library(lavaan)
## This is lavaan 0.6-20
## lavaan is FREE software! Please report any bugs.
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.2
## ✔ ggplot2 4.0.0 ✔ tibble 3.3.0
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.1.0
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
data("HolzingerSwineford1939")
lavaan::HolzingerSwineford1939
## id sex ageyr agemo school grade x1 x2 x3 x4 x5
## 1 1 1 13 1 Pasteur 7 3.3333333 7.75 0.375 2.3333333 5.75
## 2 2 2 13 7 Pasteur 7 5.3333333 5.25 2.125 1.6666667 3.00
## 3 3 2 13 1 Pasteur 7 4.5000000 5.25 1.875 1.0000000 1.75
## 4 4 1 13 2 Pasteur 7 5.3333333 7.75 3.000 2.6666667 4.50
## 5 5 2 12 2 Pasteur 7 4.8333333 4.75 0.875 2.6666667 4.00
## 6 6 2 14 1 Pasteur 7 5.3333333 5.00 2.250 1.0000000 3.00
## 7 7 1 12 1 Pasteur 7 2.8333333 6.00 1.000 3.3333333 6.00
## 8 8 2 12 2 Pasteur 7 5.6666667 6.25 1.875 3.6666667 4.25
## 9 9 2 13 0 Pasteur 7 4.5000000 5.75 1.500 2.6666667 5.75
## 10 11 2 12 5 Pasteur 7 3.5000000 5.25 0.750 2.6666667 5.00
## 11 12 1 12 2 Pasteur 7 3.6666667 5.75 2.000 2.0000000 3.50
## 12 13 1 12 11 Pasteur 7 5.8333333 6.00 2.875 2.6666667 4.50
## 13 14 2 12 7 Pasteur 7 5.6666667 4.50 4.125 2.6666667 4.00
## 14 15 2 12 8 Pasteur 7 6.0000000 5.50 1.750 4.6666667 4.00
## 15 16 1 12 6 Pasteur 7 5.8333333 5.75 3.625 5.0000000 5.50
## 16 17 2 12 1 Pasteur 7 4.6666667 4.75 2.375 2.6666667 4.25
## 17 18 2 14 11 Pasteur 7 4.3333333 4.75 1.500 2.0000000 4.00
## 18 19 1 13 5 Pasteur 7 5.0000000 6.75 2.250 2.0000000 2.50
## 19 20 2 12 8 Pasteur 7 5.6666667 5.25 4.000 4.3333333 5.25
## 20 21 2 12 3 Pasteur 7 6.3333333 8.75 3.000 3.6666667 3.75
## 21 22 1 14 10 Pasteur 7 5.8333333 8.00 2.000 1.6666667 2.50
## 22 23 1 12 9 Pasteur 7 6.6666667 8.50 4.125 2.0000000 3.25
## 23 24 1 12 11 Pasteur 7 5.0000000 6.25 1.875 3.3333333 5.75
## 24 25 2 12 8 Pasteur 7 3.8333333 5.50 1.625 2.6666667 3.00
## 25 26 1 12 3 Pasteur 7 5.6666667 5.50 1.250 2.3333333 3.75
## 26 27 1 12 7 Pasteur 7 5.3333333 4.00 3.375 1.6666667 3.50
## 27 28 1 12 8 Pasteur 7 5.5000000 5.25 4.500 2.6666667 2.25
## 28 29 2 13 2 Pasteur 7 6.0000000 5.00 2.125 1.6666667 3.00
## 29 30 2 12 5 Pasteur 7 4.6666667 6.00 4.250 2.0000000 3.00
## 30 31 2 12 2 Pasteur 7 5.0000000 4.50 0.750 2.6666667 3.25
## 31 33 2 12 7 Pasteur 7 3.5000000 5.75 1.375 2.0000000 3.50
## 32 34 1 16 0 Pasteur 7 3.0000000 6.00 0.250 1.6666667 3.00
## 33 35 2 12 2 Pasteur 7 5.0000000 5.25 1.750 2.6666667 5.25
## 34 36 2 12 3 Pasteur 7 4.1666667 6.00 2.375 3.3333333 4.25
## 35 38 2 13 3 Pasteur 7 3.3333333 3.75 1.500 1.3333333 3.00
## 36 39 1 13 10 Pasteur 7 4.8333333 5.25 0.500 1.6666667 4.75
## 37 40 1 12 9 Pasteur 7 5.5000000 7.00 3.500 2.6666667 4.00
## 38 41 2 12 8 Pasteur 7 3.8333333 4.50 2.250 3.0000000 3.00
## 39 42 2 12 6 Pasteur 7 6.3333333 4.00 3.875 4.0000000 5.25
## 40 43 1 12 5 Pasteur 7 5.8333333 7.75 2.500 3.0000000 5.25
## 41 44 2 12 1 Pasteur 7 3.8333333 5.75 1.625 2.6666667 4.25
## 42 45 2 13 6 Pasteur 7 3.1666667 5.00 1.250 1.6666667 4.25
## 43 46 2 13 8 Pasteur 7 1.8333333 5.25 1.000 1.6666667 3.75
## 44 47 1 14 8 Pasteur 7 4.1666667 5.25 1.875 2.0000000 3.00
## 45 48 1 14 2 Pasteur 7 6.3333333 5.50 2.750 4.6666667 5.50
## 46 49 1 13 7 Pasteur 7 6.0000000 5.50 4.500 3.0000000 4.25
## 47 50 1 13 5 Pasteur 7 7.1666667 8.50 4.000 0.6666667 1.00
## 48 51 2 13 6 Pasteur 7 3.1666667 4.75 1.375 2.6666667 3.25
## 49 52 1 12 11 Pasteur 7 4.3333333 5.50 2.750 2.0000000 2.25
## 50 54 2 13 2 Pasteur 7 4.5000000 6.25 1.125 3.6666667 5.50
## 51 55 1 13 7 Pasteur 7 5.5000000 5.75 3.750 1.6666667 2.25
## 52 56 1 12 4 Pasteur 7 7.0000000 6.00 2.125 2.3333333 4.50
## 53 57 1 15 7 Pasteur 7 3.8333333 7.50 3.250 0.6666667 1.50
## 54 58 1 13 4 Pasteur 7 5.1666667 4.75 1.750 3.3333333 3.50
## 55 60 1 12 8 Pasteur 7 5.0000000 6.00 4.125 2.0000000 4.50
## 56 62 1 14 4 Pasteur 7 5.6666667 5.25 2.125 2.6666667 4.50
## 57 63 1 16 2 Pasteur 7 4.0000000 4.75 3.250 1.6666667 3.00
## 58 64 1 13 3 Pasteur 7 5.8333333 5.25 3.875 2.6666667 5.50
## 59 65 2 14 0 Pasteur 7 3.8333333 6.50 2.000 1.0000000 2.50
## 60 66 1 15 3 Pasteur 7 4.1666667 5.75 1.750 1.3333333 3.00
## 61 67 2 12 5 Pasteur 7 5.3333333 5.75 3.375 4.0000000 5.50
## 62 68 2 12 9 Pasteur 7 4.0000000 6.00 3.625 2.6666667 5.00
## 63 69 2 12 10 Pasteur 7 5.3333333 6.75 1.375 1.6666667 2.50
## 64 70 2 13 11 Pasteur 7 5.3333333 5.00 1.250 3.3333333 4.50
## 65 71 2 13 1 Pasteur 7 3.6666667 5.75 3.625 2.6666667 5.00
## 66 72 2 12 11 Pasteur 7 6.5000000 6.00 2.500 3.6666667 4.50
## 67 73 1 14 11 Pasteur 7 4.0000000 9.25 4.000 3.0000000 3.75
## 68 74 2 13 0 Pasteur 7 4.6666667 5.75 3.625 2.6666667 2.75
## 69 75 2 13 9 Pasteur 7 2.8333333 5.00 0.875 3.0000000 2.50
## 70 76 1 12 8 Pasteur 7 4.6666667 5.00 0.750 4.3333333 4.00
## 71 77 2 14 2 Pasteur 7 0.6666667 4.50 0.750 2.0000000 3.00
## 72 78 1 13 3 Pasteur 7 4.3333333 9.25 3.375 1.3333333 2.25
## 73 79 1 13 1 Pasteur 7 5.0000000 4.50 2.625 1.6666667 2.75
## 74 80 1 13 7 Pasteur 7 5.0000000 6.00 3.250 3.3333333 5.75
## 75 81 2 12 9 Pasteur 7 4.1666667 5.25 2.125 3.0000000 3.25
## 76 82 2 13 9 Pasteur 7 3.8333333 5.25 2.375 1.6666667 2.25
## 77 83 1 12 6 Pasteur 7 5.6666667 7.00 2.125 4.0000000 4.75
## 78 85 1 16 7 Pasteur 7 1.6666667 5.75 1.375 0.0000000 1.50
## 79 86 2 14 7 Pasteur 8 6.3333333 5.50 4.125 4.0000000 3.25
## 80 87 1 14 1 Pasteur 8 4.0000000 5.25 2.500 1.0000000 1.50
## 81 88 1 14 11 Pasteur 8 4.5000000 6.00 1.750 1.6666667 2.00
## 82 89 1 13 7 Pasteur 8 4.6666667 8.00 4.250 3.0000000 4.75
## 83 90 1 14 5 Pasteur 8 4.8333333 8.25 2.250 0.3333333 2.25
## 84 91 2 13 2 Pasteur 8 4.8333333 6.50 1.750 2.3333333 3.50
## 85 93 2 14 7 Pasteur 8 3.0000000 5.25 0.625 1.0000000 1.50
## 86 94 2 12 11 Pasteur 8 6.3333333 6.25 2.500 3.3333333 