论文部分内容阅读
结构方程模型在心理学、医学、社会学和经济学等学科领域中应用广泛,它是研究潜变量(Latent variable)和显变量(Manifest variable)以及潜变量和潜变量之间关系的重要工具。到目前为止,结构方程模型在应用方面的研究大多数都是潜在变量线性相关的模型。近年来,更多的研究者认识到对于一些复杂的情况,潜在变量间的非线性关系对建立更有意义和更准确的模型非常重要。譬如：Jonsson (1998), Ping (1996), Kenny和Judd (1984)等都在实际研究中提到潜在变量的二次项和交互项效应的重要性。随着计算机技术的发展,现已有许多统计软件可用来分析结构方程模型,如：AMOS, LISREL, EQS6, MPLUS和WinBUGS等。本文基于前人的工作,系统的介绍了非线性结构方程模型以及其参数估计的贝叶斯方法。本文的主要内容可概述如下：1.介绍了非线性结构方程模型参数估计的贝叶斯方法。在设定参数先验分布的情况下,推导了非线性结构方程模型中未知参数的后验分布,然后用Gibbs抽样和MH算法相结合的混合算法对模型参数进行了贝叶斯估计,从而得到潜变量和未知参数的联合贝叶斯估计和它们的标准差估计；在此基础上,我们定义了评价模型好坏的拟合优度统计量,即偏后验预测P值,并且通过路径抽样的方法进一步得到了用于模型比较的贝叶斯因子。2.在公司成长性影响因素研究中,本文建立了带有平方项和交互作用项的非线性结构方程模型。我们利用贝叶斯方法对所建立的非线性结构方程模型中的参数进行估计。在对模型参数估计的时候,本文选取了在深交所上市的200家创业板公司财务报表数据,并且利用Winbugs软件对数据进行了分析。Winbugs软件是贝叶斯计量经济学计算常用的软件。而利用贝叶斯方法,能有效的考虑样本的先验信息,这在经济研究中对于提高预测的准确性是非常有意义的。综上所述,本文在公司成长性分析研究中引入了非线性结构方程模型,并且借助Gibbs抽样和Metropolis-Hosting算法对该模型进行了贝叶斯分析,最终验证了公司盈利能力和公司资本结构与公司成长性之间的正相关性。