Heywood case: lavaan warning message: some estimated variances are negative

3056 views
Skip to first unread message

Diego

unread,
Aug 31, 2018, 5:40:26 AM8/31/18
to lavaan

Hi lavaan group,


I have been trying different model specification for my sem model but always ended up with a Heywood case (probably induced by the small sample size and partially by the model misspecification). 


> fit <- cfa(model, data=x_dat, estimator="MLM", std.lv=TRUE, test = "bootstrap", likelihood = "wishart") #WLSMV
Warning message:
In lav_object_post_check(object) :
  lavaan WARNING: some estimated ov variances are negative

I have read the forum looking for similar cases and try to improve the model, but it did not help. I based my model on a previous PCA and EFA results.


model <- '

# measurement model

factor_1 =~ Organic_N + Organic_P2O5 + Organic_K2O + Animal + Human

factor_2 =~ Inorganic_N + Inorganic_P2O5 + Inorganic_K2O + Machinery + CED + HT + FAET + MAET + Fungicide + Insecticide

factor_3 =~ GWP + AP + EP

# regressions/structural

factor_1 ~ factor_3

factor_2 ~ factor_3

# residual correlations

HT ~~ FAET

HT ~~ MAET

FAET ~~ MAET

CED ~~ Machinery

Inorganic_P2O5 ~~ MAET

AP ~~ EP

'


I tried to set the first loading of factor_1 equal to 1 (1*Organic_N) but it did not work.


> inspect(fit,what="std")$lambda #loadings

               fctr_1 fctr_2 fctr_3

Organic_N       1.019  0.000  0.000

Organic_P2O5    0.877  0.000  0.000

Organic_K2O     0.833  0.000  0.000

Animal          0.509  0.000  0.000

Human           0.684  0.000  0.000

Inorganic_N     0.000  0.881  0.000

Inorganic_P2O5  0.000  0.863  0.000

Inorganic_K2O   0.000  0.904  0.000

Machinery       0.000  0.465  0.000

CED             0.000  0.892  0.000

HT              0.000  0.828  0.000

FAET            0.000  0.755  0.000

MAET            0.000  0.623  0.000

Fungicide       0.000  0.502  0.000

Insecticide     0.000  0.298  0.000

GWP             0.000  0.000  0.982

AP              0.000  0.000  0.856

EP              0.000  0.000  0.710

 

This is the fit of my model:

> summary(fit, standardized=TRUE, fit.measures=TRUE, rsquare=TRUE, ci=TRUE)
lavaan 0.6-2 ended normally after 76 iterations
 
  Optimization method                           NLMINB
  Number of free parameters                         44
 
  Number of observations                            58
 
  Estimator                                         ML      Robust
  Model Fit Test Statistic                     436.301     293.327
  Degrees of freedom                               127         127
  P-value (Chi-square)                           0.000       0.000
  Scaling correction factor                                  1.487
    for the Satorra-Bentler correction
 
Model test baseline model:
 
  Minimum Function Test Statistic             1591.910     820.132
  Degrees of freedom                               153         153
  P-value                                        0.000       0.000
 
User model versus baseline model:
 
  Comparative Fit Index (CFI)                    0.785       0.751
  Tucker-Lewis Index (TLI)                       0.741       0.700
 
  Robust Comparative Fit Index (CFI)                         0.809
  Robust Tucker-Lewis Index (TLI)                            0.770
 
Loglikelihood and Information Criteria:
 
  Loglikelihood user model (H0)               -893.430    -893.430
  Loglikelihood unrestricted model (H1)       -671.453    -671.453
 
  Number of free parameters                         44          44
  Akaike (AIC)                                1874.861    1874.861
  Bayesian (BIC)                              1965.520    1965.520
  Sample-size adjusted Bayesian (BIC)         1827.177    1827.177
 
Root Mean Square Error of Approximation:
 
