Onderzoek modificatie-indices

De fit-indices voor ons epi.model zijn laag (in de .70) voor CFI en TLI. Je kunt modificatie-indices gebruiken om potentiële parameters (paden) te vinden die je aan de modelspecificatie kunt toevoegen om de model fit te verbeteren.

Onderzoek de modificatie-indices voor epi.model en voeg het pad met de hoogste mi toe aan je model. De bibliotheken en het model zijn alvast geladen. Nadat je je model hebt aangepast, voer je de samenvatting van het model opnieuw uit om de verandering in fit-indices te bekijken.

Deze oefening maakt deel uit van de cursus

Structurele vergelijkingsmodellen met lavaan in R

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Original model summary
summary(epi.fit, standardized = TRUE, fit.measures = TRUE)

# Examine the modification indices

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 gratis met de cursus

In dit hoofdstuk ga je aan de slag met het maken van je eerste structurele vergelijkingsmodel met lavaan. Je leert belangrijke termen, hoe je modellen opzet en uitvoert. Je bouwt een één-factormodel van mentale testvaardigheden met de klassieke gegevensset van Holzinger en Swineford (1939).

Exercise 1: Modelspecificatie Exercise 2: Bouw een model voor tekstsnelheid Exercise 3: Bouw een model voor politieke democratie Exercise 4: Modelanalyse Exercise 5: Analyseer het Text Speed-model Exercise 6: Vat politieke democratie samen Exercise 7: Modelbeoordeling Exercise 8: Gestandaardiseerde loadings bekijken Exercise 9: Fit-indices verkennen Exercise 10: Onderzoek politieke democratie

In dit hoofdstuk breid je je vaardigheden in lavaan uit naar het maken van multifactormodellen. We verbeteren de één-factormodellen uit het vorige hoofdstuk door meerdere latente variabelen te creëren in de klassieke gegevensset van Holzinger en Swineford (1939).

Exercise 1: Specificatie van multifactor Exercise 2: Maak een model met nul vrijheidsgraden Exercise 3: Repareer het Zero df-model Exercise 4: Bouw een multifactormodel Exercise 5: Vat het multifactormodel samen Exercise 6: Modelstructuur Exercise 7: Driefactormodel met nulcorrelatie Exercise 8: Maak een directe pad Exercise 9: Modificatie-indices Exercise 10: Controleer modelvariantie Exercise 11: Onderzoek modificatie-indices

Huidige oefening

Exercise 12: Modellen vergelijken Exercise 13: Vergelijk twee modellen Exercise 14: Selecteer specifieke fit-indices

Structurele vergelijkingsmodellen lopen niet altijd vlekkeloos, en in dit hoofdstuk leer je hoe je Heywood-gevallen opspoort, veelvoorkomende fouten in SEM. Je leert ook hoe je je model in R visualiseert met de semPlot-bibliotheek.

Exercise 1: Heywood-gevallen bij de latente variabele Exercise 2: Analyseer een latente Heywood-case Exercise 3: Repareer het latente Heywood-model Exercise 4: Heywood-gevallen bij manifeste variabelen Exercise 5: Analyseer een manifeste Heywood-case Exercise 6: Los het manifeste Heywood-model op Exercise 7: Diagrammen maken met semPaths()Exercise 8: Basischdiagram van een SEM Exercise 9: Bewerk de lay-out Exercise 10: Labels bewerken

Dit hoofdstuk onderzoekt de WAIS-III IQ-schaal en de structurele eigenschappen daarvan. Je gebruikt je vaardigheden uit de eerste drie hoofdstukken om verschillende modellen van de WAIS-III te maken, fouten in die modellen op te sporen en diagrammen van het eindmodel te maken.

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 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