Items nach Faktorladung sortieren lassen

Allgemeine Statistik mit R, die Test-Methode ist noch nicht bekannt, ich habe noch keinen Plan!

Moderatoren: EDi, jogo

Antworten
electricEH
Beiträge: 19
Registriert: Sa Mär 16, 2019 11:46 am

Items nach Faktorladung sortieren lassen

Beitrag von electricEH »

Hallo zusammen,

ich habe verschiedene Fragebögen, die sich jeweils aus verschiedenen Items zusammensetzen. Ich muss jetzt "Parcels" bilden abhängig von der Faktorladung. Ich kann ja mit der summary-funktion die Faktorladungen der einzelnen Items anschauen (liege ich richtig, dass die Faktorladungen die Zahlen bei "Latent Variables" und "Estimate" sind?), aber hat jemand von euch eine Idee, wie ich die Items gleich so ordnen kann, dass ich sehe welches Item die größte Faktorladung usw. hat?

Momentan sieht das z.B. so aus:

Code: Alles auswählen

modelmbi <- '
mbi =~ mbi1+mbi2+mbi3+mbi4+mbi5+mbi6+mbi7+mbi8+mbi9+mbi10+mbi11+mbi12+mbi13+mbi14+mbi15+mbi16+mbi17+mbi18+mbi19+mbi20+mbi21+mbi22
'
fitmbi <- sem(model=modelmbi, data= data_eh)
summary(fitmbi, standardized=T, fit.measures=T)
und im Output dann so:

Code: Alles auswählen

lavaan 0.6-3 ended normally after 32 iterations

  Optimization method                           NLMINB
  Number of free parameters                         44

                                                  Used       Total
  Number of observations                           197         200

  Estimator                                         ML
  Model Fit Test Statistic                     879.301
  Degrees of freedom                               209
  P-value (Chi-square)                           0.000

Model test baseline model:

  Minimum Function Test Statistic             1846.893
  Degrees of freedom                               231
  P-value                                        0.000

User model versus baseline model:

  Comparative Fit Index (CFI)                    0.585
  Tucker-Lewis Index (TLI)                       0.542

Loglikelihood and Information Criteria:

  Loglikelihood user model (H0)              -7481.304
  Loglikelihood unrestricted model (H1)      -7041.653

  Number of free parameters                         44
  Akaike (AIC)                               15050.607
  Bayesian (BIC)                             15195.068
  Sample-size adjusted Bayesian (BIC)        15055.678

Root Mean Square Error of Approximation:

  RMSEA                                          0.128
  90 Percent Confidence Interval          0.119  0.136
  P-value RMSEA <= 0.05                          0.000

Standardized Root Mean Square Residual:

  SRMR                                           0.122

Parameter Estimates:

  Information                                 Expected
  Information saturated (h1) model          Structured
  Standard Errors                             Standard

Latent Variables:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  mbi =~                                                                
    mbi1              1.000                               1.248    0.757
    mbi2              0.939    0.089   10.574    0.000    1.171    0.738
    mbi3              0.992    0.100    9.895    0.000    1.239    0.695
    mbi4             -0.105    0.080   -1.314    0.189   -0.131   -0.098
    mbi5              0.414    0.076    5.449    0.000    0.516    0.398
    mbi6              0.636    0.097    6.535    0.000    0.793    0.473
    mbi7              0.038    0.079    0.485    0.628    0.048    0.036
    mbi8              1.189    0.092   12.872    0.000    1.484    0.878
    mbi9              0.027    0.105    0.256    0.798    0.034    0.019
    mbi10             0.716    0.093    7.731    0.000    0.893    0.555
    mbi11             0.645    0.089    7.252    0.000    0.804    0.522
    mbi12             0.505    0.078    6.482    0.000    0.630    0.470
    mbi13             0.971    0.088   11.025    0.000    1.212    0.765
    mbi14             0.499    0.101    4.926    0.000    0.623    0.361
    mbi15             0.300    0.083    3.630    0.000    0.374    0.268
    mbi16             0.657    0.088    7.453    0.000    0.821    0.536
    mbi17             0.434    0.083    5.258    0.000    0.542    0.384
    mbi18             0.258    0.085    3.031    0.002    0.322    0.224
    mbi19             0.298    0.081    3.671    0.000    0.372    0.271
    mbi20             0.556    0.084    6.598    0.000    0.694    0.478
    mbi21             0.405    0.080    5.056    0.000    0.506    0.370
    mbi22             0.530    0.101    5.251    0.000    0.661    0.384

