在本章中，您将使用 lavaan 构建您的第一个结构方程模型。您将学习关键术语，了解如何搭建并运行模型。我们将使用经典的 Holzinger 和 Swineford（1939）数据集，创建一个关于心理测验能力的单因子模型。

模型设定

构建文本速度模型

构建政治民主模型

模型分析

分析文本速度模型

汇总 Political Democracy

模型评估

查看标准化载荷

查看拟合指数

检验政治民主

单因子模型

在本章中，您将把 lavaan 的技能扩展到多因子模型。我们将基于上一章的单因子模型进行改进，在经典的 Holzinger 和 Swineford（1939）数据集中构建多个潜变量。

多因子模型的设定

创建一个自由度为 0 的模型

修复零自由度模型

构建多因子模型

汇总多因子模型

模型结构

三因子模型与零相关

创建一条直接路径

修正指数

检查模型方差

检查修改指数

模型比较

比较两个模型

选择特定拟合指标

多因子模型

结构方程模型并不总是顺利运行。在本章中，您将学习如何排查常见错误 Heywood 案例。您还将学习如何在 R 中使用 semPlot 库为模型绘制图示。

潜变量中的 Heywood 情形

分析一个潜在的 Heywood 情形

修复潜变量 Heywood 模型

显变量中的 Heywood 情形

分析显变量的 Heywood 问题

修复显变量 Heywood 模型

使用 semPaths() 创建图示

SEM 基本图

编辑布局

编辑标签

排查模型错误与绘制图示

本章将探讨 WAIS-III 智力量表及其结构特性。您将运用前三章所学，构建多个 WAIS-III 的模型，排查这些模型中的错误，并绘制最终模型的图示。

为 WAIS-III 智商量表建模

构建一个四因子模型

更新模型

绘制最终模型的图示

更新 WAIS-III 模型

添加路径以改进拟合

比较模型

IQ 的分层模型

创建分层模型

绘制分层模型图

课程总结

完整示例与扩展

Latent Variable Heywood Case Data

WAIS-III IQ Data for Hierarchical Model

Negative Variance Heywood Case Data

处理数据时，我们常常希望构建模型来预测未来事件，同时也希望更深入地理解数据之间的联系与结构。本课程将使用 R 编程语言中的 lavaan 包，通过结构方程模型（SEM）来探索数据的关联性。通过 SEM，您将接触潜变量与显变量，学习如何构建测量模型、评估测量模型的准确性，并修正拟合较差的模型。在课程中，您将使用经典 SEM 数据集，例如 Holzinger 和 Swineford（1939）以及 Bollen（1989）的数据集。您还将完成一个以韦氏成人智力量表为例的多因子模型案例研究。完成本课程后，您将能够深入分析您的数据，并更全面地理解其内部结构如何相互契合。

为 WAIS-III 智商量表建模

Create Your Free Account