This is the results of the analysis conducted in the TRAINING sample (20% of the sample).
Code Legend
1,2,3 = corresponding time point (time point 1,….)
b = brain (white matter connectivity)
Sa = Neighbourhood Safety
m = youth mental problems (behavioral and emotional problems)
Neighbourhood safety x brain connectivity x youth problems
RICLPM_Safety <- '
# Create between components (random intercepts)
RIx =~ 1*a1Sa + 1*a2Sa + 1*a3Sa
RIy =~ 1*b1 + 1*b2 + 1*b3
RIz =~ 1*m1 + 1*m2 + 1*m3
# Create within-person centered variables
wx1 =~ 1*a1Sa
wx2 =~ 1*a2Sa
wx3 =~ 1*a3Sa
wy1 =~ 1*b1
wy2 =~ 1*b2
wy3 =~ 1*b3
wz1 =~ 1*m1
wz2 =~ 1*m2
wz3 =~ 1*m3
# Estimate lagged effects between within-person centered variables
wx2 + wy2 + wz2 ~ wx1 + wy1 + wz1
wx3 + wy3 + wz3 ~ wx2 + wy2 + wz2
# Estimate covariance between within-person centered variables at first wave
wx1 ~~ wy1 # Covariance
wx1 ~~ wz1
wy1 ~~ wz1
# Estimate covariances between residuals of within-person centered variables
# (i.e., innovations)
wx2 ~~ wy2
wx2 ~~ wz2
wy2 ~~ wz2
wx3 ~~ wy3
wx3 ~~ wz3
wy3 ~~ wz3
# Estimate variance and covariance of random intercepts
RIx ~~ RIx
RIy ~~ RIy
RIz ~~ RIz
RIx ~~ RIy
RIx ~~ RIz
RIy ~~ RIz
# Estimate (residual) variance of within-person centered variables
wx1 ~~ wx1 # Variances
wy1 ~~ wy1
wz1 ~~ wz1
wx2 ~~ wx2 # Residual variances
wy2 ~~ wy2
wz2 ~~ wz2
wx3 ~~ wx3
wy3 ~~ wy3
wz3 ~~ wz3
'
RICLPM_Safety_fit <- lavaan::lavaan(RICLPM_Safety,
data = Data,
missing = "fiml",
meanstructure = TRUE,
int.ov.free = TRUE
)
summary(RICLPM_Safety_fit, standardized = TRUE)## lavaan 0.6.16 ended normally after 83 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 51
##
## Number of observations 2373
## Number of missing patterns 51
##
## Model Test User Model:
##
## Test statistic 11.679
## Degrees of freedom 3
## P-value (Chi-square) 0.009
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Observed
## Observed information based on Hessian
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## RIx =~
## a1Sa 1.000 0.437 0.430
## a2Sa 1.000 0.437 0.437
## a3Sa 1.000 0.437 0.426
## RIy =~
## b1 1.000 0.880 0.869
## b2 1.000 0.880 0.879
## b3 1.000 0.880 0.888
## RIz =~
## m1 1.000 0.624 0.610
## m2 1.000 0.624 0.622
## m3 1.000 0.624 0.602
## wx1 =~
## a1Sa 1.000 0.918 0.903
## wx2 =~
## a2Sa 1.000 0.899 0.899
## wx3 =~
## a3Sa 1.000 0.927 0.905
## wy1 =~
## b1 1.000 0.501 0.494
## wy2 =~
## b2 1.000 0.478 0.477
## wy3 =~
## b3 1.000 0.455 0.459
## wz1 =~
## m1 1.000 0.810 0.792
## wz2 =~
## m2 1.000 0.786 0.783
## wz3 =~
## m3 1.000 0.828 0.799
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## wx2 ~
