One factor EFA
fscores_efa_one<-read.csv("Fscores_EFA_one_MIRT.csv")
#look at scatterplots to see if correlated, want no correlation.
# shows correlation between factors in upper triangle. Want uncorelated.
ggpairs(
data=fscores_efa_one,
mapping=NULL,
columns="F1",
title = "Factor scores from one factor exploratory MIRT model"
)
EFA_one.mirt.eval
## AIC SABIC HQ BIC logLik
## EFA_one.mirt 22367.41 22556.45 22550.21 22855.05 -11089.7
EFA_one.mirt.sum
## $rotF
## F1
## rundots_r 0.5323738
## dotcount_r 0.5177779
## flanker_r 0.7234185
## setshift_r 0.7192040
## match_r 0.7402800
## animals_r 0.8607012
## veg_r 0.7741008
## fwords_r 0.7827637
## lwords_r 0.7951618
##
## $h2
## h2
## rundots_r 0.2834219
## dotcount_r 0.2680939
## flanker_r 0.5233343
## setshift_r 0.5172544
## match_r 0.5480145
## animals_r 0.7408066
## veg_r 0.5992320
## fwords_r 0.6127190
## lwords_r 0.6322823
##
## $fcor
## F1
## F1 1
coef(EFA_one.mirt)
## $rundots_r
## a1 d1 d2 d3 d4
## par 1.07 3.259 2.691 0.413 -1.828
##
## $dotcount_r
## a1 d1 d2 d3 d4 d5 d6 d7 d8 d9 d10 d11
## par 1.03 4.45 3.383 3.003 2.124 1.242 0.346 -0.306 -1.275 -2.031 -2.686 -3.059
##
## $flanker_r
## a1 d1 d2 d3 d4 d5 d6 d7 d8 d9
## par 1.783 4.003 3.295 2.764 2.297 1.302 0.603 -0.54 -1.728 -2.869
##
## $setshift_r
## a1 d1 d2 d3 d4 d5 d6
## par 1.762 5.186 4.211 3.236 1.589 0.122 -2.133
##
## $match_r
## a1 d1 d2 d3 d4 d5 d6 d7 d8 d9 d10 d11
## par 1.874 5.524 4.733 4.011 3.536 3.039 2.276 1.569 0.454 -0.847 -2.142 -4.19
##
## $animals_r
## a1 d1 d2 d3 d4 d5 d6 d7 d8 d9 d10 d11
## par 2.877 7.404 5.403 4.123 2.9 1.539 0.451 -0.986 -2.24 -3.597 -4.898 -5.798
##
## $veg_r
## a1 d1 d2 d3 d4 d5 d6 d7 d8 d9 d10 d11
## par 2.081 5.03 3.498 2.39 1.325 0.456 -0.506 -1.472 -2.435 -3.345 -4.539 -5.876
##
## $fwords_r
## a1 d1 d2 d3 d4 d5 d6 d7 d8 d9 d10
## par 2.141 5.116 3.711 2.712 1.838 0.881 -0.071 -1.131 -2.378 -3.434 -4.294
## d11
## par -5.406
##
## $lwords_r
## a1 d1 d2 d3 d4 d5 d6 d7 d8 d9 d10
## par 2.232 4.988 3.578 2.578 1.511 0.495 -0.536 -1.388 -2.446 -3.364 -4.616
## d11
## par -5.497
##
## $GroupPars
## MEAN_1 COV_11
## par 0 1
EFA_one.mirt.results
## F1 h2
## rundots_r 0.5323738 0.2834219
## dotcount_r 0.5177779 0.2680939
## flanker_r 0.7234185 0.5233343
## setshift_r 0.7192040 0.5172544
## match_r 0.7402800 0.5480145
## animals_r 0.8607012 0.7408066
## veg_r 0.7741008 0.5992320
## fwords_r 0.7827637 0.6127190
## lwords_r 0.7951618 0.6322823
EFA 3 factor model
