Åtgärda den latenta Heywood-modellen
I föregående övning upptäckte du att adoptionsenkäten hade en korrelation > 1 på den latenta variabeln. Du ska åtgärda Heywood-fallet genom att slå ihop de två latenta variablerna till en enda latent variabel. Analysera och sammanfatta sedan modellen för att undersöka om sammanslagningen av de två faktorerna har löst den problematiska korrelationen.
Den här övningen är en del av kursen
Strukturell ekvationsmodellering med lavaan i R
Övningsinstruktioner
- Ändra modellen så att den bara skapar en
goodstory-faktor som mäts av alla sex manifesta variabler i datamängdenadoptsurvey. - Analysera modellen med funktionen
cfa()för att säkerställa att inga felmeddelanden uppstår. - Kör
summary()för modellen för att visa det slutliga modellanpassningsresultatet.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Look at the data
head(adoptsurvey)
# Edit the original model
adopt.model <- 'goodstory =~ pictures + background + loveskids
inperson =~ energy + wagstail + playful'
# Analyze the model
adopt.fit <- cfa(model = ___, data = adoptsurvey)
# Look for Heywood cases
summary(___, standardized = TRUE, fit.measures = TRUE)