  RMSEA                                          0.207       0.152
  90 Percent Confidence Interval          0.186  0.228       0.133  0.170
  P-value RMSEA <= 0.05                          0.000       0.000
 
  Robust RMSEA                                               0.185
  90 Percent Confidence Interval                             0.157  0.213
 
Standardized Root Mean Square Residual:
 
  SRMR                                           0.186       0.186
 
Parameter Estimates:
 
  Information                                 Expected
  Information saturated (h1) model          Structured
  Standard Errors                           Robust.sem
 
Latent Variables:
                   Estimate  Std.Err  z-value  P(>|z|) ci.lower ci.upper   Std.lv  Std.all
  factor_1 =~                                                                             
    Organic_N         1.000                               1.000    1.000    1.173    1.019
    Organic_P2O5      0.837    0.099    8.455    0.000    0.643    1.031    0.982    0.877
    Organic_K2O       0.786    0.100    7.825    0.000    0.589    0.983    0.922    0.833
    Animal            0.449    0.179    2.513    0.012    0.099    0.799    0.527    0.509
    Human             0.623    0.093    6.684    0.000    0.440    0.805    0.730    0.684
  factor_2 =~                                                                             
    Inorganic_N       0.833    0.106    7.870    0.000    0.625    1.040    0.966    0.881
    Inorganic_P2O5    0.812    0.079   10.251    0.000    0.657    0.968    0.942    0.863
    Inorganic_K2O     0.859    0.089    9.661    0.000    0.685    1.034    0.996    0.904
    Machinery         0.410    0.132    3.098    0.002    0.151    0.670    0.476    0.465
    CED               0.846    0.093    9.071    0.000    0.663    1.028    0.981    0.892
    HT                0.773    0.075   10.304    0.000    0.626    0.920    0.897    0.828
    FAET              0.695    0.094    7.403    0.000    0.511    0.879    0.806    0.755
    MAET              0.560    0.112    4.983    0.000    0.340    0.780    0.649    0.623
    Fungicide         0.445    0.167    2.669    0.008    0.118    0.772    0.516    0.502
    Insecticide       0.259    0.115    2.252    0.024    0.034    0.485    0.301    0.298
  factor_3 =~                                                                             
    GWP               0.982    0.083   11.822    0.000    0.819    1.144    0.982    0.982
    AP                0.856    0.106    8.106    0.000    0.649    1.063    0.856    0.856
    EP                0.710    0.134    5.314    0.000    0.448    0.972    0.710    0.710
 
Regressions:
                   Estimate  Std.Err  z-value  P(>|z|) ci.lower ci.upper   Std.lv  Std.all
  factor_1 ~                                                                              
    factor_3          0.613    0.188    3.260    0.001    0.244    0.981    0.523    0.523
  factor_2 ~                                                                              
    factor_3          0.587    0.184    3.189    0.001    0.226    0.948    0.506    0.506
 
Covariances:
                    Estimate  Std.Err  z-value  P(>|z|) ci.lower ci.upper   Std.lv  Std.all
 .HT ~~                                                                                    
   .FAET               0.413    0.097    4.240    0.000    0.222    0.604    0.413    0.970
   .MAET               0.460    0.105    4.370    0.000    0.254    0.667    0.460    0.928
 .FAET ~~                                                                                  
   .MAET               0.544    0.129    4.222    0.000    0.292    0.797    0.544    0.953
 .Machinery ~~                                                                             
   .CED                0.323    0.169    1.904    0.057   -0.009    0.655    0.323    0.717
 .Inorganic_P2O5 ~~                                                                        
   .MAET               0.142    0.046    3.125    0.002    0.053    0.232    0.142    0.317
 .AP ~~                                                                                    
   .EP                 0.208    0.079    2.638    0.008    0.053    0.362    0.208    0.570
 .factor_1 ~~                                                                              
   .factor_2          -0.897    0.043  -20.869    0.000   -0.981   -0.813   -0.897   -0.897
 
