2

我想测试一个结构方程模型（SEM）。有 3 个指标I1toI3构成一个潜在结构LC。这个结构应该解释一个因变量DV。

现在，假设指标的独特方差将为DV. 像这样的东西：

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

在lavaan, 的误差项/残差IV3中e3通常不写：

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

此外，I3必须将残差分解为有助于解释的分量DV和残差的一个残差。

我不想直接解释 DV IV3，因为我的目标是展示独特的解释可以做出多少IV3贡献DV。我想最大化路径IV3→ LC→ DV，然后将残差放入I3→ DV。

问题：

我如何将其放入 SEM 中？

奖金问题：

IV从 SEM 的观点来看，每个s 都有这样的路径是否有意义DV？

边注：

我已经做的是使用一系列计算以传统方式进行计算。我：

  1. 计算一个吊坠到LV，平均IV1到IV3
  2. 做了 3 次回归IVx→LC
  3. IVx对s 残差进行了多元回归DV。

去除共同方差似乎会使残差中的一个成为多余，因此回归模型无法估计每个残差，而是跳过最后一个。

4

1 回答 1

3

对于您的问题：

如何将其放入 SEM 模型中？有可能吗？

我认为答案是肯定的——至少如果我理解正确的话。

如果您想做的是使用潜在变量及其指标之一的独特方差来预测结果，这可以在 lavaan 中轻松完成。请参见下面的示例代码：第一个示例涉及仅从潜在变量预测结果，而第二个示例从相同的潜在变量预测相同的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，当通过 x3 加载到的潜在变量和 x3 的唯一方差进行预测时，x4（假设结果）的 R 平方要大得多。

至于你的第二个问题：

额外的问题：这有意义吗？甚至更多：从 SEM 的角度来看（理论上是），每个独立变量都有这样一条通往 DV 的路径是否有意义？

在某些情况下，指定这样的路径是有道理的，但在缺乏强理论的情况下我不会这样做。例如，也许你认为一个变量是一个弱的，但在理论上是一个更大的潜在变量的重要指标——比如“敬畏”的经验是“积极的影响”。但也许你的调查对潜在变量本身并不感兴趣——你对敬畏的独特影响感兴趣，因为敬畏将超越其表现形式的事物预测为一种积极影响的形式。因此，除了从积极影响到结果的路径之外，您还可以指定从敬畏的独特方差到结果的回归路径。

但是你可以/应该为你的每个变量都这样做吗？嗯，不，你不能。如您所见，这种特殊情况只剩下一个自由度，因此该模型处于识别不足的边缘（如果您指定了从 x1 和 x2 的唯一方差到x4) 的结果。

此外，我认为许多人会怀疑您尝试指定所有这些途径的动机。对从潜在变量到结果的路径进行建模可以让您谈论更广泛的过程；通过对从独特方差到结果的每条路径进行建模，您会学到什么？当然，您可能会说，“这个变量中剩余的“东西”预测 x4！”......但是关于这些“东西”的性质，您能说什么 - 它只是孤立的明显差异。相反，我认为您将有更强的理论基础来考虑可能构成变量剩余方差的其他共同因素（例如，方法因素）；这将为您的分析增加更多的概念特异性。

于 2016-07-08T19:10:34.877 回答