MerQuR+Başvuru Kitabı

177. Bayesci yapısal eşitlik modeli (blavaan; küçük varyanslı çapraz yük öncülleri)

Şablon kimliği: bayes_yem · Kategori: yapısal eşitlik / gizil değişken · Dil: R · Dosya: pro/sablonlar/yem/bayes_yem.R (satır 1–181; üstbilgi 1–81) · Örnek veri: _ornek/politicaldemocracy.csv · Paketler: blavaan 0.6-1, lavaan 0.7-2, rstan 2.32.7 (Stan), R 4.5.3

177.1 Ne işe yarar

Şablon, lavaan sözdizimiyle yazılmış bir ölçme ve yapısal modeli Bayesci olarak kestirir: gizil değişkenlerin göstergelere yüklerini, gizil değişkenler arasındaki regresyonları ve kovaryansları sonsal dağılımlarıyla verir. Sonsal örnekleme, Stan'in Hamilton Monte Carlo (NUTS) örnekleyicisiyle blavaan paketi üzerinden yapılır (Merkle ve Rosseel, 2018; Merkle ve ark., 2021). Aynı model önce lavaan ile en çok olabilirlikle (ML) kurulur ve ML kestirimi sonsal özetin yanına yazılır.

\mathbf y=\boldsymbol\Lambda_y\boldsymbol\eta+\boldsymbol\varepsilon,\quad \mathbf x=\boldsymbol\Lambda_x\boldsymbol\xi+\boldsymbol\delta,\quad \boldsymbol\eta=\mathbf B\boldsymbol\eta+\boldsymbol\Gamma\boldsymbol\xi+\boldsymbol\zeta,\qquad p(\boldsymbol\theta\mid\mathbf Y)\ \propto\ p(\mathbf Y\mid\boldsymbol\theta)\,p(\boldsymbol\theta)
  • \mathbf y, \mathbf x: gözlenen göstergeler; \boldsymbol\eta, \boldsymbol\xi: içsel ve dışsal gizil değişkenler.
  • \boldsymbol\Lambda_y,\boldsymbol\Lambda_x: yük matrisleri; \mathbf B,\boldsymbol\Gamma: gizil değişkenler arası regresyon katsayıları; \boldsymbol\varepsilon,\boldsymbol\delta,\boldsymbol\zeta: artıklar.
  • \boldsymbol\theta: bütün serbest parametreler; p(\boldsymbol\theta): öncül; p(\mathbf Y\mid\boldsymbol\theta): çok değişkenli normal olabilirlik.

Şablon iki kullanım sunar: (i) olağan Bayesci YEM (öncül seçimi, sonsal özet, uyum ölçütleri); (ii) BSEM: modelde bulunmayan bütün çapraz yüklere sıfır ortalamalı, küçük varyanslı normal öncül konur (Muthén ve Asparouhov, 2012).

Ne zaman kullanılır?

  • Küçük örneklemde, ML'nin sorunlu olduğu (negatif varyans, yakınsamama) ya da sonsal belirsizliğin doğrudan istendiği modellerde.
  • Kuramsal olarak sıfır sayılan çapraz yüklerin tam sıfır yerine "sıfıra yakın" olmasına izin vermek isteniyorsa (BSEM).
  • Parametreler için güvenilir aralık ve öncül duyarlığı (iki öncül seti) gerekiyorsa.

Ne zaman kullanılmaz?

  • Göstergeler sıralı (az düzeyli Likert) ve eşik modeli isteniyorsa: bu şablon göstergeleri sürekli sayar (177.8). Doğru araç sirali_cfa_wlsmv şablonudur (Bölüm 185).
  • Veri kümelenmişse (öğrenci–okul): cok_duzeyli_cfa şablonu (Bölüm 179). Aynı şablon bunu hesaba katmaz.
  • Boylamsal gizil büyüme eğrisi isteniyorsa: gizil_buyume (Bölüm 181); gözlenen yörünge alt grupları isteniyorsa buyume_karisim (Bölüm 178).
  • Çapraz yüklerin yaygın ve büyük olduğu keşifsel durumda ve Bayesci öncül istenmiyorsa: esem şablonu (Bölüm 180).
  • Eksik veri çoksa: şablon eksik satırları atar (177.2); tam bilgi yöntemi yoktur.

Temel programla ilişki. Temel programdaki Yapısal Eşitlik Modeli analizi aynı lavaan benzeri sözdizimini (=~, ~, ~~) kullanır ve ML ile sağlam ML (MLR) kestirir; eksik veride tam bilgi olabilirliğini destekler. Bu şablon ise kestirimi Bayesci yapar (sonsal ortalama, SS, güvenilir aralık, PPP, WAIC, LOOIC) ve ML sonucunu karşılaştırma için yan sütuna yazar. ML tablosunun kestirimleri iki yolda da aynı modeldir; farklı olan, kestirimin dağılımsal çıktısıdır.

177.2 Şablonun girdileri

Form, üstbilgideki 9 [[param]] bloğundan kurulur (bayes_yem.R:11–79). Türlerin anlamı ve formun ortak denetimi Bölüm 1.2'dedir. Önemli: modeldeki değişkenler form alanlarıyla değil, model metninin içinden okunur (91–96). Bu yüzden ortak düzenin sayısal rol aktarımı (Bölüm 1.3) bu şablonda yoktur; göstergeler mq_sayisal ile okunur (98): Veri sekmesinde türü "kategorik" olan ya da metin okunmuş bir gösterge etiketinin sayı değeriyle alınır, sayıya çevrilemeyen değerde ileti sütunu ve nedeni söyler (177.8).

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Model (lavaan sözdizimi; satırlar ; ile) · model metin · Model F1 =~ x1 + x2 + x3; F2 =~ x4 + x5 + x6; F2 ~ F1 en çok 2000 karakter Model metni (11–16, 87–96).
Öncüller · onculler seçim · Model varsayilan varsayilan, jss2018 dpriors() çağrısı (17–23, 123).
BSEM çapraz yük öncülü SS · capraz_sd ondalık · Model 0,0 0–1 >0 ise çapraz yük satırları eklenir (24–31, 104–112).
Zincir sayısı · zincir tamsayı · Seçenekler 3 1–8 n.chains (32–39, 121, 127).
Isınma yinelemesi · isinma tamsayı · Seçenekler 1000 100–50 000 burnin (40–47, 121, 127).
Zincir başına sonsal örnek · orneklem tamsayı · Seçenekler 2000 100–100 000 sample (48–55, 121, 127).
Gizil varyansları 1'e sabitle · std_lv onay · Model kapalı açık/kapalı std.lv (56–62, 118, 127).
İnanılırlık aralığı düzeyi · guven ondalık · Seçenekler 0,95 0,5–0,999 Kantil düzeyi (63–71, 144).
MCMC tohumu · tohum tamsayı · Gelişmiş 1 0–2 147 483 647 seed (72–80, 127); 0 ya da boş: çalıştırma tohumu (124–125).

Örnek ayar (ornek_param, satır 9) varsayılandan farklıdır: PoliticalDemocracy modeli, onculler = jss2018, capraz_sd = 0, zincir = 2, isinma = 300, orneklem = 500 (hız için kısa zincir).

Tohum. Stan'e seed olarak formdaki tohum gider (127); alan 0 ya da boşsa kod panelindeki Tohum alanı (çalıştırma tohumu, Bölüm 1.3), o da yoksa 1 kullanılır (124–125) ve kullanılan değer konsola "MCMC tohumu: N" diye yazılır. Alanın varsayılanı 1'dir: alan değiştirilmedikçe panel tohumu sonucu değiştirmez (örnek ayarda form tohumu 2 ile panel tohumu atanmamış ve panel tohumu 99 iki çalıştırmanın bütün sonsal ortalamaları birebir aynıdır); panel tohumunun sonucu belirlemesi için alan 0 yapılır. Aynı ayar yinelendiğinde sonuç birebir yinelenir; form tohumu 1'den 2'ye geçince en büyük ortalama fark 0{,}081'dir (en büyük sonsal SS 0{,}91).