5.75
## 87 95 2 13 8 Pasteur 8 5.5000000 7.00 2.875 2.6666667 4.00
## 88 96 2 13 3 Pasteur 8 5.3333333 6.00 2.750 4.0000000 5.00
## 89 97 2 13 11 Pasteur 8 3.3333333 7.25 3.250 1.3333333 1.25
## 90 98 2 13 10 Pasteur 8 5.5000000 5.00 2.250 3.6666667 4.50
## 91 99 1 13 10 Pasteur 8 4.0000000 6.50 2.625 2.6666667 2.75
## 92 100 2 14 0 Pasteur 8 3.8333333 6.25 3.375 2.0000000 3.75
## 93 101 1 15 4 Pasteur 8 5.1666667 4.75 2.125 1.0000000 2.00
## 94 102 1 13 8 Pasteur 8 4.3333333 3.50 0.875 2.6666667 3.25
## 95 103 1 14 10 Pasteur 8 4.1666667 5.50 0.875 4.6666667 4.75
## 96 104 1 13 8 Pasteur 8 5.0000000 5.75 4.250 4.0000000 4.25
## 97 105 1 13 4 Pasteur 8 4.3333333 4.75 0.500 3.3333333 5.75
## 98 106 2 13 2 Pasteur 8 7.5000000 7.50 2.125 5.3333333 6.75
## 99 108 2 13 11 Pasteur 8 5.0000000 3.75 1.375 1.6666667 2.75
## 100 109 1 13 4 Pasteur 8 5.5000000 6.25 2.750 3.6666667 4.50
## 101 110 1 15 3 Pasteur 8 6.1666667 3.75 4.375 2.6666667 3.25
## 102 111 2 13 10 Pasteur 8 6.5000000 6.50 1.875 3.6666667 3.75
## 103 112 1 13 3 Pasteur 8 4.3333333 7.75 1.875 4.3333333 4.50
## 104 113 1 13 4 Pasteur 8 4.6666667 5.25 1.625 3.3333333 4.50
## 105 114 1 15 3 Pasteur 8 6.8333333 9.00 4.375 2.6666667 5.75
## 106 115 2 12 10 Pasteur 8 4.5000000 6.50 3.125 2.6666667 5.50
## 107 116 2 13 5 Pasteur 8 6.8333333 6.50 0.750 5.3333333 5.75
## 108 117 2 13 10 Pasteur 8 5.5000000 6.75 3.750 2.6666667 2.75
## 109 118 2 14 5 Pasteur 8 6.3333333 5.50 1.625 5.6666667 5.50
## 110 119 2 13 3 Pasteur 8 4.1666667 4.25 2.250 3.3333333 3.50
## 111 120 1 13 4 Pasteur 8 5.6666667 9.25 4.375 3.6666667 4.75
## 112 121 2 13 1 Pasteur 8 6.3333333 5.25 2.625 4.3333333 4.25
## 113 122 1 13 4 Pasteur 8 6.1666667 6.25 4.250 5.0000000 3.50
## 114 123 2 14 0 Pasteur 8 5.1666667 6.50 1.750 4.0000000 5.25
## 115 124 1 14 5 Pasteur 8 4.1666667 7.50 3.875 1.0000000 2.00
## 116 125 2 13 1 Pasteur 8 4.1666667 5.75 1.000 3.6666667 4.75
## 117 126 1 16 0 Pasteur 8 5.1666667 5.75 2.500 2.6666667 4.75
## 118 127 1 13 10 Pasteur 8 4.3333333 5.25 4.000 3.0000000 2.75
## 119 129 1 13 4 Pasteur 8 3.5000000 7.25 3.375 2.3333333 2.25
## 120 130 1 16 5 Pasteur 8 4.6666667 4.75 1.625 2.6666667 3.25
## 121 131 2 14 4 Pasteur 8 4.8333333 6.00 1.500 2.6666667 4.25
## 122 132 1 15 1 Pasteur 8 5.0000000 5.50 2.375 3.3333333 3.00
## 123 133 2 14 4 Pasteur 8 7.5000000 7.00 4.250 4.0000000 6.50
## 124 134 2 15 8 Pasteur 8 5.3333333 5.25 4.125 2.3333333 3.75
## 125 135 1 14 5 Pasteur 8 6.1666667 6.75 4.125 3.3333333 5.00
## 126 136 2 15 4 Pasteur 8 5.3333333 8.75 3.125 4.3333333 4.00
## 127 137 2 13 11 Pasteur 8 4.3333333 7.00 1.000 4.3333333 5.50
## 128 138 2 13 11 Pasteur 8 4.8333333 7.00 1.125 3.3333333 5.00
## 129 139 2 13 4 Pasteur 8 6.0000000 7.50 3.250 3.0000000 6.00
## 130 140 1 14 1 Pasteur 8 5.0000000 4.50 1.625 2.0000000 2.75
## 131 142 1 13 11 Pasteur 8 4.1666667 8.00 4.375 4.3333333 6.25
## 132 143 2 14 1 Pasteur 8 5.6666667 5.50 3.500 4.0000000 4.25
## 133 144 2 15 3 Pasteur 8 5.0000000 6.25 1.750 1.3333333 2.00
## 134 145 2 13 6 Pasteur 8 3.5000000 5.25 2.250 2.0000000 3.75
## 135 146 1 14 7 Pasteur 8 7.3333333 8.00 2.625 2.6666667 5.00
## 136 147 1 13 4 Pasteur 8 6.1666667 7.50 3.625 4.0000000 6.25
## 137 148 1 13 10 Pasteur 8 4.8333333 5.25 4.500 4.3333333 5.75
## 138 149 1 13 2 Pasteur 8 5.6666667 6.25 2.750 3.3333333 5.25
## 139 150 2 14 2 Pasteur 8 5.5000000 6.75 4.500 2.3333333 4.50
## 140 151 2 14 7 Pasteur 8 5.1666667 5.00 2.500 3.3333333 5.75
## 141 152 2 14 0 Pasteur 8 3.1666667 3.75 1.500 3.3333333 5.75
## 142 153 2 14 9 Pasteur 8 5.0000000 7.50 4.500 2.0000000 1.50
## 143 154 1 15 0 Pasteur 8 7.1666667 9.00 3.875 3.6666667 5.25
## 144 155 2 12 9 Pasteur 8 7.3333333 6.75 4.000 6.0000000 6.50
## 145 156 2 15 8 Pasteur 8 2.0000000 5.50 0.625 2.6666667 5.00
## 146 157 2 13 6 Pasteur 8 3.8333333 5.50 1.875 3.6666667 5.00
## 147 158 2 13 8 Pasteur 8 4.1666667 6.00 1.250 4.0000000 5.00
## 148 159 2 15 8 Pasteur 8 4.6666667 5.75 1.625 0.6666667 2.50
## 149 160 1 14 4 Pasteur 8 5.8333333 4.75 2.625 5.6666667 5.50
## 150 162 1 15 1 Pasteur 8 6.6666667 5.50 4.375 2.6666667 3.75
## 151 163 1 13 11 Pasteur 8 6.8333333 7.25 4.250 5.0000000 5.75
## 152 164 1 15 5 Pasteur 8 5.3333333 4.75 2.625 3.0000000 5.50
## 153 165 1 14 1 Pasteur 8 4.8333333 5.00 2.375 3.0000000 4.25
## 154 166 2 15 1 Pasteur 8 5.1666667 6.00 2.375 1.3333333 2.25
## 155 167 2 15 7 Pasteur 8 6.3333333 6.75 1.125 3.0000000 2.50
## 156 168 2 15 6 Pasteur 8 4.8333333 5.75 1.250 3.0000000 4.75
## 157 201 1 13 0 Grant-White 7 3.8333333 4.75 0.500 3.3333333 4.25
## 158 202 2 11 10 Grant-White 7 5.5000000 5.50 2.125 2.6666667 4.25
## 159 203 1 12 6 Grant-White 7 5.6666667 6.00 2.750 3.6666667 4.75
## 160 204 1 11 11 Grant-White 7 4.8333333 5.75 1.125 3.0000000 4.75
## 161 205 1 12 5 Grant-White 7 2.6666667 6.25 1.250 2.6666667 6.25
## 162 206 2 12 6 Grant-White 7 5.0000000 6.25 2.500 3.3333333 5.75
## 163 208 2 12 8 Grant-White 7 6.0000000 8.25 4.500 5.6666667 6.25
## 164 209 2 11 11 Grant-White 7 4.6666667 6.25 1.125 3.3333333 4.50
## 165 210 2 12 5 Grant-White 7 5.0000000 6.25 1.375 3.6666667 5.25
## 166 211 2 12 5 Grant-White 7 3.3333333 6.25 0.750 3.0000000 5.25
## 167 212 1 12 0 Grant-White 7 4.5000000 6.50 0.750 3.3333333 4.00
## 168 213 1 12 10 Grant-White 7 5.3333333 5.25 1.000 0.3333333 1.75
## 169 214 1 12 9 Grant-White 7 6.3333333 7.75 1.500 3.3333333 2.75
## 170 215 2 12 8 Grant-White 7 2.8333333 5.25 0.750 1.6666667 2.50
## 171 216 1 12 9 Grant-White 7 5.6666667 7.00 3.000 4.6666667 5.50
## 172 217 1 13 1 Grant-White 7 4.1666667 7.75 2.250 2.3333333 3.00
## 173 218 2 12 1 Grant-White 7 5.5000000 7.75 3.750 3.6666667 5.75
## 174 219 1 13 1 Grant-White 7 6.6666667 5.75 2.500 3.3333333 5.75
## 175 220 2 