我想测试一个SEM模型。有3个指标(I1到I3)构成了一个潜在构建LC。这个应该解释一个因变量DV。迄今为止很简单。从误差项回归到因变量(lavaan)
现在我假设指标的独特差异(没有进入LC)将对DV提供额外的解释。是这样的:
IV1 ↖
IV2 ← LC → DV
IV3 ↙ ↑
↑ │
e3 ───────┘
在lavaan
误差项/残差(E3)通常不写成:
model = '
# latent variables
LV =~ IV1 + IV2 + IV3
# regression
DV ~ LV
'
此外,I3的残留必须分成有助于解释DV一个compontent ,剩余的一个残差。
我做的不是想直接说说I3的DV,因为它的目的是显示I3能够对DV有多大的独特解释。所以它的方差不应该分配到两条路径上。相反,我想要最大化路径IV3→LC→DV,然后将残差放入I3→DV。
问题:我该如何把它放在SEM模型中?它有可能吗?
奖励问题:这有道理吗?甚至更多:从SEM的角度来看(理论上是这样),每个独立变量都有如此的DV路径吗?
附注:我已经做了,是使用一系列计算来计算这个传统。也就是说,我计算了一个垂饰到LV(I1到I3的平均值,也可以使用主要成分),然后进行3次回归Ix→LC,然后尝试对DV的Ix残差进行多次回归。消除常见方差似乎使其中一个残差是多余的(我还没有完全理解为什么),所以回归模型不能估计每个残差的b
,而跳过最后一个残差(NA)。但是这对CrossValidated来说是一个问题 - 目前我有兴趣将模型放入编程代码中,即“绘制”从残差(e3)到DV的路径。谢谢!
首先,非常感谢您的精心解答!只是为了学习一些东西:“lavaan”如何“知道”在回归中使用'x3'的剩余/错误?我更习惯于传统的回归。在那里,潜在的结构(我不会有这种方式)和因变量应该“共享”x3的方差。对SEM/lavaan中的回归,潜在变量的“定义”是否具有某种优先级?我不担心R 2(它不会有什么区别),但是关于路径系数(我期望'x3→x4'的一个很小的一个)。 – BurninLeo
可以这样想:潜变量视觉包含x1,x2和x3的所有共享方差。所以当你用x和x3预测x4时,x3的系数表示x3和x4之间的关联,控制x4和x1,x2和x3的共享方差(即潜在构造)之间的关联。但我不确定在每种情况下,我都会期望x3和x4的残差之间存在小的关联。 – jsakaluk