タグ付けされた質問 「sem」

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 

SEMモデルの指定と適合の方法を学ぶために、遺伝疫学分析のためにRパッケージOpenMxをレビューしています。私はこれが初めてなので、我慢してください。OpenMxユーザーガイドの 59ページの例に従っています。ここでは、次の概念モデルを描画します。 そして、パスを指定する際に、潜在的な「1」ノードの重みを顕在化したbmiノード「T1」と「T2」に0.6に設定しました。 関心のある主なパスは、各潜在変数からそれぞれの観測変数へのパスです。これらも推定され（したがって、すべて解放されます）、0.6の開始値と適切なラベルを取得します。 # path coefficients for twin 1 mxPath( from=c("A1","C1","E1"), to="bmi1", arrows=1, free=TRUE, values=0.6, label=c("a","c","e") ), # path coefficients for twin 2 mxPath( from=c("A2","C2","E2"), to="bmi2", arrows=1, free=TRUE, values=0.6, label=c("a","c","e") ), 0.6の値は、共分散の推定から来ているbmi1とbmi2（厳密のモノ接合子双子ペア）。2つの質問があります。 パスに0.6の「開始」値が与えられると彼らが言うとき、これはGLMの推定のように、初期値で数値積分ルーチンを設定するようなものですか？ この値が一卵性双生児から厳密に推定されるのはなぜですか？

10 correlation  sem  causality  paired-data 

SEMを適用しようとしている1つのデータセットに多くの問題があります。 5つの潜在因子A、B、C、D、Eが存在し、指標がそれぞれ存在するとします。A1からA5（順序付けられた因子）、B1からB3（定量的）、C1、D1、E1（最後の3つの順序付けされた因子すべて、E1のレベルは2つのみ。すべての因子間の共分散に関心があります。 使用OpenMxしてみました。ここに私の試みのいくつかがあります： 最初にすべての順序付けされた要素にしきい値行列を使用しようとしましたが、収束は失敗しました。 hetcorライブラリの関数を使用して、生データの代わりにポリコリック/ポリシリアル相関を使用することにしましたpolycor（信頼区間を得るためにサンプルをブートストラップすることを計画していました）。また、収束に失敗します！ 私は完全なデータを持つ個人に制限しようとしました、それも失敗します！ 私の最初の質問は次のとおりです。これらの失敗を解釈する自然な方法はありますか？ 私の2番目の質問は次のとおりです。どうすればよいですか??? 編集：同じ問題に遭遇する可能性のある将来の読者のために、関数のコードを調べた後polycor...解決策はhetcor()オプションを使用することstd.err=FALSEです。これは、StasKが与えたものと非常によく似た見積もりを与えます。ここで何が起こっているのかをよく理解する時間はありません！以下の質問は、StasKによってかなりよく回答されています。 他にも質問がありますが、何よりもまずL1、完全なデータのみを含むデータフレームを含むRDataファイルのURLを次に示します。data_sem.RData ここに、の失敗を示す数行のコードがありhetcorます。 > require("OpenMx") > require("polycor") > load("data_sem.RData") > hetcor(L1) Erreur dans cut.default(scale(x), c(-Inf, row.cuts, Inf)) : 'breaks' are not unique De plus : Il y a eu 11 avis (utilisez warnings() pour les visionner) > head(L1) A1 A2 A3 A4 …

10 r  modeling  multiple-regression  sem 

臨床リハビリデータのデータセットを分析する必要があります。定量化された「インプット」（治療の量）と健康状態の変化との間の仮説に基づく関係に興味があります。データセットは比較的小さい（n〜70）が、両方の時間的変化を反映するデータを繰り返し使用しています。私はRの非線形混合効果モデリングに精通していますが、ここで入力と出力の間の潜在的な「因果関係」関係に興味があり、SEMの反復測定アプリケーションを検討しています RのSEMパッケージ（sam、lavaan、openmx？）のどれが繰り返し測定データに特に適しているか、特に教科書の推奨事項（フィールドの「Pinheiro and Bates」はありますか？）に関するアドバイスをいただければ幸いです。 。