12 7 Grant-White 7 5.0000000 5.50 2.500 2.6666667 4.25
## 176 221 2 12 1 Grant-White 7 6.0000000 7.00 2.750 4.3333333 6.00
## 177 222 1 12 9 Grant-White 7 4.0000000 4.00 1.750 1.6666667 4.25
## 178 223 1 12 8 Grant-White 7 6.6666667 6.50 3.250 4.3333333 6.00
## 179 224 2 12 6 Grant-White 7 5.0000000 6.00 2.375 4.6666667 6.50
## 180 225 1 14 0 Grant-White 7 7.0000000 6.75 3.375 2.3333333 3.25
## 181 226 2 12 3 Grant-White 7 5.5000000 6.75 2.000 2.6666667 4.25
## 182 227 2 12 4 Grant-White 7 5.3333333 5.50 1.875 3.0000000 5.00
## 183 228 1 12 9 Grant-White 7 5.1666667 5.25 0.625 4.3333333 4.75
## 184 229 2 14 7 Grant-White 7 4.5000000 5.75 0.500 3.0000000 2.75
## 185 230 1 13 2 Grant-White 7 5.1666667 5.75 1.375 1.3333333 4.00
## 186 231 1 12 5 Grant-White 7 5.1666667 8.50 0.375 3.0000000 4.75
## 187 232 2 12 0 Grant-White 7 2.8333333 7.50 1.625 3.0000000 4.25
## 188 233 1 12 0 Grant-White 7 5.0000000 5.00 1.625 3.0000000 5.00
## 189 234 1 12 6 Grant-White 7 4.6666667 4.75 1.000 3.0000000 3.50
## 190 235 1 13 2 Grant-White 7 3.1666667 5.50 1.000 1.6666667 3.00
## 191 236 1 12 0 Grant-White 7 4.6666667 5.00 1.750 2.6666667 3.75
## 192 237 2 12 10 Grant-White 7 6.3333333 6.25 1.625 3.0000000 5.75
## 193 238 2 11 11 Grant-White 7 5.6666667 7.00 1.250 3.0000000 5.50
## 194 239 2 13 8 Grant-White 7 3.0000000 5.50 0.625 0.6666667 1.00
## 195 240 2 12 7 Grant-White 7 2.6666667 5.00 1.000 2.0000000 4.50
## 196 241 2 12 4 Grant-White 7 3.0000000 7.50 2.125 6.3333333 6.00
## 197 242 2 12 6 Grant-White 7 5.3333333 5.25 1.125 5.0000000 5.00
## 198 243 1 12 6 Grant-White 7 5.6666667 5.25 1.125 3.0000000 5.75
## 199 244 1 12 1 Grant-White 7 3.5000000 5.50 1.000 3.0000000 3.00
## 200 245 2 12 9 Grant-White 7 4.6666667 5.00 1.750 2.6666667 4.50
## 201 246 2 12 3 Grant-White 7 6.5000000 6.00 3.125 4.6666667 4.25
## 202 247 2 12 4 Grant-White 7 5.3333333 6.50 1.250 3.6666667 5.75
## 203 248 2 12 10 Grant-White 7 4.6666667 6.00 1.000 2.0000000 2.50
## 204 249 1 12 5 Grant-White 7 4.0000000 5.00 2.750 3.6666667 4.75
## 205 250 2 11 11 Grant-White 7 5.1666667 4.75 1.625 2.6666667 5.50
## 206 251 2 12 8 Grant-White 7 4.8333333 6.50 3.125 3.3333333 5.50
## 207 252 1 11 11 Grant-White 7 4.8333333 7.50 1.875 2.3333333 4.00
## 208 253 1 14 1 Grant-White 7 2.6666667 5.75 0.625 2.3333333 5.00
## 209 254 2 12 4 Grant-White 7 4.1666667 6.25 3.250 1.6666667 1.75
## 210 256 1 13 2 Grant-White 7 4.1666667 6.75 1.875 2.0000000 4.00
## 211 257 2 12 3 Grant-White 7 6.1666667 7.75 2.000 4.6666667 7.00
## 212 258 2 12 11 Grant-White 7 5.0000000 6.50 2.375 2.3333333 5.25
## 213 259 1 11 5 Grant-White 7 4.8333333 6.00 1.250 3.0000000 5.25
## 214 260 2 12 4 Grant-White 7 6.1666667 8.50 2.125 6.0000000 6.00
## 215 261 2 12 0 Grant-White 7 4.6666667 5.00 0.500 2.6666667 4.50
## 216 262 1 13 11 Grant-White 7 3.6666667 8.50 2.375 3.3333333 4.25
## 217 263 2 12 4 Grant-White 7 6.3333333 5.25 2.250 6.0000000 6.50
## 218 264 1 12 9 Grant-White 7 4.8333333 5.25 2.250 2.3333333 4.00
## 219 265 1 12 10 Grant-White 7 4.1666667 6.25 3.750 3.0000000 4.00
## 220 266 2 13 7 Grant-White 7 4.6666667 6.75 1.625 1.6666667 1.50
## 221 267 1 13 2 Grant-White 7 3.8333333 5.00 2.250 2.0000000 3.00
## 222 268 2 14 0 Grant-White 7 1.8333333 5.00 1.125 4.3333333 4.00
## 223 269 2 12 11 Grant-White 7 7.5000000 9.25 3.625 3.3333333 4.00
## 224 270 2 13 0 Grant-White 7 3.1666667 3.75 0.875 5.0000000 4.75
## 225 271 2 12 8 Grant-White 7 6.8333333 5.25 1.375 3.0000000 4.00
## 226 272 1 12 3 Grant-White 7 5.8333333 7.50 4.125 2.6666667 3.75
## 227 273 2 12 0 Grant-White 7 5.6666667 6.00 2.000 3.0000000 3.50
## 228 274 1 13 2 Grant-White 7 3.1666667 5.50 1.500 3.3333333 4.00
## 229 275 1 12 7 Grant-White 7 4.1666667 5.25 1.875 2.6666667 4.25
## 230 276 1 11 4 Grant-White 7 6.0000000 7.00 4.125 5.0000000 6.00
## 231 277 2 14 0 Grant-White 7 3.1666667 5.75 0.750 2.3333333 3.25
## 232 278 2 12 9 Grant-White 7 4.5000000 5.25 0.875 3.0000000 4.75
## 233 279 2 12 5 Grant-White 7 3.5000000 2.25 1.750 5.0000000 6.25
## 234 280 1 12 9 Grant-White 7 4.5000000 5.50 4.000 2.6666667 3.25
## 235 281 2 12 7 Grant-White 7 4.3333333 5.50 1.000 1.6666667 2.75
## 236 282 1 14 2 Grant-White 8 3.3333333 6.75 1.875 3.0000000 4.75
## 237 283 2 13 1 Grant-White 8 5.5000000 5.50 1.750 4.3333333 6.25
## 238 284 2 12 11 Grant-White 8 6.3333333 6.50 0.875 5.3333333 6.25
## 239 285 2 13 2 Grant-White 8 5.5000000 6.25 4.250 5.0000000 5.75
## 240 286 1 13 6 Grant-White 8 6.0000000 7.25 2.000 3.0000000 5.75
## 241 287 1 13 9 Grant-White 8 6.3333333 7.25 4.375 4.3333333 5.50
## 242 288 2 13 2 Grant-White 8 5.1666667 6.25 3.500 3.3333333 6.25
## 243 289 2 13 1 Grant-White 8 6.0000000 7.00 1.625 3.6666667 5.75
## 244 290 1 13 8 Grant-White 8 5.1666667 6.50 3.625 3.6666667 6.50
## 245 291 2 14 2 Grant-White 8 4.6666667 6.00 0.750 2.6666667 4.25
## 246 292 1 13 8 Grant-White 8 6.3333333 9.25 3.500 3.3333333 4.75
## 247 293 1 13 6 Grant-White 8 4.8333333 8.50 2.750 3.3333333 5.00
## 248 294 1 13 7 Grant-White 8 5.8333333 6.00 1.875 4.0000000 5.00
## 249 295 2 13 3 Grant-White 8 5.8333333 6.25 3.125 3.6666667 6.00
## 250 296 2 12 10 Grant-White 8 3.8333333 5.25 0.375 3.0000000 5.25
## 251 297 2 13 5 Grant-White 8 5.1666667 7.00 3.125 4.0000000 5.75
## 252 298 1 14 6 Grant-White 8 8.5000000 6.50 4.250 6.0000000 6.50
## 253 299 2 14 9 Grant-White 8 5.5000000 7.00 2.250 5.0000000 5.75
## 254 300 2 15 11 Grant-White 8 3.5000000 6.50 2.125 4.0000000 4.00
## 255 302 2 13 9 Grant-White 8 6.1666667 8.00 1.375 5.3333333 6.25
## 256 303 1 13 1 Grant-White 8 6.1666667 5.00 2.625 2.6666667 4.75
## 257 304 1 13 9 Grant-White 8 6.1666667 6.50 3.625 2.3333333 4.75
## 258 305 1 13 7 Grant-White 8 6.5000000 6.50 3.000 5.6666667 6.50
## 259 306 2 