Случаи Хейвуда на наблюдаемых переменных
Структурное моделирование уравнений с lavaan в R
Erin Buchanan
Professor
Почему возникает отрицательная дисперсия?
- Причины появления отрицательной дисперсии:
- Модель задана некорректно или не идентифицирована
- Малый размер выборки или флуктуации выборки
- Наблюдаемые переменные имеют разные шкалы
- Данные скошены или не являются нормальными
Пример отрицательной дисперсии
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!
Просмотр случая Хейвуда через summary
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
Анализ вывода R-Square
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
Обновление модели
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)
Новый результат после обновления
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
Пример отрицательной дисперсии (5)
R-Square:
Estimate
V2 0.038
V1 0.228
V3 0.152
V4 0.124
V5 0.600
V6 0.044
Давайте потренируемся!
Структурное моделирование уравнений с lavaan в R
