SEM을 적용하려는 하나의 데이터 세트에 많은 문제가 있습니다.
우리는 지표가 각각 5 가지 잠재 요인 A, B, C, D, E의 존재를 가정합니다. A1-A5 (순서 계수), B1-B3 (정량적), C1, D1, E1 (E1에 대해 2 단계 만 포함 된 마지막 세 가지 요인 모두) 모든 요소 사이의 공분산에 관심이 있습니다.
나는 OpenMx그렇게 하려고 노력했다 . 몇 가지 시도는 다음과 같습니다.
-
먼저 모든 정렬 된 요소에 임계 값 행렬을 사용하려고했지만 수렴에 실패했습니다.
-
hetcor라이브러리 의 함수 를 사용하여 원시 데이터 대신 다항식 / 다항식 상관 관계를 사용하기로 결정했습니다polycor(신뢰 구간을 얻기 위해 샘플을 부트 스트랩하려고 계획했습니다). 또한 수렴하지 않습니다! -
완전한 데이터를 가진 개인으로 제한하려고 시도했지만 실패했습니다!
첫 번째 질문은 : 이러한 실패를 해석하는 자연스러운 방법이 있습니까?
두 번째 질문은 어떻게해야합니까?
편집 : 함수의 코드를 거친 후 동일한 문제가 발생할 수있는 미래 독자를 위해polycor … 솔루션은 hetcor()옵션과 함께 사용 하는 것 std.err=FALSE입니다. 이것은 StasK가 제공 한 것과 매우 유사한 추정치를 제공합니다. 나는 지금 무슨 일이 일어나고 있는지 더 잘 이해할 시간이 없다! 아래 질문들은 StasK에 의해 꽤 잘 대답되었습니다.
다른 질문이 있지만 여기 L1에 완전한 데이터 만 포함 된 데이터 프레임이 포함 된 RData 파일이있는 URL이 있습니다 : data_sem.RData
여기에의 실패를 보여주는 몇 줄의 코드가 hetcor있습니다.
> require("OpenMx")
> require("polycor")
> load("data_sem.RData")
> hetcor(L1)
Erreur dans cut.default(scale(x), c(-Inf, row.cuts, Inf)) :
'breaks' are not unique
De plus : Il y a eu 11 avis (utilisez warnings() pour les visionner)
> head(L1)
A1 A2 A3 A4 A5 B1 B2 B3 C1 D1 E1
1 4 5 4 5 7 -0.82759 0.01884 -3.34641 4 6 1
4 7 5 0 4 6 -0.18103 0.14364 0.35730 0 1 0
7 7 5 7 6 9 -0.61207 -0.18914 0.13943 0 0 0
10 5 5 10 7 3 -1.47414 0.10204 0.13943 2 0 0
11 7 5 8 9 9 -0.61207 0.06044 -0.73203 0 2 0
12 5 5 9 10 5 0.25000 -0.52192 1.44662 0 0 0
그러나 정렬 된 요인을 정량 변수로 고려하여 매우 더러운 방식으로 상관 관계 또는 공분산 행렬을 계산할 수 있습니다.
> Cor0 <- cor(data.frame(lapply(L1, as.numeric)))OpenMx다음 질문과 함께 코드 조각 이 있습니다. 다음 모델이 맞습니까? 너무 많은 무료 매개 변수가 없습니까?