13 0 Grant-White 8 6.5000000 8.50 4.125 3.3333333 4.75
## 260 307 2 13 8 Grant-White 8 3.0000000 4.00 0.500 3.3333333 5.25
## 261 308 2 12 9 Grant-White 8 4.6666667 7.00 2.250 3.3333333 6.25
## 262 309 1 14 10 Grant-White 8 4.8333333 5.75 1.125 2.0000000 6.00
## 263 310 2 13 5 Grant-White 8 4.1666667 5.00 1.375 4.0000000 4.75
## 264 311 1 13 4 Grant-White 8 4.8333333 8.25 1.375 4.3333333 5.75
## 265 312 2 13 6 Grant-White 8 5.3333333 5.25 1.875 4.6666667 5.00
## 266 313 1 13 6 Grant-White 8 5.0000000 5.25 2.625 4.0000000 6.00
## 267 314 2 13 5 Grant-White 8 5.8333333 7.00 2.375 6.0000000 6.75
## 268 315 1 12 1 Grant-White 8 2.6666667 8.50 4.000 4.6666667 5.50
## 269 316 2 13 5 Grant-White 8 6.3333333 7.50 4.125 4.6666667 5.50
## 270 317 2 13 2 Grant-White 8 4.3333333 6.25 0.875 3.3333333 3.75
## 271 318 2 13 7 Grant-White 8 5.5000000 7.00 1.500 4.6666667 5.25
## 272 320 1 15 3 Grant-White 8 4.6666667 6.75 4.000 3.3333333 4.75
## 273 321 2 13 3 Grant-White 8 4.5000000 5.50 2.000 2.6666667 4.75
## 274 322 2 14 4 Grant-White 8 4.3333333 7.25 1.250 2.6666667 4.75
## 275 323 1 14 7 Grant-White 8 5.0000000 8.00 3.250 2.3333333 3.75
## 276 324 1 13 3 Grant-White 8 3.6666667 5.75 1.000 1.3333333 3.25
## 277 325 1 13 8 Grant-White 8 5.3333333 6.00 1.000 3.0000000 4.75
## 278 326 1 14 6 Grant-White 8 5.1666667 5.75 1.625 4.0000000 4.75
## 279 327 1 14 9 Grant-White 8 5.3333333 6.25 2.125 1.6666667 2.75
## 280 328 1 16 4 Grant-White 8 6.6666667 5.25 1.875 2.6666667 4.50
## 281 329 1 12 11 Grant-White 8 3.5000000 5.00 1.375 2.3333333 4.75
## 282 330 1 13 1 Grant-White 8 5.1666667 6.25 3.250 5.0000000 6.00
## 283 331 2 14 1 Grant-White 8 4.0000000 6.00 2.000 2.6666667 4.50
## 284 333 1 14 3 Grant-White 8 6.8333333 6.25 1.875 4.0000000 5.25
## 285 334 2 14 9 Grant-White 8 5.0000000 5.75 1.250 2.6666667 3.50
## 286 335 1 16 1 Grant-White 8 5.8333333 5.00 2.000 3.3333333 4.00
## 287 336 1 13 5 Grant-White 8 5.6666667 6.75 2.125 4.3333333 6.25
## 288 337 1 14 3 Grant-White 8 4.1666667 5.50 1.625 2.3333333 4.00
## 289 338 2 13 1 Grant-White 8 4.0000000 6.25 0.750 3.0000000 4.75
## 290 339 1 14 4 Grant-White 8 6.0000000 6.50 2.125 3.3333333 4.75
## 291 340 1 15 6 Grant-White 8 3.3333333 4.75 0.875 2.6666667 5.00
## 292 341 1 14 11 Grant-White 8 4.6666667 6.00 1.125 1.3333333 3.00
## 293 342 2 12 11 Grant-White 8 5.6666667 5.50 1.625 3.3333333 4.25
## 294 343 1 14 3 Grant-White 8 5.6666667 5.25 2.375 3.3333333 4.50
## 295 344 2 13 0 Grant-White 8 5.8333333 7.00 1.250 3.0000000 3.25
## 296 345 1 13 3 Grant-White 8 6.1666667 6.50 3.000 3.0000000 4.25
## 297 346 1 13 5 Grant-White 8 4.0000000 7.00 1.375 2.6666667 4.25
## 298 347 2 14 10 Grant-White 8 3.0000000 6.00 1.625 2.3333333 4.00
## 299 348 2 14 3 Grant-White 8 4.6666667 5.50 1.875 3.6666667 5.75
## 300 349 1 14 2 Grant-White 8 4.3333333 6.75 0.500 3.6666667 4.50
## 301 351 1 13 5 Grant-White NA 4.3333333 6.00 3.375 3.6666667 5.75
## x6 x7 x8 x9
## 1 1.2857143 3.391304 5.75 6.361111
## 2 1.2857143 3.782609 6.25 7.916667
## 3 0.4285714 3.260870 3.90 4.416667
## 4 2.4285714 3.000000 5.30 4.861111
## 5 2.5714286 3.695652 6.30 5.916667
## 6 0.8571429 4.347826 6.65 7.500000
## 7 2.8571429 4.695652 6.20 4.861111
## 8 1.2857143 3.391304 5.15 3.666667
## 9 2.7142857 4.521739 4.65 7.361111
## 10 2.5714286 4.130435 4.55 4.361111
## 11 1.5714286 3.739130 5.70 4.305556
## 12 2.7142857 3.695652 5.15 4.138889
## 13 2.2857143 5.869565 5.20 5.861111
## 14 1.5714286 5.130435 4.70 4.444444
## 15 3.0000000 4.000000 4.35 5.861111
## 16 0.7142857 4.086957 3.80 5.138889
## 17 1.2857143 3.695652 6.65 5.250000
## 18 1.7142857 4.000000 5.25 5.444444
## 19 3.7142857 3.913044 4.85 5.750000
## 20 2.5714286 3.478261 5.35 4.916667
## 21 0.5714286 2.608696 4.60 5.388889
## 22 2.1428571 4.478261 5.45 7.000000
## 23 3.1428571 3.478261 4.60 5.000000
## 24 1.0000000 5.826087 5.30 6.777778
## 25 1.2857143 4.695652 4.60 4.138889
## 26 1.4285714 5.739130 6.25 4.333333
## 27 0.7142857 4.130435 5.10 4.527778
## 28 1.1428571 2.826087 5.55 4.416667
## 29 2.0000000 5.130435 5.85 8.611111
## 30 1.8571429 4.652174 4.85 5.444444
## 31 1.8571429 4.826087 6.95 5.972222
## 32 1.0000000 2.043478 3.65 3.361111
## 33 2.0000000 2.695652 4.30 4.805556
## 34 1.8571429 5.391304 4.35 5.638889
## 35 0.8571429 2.782609 5.20 4.833333
## 36 1.4285714 3.130435 3.75 4.916667
## 37 2.0000000 3.826087 4.00 5.305556
## 38 1.7142857 4.086957 3.50 5.083333
## 39 3.2857143 5.521739 5.45 5.111111
## 40 3.1428571 3.217391 4.50 4.888889
## 41 2.1428571 4.913043 5.10 4.638889
## 42 1.5714286 2.826087 5.30 4.777778
## 43 0.5714286 3.956522 4.75 2.777778
## 44 1.4285714 3.956522 5.60 6.666667
## 45 2.0000000 5.391304 5.00 6.861111
## 46 1.2857143 4.826087 5.00 5.000000
## 47 1.0000000 3.347826 6.35 6.277778
## 48 1.2857143 6.130435 8.00 5.444444
## 49 1.0000000 5.652174 5.90 6.055556
## 50 2.1428571 2.565217 4.80 5.527778
## 51 0.1428571 2.347826 5.05 5.500000
## 52 1.4285714 3.652174 5.15 4.777778
## 53 0.1428571 3.260870 4.20 5.388889
## 54 2.1428571 3.478261 5.10 4.194444
## 55 2.1428571 4.173913 4.80 4.416667
## 56 1.4285714 4.043478 5.70 5.555556
## 57 1.7142857 4.173913 5.25 5.638889
## 58 2.4285714 3.434783 5.80 4.750000
## 59 1.2857143 3.391304 4.55 4.833333
## 60 1.0000000 3.521739 6.15 3.944444
## 61 2.5714286 5.260870 6.20 6.138889
## 62 2.1428571 4.913043 5.35 4.777778
## 63 0.7142857 2.652174 3.85 5.333333
## 64 2.4285714 5.521739 5.45 5.833333
## 65 1.4285714 3.304348 4.50 5.027778
## 66 3.0000000 5.695652 5.40 6.305556
## 67 1.0000000 3.608696 5.75 6.194444
## 68 1.8571429 3.869565 6.10 4.250000
## 69 1.5714286 6.826087 5.70 3.916667
## 70 2.7142857 4.739130 5.95 5.416667
## 71 1.0000000 3.608696 5.50 4.611111
## 72 1.1428571 3.739130 5.75 