【问题标题】:Control variables for second-order CFA (lavaan) measuring intelligence二阶 CFA (lavaan) 测量智能的控制变量
【发布时间】:2021-05-18 06:45:32
【问题描述】:

我正在熔岩进行二级 CFA 以衡量智力。一些智力测试(底层)加载到因子(中间层,例如工作记忆)上,这些因子加载到一般因子(顶层,称为 g 因子)上。我的代码如下所示:

model.IQ <- '
    att =~ V1 + V2 + V3 + V4 + V5 + V6 + V7 + V8
    ver =~ V9 + V10 + V11
    mem =~ V12 + V13
    wme =~ V14 + V15
    g =~ att + ver + mem + wme
'

现在我想将年龄和性别作为控制变量,但我不知道具体如何。我假设我会使用“~~”运算符来添加协变量,但是添加到哪些变量上?只有“g”?还是V1-V15?如果我将以下几行添加到我的模型中,它会起作用,但这是否按预期工作?

V1 ~~ Age
V2 ~~ Age
...
V15 ~~ Age
V1 ~~ Gender
V2 ~~ Gender
...
V15 ~~ Gender

感谢您的帮助!

二阶 CFA 示例:

【问题讨论】:

    标签: r-lavaan factor-analysis


    【解决方案1】:

    对于性别,您应该进行多组验证性因素分析 (MGCFA),您可以按照自己的方式进行操作。我的建议是使用measurementInvariance(),例如:

    measurementInvariance(model = model.IQ, data = your.data.frame, group = "gender")
    

    对于分类变量,使用measurementInvarianceCat() 函数。 请注意,此功能已弃用,将来可能会消失。

    对于年龄变量,我会使用 MIMIC 模型 (Wang, & Wang, 2012),您使用 age 作为一般智力因素的预测因子。 MIMIC模型代表多指标多原因模型,其中多个指标反映潜在的潜在变量/因素,而多原因(观察到的预测因子)影响潜在变量/因素。您可以在同一个模型中结合年龄和性别(虚拟)。

    model.IQ_mimic <- '
        att =~ V1 + V2 + V3 + V4 + V5 + V6 + V7 + V8
        ver =~ V9 + V10 + V11
        mem =~ V12 + V13
        wme =~ V14 + V15
        g =~ att + ver + mem + wme
        
        g ~ age + gender'
    

    但是,MGCFA 与 MIMIC 模型相比具有一些优势,因为 MGCFA 允许测试所有模型参数的测量不变性。但是,如果您使用的是定性变量,则只能继续使用 MGCFA。由于对样本量的要求较小并且允许使用各种变量,因此 MIMIC 模型可能具有优势。

    Wang, J. 和 Wang, X.(2012 年)。结构方程建模:使用 Mplus 的应用程序。约翰威利父子公司。 https://doi.org/10.4135/9781412956253.n563

    【讨论】:

      猜你喜欢
      • 1970-01-01
      • 2022-08-21
      • 2017-10-25
      • 2017-05-14
      • 1970-01-01
      • 2022-10-15
      • 1970-01-01
      • 1970-01-01
      • 2022-10-05
      相关资源
      最近更新 更多