r - pls路径建模中的两步内生变量
问题描述
我正在研究一个 PLS-PM 模型，该模型基本上由 24 个李克特规模的问题 (1-5) 组成。我使用 6x4 问题（清单变量）来组成 4 个潜在结构/变量。
我需要帮助的地方是将模型转换为基本上两个步骤。所以我想要这些 24 MV -> 4 LV -> 1 LV。这意味着四个潜在构造构成了最终的潜在构造。
现在我确实有一个问题要探索这个最终的潜在变量，但我认为这不是基于数据收集过程的好衡量标准。所以我想知道是否有人在从 24 个清单变量到 4 个潜在变量的两步模型中有提示，然后将它们绑定到一个最终的潜在变量中。
我一直在使用以下数据：
> final_data[1:25,c(1:24,27)]
pu1 pu2 pu3 pu4 pu5 pu6 l1 l2 l3 l4 l5 l6 b1 b2 b3 b4 b5 b6 pe1 pe2 pe3 pe4 pe5 pe6 mean
1 3 1 1 1 1 2 3 1 4 4 1 1 5 1 5 5 5 1 4 3 1 2 1 3 1.000000
2 5 4 4 4 5 4 3 3 4 4 2 3 5 4 5 5 5 4 5 4 3 4 5 4 3.000000
3 4 3 4 3 4 4 4 4 4 5 4 4 3 3 5 5 4 4 4 4 3 4 4 4 4.000000
4 3 1 2 2 1 1 1 1 4 4 1 1 1 1 5 5 4 2 4 2 4 4 5 1 1.000000
5 4 3 3 2 4 3 3 2 4 3 2 3 3 2 5 5 4 4 4 3 2 2 3 2 4.000000
6 4 4 5 4 5 3 2 2 5 5 1 2 4 3 5 4 4 1 1 4 5 4 5 4 4.000000
7 4 4 5 4 5 3 4 4 4 5 4 4 4 3 4 4 5 4 3 4 5 5 4 3 4.000000
8 5 5 5 5 5 5 5 5 5 5 4 5 4 4 5 3 4 5 5 5 5 5 4 4 4.666667
9 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 4 5 4 5 5 4 4 4 4.750000
10 5 5 5 5 5 4 5 4 5 5 5 5 5 4 5 4 5 5 4 5 5 4 4 4 4.666667
11 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 4 5 4.916667
12 5 5 5 5 5 5 5 2 5 5 5 5 5 1 5 4 5 2 5 2 2 4 4 4 4.166667
13 5 4 4 5 5 3 5 3 5 5 5 5 4 4 5 5 4 5 4 5 5 4 4 4 4.458333
14 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5.000000
15 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 4 5 5 5 5 5 4 4 5 4.833333
16 5 4 5 4 5 4 4 4 5 5 5 5 4 4 5 5 5 5 5 5 4 4 4 4 4.541667
17 5 4 5 5 5 4 5 5 5 5 5 5 4 4 5 4 4 5 5 5 5 4 5 3 4.625000
18 5 5 5 4 5 4 5 5 4 4 4 5 5 5 5 5 5 4 5 5 5 5 5 5 4.750000
19 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5 5 5 5 5 5 5 4.958333
20 5 5 5 5 4 5 5 5 5 5 5 5 5 5 5 5 4 5 4 5 5 5 5 4 4.833333
21 5 5 5 4 5 5 5 4 5 5 4 5 5 3 3 4 5 5 5 4 3 4 2 4 4.333333
22 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 4.958333
23 5 4 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5 5 4.916667
24 5 5 5 5 5 5 5 4 5 5 4 5 5 4 5 4 5 4 5 5 5 4 2 4 4.583333
25 5 5 5 5 5 4 4 4 5 5 4 4 4 5 5 5 5 4 4 5 5 5 4 1 4.458333
然后将这些数据实现到 PLS-PM ( plspm-package) 框架中，如下所示：
PU = c(0,0,0,0,0)
LE = c(0,0,0,0,0)
BE = c(0,0,0,0,0)
PE = c(0,0,0,0,0)
ME = c(1,1,1,1,0)
#Setup matrix for latent variable relations
LVrelations = rbind(PU, LE, BE, PE, ME)
colnames(LVrelations) = rownames(LVrelations)
#Plots inner-relations
innerplot(LVrelations)
#5x reflective measurement
modes = rep("A", 5)
#Setting variable blocks, notice 27 is the "mean"-variable which is the poor variable measuring the final construct.