Variances:
                   Estimate  Std.Err  z-value  P(>|z|) ci.lower ci.upper   Std.lv  Std.all
   .Organic_N        -0.052    0.032   -1.595    0.111   -0.115    0.012   -0.052   -0.039
   .Organic_P2O5      0.289    0.074    3.910    0.000    0.144    0.434    0.289    0.230
   .Organic_K2O       0.374    0.118    3.167    0.002    0.142    0.605    0.374    0.305
   .Animal            0.795    0.280    2.840    0.005    0.246    1.344    0.795    0.741
   .Human             0.607    0.160    3.795    0.000    0.293    0.920    0.607    0.532
   .Inorganic_N       0.269    0.111    2.430    0.015    0.052    0.486    0.269    0.224
   .Inorganic_P2O5    0.305    0.089    3.408    0.001    0.129    0.480    0.305    0.256
   .Inorganic_K2O     0.222    0.070    3.155    0.002    0.084    0.359    0.222    0.183
   .Machinery         0.822    0.417    1.973    0.048    0.006    1.639    0.822    0.784
   .CED               0.246    0.078    3.149    0.002    0.093    0.399    0.246    0.204
   .HT                0.370    0.085    4.331    0.000    0.203    0.537    0.370    0.315
   .FAET              0.491    0.120    4.091    0.000    0.256    0.726    0.491    0.430
   .MAET              0.664    0.143    4.646    0.000    0.384    0.945    0.664    0.612
   .Fungicide         0.791    0.279    2.836    0.005    0.244    1.338    0.791    0.748
   .Insecticide       0.929    0.697    1.334    0.182   -0.436    2.294    0.929    0.911
   .GWP               0.037    0.028    1.306    0.192   -0.018    0.091    0.037    0.037
   .AP                0.268    0.069    3.887    0.000    0.133    0.402    0.268    0.268
   .EP                0.496    0.142    3.500    0.000    0.218    0.773    0.496    0.496
   .factor_1          1.000                               1.000    1.000    0.727    0.727
   .factor_2          1.000                               1.000    1.000    0.744    0.744
    factor_3          1.000                               1.000    1.000    1.000    1.000
 
R-Square:
                   Estimate
    Organic_N            NA
    Organic_P2O5      0.770
    Organic_K2O       0.695
    Animal            0.259
    Human             0.468
    Inorganic_N       0.776
    Inorganic_P2O5    0.744
    Inorganic_K2O     0.817
    Machinery         0.216
    CED               0.796
    HT                0.685
    FAET              0.570
    MAET              0.388
    Fungicide         0.252
    Insecticide       0.089
    GWP               0.963
    AP                0.732
    EP                0.504
    factor_1          0.273
    factor_2          0.256

 

Do you have any plausible solution or advice to deal with this error?


Thanks in advance,


Diego

Edward Rigdon

unread,
Aug 31, 2018, 9:27:34 AM8/31/18
to lav...@googlegroups.com
You have 58 observations estimating 44 free parameters, so there is no reaon to expect good results. However, in these results you request standardized output. That is why your attempted constraint of a loading to 1 does not appear. Your constraints apply to the original, unstandardized parameter estimates. It is possible to impose them at the standardized level, but that is unrelated to the warning message. To force that residual variance to be nonnegative, you will need to constrain that parameter directly, as in:
varA ~~ 0 * varA
or
varA ~~ steve * varA
steve > 0



 
--
You received this message because you are subscribed to the Google Groups "lavaan" group.
To unsubscribe from this group and stop receiving emails from it, send an email to lavaan+un...@googlegroups.com.
To post to this group, send email to lav...@googlegroups.com.
Visit this group at https://groups.google.com/group/lavaan.
For more options, visit https://groups.google.com/d/optout.

Fabrício Fialho

unread,
Mar 3, 2019, 7:14:00 PM3/3/19
to lavaan
Hi all,

I wonder if the syntax to constrain residuals in lavaan 0.6x changed in comparison to previous versions. For some reason, I cannot apply constrain to residuals. For instance, in one model, I have experienced Heywood cases and I tried to constrain the residual to be >= 0.