10 r  repeated-measures  panel-data  sem 

溶岩でこのCFAイムをどのように進めるかわかりません。私は172人の参加者のサンプル（CFAにとってはそれほど多くないことを知っています）と7つの要因に基づく7ポイントのリッカートスケールを持つ28のアイテムを持っています。「mlm」推定器を使用してCFAを実行しましたが、モデルの近似は本当に悪かった（χ2（df = 329）= 739.36;比較近似指数（CFI）= .69;標準化された二乗平均平方根残差（SRMR）=。10;二乗平均平方根誤差（RMSEA）=。09; RMSEA 90％信頼区間（CI）= [.08、.10]）。 私は以下を試しました： 1つの一般的な方法因子を持つ二因子モデル—>は収束しませんでした。 順序データの推定量（„ WLSMV“）—>モデルフィット：（χ2（df = 329）= 462;比較フィットインデックス（CFI）= .81;標準化二乗平均平方根残差（SRMR）=。09;二乗平均平方根エラー近似値（RMSEA）=。05; RMSEA 90％信頼区間（CI）= [.04、.06]） 因子が少なく、特定のアイテム間の共分散を追加するアイテムによってモデルを削減->モデルフィット：χ2（df = 210）= 295; 比較適合指数（CFI）= .86; 標準化された二乗平均平方根残差（SRMR）=。08; 二乗平均平方根誤差（RMSEA）=。07; RMSEA 90％信頼区間（CI）= [.06、.08]。 今私の質問： このようなモデルをどうすればよいですか？ 統計的に正しいことは何でしょうか？ 適合するか、適合しないと報告しますか？そして、それらのモデルのどれですか？ この件についてお話しさせていただければ幸いです。 以下は、元のモデルのCFAの溶岩出力です。 lavaan (0.5-17.703) converged normally after 55 iterations Used Total Number of observations 149 172 …

9 r  sem  fitting  confirmatory-factor 

構造方程式/混合モデルを効率的かつきれいに描くためのソフトウェアツール（できればオープンソース）を探しています。 xfigとgraphvizを調べた後、汎用のベクターグラフィックパッケージであるinkscapeを使用します。 stat.stackexchangeコミュニティを調査したい：構造方程式/混合モデルをどのように描画しますか？どのソフトウェアを使用していますか？

9 data-visualization  modeling  sem  software 

構造方程式モデルでは、ML推定器がよく使用されます。変数が多変量正規ではない場合、MLを使用できますか？ 多くの場合、使用できるインジケーターは多変量正規ではありません。その場合の対処方法がわかりません。

8 maximum-likelihood  sem  normality-assumption  multivariate-normal 

私はCFAを実行しており、1次元スケールの適切なインデックス（CFI = .99、RMSEA = .01）を取得しています。ただし、内部整合性をテストすると、Cronbachの s（）が悪くなります。外れ値の削除からアイテムの削除まですべてを試しましたが、それでも同じ問題が発生します。αα\alphaα = .6α=.6\alpha = .6 SEMに測定が信頼できることを示すものがあるかどうか疑問に思っていますか？ クロンバックの（または内部一貫性）が信頼性を測定するかどうかについては議論があることを知っていますが、私の分野ではクロンバックのを心理測定の良さの尺度として報告する必要があるため、内部一貫性をあるものとして示す方法を見つける必要がありますこの対策には十分です。αα\alphaαα\alpha

8 sem  reliability  psychometrics  confirmatory-factor  cronbachs-alpha 

Rで2因子（両方とも被験者内）のANOVAを繰り返し測定した後、事後テスト（Tukey HSD）を実行する方法に関する解決策を見つけるのに問題があります。ANOVAには、aov -functionを使用しました。 summary(aov(dv ~ x1 * x2 + Error(subject/(x1*x2)), data=df1)) 他の質問への回答を読んだ後、他の機能（lmeなど）を使用してANOVAを再実行する必要があることを知りました。これが私が思いついたものです。 Lme.mod <- lme(dv ~ x1*x2, random=list(subject=pdBlocked(list(~1, pdIdent(~x1-1), pdIdent(~x2-1)))), data=df1) anova(Lme.mod) 主な効果はどちらも有意でしたが、相互作用の効果はありませんでした。次に、これらの関数を事後比較に使用しました。 summary(glht(Lme.mod, linfct=mcp(x1="Tukey"))) summary(glht(Lme.mod, linfct=mcp(x2="Tukey"))) しかし、いくつかの問題がありました： まず、Rヘルプファイルには、「双方向ANOVAまたはANCOVAモデル（...）multcompバージョン1.0-0以降で対象のパラメーターを定義する場合、mcp関数は注意して使用する必要があります。主な効果の比較が生成されます。のみ、共変量と交互作用を無視します（古いバージョンは交互作用項で自動的に平均化されました）警告が表示されます。そして確かに、私は次の警告メッセージを受け取りました： Warning message: In mcp2matrix(model, linfct = linfct) : covariate interactions found -- default contrast might be inappropriate もう1つの不可解な点は、両方の主要な効果は有意でしたが、要因の1つ（x1）の事後比較に有意差はなかったということです。これに出会ったことはありません。スクリプト/分析は正しい/適切ですか、それとも欠けているものはありますか？どんな助けでも大歓迎です！