## wx1 0.124 0.051 2.411 0.016 0.126 0.126
## wy1 -0.197 0.135 -1.457 0.145 -0.110 -0.110
## wz1 0.032 0.055 0.579 0.562 0.029 0.029
## wy2 ~
## wx1 0.002 0.037 0.052 0.958 0.004 0.004
## wy1 0.080 0.154 0.522 0.602 0.084 0.084
## wz1 0.025 0.051 0.484 0.628 0.042 0.042
## wz2 ~
## wx1 -0.012 0.039 -0.300 0.764 -0.014 -0.014
## wy1 -0.041 0.130 -0.315 0.753 -0.026 -0.026
## wz1 0.171 0.068 2.526 0.012 0.177 0.177
## wx3 ~
## wx2 0.199 0.054 3.703 0.000 0.193 0.193
## wy2 -0.119 0.115 -1.035 0.301 -0.061 -0.061
## wz2 -0.008 0.061 -0.124 0.901 -0.006 -0.006
## wy3 ~
## wx2 0.003 0.034 0.092 0.927 0.006 0.006
## wy2 0.414 0.082 5.043 0.000 0.436 0.436
## wz2 -0.037 0.043 -0.875 0.382 -0.064 -0.064
## wz3 ~
## wx2 -0.008 0.043 -0.190 0.849 -0.009 -0.009
## wy2 0.016 0.103 0.151 0.880 0.009 0.009
## wz2 0.289 0.065 4.481 0.000 0.275 0.275
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## wx1 ~~
## wy1 -0.018 0.032 -0.565 0.572 -0.040 -0.040
## wz1 0.078 0.037 2.070 0.038 0.104 0.104
## wy1 ~~
## wz1 -0.030 0.034 -0.907 0.364 -0.075 -0.075
## .wx2 ~~
## .wy2 -0.028 0.032 -0.869 0.385 -0.067 -0.067
## .wz2 0.083 0.032 2.601 0.009 0.121 0.121
## .wy2 ~~
## .wz2 0.001 0.032 0.025 0.980 0.002 0.002
## .wx3 ~~
## .wy3 -0.040 0.022 -1.865 0.062 -0.109 -0.109
## .wz3 0.042 0.030 1.425 0.154 0.059 0.059
## .wy3 ~~
## .wz3 0.005 0.019 0.277 0.782 0.016 0.016
## RIx ~~
## RIy 0.009 0.032 0.292 0.770 0.025 0.025
## RIz 0.134 0.035 3.818 0.000 0.492 0.492
## RIy ~~
## RIz -0.001 0.034 -0.017 0.987 -0.001 -0.001
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .a1Sa 0.003 0.021 0.146 0.884 0.003 0.003
## .a2Sa 0.009 0.021 0.433 0.665 0.009 0.009
## .a3Sa 0.041 0.032 1.305 0.192 0.041 0.040
## .b1 -0.020 0.022 -0.907 0.364 -0.020 -0.020
## .b2 -0.031 0.023 -1.344 0.179 -0.031 -0.031
## .b3 -0.054 0.028 -1.947 0.052 -0.054 -0.055
## .m1 0.019 0.021 0.907 0.364 0.019 0.019
## .m2 -0.000 0.021 -0.008 0.994 -0.000 -0.000
## .m3 0.058 0.030 1.931 0.053 0.058 0.056
## RIx 0.000 0.000 0.000
## RIy 0.000 0.000 0.000
## RIz 0.000 0.000 0.000
## wx1 0.000 0.000 0.000
## .wx2 0.000 0.000 0.000
## .wx3 0.000 0.000 0.000
## wy1 0.000 0.000 0.000
## .wy2 0.000 0.000 0.000
## .wy3 0.000 0.000 0.000
## wz1 0.000 0.000 0.000
## .wz2 0.000 0.000 0.000
## .wz3 0.000 0.000 0.000
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## RIx 0.191 0.046 4.115 0.000 1.000 1.000
## RIy 0.775 0.046 16.936 0.000 1.000 1.000
## RIz 0.389 0.051 7.560 0.000 1.000 1.000
## wx1 0.843 0.052 16.314 0.000 1.000 1.000
## wy1 0.251 0.040 6.203 0.000 1.000 1.000
## wz1 0.656 0.053 12.405 0.000 1.000 1.000
## .wx2 0.783 0.045 17.280 0.000 0.969 0.969
## .wy2 0.227 0.042 5.362 0.000 0.992 0.992
## .wz2 0.598 0.043 13.779 0.000 0.968 0.968
## .wx3 0.824 0.047 17.528 0.000 0.958 0.958
## .wy3 0.167 0.016 10.373 0.000 0.807 0.807
## .wz3 0.634 0.038 16.886 0.000 0.925 0.925
## .a1Sa 0.000 0.000 0.000
## .a2Sa 0.000 0.000 0.000
## .a3Sa 0.000 0.000 0.000
## .b1 0.000 0.000 0.000
## .b2 0.000 0.000 0.000
## .b3 0.000 0.000 0.000
## .m1 0.000 0.000 0.000
## .m2 0.000 0.000 0.000
## .m3 0.000 0.000 0.000fitMeasures(RICLPM_Safety_fit, fit.measures = c("cfi","srmr", "rmsea", "pvalue", "chisq", "df" ))## cfi srmr rmsea pvalue chisq df
## 0.997 0.016 0.035 0.009 11.679 3.000RICLPM_Safety_fit_Peers <- lavaan::lavaan(RICLPM_Safety,
data = Data,
