📊 statistics

Two-stage Estimation of Latent Variable Regression Models: A General, Root-N Consistent Solution

本文提出了一种通用的、具有根号n一致性的两阶段因子载荷回归偏差校正框架，该框架能够在不需要特定因子载荷类型或复杂解析推导的情况下，实现对潜在变量模型的精确估计，其性能与金标准的一阶段极大似然估计量相当。

原作者： Yang Liu, Xiaohui Luo, Jieyuan Dong, Youjin Sung, Yueqin Hu, Hongyun Liu, Daniel J. Bauer

发布于 2026-01-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Yang Liu, Xiaohui Luo, Jieyuan Dong, Youjin Sung, Yueqin Hu, Hongyun Liu, Daniel J. Bauer

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：名为“两步走”的捷径

想象你是一名侦探，正试图解开一个关于不同不可见特质（比如“智力”或“压力”）如何相互影响的谜团。你无法直接看到这些特质，只能看到它们的足迹（测试分数、调查问卷答案、反应时间）。

在统计学世界中，解决这个问题的“金标准”方法是同时观察所有的足迹和不可见特质，进行一次巨大的、复杂的计算。这被称为单阶段估计（One-Stage Estimation）。这就像是戴着眼罩试图拼好一个由 1,000 片组成的巨型拼图；虽然这是最准确的方法，但它极其困难、缓慢，有时拼图块甚至无法契合（导致计算机崩溃或卡死）。

因此，许多研究人员使用了一种两步走的捷径（称为因子得分回归，Factor Score Regression）：

第一阶段： 他们观察足迹，来推测那些不可见的特质可能是什么。他们创造了一个真实特质的“代理”或“影子”。
第二阶段： 他们忽略足迹，仅利用这些“影子”来研究特质之间是如何关联的。

问题所在： 论文解释说，这种捷径是有缺陷的。因为“影子”并不是真实特质的完美复制品（它们带有某种模糊性或误差），所以最终的侦探工作会产生偏差。这就像是通过测量雾天里两个模糊影子之间的距离，来测量两座山之间的距离；你的测量结果将会是错误的。

解决方案：具有“自我修正”能力的算法

由 Yang Liu 领导的研究团队发明了一种新的“魔术橡皮擦”（偏差修正框架），可以修复这种两步走捷径所产生的错误。

把他们的这种方法想象成一个带有**“重新校准”按钮的 GPS**：

旧方法： 你根据一张略有扭曲的地图开车。你到达了目的地，但实际上你偏离了 10 英里。
新方法： 作者的算法不仅仅是给你一张新地图。相反，它运行了一次模拟。它会说：“如果现实世界完全是这样，而我们使用了我们的捷径方法，我们会落在哪里？”
通过比较捷径方法实际落点与它应该落点之间的差异，该算法计算出了一个修正因子。它本质上是在说：“好吧，我们的捷径总是会超前 10%，所以让我们从最终答案中减去 10%。”

它是如何工作的（“黑盒”魔法）

论文介绍了两个计算机算法（算法 1 和算法 2），它们扮演着试味厨师的角色：

品尝菜肴（点估计）： 厨师（算法）先对食谱（参数）做一个猜测。然后，他在虚拟厨房里模拟烹饪这道菜 1,000 次，看看“捷径”方法通常会产生什么样的结果。如果捷径总是让汤变得太咸，厨师就会调整食谱，直到模拟出的汤味道刚刚好。这使用的是一种称为**随机逼近（Stochastic Approximation）**的技术，就像慢慢转动旋钮，直到音乐音调完美契合。
检查一致性（方差估计）： 厨师还会检查每一批汤的味道波动有多大。他们使用一种称为**同时扰动（Simultaneous Perturbation）**的技术，这就像是同时向所有可能的方向轻轻推动食材，以观察最终的味道对微小变化有多敏感。这能告诉研究人员他们对结果有多大的信心。

