Questions tagged «lavaan»

当我使用GAM时，它给了我剩余的DF为（代码的最后一行）。这意味着什么？超越GAM示例，通常，自由度可以是非整数吗？26.626.626.6 > library(gam) > summary(gam(mpg~lo(wt),data=mtcars)) Call: gam(formula = mpg ~ lo(wt), data = mtcars) Deviance Residuals: Min 1Q Median 3Q Max -4.1470 -1.6217 -0.8971 1.2445 6.0516 (Dispersion Parameter for gaussian family taken to be 6.6717) Null Deviance: 1126.047 on 31 degrees of freedom Residual Deviance: 177.4662 on 26.6 degrees of …

27 r  degrees-of-freedom  gam  machine-learning  pca  lasso  probability  self-study  bootstrap  expected-value  regression  machine-learning  linear-model  probability  simulation  random-generation  machine-learning  distributions  svm  libsvm  classification  pca  multivariate-analysis  feature-selection  archaeology  r  regression  dataset  simulation  r  regression  time-series  forecasting  predictive-models  r  mean  sem  lavaan  machine-learning  regularization  regression  conv-neural-network  convolution  classification  deep-learning  conv-neural-network  regression  categorical-data  econometrics  r  confirmatory-factor  scale-invariance  self-study  unbiased-estimator  mse  regression  residuals  sampling  random-variable  sample  probability  random-variable  convergence  r  survival  weibull  references  autocorrelation  hypothesis-testing  distributions  correlation  regression  statistical-significance  regression-coefficients  univariate  categorical-data  chi-squared  regression  machine-learning  multiple-regression  categorical-data  linear-model  pca  factor-analysis  factor-rotation  classification  scikit-learn  logistic  p-value  regression  panel-data  multilevel-analysis  variance  bootstrap  bias  probability  r  distributions  interquartile  time-series  hypothesis-testing  normal-distribution  normality-assumption  kurtosis  arima  panel-data  stata  clustered-standard-errors  machine-learning  optimization  lasso  multivariate-analysis  ancova  machine-learning  cross-validation 

我正在使用R lavaan软件包来估计结构方程模型。假设模型由1个具有1个潜伏的内生清单变量和2个清单解释性变量组成： group = {0,1} attitude1 = latent,scale age = respondent's age 然后，所需的lavaan模型不起作用： model <- ' attitude1 =~ att1 + att2 + att3 outcome ~ age*group + attitude1*group' 我的目标是按照线性回归的方法，确定每个变量和组之间的主要作用和相互作用作用。能做到吗？

13 r  interaction  sem  lavaan 

我正在尝试使用进行验证性因素分析（CFA）lavaan。我很难解释产生的输出lavaan。 我有一个简单的模型-收集调查数据中的项目支持4个因素。这些因素与这些项目所测量的一致，在某种程度上看来它们可以用作有效的测量。 请帮我理解所产生的输出如下lavaan的cfa()： Number of observations 1730 Estimator ML Minimum Function Test Statistic 196.634 Degrees of freedom 21 P-value (Chi-square) 0.000 Model test baseline model: Minimum Function Test Statistic 3957.231 Degrees of freedom 36 P-value 0.000 User model versus baseline model: Comparative Fit Index (CFI) 0.955 Tucker-Lewis Index (TLI) 0.923 …

11 r  sem  confirmatory-factor  lavaan 

在具有潜在变量（SEM）的结构方程建模中，常见的模型公式是“多个指标，多个原因”（MIMIC），其中潜在变量是由某些变量引起并由其他变量反映的。这是一个简单的示例： 从本质上讲，f1是一个回归结果为x1，x2和x3，和y1，y2和y3用于测量指标f1。 也可以定义一个复合的潜在变量，其中潜在变量基本上等于其组成变量的加权组合。 这是我的问题：f1在MIMIC模型中，定义为回归结果与将其定义为复合结果之间有区别吗？ 使用中的lavaan软件进行的一些测试R表明系数相同： library(lavaan) # load/prep data data <- read.table("http://www.statmodel.com/usersguide/chap5/ex5.8.dat") names(data) <- c(paste("y", 1:6, sep=""), paste("x", 1:3, sep="")) # model 1 - canonical mimic model (using the '~' regression operator) model1 <- ' f1 =~ y1 + y2 + y3 f1 ~ x1 + x2 + x3 ' …

10 sem  latent-variable  lavaan