missing = "fiml",
meanstructure = TRUE,
int.ov.free = TRUE,
group = "Resilience_Peers"
)
summary(RICLPM_Safety_fit_Peers, standardized = TRUE)## lavaan 0.6.16 ended normally after 164 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 102
##
## Number of observations per group:
## 1 1103
## 0 1263
## Number of missing patterns per group:
## 1 36
## 0 38
##
## Model Test User Model:
##
## Test statistic 17.399
## Degrees of freedom 6
## P-value (Chi-square) 0.008
## Test statistic for each group:
## 1 12.486
## 0 4.913
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Observed
## Observed information based on Hessian
##
##
## Group 1 [1]:
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## RIx =~
## a1Sa 1.000 0.256 0.248
## a2Sa 1.000 0.256 0.254
## a3Sa 1.000 0.256 0.252
## RIy =~
## b1 1.000 0.879 0.879
## b2 1.000 0.879 0.880
## b3 1.000 0.879 0.878
## RIz =~
## m1 1.000 0.581 0.576
## m2 1.000 0.581 0.579
## m3 1.000 0.581 0.572
## wx1 =~
## a1Sa 1.000 1.001 0.969
## wx2 =~
## a2Sa 1.000 0.976 0.967
## wx3 =~
## a3Sa 1.000 0.986 0.968
## wy1 =~
## b1 1.000 0.477 0.477
## wy2 =~
## b2 1.000 0.475 0.476
## wy3 =~
## b3 1.000 0.480 0.479
## wz1 =~
## m1 1.000 0.825 0.818
## wz2 =~
## m2 1.000 0.819 0.815
## wz3 =~
## m3 1.000 0.834 0.821
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## wx2 ~
## wx1 0.207 0.072 2.887 0.004 0.212 0.212
## wy1 -0.306 0.222 -1.375 0.169 -0.149 -0.149
## wz1 0.125 0.084 1.481 0.139 0.106 0.106
## wy2 ~
## wx1 -0.044 0.047 -0.934 0.350 -0.093 -0.093
## wy1 0.055 0.218 0.252 0.801 0.055 0.055
## wz1 -0.071 0.072 -0.985 0.325 -0.123 -0.123
## wz2 ~
## wx1 0.037 0.051 0.717 0.473 0.045 0.045
## wy1 -0.042 0.204 -0.205 0.837 -0.024 -0.024
## wz1 0.262 0.102 2.577 0.010 0.264 0.264
## wx3 ~
## wx2 0.256 0.079 3.241 0.001 0.253 0.253
## wy2 -0.176 0.154 -1.140 0.254 -0.085 -0.085
## wz2 0.158 0.087 1.811 0.070 0.131 0.131
## wy3 ~
## wx2 -0.033 0.056 -0.584 0.560 -0.067 -0.067
## wy2 0.259 0.127 2.034 0.042 0.257 0.257
## wz2 -0.107 0.069 -1.546 0.122 -0.183 -0.183
## wz3 ~
## wx2 0.060 0.062 0.965 0.335 0.070 0.070
## wy2 -0.028 0.144 -0.196 0.844 -0.016 -0.016
## wz2 0.303 0.096 3.152 0.002 0.297 0.297
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## wx1 ~~
## wy1 -0.057 0.052 -1.082 0.279 -0.119 -0.119
## wz1 0.126 0.071 1.768 0.077 0.153 0.153
## wy1 ~~
## wz1 -0.066 0.053 -1.260 0.208 -0.169 -0.169
## .wx2 ~~
## .wy2 -0.057 0.047 -1.206 0.228 -0.131 -0.131
## .wz2 0.113 0.045 2.518 0.012 0.156 0.156
## .wy2 ~~
## .wz2 -0.030 0.044 -0.670 0.503 -0.081 -0.081
## .wx3 ~~
## .wy3 -0.057 0.033 -1.712 0.087 -0.137 -0.137
## .wz3 0.060 0.044 1.350 0.177 0.082 0.082
## .wy3 ~~
## .wz3 -0.008 0.029 -0.258 0.797 -0.021 -0.021
## RIx ~~
## RIy 0.052 0.053 0.973 0.330 0.229 0.229
## RIz 0.065 0.068 0.952 0.341 0.434 0.434
## RIy ~~
## RIz 0.053 0.053 1.011 0.312 0.105 0.105
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .a1Sa 0.009 0.031 0.286 0.775 0.009 0.009
