ในการสร้างแบบจำลองสมการโครงสร้างที่มีตัวแปรแฝง (SEM), การสร้างแบบจำลองทั่วไปคือ "ตัวบ่งชี้หลาย, หลายสาเหตุ" (MIMIC) ที่ตัวแปรแฝงเกิดจากตัวแปรบางอย่างและสะท้อนให้เห็นโดยคนอื่น นี่คือตัวอย่างง่ายๆ:
โดยพื้นฐานแล้วf1เป็นผลการถดถอยสำหรับx1, x2และx3, และy1, y2และเป็นตัวชี้วัดการวัดสำหรับy3f1
หนึ่งยังสามารถกำหนดตัวแปรแฝงคอมโพสิตที่ตัวแปรแฝงโดยทั่วไปจำนวนการรวมกันน้ำหนักของตัวแปรองค์ประกอบ
นี่คือคำถามของฉัน:มีความแตกต่างระหว่างการกำหนดf1เป็นผลการถดถอยและการกำหนดเป็นผลประกอบในแบบจำลอง MIMIC?
การทดสอบโดยใช้lavaanซอฟต์แวร์Rแสดงให้เห็นว่าค่าสัมประสิทธิ์เหมือนกัน:
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
'
# model 2 - seemingly the same (using the '<~' composite operator)
model2 <- '
f1 =~ y1 + y2 + y3
f1 <~ x1 + x2 + x3
'
# run lavaan
fit1 <- sem(model1, data=data, std.lv=TRUE)
fit2 <- sem(model2, data=data, std.lv=TRUE)
# test equality - only the operators are different
all.equal(parameterEstimates(fit1), parameterEstimates(fit2))
[1] "Component “op”: 3 string mismatches"
แบบจำลองทั้งสองนี้มีวิธีการทางคณิตศาสตร์เหมือนกันหรือไม่ ความเข้าใจของฉันคือสูตรการถดถอยใน SEM นั้นแตกต่างจากสูตรคอมโพสิตโดยสิ้นเชิง แต่การค้นพบนี้ดูเหมือนจะปฏิเสธความคิดนั้น ยิ่งไปกว่านั้นมันง่ายที่จะเกิดขึ้นกับแบบจำลองที่ตัว~ดำเนินการไม่สามารถใช้แทนกันได้กับตัว<~ดำเนินการ (เพื่อใช้lavaanไวยากรณ์ของ) โดยทั่วไปแล้วจะใช้หนึ่งผลลัพธ์แทนปัญหาการระบุรูปแบบโดยเฉพาะอย่างยิ่งเมื่อใช้ตัวแปรแฝงในสูตรที่ต่างกันของการถดถอย ดังนั้นพวกเขาจะใช้แทนกันได้เมื่อใดและเมื่อใด
ตำราของ Rex Kline (หลักการและการปฏิบัติของการสร้างแบบจำลองสมการโครงสร้าง) มีแนวโน้มที่จะพูดคุยเกี่ยวกับแบบจำลอง MIMIC พร้อมกับคำศัพท์ของคอมโพสิต แต่ Yves Rosseel ผู้เขียนlavaanใช้ตัวดำเนินการถดถอยอย่างชัดเจนในตัวอย่าง MIMIC ทั้งหมดที่ฉันเคยเห็น
ใครสามารถอธิบายปัญหานี้ได้หรือไม่
f1 ~ x1 + x2 + x3แต่คุณสามารถมีf1 <~ x1 + x2 + x3?