数学类短论文_数据分析方式翻译

【#第一文档网# 导语】以下是®第一文档网的小编为您整理的《数学类短论文_数据分析方式翻译》，欢迎阅读！



数据分析方式

通常，治理研究中运用比较普遍的数据分析方式是多元回归分析法，可是多元回归方式存在两个弱点（李怀祖，2000）：

（1）、治理研究中难以回避一些无法直接观测的变量，而多元回归的因变量和自变量都要求可测，才能估量出回归系数。比如本论文种的运营质量，需要通过准确性、靠得住性、准时性等来论述一样。结构方程模型的普遍应用主假设是因为在一样的回归研究中所涉及的很多变量并非能直接、准确地测量，这些变量称为潜变量( Latent Variable ，简称LV)。人们能够找到一些可观测的变量将其作为这些潜变量的“指标”( Indicators) ，进而间接研究潜变量的性质（刘金兰 2005）。传统的统计分析方式通常不能有效处置这些含潜变量的问题，而结构方程模型正是用来查验观测变量和潜变量、潜变量和潜变量之间关系的一种多元统计方式。(理顺一下逻辑) （2）、回归分析难以处置多重共线性问题。

因此，在涉及自变量多或自变量彼此关联复杂的系统时，人们需要在多元回归分析的基础上，探讨新的数据分析方式。目前，在治理研究中，专门是采纳问卷法搜集数据的情形下，结构方程建模是针对上述回归分析的弱点而研发出来的并已取得较普遍应用的数据分析方式（李怀祖，2000）。依照所研究的关联模型的特点，本文选择结构方程建模作为研究工具。

本论文采纳的分析查验方式包括：一样线性相关分析、多元回归分析、主成份分析等，统计软件是采纳的是SPSS 15，和用于偏最小二乘的PLS（ Partial Least Square ）软件SmartPLS 。

结构方程简介

结构方程模型（Structural Equation Modeling，简称SEM）是由瑞典统计学家Karl G Joreskog 于和Dag Sorbom等学者在20世纪70年代提出来的一种线性统计建模技术。是对探讨性因子分析、验证性因子分析、途径分析、多元回归及方差分析等统计方式的综合运用和改良提高。最近十连年来，结构方程模型已成为一种超级通用的、要紧的线性统计建模技术，普遍应用于经济学、治理学、行为科学等领域的研究。人们所熟悉的多元回归（Multiple regression）、因子分析（Factor Analysis）和途径分析（Path Analysis）等统计方式事实上都只是结构方程模型的一种特例。结构方程模型目前仍然是多元统计分析中一个前沿研究领域。

目前，要紧有两大类估量技术来求解结构方程模型。-种是基于最大似然估量(ML) 的协方差结构分析方式，如以LISREL 方式为代表（Anderson , Rungtusanathamm, Schroeder R Get al, et al 1995）; 另一种那么是基于偏最小二乘( PLS) 的分析方式,以PLS 方式为代表（ 1998）。 国内关于前者的讨论已有很多，但对后者的研究却较少。本论文的所应用的分析技术确实是偏最小二乘方式（PLS Partial Least Squares）。 偏最小二乘PLS简介

偏最小二乘法（PLS：Partial Least Squares）被称为第二代的多变量技术，是一种新型的多元统计分析技术，是最近几年来模型参数估量的常常利用方式（Herman Wold，1992）。PLS 理论由两个部份组成：PLS


回归与PLS 途径建模。最初，PLS 回归的应用要紧在化工领域。PLS 途径建模方式是PLS 回归的扩展与延伸，它于八十年代初期由Herman Wold 和Joreskog等人开发出来，相对PLS 回归的应用范围而言，PLS 途径建模技术在计量经济学和心理学和治理行为等领域发挥着更为重要的作用。

偏最小二乘回归具有方式简便、受限制小、应用范围广的优势。一样以为基于成份提取的PLS方式具有很强的说明与预测能力，PLS是一种将主成份分析与多元回归结合起来的迭代估量, 该方式对不同潜变量的显变量子集抽取主成份, 放在回归模型系统中利用, 然后调整主成份权数, 以最大化模型的预测能力。另外，PLS最大的益处确实是非参数查验，例如：如果不能保证变量的正态性和同方差性质，就能够够够用PLS。PLS对数据的散布没有严格要求而且能够是小样本。而基于协方差拟合的LISREL 方式对数据的散布有必然的要求且需要足够大的样本，且必需要保证变量散布的严格假设。

