psiconetria 0.7, pré-impressão com meta-análise e curso SEM online

Versão 0.7 do psiconetria o pacote está agora no CRAN! Esta versão é uma grande reestruturação do pacote, levando a muitas novas funcionalidades, além de cálculos muito mais rápidos. Além disso, uma nova pré-impressão está agora online, descrevendo os procedimentos de meta-análise agora implementados no psiconetria.

Curso gratuito de Modelagem de Equações Estruturais

Estou ministrando um curso agora sobre modelagem de equações estruturais (SEM) e estou carregando todas as aulas em vídeo no Youtube. Esta lista de reprodução será atualizada nas próximas semanas e inclui vídeos tutoriais sobre psiconetria e outros pacotes R. Para o curso de Modelagem de Equações Estruturais, os alunos formaram um questionário sobre medidas de interesse durante a pandemia do COVID-19. Nós liberaremos os dados após o curso para fins de pesquisa e ensino. Se você tiver entre 10 e 15 minutos de sobra, seria absolutamente incrível se você pudesse ajudar nisso, preenchendo o questionário. Obrigado!

Cálculos mais rápidos

Versão 0.7 do psiconetria O pacote apresenta uma grande reestruturação interna do motor computacional. A maioria das funções agora foi traduzida para o código C ++ usando o incrível pacote RcppArmadillo. Isso leva a um aumento substancial na velocidade:

Observe que, devido ao aumento da velocidade, verbose agora o padrão é FALSE, que pode ser alterado para um modelo com o novo setverbose depois de formar o modelo. O otimizador padrão ainda é o R baseado nlminb , mas novos otimizadores usando o pacote roptim também foram implementados:

Porém, esses otimizadores ainda são um pouco instáveis, principalmente nos casos mais complicados. psiconetria modelos. Para esse fim, use-os com cuidado no momento.

Métodos de metanálise em psiconetria

Juntamente com Adela Isvoranu e Mike Cheung, estendemos o SEM meta-analítico para ser usado na estimativa de modelos gráficos gaussianos (GGM). Chamamos essa estrutura agregação de rede gaussiana meta-analítica (MAGNA) e descreva-o em nossa nova pré-impressão, que foi enviada para publicação em Psychometrika. A pré-impressão apresenta uma ampla visão geral da funcionalidade em psiconetria. Primeiro, a pré-impressão discute o motor por trás psiconetria que é usado em todas as estruturas de modelo:

Como tal, a pré-impressão pode ser lida como uma introdução a tudo psiconetria faz. Segundo, a pré-impressão inclui um extenso tutorial sobre como estimar GGMs a partir de matrizes de correlação, incluindo modelos de vários grupos com matrizes de correlação de diferentes conjuntos de dados. O último pode ser usado, por exemplo, para agrupar parcialmente as bordas do GGM entre os grupos:

Por fim, a pré-impressão discute como a heterogeneidade entre conjuntos de dados (por exemplo, estudos de PTSD com traumas muito diferentes) pode ser levada em consideração na estimativa de um único GGM em potencialmente muitos conjuntos de dados:

Os estudos de simulação mostram que não levar em conta essa heterogeneidade pode levar a uma fraca estimativa da estrutura de rede comum:

A desconsideração da heterogeneidade, com o objetivo de estimar um único modelo de efeitos fixos, pode levar a uma taxa de falsos positivos superior a 50%. Isso tem implicações graves para estudos que visam agregar ou comparar modelos de rede de diferentes conjuntos de dados (por exemplo, estudar replicabilidade) que não levam em consideração a heterogeneidade.

Mais novos recursos

Mais funcionalidades da psiconetria podem ser encontradas no arquivo NEWS no CRAN. Algumas mudanças anteriores incluem que a maioria dos modelos de variáveis ​​latentes agora definirá automaticamente as cargas fatoriais para uma matriz de identidade se lambda não é fornecido e o novo ml_tsdlvm1 permite especificar o modelo de dados do painel usando a mesma sintaxe que mlVAR e graphicalVAR. Finalmente, o novo ml_lvm A função marca a primeira iteração da modelagem multinível. Esta função inclui a estimativa de probabilidade máxima de informações completas para interceptação aleatória lvm modelos (incluindo GGMs). É importante notar que a velocidade de computação é uma função do número de casos em cada cluster e se torna muito lenta com muitos casos em um cluster. Para este fim, ml_lvm funciona bem para conjuntos de dados de díades ou famílias pequenas, mas não para conjuntos de dados com grupos maiores, como salas de aula ou países.

Relacionado