在本章中，你將開始使用 lavaan 建立你的第一個結構方程模型。你會學到重要術語、如何建置並執行模型。你將使用經典的 Holzinger and Swineford（1939）資料集，建立一個以心智測驗能力為主的單因子模型。

模型規格說明

建立文字速度模型

建立政治民主模型

模型分析

分析文字速度模型

摘要 Political Democracy

模型評估

檢視標準化負荷量

探索配適指標

檢視政治民主

單因子模型

在本章中，你會進一步運用 lavaan 建立多因子模型。我們將在前一章的單因子模型基礎上改進，於經典的 Holzinger and Swineford（1939）資料集中建立多個潛在變數。

多因子規格

建立一個自由度為 0 的模型

修正零自由度模型

建立多因子模型

彙整多因子模型

模型結構

三因子模型與零相關

建立直接路徑

修改指標

檢查模型變異數

檢視修改指標（Modification Indices）

模型比較

比較兩個模型

選取特定配適指標

多因子模型

結構方程模型並非總是一帆風順。本章將帶你學習如何診斷常見錯誤「Heywood cases」。你也會學到如何在 R 中使用 semPlot 函式庫將模型圖像化。

潛在變數中的 Heywood 案例

分析潛在變數中的 Heywood 個案

修正潛在 Heywood 模型

顯在變數的 Heywood 個案

分析顯變項的 Heywood 案例

修正顯變數 Heywood 模型

使用 semPaths() 建立圖示

基本 SEM 圖

編輯版面配置

編輯標籤

模型錯誤診斷與圖示化

本章探討 WAIS-III 智力量表及其結構特性。你會運用前面三章所學，為 WAIS-III 建立多種模型、診斷並修正模型中的錯誤，並為最終模型建立圖示。

為 WAIS-III IQ 量表建立模型

建立四因子模型

更新模型

為最終模型繪製圖示

更新 WAIS-III 模型

加入路徑以改善配適

比較模型

IQ 的階層式模型

建立階層式模型

為階層式模型繪製圖形

課程結語

完整範例與延伸

Latent Variable Heywood Case Data

WAIS-III IQ Data for Hierarchical Model

Negative Variance Heywood Case Data

處理資料時，我們常想建立模型來預測未來事件，但也希望更深入理解資料之間的連結與結構。本課程將帶你使用 R 語言的 lavaan 套件進行結構方程模型（SEM），來探究資料的關聯性。SEM 會介紹潛在變數與顯在變數，教你如何建立量測模型、評估量測模型的準確性，以及修正配適不佳的模型。課程中你會探索經典的 SEM 資料集，例如 Holzinger and Swineford（1939）與 Bollen（1989）。你也會完成一個以 Wechsler Adult Intelligence Scale 為例的多因子模型個案研究。完成本課程後，你將能更深入鑽研自己的資料，並掌握其整體結構如何相互配合。

顯在變數的 Heywood 個案

Create Your Free Account