74-在结构方程模型的参数判断中,如果样本不符合正态分布以及抽样方式为简单随机的基本假定,可以使用()。A. 极大似然估计法B. 一般最小化平方法C. 未加权最小平方法D. 尺度自由最小平方法E. 渐进分布自由法

考查要点：本题主要考查结构方程模型中不同参数估计方法的适用条件，特别是当数据不满足正态分布且抽样方式为简单随机时的选择。

解题核心思路：

1. 明确各估计方法的假设条件：极大似然估计（ML）要求正态分布，未加权最小平方法（OLS）不依赖正态性，渐进分布自由法（ADF）适用于非正态但需大样本。
2. 结合题干条件：数据非正态且抽样为简单随机，需选择不依赖正态假设且适用于简单随机抽样的方法。

破题关键点：

• 排除依赖正态分布的方法（如极大似然估计）。
• 区分OLS与ADF的适用场景：OLS在小样本且模型设定正确时仍具有一致性，ADF则需大样本支持。

选项分析

1. 极大似然估计法（A）

   • 依赖正态分布假设，当数据非正态时结果不可靠，排除。

2. 一般最小化平方法（B）

   • 题目表述不清晰，可能为干扰项，实际结构方程模型中无此标准方法，排除。

3. 未加权最小平方法（C）

   • 不依赖正态分布，通过最小化残差平方和直接估计参数。
   • 适用于简单随机抽样，即使数据非正态，估计量仍具有一致性（模型设定正确时）。

4. 尺度自由最小平方法（D）

   • 需调整尺度参数，但对模型识别和数据分布有额外要求，非最优选择。

5. 渐进分布自由法（E）

   • 适用于非正态数据，但需大样本且对模型结构有一定要求，题干未明确样本量大小，优先级低于OLS。

结论

未加权最小平方法（C） 在数据非正态且抽样为简单随机时，满足基本假设且无需额外条件，是最优解。