我很清楚“FM”通过RMR与“EI”相关。间接影响为 0.25 (0.40 * 0.63),“直接影响”为 -0.41。但是,我无法自信地为lavaan
. 如何编写这种语法?
此外,双箭头代表什么(例如,FM 和 FFM 之间的 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中介模型吗?SEM 提供了什么优势?
我很清楚“FM”通过RMR与“EI”相关。间接影响为 0.25 (0.40 * 0.63),“直接影响”为 -0.41。但是,我无法自信地为lavaan
. 如何编写这种语法?
此外,双箭头代表什么(例如,FM 和 FFM 之间的 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中介模型吗?SEM 提供了什么优势?
我首先建议阅读该图表所来自的论文的方法部分,因为它会为您提供关于他们的模型的额外线索,而这些线索并不总是可以从路径图中看到。但是,我认为该模型看起来像这样(但请检查您是否得到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(~~
在模型中由 表示)表示残差的协方差。如果您认为两个变量的相关性超出了您能够测量的范围,您将包括这些。是否包含这些残差协方差会影响估计系数,因为在一种情况下,您说变量与测量变量无关,而在另一种情况下,您期望存在某种关联。
我不认为这是可以通过常规 OLS 实现的,尽管我不是 100% 确定。SEM 具有建模潜在变量(您没有)的好处,但它也允许同时估计多个因变量(您确实有)。此外,请注意模型实际上是受约束的,因为它没有对Age
和之间的路径进行建模EI
,例如,SEM 允许使用 OLS 不容易实现的任意约束