読者です 読者をやめる 読者になる 読者になる

チラシの裏の落書き日記

統計とか,研究とか,日常についての備忘録的なもの。

Rの使いかたメモ(purrrの使いかたについて)

R 統計

最近読んだ良記事

最近のRの界隈で流行っている(気がする)purrrパッケージの使いかたについて。
よく参照させてもらうので,とりあえずまとめておく。

sinhrks.hatenablog.com
sinhrks.hatenablog.com
uribo.hatenablog.com
{purrr} による非テーブルデータの処理 - SSSSLIDE


自分が使うとしたらどう使うか?

一番やりそうだなぁと思ったのは最後の@sinhrksさんが紹介してくれているような,複数のモデルを作成して,まとめて分析するというやり方だと思う。
例えば,共分散構造分析を行うときに複数のモデルを立てて分析する,というような使いかたや,探索的因子分析を行うときに,因子数や回転方法を変えながら分析するという感じ。

確認的因子分析の例はこんな感じ。
このように書くメリットは,モデルの構築の部分の分析を分けられるから,記述がすっきりすることかと。

library("purr")
library("lavaan")

# lavaanの例を流用
model1<- ' visual  =~ x1 + x2 + x3
              textual =~ x4 + x5 + x6
speed   =~ x7 + x8 + x9 '

model2<- ' f1  =~ x1 + x2 + x3 + x4 + x5
          f2 =~ x6 + x7 + x8 + x9 '

model3<- ' f1  =~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 '

model4<- ' visual  =~ x1 + x2 + x3
              textual =~ x4 + x5 + x6
speed   =~ x7 + x8 + x9 
f1  =~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 
f1 ~~ 0* visual
f1 ~~ 0* textual
f1 ~~ 0* speed'

model5 <- ' visual  =~ x1 + x2 + x3
              textual =~ x4 + x5 + x6
speed   =~ x7 + x8 + x9 
f1 =~ visual +  textual +speed'

models <- list(model1,model2, model3, model4, model5)

# 推定できないモデルもあるが,とりあえずは気にしない。
fits <- purrr::map(models,~lavaan::cfa(., data=HolzingerSwineford1939))
fits %>% map(.,~summary(., fit.measures=TRUE))
fits %>% map(.,~lavaan::fitMeasures(.))

summary(fits[[1]])

sapply(fits,lavaan::fitMeasures)


psychパッケージのfa関数をつかって分析をおこなう。本来は因子数を予め決める必要があるが,ここでは,因子数を変える。さらに,回転方法も回転無し,直交回転,斜交回転の3種類に対して分析を行なってみる。それぞれの回転方法にたいして,1から7因子の場合を当てはめている。一応screeplotや平行分析からは5,6因子あたりが良さそう。推定方法は最尤推定を用いる。

library("purrr")
library("psych")
library("GPArotation")

# Big fiveの25項目
dat <- bfi[1:25]

# 因子数の確認。
scree(dat)
fa.parallel(dat)

# 関数をつくる関数を作成する。
myfa <-function(rotate){
    function(nf){
      fa(dat,nf,rotate=rotate,fm="ml")
    }
  }

rotate <- list("none", "varimax",  "promax")
nf <- c(1:7)
# 
results <- purrr::map(rotate,myfa) %>% map(.,~lapply(nf,function(x).(x))) %>% flatten()
# どんな出力があるのかを確認
names(results[[1]])

results %>% map(.,~.[c("RMSEA")])
results %>% map_df(.,~.[c("BIC","EBIC","TLI")])

指標的には因子数を増やすほどよい結果になっていますが,実際には解釈を考えたりしないといけないので,これだけでは決めがたいです。