Model Assessment for a Generalised Bayesian Structural Equation Model
广义贝叶斯结构方程模型的模型评估AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论通用贝叶斯结构方程与心理量表因子模型，未明确涉及所列宏观或金融因子方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
广义贝叶斯结构方程模型的模型评估
- 研究问题
- 在用信息先验将部分参数约束为近似零的贝叶斯结构方程模型中，如何补充后验预测 p 值并评价数据对模型的支持？
- 方法与思路
- 作者结合评分规则、交叉验证和样本外预测评估，并引入题项与个体层面的随机效应，处理分类及非正态连续数据。
- 材料陈述的贡献
- 摘要称提出预测导向的模型评估框架和使用指南，支持连续与分类数据，并通过模拟、人格量表和尼古丁依赖数据展示。
- 阅读关注点
- 应核对评分规则和交叉验证的具体设计、近似零先验的敏感性，以及随机效应如何处理非正态性并用于异常值检测。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实。摘要未给出评估判据、模拟结果或预测表现与结构正确性之间的关系。
原文摘要
The paper proposes a novel model assessment paradigm aiming to address shortcoming of posterior predictive $p-$values, which provide the default metric of fit for Bayesian structural equation modelling (BSEM). The model framework of the paper focuses on the approximate zero approach, according to which parameters that would before set to zero (e.g. factor loadings) are now formulated to be approximate zero via informative priors (Muthen and Asparouhov, 2012). The introduced model assessment procedure monitors the out-of-sample predictive performance of the fitted model, and together with a list of guidelines we provide, one can investigate whether the hypothesised model is supported by the data. We incorporate scoring rules and cross-validation to supplement existing model assessment metrics for Bayesian SEM. The proposed tools can be applied to models for both categorical and continuous data. The modelling of categorical and non-normally distributed continuous data is facilitated with the introduction of an item-individual random effect that can also be used for outlier detection. We study the performance of the proposed methodology via simulations. The factor model for continuous and binary data is fitted to data on the `Big-5' personality scale and the Fagerstrom test for nicotine dependence respectively.