Vat politieke democratie samen

Met de PoliticalDemocracy-gegevensset heb je een model gemaakt dat politieke democratie in de jaren zestig meet. y1, y2, y3 en y4 maten politieke en persvrijheden, eerlijkheid van verkiezingen en de effectiviteit van de wetgevende macht. y1 was onze indicatorvariabele die werd gebruikt om de data te schalen.

Het is ook belangrijk om modelvarianties te onderzoeken; die geven de grootte van de fout aan bij het schatten van manifeste of latente variabelen. Gebruik de functie summary() op politics.fit om de coëfficiënten en varianties voor het model weer te geven.

Kijk naar de kolom Estimates. Welk item heeft de grootste foutterm in de uitvoer Variances?

Deze oefening maakt deel uit van de cursus

Structurele vergelijkingsmodellen met lavaan in R

Cursus bekijken

Praktische interactieve oefening

Zet theorie om in actie met een van onze interactieve oefeningen.

Begin met trainen

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: 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

Huidige oefening

Exercise 7: Modelbeoordeling Exercise 8: Gestandaardiseerde loadings bekijken Exercise 9: Fit-indices verkennen Exercise 10: Onderzoek politieke democratie

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: Model the WAIS-III IQ Scale Exercise 2: Create a Four-Factor Model Exercise 3: Update the Model Exercise 4: Diagram the Final Model Exercise 5: Update the WAIS-III Model Exercise 6: Add Paths to Improve Fit Exercise 7: Compare Models Exercise 8: A Hierarchical Model of IQ Exercise 9: Create a Hierarchical Model Exercise 10: Diagram the Hierarchical Model Exercise 11: Course Wrap Up