Heywood-fall på manifestvariabler
Strukturell ekvationsmodellering med lavaan i R
Erin Buchanan
Professor
Varför negativ varians?
- Möjliga orsaker till negativ varians:
- Modellen är felspecificerad eller underidentifierad
- Litet stickprov eller stickprovsfluktuationer
- Manifestvariablerna har olika skalor
- Data är skev eller på annat sätt icke-normalfördelad
Exempel på negativ varians
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!
Sammanfatta för att se Heywood-fallet
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
Undersök R-kvadrat-utdatan
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
Uppdatera modellen
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)
Uppdaterade resultat
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
Exempel på negativ varians (5)
R-Square:
Estimate
V2 0.038
V1 0.228
V3 0.152
V4 0.124
V5 0.600
V6 0.044
Nu kör vi en övning!
Strukturell ekvationsmodellering med lavaan i R
