主讲人：潘俊豪

中山大学心理学系教授，统计学哲学博士，博士生导师。主要从事潜变量模型统计分析方法的改进与发展，及其在心理学、行为学、教育学和医学等领域的应用。近年来尤其关注贝叶斯结构方程模型、贝叶斯Lasso方法与潜变量模型的结合等。在Psychological Methods、Structural Equation Modeling、Psychometrika等学术期刊发表贝叶斯Lasso方法与潜变量模型结合的系列高水平研究成果。主持国家自然科学基金项目3项（包括数学天元青年基金项目、青年科学基金项目和面上项目），教育部人文社会科学研究规划基金项目1项。获得教育部第八届高等学校科学研究优秀成果奖（人文社会科学）——青年成果奖。

讲座摘要：验证性因素分析模型(Confirmatory Factor Analysis，CFA)广泛应用于心理学、社会学等领域的科学研究当中，以研究指标变量(Indicator)和潜变量(Latent Variable)之间的关系。在建模过程中，CFA模型(以及其他潜变量模型)的一个重要前提假设是局部独立性(Local Independence)。在实际数据分析当中，研究者往往默认局部独立性假设成立从而建立测量模型。然而，随着研究的深入，研究者逐渐意识到错误地假设局部独立性会对研究结果产生严重的误导。作为最基础的潜变量模型之一，在CFA模型的统计分析中如何有效地考虑指标变量间的局部依赖程度并研究相应的统计分析方法一直是学界关注的热点问题。此问题的解决将有助于解决其他潜变量模型中不满足局部独立性时应如何建模的问题。通过把机器学习中Lasso (Least Absolute Shrinkage and Selection Operator) 正则化方法和心理学领域的经典模型验证性因素分析模型结合，我们团队建立了带局部项目依赖的CFA模型，在贝叶斯方法的框架下，一定程度上解决了在运用CFA模型分析心理学实际数据过程中数据出现违反“局部独立性”假设时应如何建模的问题。本次讲座将会主要介绍此项工作以及相关工作的一些新进展。

本次跨学科沙龙增加了线上参与形式。扫描下面的二维码报名本次活动，报名成功后将以邮件的形式发送腾讯会议参会链接，届时就可以实现远程学习和互动讨论啦，赶紧来报名吧！

报名截止时间：6月15日15:00