タグ付けされた質問 「lavaan」

GAMを使用すると、残留DFは（コードの最終行）になります。どういう意味ですか？GAMの例を超えて、一般に、自由度の数を整数以外の数にすることはできますか？26.626.626.6 > library(gam) > summary(gam(mpg~lo(wt),data=mtcars)) Call: gam(formula = mpg ~ lo(wt), data = mtcars) Deviance Residuals: Min 1Q Median 3Q Max -4.1470 -1.6217 -0.8971 1.2445 6.0516 (Dispersion Parameter for gaussian family taken to be 6.6717) Null Deviance: 1126.047 on 31 degrees of freedom Residual Deviance: 177.4662 on 26.6 degrees of …

27 r  degrees-of-freedom  gam  machine-learning  pca  lasso  probability  self-study  bootstrap  expected-value  regression  machine-learning  linear-model  probability  simulation  random-generation  machine-learning  distributions  svm  libsvm  classification  pca  multivariate-analysis  feature-selection  archaeology  r  regression  dataset  simulation  r  regression  time-series  forecasting  predictive-models  r  mean  sem  lavaan  machine-learning  regularization  regression  conv-neural-network  convolution  classification  deep-learning  conv-neural-network  regression  categorical-data  econometrics  r  confirmatory-factor  scale-invariance  self-study  unbiased-estimator  mse  regression  residuals  sampling  random-variable  sample  probability  random-variable  convergence  r  survival  weibull  references  autocorrelation  hypothesis-testing  distributions  correlation  regression  statistical-significance  regression-coefficients  univariate  categorical-data  chi-squared  regression  machine-learning  multiple-regression  categorical-data  linear-model  pca  factor-analysis  factor-rotation  classification  scikit-learn  logistic  p-value  regression  panel-data  multilevel-analysis  variance  bootstrap  bias  probability  r  distributions  interquartile  time-series  hypothesis-testing  normal-distribution  normality-assumption  kurtosis  arima  panel-data  stata  clustered-standard-errors  machine-learning  optimization  lasso  multivariate-analysis  ancova  machine-learning  cross-validation 

R lavaanパッケージを使用して、構造方程式モデルを推定しています。モデルが、1つの潜在的変数と2つの明示的な説明変数を持つ1つの内在的マニフェスト変数で構成されているとします。 group = {0,1} attitude1 = latent,scale age = respondent's age 目的の溶岩モデルは次のとおりです（機能しません）。 model <- ' attitude1 =~ att1 + att2 + att3 outcome ~ age*group + attitude1*group' 私の目標は、線形回帰でできることの範囲で、各変数とグループの間に主効果と相互作用効果を確立することです。これはできますか？

13 r  interaction  sem  lavaan 

を使用して確認因子分析（CFA）を試みていlavaanます。によって生成された出力を解釈するのに苦労していlavaanます。 私は単純なモデルを持っています-収集された調査データからのアイテムによってそれぞれサポートされる4つの要素。これらの要素は、それらが有効な測定値として機能する可能性が高いと思われる程度まで、項目によって測定されるものと一致しています。 私はによって生成次の出力を理解する助けてくださいlavaanさんをcfa()： Number of observations 1730 Estimator ML Minimum Function Test Statistic 196.634 Degrees of freedom 21 P-value (Chi-square) 0.000 Model test baseline model: Minimum Function Test Statistic 3957.231 Degrees of freedom 36 P-value 0.000 User model versus baseline model: Comparative Fit Index (CFI) 0.955 Tucker-Lewis Index (TLI) 0.923 …

