基于贝叶斯估计的大学生不良行为网络自相关模型及实证

摘要

大学生的不良行为会给自身发展、学校管理和他人带来很大的困扰，也会给社会增加很大的不稳定因素。已有研究表明，大学生不良行为与其所在的人际关系网有显著关系。在心理学和教育学领域，关于大学生不良行为的研究屡见不鲜，但对结合关系网的研究还鲜有发现。
　　社会网络分析方法中的网络自相关模型可以综合考虑大学生人际关系网的影响和自身因素的影响，是很好的网络效应分析工具。本文建立了大学生不良行为的多重网络自相关模型，在对模型进行估计的基础上，应用该模型对大学生不良行为进行了实证分析，主要工作如下：
　　（1）在综述大学生不良行为的现有研究的基础上，建立了大学生不良行为的指标体系；
　　（2）结合网络自相关模型的发展和大学生不良行为指标体系，建立了大学生不良行为多重网络自相关模型；
　　（3）推导了大学生不良行为多重网络自相关模型的最小二乘估计法、极大似然估计法和贝叶斯估计法；其中包括对普通最小二乘估计法的不一致性进行了改进，给出了极大似然估计和贝叶斯估计的编程步骤；
　　（4）对我校大学生不良行为进行了实证分析；包括我校大学生不良行为量表的设计，数据的收集和整理，基于网络属性的大学生不良行为分析和基于网络自相关模型的大学生不良行为分析，并对三种估计方法进行了比较，论文最后给出了一些纠正大学生不良行为的对策。
　　通过大学生不良行为网络自相关模型的实证分析，得到如下主要研究结果：
　　（1）对于模型估计，普通最小二乘（OLS）估计不满足参数估计的一致性，可以利用二阶最小二乘估计进行改进；极大似然法（MLE）估计得到的估计量具有无偏性和一致性，相比OLS来说具有更好的拟合效果，但MLE在样本量大时计算量很大，计算复杂度高；贝叶斯（Bayes）估计在设定参数的先验分布情况推导可得各个参数的条件分布，通过抽样能得到一个收敛且稳定的参数估计样本，能很好的减少样本数据的异常值带来的影响，且计算简洁；从计算结果上来看，极大似然估计和贝叶斯估计比最小二乘法拟合程度更高；
　　（2）从实证结果来看，客观原因方面关系网对大学生的不良情绪和不良行为有显著影响，主观原因方面生活满意度和经济压力显著影响焦虑，经济压力和人际压力显著影响抑郁、不良行为；因此，要纠正大学生的不良行为，需要同时从主观原因和客观原因去进行考虑。
　　本文的工作，不仅拓展了网络自相关模型及其估计方法，同时对于大学生不良行为的评估和纠正也具有一定的现实意义。

目录

声明

第1章 绪论

1.1 研究背景与意义

1.2 社会网络分析的应用

1.3 国内外研究现状

1.4 文章结构

第2章 大学生不良行为及影响因素指标体系

2.1 不良行为的界定

2.2 不良行为的影响

2.3 大学生的不良行为

2.4 大学生产生不良行为的影响因素

2.5 大学生不良行为的指标体系

2.6 本章小结

第3章 大学生不良行为的网络自相关模型

3.1 网络自相关模型再述

3.2 大学生不良行为的多重网络自相关模型

3.3 本章小结

第4章 网络自相关模型的参数估计

4.1 最小二乘法的参数估计及其改进

4.2 极大似然估计

4.3 贝叶斯估计方法及步骤

4.4 本章小结

第5章 基于网络效应的大学生不良行为实证分析

5.1 数据获取及整理

5.2 基于网络属性的大学生不良行为分析

5.3 基于网络自相关模型的大学生不良行为分析

5.4 大学生不良行为的纠正对策

5.5 本章小结

第6章 总结与展望

6.1 总结

6.2 展望

致谢

参考文献

攻读硕士学位期间的学术研究成果

附录A

附录B