5.166667
## 73 1.5714286 5.260870 7.35 5.972222
## 74 2.7142857 3.478261 4.60 4.277778
## 75 0.7142857 3.478261 5.70 4.583333
## 76 1.0000000 3.130435 5.75 4.666667
## 77 2.2857143 5.652174 5.70 6.472222
## 78 1.1428571 5.695652 4.00 5.638889
## 79 1.8571429 5.565217 7.35 5.750000
## 80 1.8571429 4.695652 5.15 5.333333
## 81 1.5714286 5.869565 6.45 6.027778
## 82 2.4285714 5.130435 5.75 5.305556
## 83 0.5714286 5.347826 5.20 5.777778
## 84 0.7142857 5.782609 5.75 4.972222
## 85 1.0000000 4.956522 4.85 4.583333
## 86 3.7142857 4.608696 6.85 5.472222
## 87 0.8571429 4.086957 5.40 5.972222
## 88 2.1428571 5.521739 4.55 5.138889
## 89 0.5714286 3.565217 5.55 4.888889
## 90 1.7142857 4.173913 5.95 6.666667
## 91 1.8571429 6.652174 7.50 5.444444
## 92 0.4285714 5.391304 7.80 6.111111
## 93 1.5714286 3.565217 6.40 5.722222
## 94 1.1428571 3.608696 4.80 3.944444
## 95 2.1428571 4.130435 5.35 3.777778
## 96 2.4285714 3.565217 3.60 5.444444
## 97 2.8571429 5.521739 5.85 4.222222
## 98 2.7142857 5.130435 5.55 7.222222
## 99 1.4285714 5.565217 6.10 4.611111
## 100 3.2857143 4.913043 5.15 5.750000
## 101 1.0000000 4.260870 5.30 6.250000
## 102 1.7142857 4.521739 4.40 6.583333
## 103 1.8571429 5.869565 6.25 4.111111
## 104 2.8571429 3.826087 4.85 4.833333
## 105 5.0000000 3.000000 6.20 6.027778
## 106 2.1428571 6.347826 6.50 6.166667
## 107 3.1428571 7.434783 5.70 5.194444
## 108 2.0000000 4.173913 6.80 7.000000
## 109 4.0000000 5.695652 6.40 7.527778
## 110 1.4285714 4.478261 4.15 3.361111
## 111 3.0000000 3.260870 3.90 4.861111
## 112 1.5714286 2.869565 6.00 5.444444
## 113 1.8571429 4.565217 5.35 5.444444
## 114 1.8571429 4.695652 4.30 6.000000
## 115 0.8571429 3.565217 3.95 6.333333
## 116 1.8571429 4.826087 5.85 5.416667
## 117 2.7142857 5.304348 6.85 5.000000
## 118 1.0000000 5.565217 6.60 6.444444
## 119 1.1428571 3.695652 5.20 5.166667
## 120 2.0000000 4.086957 5.55 5.444444
## 121 1.2857143 5.826087 6.40 6.861111
## 122 2.0000000 4.608696 6.40 3.305556
## 123 3.5714286 3.739130 7.60 6.500000
## 124 1.5714286 3.652174 5.35 4.777778
## 125 2.8571429 5.000000 6.90 6.388889
## 126 1.1428571 4.000000 6.95 5.666667
## 127 3.0000000 5.130435 5.65 4.916667
## 128 2.2857143 4.913043 5.25 4.972222
## 129 2.4285714 3.304348 5.10 5.777778
## 130 0.5714286 4.521739 6.25 6.305556
## 131 3.1428571 4.565217 7.80 7.000000
## 132 2.2857143 7.260870 6.35 7.194444
## 133 0.5714286 4.913043 6.00 4.805556
## 134 1.8571429 4.695652 5.25 3.722222
## 135 2.4285714 3.434783 6.00 6.166667
## 136 2.5714286 4.391304 5.85 6.111111
## 137 2.8571429 3.347826 5.10 5.444444
## 138 2.1428571 4.434783 5.15 4.555556
## 139 2.5714286 6.260870 6.55 6.888889
## 140 3.0000000 6.434783 8.30 7.083333
## 141 2.2857143 6.043478 5.25 6.222222
## 142 0.4285714 3.304348 5.25 5.722222
## 143 4.7142857 3.826087 7.10 5.777778
## 144 6.1428571 5.347826 5.75 6.611111
## 145 0.8571429 2.391304 5.60 5.972222
## 146 3.0000000 5.608696 4.90 3.861111
## 147 2.5714286 6.956522 6.25 6.305556
## 148 1.4285714 4.521739 5.00 4.750000
## 149 4.1428571 3.565217 6.30 5.472222
## 150 1.0000000 5.130435 4.75 5.222222
## 151 4.8571429 5.652174 7.55 6.166667
## 152 2.1428571 5.782609 7.90 6.944444
## 153 2.4285714 5.391304 7.50 5.416667
## 154 1.1428571 5.391304 6.15 5.194444
## 155 1.4285714 4.695652 5.60 4.138889
## 156 2.1428571 3.608696 6.15 4.694444
## 157 1.4285714 3.000000 4.10 4.333333
## 158 1.4285714 2.826087 4.90 5.416667
## 159 2.7142857 2.173913 4.30 6.333333
## 160 1.5714286 4.956522 5.15 4.000000
## 161 3.4285714 4.869565 6.10 4.444444
## 162 2.5714286 4.086957 5.65 5.583333
## 163 5.8571429 5.608696 6.95 9.250000
## 164 1.5714286 4.173913 4.75 4.833333
## 165 1.1428571 4.478261 5.70 5.472222
## 166 2.2857143 3.869565 5.05 4.944444
## 167 1.8571429 3.826087 5.35 3.805556
## 168 1.5714286 4.478261 6.80 4.277778
## 169 2.0000000 3.608696 5.40 5.583333
## 170 1.4285714 4.304348 4.35 4.083333
## 171 3.7142857 2.130435 4.20 4.750000
## 172 1.5714286 2.826087 4.00 3.472222
## 173 2.5714286 2.869565 5.65 5.166667
## 174 5.0000000 3.130435 5.20 6.166667
## 175 2.8571429 4.130435 5.50 4.472222
## 176 5.1428571 3.565217 5.15 5.694444
## 177 1.5714286 4.608696 4.00 3.277778
## 178 3.5714286 3.826087 6.05 6.250000
## 179 3.4285714 4.869565 5.75 5.138889
## 180 0.5714286 5.478261 10.00 6.555556
## 181 1.8571429 2.956522 5.80 6.083333
## 182 2.4285714 3.217391 5.90 5.305556
## 183 2.7142857 4.173913 6.05 5.000000
## 184 1.0000000 2.391304 5.90 4.944444
## 185 2.2857143 3.521739 6.40 5.250000
## 186 2.4285714 2.217391 4.60 5.055556
## 187 1.8571429 2.260870 4.70 3.972222
## 188 3.0000000 4.695652 5.65 5.000000
## 189 2.8571429 3.521739 5.80 4.416667
## 190 0.5714286 2.173913 3.60 4.500000
## 191 1.1428571 4.347826 7.20 5.694444
## 192 2.1428571 2.434783 6.50 5.500000
## 193 2.8571429 3.521739 4.80 5.527778
## 194 0.2857143 1.304348 3.05 3.111111
## 195 1.8571429 4.043478 5.55 5.138889
## 196 4.7142857 4.000000 5.40 4.111111
## 197 3.5714286 4.130435 4.60 4.944444
## 198 3.4285714 2.521739 4.55 4.805556
## 199 1.1428571 2.826087 4.20 3.805556
## 200 1.4285714 2.652174 5.00 5.944444
## 201 1.5714286 3.565217 5.20 6.777778
## 202 3.2857143 2.695652 4.15 3.972222
## 203 1.4285714 2.652174 3.85 4.416667
## 204 2.5714286 3.086956 4.70 4.277778
## 205 2.4285714 2.652174 3.50 3.333333
## 206 2.5714286 3.695652 6.40 5.611111
## 207 1.7142857 2.782609 3.70 4.583333
## 208 1.8571429 4.130435 6.40 3.805556
## 209 0.7142857 2.000000 3.60 3.361111
## 210 1.8571429 3.739130 4.95 5.944444
## 211 2.8571429 3.826087 5.70 6.194444
## 212 2.0000000 3.869565 6.05 6.166667
## 213 2.4285714 4.347826 6.05 5.722222
## 214 3.8571429 3.478261 5.60 6.361111
## 215 0.8571429 3.173913 4.20 4.472222
## 216 2.1428571 3.478261 