R中慢化分析的扫描电镜(交叉滞后模型)

Question

我想和三个主持人一起做结构方程建模。我的变量是吸引力(X)、自我价值(Y)、年龄(A)、性别(G)和社会地位(S)。数据是纵向的，分两波: t1和t2。为了找出X和Y之间存在哪种关系，这种关系往哪个方向发展，以及这种关系是如何由A、G和S调节的，我想使用一个交叉滞后模型，其中X_t2和Y_t2是结果变量。我用的是R包拉旺。该模型如下所示：

modelCLP <- '
  # regressions
    X_t2 ~ X_t1 + Y_t1 + A + G + S + Y_t1 * A + Y_t1 * G + Y_t1 * S   
    Y_t2 ~ Y_t1 + X_t2 + A + G + S + X_t1 * A + X_t1 * G + X_t1 * S 
  
  # co-movements
    X_t2 ~~ Y_t2
    X_t1 ~~ Y_t1
 
'
fit <- sem(modelCLP, data = datenB)
summary(fit, standardized = TRUE, fit.measures = TRUE)

我输出的问题是，对于方程式1中的主持人和等式2中的主持人，我得到了相同的结果。当我对主持人进行三次单独的分析时，我得到了三个不同的结果。当我计算上面的模型时，我得到了这些结果：

lavaan 0.6-10 ended normally after 20 iterations

  Estimator                                         ML
  Optimization method                           NLMINB
  Number of model parameters                        13
  Number of equality constraints                     4
                                                      
                                                  Used       Total
  Number of observations                           871        2406
                                                                  
Model Test User Model:
                                                      
  Test statistic                                14.959
  Degrees of freedom                                 4
  P-value (Chi-square)                           0.005

Model Test Baseline Model:

  Test statistic                              1024.222
  Degrees of freedom                                11
  P-value                                        0.000

User Model versus Baseline Model:

  Comparative Fit Index (CFI)                    0.989
  Tucker-Lewis Index (TLI)                       0.970

Loglikelihood and Information Criteria:

  Loglikelihood user model (H0)              -1967.499
  Loglikelihood unrestricted model (H1)      -1960.020
                                                      
  Akaike (AIC)                                3952.999
  Bayesian (BIC)                              3995.926
  Sample-size adjusted Bayesian (BIC)         3967.344

Root Mean Square Error of Approximation:

  RMSEA                                          0.056
  90 Percent confidence interval - lower         0.028
  90 Percent confidence interval - upper         0.088
  P-value RMSEA <= 0.05                          0.320

Standardized Root Mean Square Residual:

  SRMR                                           0.018

Parameter Estimates:

  Standard errors                             Standard
  Information                                 Expected
  Information saturated (h1) model          Structured

Regressions:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  X_t2 ~                                                                
    X_t1              0.382    0.018   21.245    0.000    0.382    0.600
    Y_t1              0.100    0.034    2.902    0.004    0.100    0.083
    A       (Y_t1)    0.002    0.002    1.395    0.163    0.002    0.037
    G       (Y_t1)    0.002    0.002    1.395    0.163    0.002    0.001
    S       (Y_t1)    0.002    0.002    1.395    0.163    0.002    0.003
  Y_t2 ~                                                                
    Y_t1              0.716    0.034   21.180    0.000    0.716    0.594
    X_t1              0.064    0.018    3.617    0.000    0.064    0.100
    A       (X_t1)    0.004    0.001    2.724    0.006    0.004    0.071
    G       (X_t1)    0.004    0.001    2.724    0.006    0.004    0.002
    S       (X_t1)    0.004    0.001    2.724    0.006    0.004    0.006

Covariances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
 .X_t2 ~~                                                               
   .Y_t2              0.104    0.020    5.287    0.000    0.104    0.182

Variances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .X_t2              0.580    0.028   20.869    0.000    0.580    0.581
   .Y_t2              0.560    0.027   20.869    0.000    0.560    0.559

我能做些什么才能让三位主持人得到不同的结果？有没有更好的方法来做一个扫描电镜与多个慢化剂在R？

Answer 1

我不知道lavaan在您的代码中到底做了什么，但我相信在模型中可能会考虑限制'A‘、'G’和'S‘。

据我所知，在进行几乎(?)所有工具..。有几种方法可以做到这一点。

第一种是计算潜在变量的因子分数，并在R中生成交互项作为因子得分和moderator.

• Another之间的乘积，如果没有计算因子分数，例如，要使用函数indProd() from semTools package.

• From您的代码，似乎没有处理潜在变量，因此，计算变量之间的乘积就足够了：

modelCLP$A_Y_t1=modelCLP$A*modelCLP$Y_t1
modelCLP$G_Y_t1=modelCLP$G*modelCLP$Y_t1
modelCLP$S_Y_t1=modelCLP$S*modelCLP$Y_t1
modelCLP$A_X_t1=modelCLP$A*modelCLP$Y_t1
modelCLP$G_X_t1=modelCLP$G*modelCLP$X_t1
modelCLP$S_X_t1=modelCLP$S*modelCLP$X_t1

    modelCLP <- '
      # regressions
    X_t2 ~ X_t1 + Y_t1 + A + G + S + A_Y_t1 + G_Y_t1  + S_Y_t1   
    Y_t2 ~ Y_t1 + X_t2 + A + G + S + A_X_t1 + G_X_t1 + S_X_t1      
      # co-movements
    X_t2 ~~ Y_t2
    X_t1 ~~ Y_t1'

注意:您可能需要在所有变量之间添加协方差(包括这些交互项)。

fit <- sem(modelCLP, data = datenB)
summary(fit, standardized = TRUE, fit.measures = TRUE)