Variances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .mbi1              1.162    0.133    8.742    0.000    1.162    0.427
   .mbi2              1.149    0.130    8.872    0.000    1.149    0.456
   .mbi3              1.639    0.180    9.102    0.000    1.639    0.516
   .mbi4              1.792    0.181    9.916    0.000    1.792    0.990
   .mbi5              1.418    0.145    9.761    0.000    1.418    0.842
   .mbi6              2.179    0.225    9.672    0.000    2.179    0.776
   .mbi7              1.777    0.179    9.924    0.000    1.777    0.999
   .mbi8              0.655    0.094    6.960    0.000    0.655    0.229
   .mbi9              3.092    0.312    9.924    0.000    3.092    1.000
   .mbi10             1.796    0.188    9.536    0.000    1.796    0.692
   .mbi11             1.724    0.180    9.597    0.000    1.724    0.727
   .mbi12             1.403    0.145    9.678    0.000    1.403    0.779
   .mbi13             1.039    0.120    8.675    0.000    1.039    0.414
   .mbi14             2.596    0.265    9.794    0.000    2.596    0.870
   .mbi15             1.816    0.184    9.858    0.000    1.816    0.928
   .mbi16             1.670    0.175    9.572    0.000    1.670    0.713
   .mbi17             1.693    0.173    9.774    0.000    1.693    0.852
   .mbi18             1.958    0.198    9.879    0.000    1.958    0.950
   .mbi19             1.756    0.178    9.856    0.000    1.756    0.927
   .mbi20             1.628    0.168    9.666    0.000    1.628    0.772
   .mbi21             1.612    0.165    9.786    0.000    1.612    0.863
   .mbi22             2.532    0.259    9.774    0.000    2.532    0.853
    mbi               1.558    0.256    6.093    0.000    1.000    1.000
Moderatoreingriff: quote-Tags durch Code-Tags ersetzt, bigben
electricEH
Beiträge: 19
Registriert: Sa Mär 16, 2019 11:46 am

Re: Items nach Faktorladung sortieren lassen

Beitrag von electricEH »

Ich habe die Idee, dass ich den R-Output (also die Estimate-Spalte bei latent variables) irgendwie in einen Vektor umwandeln könnte und diesen dann mit arrange() oder sort() sortieren könnte. Jetzt weiß ich nur nicht, wie ich diesen Vektor erzeugen kann. Kann mir da jemand helfen?
bigben
Beiträge: 2771
Registriert: Mi Okt 12, 2016 9:09 am

Re: Items nach Faktorladung sortieren lassen

Beitrag von bigben »

Hallo electricEH,

ich kenne mich mit lavaan gar nicht aus, würde aber erwarten, dass ein solcher Vecotr im Modell schon enthalten ist.

Wenn Du mal

Code: Alles auswählen

str(fitmbi)
eingibst, erhälst Du eine wahrscheinlich erstmal unübersichtlich anmutende Darstellung, welche Werte alle von Modell ausgegeben werden. Irgendwo darin findet sich bestimmt ein Dataframe der einen Vector mit den Ladungen enthält. Den gilt es zu finden und den kann man dann bestimmt aus dem Modell herauskopieren und sortieren.

LG,
Bernhard
---
Programmiere stets so, dass die Maxime Deines Programmierstils Grundlage allgemeiner Gesetzgebung sein könnte
electricEH
Beiträge: 19
Registriert: Sa Mär 16, 2019 11:46 am

Re: Items nach Faktorladung sortieren lassen

Beitrag von electricEH »

Danke für den Tip, ich wusste allerdings nicht, wie ich dann an die einzelnen Variablen rankomme.

Habe aber eine andere Lösung gefunden:
fitmbioutput <- parameterEstimates(fitmbi, standardized=TRUE)
Damit kann man den Output als eigenen dataframe extrahieren. Wenn ich mir dann die Tabelle anschaue, kann ich einfach auf die Spalte mit den standardisierten Ladungen klicken und sie werden automatisch nach der Größe geordnet. Alternativ geht dafür auch die sort()-Funktion.
Antworten