Jestem nowy w publikowaniu postów SEM + na tym forum; daj mi znać, jeśli w jakikolwiek sposób nie mam jasności, a postaram się to wyjaśnić.

Informacje ogólne

Pracuję na przypisaniu SEM w celu oszacowania dopasowania modelu, z 6 wskaźnikami ładującymi się do zmiennej latentnej. Używam następujących pakietów do przydziału:

require (lavaan)

require (semPlot)

Mój zbiór danych jest ładowany do ramki danych o nazwie my.df

Model, który określam, wygląda następująco - ten model automatycznie naprawia pierwsze ładowanie czynnikowe GeneralMotivation to x1 do wartości 1.0:

  my.model1 <- 'GeneralMotivation = ~ x1 + x2 + x3 + x4 + x5 + x6 ' 

Wiem, że nie ma takiej potrzeby, ale w celu lepszego zrozumienia działania SEM określiłem również następujący model, zwalniając pierwszy wskaźnik.

  problematicmy.model1 <- 'GeneralMotivation = ~ NA * x1 + x2 + x3 + x4 + x5 + x6'  

Problem

Następnie uruchomiłem sem na dwóch modelach, jak pokazano poniżej:

  my.fit1 <- sem (my.model1, data = my .df) problematicmy.fit1 <- sem (problematicmy.model1, data = my.df)  

Wh pl Określam model używając domyślnych parametrów w lavaan w my.model1 , gdzie pierwszy wskaźnik modelu jest ustawiony na 1.0, nie było żadnych problemów. Problem pojawia się w problematicmy.model1 , gdzie widzę następujący błąd:

  Komunikat ostrzegawczy: In lav_model_vcov (lavmodel = lavmodel, lavsamplestats = lavsamplestats,: lavaan OSTRZEŻENIE: nie można obliczyć standardowych błędów! lavaan UWAGA: może to oznaczać, że model nie został zidentyfikowany.  

Dołączyłem również dane wyjściowe dla modelu naruszającego:

  lavaan (0,5-17) zbiegał się normalnie po 14 iteracjach Liczba obserwacji 400
Estymator ML Minimalna statystyka testu funkcji 112.214 Stopnie swobody 8 Wartość p (Chi-kwadrat) 0,000 Modelowy model wyjściowy: Minimalna statystyka testu funkcji 360.443 Stopnie swobody 15 Wartość p 0,000 Model użytkownika w porównaniu z modelem bazowym: Porównawczy wskaźnik dopasowania (CFI) 0,698 Indeks Tuckera-Lewisa (TLI) 0,434 Loglikelihood and Information Criteria: Loglikelihood model użytkownika (H0) -3181,787 Loglikelihood nieograniczony model (H1) -3125,680 Liczba wolnych parametrów 13 Akaike (AIC) 6389,574 Bayesian (BIC) 6441,463 Bayesian skorygowany o wielkość próby (BIC) 6400,213 Podstawowy średni kwadratowy błąd przybliżenia: RMSEA 0,180 90-procentowy przedział ufności 0,152 0,211 Wartość p RMSEA < = 0,05 0,000 Standaryzowana średnia pierwiastkowa reszta kwadratowa: SRMR 0,111 Szacunki parametrów: Informacje Oczekiwane błędy standardowe Oszacowanie standardowe Std.err Wartość Z P (> | z |) Std.lv Std.all zmienne: Ogólne Motywacja = ~ x1 0,826 0,765 0,672 x2 0,571 0,528 0,534 x3 0,829 0,767 0,694 x4 0,191 0,176 0,215 x5 0,301 0,278 0,308 x6 0,295 0,273 0,322 Odchylenia: x1 0,709 0,709 0,548
x2 0,701 0,701 0,715 x3 0,632 0,632 0,518 x4 0,640 0,640 0,954 x5 0,740 0,740 0,905 x6 0,643 0,643 0,896 GeneralMotvtn 0,856 1.000 1.000  

Załączam również poniższy model graficzny dla problemu . myfit1 :

Kroki podjęte w celu zrozumienia błędu

Najpierw pomyślałem „dobrze, może model jest niedostatecznie zidentyfikowany ”i obliczył posiadane informacje + liczbę parametrów do oszacowania.

Popraw mnie, jeśli się mylę: Powinno być 21 sztuk informacji (6 zmiennych, więc [(6) (7)] / 2 = 21).

Jednak Nie mogę, dla p <.05 miłość do wszystkich statystyk, silny> rozumiem dlaczego model jest niedostatecznie zidentyfikowany, jeśli po prostu uwalniam pierwszy wskaźnik x1 . Z tego, co rozumiem, szacuję tylko 13 parametrów (6 reszt dla obserwowanych zmiennych x1 do x6 , 6 ładowań czynnikowych i wariancja ukryta zmienna GeneralMotivation ). Czy w tym przypadku nie powinienem nadmiernie zidentyfikować mojego modelu?

Domyślam się, że

1. Chociaż model graficzny tego nie mówi, w rzeczywistości szacuję kowariancje między resztą wskaźników (tj. x1 ~~ x2 , x1 ~~ x6 itp.). Jeśli x1 jest ustalony na 1,0, w rzeczywistości próbuję oszacować 21 parametrów (5 reszt od x2 do x6 , 10 pozostałych kowariancji z x2 do x6 , 5 pozostałych odchyleń od x2 do x6 , ładowanie 5-czynnikowe z GeneralMotivation do x2 - x6 i jedną odmianę GeneralMotivation ), dzięki czemu model został właśnie zidentyfikowany (df = 0). Zwalniając x1 , muszę oszacować dodatkowe 7 parametrów (reszta z x1 , pozostałe kowariancje x1 ~~ x2 do x1 ~~ x6 i ładowanie czynnika z GeneralMotivation do x1 ), co powoduje niedostatecznie zidentyfikowany model
2. Problem nie jest niedostatecznie zidentyfikowany , ale coś zupełnie innego
3. SEM i RStudio mnie nienawidzi - mało prawdopodobne, ale nie wykluczam tego.

Zamknięcie

Czy ktoś może mi pomóc zrozumieć, dlaczego pojawia się błąd z lavaan ? Daj mi znać, jeśli potrzebujesz ode mnie więcej informacji.

Dziękuję!