Lavaan能否构建形成性测量模型？变量XX测量方式及代码咨询

核心问题 #

• 变量XX的测量形式选择：理论上因测量核心为知识类内容，形成性测量模型更适配，但当前模型存在识别问题
• 已尝试的识别手段：固定第一个指标载荷为1；考虑过限制XX的方差为1、允许CC指标间协方差（疑问：此举能否提供新信息、是否会增加自由度）
• 关键疑问：形成性测量模型能否在Lavaan中完整建模，还是仅能通过PLS路径建模实现？若Lavaan可行，该案例的最优建模方式是什么？

解答与最优建模方案 #

1. Lavaan对形成性模型的支持 #

Lavaan完全支持形成性测量模型的建模，无需局限于PLS路径建模，且能实现比PLS更严谨的模型检验（如拟合指数、显著性检验等）。

2. 形成性模型的识别策略 #

形成性模型的识别需要锚定潜变量的度量单位，常用且合理的策略有两种（二选一即可，无需同时使用）：

• 固定第一个指标的载荷为1：你在代码中已实现XX <~ 1*CC，这是最常用的方法，操作简单且符合度量逻辑
• 固定潜变量的方差为1：替代方案，语法为XX ~~ 1*XX，效果与固定第一个载荷一致

关于你提到的额外策略：

• 允许CC指标间协方差：若理论上这些指标存在共同方法变异或其他关联，可添加协方差约束，但此举不会增加自由度（反而会减少，因为多估计了协方差参数）；若无理论依据，不建议随意添加，避免模型过度拟合。
• 注意：形成性模型中，指标的残差方差应自由估计，代码中CC ~~ 1*CC是固定残差方差为1，除非有特殊理论依据，否则应删除该约束。

3. 针对该案例的代码优化建议 #

整理后的代码如下，修正了不合理的约束，并优化了格式：

# 原始测量模型（未打包）
modPP <- '
    # 测量模型
    ZZ =~ AA1 + AA2 + AA3 + AA4 + AA5 + AA6 + AA7 + AA8 + AA9 + AA10
    BB =~ YY1 + YY2 + YY3 + YY4 + YY5
    XX <~ CC1 + CC2 + CC3 + CC4 + CC5 + CC6 + CC7 + CC8 + CC9 + CC10 +
          CC11 + CC12 + CC13 + CC14 + CC15 + CC16 + CC17 + CC18 + CC19 + CC20 +
          CC21 + CC22 + CC23 + CC24 + CC25 + CC26 + CC27 + CC28 + CC29 + CC30 +
          CC31 + CC32 + CC33 + CC34 + CC35
'

# 打包后的测量模型
modPP_parcel <- '
    # 测量模型
    ZZ =~ par1 + par2 + par3 + par4
    BB =~ YY1 + YY2 + YY3 + YY4 + YY5
    # 固定第一个形成性指标载荷为1，实现模型识别
    XX <~ 1*CC1 + CC2 + CC3 + CC4 + CC5 + CC6 + CC7 + CC8 + CC9 + CC10 +
          CC11 + CC12 + CC13 + CC14 + CC15 + CC16 + CC17 + CC18 + CC19 + CC20 +
          CC21 + CC22 + CC23 + CC24 + CC25 + CC26 + CC27 + CC28 + CC29 + CC30 +
          CC31 + CC32 + CC33 + CC34 + CC35
    
    # 路径模型
    JJ  ~ ZZ + BB + XX + U + T
    ZZ ~ U + XX + T
    BB ~ XX + U + ZZ + T
    CC1 ~ U + T  # 注意：若要所有CC指标都回归U和T，需逐个列出或用循环生成
    U ~ T
    
    # 残差协方差（仅当理论支持时保留）
    YY1 ~~ YY2
'

# 定义打包变量名
parcel.names_PP <- paste0("par", 1:4)

# 执行项目打包并评估拟合
parcelAllocation(modPP_parcel, df, parcel.names_PP, modPP, 
                 nAlloc = 100, fun = "cfa", alpha = 0.05, 
                 fit.measures = c("chisq", "df", "cfi", "tli", "rmsea", "srmr"),
                 show.progress = FALSE, iseed = 12345, do.fit = TRUE, 
                 return.fit = TRUE, warn = FALSE)

# 生成打包后的数据列表
dataList <- parcelAllocation(modPP_parcel, df, parcel.names_PP, modPP, nAlloc = 100, iseed = 12345,
                             do.fit = FALSE)

# 拟合多组/缺失数据模型
fit.parcelsPP <- sem.mi(modPP_parcel, data = dataList)
# 输出结果
summary(fit.parcelsPP, fit.measures = TRUE, standardized = TRUE, rsq = TRUE)

# 查看警告
warnings()

额外注意事项 #

• 项目打包（parcelAllocation）用于反映性潜变量ZZ是合理的，但需确保打包逻辑符合理论（如按维度打包、随机打包）
• 若CC指标数量过多（35个），可考虑先进行探索性因子分析筛选核心指标，避免形成性模型过于复杂
• 形成性模型的检验重点在于指标的显著性和模型整体拟合，而非反映性模型常用的信度指标（如Cronbach's α）

内容的提问来源于stack exchange，提问作者HHKK