Şablonun kendi denetimleri (mq_hata):

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 86
Model metni boş "Model sözdizimini yazın." 88
Sözdizimi ayrıştırılamıyor "Model sözdizimi okunamadı: …" 89–90
=~ ile tanımlı gizil değişken yok "Modelde '=~' ile tanımlı gizil değişken yok." 92
Modeldeki değişken veride yok "Modeldeki değişkenler veride yok: …" 96
Gözlenen değişken sayıya çevrilemiyor "'…' sütunu sayıya çevrilemedi: … değer sayı değil …" (ortak yardımcı) 98
Tam gözlem sayısı <\max(30,\ p+5) "Çok az tam gözlem (n); Bayesci YEM için en az … gerekli." 102
Gözlenen değişken sabit "'…' sabit." 103
ML modeli kurulamadı "Model ML ile kurulamadı (veri ya da model sorunu): …" 118–119
ML yakınsamadı "Model ML ile yakınsamadı; model ya da veriyi denetleyin." 120
Bayesci model kestirilemedi "Bayesci model kestirilemedi: …" 127–129
Sonsal örnekler okunamadı "Sonsal örnekler okunamadı." 135

Burada p modeldeki gözlenen değişken sayısıdır. Örnek veride p=11 olduğundan eşik \max(30{,}16)=30'dur; 25 satırlık bir veri "Çok az tam gözlem (25); … en az 30 gerekli" iletisiyle durur.

Eksik değer. Modeldeki değişkenlerden birinde eksik olan satır complete.cases ile atılır (100) ve atılan satır sayısı konsola yazılır (101): "N satır eksik değer nedeniyle çıkarıldı (n = 75 → 67); Bayesci ve ML kestirimleri yalnız tam gözlemlerle kuruldu." Örnek veride 5 ve 3 hücre (farklı satırlarda) boşaltıldığında 8 satır atılır ve n=75 yerine 67 yazılır (177.8).

177.3 Örnek veri

politicaldemocracy.csv, lavaan paketinin PoliticalDemocracy verisidir (Bollen, 1980; 1989): 75 gelişmekte olan ülke, eksik değer yok. Üç gizil değişken kurulur: ind60 (1960'ta sanayileşme: x_1 kişi başına GSMH, x_2 kişi başına enerji tüketimi, x_3 sanayide çalışan oranı), dem60 ve dem65 (1960 ve 1965'te siyasal demokrasi; her biri dört uzman puanı: y_1–y_4 ve y_5–y_8).

Değişken Rol Tür (veri sekmesinin algıladığı) Özet
x1, x2, x3 ind60 göstergeleri sayısal 11 sütunun tamamı sürekli
y1–y4 dem60 göstergeleri sayısal 1960 demokrasi puanları
y5–y8 dem65 göstergeleri sayısal 1965 puanları; y_a ile y_{a+4} aynı uzman puanı

Veride kategorik değişken yoktur; Bölüm 1.3'teki düzey sırası kuralı bu şablonda ilgisizdir (göstergeler sayısal olmak zorundadır). Modelde y1 ~~ y5, y2 ~~ y4 + y6, y3 ~~ y7, y4 ~~ y8, y6 ~~ y8 artık kovaryansları vardır: aynı uzmanın farklı yıllardaki puanları ilişkilidir. a*y2, b*y3, c*y4 ve a*y6, b*y7, c*y8 etiketleri 1960 ve 1965 yüklerini eşitler.

Bu bölümde kullanılan çalıştırmalar (aksi belirtilmedikçe örnek ayar, form tohumu 1; ayrıntı dogrulama/bayes_yem/calistir.sh):

Ad Veri Ayar
p8_by_ornek, p8_by_tekrar politicaldemocracy.csv örnek ayar; yineleme
p8_by_tohum2, p8_by_tohum2k aynı form tohumu 2; ek olarak panel tohumu 99
p8_by_varsayilan, p8_by_bsem, p8_by_stdlv aynı varsayilan öncüller; capraz_sd = 0,1; std_lv açık
p8_by_kisa, p8_by_tek_zincir, p8_by_guven90 aynı 100 ısınma + 100 örnek; 1 zincir; guven = 0,9
p8_by_eksik, p8_by_virgul, p8_by_kat, p8_by_n25, p8_by_sabit benzetim (veri_uret.py) eksik hücre; virgüllü metin; kategorik tür; 25 satır; sabit sütun
p8_by_likert, p8_by_likert_kat, p8_by_heywood, p8_by_iki_gosterge benzetim 5 düzeyli göstergeler; kategorik tür; Heywood durumu; iki göstergeli faktör

177.4 Yöntem: formüller ve hesap adımları

Şablon önce modeli ayrıştırır ve değişkenleri denetler, istenirse çapraz yük satırlarını ekler, aynı modeli lavaan ML ile kurar (yakınsama denetimi), ardından blavaan::bsem ile Stan'de örnekler. Sonsal örneklerden özet tablo, uyum ölçütleri ve uyarılar üretir.

177.4.1 Kovaryans yapısı ve ML

Ortalama yapısı olmayan modelde gözlenen değişkenlerin kovaryans matrisi parametrelerin işlevidir:

\boldsymbol\Sigma(\boldsymbol\theta)=\boldsymbol\Lambda\,(\mathbf I-\mathbf B)^{-1}\boldsymbol\Psi\,(\mathbf I-\mathbf B)^{-\top}\boldsymbol\Lambda^{\top}+\boldsymbol\Theta,\qquad F_{\mathrm{ML}}=\ln|\boldsymbol\Sigma|+\operatorname{tr}\!\big(\mathbf S\boldsymbol\Sigma^{-1}\big)-\ln|\mathbf S|-p
  • \boldsymbol\Lambda: bütün göstergelerin gizil değişkenlere yük matrisi; \mathbf B: gizil değişkenler arası regresyonlar (içsel \leftarrow içsel/dışsal).
  • \boldsymbol\Psi: dışsal gizil varyansları ile içsel artık varyansları; \boldsymbol\Theta: gösterge artık (ve modelde belirtilen artık kovaryans) matrisi.
  • \mathbf S: örnek kovaryans matrisi, bölen n (en çok olabilirlik); p: gözlenen değişken sayısı.

Ki-kare \chi^2=n\,F_{\mathrm{ML}}, serbestlik derecesi \mathrm{sd}=p(p+1)/2-q (q: serbest parametre sayısı) ve -2\times log-olabilirlik =n\,[\,p\ln 2\pi+\ln|\boldsymbol\Sigma|+\operatorname{tr}(\mathbf S\boldsymbol\Sigma^{-1})]'dir. Örnek modelde q=28 ve \mathrm{sd}=66-28=38.

Neden önce ML

Şablon Bayesci kestirimden önce aynı modeli lavaan ML ile kurar (118–120): (i) modelin tanımlı olduğunu ve verinin yeterli olduğunu denetler (yakınsamayan modelde Bayesci çalıştırmaya hiç geçilmez); (ii) ML kestirimini ve standart hatasını sonsal özetin yanına koyar; öncül zayıfsa (N(0{,}10) gibi) iki sonuç yakındır, ayrışma öncülün etkisini gösterir. ML uyum ölçütleri (\chi^2, CFI, RMSEA, log-olabilirlik) tabloya yazılır; Bayesci uyum ölçütleri (PPP, WAIC, LOOIC) ayrı satırlardadır.

