如何手动计算拟合值以复制 lavPredict() 生成的值
How to manually compute fitted values to replicate those produced by lavPredict()
我需要在 R 中手动预测增长模型的拟合值...
我知道我可以使用 lavPredict(fit, type="yhat") 但我想 report/explain 我的论文中这些值是如何计算的。增长模型中的哪些参数包含在拟合值的计算中？
感谢您的帮助！
我希望这个问题更适合发布在 CrossValidated 上，它是关于统计而不是一般编程的。
lavPredict(fit, type="yhat")
请注意，这些不是生长因子分数，它们是由 lavPredict(fit, type="lv") 返回的 MLM 中的随机效应。这些是每个单独主题的期望值（条件期望，给定因子分数）。这些是指标截距（$\nu$，在 LGCM 中固定为零）、因子得分（$\eta_i$）和因子载荷（$\Lambda$）的函数；期望值的残差被省略，但回归方程看起来是一样的。
$$ \hat{y}_i = \nu + eta_i 拉姆达 $$
请注意，如果有什么可以预测增长因素，那么这些因素也有一个可以代入上述等式的回归模型：
$$ \eta_i = \alpha + X_i B $$
其中 B 是“Beta”路径，$\alpha$ 是因子截距向量，$X_i$ 是主题 i 的预测变量值（实际上，它们也包含在 $eta$ 中；甚至观察到的预测因子也会在内部“提升”为单一指标因素）。
或者，lavInspect(fit, "mean.ov") 为您提供观察变量的边际 均值（预期值），解释为具有平均因子得分（平均潜在风险）的人的预期值截距和斜率）。这就是你想要的吗？
any SEM 的边际均值是指标截距（$\nu$，在 LGCM 中固定为零）、因子截距（$\alpha$）的函数)、因子载荷 ($\Lambda$) 和潜在回归（Beta，如果有的话）。如果任何观察到的变量预测增长因素，请将它们视为单一指标因素（这就是 lavaan 在背景中对待它们的方式）。您可以使用
保存参数矩阵集
EST <- lavInspect(fit, "est")
它是一个列表，因此您可以使用 EST$lambda 等提取每个矩阵
然后使用以下公式计算模型隐含边际均值：
$$\mu = \nu + \Lambda (I - B)^{-1} \alpha$$
其中 $I$ 是与 Beta 具有相同维度的单位矩阵。
这些估计值也可用于计算条件均值，但您必须选择一种可用的方法来估计因子得分，并将它们保存在 lavPredict()。
我需要在 R 中手动预测增长模型的拟合值...
我知道我可以使用 lavPredict(fit, type="yhat") 但我想 report/explain 我的论文中这些值是如何计算的。增长模型中的哪些参数包含在拟合值的计算中？
感谢您的帮助！
我希望这个问题更适合发布在 CrossValidated 上，它是关于统计而不是一般编程的。
lavPredict(fit, type="yhat")
请注意，这些不是生长因子分数，它们是由 lavPredict(fit, type="lv") 返回的 MLM 中的随机效应。这些是每个单独主题的期望值（条件期望，给定因子分数）。这些是指标截距（$\nu$，在 LGCM 中固定为零）、因子得分（$\eta_i$）和因子载荷（$\Lambda$）的函数；期望值的残差被省略，但回归方程看起来是一样的。
$$ \hat{y}_i = \nu + eta_i 拉姆达 $$
请注意，如果有什么可以预测增长因素，那么这些因素也有一个可以代入上述等式的回归模型：
$$ \eta_i = \alpha + X_i B $$
其中 B 是“Beta”路径，$\alpha$ 是因子截距向量，$X_i$ 是主题 i 的预测变量值（实际上，它们也包含在 $eta$ 中；甚至观察到的预测因子也会在内部“提升”为单一指标因素）。
或者，lavInspect(fit, "mean.ov") 为您提供观察变量的边际 均值（预期值），解释为具有平均因子得分（平均潜在风险）的人的预期值截距和斜率）。这就是你想要的吗？
any SEM 的边际均值是指标截距（$\nu$，在 LGCM 中固定为零）、因子截距（$\alpha$）的函数)、因子载荷 ($\Lambda$) 和潜在回归（Beta，如果有的话）。如果任何观察到的变量预测增长因素，请将它们视为单一指标因素（这就是 lavaan 在背景中对待它们的方式）。您可以使用
EST <- lavInspect(fit, "est")
它是一个列表，因此您可以使用 EST$lambda 等提取每个矩阵
然后使用以下公式计算模型隐含边际均值：
$$\mu = \nu + \Lambda (I - B)^{-1} \alpha$$
其中 $I$ 是与 Beta 具有相同维度的单位矩阵。
这些估计值也可用于计算条件均值，但您必须选择一种可用的方法来估计因子得分，并将它们保存在 lavPredict()。