A simulated dataset.
syntax <- "
X =~ x1 + x2 + x3
Z =~ z1 + z2 + z3
Y =~ y1 + y2 + y3
W =~ w1 + w2 + w3
Y ~ X + Z + (1 + X + Z | cluster)
W ~ X + Z + (1 + X + Z | cluster)
"
fit <- pls(syntax, data = randomSlopesOrdered)
fit
#> plssem (0.1.0) ended normally after 3 iterations
#> lhs op rhs est se z pvalue ci.lower ci.upper
#> 1 X =~ x1 0.933 NA NA NA NA NA
#> 2 X =~ x2 0.818 NA NA NA NA NA
#> 3 X =~ x3 0.888 NA NA NA NA NA
#> 4 Z =~ z1 0.917 NA NA NA NA NA
#> 5 Z =~ z2 0.845 NA NA NA NA NA
#> 6 Z =~ z3 0.871 NA NA NA NA NA
#> 7 Y =~ y1 0.918 NA NA NA NA NA
#> 8 Y =~ y2 0.843 NA NA NA NA NA
#> 9 Y =~ y3 0.869 NA NA NA NA NA
#> 10 W =~ w1 0.914 NA NA NA NA NA
#> 11 W =~ w2 0.825 NA NA NA NA NA
#> 12 W =~ w3 0.886 NA NA NA NA NA
#> 13 Y ~ X 0.290 NA NA NA NA NA
#> 14 Y ~ Z 0.451 NA NA NA NA NA
#> 15 W ~ X 0.391 NA NA NA NA NA
#> 16 W ~ Z 0.245 NA NA NA NA NA
#> 17 X ~~ X 1.000 NA NA NA NA NA
#> 18 X ~~ Z 0.168 NA NA NA NA NA
#> 19 Z ~~ Z 1.000 NA NA NA NA NA
#> 20 Y ~~ Y 0.469 NA NA NA NA NA
#> 21 W ~~ W 0.456 NA NA NA NA NA
#> 22 x1 ~~ x1 0.130 NA NA NA NA NA
#> 23 x2 ~~ x2 0.331 NA NA NA NA NA
#> 24 x3 ~~ x3 0.211 NA NA NA NA NA
#> 25 z1 ~~ z1 0.159 NA NA NA NA NA
#> 26 z2 ~~ z2 0.286 NA NA NA NA NA
#> 27 z3 ~~ z3 0.242 NA NA NA NA NA
#> 28 y1 ~~ y1 0.156 NA NA NA NA NA
#> 29 y2 ~~ y2 0.289 NA NA NA NA NA
#> 30 y3 ~~ y3 0.246 NA NA NA NA NA
#> 31 w1 ~~ w1 0.165 NA NA NA NA NA
#> 32 w2 ~~ w2 0.319 NA NA NA NA NA
#> 33 w3 ~~ w3 0.215 NA NA NA NA NA
#> 34 Y ~1 0.011 NA NA NA NA NA
#> 35 W ~1 0.009 NA NA NA NA NA
#> 36 Y~1 ~~ Y~1 0.076 NA NA NA NA NA
#> 37 Y~X ~~ Y~1 -0.006 NA NA NA NA NA
#> 38 Y~Z ~~ Y~1 -0.024 NA NA NA NA NA
#> 39 Y~X ~~ Y~X 0.018 NA NA NA NA NA
#> 40 Y~Z ~~ Y~X 0.012 NA NA NA NA NA
#> 41 Y~Z ~~ Y~Z 0.101 NA NA NA NA NA
#> 42 W~1 ~~ W~1 0.052 NA NA NA NA NA
#> 43 W~X ~~ W~1 0.004 NA NA NA NA NA
#> 44 W~Z ~~ W~1 0.009 NA NA NA NA NA
#> 45 W~X ~~ W~X 0.099 NA NA NA NA NA
#> 46 W~Z ~~ W~X 0.016 NA NA NA NA NA
#> 47 W~Z ~~ W~Z 0.142 NA NA NA NA NA
summary(fit)
#> plssem (0.1.0) ended normally after 3 iterations
#>
#> Estimator OrdPLSc-MLM
#> Link PROBIT
#>
#> Number of observations 5000
#> Number of iterations 3
#> Number of latent variables 4
#> Number of observed variables 18
#>
#> R-squared (indicators):
#> x1 0.870
#> x2 0.669
#> x3 0.789
#> z1 0.841
#> z2 0.714
#> z3 0.758
#> y1 0.844
#> y2 0.711
#> y3 0.754
#> w1 0.835
#> w2 0.681
#> w3 0.785
#>
#> R-squared (latents):
#> Y 0.531
#> W 0.544
#>
#> Latent Variables:
#> Estimate Std.Error z.value P(>|z|)
#> X =~
#> x1 0.933
#> x2 0.818
#> x3 0.888
#> Z =~
#> z1 0.917
#> z2 0.845
#> z3 0.871
#> Y =~
#> y1 0.918
#> y2 0.843
#> y3 0.869
#> W =~
#> w1 0.914
#> w2 0.825
#> w3 0.886
#>
#> Regressions:
#> Estimate Std.Error z.value P(>|z|)
#> Y ~
#> X 0.290
#> Z 0.451
#> W ~
#> X 0.391
#> Z 0.245
#>
#> Intercepts:
#> Estimate Std.Error z.value P(>|z|)
#> .Y 0.011
#> .W 0.009
#>
#> Covariances:
#> Estimate Std.Error z.value P(>|z|)
#> X ~~
#> Z 0.168
#> Y~X ~~
#> Y~1 -0.006
#> Y~Z ~~
#> Y~1 -0.024
#> Y~X 0.012
#> W~X ~~
#> W~1 0.004
#> W~Z ~~
#> W~1 0.009
#> W~X 0.016
#>
#> Variances:
#> Estimate Std.Error z.value P(>|z|)
#> X 1.000
#> Z 1.000
#> .Y 0.469
#> .W 0.456
#> .x1 0.130
#> .x2 0.331
#> .x3 0.211
#> .z1 0.159
#> .z2 0.286
#> .z3 0.242
#> .y1 0.156
#> .y2 0.289
#> .y3 0.246
#> .w1 0.165
#> .w2 0.319
#> .w3 0.215
#> Y~1 0.076
#> Y~X 0.018
#> Y~Z 0.101
#> W~1 0.052
#> W~X 0.099
#> W~Z 0.142
#>