У меня много проблем с одним набором данных, к которому я пытаюсь применить SEM.
Мы предполагаем наличие 5 скрытых факторов A, B, C, D, E с показателями соотв. A1 - A5 (упорядоченные факторы), B1 - B3 (количественные), C1, D1, E1 (все три последних упорядоченных фактора, всего 2 уровня для E1. Нас интересуют ковариации между всеми факторами.
Я пытался использовать OpenMx
для этого. Вот несколько моих попыток:
Сначала я попытался использовать матрицы порогов для всех упорядоченных факторов, но сходимость не удалась.
Я решил использовать полихорические / полисериальные корреляции вместо необработанных данных с функцией
hetcor
из библиотекиpolycor
(я планировал загрузить образец для получения доверительных интервалов). Это также не может сходиться!Я пытался ограничить лиц с полными данными, это тоже не удается!
Мой первый вопрос: есть ли естественный способ интерпретировать эти неудачи?
Мой второй вопрос: что мне делать ???
Редактировать: для будущих читателей, которые могут столкнуться с той же проблемой , после просмотра кода функций в polycor
... решение состоит в том, чтобы просто использовать hetcor()
опцию std.err=FALSE
. Это дает оценки, очень похожие на те, которые дал StasK. Мне не хватает времени, чтобы лучше понять, что здесь происходит! На приведенные ниже вопросы StasK очень хорошо ответил.
У меня есть другие вопросы, но прежде всего, вот URL с файлом RData, содержащим фрейм данных, L1
содержащий только полные данные: data_sem.RData
Здесь несколько строк кодов, показывающих сбой hetcor
.
> require("OpenMx")
> require("polycor")
> load("data_sem.RData")
> hetcor(L1)
Erreur dans cut.default(scale(x), c(-Inf, row.cuts, Inf)) :
'breaks' are not unique
De plus : Il y a eu 11 avis (utilisez warnings() pour les visionner)
> head(L1)
A1 A2 A3 A4 A5 B1 B2 B3 C1 D1 E1
1 4 5 4 5 7 -0.82759 0.01884 -3.34641 4 6 1
4 7 5 0 4 6 -0.18103 0.14364 0.35730 0 1 0
7 7 5 7 6 9 -0.61207 -0.18914 0.13943 0 0 0
10 5 5 10 7 3 -1.47414 0.10204 0.13943 2 0 0
11 7 5 8 9 9 -0.61207 0.06044 -0.73203 0 2 0
12 5 5 9 10 5 0.25000 -0.52192 1.44662 0 0 0
Но я все еще могу вычислить корреляцию или ковариационную матрицу очень грязным способом, рассматривая мои упорядоченные факторы как количественные переменные:
> Cor0 <- cor(data.frame(lapply(L1, as.numeric)))
Вот фрагмент OpenMx
кода вместе с моим следующим вопросом: правильна ли следующая модель? Не слишком много свободных параметров?
manif <- c("A1","A2","A3","A4","A5", "B1","B2","B3", "C1", "D1", "E1");
model1 <- mxModel(type="RAM",
manifestVars=manif, latentVars=c("A","B","C","D","E"),
# factor variance
mxPath(from=c("A","B","C","D","E"), arrows=2, free=FALSE, values = 1),
# factor covariance
mxPath(from="A", to="B", arrows=2, values=0.5),
mxPath(from="A", to="C", arrows=2, values=0.5),
mxPath(from="A", to="D", arrows=2, values=0.5),
mxPath(from="A", to="E", arrows=2, values=0.5),
mxPath(from="B", to="C", arrows=2, values=0.5),
mxPath(from="B", to="D", arrows=2, values=0.5),
mxPath(from="B", to="E", arrows=2, values=0.5),
mxPath(from="C", to="D", arrows=2, values=0.5),
mxPath(from="C", to="E", arrows=2, values=0.5),
mxPath(from="D", to="E", arrows=2, values=0.5),
# factors → manifest vars
mxPath(from="A", to=c("A1","A2","A3","A4","A5"), free=TRUE, values=1),
mxPath(from="B", to=c("B1","B2","B3"), free=TRUE, values=1),
mxPath(from="C", to=c("C1"), free=TRUE, values=1),
mxPath(from="D", to=c("D1"), free=TRUE, values=1),
mxPath(from="E", to=c("E1"), free=TRUE, values=1),
# error terms
mxPath(from=manif, arrows=2, values=1, free=TRUE),
# data
mxData(Cor0, type="cor",numObs=dim(L1)[1])
);
И последний вопрос. С помощью этой модели (давайте на минутку забудем, каким образом вычисляется корреляционная матрица), я запускаю OpenMx:
> mxRun(model1) -> fit1
Running untitled1
> summary(fit1)
среди резюме это:
observed statistics: 55
estimated parameters: 32
degrees of freedom: 23
-2 log likelihood: 543.5287
saturated -2 log likelihood: 476.945
number of observations: 62
chi-square: 66.58374
p: 4.048787e-06
Подгонка кажется очень плохой, несмотря на огромное количество параметров. Что это обозначает? Означает ли это, что мы должны добавить ковариации между переменными манифеста?
Заранее большое спасибо за все ваши ответы, я постепенно схожу с ума ...