If I try to constrain it to == 0 (I use Ed's 'steve' fun example here):

q13.i4 ~~ steve*q13.i4
steve
== 0


residual variance remains negative

Variances:
                   
Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
(...)
   
.q13.i4  (stev)   -0.132                              -0.132   -0.132
(...)




If I try to constrain steve to be > 0, 

q13.i4 ~~ steve*q13.i4
steve
> 0


then the model does not converge. 



What could be causing this? Not sure this might make any sense, but I wonder if the issue is in OPTIMIZER internal to lavaan. I notice if I set "optim.method" to be "nlminb", "BFGS" or "L-BFGS-B", lavaan works. However, if I set "optim.method" to be "nlminb.constr" I receive the following error message: 

Error in lav_model_estimate(lavmodel = lavmodel, lavpartable = lavpartable,  :
  OPTIMIZER
%in% c("NLMINB0", "NLMINB1", "NLMINB2", "NLMINB", "BFGS",  .... is not TRUE


Thanks!

Terrence Jorgensen

unread,
Mar 6, 2019, 2:51:07 PM3/6/19
to lavaan
It works as expected in the latest development version (0.6-4.1349)

HS.model <- ' visual  =~ x1 + x2 + x3
              textual =~ x4 + x5 + x6
              speed   =~ x7 + x8 + x9
visual ~~ steve*speed '

# returns 0 for this correlation
summary
(cfa(HS.model, data=HolzingerSwineford1939, constraints = 'steve == 0'))
# cannot find a solution with a negative covariance
summary
(cfa(HS.model, data=HolzingerSwineford1939, constraints = 'steve < 0'))


If I try to constrain steve to be > 0, the model does not converge.  What could be causing this? 

There must not be a good solution that includes positive values of that parameter.  Constraining variances to be positive has negative consequences anyway.

Savalei, V., & Kolenikov, S. (2008). Constrained versus unconstrained estimation in structural equation modeling. Psychological Methods, 13(2), 150.

Better to leave it unconstrained, and simply test the null hypothesis that the value is truly nonnegative in the population by checking that the CI includes positive values.


summary(fit, ci = TRUE)


Terrence D. Jorgensen
Assistant Professor, Methods and Statistics
Research Institute for Child Development and Education, the University of Amsterdam

Stas Kolenikov

unread,
Mar 6, 2019, 3:59:33 PM3/6/19
to lav...@googlegroups.com
Thanks for advertising our work, Terrence :)

Diego, what is the goal of your SEM exercise? None of the research that uses SEM is going to discuss and interpret EVERY parameter in the model. Most of the time, you just want the factor regressions, or something like that. If that is the case, the Heywood case in one of the measurement equations is weird and annoying, but does not necessarily negate the whole model. You can throw in more error correlations and see if the principal parameters of your interest change. And if your interest is indeed in the factor regressions, you can at least try Bollen's model-implied instrumental variables.

Constraining variances to be non-negative is one thing. Constraining them to be strictly positive is another: if the unconstrained estimated variance is negative, then the optimization algorithm will be just trying to make the number as small as possible, but may never be able to declare convergence because the numbers keep changing. With a non-negative constraint, you at least give the program a chance to bookend at zero. Generally, optimization with constraints of the type > or >= is far more complicated than with equality constraints, and details of what exactly you are asking the software to do may matter a lot.

Finally, as Ed pointed out a few emails earlier, a model with 127 estimated parameters based on 58 observations is... uhm... unconvincing. And Satorra-Benter corrections that need stable fourth-order moment estimates are less convincing still -- they really require sample sizes in a few thousands to produce anything meaningful. Again, MIIV could be a better deal for you given the tiny sample size.

