潜变量因子值估算流程及parcel与原始数据选择的技术咨询

核心问题解答 #

1. 能否基于Parcel确定因子值？ #

lavPredict仅支持普通lavaan对象，不兼容parcelAllocation生成的lavaan.mi对象，所以直接用parcel后的多组插补模型无法调用lavPredict计算因子值。如果需要得到parcel对应的因子值，有两种可行方式：

• 提取parcel后的数据集，单独拟合一个普通的lavaan模型（非多组插补版本），再将该模型传入lavPredict计算
• 手动计算：用parcel的因子载荷乘以parcel得分，再进行标准化处理（但这种方式不如lavPredict精准，且需要自行处理模型参数的提取）

不过更建议用原始条目拟合的模型计算因子值来做假设检验——parcel会合并原始条目信息，降低假设检验的敏感度，不利于发现数据中的线性偏离或异常值。

2. 正确的操作流程 #

你的判断是对的，正确流程应遵循「先验假设检验，后parcel处理」的逻辑：

• 第一步：原始条目拟合与因子值计算
  用原始条目构建SEM模型，得到普通lavaan对象，调用lavPredict生成潜变量因子值。
• 第二步：假设检验
  用生成的因子值检验线性假设（比如绘制因子与目标变量的散点图、残差正态性检验）、无异常值假设（比如计算马氏距离、Cook距离，或用箱线图识别极端值）。
• 第三步：后续处理
  若假设满足，再使用parcelAllocation进行parcel处理，构建lavaan.mi对象并评估模型拟合；若假设不满足，先对数据进行修正（如变量转换、移除/修正异常值、调整模型结构），直到假设符合要求后再进入parcel环节。

关键逻辑说明 #

线性与无异常值假设是SEM建模的基础前提，若假设不成立，后续parcel处理得到的模型拟合结果可靠性会大幅下降——parcel本身是为了简化模型、减少参数估计压力，而非弥补数据假设的缺陷，因此必须先确保基础假设满足，再开展parcel相关操作。

内容的提问来源于stack exchange，提问作者HHKK