在过去的30年内，LISREL模型，方法和软件已经变成结构方程模型(SEM)的代名词。SEM允许处于社会科学，管理科学，行为科学，生物学，教育学和其它领域的研究者以经验来评估他们的理论。这些理论通常能够结合外显变量和潜变量(无法直接观察的变量)以公式来表示出模型，如果数据是作为理论模型的观察变量来收集的，那么LISREL程序就能够结合这些数据来拟合出模型。

Basic订阅购买         Standard订阅购买

然而今天，LISREL软件已经不仅仅限于SEM。最新版本的LISREL包含下列统计应用程序：

LISREL 用于结构方程建模
PRELIS 用于数据处理和基本统计分析
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)
CONFIRM 用于连续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

LISREL用于：

标准结构方程建模
多层结构方程建模

这些方法适用下列数据类型：

基于连续变量的完整的和不完整的复杂调查数据
基于序数和连续变量的完整的和不完整的简单随机样本数据

PRELIS用于：

数据处理
数据转换
数据生成
计算动差矩阵(moment matrix)
计算样本动差的渐进协方差矩阵
匹配计算
复线性回归
Logistic回归
单变量和多元变量的归并回归模型
ML和MINRES探索性因子分析

MULTILEV 可从通过简单随机和复杂调查设计得到的多层数据中拟合出多层线性和非线性模型。它允许模型带有类别和连续响应变量

SURVEYGLIM 可从通过简单随机和复杂调查设计得到的数据中拟合广义线性模型(GLIMs)
模型可以来自下列样本分布：

多项式分布
伯努利分布
二项式分布
负二项式分布
泊松分布
正态分布
伽马分布
反高斯分布

CATFIRM 执行类别输出变量的正式的基于推理的递归建模(FIRM)

CONFIRM 执行连续输出变量的正式的基于推理的递归建模(FIRM)

MAPGLIM 执行最大因果(MAP)方法来拟合多层数据的广义线性模型

LISREL for Windows的系统需求?

LISREL for Windows需要Windows 95, Windows 98, Windows-ME, Windows 2000 或 Windows XP.

如何才能知道我正在使用的LISREL的版本?

使用Help菜单下的About LISREL选项来打开About LISREL对话框.

为什么我的语法和/或输出文件是空的?

这可能是由于在软件安装好后直接使用的关系,建议重新启动Windows,然后再试一下.
这有可能发生在当完整的文件名的长度超过192个字符.

怎样我才能获得最新版本的LISREL for Windows?

从我们网站下载最新的补丁文件,把它保存到LISREL for Windows的安装目录下.
使用Windows开始菜单的运行选项从LISREL安装目录下运行补丁文件.

如何测试我的安装是否正确?

使用File菜单的Open选项来打开Open对话框
浏览到LISREL for Windows安装目录下的LSEX子目录下的 EX1.LS8文件
点击Open按钮来为EX1.LS8打开文本编辑器窗口
点击工具栏上的Run LISREL来为EX1.PTH打开PTH窗口

为什么我应该使用LISREL for Windows?

尽管LISREL 8.8 for Windows主要是用于样本协方差矩阵的结构方程建模的,但LISREL for Windows包括,不仅限,下列独特特征:

LISREL for Windows包含哪些应用程序?

PRELIS 是一个32位应用程序,用于转换数据,计算moment矩阵,计算渐进协方差矩阵,估算遗漏数据,计算因子计分,执行回归分析,执行探索性因子分析.

LISREL 是一个32位应用程序,用于结构方程建模和多层SEM.

MULTILEV 是一个32位应用程序,用于多层线性和非线性建模.

CATFIRM 是一个32位应用程序,用于分类数据的Formal Inference-based Recursive Modeling(FIRM)

CONFIRM 是一个32位应用程序,用于连续数据的Formal Inference-based Recursive Modeling(FIRM)

SURVEYGLIM 从简单随机合复杂测量设计得到的数据拟合广义线性模型(GLIMS).

LISWIN32 是一个32位应用程序,允许交互执行(界面)LISREL for Windows的6个32位应用程序.

应该使用哪种评估方法?

如果数据是连续的,并且近似符合多元正态分布,则推荐使用极大似然(ML)方法.

如果数据是连续的,并且近似不符合多元正态分布,并且样本大小不大,那么推荐稳健极大似然方法.这个方法需要估计样本变量合协方差的渐进协方差矩阵.

如果数据是序数的,分类的,或混合的,那么推荐采用Polychoric相关矩阵的对角权重最小二乘方(DWLS)方法.这个方法需要估计样本相关性的渐进协方差矩阵.