如何在lavaan回归模型中计算各预测变量的效应量？

当然可以，你这个模型本质是带FIML缺失值处理的多元线性回归，常用的效应量（标准化系数、半偏/偏R²等）都能计算，具体方法如下：

1. 标准化回归系数（β） #

这是最直观的效应量，反映预测变量对因变量的标准化影响程度。只需修改summary()的参数，开启标准化输出：

summary(model, standardize = TRUE, ci = TRUE, rsquare = TRUE)

输出结果里的Std.all列就是每个预测变量对应的标准化回归系数，数值越大表示该变量对因变量的标准化影响越强。

2. 半偏相关平方（Semi-partial R²） #

该指标表示单个预测变量在控制其他变量后，能独立解释的因变量变异比例（即该变量加入模型后R²的增量）。可以借助semTools包的工具计算：
首先安装并加载包：

install.packages("semTools")
library(semTools)

然后分解R²获取半偏效应量：

rsq_decomp <- rsquareDecomp(model)
print(rsq_decomp$semipartial)

输出结果对应每个预测变量的半偏R²，能直接体现变量的独特解释力。

3. 偏相关平方（Partial R²） #

这个指标反映在排除其他预测变量的影响后，目标变量与因变量的相关平方，更侧重变量的“净效应”。同样用rsquareDecomp函数提取：

print(rsq_decomp$partial)

4. 带Bootstrap置信区间的效应量 #

因为你的模型已经使用了Bootstrap方法，还可以提取带置信区间的效应量结果，比如标准化系数的Bootstrap区间：

boot_results <- parameterEstimates(model, boot = TRUE, standardized = TRUE)
# 筛选因变量为criterion的预测变量系数
beta_boot <- boot_results[boot_results$op == "~" & boot_results$lhs == "criterion", 
                          c("rhs", "std.all", "ci.lower", "ci.upper")]
print(beta_boot)

内容的提问来源于stack exchange，提问作者Madamadam