## AIC SABIC HQ BIC logLik
## EFA.mirt 21937.06 22156.27 22149.04 22502.52 -10859.53
## $rotF
## F1 F2 F3
## rundots_r -0.20779599 0.2962918551 0.54906080
## dotcount_r -0.03828606 0.4429662955 0.22313234
## flanker_r 0.03254338 0.0001396062 0.87272218
## setshift_r 0.18970336 -0.0866502657 0.81421325
## match_r -0.04428582 0.4858325543 0.52306210
## animals_r 0.16212583 0.8150479552 -0.02121150
## veg_r 0.11697290 0.7422714410 -0.01685567
## fwords_r 0.87743361 0.0428253851 0.03983655
## lwords_r 0.81508870 0.0977628835 0.04751825
##
## $h2
## h2
## rundots_r 0.4483266
## dotcount_r 0.3346378
## flanker_r 0.7875588
## setshift_r 0.7388998
## match_r 0.7612603
## animals_r 0.8271394
## veg_r 0.6532722
## fwords_r 0.8509804
## lwords_r 0.8112988
##
## $fcor
## F1 F2 F3
## F1 1.0000000 0.6024416 0.4349874
## F2 0.6024416 1.0000000 0.5819044
## F3 0.4349874 0.5819044 1.0000000
## $rundots_r
## a1 a2 a3 d1 d2 d3 d4
## par -0.633 1.118 -0.839 3.65 3.051 0.494 -2.06
##
## $dotcount_r
## a1 a2 a3 d1 d2 d3 d4 d5 d6 d7 d8 d9
## par -0.79 0.886 -0.219 4.594 3.502 3.111 2.198 1.266 0.323 -0.356 -1.357 -2.136
## d10 d11
## par -2.81 -3.191
##
## $flanker_r
## a1 a2 a3 d1 d2 d3 d4 d5 d6 d7 d8 d9
## par -1.762 1.466 -2.342 5.849 4.84 4.058 3.349 1.795 0.709 -0.96 -2.665 -4.297
##
## $setshift_r
## a1 a2 a3 d1 d2 d3 d4 d5 d6
## par -1.812 0.967 -1.995 6.759 5.59 4.368 2.176 0.167 -2.849
##
## $match_r
## a1 a2 a3 d1 d2 d3 d4 d5 d6 d7 d8 d9
## par -1.933 2.067 -1.107 7.541 6.57 5.644 5.002 4.311 3.236 2.238 0.69 -1.101
## d10 d11
## par -2.865 -5.542
##
## $animals_r
## a1 a2 a3 d1 d2 d3 d4 d5 d6 d7 d8 d9
## par -2.899 2.278 0.521 9.072 6.709 5.169 3.679 1.989 0.638 -1.136 -2.646 -4.267
## d10 d11
## par -5.835 -6.899
##
## $veg_r
## a1 a2 a3 d1 d2 d3 d4 d5 d6 d7 d8
## par -1.779 1.478 0.328 5.424 3.797 2.615 1.466 0.527 -0.508 -1.537 -2.571
## d9 d10 d11
## par -3.538 -4.775 -6.152
##
## $fwords_r
## a1 a2 a3 d1 d2 d3 d4 d5 d6 d7 d8 d9
## par -4.061 -0.22 0 8.21 6.08 4.499 3.087 1.522 -0.011 -1.734 -3.783 -5.448
## d10 d11
## par -6.764 -8.37
##
## $lwords_r
## a1 a2 a3 d1 d2 d3 d4 d5 d6 d7 d8 d9
## par -3.529 0 0 7.009 5.106 3.736 2.221 0.787 -0.652 -1.861 -3.371 -4.641
## d10 d11
## par -6.314 -7.461
##
## $GroupPars
## MEAN_1 MEAN_2 MEAN_3 COV_11 COV_21 COV_31 COV_22 COV_32 COV_33
## par 0 0 0 1 0 0 1 0 1
## F1 F2 F3 h2
## rundots_r -0.20779599 0.2962918551 0.54906080 0.4483266
## dotcount_r -0.03828606 0.4429662955 0.22313234 0.3346378
## flanker_r 0.03254338 0.0001396062 0.87272218 0.7875588
## setshift_r 0.18970336 -0.0866502657 0.81421325 0.7388998
## match_r -0.04428582 0.4858325543 0.52306210 0.7612603
## animals_r 0.16212583 0.8150479552 -0.02121150 0.8271394
## veg_r 0.11697290 0.7422714410 -0.01685567 0.6532722
## fwords_r 0.87743361 0.0428253851 0.03983655 0.8509804
## lwords_r 0.81508870 0.0977628835 0.04751825 0.8112988
CFA with correlations