11 r  sem  confirmatory-factor  lavaan 

潜在変数を使用した構造方程式モデリング（SEM）では、一般的なモデルの定式化は「複数のインジケーター、複数の原因」（MIMIC）で、潜在変数はいくつかの変数によって引き起こされ、他の変数によって反映されます。以下に簡単な例を示します。 本質的に、f1の回帰結果であるx1、x2とx3、とy1、y2とy3の測定指標ですf1。 複合潜在変数を定義することもできます。この場合、潜在変数は基本的にその構成変数の重み付き組み合わせになります。 これが私の質問です：f1回帰結果として定義することとMIMICモデルで複合結果として定義することの間に違いはありますか？ のlavaanソフトウェアを使用したいくつかのテストRは、係数が同一であることを示しています。 library(lavaan) # load/prep data data <- read.table("http://www.statmodel.com/usersguide/chap5/ex5.8.dat") names(data) <- c(paste("y", 1:6, sep=""), paste("x", 1:3, sep="")) # model 1 - canonical mimic model (using the '~' regression operator) model1 <- ' f1 =~ y1 + y2 + y3 f1 ~ x1 + x2 + x3 ' …

10 sem  latent-variable  lavaan 

インストゥルメンタル変数の除外制限を理解できません。 公平な治療効果はB = C o v （Y 、Z ）であることを理解しています、ここでYは結果、Sは治療、Zは手段です。つまり、B=ITTB=Cov(Y,Z)Cov(S,Z)B=Cov(Y,Z)Cov(S,Z)B = \frac{Cov(Y, Z)}{Cov(S, Z)}YYYSSSZZZ。B=ITTCompliance RateB=ITTCompliance RateB = \frac{ITT} {\text{Compliance Rate}} しかし、調停の枠組みでこれについて考え、除外制限を適用すると、これはますます意味がなくなります。 メディエーション・フレームワークでは、ITTは、総効果=、または。したがって、公平な治療効果は次のとおりです。Cov(S,Z)⋅Cov(Y,S)+Cov(Y,Z|S)Cov(S,Z)⋅Cov(Y,S)+Cov(Y,Z|S)Cov(S,Z)\cdot Cov(Y,S) + Cov(Y,Z|S) 、これは次のようになります。(Cov(S,Z)⋅Cov(Y,S)+Cov(Y,Z|S))Cov(S,Z)(Cov(S,Z)⋅Cov(Y,S)+Cov(Y,Z|S))Cov(S,Z)\frac{(Cov(S,Z)\cdot Cov(Y,S) + Cov(Y,Z|S))}{Cov(S,Z)} 、Cov(Y,S)+Cov(Y,Z|S)Cov(S,Z)Cov(Y,S)+Cov(Y,Z|S)Cov(S,Z)Cov(Y,S) + \frac{Cov(Y, Z|S)}{Cov(S, Z)} したがって、偏りのない因果推定は、バイアスされた治療の効果+楽器の効果（。controllingforthetreatmentcomplianceratecontrollingforthetreatmentcompliancerate\frac{controlling for the treatment} { compliance rate} ただし、除外制限があるため、処理を制御した後の機器の影響はありません。 ゲルマンのセサミストリートの例からの例。まず、2SLSを介して公平な治療効果を得る： fit.2s <- lm(regular ~ encour, data = df) …

8 instrumental-variables  treatment-effect  lavaan 

でCFAを実行するLavaan場合、元のデータで負の分散などのエラーが発生したため、共分散行列を入力として使用する必要がありました。 通常、predict()関数を使用して因子スコアを予測しますが、lavPredict関数は同じですが、共分散行列を使用しているため、これを直接実行することはできません。 CFAからの情報を使用して、それと同じ方法で因子スコアを計算する方法Lavaanはありますか？このpredict()関数は回帰の方法を使用して因子スコアを計算すると思います。 これは、生データを入力として使用して因子スコアを生成するサンプルコードです。この方法を使用すると、差異の1つでエラーが発生します。 library(lavaan) model1 = ' Latent1 =~ X1 + X2 Latent2 =~ X3 + X4 + X5 Latent3 =~ X6 + X7 ' model1.fit = cfa(model1, data=mydata) #fit Lavaan model predict(model1.fit) #Predict factor scores (method of regression) これは、入力として共分散行列を使用して因子スコアを生成するコードです。ここにはエラーメッセージはありませんが、それらをリンクするデータがないため、因子スコアを生成できません。 cov = cor2cov(cor,std) #(using cor2cov function to create covariance …

7 sem  confirmatory-factor  lavaan