原文链接：/?p=3071
原文出处：拓端数据部落公众号
结构方程模型入门
介绍
对于熟悉线性回归拟合结构方程模型的分析师来说，在R环境中，拟合结构方程模型涉及学习新的建模语法，新的绘图语法以及通常是新的数据输入方法。然而，拟合结构方程模型可以成为分析师工具箱中的强大工具。
设置 环境
在R中实现SEM有许多不同的包，lavaan软件包为大多数SEM用户提供了全面的功能集，并且具有易于学习的语法来描述SEM模型。要安装lavaan，我们只需运行：
# 安装install.packages("lavaan")
读入数据
我们需要读入数据集。我们读取方差 - 协方差矩阵并运行路径分析模型。
mat1 <- matrix(c(1, 0, 0, 0.6, 1, 0, 0.33, 0.63, 1), 3, 3, byrow = TRUE) print(mat1)
##ILL IMM DEP## ILL 1.00 0.00 0## IMM 0.60 1.00 0## DEP 0.33 0.63 1
现在我们在我们的环境中命名了一个方差 - 协方差矩阵。
有了这些数据，我们可以构建两种可能的模型
抑郁症（DEP）影响免疫系统（IMM）影响疾病（ILL）IMM影响ILL影响DEP
使用SEM我们可以评估哪个模型最能解释我们在上面的数据中观察到的协方差。拟合模型lavaan是一个两步过程。首先，我们创建一个文本字符串定义lavaan模型 。接下来，我们给出lavaan如何拟合这个模型。
# 定义模型 # 拟合模型mod1fit <- sem(mod1, sample.cov = mat1, sample.nobs = 500)# 定义模型2 mod2fit <- sem(mod2, sample.cov = mat1, sample.nobs = 500)
现在，我们在环境中为每个模型存储了两个对象。我们有模型字符串和modelfit对象。summary提供输出：
## ## Number of observations 500## ## Estimator ML## Minimum Function Test Statistic2.994## Degrees of freedom 1## P-value (Chi-square) 0.084## ## Parameter estimates:## ## Information Expected## Standard Errors Standard## ##Estimate Std.err Z-value P(>|z|)## Regressions:## ILL ~##IMM0.600 0.036 16.771 0.000## IMM ~##DEP0.630 0.035 18.140 0.000## ## Variances:##ILL0.639 0.040##IMM0.602 0.038
## ## Number of observations 500## ## Estimator ML## Minimum Function Test Statistic 198.180## Degrees of freedom 1## P-value (Chi-square) 0.000## ## Parameter estimates:## ## Information Expected## Standard Errors Standard## ##Estimate Std.err Z-value P(>|z|)## Regressions:## DEP ~##ILL0.330 0.042 7.817 0.000## ILL ~##IMM0.600 0.036 16.771 0.000## ## Variances:##DEP0.889 0.056##ILL0.639 0.040
理解SEM模型的最佳方法之一是使用路径图直观地检查模型。
接下来，我们加载库并制作一些路径图。
这两个简单的路径模型哪个更好？我们可以运行卡方检验。
## Chi Square Difference Test## ## Df AIC BIC Chisq Chisq diff Df diff Pr(>Chisq) ## mod1fit 1 3786 3803 2.99 ## mod2fit 1 3981 3998 198.18 195 0<2e-16 ***## ---## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
可以看到模型2更好。让我们看一下模型2的一些属性。
# 拟合优度评价指标## fmin chisqdf pvalue ## 0.198 198.180 1.000 0.000 ## baseline.chisq baseline.df baseline.pvaluecfi ## 478.973 3.000 0.000 0.586 ##tli nnfirfinfi ## -0.243 -0.243 1.000 0.586 ## pnfiifirni logl ## 0.195 0.587 0.586 -1986.510 ## unrestricted.logl nparaicbic ## -1887.420 4.0003981.0203997.878 ## ntotal bic2 rmsea rmsea.ci.lower ## 500.0003985.182 0.628 0.556 ## rmsea.ci.upperrmsea.pvaluermr rmr_nomean ## 0.703 0.000 0.176 0.176 ## srmr srmr_nomean cn_05 cn_01 ## 0.176 0.176 10.692 17.740 ##gfi agfi pgfimfi ## 0.821 -0.075 0.137 0.821 ## ecvi ## 0.412
# 模型参数预测## lhs op rhs est sez pvalue ci.lower ci.upper## 1 DEP ~ ILL 0.330 0.042 7.8170 0.247 0.413## 2 ILL ~ IMM 0.600 0.036 16.7710 0.530 0.670## 3 DEP ~~ DEP 0.889 0.056 15.8110 0.779 1.000## 4 ILL ~~ ILL 0.639 0.040 15.8110 0.560 0.718## 5 IMM ~~ IMM 0.998 0.000NANA 0.998 0.998
# 修改指标## lhs op rhs mi epc sepc.lv sepc.all sepc.nox## 1 DEP ~~ DEP 0.0 0.000 0.000 0.000 0.000## 2 DEP ~~ ILL 163.6 -0.719 -0.719 -0.720 -0.720## 3 DEP ~~ IMM 163.6 0.674 0.674 0.675 0.674## 4 ILL ~~ ILL 0.0 0.000 0.000 0.000 0.000## 5 ILL ~~ IMM NANANA NA NA## 6 IMM ~~ IMM 0.0 0.000 0.000 0.000 0.000## 7 DEP ~ ILL 0.0 0.000 0.000 0.000 0.000## 8 DEP ~ IMM 163.6 0.675 0.675 0.675 0.676## 9 ILL ~ DEP 163.6 -0.808 -0.808 -0.808 -0.808## 10 ILL ~ IMM 0.0 0.000 0.000 0.000 0.000## 11 IMM ~ DEP 143.8 0.666 0.666 0.666 0.666## 12 IMM ~ ILL 0.0 0.000 0.000 0.000 0.000
非常感谢您阅读本文，有任何问题请在下面留言！
最受欢迎的见解
1.R语言多元Logistic逻辑回归 应用案例
2.面板平滑转移回归(PSTR)分析案例实现
3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）
4.R语言泊松Poisson回归模型分析案例
5.R语言回归中的Hosmer-Lemeshow拟合优度检验
6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现
7.在R语言中实现Logistic逻辑回归
8.python用线性回归预测股票价格
9.R语言如何在生存分析与Cox回归中计算IDI，NRI指标