## [1] "\n VFr = fwords_r, lwords_r, animals_r,veg_r,\n CCr = flanker_r,setshift_r,match_r,\n WMr = rundots_r,dotcount_r,\n F1 = animals_r,veg_r,\n CONSTRAIN = (animals_r,veg_r,a4),\n F2 = fwords_r,lwords_r,\n CONSTRAIN = (fwords_r, lwords_r,a5),\n COV = CCr*WMr, CCr*VFr, WMr*VFr,\n\n "
## [1] "mirt(data=data.mirt, model=examiner_3factor_mod_r, itemtype = 'graded',technical = list(removeEmptyRows = TRUE), method = 'MHRM')"
## AIC SABIC HQ BIC logLik
## test.mirt 22414.26 22609.34 22602.9 22917.46 -11110.13
## $rotF
## VFr CCr WMr F1 F2
## rundots_r 0.0000000 0.0000000 0.7995248 0.0000000 0.0000000
## dotcount_r 0.0000000 0.0000000 0.6084619 0.0000000 0.0000000
## flanker_r 0.0000000 0.8829873 0.0000000 0.0000000 0.0000000
## setshift_r 0.0000000 0.8570942 0.0000000 0.0000000 0.0000000
## match_r 0.0000000 0.7820847 0.0000000 0.0000000 0.0000000
## animals_r 0.7901028 0.0000000 0.0000000 0.3953510 0.0000000
## veg_r 0.6910477 0.0000000 0.0000000 0.4661913 0.0000000
## fwords_r 0.7735237 0.0000000 0.0000000 0.0000000 0.4735180
## lwords_r 0.7926981 0.0000000 0.0000000 0.0000000 0.4554721
##
## $h2
## h2
## rundots_r 0.6392399
## dotcount_r 0.3702259
## flanker_r 0.7796665
## setshift_r 0.7346105
## match_r 0.6116564
## animals_r 0.7805648
## veg_r 0.6948812
## fwords_r 0.8225583
## lwords_r 0.8358252
##
## $fcor
## VFr CCr WMr F1 F2
## VFr 1 0.0000000 0.0000000 0 0
## CCr 0 1.0000000 0.6721832 0 0
## WMr 0 0.6721832 1.0000000 0 0
## F1 0 0.0000000 0.0000000 1 0
## F2 0 0.0000000 0.0000000 0 1
## $rundots_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4
## par 0 0 2.266 0 0 4.617 3.881 0.679 -2.588
##
## $dotcount_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4 d5 d6 d7 d8 d9
## par 0 0 1.305 0 0 4.854 3.752 3.343 2.386 1.418 0.417 -0.302 -1.369 -2.207
## d10 d11
## par -2.917 -3.313
##
## $flanker_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4 d5 d6 d7 d8 d9
## par 0 3.202 0 0 0 5.723 4.723 3.95 3.25 1.705 0.643 -0.975 -2.665 -4.321
##
## $setshift_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4 d5 d6
## par 0 2.832 0 0 0 6.775 5.589 4.346 2.137 0.117 -2.941
##
## $match_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4 d5 d6 d7 d8 d9
## par 0 2.136 0 0 0 5.786 4.958 4.219 3.738 3.236 2.461 1.741 0.579 -0.845
## d10 d11
## par -2.313 -4.615
##
## $animals_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4 d5 d6 d7 d8
## par 2.871 0 0 1.436 0 7.82 5.665 4.279 2.978 1.534 0.362 -1.215 -2.594
## d9 d10 d11
## par -4.092 -5.572 -6.589
##
## $veg_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4 d5 d6 d7 d8
## par 2.129 0 0 1.436 0 5.58 3.826 2.579 1.391 0.41 -0.692 -1.809 -2.942
## d9 d10 d11
## par -4.003 -5.372 -6.894
##
## $fwords_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4 d5 d6 d7 d8
## par 3.125 0 0 0 1.913 7.411 5.433 3.98 2.689 1.255 -0.156 -1.75 -3.651
## d9 d10 d11
## par -5.198 -6.426 -7.946
##
## $lwords_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4 d5 d6 d7 d8 d9
## par 3.33 0 0 0 1.913 7.348 5.324 3.869 2.25 0.697 -0.87 -2.182 -3.815 -5.184
## d10 d11
## par -6.987 -8.236
##
## $GroupPars
## MEAN_1 MEAN_2 MEAN_3 MEAN_4 MEAN_5 COV_11 COV_21 COV_31 COV_41 COV_51
## par 0 0 0 0 0 1 0 0 0 0
## COV_22 COV_32 COV_42 COV_52 COV_33 COV_43 COV_53 COV_44 COV_54 COV_55
## par 1 0.672 0 0 1 0 0 1 0 1
## VFr CCr WMr F1 F2 h2
## rundots_r 0.0000000 0.0000000 0.7995248 0.0000000 0.0000000 0.6392399
## dotcount_r 0.0000000 0.0000000 0.6084619 0.0000000 0.0000000 0.3702259
## flanker_r 0.0000000 0.8829873 0.0000000 0.0000000 0.0000000 0.7796665
## setshift_r 0.0000000 0.8570942 0.0000000 0.0000000 0.0000000 0.7346105
## match_r 0.0000000 0.7820847 0.0000000 0.0000000 0.0000000 0.6116564
## animals_r 0.7901028 0.0000000 0.0000000 0.3953510 0.0000000 0.7805648
## veg_r 0.6910477 0.0000000 0.0000000 0.4661913 0.0000000 0.6948812
## fwords_r 0.7735237 0.0000000 0.0000000 0.0000000 0.4735180 0.8225583
## lwords_r 0.7926981 0.0000000 0.0000000 0.0000000 0.4554721 0.8358252
CFA without Covariance
## [1] "\n VFr = fwords_r, lwords_r, animals_r,veg_r,\n CCr = flanker_r,setshift_r,match_r,\n WMr = rundots_r,dotcount_r,\n F1 = animals_r,veg_r,\n CONSTRAIN = (animals_r,veg_r,a4)\n F2 = fwords_r,lwords_r\n CONSTRAIN = (fwords_r, lwords_r,a5)\n\n "
## [1] "(data=data.mirt, model=examiner_3factor_nocov_r, itemtype = 'graded', technical = list(removeEmptyRows = TRUE),method = 'MHRM')"
## AIC SABIC HQ BIC logLik
## CFAnocov.mirt 22497.44 22690.51 22684.14 22995.46 -11152.72
## $rotF
## VFr CCr WMr F1 F2
## rundots_r 0.0000000 0.0000000 0.6991001 0.0000000 0.0000000
## dotcount_r 0.0000000 0.0000000 0.6350114 0.0000000 0.0000000
## flanker_r 0.0000000 0.8418008 0.0000000 0.0000000 0.0000000
## setshift_r 0.0000000 0.9184282 0.0000000 0.0000000 0.0000000
## match_r 0.0000000 0.7733160 0.0000000 0.0000000 0.0000000
## animals_r 0.7659648 0.0000000 0.0000000 0.4337018 0.0000000
## veg_r 0.6669827 0.0000000 0.0000000 0.5026418 0.0000000
## fwords_r 0.7948346 0.0000000 0.0000000 0.0000000 0.4324574
## lwords_r 0.8196199 0.0000000 0.0000000 0.0000000 0.4082853
##
## $h2
## h2
## rundots_r 0.4887409
## dotcount_r 0.4032395
## flanker_r 0.7086286
## setshift_r 0.8435103
## match_r 0.5980177
## animals_r 0.7747993
## veg_r 0.6975147
## fwords_r 0.8187815
## lwords_r 0.8384736
##
## $fcor
## VFr CCr WMr F1 F2
## VFr 1 0 0 0 0
## CCr 0 1 0 0 0
## WMr 0 0 1 0 0
## F1 0 0 0 1 0
## F2 0 0 0 0 1
## $rundots_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4
## par 0 0 1.664 0 0 3.993 3.378 0.757 -1.996
##
## $dotcount_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4 d5 d6 d7 d8 d9
## par 0 0 1.399 0 0 4.997 