-- Stas Kolenikov, PhD, PStat (ASA, SSC)  @StatStas
-- Principal Scientist, Abt Associates @AbtDataScience
-- Opinions stated in this email are mine only, and do not reflect the position of my employer
-- http://stas.kolenikov.name
 


Burt Hatch

unread,
Nov 17, 2019, 8:59:02 PM11/17/19
to lavaan
Hi all,

I have an issue related to this post.

I am estimating a bifactor model with ordinal data for the purpose of determining proportion of variance attributable to a general factor vs specific factors.
I am estimating the model using 100 multiply imputed data sets with a sample of 452 using the semTools cfa.mi function. The output of the model is pasted below. One Item (.CSH_S4a) has a negative estimated variance. My question is, how do I calculate the CI for this variance using any of the methods in "Savalei, V., & Kolenikov, S. (2008). Constrained versus unconstrained estimation in structural equation modeling. Psychological Methods, 13(2), 150." ? 

Sorry if I am missing something obvious here and thank you in advance for your time.

Burt

Parameter Estimates:

  Information                                 Expected
  Information saturated (h1) model        Unstructured
  Standard errors                           Robust.sem

Latent Variables:
                   Estimate  Std.Err  t-value       df  P(>|t|) ci.lower ci.upper
  A =~                                                                           
    CSH_B3a           0.155    0.074    2.098      Inf    0.036    0.010    0.299
    CSH_S4a           0.793    0.103    7.663      Inf    0.000    0.590    0.996
    CSH_S5a           0.430    0.080    5.406      Inf    0.000    0.274    0.586
    CSH_S2a           0.443    0.073    6.103      Inf    0.000    0.301    0.585
    CSH_B11a          0.069    0.081    0.852      Inf    0.394   -0.090    0.229
    CSH_B2a           0.071    0.087    0.815      Inf    0.415   -0.100    0.243
  B =~                                                                           
    CSH_B8a           0.737    0.037   20.089      Inf    0.000    0.665    0.808
    CSH_B13a          0.573    0.054   10.691      Inf    0.000    0.468    0.679
    CSH_B4a           0.842    0.036   23.644      Inf    0.000    0.772    0.912
    CSH_B5a           0.730    0.041   17.997      Inf    0.000    0.650    0.809
    CSH_S10a          0.272    0.063    4.316      Inf    0.000    0.149    0.396
  C =~                                                                           
    CSH_S19a          0.461    0.083    5.558      Inf    0.000    0.299    0.624
    CSH_W2a           0.557    0.075    7.468      Inf    0.000    0.411    0.703
    CSH_S7a           0.377    0.089    4.247      Inf    0.000    0.203    0.551
    CSH_S8a           0.213    0.073    2.924      Inf    0.003    0.070    0.355
    CSH_W1a           0.506    0.078    6.515      Inf    0.000    0.354    0.658
  D =~                                                                           
    CSH_M7a           0.646    0.049   13.058      Inf    0.000    0.549    0.743
    CSH_M6a           0.791    0.035   22.329      Inf    0.000    0.721    0.860
    CSH_M4a           0.422    0.052    8.155      Inf    0.000    0.321    0.524
    CSH_D3a          -0.019    0.060   -0.320      Inf    0.749   -0.137    0.098
    CSH_M5a           0.861    0.030   28.740      Inf    0.000    0.802    0.919
    CSH_M2a           0.909    0.031   29.240      Inf    0.000    0.848    0.970
  G =~                                                                           
    CSH_B3a           0.536    0.050   10.613      Inf    0.000    0.437    0.635
    CSH_S4a           0.711    0.053   13.491      Inf    0.000    0.608    0.814
    CSH_S5a           0.487    0.065    7.438      Inf    0.000    0.359    0.615
    CSH_S2a           0.710    0.043   16.345      Inf    0.000    0.625    0.796
    CSH_B11a          0.673    0.044   15.246      Inf    0.000    0.587    0.760
    CSH_B2a           0.645    0.054   11.932      Inf    0.000    0.539    0.751
    CSH_B8a           0.486    0.052    9.266      Inf    0.000    0.383    0.589
    CSH_B13a          0.514    0.055    9.325      Inf    0.000    0.406    0.622
    CSH_B4a           0.526    0.052   10.144      Inf    0.000    0.424    0.627
    CSH_B5a           0.447    0.057    7.893      Inf    0.000    0.336    0.558
    CSH_S10a          0.449    0.057    7.898      Inf    0.000    0.337    0.560
    CSH_S19a          0.403    0.067    6.024      Inf    0.000    0.272    0.534
    CSH_W2a           0.607    0.054   11.214      Inf    0.000    0.501    0.713
    CSH_S7a           0.313    0.070    4.466      Inf    0.000    0.176    0.451
    CSH_S8a           0.569    0.048   11.885      Inf    0.000    0.475    0.662
    CSH_W1a           0.539    0.050   10.887      Inf    0.000    0.442    0.636
    CSH_M7a           0.377    0.064    5.861      Inf    0.000    0.251    0.503
    CSH_M6a           0.316    0.066    4.771      Inf    0.000    0.186    0.445
    CSH_M4a           0.437    0.057    7.700      Inf    0.000    0.325    0.548
    CSH_D3a           0.380    0.059    6.428 4801.702    0.000    0.264    0.496
    CSH_M5a           0.098    0.061    1.594      Inf    0.111   -0.022    0.218
    CSH_M2a           0.089    0.069    1.276      Inf    0.202   -0.047    0.224

