อะไรคือความแตกต่างระหว่างปัจจัย MIMIC และคอมโพสิตที่มีตัวบ่งชี้ (SEM)


10

ในการสร้างแบบจำลองสมการโครงสร้างที่มีตัวแปรแฝง (SEM), การสร้างแบบจำลองทั่วไปคือ "ตัวบ่งชี้หลาย, หลายสาเหตุ" (MIMIC) ที่ตัวแปรแฝงเกิดจากตัวแปรบางอย่างและสะท้อนให้เห็นโดยคนอื่น นี่คือตัวอย่างง่ายๆ: ป้อนคำอธิบายรูปภาพที่นี่

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

คำตอบ:


9

พวกเขาเป็นรูปแบบเดียวกัน

มันมีประโยชน์ที่จะสามารถกำหนดตัวแปรแฝงเป็นผลลัพธ์คอมโพสิตที่ตัวแปรนั้นมีเพียงตัวบ่งชี้รวม

หากคุณไม่มี:

f1 =~ y1 + y2 + y3

คุณไม่สามารถใส่:

f1 ~ x1 + x2 + x3

แต่คุณสามารถมี:

f1 <~ x1 + x2 + x3

ขอบคุณ! คุณอาจจะสามารถชี้แจงเหตุผลที่คุณไม่สามารถมีf1 ~ x1 + x2 + x3แต่คุณสามารถมีf1 <~ x1 + x2 + x3?
dmp

1
เนื่องจากในอินสแตนซ์แรก f1 ยังไม่ได้เป็นตัวแปรในโมเดลเนื่องจากมันแฝงอยู่คุณต้องกำหนดมัน
Jeremy Miles

1
หากคุณมีโมเดลดังกล่าวคุณต้องใช้เคล็ดลับเช่น f1 = ~ 0 * x1 เพื่อให้คุณมี var แฝงที่คุณสามารถใช้ใน f ~ x1 + x2 + x3
Jeremy Miles
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.