5.05 5.138889
## 217 4.4285714 5.217391 5.45 5.694444
## 218 1.0000000 2.913044 4.40 5.000000
## 219 2.2857143 4.608696 6.35 4.861111
## 220 0.5714286 4.391304 5.30 4.777778
## 221 0.8571429 1.869565 5.00 4.027778
## 222 2.1428571 3.173913 3.65 3.611111
## 223 2.2857143 3.173913 5.05 6.111111
## 224 2.7142857 4.391304 5.60 3.222222
## 225 2.0000000 5.391304 5.95 6.111111
## 226 1.7142857 3.913044 6.30 6.722222
## 227 1.4285714 3.869565 5.80 6.555556
## 228 2.4285714 5.130435 5.80 7.000000
## 229 2.4285714 2.956522 4.10 4.722222
## 230 5.5714286 3.521739 5.20 5.833333
## 231 2.7142857 2.956522 4.85 4.138889
## 232 3.1428571 3.826087 5.45 5.305556
## 233 4.2857143 2.956522 4.55 5.027778
## 234 1.8571429 2.434783 3.75 4.916667
## 235 1.5714286 3.304348 5.70 4.333333
## 236 1.5714286 5.652174 5.25 6.694444
## 237 3.7142857 3.652174 6.35 6.388889
## 238 2.1428571 4.739130 5.55 5.555556
## 239 3.0000000 4.739130 7.15 6.833333
## 240 3.2857143 6.478261 7.80 6.861111
## 241 2.4285714 4.869565 6.30 6.305556
## 242 3.8571429 4.478261 4.90 4.666667
## 243 2.5714286 5.826087 5.10 6.222222
## 244 1.7142857 3.695652 4.95 5.250000
## 245 2.1428571 4.000000 4.75 5.972222
## 246 2.7142857 4.782609 6.75 5.527778
## 247 2.7142857 3.652174 6.60 4.083333
## 248 3.2857143 4.000000 6.25 6.444444
## 249 2.7142857 5.739130 5.90 5.194444
## 250 1.7142857 5.782609 5.55 6.527778
## 251 2.1428571 6.043478 5.50 5.527778
## 252 5.4285714 5.782609 8.05 6.916667
## 253 4.2857143 4.173913 6.10 5.888889
## 254 4.7142857 5.130435 5.60 3.666667
## 255 4.5714286 3.478261 4.75 4.750000
## 256 2.7142857 3.391304 5.05 4.972222
## 257 2.7142857 4.434783 5.65 5.833333
## 258 4.2857143 5.000000 6.80 7.388889
## 259 2.2857143 4.130435 5.95 6.666667
## 260 2.7142857 2.956522 4.00 3.472222
## 261 3.2857143 3.782609 4.65 4.722222
## 262 1.2857143 4.347826 9.10 6.305556
## 263 2.4285714 4.826087 6.25 5.722222
## 264 3.7142857 3.391304 5.15 5.500000
## 265 4.1428571 5.086957 5.40 6.583333
## 266 3.8571429 4.173913 5.65 5.722222
## 267 4.7142857 6.304348 5.85 6.277778
## 268 3.4285714 4.304348 5.40 5.972222
## 269 4.1428571 4.217391 6.00 7.000000
## 270 1.8571429 5.000000 6.45 5.083333
## 271 2.0000000 4.608696 5.30 5.194444
## 272 2.4285714 3.000000 6.50 5.500000
## 273 2.1428571 5.869565 7.10 6.250000
## 274 1.8571429 3.695652 5.45 6.111111
## 275 1.4285714 4.739130 7.00 4.944444
## 276 2.4285714 4.000000 4.05 4.166667
## 277 2.0000000 3.391304 4.45 5.305556
## 278 2.1428571 3.565217 5.40 5.055556
## 279 2.2857143 4.608696 7.15 5.555556
## 280 1.8571429 3.652174 6.30 5.972222
## 281 1.1428571 3.478261 5.85 6.527778
## 282 3.2857143 2.391304 4.00 4.277778
## 283 1.7142857 3.347826 4.70 3.750000
## 284 2.7142857 2.782609 4.70 5.250000
## 285 1.7142857 4.260870 6.60 6.666667
## 286 1.4285714 3.478261 5.25 5.694444
## 287 4.5714286 3.347826 5.95 5.416667
## 288 1.5714286 5.869565 6.30 5.666667
## 289 3.2857143 5.217391 6.55 5.722222
## 290 1.4285714 2.434783 5.75 5.000000
## 291 0.8571429 5.826087 5.50 6.777778
## 292 1.5714286 4.173913 5.75 4.833333
## 293 2.0000000 5.478261 6.00 4.500000
## 294 2.0000000 3.391304 5.15 6.333333
## 295 1.5714286 4.173913 4.85 5.777778
## 296 2.8571429 3.043478 4.25 5.666667
## 297 1.0000000 5.086957 5.60 5.250000
## 298 1.0000000 4.608696 6.05 6.083333
## 299 4.2857143 4.000000 6.00 7.611111
## 300 2.0000000 5.086957 6.20 4.388889
## 301 3.1428571 4.086957 6.95 5.166667
write.csv(HolzingerSwineford1939, file = "HolzingerSwinefort1939.csv", row.names = FALSE)
hs <- read_csv('HolzingerSwinefort1939.csv')
## Rows: 301 Columns: 15
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (1): school
## dbl (14): id, sex, ageyr, agemo, grade, x1, x2, x3, x4, x5, x6, x7, x8, x9
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
visual =~ x1 + x2 + x3
textual =~ x4 + x5 + x6
speed =~ x7 + x8 + x9
HS.model <- ' visual =~ x1 + x2 + x3
textual =~ x4 + x5 + x6
speed =~ x7 + x8 + x9 '
fit <- cfa(HS.model, data = hs)
summary(fit, fit.measures = TRUE)
## lavaan 0.6-20 ended normally after 35 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 21
##
## Number of observations 301
##
## Model Test User Model:
##
## Test statistic 85.306
## Degrees of freedom 24
## P-value (Chi-square) 0.000
##
## Model Test Baseline Model:
##
## Test statistic 918.852
## Degrees of freedom 36
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.931
## Tucker-Lewis Index (TLI) 0.896
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -3737.745
## Loglikelihood unrestricted model (H1) -3695.092
##
## Akaike (AIC) 7517.490
## Bayesian (BIC) 7595.339
## Sample-size adjusted Bayesian (SABIC) 7528.739
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.092
## 90 Percent confidence interval - lower 0.071
## 90 Percent confidence interval - upper 0.114
## P-value H_0: RMSEA <= 0.050 0.001
## P-value H_0: RMSEA >= 0.080 0.840
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.065
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Structured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|)
## visual =~
## x1 1.000
## x2 0.554 0.100 5.554 0.000
## x3 0.729 0.109 6.685 0.000
## textual =~
## x4 1.000
## x5 1.113 0.065 17.014 0.000
## x6 0.926 0.055 16.703 0.000
## speed =~
## x7 1.000
## x8 1.180 0.165 7.152 0.000
## x9 1.082 0.151 7.155 0.000
##
## Covariances:
## Estimate Std.Err z-value P(>|z|)
## visual ~~
## textual 0.408 0.074 5.552 0.000
## speed 0.262 0.056 4.660 0.000
## textual ~~
## speed 0.173 0.049 3.518 0.000
##
## Variances:
## Estimate Std.Err z-value P(>|z|)
## .x1 0.549 0.114 4.833 0.000
## .x2 1.134 0.102 11.146 0.000
## .x3 0.844 0.091 9.317 0.000
## .x4 0.371 0.048 7.779 0.000
## .x5 0.446 0.058 7.642 0.000
## .x6 0.356 0.043 8.277 0.000
## .x7 0.799 0.081 9.823 0.000
## .x8 0.488 0.074 6.573 0.000
## .x9 0.566 0.071 8.003 0.000
## visual 0.809 0.145 5.564 0.000
## textual 0.979 0.112 8.737 0.000
## speed 0.384 0.086 4.451 0.000
data("PoliticalDemocracy")
