R语言 semdiag包 semdiag()函数中文帮助文档(中英文对照)

loveR

semdiag(semdiag)
semdiag()所属R语言包：semdiag

                                         The semdiag function
                                         semdiag功能

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

A function to calculate distance and parameter estimates for SEM diagnostics
一个函数来计算距离和参数估计SEM诊断


用法----------Usage----------





参数----------Arguments----------

参数：x
Data frame or data matrix  
数据框或数据矩阵


参数：ram.path
Ram path for R sem package
RAM的R SEM包的路径


参数：software
Software to be used. sem for R sem package and EQS for the use of EQS
软件来使用。 sem的R SEM包和EQS的使用EQS


参数：varphi
Percentage of data to be down-weighted  
的百分比的数据向下加权


参数：EQSmodel
EQS input file name  
EQS输入文件名


参数：EQSdata
Data file name used in EQS input file  
数据文件名在EQS输入文件


参数：D
How to treat prediction error. E: errors; F: factors  
如何把预测误差。 E：错误F：因素


参数：delete
A vector of data to be deleted. For example c(99,100) delete the 99th and 100th cases.  
的矢量数据将被删除。例如c（99,100）删除第99和100的情况下。


参数：max_it
The maximum number of iterations  
迭代的最大数量


参数：EQSprog
The path to where EQS program is installed.  
的路径安装EQS程序。


参数：serial
Serial no. for EQS. This is a string with spaces. Currently, it does not need to be supplied.  
序列号。 EQS。这是一个带有空格的字符串。目前，它并不需要被供给。


值----------Value----------


参数：d_f
Distance for f
距离为f


参数：d_r
Distance for r
距离为r


参数：mu
Mean
意味着


参数：p
Number of observed variables
观测变量的数量


参数：q
Number of factors used in calculating f and r
用来计算f和r的因素的数量


参数：res
Model fit and paramter estimates. nml: normal ML; tsr: two-stagte robust; dr: direct robust
模型拟合放慢参数估计。 NML：正常ML TSR：两stagte强大的博士：直接健壮的


参数：eqs
Full EQS output for the above three models
以上三种模式的全EQS输出


参数：x
Data
数据


（作者）----------Author(s)----------



Zhiyong Zhang and Ke-Hai Yuan

Maintainer: Zhiyong Zhang <zhiyongzhang@nd.edu>




参考文献----------References----------




实例----------Examples----------


## Not run: [＃不运行：]
## Examples based on EQS[＃示例的基础上EQS]
library(semdiag)

## Example 1. Normally distributed data[＃示例1。正态分布数据]
data(N100)

## Not run[＃不运行]
## The EQS input file is semplot.eqs[＃EQS输入文件是semplot.eqs]
## Model 1: treating prediction errors as factors[＃模式1：治疗预测误差的因素]
N100out.1<-semdiag(N100, 'semplot.eqs', D='F')

## Diagnostics plot[＃诊断图]
semdiag.plot(N100out.1)

## Summary output [＃摘要输出]
semdiag.summary(N100out.1)

## Model 0: treating prediction errors the same as measurement errors[＃型号0：处理相同的测量误差预测误差]
N100out.0<-semdiag(N100, 'semplot.eqs')

## Diagnostics plot[＃诊断图]
semdiag.plot(N100out.0)

## Summary output [＃摘要输出]
semdiag.summary(N100out.0)

## Example 2. Contaminated data[＃例2。污染数据]
data(N85)

## The EQS input file is semplot.eqs[＃EQS输入文件是semplot.eqs]
## Model 1: treating prediction errors as factors[＃模式1：治疗预测误差的因素]
N85out.1<-semdiag(N85, 'semplot.eqs', D='F')

## Diagnostics plot[＃诊断图]
semdiag.plot(N85out.1)

## Summary output [＃摘要输出]
semdiag.summary(N85out.1)

## Model 0: treating prediction errors the same as measurement errors[＃型号0：处理相同的测量误差预测误差]
N85out.0<-semdiag(N85, 'semplot.eqs', D='E')

## Diagnostics plot[＃诊断图]
semdiag.plot(N85out.0)

## Summary output [＃摘要输出]
semdiag.summary(N85out.0)

## Case profile plot[＃如果剖面图]
semdiag.cpp(N85out.0, cases=c(86, 90, 98:100))

## Delete the 99th and 100th observations[＃删除第99和第100观察]
N85out.1.del<-semdiag(N85, 'semplot.eqs', D='F', delete=c(99,100))

## Examples based on the sem package[＃根据扫描电镜包]
library(sem)
data(N100)

## path diagram for the model[＃为模型的路径图]
sem1<-specify.model()
f1 -> y1, NA, 1
f1 -> y2, l1, NA
f1 -> y3, l2, NA
f2 -> y4, NA, 1
f2 -> y5, l3, NA
f2 -> y6, l4, NA
f3 -> y7, NA, 1
f3 -> y8, l5, NA
f3 -> y9, l6, NA
f1 -> f2, g1, NA
f1 -> f3, g2, NA
f2 -> f3, g3, NA
y1 <-> y1, e1, NA
y2 <-> y2, e2, NA
y3 <-> y3, e3, NA
y4 <-> y4, e4, NA
y5 <-> y5, e5, NA
y6 <-> y6, e6, NA
y7 <-> y7, e7, NA
y8 <-> y8, e8, NA
y9 <-> y9, e9, NA
f1 <-> f1, e10, NA
f2 <-> f2, e11, NA
f3 <-> f3, e12, NA

## Model 1: treating prediction errors as factors[＃模式1：治疗预测误差的因素]
N100out.1<-semdiag(N100, ram.path=sem1, software='sem', D='F')

## Diagnostics plot[＃诊断图]
semdiag.plot(N100out.1)

## Summary output [＃摘要输出]
semdiag.summary(N100out.1)

## Model 0: treating prediction errors the same as measurement errors[＃型号0：处理相同的测量误差预测误差]
N100out.0<-semdiag(N100, ram.path=sem1, software='sem')

## Diagnostics plot[＃诊断图]
semdiag.plot(N100out.0)

## Summary output [＃摘要输出]
semdiag.summary(N100out.0)

## Example 2. Contaminated data[＃例2。污染数据]
data(N85)

## Model 1: treating prediction errors as factors[＃模式1：治疗预测误差的因素]
N85out.1<-semdiag(N85, ram.path=sem1, software='sem', D='F')

## Diagnostics plot[＃诊断图]
semdiag.plot(N85out.1)

## Summary output [＃摘要输出]
semdiag.summary(N85out.1)

## Model 0: treating prediction errors the same as measurement errors[＃型号0：处理相同的测量误差预测误差]
N85out.0<-semdiag(N85, ram.path=sem1, software='sem', D='E')

## Diagnostics plot[＃诊断图]
semdiag.plot(N85out.0)

## Summary output [＃摘要输出]
semdiag.summary(N85out.0)

## Case profile plot[＃如果剖面图]
semdiag.cpp(N85out.0, cases=c(86, 90, 98:100))

## Delete the 99th and 100th observations[＃删除第99和第100观察]
N85out.1.del<-semdiag(N85, ram.path=sem1, software='sem', D='F', delete=c(99,100))

## End(Not run)[＃（不执行）]


转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。