manif <- c("A1","A2","A3","A4","A5", "B1","B2","B3", "C1", "D1", "E1");
model1 <- mxModel(type="RAM",
manifestVars=manif, latentVars=c("A","B","C","D","E"),
# factor variance
mxPath(from=c("A","B","C","D","E"), arrows=2, free=FALSE, values = 1),
# factor covariance
mxPath(from="A", to="B", arrows=2, values=0.5),
mxPath(from="A", to="C", arrows=2, values=0.5),
mxPath(from="A", to="D", arrows=2, values=0.5),
mxPath(from="A", to="E", arrows=2, values=0.5),
mxPath(from="B", to="C", arrows=2, values=0.5),
mxPath(from="B", to="D", arrows=2, values=0.5),
mxPath(from="B", to="E", arrows=2, values=0.5),
mxPath(from="C", to="D", arrows=2, values=0.5),
mxPath(from="C", to="E", arrows=2, values=0.5),
mxPath(from="D", to="E", arrows=2, values=0.5),
# factors → manifest vars
mxPath(from="A", to=c("A1","A2","A3","A4","A5"), free=TRUE, values=1),
mxPath(from="B", to=c("B1","B2","B3"), free=TRUE, values=1),
mxPath(from="C", to=c("C1"), free=TRUE, values=1),
mxPath(from="D", to=c("D1"), free=TRUE, values=1),
mxPath(from="E", to=c("E1"), free=TRUE, values=1),
# error terms
mxPath(from=manif, arrows=2, values=1, free=TRUE),
# data
mxData(Cor0, type="cor",numObs=dim(L1)[1])
);
그리고 마지막 질문입니다. 이 모델을 사용하면 (상당히 상관 관계 행렬이 계산되는 방식을 잊어 버리십시오) OpenMx를 실행합니다.
> mxRun(model1) -> fit1
Running untitled1
> summary(fit1)
요약하면 다음과 같습니다.
observed statistics: 55
estimated parameters: 32
degrees of freedom: 23
-2 log likelihood: 543.5287
saturated -2 log likelihood: 476.945
number of observations: 62
chi-square: 66.58374
p: 4.048787e-06
많은 수의 매개 변수에도 불구하고 적합이 매우 나빠 보입니다. 그게 무슨 뜻이야? 이것이 매니페스트 변수 사이에 공분산을 추가해야한다는 것을 의미합니까?
모든 답변에 미리 감사드립니다. 천천히 미치게되고 있습니다 …
답변
polycor에서 John Fox에보고하려는 버그를 발견 했어야합니다 . 내 polychoric패키지를 사용하여 Stata에서 모든 것이 잘 실행됩니다 .
. polychoric *
Polychoric correlation matrix
A1 A2 A3 A4 A5 B1 B2 B3 C1 D1 E1
A1 1
A2 .34544812 1
A3 .39920225 .19641726 1
A4 .09468652 .04343741 .31995685 1
A5 .30728339 -.0600463 .24367634 .18099061 1
B1 .01998441 -.29765985 .13740987 .21810968 .14069473 1
B2 -.19808738 .17745687 -.29049459 -.21054867 .02824307 -.57600551 1
B3 .17807109 -.18042045 .44605383 .40447746 .18369998 .49883132 -.50906364 1
C1 -.35973454 -.33099295 -.19920454 -.14631621 -.36058235 .00066762 -.05129489 -.11907687 1
D1 -.3934594 -.21234022 -.39764587 -.30230591 -.04982743 -.09899428 .14494953 -.5400759 .05427906 1
E1 -.13284936 .17703745 -.30631236 -.23069382 -.49212315 -.26670382 .24678619 -.47247566 .2956692 .28645516 1
하나의 지표로 측정되는 잠재 변수 ( C, D, E), 그렇지 않으면 잠재 변수의 크기가 확인되지 않는 한, 그것의 연속적인 버전에서 지표의 편차를 수정해야한다. 이진 / 직렬 응답의 경우 어쨌든 (순 서적) 프로 빗 유형 링크를 사용하여 1로 고정된다는 것을 의미합니다. 잠재 성이 관찰 된 지표와 동일하다고 가정해야하거나 표준화 된 하중을 가정해야합니다 . 이는 본질적으로 모델이 {A1-A5, C1, D1, E1} 및 {B1-B3, C1, D1, E1}으로 각각 측정 된 잠재 요인 A 및 B가있는 CFA 모델과 동일합니다.