Koddaki tercih

lavaan::sem(model, data = d, std.lv = isTRUE(P$std_lv)) (118). Modelde BSEM çapraz yükleri varsa ML modeli bunlar olmadan kurulur (113: if (sdc > 0) paste(as.character(P$model), …)); bu yüzden çapraz yüklerin ML sütunu NA'dır. lavaan'ın varsayılanları geçerlidir: ML, çok değişkenli normal olabilirlik, n bölenli kovaryans.

177.4.2 Öncüller

blavaan Stan hedefinde (target = "stan") öncüller parametre türüne göre verilir. Şablonun iki seçeneği (dpriors çıktısı):

Parametre grubu varsayilan jss2018
Gösterge sabitleri \nu N(0{,}32) N(5{,}10)
Gizil ortalamalar \alpha N(0{,}10) N(0{,}10)
Yükler \lambda N(0{,}10) N(0{,}10)
Regresyonlar \beta N(0{,}10) N(0{,}10)
Artık SS'ler \theta ve gizil SS'ler \psi gamma(1;0{,}5) (SS üzerinde) gamma(1;0{,}5) (SS üzerinde)
Korelasyonlar \rho beta(1{,}1) beta(3{,}3)

Normal öncüllerin ikinci değeri standart sapmadır (Stan gösterimi). Örnek modelde ortalama yapısı yoktur; bu nedenle \nu öncülü kullanılmaz ve iki seçenek yalnız korelasyon öncülünde (artık kovaryanslar) ayrışır. Aynı ayarla varsayilan ve jss2018 sonsal ortalamaları en çok 0{,}098 ayrılır; varsayilan PPP 0{,}543, jss2018 0{,}556.

Kestirilen öncül, bildirilenden farklı olabilir

blavaan, artık kovaryans matrisi köşegen de, serbest (yapısız) de olmadığında (örnek modelde yalnız bazı artık kovaryanslar serbest) "As specified, the theta covariance matrix is neither diagonal nor unrestricted, so the actual prior might differ from the stated prior" uyarısını verir. Şablon bu uyarıyı Uyarılar: satırına aktarır. Artık kovaryans bulunan her modelde bu uyarı beklenir; sonuç hatalı değildir ama bildirilen öncül yaklaşık geçerlidir.

177.4.3 BSEM: küçük varyanslı çapraz yükler

capraz_sd =\sigma_c>0 iken her gizil değişken için, kendi göstergesi olmayan bütün gözlenen göstergeler için bir çapraz yük satırı eklenir (104–111); örnek modelde ind60 =~ prior("normal(0,0.1)")*y1, … gibi. Çapraz yük öncülü \lambda_{jk}\sim N(0,\sigma_c^2)'dir; \sigma_c küçükse yük sıfıra yakın tutulur ama tam sıfır değildir (Muthén ve Asparouhov, 2012).

Neden küçük varyanslı öncül

ML'de çapraz yükleri serbest bırakmak modeli tanımsız yapar; sıfıra sabitlemek ise kuramsal bir kesinliktir. Küçük varyanslı öncül ikisinin ortasıdır: veri güçlü çapraz yük gösteriyorsa öncülü yenebilir, yoksa sıfıra yakın kalır. \sigma_c=0{,}1 çok ince, \sigma_c=1 çok gevşektir.

Ortak artık kovaryanslarla BSEM

Çapraz yükler ile aynı göstergeler arasındaki artık kovaryanslar birbirinin yerini tutabilir (kısmi tanımsızlık); modelde göstergeler arası artık kovaryans varken capraz_sd > 0 seçilirse şablon bunu uyarı satırında belirtir (114–115). Örnek modelde \sigma_c=0{,}1 ile 2 × 500 örnekte dem65 ~ ind60 sonsal ortalaması -7{,}16 (SS 8{,}08, R̂ 4{,}01), dem60 ~ ind60 -2{,}25 (SS 5{,}31, R̂ 1{,}48) çıkar; ML kestirimleri 0{,}600 ve 1{,}471'dir. Şablon "28 parametrede R̂ > 1,05 ya da etkin örneklem < 100" uyarısını verir; çaresi zinciri uzatmak değil, artık kovaryanslar varken çapraz yükleri eklememektir.

177.4.4 Örnekleme ve sonsal özet

bsem(model, data = d, dp = dp, n.chains, burnin, sample, seed, std.lv, bcontrol = list(cores = 1, refresh = 0)) (127). Stan'in derlenmiş hazır modeli kullanılır; kullanıcı modeli için C++ derlemesi gerekmez. Her zincirde isinma ısınma yinelemesi atılır ve orneklem yineleme saklanır. Örnek ayarda 2\times500=1000 sonsal örnek vardır.

Sonsal örnekler blavInspect(fit, "mcmc") ile alınır, zincirler alt alta yığılır (130) ve serbest parametrelerin sırasıyla (parTable serbest sayısı; 125–129) eşlenir. Aynı etikete sahip (a, b, c) parametreler tek serbest parametredir (!duplicated(free)). Tablonun her satırı için:

\bar\theta=\frac1M\sum_{m=1}^{M}\theta^{(m)},\quad s_\theta=\Big[\tfrac{1}{M-1}\sum_m(\theta^{(m)}-\bar\theta)^2\Big]^{1/2},\quad [\,q_{(1-\gamma)/2},\,q_{(1+\gamma)/2}\,]
  • \theta^{(m)}: m. sonsal örnek (M= zincir sayısı \times örnek); \gamma: guven.
  • q_u: sonsal örneğin u kantili (R'nin quantile, tür 7). Aralık eşit kuyruklu güvenilir aralıktır; en yüksek sonsal yoğunluk aralığı değildir.
  • Sütun adları guven = 0,95 iken GA_alt, GA_ust; başka düzeyde düzey eklenir (ör. GA_alt_90, GA_ust_90) (177.8).

Yakınsama tanılaması. Rhat, her zincirin ikiye bölünmesiyle elde edilen 2m zincir üzerinde klasik Gelman–Rubin oranıdır (Gelman ve Rubin, 1992; Gelman ve ark., 2013):

\hat R=\sqrt{\frac{\frac{N-1}{N}W+\frac1N B}{W}},\qquad W=\frac1{2m}\sum_{j}s_j^2,\quad B=N\cdot\operatorname{Var}_j(\bar\theta_j)
  • N: bölünmüş zincirin uzunluğu (örnek ayarda 250); 2m: bölünmüş zincir sayısı (4).
  • W: zincir içi varyansların ortalaması; B: zincir ortalamalarının zincirler arası varyansı (N ile çarpılmış).
  • Şablon tablosundaki değer, bu formülle 10^{-15} içinde yeniden üretilmiştir (177.6.1). Paketin psrf adı bu bölünmüş-zincir ölçüsünü verir; coda::gelman.diag'ın bölünmemiş, serbestlik derecesi düzeltmeli değeri ile 0{,}009 kadar ayrışır.

n_etkin, blavInspect(fit, "neff") değeridir (otokorelasyonla azalmış etkin örnek sayısı). Stan'in bölünmüş-zincir kestiricisi ile en çok %9 uyuşur. Şablon, R̂ >1{,}05 ya da n_etkin <100 olan parametreleri sayar ve varsa tek satırlık uyarı ekler (165–166). Eşikler kodun kendi seçimidir; Vehtari ve ark. (2021) R̂ <1{,}01 ve parametre başına etkin örnek \ge 400 önerir.