8 r  anova  repeated-measures  post-hoc  tukey-hsd  goodness-of-fit  curve-fitting  sem  latent-variable  mplus  anova  post-hoc  tukey-hsd  markov-process  image-processing  r  time-series  causality  granger-causality  anova  mixed-model  lme4-nlme  random-effects-model  r  matlab  data-transformation  multinomial  notation  estimation  nonparametric  logistic  r  missing-data  multiple-imputation  mice 

実験中に3回評価された10人の参加者の2つのグループがあります。グループ間および3つの評価全体の違いをテストするために、group（コントロール、実験）、time（最初、2、3）、およびを使用して2x3混合設計ANOVAを実行しましたgroup x time。両方timeとgroup有意な相互作用があったほか、重大な結果group x time。 グループメンバーシップに関しても、3回の評価の違いをさらにチェックする方法をよく知りません。実際、最初は、ANOVAのオプションで、ボンフェローニの補正を使用してすべての主要な効果を比較することだけを指定しました。しかし、この方法で、グループを区別せずに、サンプル全体の時間の違いをこのように比較したことに気付きましたね。 したがって、可能な解決策を見つけるためにインターネットでたくさん検索しましたが、結果はほとんどありませんでした。私と同じようなケースは2つしか見つかりませんでしたが、解決策は逆です！ 記事では、混合設計の後、著者らは被験者ごとに1つずつ、2回の反復測定ANOVAを事後的に実行しました。このようにして、2つのグループは修正なしで個別に分析されます。 インターネットのガイドでは、混合ANOVAの実行中に、SPSS構文のCOMPARE(time) ADJ(BONFERRONI)直後にを手動で追加すると述べています/EMMEANS=TABLES(newgroup*time)。このように、3つの時間はグループごとに個別に比較されます。ボンフェローニ補正を使用すると、私は正しいのでしょうか。 どう思いますか？どちらが正しい方法でしょうか？

8 anova  mixed-model  spss  post-hoc  bonferroni  time-series  unevenly-spaced-time-series  classification  normal-distribution  discriminant-analysis  probability  normal-distribution  estimation  sampling  classification  svm  terminology  pivot-table  random-generation  self-study  estimation  sampling  estimation  categorical-data  maximum-likelihood  excel  least-squares  instrumental-variables  2sls  total-least-squares  correlation  self-study  variance  unbiased-estimator  bayesian  mixed-model  ancova  statistical-significance  references  p-value  fishers-exact  probability  monte-carlo  particle-filter  logistic  predictive-models  modeling  interaction  survey  hypothesis-testing  multiple-regression  regression  variance  data-transformation  residuals  minitab  r  time-series  forecasting  arima  garch  correlation  estimation  least-squares  bias  pca  predictive-models  genetics  sem  partial-least-squares  nonparametric  ordinal-data  wilcoxon-mann-whitney  bonferroni  wilcoxon-signed-rank  traminer  regression  econometrics  standard-error  robust  misspecification  r  probability  logistic  generalized-linear-model  r-squared  effect-size  gee  ordered-logit  bayesian  classification  svm  kernel-trick  nonlinear  bayesian  pca  dimensionality-reduction  eigenvalues  probability  distributions  mathematical-statistics  estimation  nonparametric  kernel-smoothing  expected-value  filter  mse  time-series  correlation  data-visualization  clustering  estimation  predictive-models  recommender-system  sparse  hypothesis-testing  data-transformation  parametric  probability  summations  correlation  pearson-r  spearman-rho  bayesian  replicability  dimensionality-reduction  discriminant-analysis  outliers  weka 

環境： 構造方程式モデリングのコンテキスト内では、マルディア検定によると非正規性がありますが、歪度と尖度の1変量インデックスは2.0未満です。 質問： パラメータ推定（係数推定）は、バイアス補正された方法でブートストラップ（1000反復）を使用して評価する必要がありますか？ 従来のカイ2乗検定の代わりに、Bollen-Stineブートストラップバージョンを使用する必要がありますか？

