题  目：定序数据因子分析的岭估计

主讲人：袁克海教授 (美国圣母大学心理系)

时  间：2016年6月3日（星期五）下午3:30-5:00

地  点：心理学院 214会议室

主讲人简介：

袁克海博士，美国圣母大学心理系教授。美国加州大学(UCLA)获得博士学位。研究兴趣横跨测量学、方法论和统计学等领域，主要包括因子分析模型、结构方程模型、多水平模型、混合模型、项目反映理论、经典测量理论、均值比较、检验力、元分析、中介分析和调节分析等。他在Psychometrika, British Journal of Mathematical and Statistical Psychology, Psychological Methods, Structural Equation Modeling等期刊上发表了超过100 篇学术论文。

袁克海教授曾经做过Psychological Methods (2013-2015) 的副主编。目前是Journal of Multivariate Analysis的副主编，还兼任Structural Equation Modeling，Multivariate Behavioral Research等多个期刊的编委。

个人主页：http://psychology.nd.edu/faculty/faculty-by-alpha/ke-hai-yuan/

讲座摘要：

心理学研究中，常用李克特量表（Likert-type scales）收集数据。研究表明，与使用积差协方差矩阵比较，多分格相关矩阵（polychoric correlation matrix）在李克特量表数据分析中表现更优，尤其是当观测变量呈偏态分布时。理论上，基于多分格相关矩阵的因子分析最好使用渐近校正加权矩阵的广义最小二乘法（generalized least squares with an asymptotically correct weight matrix, AGLS）。模拟研究却表明，最小二乘法（LS）或对角加权最小二乘（DWLS）比AGLS表现更好。因此，这两种方法在实践中被广泛应用。然而，在LS和DWLS中，多分格相关系数间的联系被完全忽略。为了改善这一统计理论和实证研究间的差距，本文提出一种定序数据因子分析的新方法，称之为岭广义最小二乘（ridge GLS）。结果表明，在多种样本容量条件下，ridge GLS均能得到比现有方法（LS，DWLS，AGLS）更为有效、准确的估计。重新标定和调整后的测验统计量和三明治式标准误在ridge GLS下也比较小。