为什么路径分析在使用综合评分时失败?

Question

我试图使用lavaan对阅读评估数据(没有潜在变量)进行路径分析，并且它通常会失败，出现以下错误:

In lav_model_estimate(lavmodel = lavmodel, lavpartable = lavpartable,  :
lavaan WARNING: the optimizer warns that a solution has NOT been found

虽然数据相对较大，但我已经发现问题的根源是模型的这一部分:reading ~ a + b + c

a、b和c的得分都在0-30分之间，基本上是3组不同的词。"阅读"是一个基本的综合分数(即，对每个孩子来说，"阅读"是将a+b+c加在一起)。

删除a, b或c中的任何一个都会产生"成功"的结果，所以我被引导相信模型中有太多的信息?

a、b和c之间的相关性并不特别异常，在0.3到0.37之间。

是否有任何原因导致路径分析会因为使用这样的合成分数而失败，即使分数内部存在变化?

Answer 1

经过一番评论，我想我明白你想要什么了。我的建议是假设阅读作为一个潜在变量(这在文献中很常见)，运行多组验证性因素分析，以测试组间的潜在差异。

model <- "reading =~ a + b + c"
semTools::measurementInvariance(model=model, data=df, group="variable of grouping")

如果测量不变性成立，你的组在拟合方面没有差异。如果没有，您可以调查它失败的地方(使用Δχ²标准或ΔCFI标准或其他标准)。

的例子:

HS.model <- ' visual  =~ x1 + x2 + x3'
semTools::measurementInvariance(model=HS.model, data=HolzingerSwineford1939,group="school")

或者，对于semTools，您可以使用lavaan函数:

library(lavaan)
fit <- cfa(model=model, data=HolzingerSwineford1939, group="school", group.equal=c("loadings")) #then if it holds, group.equal=c("loadings", "intercepts"))

如果您想针对特定参数具体比较两组:

model_free <- "visual  =~ x1 + c(l1,l2)*x2 + x3"
fit_model_free <- cfa(model=model_free, data=HolzingerSwineford1939, group="school")
model_equal <- "visual  =~ x1 + c(l3,l3)*x2 + x3"
fit_model_equal <- cfa(model=model_equal, data=HolzingerSwineford1939, group="school")
lavaan::anova(fit_model_free, fit_model_equal) #LRT test

如果模型不同，则意味着一组中的一种加载与另一组的加载存在统计学上的显著差异。

在这个例子中，no:

(¬_¬)lavaan::anova(fit_model_free, fit_model_equal)
Chi-Squared Difference Test
Df    AIC    BIC  Chisq Chisq diff Df diff Pr(>Chisq)
fit_model_free   0 2718.0 2784.8 0.0000                              
fit_model_equal  1 2716.2 2779.3 0.2078    0.20782       1     0.6485