Випадки Гейвуда на маніфестних змінних

Моделювання структурними рівняннями (SEM) з пакетом lavaan у R

Erin Buchanan

Professor

Чому від'ємні дисперсії?

Чому може з'явитися від'ємна дисперсія:
- Модель може бути неправильно задана або недоідентифікована
- Малий розмір вибірки або випадкові коливання
- Маніфестні змінні мають різні шкали
- Дані скошені або неє нормальними

Приклад від'ємної дисперсії

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!

Підсумок: бачимо випадок Гейвуда

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

Досліджуємо вихід 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

Оновлюємо модель

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)

Оновлений вихід

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

Приклад від'ємної дисперсії (5)

R-Square:
                   Estimate
    V2                0.038
    V1                0.228
    V3                0.152
    V4                0.124
    V5                0.600
    V6                0.044

Давайте потренуємось!

Моделювання структурними рівняннями (SEM) з пакетом lavaan у R