对我来说很明显,“ FM”通过RMR与“ EI”相关。间接效果为0.25(0.40 * 0.63),“直接效果”为-0.41。但是,我无法自信地为lavaan
编写模型语法。一个人怎么写这种语法?
此外,双箭头代表什么(例如,FM和FFM之间为0.11),这就是“协方差”。这会影响从FM到FFM的路径吗?最后,仅使用OLS框架就可以实现这种调解模型吗? SEM提供了什么优势?
答案 0 :(得分:1)
我首先建议阅读该图所来自的论文的“方法”部分,因为它会为您提供有关它们的模型的其他线索,这些线索有时无法从路径图中看到。但是,我认为模型看起来像这样(但是请确保您获得与图中相同的系数估计值):
model <- '
EI ~ RMR + FM
RMR ~ FM + FFM + Age + Sex
FM ~~ FFM
FM ~~ Age
FM ~~ Sex
FFM ~~ Age
FFM ~~ Sex
Age ~~ Sex
'
双箭头(在模型中用~~
表示)表示残差的协方差。如果您认为两个变量之间的联系超出了您的能力范围,则应包括这些变量。是否包括这些残差协方差都会影响估计系数,因为在一种情况下,您说变量与测得的变量无关,而在另一种情况下,您期望存在某种关联。
尽管我不确定100%,但我认为这对于常规OLS是无法实现的。 SEM的优点是可以对潜在变量(您没有)进行建模,但是它还可以同时估算多个因变量(您确实有)。另外,请注意,该模型实际上是受约束的,因为它没有对Age
和EI
之间的路径进行建模,并且SEM允许使用OLS难以实现的任意约束