Reframing Case Influence in SEM: Scalable, Parameter-Specific Diagnostics via Influence Function Approximation

doi:10.1080/10705511.2026.2653628

Reframing Case Influence in SEM: Scalable, Parameter-Specific Diagnostics via Influence Function Approximation

2026-05-27

0

PRE

AI

DOI：10.1080/10705511.2026.2653628

原文链接

原文求助

摘要

En 中文

识别对模型估计产生不成比例影响的观测值对于评估结构方程模型（SEM）的稳健性至关重要，但现有的个案级诊断在计算上仍显密集且在解释深度上有限。本文通过借鉴机器学习文献中的曲率感知影响函数近似方法，引入了一种可扩展的SEM影响诊断框架。该方法结合个案得分贡献与观察信息矩阵中的曲率信息，无需重复模型拟合即可为每个观测值生成一个向量值的影响估计。与广义Cook距离等标量诊断不同，所得的影响向量保留了每个个案在所有模型参数上的联合方向结构，从而实现参数级解释和通过主成分分析的多变量可视化。一项蒙特卡罗模拟研究显示，在所有12个实验条件下，所提出的方法比semfindr软件包中实现的近似诊断在检测已知影响观测值方面具有更高的准确性，召回率优势范围为0.044至0.137。对Holzinger–Swineford数据集的实证应用展示了该框架不仅能够识别哪些观测值具有影响，还能揭示其影响在参数空间中的集中方式和位置。确认性个案删除验证了影响函数对所有九个因子载荷的参数变化方向预测正确。该提出的方法为应用SEM研究者提供了一种理论依据充分、计算高效且更具解释性的替代方案，以取代基于删除的诊断方法。

Keyword:

Casewise diagnostics

gradient-based methods

influence functions

latent variables

robustness

structural equation modeling

Reframing Case Influence in SEM: Scalable, Parameter-Specific Diagnostics via Influence Function Approximation

摘要

期刊

机构

引用论文