3.927 3.531 2.587 1.616 0.585 -0.169 -1.29 -2.165
## d10 d11
## par -2.902 -3.314
##
## $flanker_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4 d5 d6 d7 d8 d9
## par 0 2.654 0 0 0 4.991 4.151 3.507 2.923 1.61 0.704 -0.675 -2.134 -3.619
##
## $setshift_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4 d5 d6
## par 0 3.951 0 0 0 8.597 7.176 5.651 2.826 0.194 -3.741
##
## $match_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4 d5 d6 d7 d8 d9
## par 0 2.076 0 0 0 5.682 4.862 4.134 3.665 3.18 2.429 1.725 0.582 -0.818
## d10 d11
## par -2.259 -4.527
##
## $animals_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4 d5 d6 d7 d8 d9
## par 2.747 0 0 1.555 0 7.695 5.562 4.186 2.897 1.461 0.299 -1.26 -2.62 -4.098
## d10 d11
## par -5.559 -6.566
##
## $veg_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4 d5 d6 d7 d8
## par 2.064 0 0 1.555 0 5.57 3.815 2.561 1.362 0.373 -0.738 -1.865 -3.007
## d9 d10 d11
## par -4.072 -5.444 -6.969
##
## $fwords_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4 d5 d6 d7 d8
## par 3.178 0 0 0 1.729 7.284 5.324 3.886 2.608 1.185 -0.212 -1.788 -3.669
## d9 d10 d11
## par -5.2 -6.421 -7.939
##
## $lwords_r
## a1 a2 a3 a4 a5 d1 d2 d3 d4 d5 d6 d7 d8
## par 3.471 0 0 0 1.729 7.356 5.31 3.841 2.207 0.642 -0.935 -2.257 -3.903
## d9 d10 d11
## par -5.284 -7.107 -8.372
##
## $GroupPars
## MEAN_1 MEAN_2 MEAN_3 MEAN_4 MEAN_5 COV_11 COV_21 COV_31 COV_41 COV_51
## par 0 0 0 0 0 1 0 0 0 0
## COV_22 COV_32 COV_42 COV_52 COV_33 COV_43 COV_53 COV_44 COV_54 COV_55
## par 1 0 0 0 1 0 0 1 0 1
## VFr CCr WMr F1 F2 h2
## rundots_r 0.0000000 0.0000000 0.6991001 0.0000000 0.0000000 0.4887409
## dotcount_r 0.0000000 0.0000000 0.6350114 0.0000000 0.0000000 0.4032395
## flanker_r 0.0000000 0.8418008 0.0000000 0.0000000 0.0000000 0.7086286
## setshift_r 0.0000000 0.9184282 0.0000000 0.0000000 0.0000000 0.8435103
## match_r 0.0000000 0.7733160 0.0000000 0.0000000 0.0000000 0.5980177
## animals_r 0.7659648 0.0000000 0.0000000 0.4337018 0.0000000 0.7747993
## veg_r 0.6669827 0.0000000 0.0000000 0.5026418 0.0000000 0.6975147
## fwords_r 0.7948346 0.0000000 0.0000000 0.0000000 0.4324574 0.8187815
## lwords_r 0.8196199 0.0000000 0.0000000 0.0000000 0.4082853 0.8384736
Issues with SE
fscores_efa_one<-subset(fscores_efa_one, SE_F1<.75)# dim =1277
fscores_efa<-subset(fscores_efa, (SE_F1<.75 & SE_F2<.75 & SE_F3<.75)) #loses majority of subs, 1323 vs 155
fscores_CFA<-subset(fscores_CFA, (SE_VFr<.75 & SE_CCr<.75 & SE_WMr<.75 & SE_F1<.75 & SE_F2<.75 ))
fscores_CFA_nocov<-subset(fscores_CFA_nocov, (SE_VFr<.75 & SE_CCr<.75 & SE_WMr<.75 & SE_F1<.75 & SE_F2<.75 ))
dim(fscores_efa_one)
## [1] 1277 3
dim(fscores_efa)
## [1] 155 7
dim(fscores_CFA)
## [1] 9 11
dim(fscores_CFA_nocov)
## [1] 7 11