177.4.5 Uyum ölçütleri

Ölçüt Tanım (blavaan) Örnek veride
PPP Sonsal öngörü p değeri: her sonsal örnekte gözlenen ve benzetilen verinin ki-kare uyumsuzluklarının karşılaştırılması; P(D(\mathbf Y^{\mathrm{rep}},\theta)\ge D(\mathbf Y,\theta)\mid\mathbf Y) (Gelman ve ark., 1996) 0{,}556
WAIC -2(\mathrm{lppd}-p_{\mathrm{WAIC}}) (Vehtari ve ark., 2017) 3155{,}83
LOOIC -2\,\widehat{\mathrm{elpd}}_{\mathrm{loo}} (Pareto düzgünleştirmeli önem örneklemesi) 3156{,}24
Laplace marjinal log-olabilirlik Sonsal modun çevresinde Laplace yaklaşımı (Laplace–Metropolis) NA; konsola "hesaplanamadı" notu yazılır
ML \chi^2, sd, p, CFI, RMSEA, logLik lavaan ML (177.4.1) 40{,}18; 38; 0{,}374; 0{,}997; 0{,}0277; -1548{,}82

PPP sıfıra yakınsa model veriye uymuyordur; 0{,}5 civarı iyi uyumdur. WAIC ve LOOIC modeller arasında karşılaştırma içindir: tek başına yorumlanmaz, küçük olan iyidir. WAIC/LOOIC'te "29 (%38,7) p_waic tahmini 0,4'ten büyük" ve "Pareto k tanı değerleri çok yüksek" uyarıları, 75 gözlemlik kümede yaygındır ve Uyarılar: satırında görünür (177.7). Laplace marjinal log-olabilirliği örnek modelin her çalıştırmasında NA gelir (kusur kaydı bulgular/bayes_yem.md B5); bazı modellerde (-2232{,}71 beş göstergeli tek faktör) sayı üretir.

177.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
81–84 .m() çeviri yardımcısı; PKG_CXXFLAGS = -std=gnu++17; lavaan yüklenir. C++ derleyici bayrağı Stan'in derlenmiş modeli içindir.
82–84 .m() çeviri yardımcısı; PKG_CXXFLAGS = -std=gnu++17; lavaan yüklenir. C++ derleyici bayrağı Stan'in derlenmiş modeli içindir.
86–103 Model metni, ayrıştırma (lavParseModelString), gizil ve gözlenen adlar, veri sütunlarının varlığı, mq_sayisal ile sayısal okuma, eksik satır bildirimi, n eşiği, sabitlik. Değişkenler model metninden çıkar; form rolü yoktur. Eksik satırlar complete.cases ile atılır (100) ve sayısı yazılır (101).
104–112 BSEM: her gizil değişken için başka faktörlerin göstergelerine prior("normal(0,σ)") çapraz yükü. \sigma_c=0 ise atlanır.
113–120 yakala() uyarı toplayıcısı; göstergeler arası artık kovaryansla çapraz yük uyarısı (114–115); ML modeli; yakınsama denetimi. Yalnız converged okunur; negatif varyans (Heywood) uyarısı yalnız Uyarılar: satırına düşer.
121–129 Zincir, ısınma, örnek; öncül seti; tohum seçimi (124–125); bsem çağrısı (capture.output ile). Hata iletisi kullanıcıya iletilir.
130–142 Zincirleri yığma; serbest parametre eşlemesi; psrf, neff; ML tablosu ile eşleme (lhs op rhs). Etiketli eşit parametreler tek sütun; ML eşleşmezse NA (çapraz yükler).
143–155 Kantil düzeyi ve sütun adı eki (143); sonuc tablosu; tohum ve konsol başlığı (150–151); "Sonsal özet" tablosu. Gözlenen değişken artık varyansları tabloya girmez (148).
156–164 PPP, WAIC, LOOIC, margloglik, parametre sayısı ve ML uyum ölçütleri; Laplace değeri boşsa not (164). fitMeasures hata verirse NA.
165–167 R̂ ve etkin örneklem uyarısı; Uyarılar: satırı. Eşikler 1,05 ve 100.
168–180 Yapısal katsayılar (op == "~") için sonsal ortalama, aralık ve ML işareti çizimi. Yapısal katsayı yoksa şekil yok; sol kenar boşluğu etiketlere göre genişletilir.

177.6 Elle hesap: örnek veride bağımsız yeniden hesap

Ara değerler dogrulama/bayes_yem/elle_hesap.py (numpy/scipy; lavaan, blavaan ve şablon çağrılmaz) ve r_dogrulama.R (ML bölümü yalnız temel R optim) ile hesaplanmıştır; ikisi de aynı açık \boldsymbol\Sigma(\boldsymbol\theta) formülünü kendi başına kurar, BFGS, Nelder–Mead ve ardından Newton adımlarıyla en büyükler (gradyan 4\cdot10^{-10} altında).

Adım 1 — ML kestirimi. Örnek modelde \hat\lambda_{x2}=2{,}179657, \hat\lambda_{x3}=1{,}818210, \hat a=1{,}190784, \hat b=1{,}174540, \hat c=1{,}250981; regresyonlar \hat\gamma_{11}=1{,}471331 (dem60 ~ ind60), \hat\gamma_{21}=0{,}600475 (dem65 ~ ind60), \hat\beta_{21}=0{,}865041 (dem65 ~ dem60); gizil varyanslar 0{,}448599, 3{,}875321, 0{,}164463. Şablonun ML sütunu bunlarla 10^{-4} içinde aynıdır (en büyük fark 8{,}5\cdot10^{-5}, y2 ~~ y4): fark lavaan'ın nlminb durma ölçütündendir; iki bağımsız hesap birbiriyle 10^{-8} içindedir.

Adım 2 — Uyum ölçütleri. F_{\mathrm{ML}} en küçük değerinde \chi^2=40{,}179489, \mathrm{sd}=38, p=0{,}373882. Bağımsızlık modelinin ki-karesi ile \mathrm{CFI}=1-\max(\chi^2-\mathrm{sd},0)/\max(\chi^2-\mathrm{sd},\ \chi^2_b-\mathrm{sd}_b,\ 0)=0{,}996774; \mathrm{RMSEA}=\sqrt{\max(\chi^2-\mathrm{sd},0)/(n\,\mathrm{sd})}=0{,}027654; \ln L=-1548{,}818079. Şablonun tablosuyla 10^{-6} içindedir.

Adım 3 — Standart hatalar. Beklenen bilgi matrisi \mathbf I=\tfrac n2\,\mathbf J^\top\mathbf D^\top(\boldsymbol\Sigma^{-1}\!\otimes\boldsymbol\Sigma^{-1})\mathbf D\,\mathbf J (\mathbf J=\partial\operatorname{vech}\boldsymbol\Sigma/\partial\boldsymbol\theta, merkezî farkla; \mathbf D çoğaltma matrisi) ile \mathrm{SH}=\sqrt{\operatorname{diag}\mathbf I^{-1}}: örneğin \mathrm{SH}(\hat\gamma_{11})=0{,}392317, \mathrm{SH}(\hat\beta_{21})=0{,}074871. Şablonun ML_SH sütunuyla 10^{-5} içindedir.

Adım 4 — Sonsal özeti yeniden üretme. R'de aynı ayar ve tohumla blavaan yeniden uydurulmuş, ham zincirlerden ortalama, SS, kantiller ve R̂ açık formüllerle hesaplanmıştır. Sonsal ortalama, SS ve kantiller şablonla birebir aynıdır (fark 0); bölünmüş-zincir R̂ formülü 10^{-15} içinde aynıdır; PPP (0{,}556), WAIC (3155{,}83) ve LOOIC (3156{,}24) aynıdır. Etkin örneklem için Stan'in bölünmüş-zincir kestiricisinin açık kodu şablonun değerinden en çok %3,6 ayrılır (dem60 ~ ind60: 1012{,}2 ve 1048{,}7). Ek olarak parameterEstimates'in bildirdiği sonsal kestirim ile ham zincir ortalaması arasındaki en büyük fark 0'dır: şablonun serbest parametre eşlemesi (132–136) doğru sütunları seçmektedir.

