A path model with three predictors and three outcomes, for illustration.
Format
A data frame with 100 rows and 7 variables:
- y1
Outcome variable 1. Numeric.
- y2
Outcome variable 2. Numeric.
- y3
Outcome variable 3. Numeric.
- x1
Predictor 1. Numeric.
- x2
Predictor 2. Numeric.
- x3
Predictor 3. Numeric.
- gp
Group variable: "gp1" or "gp2". String.
Examples
data(dvs_ivs)
library(lavaan)
mod <-
"
y1 ~ x1 + x2 + x3
y2 ~ x1 + x3
y3 ~ y2 + x2
"
fit <- sem(mod, dvs_ivs)
parameterEstimates(fit)
#> lhs op rhs est se z pvalue ci.lower ci.upper
#> 1 y1 ~ x1 0.206 0.087 2.354 0.019 0.034 0.377
#> 2 y1 ~ x2 0.381 0.093 4.100 0.000 0.199 0.563
#> 3 y1 ~ x3 0.162 0.088 1.852 0.064 -0.009 0.334
#> 4 y2 ~ x1 0.149 0.105 1.425 0.154 -0.056 0.354
#> 5 y2 ~ x3 0.230 0.105 2.187 0.029 0.024 0.437
#> 6 y3 ~ y2 0.044 0.106 0.420 0.675 -0.163 0.251
#> 7 y3 ~ x2 0.295 0.121 2.445 0.014 0.059 0.532
#> 8 y1 ~~ y1 0.695 0.098 7.071 0.000 0.502 0.888
#> 9 y2 ~~ y2 1.013 0.143 7.071 0.000 0.732 1.294
#> 10 y3 ~~ y3 1.206 0.171 7.071 0.000 0.872 1.540
#> 11 y1 ~~ y3 -0.027 0.092 -0.292 0.770 -0.206 0.153
#> 12 x1 ~~ x1 0.926 0.000 NA NA 0.926 0.926
#> 13 x1 ~~ x2 0.118 0.000 NA NA 0.118 0.118
#> 14 x1 ~~ x3 0.000 0.000 NA NA 0.000 0.000
#> 15 x2 ~~ x2 0.828 0.000 NA NA 0.828 0.828
#> 16 x2 ~~ x3 0.073 0.000 NA NA 0.073 0.073
#> 17 x3 ~~ x3 0.912 0.000 NA NA 0.912 0.912
fit_gp <- sem(mod, dvs_ivs, group = "gp")
parameterEstimates(fit_gp)
#> lhs op rhs block group est se z pvalue ci.lower ci.upper
#> 1 y1 ~ x1 1 1 0.210 0.149 1.404 0.160 -0.083 0.502
#> 2 y1 ~ x2 1 1 0.243 0.138 1.761 0.078 -0.027 0.513
#> 3 y1 ~ x3 1 1 0.246 0.144 1.710 0.087 -0.036 0.527
#> 4 y2 ~ x1 1 1 0.036 0.179 0.199 0.842 -0.315 0.386
#> 5 y2 ~ x3 1 1 0.217 0.176 1.232 0.218 -0.128 0.561
#> 6 y3 ~ y2 1 1 0.096 0.120 0.802 0.423 -0.139 0.332
#> 7 y3 ~ x2 1 1 0.372 0.135 2.754 0.006 0.107 0.637
#> 8 y1 ~~ y1 1 1 0.754 0.157 4.796 0.000 0.446 1.062
#> 9 y2 ~~ y2 1 1 1.148 0.239 4.796 0.000 0.679 1.617
#> 10 y3 ~~ y3 1 1 0.787 0.164 4.796 0.000 0.466 1.109
#> 11 y1 ~~ y3 1 1 0.010 0.114 0.085 0.932 -0.213 0.232
#> 12 x1 ~~ x1 1 1 0.798 0.000 NA NA 0.798 0.798
#> 13 x1 ~~ x2 1 1 0.223 0.000 NA NA 0.223 0.223
#> 14 x1 ~~ x3 1 1 0.121 0.000 NA NA 0.121 0.121
#> 15 x2 ~~ x2 1 1 0.938 0.000 NA NA 0.938 0.938
#> 16 x2 ~~ x3 1 1 0.139 0.000 NA NA 0.139 0.139
#> 17 x3 ~~ x3 1 1 0.825 0.000 NA NA 0.825 0.825
#> 18 y1 ~1 1 1 -0.295 0.137 -2.148 0.032 -0.564 -0.026
#> 19 y2 ~1 1 1 0.027 0.168 0.163 0.870 -0.302 0.357
#> 20 y3 ~1 1 1 0.233 0.131 1.775 0.076 -0.024 0.490
#> 21 x1 ~1 1 1 0.282 0.000 NA NA 0.282 0.282
#> 22 x2 ~1 1 1 -0.067 0.000 NA NA -0.067 -0.067
#> 23 x3 ~1 1 1 -0.123 0.000 NA NA -0.123 -0.123
#> 24 y1 ~ x1 2 2 0.258 0.102 2.530 0.011 0.058 0.458
#> 25 y1 ~ x2 2 2 0.484 0.121 3.998 0.000 0.247 0.721
#> 26 y1 ~ x3 2 2 0.121 0.104 1.165 0.244 -0.082 0.324
#> 27 y2 ~ x1 2 2 0.226 0.127 1.774 0.076 -0.024 0.475
#> 28 y2 ~ x3 2 2 0.261 0.129 2.016 0.044 0.007 0.514
#> 29 y3 ~ y2 2 2 -0.003 0.162 -0.020 0.984 -0.322 0.315
#> 30 y3 ~ x2 2 2 0.291 0.190 1.527 0.127 -0.082 0.664
#> 31 y1 ~~ y1 2 2 0.568 0.109 5.196 0.000 0.354 0.783
#> 32 y2 ~~ y2 2 2 0.882 0.170 5.196 0.000 0.549 1.214
#> 33 y3 ~~ y3 2 2 1.412 0.272 5.196 0.000 0.880 1.945
#> 34 y1 ~~ y3 2 2 0.050 0.122 0.410 0.682 -0.189 0.289
#> 35 x1 ~~ x1 2 2 1.020 0.000 NA NA 1.020 1.020
#> 36 x1 ~~ x2 2 2 0.042 0.000 NA NA 0.042 0.042
#> 37 x1 ~~ x3 2 2 -0.099 0.000 NA NA -0.099 -0.099
#> 38 x2 ~~ x2 2 2 0.722 0.000 NA NA 0.722 0.722
#> 39 x2 ~~ x3 2 2 0.013 0.000 NA NA 0.013 0.013
#> 40 x3 ~~ x3 2 2 0.985 0.000 NA NA 0.985 0.985
#> 41 y1 ~1 2 2 0.007 0.104 0.068 0.946 -0.196 0.211
#> 42 y2 ~1 2 2 -0.050 0.129 -0.392 0.695 -0.303 0.202
#> 43 y3 ~1 2 2 -0.333 0.163 -2.042 0.041 -0.652 -0.013
#> 44 x1 ~1 2 2 0.101 0.000 NA NA 0.101 0.101
#> 45 x2 ~1 2 2 0.092 0.000 NA NA 0.092 0.092
#> 46 x3 ~1 2 2 -0.065 0.000 NA NA -0.065 -0.065