So berechnet die Skalare Messinvarianz in Pythons semopy.multigroup () ⇐ Python

[Anonymous]

Ich führe einen CFA auf einem gepoolten Datensatz mit 21 Elementvariablen und einer Gruppe von Gruppe durch, die die Zeilen für 15 verschiedene Wellen von Umfrageinquiren (zweiwöchentlich) zuweist. Mein CFA -Modell über die gepoolten Daten passt gut, aber ich möchte die (longitudinale) Messinvarianz über die verschiedenen Wellen überprüfen. Ich verwende Python und Semopy und habe keine Probleme, einschließlich der metrischen Invarianz (Faktorloadings sind gleich), da dies die Standardoption in der Semopy ist. Ich habe bereits versucht, das Model_Dict zu ändern und eine Option in der Multigruppe () -Funktion zu finden, aber diese Solvings haben mich nirgendwo geführt. Ich schätze jede Hilfe < /p>
Hier ist ein Code -Snippet mit zufällig generierten Daten. < /P>

Code: Select all

import pandas as pd
from scipy import stats
import semopy
from semopy.multigroup import multigroup

# Generate dataset
np.random.seed(42)
num_wave = 15
n_per_wave = 100
items = [
"F1A5_2", "F1A10_2r", "F3A18_1", "F1A10_1", "F1A16_1r", "F1A17_1",
"F5A5_1", "F1A9_1", "F1A15_1", "F3A7_1", "F3A8_1", "F3A34_1",
"F1A17_2", "F5eA3_1", "F5eA4_1", "F5cA3_1", "F1A16_2", "F5A11_1r",
"F2A11", "F2A12", "F3A10_1r"
]

df_pool = pd.DataFrame({
"wave": np.repeat(np.arange(1, num_wave + 1), n_per_wave)
})
for item in items:
df_pool[item] = np.random.normal(3, 1, len(df_pool))

# CFA Model with Second-Order-Factors
model_dict = """
F1_effic =~ F1A5_2 + F1A10_2r + F3A18_1
F21_resent =~ F1A10_1 + F1A16_1r + F1A17_1 + F5A5_1
F22_affec =~ F1A9_1 + F1A15_1
F4_cosmo  =~ F3A7_1 + F3A8_1 + F3A34_1
F5_consp  =~ F1A17_2 + F5eA3_1 + F5eA4_1 + F5cA3_1 + F1A16_2 + F5A11_1r
F6_envir =~ F2A11 + F2A12 + F3A10_1r

F2_rebel =~ F21_resent + F22_affec
"""

model_multi = multigroup(model_dict, df_pool, group='wave')
print(model_multi.stats)
```