R lavaan中SEM下分类自变量与CFA连续调节变量的交互建模问题

1. 为什么当前写法会报错 #

你直接用FAC1:MOD的写法无法在lavaan中实现分类观测变量和潜变量的交互：lavaan的冒号语法仅支持观测变量之间的交互，或多组模型的参数约束，你这种写法会被lavaan错误识别为定义潜变量的指标，最终导致模型识别失败，出现方差协方差矩阵非正定的报错。

2. 可行的实现方案 #

方案1：乘积指标法（推荐正式分析使用） #

借助semTools包的indProd()函数生成潜调节变量的乘积指标，采用无约束方法估计交互效应，能保留测量误差校正的优势：

# 加载扩展包
library(semTools)

# 先对调节变量的题项做中心化，降低共线性
StudyData[, c("MOD1", "MOD2", "MOD3")] <- scale(StudyData[, c("MOD1", "MOD2", "MOD3")], 
                                                 center = TRUE, scale = FALSE)

# 生成MOD题项和FAC1的乘积指标
StudyData <- indProd(StudyData, var1 = c("MOD1", "MOD2", "MOD3"), var2 = "FAC1", match = TRUE)

# 构建带交互的SEM模型
mod_interact <- '
# 测量模型
DV =~ DV1 + DV2 + DV3
MOD =~ MOD1 + MOD2 + MOD3
# 交互项潜变量，对应生成的乘积指标
INT =~ MOD1.FAC1 + MOD2.FAC1 + MOD3.FAC1

# 回归路径，同时纳入主效应和交互
DV ~ FAC1 + MOD + INT + FAC2 + FAC12

# 约束无关协方差为0，提升模型识别度
INT ~~ 0*MOD
INT ~~ 0*FAC1
'

# 运行模型
fit_interact <- sem(mod_interact, data = StudyData, estimator = "MLM", meanstructure = TRUE)
summary(fit_interact)

方案2：分组估计法（适合二分类自变量场景） #

因为你的FAC1是二分类变量，可以直接作为分组变量，约束测量模型参数跨组相等后，检验两组MOD对DV的路径系数是否存在显著差异，等价于检验交互效应：

mod_group <- '
# 测量模型载荷跨组约束相等
DV =~ DV1 + DV2 + DV3
MOD =~ c(l1,l1)*MOD1 + c(l2,l2)*MOD2 + c(l3,l3)*MOD3
# 回归路径，分组估计MOD的系数
DV ~ c(b_a, b_b)*MOD + FAC2 + FAC12
'

fit_group <- sem(mod_group, data = StudyData, group = "FAC1", estimator = "MLM", meanstructure = TRUE)
# 检验两组系数是否相等，显著则说明交互效应存在
lavTestWald(fit_group, constraints = "b_a == b_b")

方案3：因子得分法（适合探索性分析） #

你提到的先提取MOD的因子得分，再手动计算交互项的方法也可以实现，但因子得分本身包含测量误差，结果会有一定偏差，不建议用于正式发表：

# 先拟合CFA提取因子得分
cfa_mod <- 'MOD =~ MOD1 + MOD2 + MOD3'
fit_cfa <- cfa(cfa_mod, data = StudyData)
StudyData$MOD_score <- lavPredict(fit_cfa)[, "MOD"]
# 手动计算交互项
StudyData$INT_score <- StudyData$FAC1 * StudyData$MOD_score

# 路径分析模型
mod_score <- '
DV =~ DV1 + DV2 + DV3
DV ~ FAC1 + MOD_score + INT_score + FAC2 + FAC12
'
fit_score <- sem(mod_score, data = StudyData, estimator = "MLM")
summary(fit_score)

3. Mplus的支持情况 #

Mplus可以直接通过XWITH命令定义观测变量和潜变量的交互项，内置了LMS、QML等多种潜交互估计方法，不需要手动生成乘积指标，确实不需要额外处理即可完成该类建模。

内容的提问来源于stack exchange，提问作者JoeyyyFunk