Переменные:
Y1 = переменная результата 1 (оценка наблюдателей)
Y2 = переменная результата 2 (самооценка версии Y1, сообщеннаяучастник)
X1 = двоичная переменная предиктора, представляющая положительное экспериментальное лечение (положительное в том смысле, что предполагается, что оно положительно связано с Y1 и Y2). 0 = контрольное состояние и 1 = условие лечения.
X2 = двоичная переменная предиктора, представляющая отрицательное экспериментальное лечение (отрицательное в том смысле, что предполагается, что оно отрицательно связано с Y1 и Y2). 0 = состояние контроля и 1 = состояние лечения. X1 и X2 являются теоретическими антиподами друг друга (X1 - «лекарство», а X2 - «яд») и имеют одинаковые условия контроля (таким образом, в этом эксперименте есть три условия).
CC = Aнепрерывный ковариат.
Проблемы:
У меня проблема с пропущенными случайными числами (MAR), и поэтому мне необходимо использовать оценку максимального правдоподобия. Поэтому я использую моделирование структурных уравнений с пакетом lavaan.
Вопросы для критических исследований:
1a) Отличается ли отношение между X1 и Y1 от отношения? между X1 и Y2?
1b) Отличаются ли отношения между X2 и Y1 от отношений между X2 и Y2?
2a) Имеют ли X1 и X2 равные и противоположные отношения с Y1?
2b) Имеют ли X1 и X2 равные и противоположные отношения с Y2?
Где я до сих пор дошел:
Я использую SEM сlavaan пакет с кодом и данными, указанными ниже. Я кодировал основные пути, однако я застрял, пытаясь ответить на мои вопросы исследования выше. Любая помощь по этому вопросу будет принята с благодарностью.
Данные и код:
df <- structure(list(X1 = c(0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1,
1, 0, 1, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0,
1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1,
0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1,
0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0,
0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0,
0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1), X2 = c(0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0,
0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0,
1, 0, 0, 0, 1, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0,
1, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0), Y1 = c(3.53333333333333,
3.93333333333333, 3.86666666666667, 3.73333333333333, 3.26666666666667,
3.66666666666667, 2.73333333333333, 2.93333333333333, 3.7, 3.35,
4.13333333333333, 3.46666666666667, 3.93333333333333, 5, 3.3,
2.93333333333333, 3.6, 3.86666666666667, 3.6, 3.6, 3.4, 2.06666666666667,
2.4, NA, 1.6, 1.46666666666667, 4, 3.86666666666667, 4.13333333333333,
3.3, 4.3, 3.13333333333333, 3.86666666666667, 3.66666666666667,
4.26666666666667, 2.6, 4.13333333333333, 2.4, 2.46666666666667,
4.13333333333333, 2.8, 3, 4.26666666666667, 4.4, 4, 3.6, 4.66666666666667,
3.8, 4.13333333333333, 3.2, 3.66666666666667, 1.5, 3.86666666666667,
3.66666666666667, 3.5, 3.33333333333333, 3.4, 4, 3.4, 4.5, 3.46666666666667,
3.86666666666667, 4.13333333333333, 2.4, 2.6, 2.2, 2.4, 2.46666666666667,
4, 1.4, 1.26666666666667, 3.66666666666667, 3.06666666666667,
4.13333333333333, 2.46666666666667, 1.26666666666667, 3.5, 3.46666666666667,
4.3, 4.4, 2.33333333333333, 2.6, 3.1, 2.66666666666667, 2.06666666666667,
3.8, 2.93333333333333, 4.5, 4.5, 4.3, 3.8, 3.8, 3.73333333333333,
4.4, 3.8, 2.53333333333333, 4.26666666666667, 2.6, 3.93333333333333,
2.53333333333333, 2.93333333333333, 4.4, 5, 3.6, 2.26666666666667,
3.7, 3.93333333333333, 3.66666666666667, 4.33333333333333, 1.66666666666667,
3.8, 3.7, 4.66666666666667, 2.93333333333333, 3.66666666666667,