blocks = list(1:6, 7:12, 13:18, 19:24, 27)
#Estimating the model
PLS_model <- plspm(final_data, LVrelations, blocks, modes, scheme = "path", maxiter=1500, scaled=TRUE, boot.val = TRUE, br=1500)
我已经编写了自己的函数来评估 PLS_model 太长，无法在这里分享，但是结果是这样的：
[1] "Direct, indirect and total effects"
relationships direct indirect total
1 PU -> LE 0.00000000 0 0.00000000
2 PU -> BE 0.00000000 0 0.00000000
3 PU -> PE 0.00000000 0 0.00000000
4 PU -> ME 0.26029732 0 0.26029732
5 LE -> BE 0.00000000 0 0.00000000
6 LE -> PE 0.00000000 0 0.00000000
7 LE -> ME 0.11416094 0 0.11416094
8 BE -> PE 0.00000000 0 0.00000000
9 BE -> ME -0.02222281 0 -0.02222281
10 PE -> ME 0.23629727 0 0.23629727
[1] "t-statistics, direct effects"
relation t_stat
1 PU -> ME 6.6446977
2 LE -> ME 2.3766199
3 BE -> ME -0.5374817
4 PE -> ME 5.2979664
[1] "Variance inflation factor of inner model"
PU LE BE PE ME
PU NA NA NA NA 2.141610
LE NA NA NA NA 3.045052
BE NA NA NA NA 2.291925
PE NA NA NA NA 2.725954
ME NA NA NA NA NA
[1] "R-squared and adjusted R-squared"
R2 R2_adjusted
ME 0.2777126 0.275309
[1] "Cronbach's Alpha"
Mode MVs C.alpha
PU A 6 0.8426835
LE A 6 0.8794236
BE A 6 0.7671871
PE A 6 0.8294771
ME A 1 1.0000000
[1] "Composite reliability"
PU LE BE PE ME
0.8837459 0.9090349 0.8329927 0.8759110 1.0000000
[1] "Indicator reliability"
name block weight loading communality redundancy
1 pu1 PU 0.1938794 0.7182937 0.5159458 0.0000000
2 pu2 PU 0.2046544 0.7470764 0.5581231 0.0000000
3 pu3 PU 0.1990088 0.7244267 0.5247941 0.0000000
4 pu4 PU 0.2539747 0.8019106 0.6430606 0.0000000
5 pu5 PU 0.2220430 0.7671911 0.5885822 0.0000000
6 pu6 PU 0.2617321 0.7246473 0.5251137 0.0000000
7 le1 LE 0.2128978 0.8269111 0.6837819 0.0000000
8 le2 LE 0.1981114 0.7828992 0.6129312 0.0000000
9 le3 LE 0.2298751 0.7911923 0.6259853 0.0000000
10 le4 LE 0.2033111 0.7153712 0.5117560 0.0000000
11 le5 LE 0.2109253 0.7746310 0.6000532 0.0000000
12 le6 LE 0.2101641 0.8476404 0.7184942 0.0000000
13 be1 BE 0.2574370 0.6270682 0.3932146 0.0000000
14 be2 BE 0.2936648 0.7885895 0.6218735 0.0000000
15 be3 BE 0.1533256 0.6080632 0.3697409 0.0000000
16 be4 BE 0.1793657 0.6134899 0.3763699 0.0000000
17 be5 BE 0.2375959 0.6569192 0.4315428 0.0000000
18 be6 BE 0.3351070 0.7389770 0.5460870 0.0000000
19 pe1 PE 0.2287496 0.7023633 0.4933142 0.0000000
20 pe2 PE 0.2262582 0.7476057 0.5589143 0.0000000
