2

構造方程式モデル (SEM) をテストしたいと考えています。潜在構造を構成する3 つの指標I1toがあります。この構文は、従属変数を説明する必要があります。I3LCDV

ここで、指標の一意の分散がDV. このようなもの：

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

、lavaanの誤差項/残差にはIV3、e3通常は書かれていません。

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

さらに、 の残差は、説明に寄与するコンポーネントと、残差の 1 つの残差にI3分割する必要があります。DV

独自の説明が にどれだけ貢献できるかを示すことが私の目標なので、 DV を で直接説明したくありません。パス→ →を最大化し、残差を→に入れたい。IV3IV3DVIV3LCDVI3DV

質問：

これを SEM に書き込むにはどうすればよいですか?

おまけの質問:

SEM の観点から、各IVs がそのようなパスを持っていることは理にかなっていDVますか?

サイドノート：

私がすでに行ったことは、一連の計算を使用して、これを伝統的に計算することでした。私：

  1. へのペンダントを計算しましたLV、 の平均IV1IV3
  2. 3 回のリグレッションを行いましたIVx→LC
  3. IVxs の残差を に重回帰しましたDV。

共通の分散を削除すると、残差の 1 つが不要になるように見えるため、回帰モデルは各残差を推定できず、最後の残差をスキップします。

4

1 に答える 1

3

あなたの質問について：

これを SEM モデルにどのように書き込めばよいでしょうか? それはまったく可能ですか？

少なくとも私があなたのことを正しく理解していれば、答えはイエスだと思います。

潜在変数とその指標の 1 つの一意の分散を使用して結果を予測したい場合、これは lavaan で簡単に実現できます。以下のコード例を参照してください。最初の例は、潜在変数のみから結果を予測することを含みますが、2 番目の例は、同じ潜在変数から同じ結果を予測するだけでなく、その潜在変数の指標の 1 つの一意の分散も予測します。

#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)

x3 がロードされる潜在変数と x3 の一意の分散の両方によって予測される場合、x4 の R-2 乗 (仮説的な結果) がはるかに大きいことに注意してください。

2番目の質問について：

おまけの質問: それは理にかなっていますか? さらに: 独立した変数のそれぞれが DV へのそのような経路を持っていることは、SEM の観点から理にかなっていますか (理論的にはそうです)?

場合によっては、そのようなパスを指定することは理にかなっていますが、強力な理論がない場合はそうしません。たとえば、変数は弱いが、より大きな潜在変数の理論的には重要な指標であると考えているかもしれません。たとえば、「畏敬の念」の経験は「肯定的な影響」のためのものです。しかし、おそらくあなたの調査は、潜在変数自体には関心がありません。あなたは、ポジティブな影響の一形態としての顕在化を超えた何かを予測するための畏敬の念のユニークな効果に関心があるのです。したがって、肯定的な影響から結果への経路に加えて、畏敬の念の一意の分散から結果への回帰経路を指定することもできます。

しかし、変数ごとにこれを行うことができますか? いいえ、できませんでした。ご覧のとおり、この特定のケースでは残りの自由度が 1 つしかないため、モデルは識別不足になる寸前です (x1 と x2 の一意の分散からx4 の結果)。

さらに、これらすべての経路を特定しようとするあなたの動機に懐疑的な人も多いと思います。潜在変数から結果までの経路をモデル化することで、より広いプロセスについて話すことができます。固有の分散から結果までのすべての経路をモデル化することで、何を学ぶことができますか? 確かに、「この変数の残りの「要素」は x4 を予測する!」と言うことができるかもしれませんが、その「要素」の性質について何を言うことができますか? それは孤立した明白な分散にすぎません。代わりに、変数の残りの分散の根底にある可能性のある追加の共通因子 (方法因子など) を検討するためのより強力な理論的根拠に基づいていると思います。これにより、分析に概念的な特異性が追加されます。

于 2016-07-08T19:10:34.877 に答える