3.93333333333333, 1.8, 3.8, 3.73333333333333, 3.53333333333333,
2, 4, 3.8, 1.4, 2.6, 3.2, 1, 2.93333333333333, 4, 4.13333333333333,
4.2, 4.66666666666667, 3.4, 3.93333333333333, 3.6, 1, 3.4, 3.86666666666667,
3.2, 3.26666666666667, 4.66666666666667, 4.13333333333333, 3.6,
3.86666666666667, 3.2, 3.2, 2.8, 3.6, 1.8, 3.53333333333333),
Y2 = c(2.6, 3.6, 3.2, 3.2, 3, 3.4, NA, NA, NA, 1, 2.8, 3,
5, 4.2, NA, NA, 3.2, 3.8, 3, 3.4, 3.4, 3.6, 2.6, NA, 1.6,
1.8, NA, 4, 5, NA, 4, 3.4, 4, 3.4, 4, 3.2, 4.2, 1.4, 2.4,
5, 4, 3.6, 3.8, 3.6, NA, 3.8, 3.2, 4, 5, 3.4, 2.6, 1.6, 4,
3.8, 3.8, 3.4, 3.2, 2.2, 4.2, 3.6, 4.4, 4, 2.8, 2.6, 3, 2.6,
1.4, 3.6, 3.4, NA, 1, 2.6, 1.2, 2.8, 1, 1, 4.2, 3, 3.5, 3.6,
2.2, 3, 4, 2.6, 3.6, 4.6, 2, 3.6, 4.8, 3.5, 4.6, 4.5, 4,
4.6, 3.4, 3, 4, 2.6, 4.2, 3, NA, 4.6, 4.2, 4, 2.6, 3.4, 2.4,
4.4, NA, 2, 3.4, NA, 3.2, 2, 3.6, 4.2, 1.4, 3.4, 3.2, 3.2,
NA, 2.2, 4, NA, NA, 2.6, NA, 2, 4.2, 5, 4, 4, 3.6, 3.8, NA,
NA, 4, 3.8, 3.6, 3, 4, 4.2, 3, 4, 3, 3.6, 1.4, 4, 2, 3.2),
CC = c(3, 2, 3.71428571428571, 2.85714285714286, 3.71428571428571,
4.57142857142857, 2.28571428571429, 3.42857142857143, 2.85714285714286,
3.42857142857143, 4.28571428571429, 3.14285714285714, 3.85714285714286,
3.85714285714286, 3, 3.42857142857143, 2.85714285714286,
3, 2.57142857142857, 4.57142857142857, 2.57142857142857,
3.14285714285714, 3, 3, 3.85714285714286, 3.42857142857143,
4.14285714285714, 3.85714285714286, 4.57142857142857, 3,
3.57142857142857, 3.71428571428571, 3.28571428571429, 4.57142857142857,
2.57142857142857, 3.42857142857143, 3.57142857142857, 3.14285714285714,
2, 4.57142857142857, 4.14285714285714, 3.14285714285714,
2.85714285714286, 3.71428571428571, 4.14285714285714, 3.28571428571429,
3.28571428571429, 2.28571428571429, 4.57142857142857, 2.14285714285714,
3.14285714285714, 3.14285714285714, 4.57142857142857, 1.85714285714286,
4.14285714285714, 4.66666666666667, 2.14285714285714, 4.57142857142857,
4.14285714285714, 3.85714285714286, 3.42857142857143, 4.57142857142857,
4.28571428571429, 3, 2.28571428571429, 2.42857142857143,
3.14285714285714, 4.28571428571429, 3.66666666666667, 2.71428571428571,
4.42857142857143, 3.14285714285714, 2.28571428571429, 4.28571428571429,
4, 4.42857142857143, 4, 3.14285714285714, 4, 3.71428571428571,
3.85714285714286, 2.28571428571429, 3.28571428571429, 2.85714285714286,
3.14285714285714, 3.85714285714286, 4.71428571428571, 3.85714285714286,
3.42857142857143, 4, 3.85714285714286, 2.85714285714286,
2.57142857142857, 3.42857142857143, 3.57142857142857, 3.71428571428571,
2.57142857142857, 3.71428571428571, 3.14285714285714, 3.28571428571429,
3.28571428571429, 3.42857142857143, 3.85714285714286, 4.42857142857143,
3.14285714285714, 3, 2, 3.28571428571429, 3.71428571428571,
2.33333333333333, 3.57142857142857, 1.71428571428571, 3.28571428571429,
4.71428571428571, 3.42857142857143, 3.14285714285714, 3.14285714285714,
3.42857142857143, 2.85714285714286, 2.71428571428571, 3.57142857142857,
4.57142857142857, 2.28571428571429, 2.71428571428571, 3.85714285714286,
3.71428571428571, 3.16666666666667, 4.71428571428571, 3,
4.57142857142857, 4.28571428571429, 2.71428571428571, 2.28571428571429,
2.57142857142857, 3, 3.16666666666667, 2.71428571428571,
3, 4.14285714285714, 3.85714285714286, 2.71428571428571,
3.71428571428571, 2.57142857142857, 4.57142857142857, 2.57142857142857,
4.14285714285714, 3.28571428571429, 4.42857142857143, 3.14285714285714,
2.71428571428571)), row.names = c(NA, -150L), class = "data.frame")
#Create SEM structure.
SEM.1 <- ' Y1 ~ X1 + X2 + CC
Y2 ~ X1 + X2 + CC
'
#Run SEM model.
SEM.fit <- sem(SEM.1, data=df)
summary(SEM.fit, standardized=TRUE, fit.measures=TRUE, rsq=TRUE)