?

?

LISREL 是一款用于尺度和多档次结构方程建模的 64 位利用法式。这些步骤合用于齐全和不齐全的复杂调查数据（蕴含分类变量和陆续变量）
，以及齐全和不齐全的单一随机样本数据（蕴含分类变量和陆续变量）。LISREL 代表了结构方程建模（SEM）汗青上的开创性发展。

?

?

然而
，今天
，LISREL不再局限于SEM。LISREL 蕴含64位统计利用法式LISREL
，PRELIS
，MULTILEV
，SURVEYGLIM和MAPGLIM。

?

• LISREL用于结构方程建模（32位利用法式）

• PRELIS用于数据处置和根基统计分析（32位利用法式）

• MULTILEV用于分层线性和非线性建模

• SURVEYGLIM用于广义线性建模

• CATFIRM用于类别响应变量的形成的基于推理的递归建模（FIRM）

• MAPGLIM用于多层数据的广义线性建模

?

PRELIS是64位利用法式
，用于数据处置
，数据天生
，推算矩阵
，推算样本矩的估计渐近协方差矩阵
，通过匹配进行插补
，多元插补
，多元线性回归
，对数回归
，单变量和多元删失回归
，ML和MINRES索求性成分分析。

?

MULTILEV是64位利用法式
，可将多级线性和非线性模型与随机和复杂调查设计中的多级数据拟合。它允许拥有陆续和分类响应变量的模型。

?

SURVEYGLIM是64位利用法式
，合用于广义LInear模型（GLIM）与随机和复杂调查设计中的数据。提供了多项式
，伯努利
，二项式
，负二项式
，泊松
，正态
，伽玛和反高斯采样散布的模型。

?

MAPGLIM是64位利用法式
，它实现了“（MAP）”步骤以将广义线性模型拟合到多级数据。

?

LISREL是64位利用法式
，用于尺度和多级结构方程建模。这些步骤可用于分类和陆续变量的复杂调查数据
，以及关于分类和陆续变量的随机样本数据。

?

LISREL合用于：

• 尺度结构方程模型

• 多级结构方程建模

?

这些步骤合用于以下数据类型：

• 关于分类和陆续变量的复杂调查数据

• 关于分类和陆续变量的随机样本数据

?

LISREL职能：

• 结构化的本征曲线模型（Structured latent curve models）、序变量因子分析（Factor analysis of ordinal variables）、多级数据的广义线性模型（Generalized linear models (GLIMs) for multilevel data）
  用户能够从多项式
  ，伯努利
  ，泊松
  ，二项散布
  ，负二项散布
  ，正常
  ，Gamma和逆高斯抽样等散布当选择。

• 观测残差（Observational residuals）：使得用户能在推算模型的潜变量的潜变量得分的同时推算观测残差
  书写参数估计
  ，尺度误差的估计和PSF丈量（Writing parameter estimates, standard error estimates and measures of fit to a PSF）允许用户保留参数估计
  ，尺度误差估计
  ，PSF的丈量。这些职能有助于蒙特卡洛钻研。

• GUI的扭转：允许用户输出体式的数据
  ，如SPSS, SAS, SYSTAT, Statistica等等。

• 能够分析data和不data时的Multilevel Structural Equation Model
  ，以及非线性Multievel Model（Two-level nonlinear regression models）。

• 可能提供Efficient Full Information Maximum Likelihood（FIML）步骤处置SEM中missing data的问题
  ，模型诠氏绂很强。分析的样本大幼和变量个数的多寡限度很幼
  ，提供很大的数据处置能力。

• 提供拥有说服力的验证性成分分析（Confirmatory Factor Analysis；CFA）和索求性成分分析（Exploratory Data Analysis；EFA）汇报。并利用Formal Inference-based Recursive Modeling（FIRM）步骤检测类别变量和陆续变量间的复杂统计关系。

?

LISREL可用于：

• 丈量模型

• 基于陆续或有序数据的结构方程模型

• 使用多个链接函数成立陆续和分类数据的多级模型

• 基于复杂丈量数据的广义线性模型

?

能够进行的统计分析：

• 索求性成分分析（EFA）

• 多元方差分析（MANOVA）

• 逻辑和概率回归

• 审查回归

• 生计分析

?

?

由于LISREL在探求多变项因果关系上的强力优势
，使得LISREL在社会学钻研上似乎有愈来愈受器沉的趋向
，LISREL系属于结构方程模型(structural equation modeling
，SEM)家族的一员
，因而LISREL的能耐亦在于探求多变项或单变项之间的因果关系。SEM一族的成员蕴含共变量结构分析(covariance structure analysis)、潜在变项分析(latent variable analysis)、验证性成分分析(comfirmatory factor analysis)、以及LISREL分析(LISREL analysis)等等
，SEM结合了多元回归与成分分析
，能够同时辰析一堆互为干系之依变项间的关系。

?

SEM使用步骤如下：

1.发展钻研者之理论基础模式。
2.建构变项间之因果关系的径路图。
3.将径路图转化为一套结构等式
，并指定其丈量模式。
4.选择输入矩阵类型(有关矩阵或变异数－共变量矩阵)
，并对钻研者如果之理论模式进行丈量与验证。
?

?

软件新职能：

LISREL 引入了一些以前版本中没有的职能。

?

• 陆续变量、序数变量以及陆续变量和序数变量的混合变量的两阶段多沉插补结构方程模型现已可用

• 此刻蕴含了LISREL模型参数的相信区间估计

• 已经实现了尺度化和彻底尺度化解决规划的尺度误差估计和相信区间估计

• 增长了内生潜在变量有方差约束或无方差约束的单组LISREL模型的估推算法

• 蹊径图文件能够导出为加强元文件
  ，这些文件能够导入到其他文档中

• 多级广义线性建模利用蕴含更多的链接函数
  ，并推算类内有关系数的估计值

• 新统计步骤的技术细节以及示例可通过LISREL援手菜单上的新职能选项获得

?

【英文介绍】

?

Introduction

?

Structural equation modeling (SEM) was introduced initially as a way of analyzing a covariance?or correlation matrix. Typically, one would read this matrix into LISREL and estimate the model?by maximum likelihood. If raw data was available without missing values, one could also use?PRELIS first to estimate an asymptotic covariance matrix to obtain robust estimates of standard?errors and chi-squares.

?

LISREL is a 64-bit application for standard and multievel structural equation modeling. These methods are available for the complete and incomplete complex survey data on categorical and continuous variables as well as complete and incomplete simple random sample data on categorical and continuous variables.

?

The LISREL model, methods and software have become synonymous with structural equation modeling (SEM). Today, however, LISREL is no longer limited to SEM. LISREL includes the 64-bit statistical applications LISREL, PRELIS, MULTILEV, SURVEYGLIM and MAPGLIM.