Adım 5 — Bağımsız bir örnekleyici. Python'da şablonun öncüllerine yakın bir sonsal (N(0{,}10) yükler ve regresyonlar, SS üzerinde gamma(1;0{,}5) artık ve gizil SS'ler, korelasyon üzerinde beta(3{,}3) artık kovaryanslar) için uyarlamalı Metropolis (20 000 ısınma, 160 000 örnek; kabul oranı 0{,}187) çalıştırılmıştır. Parametrelendirmeler ve örnekleyici farklı olduğundan, bu karşılaştırma yalnız Monte Carlo hatası düzeyinde sınanır: sonsal ortalamalar şablonla en çok 0{,}05 (göreli), SS'ler 0{,}014 içinde uyuşur.

177.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark Ölçüt
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), λ x2 2,17965661 2,17965694 2,17965695 1,6e−7 1e−4 ✓
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), λ x3 1,81820996 1,8182095 1,8182095 2,5e−7 1e−4 ✓
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), λ y2 (a) 1,19078203 1,1907835 1,1907835 1,2e−6 1e−4 ✓
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), λ y3 (b) 1,17454069 1,17454016 1,17454016 4,5e−7 1e−4 ✓
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), λ y4 (c) 1,25097888 1,25098065 1,25098065 1,4e−6 1e−4 ✓
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), dem60 ← ind60 1,47133022 1,471331 1,471331 5,3e−7 1e−4 ✓
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), dem65 ← ind60 0,60047463 0,60047465 0,60047466 3,0e−8 1e−4 ✓
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), dem65 ← dem60 0,86504299 0,86504142 0,86504142 1,6e−6 1e−4 ✓
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), y1 ~~ y5 0,58253888 0,58254513 0,58254513 6,2e−6 1e−4 ✓
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), y2 ~~ y4 1,44024775 1,44012567 1,44012568 8,5e−5 1e−4 ✓
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), y2 ~~ y6 2,18294476 2,18300969 2,18300969 3,0e−5 1e−4 ✓
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), y3 ~~ y7 0,71159012 0,71158291 0,71158291 7,2e−6 1e−4 ✓
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), y4 ~~ y8 0,36279638 0,36280391 0,36280391 7,5e−6 1e−4 ✓
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), y6 ~~ y8 1,37177415 1,37178754 1,37178754 9,8e−6 1e−4 ✓
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), ind60 varyans 0,44859886 0,44859905 0,44859905 1,9e−7 1e−4 ✓
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), dem60 artık varyans 3,87530386 3,8753206 3,87532059 4,3e−6 1e−4 ✓
ML kestirimi (ölçüt 1e−4: lavaan yakınsama toleransı), dem65 artık varyans 0,16446331 0,16446339 0,16446339 8,7e−8 1e−4 ✓
ML SH, λ x2 0,13838509 0,1383851 0,1383851 1,6e−8 1e−5 ✓
ML SH, λ x3 0,15188031 0,15188027 0,15188027 3,8e−8 1e−5 ✓
ML SH, λ y2 (a) 0,13926326 0,13926356 0,13926357 3,1e−7 1e−5 ✓
ML SH, λ y3 (b) 0,12040207 0,12040187 0,12040187 2,0e−7 1e−5 ✓
ML SH, λ y4 (c) 0,1167866 0,1167865 0,1167865 1,0e−7 1e−5 ✓
ML SH, dem60 ← ind60 0,39231669 0,39231708 0,39231708 3,9e−7 1e−5 ✓
ML SH, dem65 ← ind60 0,22569924 0,22569827 0,22569827 9,8e−7 1e−5 ✓
ML SH, dem65 ← dem60 0,07487169 0,07487108 0,07487108 6,1e−7 1e−5 ✓
ML ki-kare 40,17948953 40,17948949 40,17948949 1,0e−9 1e−6 ✓
ML sd 38 38 38 0 1e−6 ✓
ML p 0,37388241 0,37388241 — 1,7e−9 1e−6 ✓
ML CFI 0,99677425 0,99677425 0,99677425 6,1e−11 1e−6 ✓
ML RMSEA 0,02765381 0,02765381 0,02765381 2,6e−10 1e−6 ✓
ML log-olabilirlik −1548,81807905 −1548,81807903 −1548,81807903 1,3e−11 1e−6 ✓
Sonsal ortalama, λ x2 2,21579412 — 2,21579412 0 1e−6 ✓
Sonsal ortalama, λ x3 1,83715191 — 1,83715191 0 1e−6 ✓
Sonsal ortalama, λ y2 (a) 1,21418902 — 1,21418902 0 1e−6 ✓
Sonsal ortalama, λ y3 (b) 1,19164279 — 1,19164279 0 1e−6 ✓
Sonsal ortalama, λ y4 (c) 1,27730267 — 1,27730267 0 1e−6 ✓
Sonsal ortalama, dem60 ← ind60 1,46509879 — 1,46509879 0 1e−6 ✓
Sonsal ortalama, dem65 ← ind60 0,57602585 — 0,57602585 0 1e−6 ✓
Sonsal ortalama, dem65 ← dem60 0,87194903 — 0,87194903 0 1e−6 ✓
Sonsal ortalama, y1 ~~ y5 0,60730812 — 0,60730812 0 1e−6 ✓
Sonsal ortalama, y2 ~~ y4 1,37568763 — 1,37568763 0 1e−6 ✓
Sonsal ortalama, y2 ~~ y6 2,09599477 — 2,09599477 0 1e−6 ✓
Sonsal ortalama, y3 ~~ y7 0,73741714 — 0,73741714 0 1e−6 ✓
Sonsal ortalama, y4 ~~ y8 0,40001839 — 0,40001839 0 1e−6 ✓
Sonsal ortalama, y6 ~~ y8 1,30701472 — 1,30701472 0 1e−6 ✓
Sonsal ortalama, ind60 varyans 0,45660519 — 0,45660519 0 1e−6 ✓
Sonsal ortalama, dem60 artık varyans 3,91547447 — 3,91547447 0 1e−6 ✓
Sonsal ortalama, dem65 artık varyans 0,22303444 — 0,22303444 0 1e−6 ✓
Sonsal SS, λ x2 0,15384938 — 0,15384938 0 1e−6 ✓
Sonsal SS, λ x3 0,16301391 — 0,16301391 0 1e−6 ✓
Sonsal SS, λ y2 (a) 0,14958093 — 0,14958093 0 1e−6 ✓
Sonsal SS, λ y3 (b) 0,12886882 — 0,12886882 0 1e−6 ✓
Sonsal SS, λ y4 (c) 0,12926845 — 0,12926845 0 1e−6 ✓
Sonsal SS, dem60 ← ind60 0,39745808 — 0,39745808 0 1e−6 ✓
Sonsal SS, dem65 ← ind60 0,25195111 — 0,25195111 0 1e−6 ✓
Sonsal SS, dem65 ← dem60 0,07657225 — 0,07657225 0 1e−6 ✓
GA alt (%2,5), dem60 ← ind60 0,67169892 — 0,67169892 0 1e−6 ✓
GA üst (%97,5), dem60 ← ind60 2,23549442 — 2,23549442 0 1e−6 ✓
GA alt (%2,5), dem65 ← ind60 0,07771441 — 0,07771441 0 1e−6 ✓
GA üst (%97,5), dem65 ← ind60 1,05408876 — 1,05408876 0 1e−6 ✓
GA alt (%2,5), dem65 ← dem60 0,73148023 — 0,73148023 0 1e−6 ✓
GA üst (%97,5), dem65 ← dem60 1,03346757 — 1,03346757 0 1e−6 ✓
R-şapka (bölünmüş zincir), λ x2 0,99983141 — 0,99983141 0 1e−6 ✓
R-şapka (bölünmüş zincir), λ x3 0,99859303 — 0,99859303 1,0e−15 1e−6 ✓
R-şapka (bölünmüş zincir), λ y2 (a) 1,00623841 — 1,00623841 0 1e−6 ✓
R-şapka (bölünmüş zincir), λ y3 (b) 1,0050939 — 1,0050939 0 1e−6 ✓
R-şapka (bölünmüş zincir), λ y4 (c) 1,01563406 — 1,01563406 0 1e−6 ✓
R-şapka (bölünmüş zincir), dem60 ← ind60 0,99938356 — 0,99938356 0 1e−6 ✓
R-şapka (bölünmüş zincir), dem65 ← ind60 1,00517397 — 1,00517397 0 1e−6 ✓
R-şapka (bölünmüş zincir), dem65 ← dem60 1,00116263 — 1,00116263 0 1e−6 ✓
Etkin örneklem (Stan bölünmüş-zincir kestirici, ölçüt 0,1), dem60 ← ind60 1012,15108602 — 1048,72765378 3,6e−2 1e−1 ✓
Etkin örneklem (Stan bölünmüş-zincir kestirici, ölçüt 0,1), dem65 ← ind60 815,42031629 — 813,67689216 2,1e−3 1e−1 ✓
Etkin örneklem (Stan bölünmüş-zincir kestirici, ölçüt 0,1), dem65 ← dem60 918,81154326 — 940,00453884 2,3e−2 1e−1 ✓
PPP 0,556 — 0,556 0 1e−6 ✓
WAIC 3155,82807349 — 3155,82807349 0 1e−6 ✓
LOOIC 3156,244004 — 3156,244004 0 1e−6 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), λ x2 2,21579412 2,23000575 — 6,4e−3 6e−2 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), λ x3 1,83715191 1,84011425 — 1,6e−3 6e−2 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), λ y2 (a) 1,21418902 1,20802471 — 5,1e−3 6e−2 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), λ y3 (b) 1,19164279 1,18981924 — 1,5e−3 6e−2 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), λ y4 (c) 1,27730267 1,26917939 — 6,4e−3 6e−2 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), dem60 ← ind60 1,46509879 1,47231123 — 4,9e−3 6e−2 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), dem65 ← ind60 0,57602585 0,57442129 — 1,6e−3 6e−2 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), dem65 ← dem60 0,87194903 0,87142881 — 5,2e−4 6e−2 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), y1 ~~ y5 0,60730812 0,57783412 — 2,9e−2 6e−2 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), y2 ~~ y4 1,37568763 1,40128584 — 1,9e−2 6e−2 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), y2 ~~ y6 2,09599477 2,11282218 — 8,0e−3 6e−2 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), y3 ~~ y7 0,73741714 0,7871876 — 5,0e−2 6e−2 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), y4 ~~ y8 0,40001839 0,40816906 — 8,2e−3 6e−2 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), y6 ~~ y8 1,30701472 1,3011666 — 4,5e−3 6e−2 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), ind60 varyans 0,45660519 0,44820232 — 8,4e−3 6e−2 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), dem60 artık varyans 3,91547447 3,97398305 — 1,5e−2 6e−2 ✓
Sonsal ortalama, bağımsız Metropolis (ölçüt 0,06), dem65 artık varyans 0,22303444 0,22873426 — 5,7e−3 6e−2 ✓
Sonsal SS, bağımsız Metropolis (ölçüt 0,03), λ x2 0,15384938 0,15497355 — 1,1e−3 3e−2 ✓
Sonsal SS, bağımsız Metropolis (ölçüt 0,03), λ x3 0,16301391 0,16117776 — 1,8e−3 3e−2 ✓
Sonsal SS, bağımsız Metropolis (ölçüt 0,03), λ y2 (a) 0,14958093 0,14809597 — 1,5e−3 3e−2 ✓
Sonsal SS, bağımsız Metropolis (ölçüt 0,03), λ y3 (b) 0,12886882 0,12993852 — 1,1e−3 3e−2 ✓
Sonsal SS, bağımsız Metropolis (ölçüt 0,03), λ y4 (c) 0,12926845 0,13312 — 3,9e−3 3e−2 ✓
Sonsal SS, bağımsız Metropolis (ölçüt 0,03), dem60 ← ind60 0,39745808 0,41100873 — 1,4e−2 3e−2 ✓
Sonsal SS, bağımsız Metropolis (ölçüt 0,03), dem65 ← ind60 0,25195111 0,25570554 — 3,8e−3 3e−2 ✓
Sonsal SS, bağımsız Metropolis (ölçüt 0,03), dem65 ← dem60 0,07657225 0,07699915 — 4,3e−4 3e−2 ✓

