隨機(jī)誤差造成的。一般情況下，假設(shè)每個(gè)格子的觀察頻數(shù)服從多項(xiàng)(Multinomial)分布。如果將單元格頻數(shù)取自然對(duì)數(shù)，則假定各因素對(duì)單元格頻數(shù)的影響服從下面的公式：記（常數(shù)）為，（A的主效應(yīng)）為，（B的主效應(yīng)）為b，（A與B的交互作用）為（）則上式變?yōu)椋哼@就是二維列聯(lián)表的對(duì)數(shù)線性模型，該模型中包含了所有主效應(yīng)和交互作用項(xiàng)，因此被稱為飽和模型（Saturated Mode），若將某些無(wú)統(tǒng)計(jì)意義的交互作用項(xiàng)從飽和模型中去除，就稱為不飽和模型或

21、簡(jiǎn)約模型（Reduced Mode）。2、Logistic回歸模型在處理問(wèn)卷調(diào)查數(shù)據(jù)中有何應(yīng)用？ 通常我們需要研究某一現(xiàn)象發(fā)生的概率p的大小時(shí)，直接處理數(shù)值p會(huì)存在困難，這時(shí)處理p的一個(gè)嚴(yán)格單調(diào)函數(shù)Q就會(huì)方便很多，將p換成Q，這一變換就稱為L(zhǎng)ogit轉(zhuǎn)換。當(dāng)因變量是一個(gè)二元變量，只取0與1兩個(gè)值時(shí)，因變量取1的概率p(y=1)就是要研究的對(duì)象。如果自變量的關(guān)系式是線性的、二次的或者多項(xiàng)式的，通過(guò)普通的最小二乘法就可以處理，然后從p與Q的反函數(shù)關(guān)系式中求出p與自變量的關(guān)系。Logit轉(zhuǎn)換在數(shù)據(jù)處理上帶來(lái)很多方便。精簡(jiǎn)了問(wèn)題，可以保證數(shù)據(jù)的完整性。第10章 路徑分析1、 路徑分析和回歸分析有什么異

22、同之處？回歸分析是確定兩種或兩種以上變量間相互依賴的定量關(guān)系的一種統(tǒng)計(jì)分析方法。這種方法沒(méi)有尋找變量之間的因果關(guān)系，只需要計(jì)算相關(guān)系數(shù)。這種方法僅反映變量之間的線性關(guān)系，反映變量之間的關(guān)系是對(duì)稱的，回歸分析只有在正態(tài)假設(shè)下才是有效的?；貧w分析是一種比較簡(jiǎn)單的因果關(guān)系，各個(gè)自變量對(duì)因變量的作用并列存在，僅包含一個(gè)環(huán)節(jié)的因果結(jié)構(gòu)。 路徑分析是一種統(tǒng)計(jì)程序，通過(guò)分析變量之間假設(shè)的因果效應(yīng)來(lái)測(cè)試研究人員提出的關(guān)于一套觀察或者呈現(xiàn)變量之間因果關(guān)系的理論及方法。路徑分析可以容納多環(huán)節(jié)的因果結(jié)果，通過(guò)路徑圖把這些因果關(guān)系很清楚地表示出來(lái)，據(jù)此進(jìn)行更深層次的分析。2、 路徑系數(shù)的計(jì)算應(yīng)注意什么問(wèn)題？ 殘差項(xiàng)的

23、路徑系數(shù)由其他路徑系數(shù)決定，并且該內(nèi)生變量與其誤差項(xiàng)的相關(guān)系數(shù)即為誤差項(xiàng)的路徑系數(shù)。另外，殘差項(xiàng)的路徑系數(shù)可由多元回歸的決定系數(shù)計(jì)算出。還要注意樣本數(shù)據(jù)表現(xiàn)出來(lái)的偽相關(guān)，特別是對(duì)于時(shí)間序列，不相關(guān)的單位根（unit root）變量之間會(huì)存在偽相關(guān)現(xiàn)象。第十一章 結(jié)構(gòu)方程模型1、簡(jiǎn)述結(jié)構(gòu)方程模型與路徑分析的聯(lián)系與區(qū)別。聯(lián)系：路徑分析是結(jié)構(gòu)方程模型的一部分，完整的結(jié)構(gòu)方程模型包含兩部分：1、測(cè)量模型，研究因子和指標(biāo)的關(guān)系，也就是一般我們說(shuō)的驗(yàn)證性因子分析；2、因果模型，也就是路徑分析，研究的是因子之間的關(guān)系。另外提一下，狹義上的路徑分析指的是把顯變量直接當(dāng)做潛變量的因果模型。因此，結(jié)構(gòu)方程模型和路

24、徑分析其實(shí)是概念與子概念的關(guān)系。他們所涉及的統(tǒng)計(jì)學(xué)原理自然是一樣的，只不過(guò)如果是狹義上的路徑分析，那么默認(rèn)變量無(wú)測(cè)量誤差，其計(jì)算的精確度及誤差的控制是不如完整的結(jié)構(gòu)方程模型的。區(qū)別：（1） SEM可以先透過(guò)因素分析將可觀測(cè)的變量集結(jié)成幾個(gè)共同因素。反觀路徑分析，其外生變量之間必需相互獨(dú)立，未經(jīng)過(guò)因素分析處理。（2） SEM的變量間可以有雙向因果關(guān)系，但路徑分析通常只可以有單向關(guān)系。（3）SEM可以包含變量間的衡量誤差，但是路徑分析的外生變量需是定值。（4） SEM可運(yùn)用最大概似法(ML)來(lái)進(jìn)行參數(shù)估計(jì)，但路徑分析是以一般最小平方法(OLS)來(lái)進(jìn)行參數(shù)估計(jì)。第十二章 聯(lián)合分析1、 簡(jiǎn)述聯(lián)合分析的

25、思想。聯(lián)合分析是在已知受測(cè)者對(duì)某一受測(cè)體集合整體評(píng)估結(jié)果的情形下，通過(guò)分解的方法去估計(jì)其偏好結(jié)構(gòu)的一種分析方法。在聯(lián)合分析中，受測(cè)體是由研究人員事先依照某種因子結(jié)構(gòu)加以設(shè)計(jì)的。聯(lián)合分析的目的在于將受測(cè)者的整體反應(yīng)加以分解，從受測(cè)者對(duì)受測(cè)體的整體評(píng)估結(jié)果中估計(jì)每一受測(cè)體成分的效用。聯(lián)合分析是多變量分析技術(shù)中的一種相依方法。2、 聯(lián)合分析的設(shè)計(jì)應(yīng)注意哪些問(wèn)題？設(shè)計(jì)主要聯(lián)合分析的有以下幾個(gè)方面：（1）選擇一種聯(lián)合分析的方法。聯(lián)合分析的方法有傳統(tǒng)聯(lián)合分析、修正聯(lián)合分析和基于選擇的聯(lián)合分析。在屬性個(gè)數(shù)不同的時(shí)候，我們可以選擇合適的分析方法。（2）設(shè)計(jì)受測(cè)體，選擇并定義因子和水平。在定義因子和水平時(shí)應(yīng)注意到，他們的測(cè)量應(yīng)該是可被告知的和可實(shí)行的?？杀桓嬷木褪且蜃雍退饺菀淄ㄟ^(guò)實(shí)際評(píng)估來(lái)表達(dá)。比如很難描述一種香水的實(shí)際“香味”或者一種護(hù)手液的“感覺(jué)”?？蓪?shí)行的就是因子和水平必須可以在現(xiàn)實(shí)