确认性因素分析

加载数据

我们将使用例子中的相同数据

指定模型

'

f =~ x1 + x2 + x3 +x4 + x5
x1~~x1
x2~~x2
x3~~x3
x4~~x4
x5~~x5
'

拟合模型

sem(fit, simData)

Paths(fit)

anova

正如各模型的LRT所示，sem()和cfa()是具有相同默认值的软件包。CFA可以很容易地使用cfa()或sem()完成 结构方程模型

加载数据

在这种情况下，我将模拟数据。

#结构成分

y ~ .5\*f1 + .7\*f2 #用外部标准回归的强度

#测量部分

f1 =~ .8\*x1 + .6\*x2 + .7\*x3 + .8\*x4 + .75*x5 #定义因子f，在5个项目上的载荷。

x1 ~~ (1-.8^2)*x1 #残差。注意，通过使用1平方的载荷，我们实现了每个指标的总变异性为1.0（标准化）。

...

#生成数据；注意，标准化的lv是默认的

sim <- sim(tosim)

#看一下数据

describe(sim )

指定模型

测试正确的模型

#结构性
y ~ f1+ f2
#测量
f1 =~ x1 + x2 + x3 + x4 + x5
f2 =~ x6 + x7

测试不正确的模型。假设我们错误地认为X4和X5负载于因子2。

incorrect

#结构性
y ~ f1+ f2
#测量
f1 =~ x1 + x2 + x3
f2 =~ x6 + x7 + x4 + x5

拟合模型

正确的模型

summary(model_m)

不正确的模型

summary(incorrectmodel_m, fit.measures = TRUE)

比较模型

正确模型

不正确模型

Paths(incorrec)

anova

除了不正确模型的整体拟合指数较差--如CFI<0.95，RMSEA>0.06，SRMR>0.08和Chi-square test<0.05所示，正确模型也优于不正确模型，如正确模型的AIC和BIC低得多所示。