У мене багато проблем з одним набором даних, до якого я намагаюся застосувати SEM.
Ми припускаємо існування 5 прихованих факторів A, B, C, D, E з показниками, відповідно. Від А1 до А5 (упорядковані фактори), від B1 до B3 (кількісні), C1, D1, E1 (всі три останні впорядковані фактори, лише 2 рівня для E1. Нас цікавлять коваріації між усіма чинниками.
Я намагався використати OpenMxдля цього. Ось кілька моїх спроб:
Я спершу спробував використати порогові матриці для всіх упорядкованих факторів, але конвергенція не вдалася.
Я вирішив використовувати поліхорні / полісеріальні кореляції замість необроблених даних з функцією
hetcorбібліотекиpolycor(я планував завантажувати зразок, щоб отримати інтервали довіри). Він також не вдається конвергувати!Я намагався обмежити людей повними даними, це теж не вдається!
Перше моє запитання: чи існує природний спосіб інтерпретувати ці невдачі?
Друге моє запитання: що мені робити ???
Редагувати: для майбутніх читачів, які можуть зіткнутися з тією ж проблемою , переглянувши код функцій в polycor... рішення просто використовувати hetcor()з опцією std.err=FALSE. Це дає оцінки, дуже схожі на ті, що дав Стаск. Зараз мені не вистачає часу, щоб краще зрозуміти, що тут відбувається! На запитання нижче відповів StasK.
У мене є інші запитання, але перш ніж все, ось тут URL з файлом RData, що містить кадр даних, L1що містить лише повні дані: data_sem.RData
Ось кілька рядків кодів, що показують збій 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
Але я все ще можу обчислити кореляцію або коваріаційну матрицю дуже брудно, розглядаючи впорядковані фактори як кількісні змінні:
> Cor0 <- cor(data.frame(lapply(L1, as.numeric)))Ось фрагмент OpenMxкоду разом із моїм наступним питанням: чи правильна наступна модель? Не надто багато вільних параметрів?
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])
);
І останнє питання. З цією моделлю (забудемо на мить невідповідний спосіб обчислення матриці кореляції), я запускаю OpenMx:
> mxRun(model1) -> fit1
Running untitled1
> summary(fit1)
серед резюме, це:
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
Підгонка здається дуже поганою, незважаючи на величезну кількість параметрів. Що це означає? Чи означає це, що нам слід додати коваріації між маніфестовими змінними?
Заздалегідь дякую за всі ваші відповіді, я повільно стаю божевільним ...