model bertingkat analisa lintas untuk kegemukan di negara maju

Minggu ini merumuskan multilevel path analytic obesogenic model untuk memahami faktor-faktor penyebab kegemukan di negara maju seperti Inggris dan Amerika. Saya mengajukan rumusan ini ke Ichiro dan Subu di HSPH dan nampaknya belum ada yang membayangkan ini sebelumnya. Nanti akan saya taruh modelnya dalam bentuk skema. Inilah kodenya di Mplus dan LG. Saya nggak ketemu model yang asli di komputer ini jadi yang berikut ini adalah terapan lain dari rumusan tsb untuk hubungan antara kesehatan umum dan faktor lingkungan dan perilaku pribadi.

M+
Data:
File is testpath.dat ;
Variable:
Names = nhood goodh she age5yrm age2 lneghtrust imd2005 exer
fruitveg5 neversm alcabove;
usevar = nhood goodh she age5yrm age2 lneghtrust imd2005 neversm;
categorical = goodh neversm;
cluster = nhood;
within = she age5yrm age2;
between = lneghtrust imd2005;
Missing are all (-9999);
Analysis:
Type = twolevel;
Algorithm = INTEGRATION;
Model:
%within%
neversm on she age5yrm age2;
goodh on neversm she age5yrm age2;
%between%
neversm on lneghtrust imd2005;
goodh on lneghtrust imd2005;

goodh with neversm;

LG
options
algorithm
tolerance=1e-005 emtolerance=0.01 emiterations=250 nriterations=50;
startvalues
seed=0 sets=5 tolerance=1e-009 iterations=50;
bayes
categorical=1 variances=1 latent=1 poisson=1;
montecarlo
seed=0 replicates=500 tolerance=1e-008;
quadrature nodes=10;
missing includedependent;

variables
groupid nhood;
dependent goodh, ccneversm;
independent imd2005, she, neversm, age5yrm, age2, lneghtrust;
latent GCFactor group continuous;
equations
GCFactor;
goodh <- 1+ GCFactor + neversm + she + age5yrm + age2 + lneghtrust + imd2005; ccneversm <- 1+ GCFactor + she + age5yrm + age2 + lneghtrust + imd2005; goodh <-> ccneversm;

Seperti biasa, estimasi varian itu sulit. Karena itu, biasanya kita memusatkan perhatian pada efek tetap yg ternyata sama baik dari Mplus maupun dari LG. Kovarian sisa masih bisa ditafsirkan jelas sedangkan varian agak sulit ditafsirkan karena skala estimasinya bisa berbeda. Tidak heran kalau beberapa makalah menetapkan varian nol atau satu untuk identifikasi saat optimasi. Tanpa batasan ini sering kali semua parameter tidak teridentifikasi. Itulah sebabnya kita tidak terlalu banyak menafsirkan varian sisa.