Проверка дисперсии модели

Чтобы оценить трёхфакторную модель для набора данных epi, можно проанализировать дисперсию наблюдаемых переменных и выявить возможные проблемы с моделью. Очень большие значения дисперсии могут сигнализировать о проблемах, однако их следует сравнивать с исходным масштабом данных.

Применим функцию var() к переменной V1, чтобы сравнить дисперсию исходной наблюдаемой переменной с оценочной дисперсией из сводного вывода модели. Библиотеки, модель и наборы данных уже загружены.

Это упражнение является частью курса

Структурное моделирование уравнений с lavaan в R

Посмотреть курс

Инструкции к упражнению

Используйте var() для переменной V1, чтобы вычислить дисперсию исходной наблюдаемой переменной в наборе данных epi.
Сравните полученное значение с оценкой дисперсии V1 в модели.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Run the model
epi.fit <- cfa(model = epi.model, data = epi)

# Examine the output 
summary(epi.fit, standardized = TRUE, fit.measures = TRUE)

# Calculate the variance of V1 in the epi data
___

Редактировать и запускать код

Это упражнение является частью курса

Структурное моделирование уравнений с lavaan в R

SkillTag.level.advancedSkillTag.label

4.8+

Начать курс бесплатно

В этой главе вы построите свою первую модель структурных уравнений с помощью lavaan. Вы освоите ключевую терминологию, научитесь создавать и запускать модели, а также построите однофакторную модель умственных способностей на основе классического набора данных Холзингера и Суинфорда (1939).

Exercise 1: Спецификация модели Exercise 2: Построение модели скорости обработки текста Exercise 3: Построение модели политической демократии Exercise 4: Анализ модели Exercise 5: Анализ модели скорости чтения текста Exercise 6: Анализ политической демократии Exercise 7: Оценка модели Exercise 8: Изучение стандартизованных нагрузок Exercise 9: Изучение индексов подгонки Exercise 10: Анализ политической демократии

В этой главе вы расширите свои навыки работы с lavaan и перейдёте к построению многофакторных моделей. Опираясь на однофакторные модели из предыдущей главы, вы улучшите их, добавив несколько латентных переменных на основе классического набора данных Холзингера и Суинфорда (1939).

Exercise 1: Многофакторная спецификация Exercise 2: Создание модели с нулевыми степенями свободы Exercise 3: Исправление модели с нулевыми степенями свободы Exercise 4: Построение многофакторной модели Exercise 5: Анализ многофакторной модели Exercise 6: Структура модели Exercise 7: Трёхфакторная модель с нулевой корреляцией Exercise 8: Создание прямого пути Exercise 9: Индексы модификации Exercise 10: Проверка дисперсии модели

Текущее упражнение

Exercise 11: Изучение индексов модификации Exercise 12: Сравнение моделей Exercise 13: Сравнение двух моделей Exercise 14: Выбор конкретных индексов подгонки

Модели структурных уравнений не всегда строятся без затруднений. В этой главе вы научитесь устранять случаи Хейвуда — распространённые ошибки в СМУ, — а также строить диаграммы моделей в R с помощью библиотеки semPlot.

Exercise 1: Случаи Хейвуда для латентной переменной Exercise 2: Анализ латентного случая Хейвуда Exercise 3: Исправление случая Хейвуда для латентной переменной Exercise 4: Кейсы Хейвуда на наблюдаемых переменных Exercise 5: Анализ явного случая Хейвуда Exercise 6: Исправление явного случая Хейвуда Exercise 7: Создание диаграмм с помощью semPaths()Exercise 8: Базовая диаграмма SEM Exercise 9: Изменение макета Exercise 10: Редактирование меток

В этой главе рассматривается Шкала интеллекта Векслера для взрослых (WAIS-III) и её структурные свойства. Используя навыки, полученные в первых трёх главах, вы построите различные модели WAIS-III, устраните ошибки в этих моделях и создадите диаграммы итоговой модели.

Exercise 1: Моделирование шкалы IQ WAIS-III Exercise 2: Создание четырёхфакторной модели Exercise 3: Обновление модели Exercise 4: Диаграмма финальной модели Exercise 5: Обновление модели WAIS-III Exercise 6: Добавление путей для улучшения подгонки модели Exercise 7: Сравнение моделей Exercise 8: Иерархическая модель интеллекта Exercise 9: Создание иерархической модели Exercise 10: Визуализация иерархической модели Exercise 11: Заключение курса