Rで調査設計の重みを付けてCFAを行いたいです。

簡単なオプションは、lavaan.survey パッケージを使用するようです。ただし、lavaan.survey() で作成された lavaan オブジェクトからは、通常の lavaan() で作成されたものにある resid() による残差や predict() による因子スコアなどの情報を抽出することはできません。

lavaan.survey() からもそのような情報を抽出する方法を知っている人はいますか?

参考までに、resid() のエラー メッセージは、"Error in cov(data, use = "pairwise") : supply both 'x' and 'y' or a matrix-like 'x'"" です。

また、predict() の場合、「lavPredict(object = object, newdata = newdata, type = "lv", method = "EBM", : lavaan ERROR: サンプル統計がフィッティングに使用され、newdata は空です」のエラー)

lavaan に限らず、上記の情報を含む設計の重みで CFA を有効にする他のオプションも歓迎します。

前もって感謝します。

ラヴァーン モデルがあるとします。

次に、 sem を使用して計算します。

ここで、bootstrapLavaan を次のように適用します。

を使用してオブジェクトを分析すると...

... 平均、中央値、最小、最大などの係数の値しか与えられていません。これらの係数のp値を取得する方法はありますか?

誰かがここで何らかのガイダンスを提供できることを願っています。

simDesign パッケージを使用して多変量シミュレーションを作成しています。因子の数と各因子にロードするアイテムを変化させています。factornumbers に存在する因子の数を識別し、それらに適切な項目を割り当てるコマンドを書きたいと思います (クロス ローディングなし)。以下の条件のすべての組み合わせをテストします。複数のモデル ステートメントを記述する必要がないように、異なるモデルの反復を認識するモデル コマンドが必要です。

lavaan と mirt が探しているものは以下のとおりです。

simDesign パッケージはこの例を提供します。これを拡張したいと思いますが、ノウハウがあるかどうかはわかりません。

私が望むのは、factornumbers コマンドで指定された要素の数を見つけ、データで指定された正しいアイテムと itemsperfactor を割り当てる単一の mirt と lavaan コマンドです。

編集:モデル識別で、その条件に使用されている要素と項目構造を取得し、モデル識別に正しい情報を入力してください。

例えば：

または

また、対応するlavaanモデル。

lavaanで複数グループの CFA を実行したいと考えていますR。

いくつかのカテゴリ変数があり、一部の変数には 11 のカテゴリが含まれています。したがって、これらの変数には 10 個のしきい値があります。以下の結果では、10 番目のしきい値が 9 番目よりも小さいことがわかります。つまり、折り目の順序ではありません。

11 のカテゴリを持ついくつかの変数には、同じ問題があります。

質問：

しきい値が歪んでいるのはなぜですか?

Rコード:

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：

、lavaanの誤差項/残差にはIV3、e3通常は書かれていません。

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。

R の Lavaan パッケージの growth() 関数を使用して、調査から縦方向のデータをうまくモデル化しました。グループ全体の予測軌道のみを見つけることができます (要約出力の「Intercepts」部分の下に表示されます)。