臺灣博碩士論文加值系統

本研究旨在比較二元資料（binary data）下，MLT （multinomial threshold ML ）與WLSMV （weight least square with mean and variance ）估算法在先天教養模型下的估計精準度。先天教養相關研究常利用結構化方程模式（structural equation modeling, SEM）來進行先天基因或後天環境影響之分析，其樣本型態大多為非連續性的雙胞胎資料，而以ML和WLS為改進基礎的MLT 與WLSMV二種估算法皆適用於此類型資料的估計，卻未有研究加以比較。以雙胞胎為樣本的研究中往往取樣不易，樣本數的大小亦可能對研究者在選擇估算法上有所影響。另有模擬研究指出參數的差異也會影響統計結果。因此，本研究以Neale與Cardon （1992）提供的雙胞胎研究範例做為模擬研究的參數值參考，採用蒙地卡羅法（monte carlo）模擬不同樣本數及參數設定差異，以MSE值等指標做為評估兩種估算法對於模式估算的穩定情形。研究結果顯示樣本數對此二估算法皆有所影響。參數差異方面，二種估計法均有參數值越高而估計結果越穩定的趨勢。而WLSMV估算法在參數值較低時比MLT估算法不穩定，其餘情況下均相類似。比較計算時間後，MLT估算法花費時間是WLSMV估算法的120倍。本研究提供實徵研究者在分析二元雙胞胎資料時，樣本數和參數選擇的參考。

The study is to examine performance of an adjusted Weight Least Square method and a Maximum Likelihood Estimator for estimating Nature-or-Nurture models. The “nature or nurture” model (Galton, 1875) can quantitatively evaluate the genetic behavioral effects and can be critical in many psychometrical applications also. The Weighted Least Square method to be employed is the Weight Least Square with Mean and Variance adjustment (WLSMV, Muthén, do Toit, & Spisic, 1997) that was shown to have robustness in estimating categorical data (Muthén et al., 1997). Meanwhile, the Maximum Likelihood estimator, multinomial threshold ML (MLT), is shown in Neale, Boker, Xie and Maes (2004) for estimating categorical variables. Less was studied in examining the two new methods in estimating the Nature-or-Nurture models. The current study conducts Monte Carlo experiments in evaluating performance of the two estimators in analyzing simulated Nature-Nurture models under various sample sizes (e.g., 100, 200, …) and model parameters (e.g., λ1:0.3 ,λ2:0.5, λ3:0.8). Using Mean Square Error as index and performance criteria, results show the two estimators are affected by sample sizes and model parameters. The WLSMV is worse than MLT only in the situation when parameters designed smallest.

目錄
中文摘要 I
Abstract II
目錄 III
表次 IV
圖次 V

第一章 緒論 1
第一節 研究動機 1
第二節 研究目的 2
第三節 名詞解釋 2
第二章 文獻探討 4
第一節 MLT和WLSMV估算法 4
第二節 其他影響估算結果之因素 7
第三節 「先天/教養」理論及分析模型 8
第三章 研究方法 11
第一節 研究工具 11
第二節 研究流程 11
第三節 實驗設計 13
第四章 研究結果 15
第一節 樣本數的影響 18
第二節 參數值的影響 21
第三節 估算法的影響 25
第五章 結論與建議 28
第一節 研究結論 28
第二節 研究限制 29
第三節 研究建議 29

參考文獻 30

參考文獻
中文部分
邱才恬（2007）。觀測變項含平均值SEM模式之模擬研究。國立臺中教育大學碩士論文，未出版，臺中市。
郭柏秀（2002）。青少年吸菸與喝酒之雙胞胎研究。國立台灣大學流行病學研究所博士論文，未出版，臺北市。
陳冠志（2007）。因素負荷量之測量恆等性檢測模擬研究。國立臺中教育大學碩士論文，未出版，臺中市。
楊志堅、楊志強、蔡良庭、呂淑妤（2009）。RMSEA與卡方差異法於檢定模式差異之正確性：測量不變性之檢定。教育與心理研究，32(4），53-72。
 
英文部分
Galton (1875). The history of twins as a criterion of the relative powers of nature and nurture. Fraser’s Magazine 12, 566-576.
Bollen & J. S. Long (Eds.). Testing structural equation models (pp.136-162). Newbury Park, CA: Sage.
Neale, M. C., & Cardon, L. R. (1992). Methodology for genetic studies of twins and families. New York, NY US: Kluwer Academic/Plenum Publishers. Retrieved from EBSCOhost.
Neale, M. C., & Martin, N. G. (1989). The effects of age, sex, and genotype on self-report drunkenness following a challenge dose of alcohol. Behavior Genetics, 19(1), 63-78. doi:10.1007/BF01065884
Neale, M. C., Boker, S. M., Xie, G., & Maes, H. H.(2004). Mx: Statistical modeling (6th ed.). Richmond, VA: Medical College of Virginia.
Neale, M. C., & Martin, N. G. (2004). Mx: Statistical Modeling. Behavior Genetics, 19(1), 63-78. doi:10.1007/BF01065884
Ridley, M. (2003). Nature via nurture: Genes, experience, and what makes us human. New York, NY US: HarperCollins Publishers. Retrieved from EBSCOhost.
Muthén, B., du Toit, S. H. C., & Spisic, D. (1997), Robust inference using weighted least squares and quadratic estimating equations in latent variable modeling with categorical and continuous outcomes, Psychometrika, in press.
Posthuma, D. D., & Boomsma, D. I. (2005). Mx Scripts Library: Structural Equation Modeling Scripts for Twin and Family Data. Behavior Genetics, 35(4), 499-505. doi:10.1007/s10519-005-2791-5
Wei J. Chen, Huai-Wen Chang, Mu-Zon Wu, Chaucer C. H. Lin, Chueh Chang, Yen-Nan Chiu, and Wei-Tsuen Soong. (1999). Diagnosis of Zygosity by Questionnaire and Polymarker Polymerase Chain Reaction in Young Twins. Behavior Genetics, 29(2), 115-123.