8 bootstrap  normality-assumption  sem 

環境 博士論文に問題があります。私の論文は、組織の文化と組織の信頼レベルについての認識を通じて、中等学校の教師の組織市民活動を調査することです。 私には871人の教師のサンプルがあります。私は3つの機器を持っていますが、それらは他の研究者によって開発され、他のいくつかの研究で使用されました。 構造方程式モデリングを使用してデータを分析しようとしています。ただし、確認的要因分析を行う際、1つの手段（組織市民権）のみで問題はありませんでした。他の2つの機器は、一次確認分析を提供しませんでした。RMSEA値は約0.100でした。カイ二乗が高すぎ、自由度で割ったカイ二乗も高すぎました。 質問 機器とCFAをどうすればよいですか？ これらの楽器からアイテムをパーセルするか、アイテムを削除することは良い考えでしょうか？ または、構造方程式モデリングをスキップして回帰を続行する必要がありますか？

8 factor-analysis  sem 

semRの関数を使用してパス分析を実行しました。フィットしたモデルは、直接パスと間接パスの両方で構成されています。SEM係数の推定値の解釈に問題があります。 Rは合計効果=（直接効果+間接効果）の値を直接与えるのですか、それとも間接パスにある係数を乗算してから直接パスにある係数に追加する必要がありますか？これは、生/絶対相関係数を使用してパス分析を行う通常の方法です。 たとえば、X（独立変数）、Y（独立変数）、およびM（仲介変数）について考えてみます。 それらの間の生/絶対相関/標準化回帰係数はXとY -0.06です。XおよびM 0.22およびMおよびY 0.28一方、Rのパス分析/ semでは、上記の係数はXおよびY -0.13です。XおよびM 0.22およびMおよびY 0.31。 したがって、XとYの合計効果は-0.13に等しいですか？ あるいは、変数Mのアカウントへの影響を考慮して、この係数をどのように解釈すべきですか？

8 r  interpretation  sem  path-model 

私は初めて人工ニューラルネットワーク（ANN）について研究しており、ニューラルネットワークの概念が構造方程式モデリング（SEM）に似ているように見えることに感銘を受けました。例えば、 ANNの入力ノードはSEMのマニフェスト変数を思い出させます ANNの非表示ノードはSEMの潜在変数を思い出させる 観測されたすべての変数がSEMのマニフェスト変数を取得するため、ANNのすべての機能が入力ノードを取得します SEMがいくつかの最終的な従属変数を持つことができるのと同じように、ANNはいくつかの出力ノードを持つことができます どちらも説明と予測の目的に使用できます（私は思う） では、これら2つの形式の統計分析の違いを説明してください。

8 machine-learning  neural-networks  sem 

私の友人/同僚の何人かは最近、構造方程式モデリングに関心を持っており、SEMについてますます多くの質問に答える必要があります。多くの場合、これらの質問は、さまざまな測定モデルパラメーター（つまり、因子負荷、残差分散、切片）の推定値の意味を解釈する方法、およびこれらの値がグループ間でほぼ等しいことが重要である理由（つまり、推定された構造パラメーター（すなわち、分散、共分散、および平均）でグループを比較する前に、測定の不変性を確立します。 因子負荷と残差分散のアクセス可能な定義、および構造パラメーターのグループを比較する前にこれらの推定パラメーターがグループ間で同等であることが重要である理由についてのアクセス可能な説明を提供することについて、私はかなり良いハンドルを持っているように感じます。しかし、何らかの理由で、私は同様にアクセス可能な定義のように感じ、切片の説明が私を逃れました。 だから、私の質問は、切片とは何かをアクセシブルに説明する最善の方法であり、グループの潜在的手段を比較する前に切片がグループ間で不変であることが重要である理由を説明するのですか？ 例：因子負荷は、観測変数と潜在変数の間の関連の推定方向と強さを表します。言い換えると、因子負荷は、その観測された変数が、関連する潜在変数の発現に対してどれほど中心的であるかを表します。グループを比較すると構造パラメータを、ので、それは、彼らがグループ間で不変であることを確認することが重要です与えられた潜在変数の理解、それ以外の場合は、同じ観測変数が両方のグループにも同じように重要ではないことを示唆している-潜在変数の手段何か違います各グループに。 それに関連する潜在変数がゼロに等しいときの切片があるもの...与えられた観測変数の期待値であり、換言すれば、...と、それらが不変であることを確認することが重要です、なぜなら...の説明の部分解釈（SEMのコンテキストで）？

8 factor-analysis  sem  confirmatory-factor