他们的发现（结果）

作者在三个不同的“厨房”（模拟环境）中测试了他们的新方法：

简单厨房： 两个特质之间存在基础的关系。
辛辣厨房： 一种复杂的、特质之间存在相互作用的关系（就像混合那些会改变风味的食材）。
高维厨房： 一个非常复杂的场景，拥有许多特质和“是/否”形式的回答（就像一个大规模的人格测试）。

结论：

捷径是破碎的： 标准的两步走方法产生的结果存在显著偏差（偏误），有时误差甚至达到 30% 或更多。
修复方案奏效了： 当应用他们的“魔术橡皮擦”算法时，结果变得几乎完全准确。
速度 vs 准确度： 新方法与“金标准”（单阶段法）一样准确，但计算起来更容易、更快。它不需要“金标准”那样复杂的繁重工作。

为什么这很重要

论文认为，研究人员不应该仅仅因为存在缺陷就丢弃便捷的“两步走”捷径。相反，他们应该使用这种新的偏差修正工具来修复缺陷。

这就像是意识到一辆轮子摇晃的自行车并不是没用的；你只需要拧紧螺栓。一旦拧紧，这辆自行车骑起来就像汽车一样平稳，但踩踏起来却要容易得多。这使得心理学家和社会科学家能够使用简单、熟悉的方法来研究复杂的、不可见的各种人类特质，而无需牺牲准确性。

简而言之： 论文提供了一个通用的、基于计算机的“补丁”，它修复了一个流行的两步统计方法的错误，使其变得与当今最困难、最高科技的方法一样可靠。

技术摘要：潜在变量回归模型的两阶段估计

问题陈述
潜在变量（LV）模型是心理学研究中操作化不可观测构念的标准方法。虽然单阶段极大似然（ML）估计是“金标准”，但它经常面临实际限制，包括数值不稳定（如不收敛、Heywood 情况）、由于复杂多维模型中积分计算导致的计算困难、软件限制以及数据可用性问题（例如仅有复合得分可用）。因此，研究人员经常转向使用两阶段因子得分回归（FSR）。在 FSR 中，首先拟合测量模型以预测因子得分，然后将这些得分作为观测变量用于第二阶段的结构回归。然而，天真地应用 FSR 会导致结构参数出现偏差，这是由于测量误差以及因子得分与真实潜在变量之间的协方差结构差异所致。现有的偏差校正方法通常局限于特定的模型类别（如线性 SEM），或要求特定类型的因子得分，缺乏针对更广泛潜在变量模型的通用且计算高效的解决方案。

方法论
作者提出了一个适用于具有多个焦点参数和干扰参数的参数化统计模型的通用偏差校正框架。该方法专门针对 FSR 量身定制，但被设计为一个“黑箱”解决方案，仅需极少的解析推导。

统计框架： 参数向量 $\theta$ 被划分为干扰参数（ $\nu$ ，例如测量参数）和焦点参数（ $\phi$ ，例如结构回归系数）。两阶段程序首先估计 $\hat{\nu}$ ，然后基于 $\hat{\nu}$ 估计 $\hat{\phi}$ 。
偏差校正策略： 借鉴 Leung 和 Wang (1998) 的研究，作者定义了一个函数 $h(\phi; \nu) = E[\hat{\phi}(Y; \nu)]$ ，代表初始（有偏）估计量的期望值。偏差校正后的估计量 $\hat{\phi}_{BC}$ 通过反转该关系获得： $\hat{\phi}_{BC} = h^{-1}(\hat{\phi})$ 。
理论基础： 本文确立了偏差校正估计量在温和正则条件下具有 $\sqrt{n}$ -一致性。一个关键命题表明，如果初始估计量是联合 $\sqrt{n}$ -一致的，那么偏差校正后的焦点参数估计量对于真实的 $\phi^*$ 也是 $\sqrt{n}$ -一致的，并得到了导出的渐近协方差矩阵（ACM）。
计算算法： 为了避免复杂的 $h(\phi; \nu)$ $h (ϕ; ν)$ 及其导数的解析推导，作者引入了两种随机算法：
- 点估计（算法 1）： 一种 Robbins-Monro 随机逼近（SA）算法。它通过使用当前参数估计值从模型中模拟数据，并将其产生的初始估计量与观测数据的初始估计量进行比较，来迭代更新焦点参数。
- 方差估计（算法 2）： 一种基于蒙特卡洛模拟且使用同时扰动（SP）的方法，用于数值近似计算 ACM 所需的雅可比矩阵。这使得计算有效的标准误（SE）成为可能，从而能够考虑到从第一阶段传递过来的不确定性。