21 pe3 PE 0.2080842 0.7883581 0.6215085 0.0000000
22 pe4 PE 0.2109486 0.7795138 0.6076418 0.0000000
23 pe5 PE 0.2092970 0.6200713 0.3844884 0.0000000
24 pe6 PE 0.2766866 0.7659262 0.5866430 0.0000000
25 me ME 1.0000000 1.0000000 1.0000000 0.2777126
[1] "Average variance extracted"
PU LE BE PE ME
0.5592699 0.6255003 0.4564714 0.5420850 1.0000000
[1] "Crossloadings"
PU LE BE PE ME
pu1 0.7182937 0.4740919 0.5019332 0.4212669 0.3048368
pu2 0.7470764 0.4713881 0.4412945 0.4112974 0.3217783
pu3 0.7244267 0.4963263 0.3534509 0.3733541 0.3129018
pu4 0.8019106 0.6356893 0.4800599 0.5243851 0.3993246
pu5 0.7671911 0.5200129 0.4213866 0.4327829 0.3491184
pu6 0.7246473 0.5460723 0.4918347 0.5710920 0.4115217
le1 0.5295208 0.8269111 0.4988158 0.6341754 0.3657379
le2 0.4893480 0.7828992 0.5355171 0.5856899 0.3403363
le3 0.6409018 0.7911923 0.5654582 0.5512458 0.3949033
le4 0.5745862 0.7153712 0.5803313 0.5586707 0.3492690
le5 0.5917927 0.7746310 0.5089028 0.5605156 0.3623493
le6 0.5155499 0.8476404 0.5387079 0.6500480 0.3610417
be1 0.4505560 0.3746048 0.6270682 0.3876584 0.2585820
be2 0.4517577 0.5858064 0.7885895 0.6276892 0.2949710
be3 0.2803852 0.2936021 0.6080632 0.3441233 0.1540076
be4 0.2439570 0.2651536 0.6134899 0.3213790 0.1801635
be5 0.4694008 0.4376785 0.6569192 0.4301406 0.2386527
be6 0.4632986 0.6439263 0.7389770 0.6187337 0.3365975
pe1 0.4943974 0.4817419 0.4814805 0.7023633 0.3426968
pe2 0.4362848 0.6208939 0.6363285 0.7476057 0.3389643
pe3 0.4299922 0.6509659 0.5679284 0.7883581 0.3117373
pe4 0.4214533 0.5698984 0.6245779 0.7795138 0.3160285
pe5 0.3981441 0.4525262 0.3289225 0.6200713 0.3135542
pe6 0.5254448 0.5245059 0.4741486 0.7659262 0.4145126
me 0.4738712 0.4593846 0.3786187 0.4669346 1.0000000
所以令我困惑的是我如何将这些结果转换为对“ME”变量的实际估计，或者我是否可以在利用这 4 个潜在构造（PU、LE、BE 和体育）。
所以基本上我感兴趣的是关于如何使用这些数据为最终的 ME 变量创建度量的想法，并且通过 plspm 框架有一种不同的方法，它比使用差的 MV 度量更好（ '我' - 变量）。
我查看了 Gaston Sanchez 的 pls-pm 包指南，链接在第 143-148 页，讨论了两步过程，但似乎清单变量与基于潜在变量解释的最终变量相关联.
解决方案
推荐阅读
- reactjs - 通过 react-redux 调度组件
- django - 通过登录的用户授权不起作用
- javascript - React-Spring在框悬停时淡出2个按钮
- .net-core - Swagger 问题：只有一个 .json 文件是默认版本的生成器
- vuetify.js - 如何选择使 v-textfield 只读？
- python-3.x - 使用 glob 遍历目录中的文件以选择正确的扩展名？
- javascript - 如何编辑我的 js 应用程序以包含多个产品部分？
- reactjs - 从 Dispatch 返回响应
- reactjs - 在 NextJS 中静态渲染后执行客户端 DOM 操作
- kotlin - 如何使用 getItemViewType 按标题和子项插入项目