lavaan::PoliticalDemocracy
## y1 y2 y3 y4 y5 y6 y7 y8
## 1 2.50 0.000000 3.333333 0.000000 1.250000 0.000000 3.726360 3.333333
## 2 1.25 0.000000 3.333333 0.000000 6.250000 1.100000 6.666666 0.736999
## 3 7.50 8.800000 9.999998 9.199991 8.750000 8.094061 9.999998 8.211809
## 4 8.90 8.800000 9.999998 9.199991 8.907948 8.127979 9.999998 4.615086
## 5 10.00 3.333333 9.999998 6.666666 7.500000 3.333333 9.999998 6.666666
## 6 7.50 3.333333 6.666666 6.666666 6.250000 1.100000 6.666666 0.368500
## 7 7.50 3.333333 6.666666 6.666666 5.000000 2.233333 8.271257 1.485166
## 8 7.50 2.233333 9.999998 1.496333 6.250000 3.333333 9.999998 6.666666
## 9 2.50 3.333333 3.333333 3.333333 6.250000 3.333333 3.333333 3.333333
## 10 10.00 6.666666 9.999998 8.899991 8.750000 6.666666 9.999998 10.000000
## 11 7.50 3.333333 9.999998 6.666666 8.750000 3.333333 9.999998 6.666666
## 12 7.50 3.333333 6.666666 6.666666 8.750000 3.333333 6.666666 6.666666
## 13 7.50 3.333333 9.999998 6.666666 7.500000 3.333333 6.666666 10.000000
## 14 7.50 7.766664 9.999998 6.666666 7.500000 0.000000 9.999998 0.000000
## 15 7.50 9.999998 3.333333 10.000000 7.500000 6.666666 9.999998 10.000000
## 16 7.50 9.999998 9.999998 7.766666 7.500000 1.100000 6.666666 6.666666
## 17 2.50 3.333333 6.666666 6.666666 5.000000 1.100000 6.666666 0.368500
## 18 1.25 0.000000 3.333333 3.333333 1.250000 3.333333 3.333333 3.333333
## 19 10.00 9.999998 9.999998 10.000000 8.750000 9.999998 9.999998 10.000000
## 20 7.50 3.333299 3.333333 6.666666 7.500000 2.233299 6.666666 2.948164
## 21 10.00 9.999998 9.999998 10.000000 10.000000 9.999998 9.999998 10.000000
## 22 1.25 0.000000 0.000000 0.000000 2.500000 0.000000 0.000000 0.000000
## 23 2.50 0.000000 3.333333 3.333333 2.500000 0.000000 3.333333 3.333333
## 24 7.50 6.666666 9.999998 10.000000 7.500000 6.666666 9.999998 7.766666
## 25 8.50 9.999998 6.666666 6.666666 8.750000 9.999998 7.351018 6.666666
## 26 6.10 0.000000 5.400000 3.333333 0.000000 0.000000 4.696028 3.333333
## 27 3.30 0.000000 6.666666 3.333333 6.250000 0.000000 6.666666 3.333333
## 28 2.90 3.333333 6.666666 3.333333 2.385559 0.000000 3.177568 1.116666
## 29 9.20 0.000000 9.900000 3.333333 7.609660 0.000000 8.118828 3.333333
## 30 6.90 0.000000 6.666666 3.333333 4.226033 0.000000 0.000000 0.000000
## 31 2.90 0.000000 3.333333 3.333333 5.000000 0.000000 3.333333 3.333333
## 32 2.00 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
## 33 5.00 0.000000 3.333333 3.333333 5.000000 0.000000 3.333333 3.333333
## 34 5.00 0.000000 9.999998 3.333333 0.000000 0.000000 3.333333 0.744370
## 35 4.10 9.999998 4.700000 6.666666 3.750000 0.000000 7.827667 6.666666
## 36 6.30 9.999998 9.999998 6.666666 6.250000 2.233333 6.666666 2.955702
## 37 5.20 4.999998 6.600000 3.333333 3.633403 1.100000 3.314128 3.333333
## 38 5.00 3.333333 6.400000 6.666666 2.844997 0.000000 4.429657 1.485166
## 39 3.10 4.999998 4.200000 5.000000 3.750000 0.000000 6.164304 3.333333
## 40 4.10 9.999998 6.666666 3.333333 5.000000 0.000000 4.938089 2.233333
## 41 5.00 9.999998 6.666666 1.666666 5.000000 0.000000 6.666666 0.368500
## 42 5.00 7.700000 6.666666 8.399997 6.250000 4.358243 9.999998 4.141377
## 43 5.00 6.200000 9.999998 6.060997 5.000000 2.782771 6.666666 4.974739
## 44 5.60 4.900000 0.000000 0.000000 6.555647 4.055463 6.666666 3.821796
## 45 5.70 4.800000 0.000000 0.000000 6.555647 4.055463 0.000000 0.000000
## 46 7.50 9.999998 7.900000 6.666666 3.750000 9.999998 7.631891 6.666666
## 47 2.50 0.000000 6.666666 3.333333 2.500000 0.000000 0.000000 0.000000
## 48 8.90 9.999998 9.700000 6.666666 5.000000 9.999998 9.556024 6.666666
## 49 7.60 0.000000 10.000000 0.000000 5.000000 1.100000 6.666666 1.099999
## 50 7.80 9.999998 6.666666 6.666666 5.000000 3.333333 6.666666 6.666666
## 51 2.50 0.000000 6.666666 3.333333 5.000000 0.000000 6.666666 3.333333
## 52 3.80 0.000000 5.100000 0.000000 3.750000 0.000000 6.666666 1.485166
## 53 5.00 3.333333 3.333333 2.233333 5.000000 3.333333 6.666666 5.566663
## 54 6.25 3.333333 9.999998 2.955702 6.250000 5.566663 9.999998 6.666666
## 55 1.25 0.000000 3.333333 0.000000 2.500000 0.000000 0.000000 0.000000
## 56 1.25 0.000000 4.700000 0.736999 2.500000 0.000000 3.333333 3.333333
## 57 1.25 0.000000 6.666666 0.000000 2.500000 0.000000 5.228375 0.000000
## 58 7.50 7.766664 9.999998 6.666666 7.500000 3.333333 9.999998 6.666666
## 59 2.50 0.000000 6.666666 4.433333 5.000000 0.000000 6.666666 1.485166
## 60 7.50 9.999998 9.999998 10.000000 8.750000 9.999998 9.999998 10.000000
## 61 1.25 0.000000 0.000000 0.000000 1.250000 0.000000 0.000000 0.000000
## 62 1.25 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
## 63 2.50 0.000000 0.000000 0.000000 0.000000 0.000000 6.666666 2.948164
## 64 6.25 2.233299 6.666666 2.970332 3.750000 3.333299 6.666666 3.333333
## 65 7.50 9.999998 9.999998 10.000000 7.500000 9.999998 9.999998 10.000000
## 66 5.00 0.000000 6.100000 0.000000 5.000000 3.333333 9.999998 3.333333
## 67 7.50 9.999998 9.999998 10.000000 3.750000 9.999998 9.999998 10.000000
## 68 4.90 2.233333 9.999998 0.000000 5.000000 0.000000 3.621989 3.333333
## 69 5.00 0.000000 8.200000 0.000000 5.000000 0.000000 0.000000 0.000000
## 70 2.90 3.333333 6.666666 3.333333 2.500000 3.333333 6.666666 3.333333
## 71 5.40 9.999998 6.666666 3.333333 3.750000 6.666666 6.666666 1.485166
## 72 7.50 8.800000 9.999998 6.066666 7.500000 6.666666 9.999998 6.666666
## 73 7.50 7.000000 9.999998 6.852998 7.500000 6.348340 6.666666 7.508044
## 74 10.00 6.666666 9.999998 10.000000 10.000000 6.666666 