核心贡献

泛化性： 不同于以往受限于线性 SEM 或特定因子得分类型（如 Bartlett 或 ARM 得分）的解决方案，所提方法适用于广泛的潜在变量模型，包括具有非线性结构关系和非正态显变量的模型（如项目反应理论模型）。
计算效率： 该方法依赖于随机逼近和蒙特卡洛模拟，而非闭式解析解，使其能够适用于单阶段 ML 计算上难以实现的复杂模型。
对因子得分选择的鲁棒性： 该框架不要求用户选择特定的因子得分类型（如回归得分 vs. Bartlett 得分）来达到一致性；无论使用哪种初始评分方法，偏差校正均有效。
理论严谨性： 论文提供了关于 $\sqrt{n}$ -一致性的形式化证明，并提供了一种推导校正后估计量有效大样本标准误的方法。

结果
研究者进行了三项模拟研究，以评估所提出的偏差校正 FSR (BC-FSR) 相对于天真 FSR 以及单阶段 ML（以及研究 3 中的 DWLS）的表现：

研究 1（简单潜在回归）： 在连续显变量模型中，天真 FSR 表现出显著的衰减偏差（斜率最高达 19%）和方差偏差。BC-FSR 将相对偏差降低至接近于零（<5%），涵盖所有条件和因子得分类型（均值、Bartlett、回归），在准确性和效率方面均表现出与单阶段 ML 相当的性能。
研究 2（潜在调节）： 在一个具有非正态结果的双线性交互模型中，天真 FSR 显示出实质性的偏差（交互效应最高达 33%）。BC-FSR 成功恢复了参数且偏差极小，其表现与通过 Mplus 数值积分计算的单阶段 ML 相匹配。
研究 3（多维 IRT）： 在一个包含二分变量项和多个预测因子的复杂模型中，天真 FSR 的偏差根据参数不同在 8% 到 33% 之间波动。BC-FSR 消除了这种偏差，其表现与单阶段 ML（通过 MH-RM 算法）和对角加权最小二乘法（DWLS）不相上下。
在所有研究中，基于蒙特卡洛的 SE 估计（算法 2）都是准确的，SE 的相对偏差通常低于 10%。

意义与主张
作者声称，他们的方法将直觉上的“测量后结构”（FSR）策略从一种易产生偏差的启发式方法转变为一种统计有效的 $\sqrt{n}$ -一致估计方法。这项工作的意义在于：

实际效用： 对于面临计算或数据限制的研究人员，它为单阶段 ML 提供了一个无需牺牲渐近准确性的简便替代方案。
方法论转变： 它挑战了天真 FSR 本质上存在缺陷且不可恢复的传统观点，证明了可以通过随机逼近系统地消除偏差。
易用性： 通过减少对解析推导的依赖，该方法降低了将严谨的两阶段估计应用于超出标准软件能力范围的复杂、定制化潜在变量模型的门槛。

文章结论认为，所提出的偏差校正 FSR 既具备两阶段方法的实现便利性，又具备单阶段方法的理论严谨性和效率，这可能使研究人员能够检验更广泛的复杂潜在构念间的关系。

大局观：名为“两步走”的捷径

解决方案：具有“自我修正”能力的算法

它是如何工作的（“黑盒”魔法）

他们的发现（结果）

为什么这很重要

类似论文