Question

我想测试结构方程模型（SEM）。有3个指标I1到I3，构成潜在构造LC。此构造应解释因变量DV。

现在，假设指标的唯一方差将为DV提供额外的解释。像这样：

IV1 ↖
IV2 ← LC → DV 
IV3 ↙      ↑
 ↑         │
 e3 ───────┘

在lavaan中，IV3，e3的错误字词/残差通常不会被写入：

model = '
  # latent variables
  LV =~ IV1 + IV2 + IV3
  # regression
  DV ~ LV
'

此外，必须将I3的残差分成一个有助于解释DV的组件，以及剩余的一个残差。

我不希望直接通过IV3解释DV，因为我的目标是显示IV3可以为DV做出多少独特解释。我想最大化路径IV3→LC→DV，然后将残差放入I3→DV。

问题：

如何将其放入SEM？

加分问题：

从SEM人员的角度来看，每个IV都有DV的路径吗？

旁注：

我已经做过的，就是使用一系列计算来传统地计算它。 I：

计算了LV的吊坠，平均IV1到IV3
3次回归IVx→LC
将IVx个残差多次回归到DV。

去除常见方差似乎使其中一个残差变得多余，因此回归模型无法估计每个残差，但跳过最后一个残差。

Answer 1

对于你的问题：

如何将其放入SEM模型中？它有可能吗？

我认为答案是肯定的 - 至少如果我理解正确的话。

如果您想要做的是使用潜在变量和其中一个指标的唯一方差来预测结果，这可以在熔岩中轻松完成。请参阅下面的示例代码：第一个示例涉及单独预测潜在变量的结果，而第二个示例预测来自相同潜在变量的相同结果以及该潜在变量的一个指标的唯一方差：

#Call lavaan and use HolzingerSwineford1939 data set
library(lavaan)
dat = HolzingerSwineford1939

#Model 1: x4 predicted by lv (visual)
model1 = '
visual =~ x1 + x2 + x3
x4 ~ visual
'
#Fit model 1 and get fit measures and r-squared estimates 
fit1 <- cfa(model1, data = dat, std.lv = T)
summary(fit1, fit.measures = TRUE, rsquare=T)

#Model 2: x4 predicted by lv (visual) and residual of x3
model2 = '
visual =~ x1 + x2 + x3
x4 ~ visual + x3
'
#Fit model 2 and get fit measures and r-squared estimates 
fit2 <- cfa(model2, data = dat, std.lv = T)
summary(fit2, fit.measures = TRUE,rsquare=T)

请注意，当x3加载的潜在变量和x3的唯一方差预测时，x4的R平方（假设结果）要大得多。

至于你的第二个问题：

奖金问题：这有意义吗？甚至更多：从SEM视图（理论上确实如此）是否有意义，每个独立变量都有这样的DV路径？

在某些情况下，可以有意义地指定这样的路径，但我不会缺乏强有力的理论。例如，也许您认为变量是弱的，但理论上重要的潜在变量的指标 - 例如＆＃34; awe＆＃34;是为了积极影响＆＃34;。但也许你的调查对潜在变量本身并不感兴趣 - 你感兴趣的是敬畏的独特效果，用于预测超出其表现形式的东西，作为积极情感的一种形式。因此，您可以指定从敬畏的唯一方差到结果的回归途径，以及从积极影响到结果的途径。

但是你可以/你应该为每个变量做这个吗？嗯，不，你不可能。正如您所看到的，这个特殊情况只有一个剩余的自由度，因此模型即将被识别不足（如果您指定了从x1和x2的唯一方差到剩余的两条可能路径，那么x4）的结果。

此外，我认为很多人会怀疑你试图指明所有这些途径的动机。从潜在变量到结果的路径建模使您可以对更广泛的过程说话;通过对从独特方差到结果的每一条路径进行建模，您将学到什么？当然，你可能会说，＆＃34;剩下的＆＃34;东西＆＃34;在这个变量中预测x4！＆＃34; ...但是你能说出这个＆＃34;东西＆＃34; - 它只是孤立的明显差异的性质。相反，我认为你会有更强的理论基础来考虑可能会影响变量剩余方差的其他公因素（例如，方法因素）;这将为您的分析增加更多的概念特异性。

从误差项到因变量（lavaan）的回归

1 个答案: