为什么在使用综合分数时路径分析会失败？

Question

我正在尝试使用 lavaan 到运行阅读评估数据（无潜在变量）的路径分析，但通常失败并出现以下错误：

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

虽然数据比较大，但我看出问题的根源是模型的这一部分：reading ~ a + b + c

a、b和c都是0-30的分数，基本上是3组不同的词。 'reading' 是基本综合分数（即，对于每个 child，'reading' 加在一起 a+b+c）。

删除 a、b 或 c 中的任何一个都会产生 'successful' 结果，因此我相信模型中不知何故存在太多信息？

a、b 和 c 之间并没有特别不寻常的相关性 - 在 0.3 和 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综合分数而失败，即使分数内部存在差异？

Answer 1

经过一些评论，我想我明白你想要什么了。我的建议是假设阅读是一个潜在变量（在 literature 中很常见）一个运行多组验证性因素分析来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，则您的组在拟合方面没有差异。如果不是，您可以调查它失败的地方（使用 Δχ² 标准或 ΔCFI 标准或其他）。

示例：

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专门比较两组：

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个加载与另一组的加载在统计上存在显着差异。

在这个例子中，没有：

(¬_¬)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

为什么在使用综合分数时路径分析会失败？

Why does Path Analysis fail when using a composite score?

regression

composite

r-lavaan