La regresión en la SEM programas vs regresión en paquetes estadísticos como el SPSS

Question

Contex

De regresión múltiple con variables continuas.

Convencional paquetes estadísticos, por ejemplo, SPSS, lm() en R, normalmente me dan un F valor, dfs, y la significación de la prueba en si el modelo funciona muy bien. También puede utilizar el ANOVA para comparar si un modelo es significativamente mejor que el otro por el de averiguar si el aumento en el R cuadrado es significativo.

Modelado de ecuaciones estructurales de los programas, por ejemplo, Mplus, lavaan paquete en R, también me dejan correr la regresión con el agregado de los beneficios de la falta de manejo de datos a través de la información completa de máxima verosimilitud. Aunque las estimaciones de los parámetros y R las plazas son similares entre estos dos enfoques, no tengo la F valor y las pruebas de significación de modelo haciendo una regresión en el SEM estilo. En su lugar, puedo obtener el ajuste del modelo de información con df ser 0, y no puedo entender cómo podía probar si un modelo de regresión es mejor que otro.

Preguntas

1. ¿Cuáles son las diferencias entre estos dos enfoques, en su caso?
2. En SEM estilo, ¿cómo sé que un modelo de regresión es bueno, y ¿cómo puedo comparar si un modelo de regresión tiene significativamente mayor que la R cuadrado de otro?

Answer 1

Creo que al hacer la regresión a través de SEM es falso. Quiero decir, es lindo para demostrar que se puede expresar una regresión lineal como un caso especial de la SEM, para mostrar lo general SEMs, pero haciendo una regresión con un SEM es una pérdida de tiempo, ya que este enfoque no utilizar los muchos avances en los modelos de regresión específica para modelos lineales. Esta es la herramienta adecuada para el trabajo de la cuestión: si no hay nada más a la mano, yo le martilla un clavo en un panel de yeso con el destornillador por la celebración de este último en un extremo agudo y golpear el clavo con el mango, pero yo no recomiendo hacer eso, en general.

En el SEM, el modelo de la matriz de covarianza de todo: los regresores y la variable dependiente. La matriz de covarianza de los regresores tienen que ser sin restricciones. Las covarianzas entre la variable dependiente y los regresores es lo que genera los coeficientes estimados, y la varianza de la variable dependiente, el $s^2$. Así que he utilizado todos los grados de libertad (número de la matriz de covarianza de las entradas), y es por eso que usted ve un cero. Usted debe ser capaz de encontrar $R^2$ en su salida, pero se oculta profundamente en algún lugar, no lanzado en usted como en la regresión de salida: desde el punto de vista de la SEMs, su variable dependiente es nada sorprendente, usted puede tener un par de docenas de regresiones en su salida, y usted puede conseguir todos sus $R^2$s, o confiabilidades, en algún lugar, pero puede que tenga que pedir con algunos TECH opciones en Mplus.

La falta de valor de las cosas es aún más falso. Normalmente, usted tiene que asumir algún tipo de una distribución normal multivariante, para ejecutar una completa información de máxima verosimilitud. Esto es muy dudoso que la mayoría de las aplicaciones, por ejemplo, cuando usted tiene dummy variables explicativas.

La ventaja de realizar la regresión correctamente con R o Stata es que usted tendrá acceso a todos los tradicionales de diagnóstico (residuos, el apalancamiento, etc. sobre la influencia de la colinealidad, la no linealidad y otros de la bondad de ajuste de problemas), así como herramientas adicionales para una mejor inferencia (sándwich estimador que se pueden hacer robusto para la heterocedasticidad, clúster de correlación o de autocorrelación). SEM puede ofrecer "robusto" de los errores estándar, demasiado, pero no funcionan bien cuando el modelo es estructuralmente mal especificada (y que es lo que uno de mis papeles se acerca).