Modellen vergelijken

In de vorige oefening heb je een nieuwe parameter toegevoegd om te corrigeren voor gecorreleerde fout tussen de manifeste variabelen information en similarity. De fitindices leken te verbeteren ten opzichte van het oorspronkelijke model. Gebruik echter de functie anova() en de eerder genoemde fitindices aic en ecvi om te bepalen of de model-fit significant is verbeterd.

Deze oefening maakt deel uit van de cursus

Structurele vergelijkingsmodellen met lavaan in R

Cursus bekijken

Oefeninstructies

Vergelijk de geanalyseerde modellen wais.fit en wais.fit2 met de functie anova().
Gebruik de functie fitmeasures() op beide modellen om de fitindices aic en ecvi af te drukken.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Compare the models
anova(___, ___)

# View the fit indices for the original model
fitmeasures(wais.fit, c(___, ___))

# View the fit indices for the updated model
fitmeasures(wais.fit2, c(___, ___))

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Structurele vergelijkingsmodellen met lavaan in R

SkillTag.level.advancedSkillTag.label

4.8+

Begin de cursus gratis

In this chapter, you will dive into creating your first structural equation model with lavaan. You will learn important terminology, how to build, and run models. You will create a one-factor model of mental test abilities using the classic Holzinger and Swineford (1939) dataset.

Exercise 1: Model Specification Exercise 2: Build Text Speed Model Exercise 3: Build Political Democracy Model Exercise 4: Model Analysis Exercise 5: Analyze Text Speed Model Exercise 6: Summarize Political Democracy Exercise 7: Model Assessment Exercise 8: Examine Standardized Loadings Exercise 9: Explore Fit Indices Exercise 10: Examine Political Democracy

In this chapter, you will expand your skills in lavaan to creating multi-factor models. We will improve the one-factor models from the last chapter by creating multiple latent variables in the classic Holzinger and Swineford (1939) dataset.

Exercise 1: Multifactor Specification Exercise 2: Create a Zero df Model Exercise 3: Fix the Zero df Model Exercise 4: Build a Multi-Factor Model Exercise 5: Summarize the Multi-Factor Model Exercise 6: Model Structure Exercise 7: Three-Factor Model with Zero Correlation Exercise 8: Create a Direct Path Exercise 9: Modification Indices Exercise 10: Check Model Variance Exercise 11: Examine Modification Indices Exercise 12: Model Comparison Exercise 13: Compare Two Models Exercise 14: Select Specific Fit Indices

Structural equation models do not always run smoothly, and in this chapter, you will learn how to troubleshoot Heywood cases which are common errors. You will also learn how to diagram your model in R using the semPlot library.

Exercise 1: Heywood Cases on the Latent Variable Exercise 2: Analyze a Latent Heywood Case Exercise 3: Fix the Latent Heywood Model Exercise 4: Heywood Cases on the Manifest Variables Exercise 5: Analyze a Manifest Heywood Case Exercise 6: Fix the Manifest Heywood Model Exercise 7: Create Diagrams with semPaths()Exercise 8: Basic SEM Diagram Exercise 9: Edit the Layout Exercise 10: Edit the Labels

This chapter examines the WAIS-III IQ Scale and its structural properties. You will use your skills from the first three chapters to create various models of the WAIS-III, troubleshoot errors in those models, and create diagrams of the final model.

Exercise 1: Modelleer de WAIS-III IQ-schaal Exercise 2: Maak een vierfactorenmodel Exercise 3: Werk het model bij Exercise 4: Maak een diagram van het definitieve model Exercise 5: Werk het WAIS-III-model bij Exercise 6: Voeg paden toe om de fit te verbeteren Exercise 7: Modellen vergelijken

Huidige oefening

Exercise 8: Een hiërarchisch model van IQ Exercise 9: Maak een hiërarchisch model Exercise 10: Maak een diagram van het hiërarchische model Exercise 11: Afronding van de cursus