R -如何基于相关矩阵而不是原始数据运行回归？

drnojrws  于 2023-11-14  发布在  其他
关注(0)|答案(1)|浏览(139)

我想基于相关矩阵而不是原始数据运行回归。我看过this post，但无法理解它。我如何在R中做到这一点？
下面是一些代码：

  1. #Correlation matrix.
  2. MyMatrix <- matrix(
  3.             c(1.0, 0.1, 0.5, 0.4,
  4.               0.1, 1.0, 0.9, 0.3,
  5.               0.5, 0.9, 1.0, 0.3,
  6.               0.4, 0.3, 0.3, 1.0), 
  7.             nrow=4, 
  8.             ncol=4)
  10. df <- as.data.frame(MyMatrix)
  12. colnames(df)[colnames(df)=="V1"] <- "a"
  13. colnames(df)[colnames(df)=="V2"] <- "b"
  14. colnames(df)[colnames(df)=="V3"] <- "c"
  15. colnames(df)[colnames(df)=="V4"] <- "d"
  17. #Assume means and standard deviations as follows:
  18. MEAN.a <- 4.00
  19. MEAN.b <- 3.90
  20. MEAN.c <- 4.10
  21. MEAN.d <- 5.00
  22. SD.a <- 1.01
  23. SD.b <- 0.95
  24. SD.c <- 0.99
  25. SD.d <- 2.20
  27. #Run model [UNSURE ABOUT THIS PART]
  28. library(lavaan)
  29. m1 <- 'd ~ a + b + c'
  30. fit <- sem(m1, ????)
  31. summary(fit, standardize=TRUE)

字符串

r

1条答案

按热度按时间
1mrurvl1

1mrurvl11#

这应该就可以了。首先，你可以将相关矩阵转换为协方差矩阵：

  1. MyMatrix <- matrix(
  2.   c(1.0, 0.1, 0.5, 0.4,
  3.     0.1, 1.0, 0.9, 0.3,
  4.     0.5, 0.9, 1.0, 0.3,
  5.     0.4, 0.3, 0.3, 1.0), 
  6.   nrow=4, 
  7.   ncol=4)
  8. rownames(MyMatrix) <- colnames(MyMatrix) <- c("a", "b","c","d")
  10. #Assume the following means and standard deviations:
  11. MEAN.a <- 4.00
  12. MEAN.b <- 3.90
  13. MEAN.c <- 4.10
  14. MEAN.d <- 5.00
  15. SD.a <- 1.01
  16. SD.b <- 0.95
  17. SD.c <- 0.99
  18. SD.d <- 2.20
  19. s <- c(SD.a, SD.b, SD.c, SD.d)
  20. m <- c(MEAN.a, MEAN.b, MEAN.c, MEAN.d)
  21. cov.mat <- diag(s) %*% MyMatrix %*% diag(s)
  22. rownames(cov.mat) <- colnames(cov.mat) <- rownames(MyMatrix)
  23. names(m) <- rownames(MyMatrix)

字符串
然后，你可以使用lavaan来沿着你在问题中提到的帖子来估计模型。注意，你需要提供大量的观测值来获得样本估计值。我在例子中使用了100，但是如果这没有意义，你可能想改变它。

  1. library(lavaan)
  2. m1 <- 'd ~ a + b + c'
  3. fit <- sem(m1, 
  4.            sample.cov = cov.mat, 
  5.            sample.nobs=100, 
  6.            sample.mean=m,
  7.            meanstructure=TRUE)
  8. summary(fit, standardize=TRUE)
  9. # lavaan 0.6-6 ended normally after 44 iterations
  10. # 
  11. # Estimator                                         ML
  12. # Optimization method                           NLMINB
  13. # Number of free parameters                          5
  14. # 
  15. # Number of observations                           100
  16. # 
  17. # Model Test User Model:
  18. #   
  19. # Test statistic                                 0.000
  20. # Degrees of freedom                                 0
  21. # 
  22. # Parameter Estimates:
  23. #   
  24. # Standard errors                             Standard
  25. # Information                                 Expected
  26. # Information saturated (h1) model          Structured
  27. # 
  28. # Regressions:
  29. #                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  30. # d ~                                                                   
  31. #   a                 6.317    0.095   66.531    0.000    6.317    2.900
  32. #   b                12.737    0.201   63.509    0.000   12.737    5.500
  33. #   c               -13.556    0.221  -61.307    0.000  -13.556   -6.100
  34. # 
  35. # Intercepts:
  36. #                 Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  37. # .d               -14.363    0.282  -50.850    0.000  -14.363   -6.562
  38. # 
  39. # Variances:
  40. #                 Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  41. # .d                 0.096    0.014    7.071    0.000    0.096    0.020
  42. # 
  43. #

型

展开查看全部
赞(0）分享  回复(0）举报  2023-11-14
我来回答

相关问题

    查看更多

    热门标签

    更多
    JavaquerypythonNode开发语言requestUtil数据库Table后端算法LoggerMessageElementParser

    最新问答

    更多
    • 蜀ICP备13028337号-1 大数据知识库 https://www.saoniuhuo.com © All rights reserved
    • 本站内容来源互联网,如果侵犯您的权益请联系我们删除, 联系方式：448109455@qq.com