Syntax für linearen Slope?

[Stachelbeere]

Hallo zusammen,

ich möchte LGC- Modelle mit (Interceptfaktor und) quadratischem Slope aufstellen und diese im Anschluss mit LGC-Modellen mit linearem Slope vergleichen.
Leider scheitert es an der Umsetzung einer Syntax für den quadratischen Slope mit den entsprechenden Beladungen 0, 1 und 4.
Für einen linearen Slopefaktor lautet die Syntax wie folgt: eta_2 =~ 0*t1b_g+ 1*t2b_g+ 2*t3b_g
Wie erstelle ich die Synatax für den quadratischen Slope (y = x + x²) ?

LG

[jogo]

Hallo Stachelbeere,

meinst Du sowas:

Code: Alles auswählen

lm(y ~ x + I(x*x))

Gruß, Jörg

Hallo zusammen,

ich möchte LGC- Modelle mit (Interceptfaktor und) quadratischem Slope aufstellen und diese im Anschluss mit LGC-Modellen mit linearem Slope vergleichen.
Leider scheitert es an der Umsetzung einer Syntax für den quadratischen Slope mit den entsprechenden Beladungen 0, 1 und 4.
Für einen linearen Slopefaktor lautet die Syntax wie folgt: eta_2 =~ 0*t1b_g+ 1*t2b_g+ 2*t3b_g
Wie erstelle ich die Synatax für den quadratischen Slope (y = x + x²) ?

LG

[Stachelbeere]

Hallo Jörg,

ich bin mir leider nicht sicher, welche Formel nun richtig ist.
Habe gedacht, dass der quadratische Slope mit den Beladungen genau wie bei dem linearen Slope funktioniert, dem ist jedoch nicht so.
Weißt Du wie ich die Syntax erstellen kann?
Habe Probleme bei der Umsetzung dieser Formel in R.

LG

[Athomas]

Wie erstelle ich die Synatax für den quadratischen Slope (y = x + x²) ?

Zwei semantische und ein Schreibfehler in einem kurzen Satz - nicht schlecht !

[bigben]

Hallo Stachelbeere,

meinst Du sowas:

Code: Alles auswählen

lm(y ~ x + I(x*x))

Mein Google sagt mir, dass LGC für latent growth curve steht und weil es um das Modellieren von irgendwas latentem geht und Stachelbeere "=~" schreibt nehme ich an, dass es um quadratische Terme in Strukturgleichungsmodellen und wahrscheinlich um lavaan geht. Dann wäre die formula-Syntax nicht das richtige.
Ich weiß nicht, ob lavaan das vorsieht, aber man könnte zu jedem x das Quadrat selbst berechnen x2 <- x * x und dieses x2 mit in den linearen Pfad aufnehmen.

LG,
Bernhard

[jogo]

ok, Stachelbeere ist aber auch sehr sparsam mit der Vermittlung von Informationen aus dem Kontext gewesen.
(habe ich das jetzt ausreichend freundlich formuliert?)
gut, dass Du aus den wenigen Informationen mehr als ich herauslesen konntest.

Mein Google sagt mir, dass LGC für latent growth curve steht und weil es um das Modellieren von irgendwas latentem geht und Stachelbeere "=~" schreibt nehme ich an, dass es um quadratische Terme in Strukturgleichungsmodellen und wahrscheinlich um lavaan geht. Dann wäre die formula-Syntax nicht das richtige.

ja, dann ist das wohl so.

Gruß, Jörg

[Stachelbeere]

Hallo zusammen,

danke erstmal für eure bisherigen Antworten. Vielleicht führe ich mein Problem nochmal kurz aus. Ich habe eine manifeste Variable x (Skalenmittelwerte), die zu drei verschiedenen Zeitpunkten (t1, t2, t3) gemessen wurde (Stichprobengröße ca. jeweils 1000). Wir gehen davon aus, dass y=x(t) monoton steigend ist. Ich möchte nun ein LGC (latent growth curve)-Modell erstellen, das zwei latente Variablen beinhaltet: Den Intercept-Faktor η_1 und den Slope-Faktor η_2.
Ich benutze das Lavaan-Package, über die

Code: Alles auswählen

=~

Anweisung lassen sich latente Variablen definieren.
Der Intercept-Faktor wird mit 1 für jeden der drei Zeitpunkte beladen. Für den Slope-Faktor wählte ich als Beladungen 0,1 und 2 für die jeweiligen Zeitpunkte, um einen linearen Anstieg zu simulieren.
Nun möchte ich versuchen, keinen linearen slope, sondern einen quadratischen Slope zu simulieren:

Code: Alles auswählen

y = x(t) + x^2(t)

Meine anfängliche Idee dazu war, dass ich eine dritte latente Variable η_3 definiere, die die Beladungen 0,1 und 4 aufweist (um den quadratischen Slope abzubilden). In der Summe hätte ich dann also den Intercept-Faktor η_1, den linearen Slope-Faktor η_2 und den quadratischen Slope-Faktor η_3. Zwischen allen latenten Variablen bestehen Kovarianzen. Mit diesem Ansatz gelingt es R allerdings nicht, das Modell zu erkennen.
Ich hoffe, das war etwas klarer formuliert.

Viele Grüße
Stachelbeere