Covariances:
                   Estimate  Std.Err  t-value       df  P(>|t|) ci.lower ci.upper
  A ~~                                                                           
    G                 0.000                                        0.000    0.000
  B ~~                                                                           
    G                 0.000                                        0.000    0.000
  C ~~                                                                           
    G                 0.000                                        0.000    0.000
  D ~~                                                                           
    G                 0.000                                        0.000    0.000
  A ~~                                                                           
    B                 0.000                                        0.000    0.000
    C                 0.000                                        0.000    0.000
    D                 0.000                                        0.000    0.000
  B ~~                                                                           
    C                 0.000                                        0.000    0.000
    D                 0.000                                        0.000    0.000
  C ~~                                                                           
    D                 0.000                                        0.000    0.000

Intercepts:
                   Estimate  Std.Err  t-value       df  P(>|t|) ci.lower ci.upper
   .CSH_B3a           0.000                                        0.000    0.000
   .CSH_S4a           0.000                                        0.000    0.000
   .CSH_S5a           0.000                                        0.000    0.000
   .CSH_S2a           0.000                                        0.000    0.000
   .CSH_B11a          0.000                                        0.000    0.000
   .CSH_B2a           0.000                                        0.000    0.000
   .CSH_B8a           0.000                                        0.000    0.000
   .CSH_B13a          0.000                                        0.000    0.000
   .CSH_B4a           0.000                                        0.000    0.000
   .CSH_B5a           0.000                                        0.000    0.000
   .CSH_S10a          0.000                                        0.000    0.000
   .CSH_S19a          0.000                                        0.000    0.000
   .CSH_W2a           0.000                                        0.000    0.000
   .CSH_S7a           0.000                                        0.000    0.000
   .CSH_S8a           0.000                                        0.000    0.000
   .CSH_W1a           0.000                                        0.000    0.000
   .CSH_M7a           0.000                                        0.000    0.000
   .CSH_M6a           0.000                                        0.000    0.000
   .CSH_M4a           0.000                                        0.000    0.000
   .CSH_D3a           0.000                                        0.000    0.000
   .CSH_M5a           0.000                                        0.000    0.000
   .CSH_M2a           0.000                                        0.000    0.000
    A                 0.000                                        0.000    0.000
    B                 0.000                                        0.000    0.000
    C                 0.000                                        0.000    0.000
    D                 0.000                                        0.000    0.000
    G                 0.000                                        0.000    0.000

