问题标签 [structural-equation-model]

假设我有一个不连续的结果变量。例如，它可以是有序分类变量或名义（无序）分类变量。这意味着我需要将变量建模为有序 logit 模型或多项式模型。

我知道 lavaan 和其他软件不包括使用不连续的结果变量拟合整个结构方程模型 SEM 的选项（只有二进制变量的解决方法）。由于我仍想在分类模型中使用潜在变量，因此我想知道使用lavPredict()函数计算因子分数是否正确，并将这些潜在变量作为回归量包含在外部分类模型中。我见过很多例子，人们遵循这种方法，但使用探索性因子分析 EFA 或主成分分析 PCA。我会准备依赖 CFA，因为我确实对潜在变量有一个清晰而可靠的理论。

此外，lavPredict()函数具有带有选项回归和Bartlett的参数方法。我应该使用回归还是 Bartlett 因子得分？两种选择有什么区别？

换句话说：

在随后的有序 logit 模型或多项式模型中使用数据帧Latents或Latents_Bartlett中的潜在变量visual、textual和speed作为回归量是否正确？

我目前在 5 波上运行了一个交叉滞后模型来回答抑郁症会影响自尊，还是自尊会影响抑郁症的问题，使用以下代码：

这一切都很顺利；但是，我想包括性别和智商的固定效应，我完全不知道该怎么做。我发现了 Paul Allison 的一些幻灯片，这些幻灯片在他应该解释如何做到这一点时被截断。谁能告诉我如何实现这一目标？

我在 MPLUS 上运行 SEM，使用一个潜在变量和两个观察变量之间的 3 向交互。

这是代码：

因为，我正在使用潜在变量运行交互，所以我必须保持 TYPE=RANDOM。这意味着我无法获得 R 平方：

“标准（STD、STDY、STDYX）选项不适用于 TYPE=RANDOM”

如果有任何方法可以计算 r-square，我将不胜感激。

谢谢 ：）

目前我正在使用结构方程建模来分析数据集。为此，我在 R 中使用 lavaan。但是，我的问题是，在一个模型中，我产生了微不足道的 p 值（.54 和 .85），但不包含 0 的置信区间为 [0.93;6.285] 和 [ 0.36；2.553]。这是什么原因？我是否指定了任何错误或是否有人知道问题可能是什么或这意味着什么？

我有一个 SEM：

我假设 A 和 C 之间存在正相关，并且还预测 B 会部分调节这种效应。然而，SEM 分析显示 A 和 C 没有显着相关性，但是 A 通过 B 对 C 的间接影响是显着的。我该如何解释这一点，因为 A 和 C 之间没有可以由 B 调解的关联？或者如果没有 A 和 C 之间的关联，也可以存在中介效应？但从实际意义来看，我该如何解释呢？

我在 lavaan 创建了一个 SEM 模型，它非常适合我的数据。我使用以下方法检查了生成的协方差矩阵：

它产生了这个矩阵（变量本身不感兴趣）

我将其转换为相关矩阵cov2cor

产生了这个：

到目前为止，一切都很好。只是为了测试一下，我决定用cor2cov它来看看它是否让我回到了原来的 corr 矩阵。为此，我需要相关性和变量 sd's out of cor1. 所以

这是cov2矩阵：

唉，与它可能应该cov2是不完全相同的。cov1关于为什么这些函数会产生不同结果的任何想法，更重要的是，哪一个是“正确”的 cov 矩阵以供进一步分析？

我正在尝试运行多级 SEM 并一直遵循此处使用的示例 ( https://lavaan.ugent.be/tutorial/multilevel.html )，但遇到了 [cluster=] 参数的问题。

具体来说，我不确定如何使用它/我应该放什么。在线，它说它应该是“数据框中的一个（单个）变量名称，定义了两级数据集中的集群。”。但是，我不确定如何从数据集中选择哪个变量放在那里。没关系吗？我尝试在没有 [cluster=] 的情况下运行模型，正如我在其他示例中看到的那样，但 R 不会让我这样做。（这是一个例子：https ://tutorials.methodsconsultants.com/posts/structural-equation-models-using-the-lavaan-package-in-r/ ）

如果有帮助，这是我的代码：

我正在尝试使用bsemin对我的数据运行贝叶斯 SEM blavaan。但是，它似乎不像包missing = "FIML"的情况那样具有参数lavaan。除了按列表删除之外，处理缺失的最佳做法是什么？

这是作者谈论处理缺失数据的段落，但我不确定我应该如何准确地实现他们的建议：“虽然直接用模型的其余部分（例如，Merkle 2011；O'Muircheartaigh 和 Moustaki 1999），blavaan采用“随机丢失”方法来丢失 JAGS 和 Stan 不同的数据。在 JAGS 中，可以在数据中包含 NA 值，JAGS 将对这些缺失值进行采样，就好像它们是额外的模型参数一样。相反，Stan 不允许数据中有 NA 值，因此必须手动处理丢失的数据。我们在 Stan 模型中使用“完整信息”似然性（例如，Wothke 2000），这与在 lavaan 和其他执行最大似然 SEM 估计的软件中处理缺失数据的似然性相同。这需要一些额外的开销来准备要发送给 Stan 的数据，因为必须对每个案例的观察值进行索引，并且按照缺失数据模式对案例进行排序以加快计算速度。缺失值也可以在 Stan 中直接采样（“估算”），尽管此功能目前不可用。”

开始我的理学硕士项目，我的建议是使用包含各种态度陈述的调查数据（所有李克特量表问题）。我的建议是首先使用结构方程建模将所有陈述提炼成较少数量的潜在变量。然后我很感兴趣根据个人因素得分的相似性对他们进行分组，以创建“是什么让人们打勾”的细分。例如，A 段在 Factor1 上得分高，在 Factor2 上得分低；Segment B 在 Factor1 上得分低，在 Factor3 上得分低，等等。

但是，我的主管认为最好反过来做，所以要探索存在哪些集群（如果有的话），然后做 SEM。

你怎么看？