Модель продольной многогрупповой латентной кривой роста с изменяющимися во времени и не зависящими от времени предикторами (лавана)
Прежде всего, я относительно новичок в использовании R и раньше не использовал lavaan (или модели роста), поэтому прошу прощения за мое невежество.
Я делаю свою диссертацию и анализирую финансовую индустрию США во время финансового кризиса 2007 года. Поэтому у меня есть отдельные банки и несколько переменных для каждого банка во времени (с 2007 по 2013 годы), некоторые из них зависят от времени (например, ROA или достаточность капитала) и некоторые не зависят от времени (например, размер или возраст). Некоторые переменные также изменяются во времени, но не являются многоуровневыми, поскольку они применяются ко всем фирмам (например, средний показатель рентабельности инвестиций в финансовой индустрии США).
Прежде всего, могу ли я использовать модель кривой роста ("рост") в Lavaan в этом случае? Пример, приведенный в учебном пособии, относится либо к изменяющимся во времени переменным (c), которые влияют на результат (DV), либо к переменным, не зависящим от времени (x1 и x2), которые влияют на наклон (ы) и пересечение (i). Как насчет переменных во времени, которые влияют на наклон и перехват? Я не мог найти пример для этого синтаксиса.
Кроме того, как мне указать "группы" (то есть разные банки) в моем анализе? На самом деле возможно сделать многоуровневую модель кривой роста в лаванах (или R в этом отношении)?
И последнее, но не менее важное: я могу найти способ импортировать многоуровневый набор данных в R. Мой набор данных - это в основном трехмерная матрица (разные переменные для разных фирм во времени), так как мне ввести это через SPSS (или блокнот?)?
Любая помощь очень ценится, я в основном теряюсь на том, как реализовать эту модель и искренне нуждаюсь в некоторой помощи...
Спасибо всем заранее за ваше время!
Гарри
редактировать: вот Sytanx, с которым я пришел до сих пор. Как вы думаете, это имеет смысл?
ETHthesismodel <- '
# intercept and slope with fixed coefficients
i =~ 1*t1 + 1*t2 + 1*t3 + 1*t4
s =~ 0*t1 + 1*t2 + 2*t3 + 3*t4
#regressions (independent variables that influence the slope & intercept)
i ~ high_constr_2007 + high_constr_2008 + ... + low_constr_2007 + low_constr_2008 + ... + ... diff_2013
s ~ high_constr_2007 + high_constr_2008 + ... + low_constr_2007 + low_constr_2008 + ... + ... diff_2013
# time-varying covariates (control variables)
t1 ~ size_2007 + cap_adeq_2007 + brand_2007 +... + acquisitions_2007
t2 ~ size_2008 + cap_adeq_2008 + brand_2008 + ... + acquisitions_2008
...
t7 ~ size_2013 + cap_adeq_2013 + brand_2013 + ... + acquisitions_2013
'
fit <- growth(ETHthesismodel, data = inputdata,
group = "bank")
summary(fit)