R语言 stremo包 fit.nlminb()函数中文帮助文档(中英文对照)

loveR

fit.nlminb(stremo)
fit.nlminb()所属R语言包：stremo

                                         Fit a structural equation model using <a href="../../stats/html/nlminb.html">nlminb</a>.
                                         适合使用结构方程模型href="../../stats/html/nlminb.html"> nlminb </ A>。

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

This function tries to find the best set of parameter estimates of a structural equation model. It is very slow compared to sem in lavaan and does not handle equality constraints, multiple groups and intercepts. We made this to aid those who are learning SEM to understand the very basics of the technique. Please refer to lavaan for more serious usage.
这个函数试图找到最好的一套结构方程模型的参数估计。它是非常缓慢相比，semlavaan和不处理等式约束，多个团体和拦截。我们，以帮助那些学习SEM的了解非常基本的技术。更严重的使用，请参考lavaan。


用法----------Usage----------


fit.nlminb(model, sigma, n, fun = "fml")



参数----------Arguments----------

参数：model
A character vector containing a model specification.
一个字符向量的模型规范。


参数：sigma
Population covariance matrix.
人口协方差矩阵。


参数：n
Number of observations in the dataset used to build sigma.
使用的数据集建立西格玛的若干意见。


参数：fun
Fitting function to be minimised by the optimiser. Should return a scalar.
拟合函数被最小化的优化器。应该返回一个标量。


Details

详细信息----------Details----------

This function is coded to be as expressive as possible and speed has not been our aim here. Users should be able to understand at least some of what is going on internally by taking a peak at the code.
此功能编码，以尽量富于表现力和速度不是我们来这里的目的。用户应该能够理解，至少是怎么回事内部的代码的高峰。

The first thing this function does is to call lavaan to get a good set of starting values for the parameters to be estimated and use lavaan's internal representation of a SEM model as a starting point. After that, the chosen function calls an optimiser, nlminb,  which will try to converge to a solution given a set of parameter estimates and a population covariance matrix. Then, it will try to calculate standard errors from the Hessian matrix, z-values for each estimate and its correspondent p-values. The next step is to calculate the fit of the model to, finally, build a response.
这个函数的第一件事是打检测，以获得良好的lavaan为待估参数的初始值和使用lavaan的SEM模型的内部表示为出发点。在那之后，所选择的函数调用优化器，nlminb，它会尝试收敛到给定一组参数估计和总体协方差矩阵的解决方案。然后，它会尝试从Hessian矩阵计算标准误差，z值分别估算其对应的p-值。接下来的步骤是计算的合适的模型，最后，建立一个响应。


值----------Value----------

<table summary="R valueblock"> <tr valign="top"><td>model</td> <td> The internal representation of the model</td></tr> <tr valign="top"><td>est</td> <td> The best set of parameter estimates</td></tr> <tr valign="top"><td>se</td> <td> Standard errors</td></tr> <tr valign="top"><td>z</td> <td> Z-values</td></tr> <tr valign="top"><td>p</td> <td> P-values</td></tr> <tr valign="top"><td>chisquared</td> <td> The maximum likelihood chi-squared</td></tr> <tr valign="top"><td>df</td> <td> The number of degrees of freedom</td></tr> <tr valign="top"><td>n</td> <td> The number of observations</td></tr> <tr valign="top"><td>pval</td> <td> The significance of the chi-squared statistics</td></tr> <tr valign="top"><td>estimator</td> <td> The fitting function used</td></tr> <tr valign="top"><td>sigma.hat</td> <td> The model-implied covariance matrix</td></tr> <tr valign="top"><td>sigma</td> <td> The population covariance matrix</td></tr> </table>
<table summary="R valueblock"> <tr valign="top"> <TD> model </ TD> <TD>的内部表示的模型</ TD> </ TR> <TR VALIGN = “顶”> <TD> est </ TD> <TD>最好的一组参数估计值</ TD> </ TR> <tr valign="top"> <TD>se / TD> <TD>标准误差</ TD> </ TR> <tr valign="top"> <TD>z </ TD> <TD> Z-值</ TD> </ TR> <tr valign="top"> <TD> p </ TD> <TD> P-值</ TD> </ TR> <tr valign="top"> <TD>chisquared </ TD> <TD>的最大似然卡方</ TD> </ TR> <tr valign="top"> <TD> df</ TD> <TD>的自由度</ TD> </ TR> <tr valign="top"> <TD> n </ TD> <TD>的若干意见</ TD> </ TR> <TR VALIGN =“顶” > <TD> pval </ TD> <TD>卡方统计的意义</ TD> </ TR> <tr valign="top"> <TD>estimator</ td> <td>使用拟合函数的使用</ TD> </ TR> <tr valign="top"> <TD>sigma.hat </ TD> <TD>的模型暗示的协方差矩阵</ TD> </ TR> <tr valign="top"> <TD> sigma </ TD> <TD>的总体协方差矩阵</ TD> </ TR> </ TABLE>


参见----------See Also----------

sem in lavaan is much faster and converges to a unique solution more frequently. It can also handle a much more diverse range of models, including those with multiple groups, equality constraints, growth models and so on.
semlavaan速度更快，收敛到一个独特的解决方案更加频繁。它也可以处理一个更加多元化的车型，包括那些与多个组，等式约束，经济增长模型等。


实例----------Examples----------



## Not run: [＃不运行：]
data(albert)
cat(albert.model)
fit <- fit.nlminb(albert.model, albert.litho.cov, 107)
summary(fit)

## End(Not run)[＃（不执行）]


转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。
转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。