Thresholds:
                   Estimate  Std.Err  t-value       df  P(>|t|) ci.lower ci.upper
    CSH_B3a|t1        0.058    0.057    1.021      Inf    0.307   -0.053    0.169
    CSH_B3a|t2        0.999    0.068   14.645      Inf    0.000    0.865    1.132
    CSH_S4a|t1        0.476    0.059    8.074      Inf    0.000    0.361    0.592
    CSH_S4a|t2        1.250    0.076   16.457      Inf    0.000    1.101    1.399
    CSH_S5a|t1        0.845    0.065   13.086      Inf    0.000    0.718    0.971
    CSH_S5a|t2        1.637    0.095   17.255      Inf    0.000    1.451    1.823
    CSH_S2a|t1        0.231    0.057    4.050      Inf    0.000    0.119    0.343
    CSH_S2a|t2        1.217    0.075   16.280      Inf    0.000    1.071    1.364
    CSH_B11a|t1       0.058    0.057    1.019      Inf    0.308   -0.053    0.169
    CSH_B11a|t2       1.050    0.070   15.088      Inf    0.000    0.914    1.187
    CSH_B2a|t1        0.569    0.060    9.486      Inf    0.000    0.452    0.687
    CSH_B2a|t2        1.514    0.088   17.255      Inf    0.000    1.342    1.686
    CSH_B8a|t1        0.115    0.057    2.030      Inf    0.042    0.004    0.226
    CSH_B8a|t2        0.510    0.059    8.600      Inf    0.000    0.394    0.627
    CSH_B13a|t1       0.530    0.060    8.882      Inf    0.000    0.413    0.647
    CSH_B13a|t2       0.957    0.067   14.252      Inf    0.000    0.826    1.089
    CSH_B4a|t1        0.227    0.057    3.978      Inf    0.000    0.115    0.339
    CSH_B4a|t2        0.543    0.060    9.079      Inf    0.000    0.426    0.660
    CSH_B5a|t1        0.316    0.058    5.485      Inf    0.000    0.203    0.429
    CSH_B5a|t2        0.707    0.062   11.399      Inf    0.000    0.585    0.828
    CSH_S10a|t1       0.433    0.059    7.388      Inf    0.000    0.318    0.548
    CSH_S10a|t2       1.117    0.072   15.564      Inf    0.000    0.976    1.258
    CSH_S19a|t1       0.735    0.063   11.642      Inf    0.000    0.611    0.859
    CSH_S19a|t2       1.981    0.129   15.310      Inf    0.000    1.727    2.234
    CSH_W2a|t1        0.500    0.060    8.397      Inf    0.000    0.383    0.617
    CSH_W2a|t2        1.406    0.083   17.008      Inf    0.000    1.244    1.568
    CSH_S7a|t1        0.731    0.062   11.693      Inf    0.000    0.608    0.853
    CSH_S7a|t2        2.133    0.141   15.151      Inf    0.000    1.857    2.409
    CSH_S8a|t1       -0.373    0.058   -6.408      Inf    0.000   -0.487   -0.259
    CSH_S8a|t2        0.778    0.063   12.274      Inf    0.000    0.654    0.902
    CSH_W1a|t1       -0.269    0.058   -4.667      Inf    0.000   -0.382   -0.156
    CSH_W1a|t2        0.813    0.064   12.647      Inf    0.000    0.687    0.940
    CSH_M7a|t1        0.695    0.062   11.165      Inf    0.000    0.573    0.817
    CSH_M7a|t2        1.598    0.095   16.869      Inf    0.000    1.412    1.783
    CSH_M6a|t1        0.655    0.062   10.619      Inf    0.000    0.534    0.776
    CSH_M6a|t2        1.591    0.094   16.917      Inf    0.000    1.407    1.775
    CSH_M4a|t1        0.234    0.058    4.075      Inf    0.000    0.122    0.347
    CSH_M4a|t2        1.673    0.099   16.879      Inf    0.000    1.479    1.867
    CSH_D3a|t1       -0.263    0.059   -4.465      Inf    0.000   -0.378   -0.148
    CSH_D3a|t2        1.553    0.096   16.152 6322.319    0.000    1.365    1.742
    CSH_M5a|t1       -0.130    0.057   -2.278      Inf    0.023   -0.241   -0.018
    CSH_M5a|t2        0.954    0.067   14.142      Inf    0.000    0.822    1.086
    CSH_M2a|t1        0.634    0.061   10.359      Inf    0.000    0.514    0.755
    CSH_M2a|t2        1.466    0.086   16.997      Inf    0.000    1.297    1.635