Ölçütü karşılayan: 101/101. İlk blok (ML) bağımsız Newton yöntemiyle en büyüklenmiş (gradyan 4·10−10) kovaryans yapısı hesabıyla karşılaştırılır; lavaan'ın durma ölçütü gevşek olduğundan kestirimler 10−4 içinde, Python ile R birbirleriyle 10−8 içinde uyuşur. Python (scipy) ve R (temel optim) aynı açık Σ(θ) formülünü kullanır. İkinci blok aynı tohum ve ayarla yeniden uydurulan blavaan zincirlerinden hesaplanır ve birebir çıkar. Üçüncü blok farklı bir örnekleyicidir (uyarlamalı Metropolis, şablona yakın öncüller); Monte Carlo hatası ve öncül ayrıntısı nedeniyle yalnız gevşek ölçütle karşılaştırılır.

Ek denetim: üstbilgi, ind60 → dem60 sonsal ortalamasını makaleden 1{,}418 olarak aktarır. Bu bölümdeki kısa zincirde (2\times500) değer 1{,}465'tir (SS 0{,}397) ve ML 1{,}471'dir; fark 0{,}05 (\approx0{,}12 SS) olup öncül ve zincir farkıyla uyumludur. Makaledeki değer burada yeniden üretilmemiştir.

177.7 Çıktıyı okuma

Örnek ayarın konsol çıktısı (p8_by_ornek; uyarı satırı kısaltılmıştır):

n = 75; 2 zincir × 500 örnek (ısınma 300); öncüller: jss2018; BSEM çapraz yük SS = 0
Uyarılar: blavaan WARNING: As specified, the theta covariance matrix is neither diagonal nor unrestricted,
so the actual prior might differ from the stated prior. See https://arxiv.org/abs/2301.08667 |
29 (38.7%) p_waic estimates greater than 0.4. We recommend trying loo instead. |
Some Pareto k diagnostic values are too high. See help('pareto-k-diagnostic') for details.

Tablolar (Sonuçlar sekmesi; ondalık nokta tablodaki gibi; satırlar kısaltılmıştır):

Sonsal özet (yükler, regresyonlar, kovaryanslar) ve ML karşılaştırması
   lhs  op    rhs etiket sonsal_ortalama sonsal_SS  GA_alt  GA_ust   Rhat  n_etkin      ML  ML_SH
 ind60  =~     x2           2.2158  0.1538   1.9375  2.5277  0.9998    598.5  2.1797  0.1384
 ind60  =~     x3           1.8372  0.1630   1.5238  2.1604  0.9986   1210.9  1.8182  0.1519
 dem60  =~     y2      a    1.2142  0.1496   0.9233  1.5205  1.0062    786.9  1.1908  0.1393
 dem60   ~  ind60           1.4651  0.3975   0.6717  2.2355  0.9994   1012.2  1.4713  0.3923
 dem65   ~  ind60           0.5760  0.2520   0.0777  1.0541  1.0052    815.4  0.6005  0.2257
 dem65   ~  dem60           0.8719  0.0766   0.7315  1.0335  1.0012    918.8  0.8650  0.0749
    y1  ~~     y5           0.6073  0.3650  -0.0544  1.4070  1.0049    557.4  0.5825  0.3558
 dem65  ~~  dem65           0.2230  0.2162   0.0002  0.8007  1.0018    777.9  0.1645  0.2270

Model uyumu (Bayesci ve ML)
 PPP 0.556   WAIC 3155.83   LOOIC 3156.24   marjinal log-olabilirlik (Laplace) NaN   parametre 28
 ML chisq 40.18   ML df 38   ML p 0.374   ML CFI 0.997   ML RMSEA 0.0277   ML logLik -1548.82

Tablo 1'de 20 satır vardır (17 ayrı serbest parametre; a, b, c etiketli yükler iki kez yazılır).

