求高人指点用SEM和OLS的区别，优缺点比较

其实应该说是最大似然法和最小二乘法的区别吧。

采用OLS的回归分析方法存在几方面的限制：

（1）不允许有多个因变量或输出变量

（2）中间变量不能包含在与预测因子一样的单一模型中

（3）预测因子假设为没有测量误差

（4）预测因子间的多重共线性会妨碍结果解释

（5）结构方程模型不受这些方面的限制

SEM的优点：

（1）SEM程序同时提供总体模型检验和独立参数估计检验；

（2）回归系数，均值和方差同时被比较，即使多个组间交叉；

（3）验证性因子分析模型能净化误差，使得潜变量间的关联估计较少地被测量误差污染；

（4）拟合非标准模型的能力，包括灵活处理追踪数据，带自相关误差结构的数据库（时间序列分析），和带非正态分布变量和缺失数据的数据库。

构方程模型最为显著的两个特点是：

（1）评价多维的和相互关联的关系；

（2）能够发现这些关系中没有察觉到的概念关系，而且能够在评价的过程中解释测量误差。

1、最小二乘法的典型应用是求解一套x和y的成对数据对应的曲线（或者直线）方程。

其思想是：设y和x之间的关系可以用一个公式在表示，但其系数为待定系数。然后，将各个点的实测数据与计算求得的数据相减，得到“误差”或者不符值（有正有负，但其平方都是正的），将这些不符值的平方相加，得到总的“误差”。通过调整公式中的各个系数，使得误差平方和最小，那么就确定了y和x之间的方程的最好结果。求解最小二乘问题的过程中没有提及概率问题。

2、而极大似然估计值，是用于概率领域的一种方法，和最小二乘法是两个领域的。这种方法是应用求极大值的方法，让某一个公式求导值为0，再根据情况判断该极值是否是合乎要求。极大似然估计法可以用于正态分布中 μ, σ2的极大似然估计。极大似然估计法就是要选取类似的数值作为参数的估计值，使所选取的样本在被选的总体中出现的可能性为最大。

计算SEM自由度有两种方法:

1、 一种是计算数据中observed variables indicators (变量)

之间的相关系数（correlations）的个数，一般用k来表示变量的个数，其相关系数的个数则为 k X

(k–1) / 2。如你的例子中有12个变量，它们之间的相关系数应该有12 X 11 / 2 = 66。

2、另一种是计算数据所有变量之间的variance-covariance (方差－协方差) 的个数，公式为 k X (k + 1) / 2。在本例中，共有

12 X 13 /2 = 78。

3、“模型所需的信息”也有两种对应的算法。与相关系数对应的算法是模型中所需估计的parameters

(参数)，包括factor loadings (因子负荷，即λ，本例中有12个)、coefficients of exogenous factors

(自变量因子对因变量因子的影响系数，即γ,本例中有2个)、 coefficients of endogenous factors

(因变量因子对因变量因子的影响系数，即в,本例中有1个)，三者相加共有 12 + 2 + 1 = 15个参数需要被估计。

如果按方差-协方差计算的话，那么需要被估计的参数，除了以上的λ、γ和в以外，还需要加上每个errors

of indicators（变量的残差，即δ和ε，本例中有12个），四者相加为 12 + 2 + 1 + 12 = 27。

区别在于广义化线性模型中的联系函数的形式。

logit 采用对数形式。应用上，普通logit的响应变量是二元的。 logit的响应变量可以是多元的。统计软件 spss中: logit属于对数线性模型，分析结果主要为因变量和自变量之间的关系，可以细化到各分类因变量与分类自变量之间。sem属于回归分析，分析结果为估计出自变量参数。

---