9.999998 10.000000
## 75 3.75 3.333333 0.000000 0.000000 1.250000 3.333333 0.000000 0.000000
## x1 x2 x3
## 1 4.442651 3.637586 2.557615
## 2 5.384495 5.062595 3.568079
## 3 5.961005 6.255750 5.224433
## 4 6.285998 7.567863 6.267495
## 5 5.863631 6.818924 4.573679
## 6 5.533389 5.135798 3.892270
## 7 5.308268 5.075174 3.316213
## 8 5.347108 4.852030 4.263183
## 9 5.521461 5.241747 4.115168
## 10 5.828946 5.370638 4.446216
## 11 5.916202 6.423247 3.791545
## 12 5.398163 6.246107 4.535708
## 13 6.622736 7.872074 4.906154
## 14 5.204007 5.225747 4.561047
## 15 5.509388 6.202536 4.586286
## 16 5.262690 5.820083 3.948911
## 17 4.700480 5.023881 4.394491
## 18 5.209486 4.465908 4.510268
## 19 5.916202 6.732211 5.829084
## 20 6.523562 6.992096 6.424591
## 21 6.238325 6.746412 5.741711
## 22 5.976351 6.712956 5.948168
## 23 5.631212 5.937536 5.686755
## 24 6.033086 6.093570 4.611429
## 25 6.196444 6.704414 5.475261
## 26 4.248495 2.708050 1.740830
## 27 5.141664 4.564348 2.255134
## 28 4.174387 3.688879 3.046927
## 29 4.382027 2.890372 1.711279
## 30 4.290459 1.609438 1.001674
## 31 4.934474 4.234107 1.418971
## 32 3.850148 1.945910 2.345229
## 33 5.181784 4.394449 3.167167
## 34 5.062595 4.595120 3.834970
## 35 4.691348 4.143135 2.255134
## 36 4.248495 3.367296 3.217506
## 37 5.564520 5.236442 2.677633
## 38 4.727388 3.610918 1.418971
## 39 4.143135 2.302585 1.418971
## 40 4.317488 4.955827 4.249888
## 41 5.141664 4.430817 3.046927
## 42 4.488636 3.465736 2.013579
## 43 4.615121 4.941642 2.255134
## 44 3.850148 2.397895 1.740830
## 45 3.970292 2.397895 1.050741
## 46 3.784190 3.091042 2.113313
## 47 3.806662 2.079442 2.137561
## 48 4.532599 3.610918 1.587802
## 49 5.117994 4.934474 3.834970
## 50 5.049856 5.111988 4.381490
## 51 5.393628 5.638355 4.169451
## 52 4.477337 3.931826 2.474671
## 53 5.257495 5.840642 5.001796
## 54 5.379897 5.505332 3.299937
## 55 5.298317 6.274762 4.381490
## 56 4.859812 5.669881 3.537416
## 57 4.969813 5.564520 4.510268
## 58 6.011267 6.253829 5.001796
## 59 5.075174 5.252273 5.350708
## 60 6.736967 7.125283 6.330518
## 61 5.225747 5.451038 3.167167
## 62 4.025352 1.791759 2.657972
## 63 4.234107 2.708050 2.474671
## 64 4.644391 5.564520 3.046927
## 65 4.418841 4.941642 3.380653
## 66 4.262680 4.219508 4.368462
## 67 4.875197 4.700480 3.834970
## 68 4.189655 1.386294 1.418971
## 69 4.521789 4.127134 2.113313
## 70 4.653960 3.555348 1.881917
## 71 4.477337 3.091042 1.987909
## 72 5.337538 5.631212 3.491004
## 73 6.129050 6.403574 5.001796
## 74 5.003946 4.962845 3.976994
## 75 4.488636 4.897840 2.867566
write.csv(PoliticalDemocracy, file = "PoliticalDemocract.csv", row.names = FALSE)
pd <- read_csv('PoliticalDemocracy.csv')
## Rows: 75 Columns: 11
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## dbl (11): y1, y2, y3, y4, y5, y6, y7, y8, x1, x2, x3
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
model <- '
# measurement model
ind60 =~ x1 + x2 + x3
dem60 =~ y1 + y2 + y3 + y4
dem65 =~ y5 + y6 + y7 + y8
# regressions
dem60 ~ ind60
dem65 ~ ind60 + dem60
# residual correlations
y1 ~~ y5
y2 ~~ y4 + y6
y3 ~~ y7
y4 ~~ y8
y6 ~~ y8'
fit <- sem(model, data = PoliticalDemocracy)
summary(fit, standardized = TRUE)
## lavaan 0.6-20 ended normally after 68 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 31
##
## Number of observations 75
##
## Model Test User Model:
##
## Test statistic 38.125
## Degrees of freedom 35
## P-value (Chi-square) 0.329
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Structured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ind60 =~
## x1 1.000 0.670 0.920
## x2 2.180 0.139 15.742 0.000 1.460 0.973
## x3 1.819 0.152 11.967 0.000 1.218 0.872
## dem60 =~
## y1 1.000 2.223 0.850
## y2 1.257 0.182 6.889 0.000 2.794 0.717
## y3 1.058 0.151 6.987 0.000 2.351 0.722
## y4 1.265 0.145 8.722 0.000 2.812 0.846
## dem65 =~
## y5 1.000 2.103 0.808
## y6 1.186 0.169 7.024 0.000 2.493 0.746
## y7 1.280 0.160 8.002 0.000 2.691 0.824
## y8 1.266 0.158 8.007 0.000 2.662 0.828
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## dem60 ~
## ind60 1.483 0.399 3.715 0.000 0.447 0.447
## dem65 ~
## ind60 0.572 0.221 2.586 0.010 0.182 0.182
## dem60 0.837 0.098 8.514 0.000 0.885 0.885
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .y1 ~~
## .y5 0.624 0.358 1.741 0.082 0.624 0.296
## .y2 ~~
## .y4 1.313 0.702 1.871 0.061 1.313 0.273
## .y6 2.153 0.734 2.934 0.003 2.153 0.356
## .y3 ~~
## .y7 0.795 0.608 1.308 0.191 0.795 0.191
## .y4 ~~
## .y8 0.348 0.442 0.787 0.431 0.348 0.109
## .y6 ~~
## .y8 1.356 0.568 2.386 0.017 1.356 0.338
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .x1 0.082 0.019 4.184 0.000 0.082 0.154
## .x2 0.120 0.070 1.718 0.086 0.120 0.053
## .x3 0.467 0.090 5.177 0.000 0.467 0.239
## .y1 1.891 0.444 4.256 0.000 1.891 0.277
## .y2 7.373 1.374 5.366 0.000 7.373 0.486
## .y3 5.067 0.952 5.324 0.000 5.067 0.478
## .y4 3.148 0.739 4.261 0.000 3.148 0.285
## .y5 2.351 0.480 4.895 0.000 2.351 0.347
## .y6 4.954 0.914 5.419 0.000 4.954 0.443
## .y7 3.431 0.713 4.814 0.000 3.431 0.322
## .y8 3.254 0.695 4.685 0.000 3.254 0.315
## ind60 0.448 0.087 5.173 0.000 1.000 1.000
## .dem60 3.956 0.921 4.295 0.000 0.800 0.800
## .dem65 0.172 0.215 0.803 0.422 0.039 0.039
coef(fit)
## ind60=~x2 ind60=~x3 dem60=~y2 dem60=~y3 dem60=~y4 dem65=~y6
## 2.180 1.819 1.257 1.058 1.265 1.186
## dem65=~y7 dem65=~y8 dem60~ind60 dem65~ind60 dem65~dem60 y1~~y5
## 1.280 1.266 1.483 0.572 0.837 0.624
## y2~~y4 y2~~y6 y3~~y7 y4~~y8 y6~~y8 x1~~x1
## 1.313 2.153 0.795 0.348 1.356 0.082
## x2~~x2 x3~~x3 y1~~y1 y2~~y2 y3~~y3 y4~~y4
## 0.120 0.467 1.891 7.373 5.067 3.148
## y5~~y5 y6~~y6 y7~~y7 y8~~y8 ind60~~ind60 dem60~~dem60
## 2.351 4.954 3.431 3.254 0.448 3.956
## dem65~~dem65
## 0.172