Variances:
                   Estimate  Std.Err  t-value       df  P(>|t|) ci.lower ci.upper
   .CSH_B3a           0.689                                        0.689    0.689
   .CSH_S4a          -0.135                                       -0.135   -0.135
   .CSH_S5a           0.578                                        0.578    0.578
   .CSH_S2a           0.299                                        0.299    0.299
   .CSH_B11a          0.542                                        0.542    0.542
   .CSH_B2a           0.579                                        0.579    0.579
   .CSH_B8a           0.221                                        0.221    0.221
   .CSH_B13a          0.407                                        0.407    0.407
   .CSH_B4a           0.014                                        0.014    0.014
   .CSH_B5a           0.268                                        0.268    0.268
   .CSH_S10a          0.724                                        0.724    0.724
   .CSH_S19a          0.624                                        0.624    0.624
   .CSH_W2a           0.322                                        0.322    0.322
   .CSH_S7a           0.760                                        0.760    0.760
   .CSH_S8a           0.631                                        0.631    0.631
   .CSH_W1a           0.453                                        0.453    0.453
   .CSH_M7a           0.440                                        0.440    0.440
   .CSH_M6a           0.275                                        0.275    0.275
   .CSH_M4a           0.631                                        0.631    0.631
   .CSH_D3a           0.854                                        0.854    0.854
   .CSH_M5a           0.250                                        0.250    0.250
   .CSH_M2a           0.165                                        0.165    0.165
    A                 1.000                                        1.000    1.000
    B                 1.000                                        1.000    1.000
    C                 1.000                                        1.000    1.000
    D                 1.000                                        1.000    1.000
    G                 1.000                                        1.000    1.000

Scales y*:
                   Estimate  Std.Err  t-value       df  P(>|t|) ci.lower ci.upper
    CSH_B3a           1.000                                        1.000    1.000
    CSH_S4a           1.000                                        1.000    1.000
    CSH_S5a           1.000                                        1.000    1.000
    CSH_S2a           1.000                                        1.000    1.000
    CSH_B11a          1.000                                        1.000    1.000
    CSH_B2a           1.000                                        1.000    1.000
    CSH_B8a           1.000                                        1.000    1.000
    CSH_B13a          1.000                                        1.000    1.000
    CSH_B4a           1.000                                        1.000    1.000
    CSH_B5a           1.000                                        1.000    1.000
    CSH_S10a          1.000                                        1.000    1.000
    CSH_S19a          1.000                                        1.000    1.000
    CSH_W2a           1.000                                        1.000    1.000
    CSH_S7a           1.000                                        1.000    1.000
    CSH_S8a           1.000                                        1.000    1.000
    CSH_W1a           1.000                                        1.000    1.000
    CSH_M7a           1.000                                        1.000    1.000
    CSH_M6a           1.000                                        1.000    1.000
    CSH_M4a           1.000                                        1.000    1.000
    CSH_D3a           1.000                                        1.000    1.000
    CSH_M5a           1.000                                        1.000    1.000
    CSH_M2a           1.000                                        1.000    1.000
To unsubscribe from this group and stop receiving emails from it, send an email to lav...@googlegroups.com.

Terrence Jorgensen

unread,
Nov 18, 2019, 8:32:12 AM11/18/19
to lavaan
I have an issue related to this post.

Reply all
Reply to author
Forward
0 new messages