Şekil 177.1. Şablonun çizdiği yapısal katsayı grafiği (örnek veri): mor nokta ve çizgi sonsal ortalama ile %95 güvenilir aralık, çarpı ML kestirimidir. Sol eksenin etiketleri kenar boşluğuna sığmadığından kesilir (kusur kaydı B11).

Öğe Ne yazar Nasıl yorumlanır
sonsal_ortalama, sonsal_SS Sonsal dağılımın ortalaması ve SS'si Nokta kestirimi ve belirsizliği. Zayıf öncülle ML'ye yakındır (dem60 ~ ind60: 1{,}465 ve 1{,}471).
GA_alt, GA_ust Eşit kuyruklu güvenilir aralık "Parametrenin bu aralıkta olma olasılığı %95" doğrudan okunur. Sıfır aralığın dışındaysa (dem65 ~ ind60: 0{,}078–1{,}054) sonsal olasılık sıfırın bir yanında yoğunlaşmıştır. guven 0,95'ten farklıysa düzey sütun adında yazar (GA_alt_90).
Rhat Bölünmüş-zincir R̂ \le1{,}01 iyidir; >1{,}05 şablonun uyarı eşiğidir. Örnekte en büyüğü 1{,}016.
n_etkin Etkin örnek sayısı Otokorelasyonlu zincir için gerçek bilgi miktarı; <100 şablonun uyarı eşiğidir. Örnekte en küçüğü 417.
ML, ML_SH lavaan ML kestirimi ve SH'si Karşılaştırma sütunu. Çapraz yüklerde NA.
PPP Sonsal öngörü p değeri \approx0{,}5 iyi uyum; <0{,}05 uyumsuzluk. Örnekte 0{,}556.
WAIC, LOOIC Bilgi ölçütleri Aynı veri üzerinde modelleri karşılaştırmak içindir.
ML chisq, CFI, RMSEA ML uyum ölçütleri \chi^2(38)=40{,}18 (p=0{,}37), \mathrm{CFI}=0{,}997, \mathrm{RMSEA}=0{,}028: kabul edilebilir uyum (Hu ve Bentler, 1999 ölçütleri: CFI \ge0{,}95, RMSEA \le0{,}06).

Rapor cümlesi. Politik demokrasi modeli (n=75) üç gizil değişkenle ve eşit etiketli yüklerle Bayesci olarak kestirilmiştir (Stan, 2 zincir × 500 sonsal örnek, 300 ısınma yinelemesi; yükler ve regresyonlar için N(0{,}10) öncülü). Tüm parametrelerde bölünmüş-zincir R̂ \le1{,}016 ve etkin örneklem \ge417'dir. 1960 sanayileşmesinin 1960 demokrasisi üzerindeki etkisi 1{,}47 (sonsal SS =0{,}40; %95 güvenilir aralık 0{,}67–2{,}24), 1965 demokrasisi üzerindeki doğrudan etkisi 0{,}58 (0{,}08–1{,}05), 1960 demokrasisinin 1965 demokrasisi üzerindeki etkisi 0{,}87 (0{,}73–1{,}03) bulunmuştur. Sonsal öngörü p değeri 0{,}56'dır; en çok olabilirlik uyumu da kabul edilebilirdir (\chi^2(38)=40{,}18, CFI =0{,}997, RMSEA =0{,}028).

177.8 Sık hatalar ve tuzaklar

  • Kategorik algılanan sayısal gösterge. Göstergeler model metninden okunur; form rolü olmadığından Veri sekmesinde türü "kategorik" olan bir sütun factor gelir ve "'q1' sayısal değil." iletisi çıkar. Beş düzeyli Likert türü tam sayı sütunları bu duruma düşebilir (örnekte q1, q2 kategorik yapıldığında). Çözüm sütunun türünü Veri sekmesinde sayısal yapmaktır. Ondalık virgüllü metin sütunu da aynı iletiyi verir (kusur kaydı B3).
  • Göstergeler sürekli sayılır. 1–5 puanlı göstergeler eşik modeli olmadan normal sürekli değişken gibi kestirilir (likert.csv: tek faktör, ML \chi^2(5)=7{,}03). Sıralı göstergeler için sirali_cfa_wlsmv kullanın (B9).
  • Eksik satırlar atılır. eksik.csv: 75 satırdan 8'i atıldı, n=67; başka ileti yok. Eksik değer olduğunu başlıktaki n'den anlayın (B2).
  • Yakınsama uyarısı ciddiye alınmalı. Kısa zincir (100+100): en büyük R̂ 1{,}06, "R̂ > 1,05 ya da etkin örneklem < 100" uyarısı çıkar; sonsal ortalamalar yine de ML'ye yakındır ama aralıklar güvenilmez. Tek zincirde (\text{zincir}=1) R̂ yine hesaplanır (bölünmüş zincir) ama zincirler arası uyuşmazlığı gösteremez; en az 3–4 zincir kullanın.
  • Heywood ve tanımsız modeller. İki göstergeli faktör ya da neredeyse kusursuz gösterge, ML'de negatif varyans uyarısı verir (örnekte "some estimated ov variances are negative"); lavaan yine de "yakınsadı" sayıldığından şablon durmaz ve uyarı yalnız Uyarılar: satırına düşer. heywood.csv (üç gösterge, n=60): ML doymuş (\mathrm{sd}=0) ve Bayesci yükler -6{,}77 ve -6{,}64 (SS \approx8{,}3, R̂ \approx3{,}1) gibi anlamsız sonsal verir; şablon üç parametrede R̂ uyarısı yazar.
  • BSEM ve artık kovaryanslar. 177.4.3'teki uyarı: çapraz yük öncülü ve artık kovaryans birlikte tanımsızlık üretir; \sigma_c=0{,}1 ile 28 parametrede R̂ >1{,}05 (B4).
  • std_lv modeli değiştirebilir. Eşit etiketli yüklerle birlikte std_lv açıldığında ML ki-karesi 40{,}18'den 69{,}02'ye çıkar (CFI 0{,}997\to0{,}954): eşit yük kısıtının anlamı değişir (B10). std_lv yalnız eşit etiketsiz modellerde güvenle yeniden parametrelendirme olarak kullanılır.
  • Tohum. Formdaki tohum 0 ya da boşsa çalıştırma tohumu kullanılır; alan varsayılanı (1) olduğu sürece sonucu bu alan belirler ve künyedeki panel tohumu sonucu açıklamaz (B1).
  • Güven düzeyi sütun adında. guven = 0,95 dışında aralık sütunlarının adına düzey eklenir (GA_alt_90); %95'te adlar GA_alt, GA_ust'tur (B6).
  • Eşit etiketli parametreler iki satır. a*y2 ve a*y6 aynı parametredir; tablo ikisini de yazar. "parametre" satırındaki 28, gözlenen değişken artık varyanslarını da sayar (B8).
  • Küçük örneklem. Gözlem sayısı \max(30,\,p+5)'in altındaysa şablon durur (25 satır: "Çok az tam gözlem (25) …"). Eşik yalnız teknik alt sınırdır: tanımlı bir YEM için gizil değişken başına en az 3 gösterge ve yeterli n gerekir.

177.9 Uzman soruları

S1. Sonsal ortalama ile ML kestirimi neden yaklaşık eşit çıkıyor? Bayesci sonucun ML'den farkı ne zaman anlamlı olur?