PLS方式也有它自己的缺点，第一PLS方式是有“偏”的最小二乘，因为估量的每一步都在给定其他参数条件下，对某个参数子集的残差方差进行最小化。尽管在收敛的极限下，对所有残差方差联合的进行最小化，但PLS方式仍然是“偏”的，因为没有对整体残差方差或其他整体最优标准严格的进行最小化。PLS通过最大化测量变量的靠得住性估量和潜变量回归的R2来计算潜变量得分，致使PLS参数估量有偏，使潜变量得分的价值大打折扣。另外，因为PLS估量的潜变量途径系数有低估，不能很准确的揭露潜变量之间的关系（Dijkstra, 1983）；基于成份分析的算法（PLS）的外生潜变量的R2 的数值比基于协方差的SEM的算法得出的值偏小（HSU, Sheng-Hsun et al 2006）。PLS的潜变量载荷的参数估量易于趋同，且有高估误差；无法给出模型的查验，它所给出说明变量与因变量之间的结构关系过于抽象、难以明白得，无法确信它们之间准确的数量关系。

尽管如此，PLS仍是由于它关于假设的限制比较小，且不需要有联合多元正态散布，不需要大量的样本，被以为是适合于理论进展的初期利用。目前，PLS成功的应用于市场营销研究、组织行为研究、和信息系统研究。 什么缘应选择偏最小二乘PLS

在利用结构方程建模中，PLS和LISREL两种建模技术应用最为普遍，关于LISREL和PLS来讲人们在两种方式的选择上一直存在不合，一样以为PLS适用于以下情形：

一、研究者加倍关注通过测量变量对潜变量的预测，胜于关注模型的参数估量值大小，尽管PLS的估量量是有偏的，但能够依照测量变量取得潜变量的最优预测。

二、适用于数据有偏散布的情形，因为PLS利用非参数推断方式（例如Jackknife），不需要对数据进行严格假定（比如多元正态散布、同方差性等等）；而LISREL却有严格的假设观测是独立的，且必需服从多元正态散布。 3、适用于小样本研究，因为PLS是一种有限信息估量方式，所需要的样本量比完全信息估量方式LISREL小得多。Chin and Newsted (1999)进行的Monte Carlo Simulation证明显示样本的大小能够小至50。 4、适用于较大、较复杂的结构方程模型，因为PLS收敛速度超级快，计算效率比LISREL更高。


五、适用于有形成型（Formative）变量的结构模型，LISREL只能处置反映型（Reflective）的潜变量，而不能处置形成型（Formative）的潜变量。而本文中的XX,XX是形成型的变量，而XX,XX是反映型的变量，整个模型是属于混合模型，因此，利用lisrel或AMOS是无法完成的。而关于形成型与反映型的区分，在大多数文章里面是没有区分的，如此的误用会致使统计中的一类错误和二类错误的发生，从而致使查验的失效。 本论文采纳PLS的要紧缘故：

一、本文的要紧研究目的是找出关于外包合作关系有阻碍的因素，加倍关注的是变异量的说明。加倍关注的是效劳质量对外包关系的说明能力，而不是用所调查的数据与理论模型的拟合程度。

二、样本数量少，本文的样本数量只有XX，关于用lisrel来讲，样本数量远远不够，因此只能选择PLS，PLS能够有效的处置小样本问题。

3、本文中的潜变量的结构既有形成型（Formative）的又有反映型（Reflective）的，其中XXX的测量是形成型的潜变量，而其余的是反映型（Reflective）的潜变量。由形成型和反映型的指标组织的混合模型的分析只有PLS能解决，LISREL或AMOS只能解决反映型的变量。

基于以上缘故，PLS（偏最小二乘法）分析方式被用来分析本论文的模型假设。

本文来源：https://www.dy1993.cn/ZNp.html