Heywood-Fälle bei den manifesten Variablen
Strukturgleichungsmodellierung mit lavaan in R
Erin Buchanan
Professor
Warum negative Varianzen?
- Gründe für negative Varianz:
- Modell ist fehl- oder unteridentifiziert
- Kleine Stichprobe oder Stichprobenschwankungen
- Manifeste Variablen haben unterschiedliche Skalen
- Daten sind schief oder sonst nicht normalverteilt
Beispiel: Negative Varianz
negative.model <- 'latent1 =~ V1 + V2 + V3
latent2 =~ V4 + V5 + V6'
negative.fit <- cfa(negative.model, data = negative_data)
Warning message:
In lavaan::lavaan(model = negative.model,
data = negative_data, :
lavaan WARNING: model has NOT converged!
Zusammenfassung: Heywood-Fall betrachten
summary(negative.fit, standardized = TRUE,
fit.measures = TRUE, rsquare = TRUE)
** WARNING ** lavaan (0.5-23.1097) did
NOT converge after 10000 iterations
** WARNING ** Estimates below are most likely unreliable
Variances:
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
.V2 -3949.334 NA -3949.334 -211.745
.V5 11885.910 NA 11885.910 615.668
R-Quadrat-Ausgabe prüfen
R-Square:
Estimate
V1 0.001
V2 NA
V3 0.000
V4 -0.000
V5 -614.668
V6 -0.000
var(negative_data$V2)
18.83833
Modell aktualisieren
negative.model <- 'latent1 =~ V1 + V2 + V3
latent2 =~ V4 + V5 + V6
V2 ~~ 18.83833*V2'
negative.fit <- cfa(negative.model,
data = negative_data)
summary(negative.fit,
standardized = TRUE,
fit.measures = TRUE,
rsquare = TRUE)
Neues aktualisiertes Ergebnis
Variances:
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
.V2 18.838 18.838 0.962
.V1 7.655 1.145 6.687 0.000 7.655 0.772
.V3 16.100 1.580 10.189 0.000 16.100 0.848
.V4 13.866 1.017 13.638 0.000 13.866 0.876
.V5 8.851 5.472 1.617 0.106 8.851 0.400
.V6 12.336 0.599 20.596 0.000 12.336 0.956
latent1 2.261 1.128 2.004 0.045 1.000 1.000
latent2 1.956 0.875 2.236 0.025 1.000 1.000
Beispiel: Negative Varianz (5)
R-Square:
Estimate
V2 0.038
V1 0.228
V3 0.152
V4 0.124
V5 0.600
V6 0.044
Lass uns üben!
Strukturgleichungsmodellierung mit lavaan in R