Öncüller zayıftır (N(0{,}10) yükler ve regresyonlar; SS için gamma(1;0{,}5)): olabilirlik öncülün yoğunluğuna baskın gelir ve sonsal mod ML'ye yakın olur. dem60 ~ ind60 için 1{,}465 ve 1{,}471; fark SS'nin (0{,}40) \%1{,}5'i kadar. Fark, küçük örneklem ve sınırda parametreler (varyansın sıfıra yakın olması: dem65 ~~ dem65 sonsal ortalaması 0{,}223, ML 0{,}164) ya da güçlü öncül (\sigma_c küçük) durumunda belirginleşir; sonsal ortalama varyanslarda sağa çarpık dağılımın ortalamasıdır, ML ise modudur.

S2. Örnek ayar neden yalnız 2 zincir kullanıyor?

Örnek ayar (2 zincir, 300 ısınma, 500 örnek) yalnızca hızdır: örnekte \sim30 saniye. Varsayılan 3 zincir, 1000 ısınma ve 2000 örnektir. R̂'nin bölünmüş-zincir tanımı iki zincirde bile 4 yarı-zincir verir; ama zincirler arası uyuşmazlığı yakalama gücü zincir sayısıyla artar. Yayın için en az 4 zincir ve R̂ <1{,}01 önerilir (Vehtari ve ark., 2021).

S3. `Rhat` hangi tanımla hesaplanıyor ve `coda::gelman.diag` ile neden farklı?

Şablon blavaan'ın psrf değerini yazar; bu, her zincirin yarıya bölündüğü klasik Gelman–Rubin oranıdır ve açık formülle 10^{-15} içinde yeniden üretildi. coda::gelman.diag bölünmemiş zincirlerle ve serbestlik derecesi düzeltmeli \sqrt{\hat V/W\cdot(\mathrm{df}+3)/(\mathrm{df}+1)} ile hesaplar; fark örnekte 0{,}009'a kadardır. Rank-normalleştirilmiş R̂ (Vehtari ve ark., 2021) üçüncü bir tanımdır (bu örnekte birkaç binde farklı). Raporlarken tanım belirtilmelidir (B7).

S4. Önceki ML modelin yakınsamasını denetlemek Bayesci modelin tanımlı olduğunu garanti eder mi?

Hayır. ML yakınsaması modelin yerel olarak tanımlı olduğunu gösterir; kısmi tanımsızlık (çapraz yük + ortak artık kovaryans, BSEM) ya da veri-öncül çatışması ML'de görülmez. Örnekte ML modeli BSEM çapraz yükleri olmadan kurulur (118); çapraz yüklü Bayesci model yakınsamazken ML denetimi geçer. Bayesci tanılama (R̂, etkin örneklem) ayrıca okunmalıdır.

S5. PPP, WAIC ve LOOIC aynı soruya mı cevap verir?

Hayır. PPP, tek modelin gözlenen veriyle uyumunu sınar (mutlak uyum; ki-kare uyumsuzluğuyla). WAIC ve LOOIC modeller arası göreli öngörü başarısını ölçer ve tek başlarına anlam taşımaz. PPP, aşırı karmaşık modellerde neredeyse her zaman 0{,}5'e yaklaşır (tanı gücü düşük); bu nedenle model seçimi için tek başına kullanılmamalıdır. Örnekte p_{\mathrm{WAIC}} tahminlerinin \%38{,}7'si 0{,}4'ten büyüktür: WAIC güvenilir değildir, LOOIC (ve Pareto k tanıları) tercih edilir.

S6. Eksik veri olduğunda ne yapılmalı?

Şablon eksik satırları atar (100) ve ML ayağı da aynı silinmiş veriyle kurulur. Eksik oranı küçük ve rastlantısal ise (\%10 altı) sonuç sağlam kalır; atılan satır sayısı bildirilir (75\to67 örnekte). Eksik oranı büyükse çoklu atama ya da temel programdaki tam bilgi ML yaklaşımı daha uygundur.

S7. `std_lv` açıkken sonuçlar neden anlamlı biçimde kötüleşti?

Modelde a*y2, a*y6 gibi yük eşitlikleri vardır. std_lv açıkken ilk yükler (y_1, y_5) serbest kalır ve her faktörün ölçeği (içsel faktörlerde artık varyansı) 1'e sabitlenir; eşit yük etiketleri ise 1960 ve 1965 için aynı yük değerlerini varsayar. Marker yükleri 1'e sabitken bu eşitlik iki yılın ölçeğini ortak sayardı; ölçek artık varyansla belirlendiğinde eşitlik başka bir varsayım olur. Sonuç yeniden parametrelendirme değil, model değişikliğidir (ML \chi^2 40{,}18\to69{,}02; B10). Eşit etiketler yokken std_lv yalnız ölçek seçimidir ve uyum ölçütleri değişmez.

S8. BSEM'de çapraz yük SS'si nasıl seçilmeli?

Uygulamada sık kullanılan değer \sigma_c=0{,}1'dir (varyans 0{,}01; Muthén ve Asparouhov, 2012 örneği): yaklaşık \pm0{,}2'den küçük yükler öncülün 2\sigma_c içinde kalır. Daha geniş öncül (ör. 0{,}5) çapraz yükleri anlamlı yapabilir ve ana yükleri değiştirir; daha dar öncül ML'nin sıfır kısıtına yaklaşır. Önerilen yol bir duyarlık çözümlemesidir: \sigma_c\in\{0{,}05;0{,}1;0{,}2\} ile yapısal katsayıların sonsal ortalamasını karşılaştırın. Kısmi tanımsızlık (B4) varsa R̂ tanılarını okuyun.

177.10 Kaynaklar

  • Bollen, K. A. (1980). Issues in the comparative measurement of political democracy. American Sociological Review, 45(3), 370–390. https://doi.org/10.2307/2095172
  • Bollen, K. A. (1989). Structural equations with latent variables. Wiley.
  • Carpenter, B., Gelman, A., Hoffman, M. D., Lee, D., Goodrich, B., Betancourt, M., Brubaker, M., Guo, J., Li, P., & Riddell, A. (2017). Stan: A probabilistic programming language. Journal of Statistical Software, 76(1), 1–32. https://doi.org/10.18637/jss.v076.i01
  • Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian data analysis (3. bs.). CRC Press.
  • Gelman, A., Meng, X.-L., & Stern, H. (1996). Posterior predictive assessment of model fitness via realized discrepancies. Statistica Sinica, 6(4), 733–760.
  • Gelman, A., & Rubin, D. B. (1992). Inference from iterative simulation using multiple sequences. Statistical Science, 7(4), 457–472. https://doi.org/10.1214/ss/1177011136
  • Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
  • Merkle, E. C., Fitzsimmons, E., Uanhoro, J., & Goodrich, B. (2021). Efficient Bayesian structural equation modeling in Stan. Journal of Statistical Software, 100(6), 1–22. https://doi.org/10.18637/jss.v100.i06
  • Merkle, E. C., & Rosseel, Y. (2018). blavaan: Bayesian structural equation models via parameter expansion. Journal of Statistical Software, 85(4), 1–30. https://doi.org/10.18637/jss.v085.i04
  • Muthén, B., & Asparouhov, T. (2012). Bayesian structural equation modeling: A more flexible representation of substantive theory. Psychological Methods, 17(3), 313–335. https://doi.org/10.1037/a0026802
  • R Core Team (2026). R: A language and environment for statistical computing. R Foundation for Statistical Computing.
  • Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
  • Vehtari, A., Gelman, A., & Gabry, J. (2017). Practical Bayesian model evaluation using leave-one-out cross-validation and WAIC. Statistics and Computing, 27(5), 1413–1432. https://doi.org/10.1007/s11222-016-9696-4
  • Vehtari, A., Gelman, A., Simpson, D., Carpenter, B., & Bürkner, P.-C. (2021). Rank-normalization, folding, and localization: An improved \hat R for assessing convergence of MCMC. Bayesian Analysis, 16(2), 667–718. https://doi.org/10.1214/20-BA1221