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。