## .a2Sa 0.025 0.032 0.781 0.435 0.025 0.025
## .a3Sa 0.011 0.046 0.243 0.808 0.011 0.011
## .b1 -0.015 0.032 -0.474 0.636 -0.015 -0.015
## .b2 -0.030 0.034 -0.896 0.370 -0.030 -0.030
## .b3 -0.016 0.042 -0.382 0.702 -0.016 -0.016
## .m1 -0.030 0.031 -0.957 0.339 -0.030 -0.029
## .m2 -0.039 0.031 -1.225 0.221 -0.039 -0.038
## .m3 0.064 0.043 1.467 0.142 0.064 0.062
## RIx 0.000 0.000 0.000
## RIy 0.000 0.000 0.000
## RIz 0.000 0.000 0.000
## wx1 0.000 0.000 0.000
## .wx2 0.000 0.000 0.000
## .wx3 0.000 0.000 0.000
## wy1 0.000 0.000 0.000
## .wy2 0.000 0.000 0.000
## .wy3 0.000 0.000 0.000
## wz1 0.000 0.000 0.000
## .wz2 0.000 0.000 0.000
## .wz3 0.000 0.000 0.000
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## RIx 0.066 0.092 0.712 0.476 1.000 1.000
## RIy 0.773 0.061 12.660 0.000 1.000 1.000
## RIz 0.338 0.090 3.759 0.000 1.000 1.000
## wx1 1.001 0.101 9.952 0.000 1.000 1.000
## wy1 0.228 0.051 4.455 0.000 1.000 1.000
## wz1 0.681 0.094 7.242 0.000 1.000 1.000
## .wx2 0.859 0.068 12.650 0.000 0.902 0.902
## .wy2 0.218 0.056 3.874 0.000 0.966 0.966
## .wz2 0.618 0.059 10.501 0.000 0.922 0.922
## .wx3 0.864 0.071 12.151 0.000 0.888 0.888
## .wy3 0.201 0.030 6.701 0.000 0.874 0.874
## .wz3 0.624 0.055 11.364 0.000 0.896 0.896
## .a1Sa 0.000 0.000 0.000
## .a2Sa 0.000 0.000 0.000
## .a3Sa 0.000 0.000 0.000
## .b1 0.000 0.000 0.000
## .b2 0.000 0.000 0.000
## .b3 0.000 0.000 0.000
## .m1 0.000 0.000 0.000
## .m2 0.000 0.000 0.000
## .m3 0.000 0.000 0.000
##
##
## Group 2 [0]:
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## RIx =~
## a1Sa 1.000 0.514 0.513
## a2Sa 1.000 0.514 0.518
## a3Sa 1.000 0.514 0.499
## RIy =~
## b1 1.000 0.830 0.816
## b2 1.000 0.830 0.833
## b3 1.000 0.830 0.835
## RIz =~
## m1 1.000 0.619 0.601
## m2 1.000 0.619 0.622
## m3 1.000 0.619 0.593
## wx1 =~
## a1Sa 1.000 0.860 0.858
## wx2 =~
## a2Sa 1.000 0.848 0.855
## wx3 =~
## a3Sa 1.000 0.893 0.866
## wy1 =~
## b1 1.000 0.589 0.579
## wy2 =~
## b2 1.000 0.551 0.553
## wy3 =~
## b3 1.000 0.546 0.550
## wz1 =~
## m1 1.000 0.823 0.799
## wz2 =~
## m2 1.000 0.779 0.783
## wz3 =~
## m3 1.000 0.840 0.805
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## wx2 ~
## wx1 0.046 0.075 0.619 0.536 0.047 0.047
## wy1 -0.054 0.172 -0.311 0.756 -0.037 -0.037
## wz1 -0.001 0.072 -0.010 0.992 -0.001 -0.001
## wy2 ~
## wx1 0.070 0.066 1.060 0.289 0.109 0.109
## wy1 0.250 0.299 0.836 0.403 0.267 0.267
## wz1 0.158 0.076 2.062 0.039 0.235 0.235
## wz2 ~
## wx1 -0.038 0.059 -0.632 0.527 -0.041 -0.041
## wy1 0.072 0.164 0.439 0.661 0.054 0.054
## wz1 0.129 0.091 1.419 0.156 0.137 0.137
## wx3 ~
## wx2 0.159 0.073 2.183 0.029 0.151 0.151
## wy2 0.007 0.167 0.040 0.968 0.004 0.004
## wz2 -0.133 0.085 -1.561 0.119 -0.116 -0.116
## wy3 ~
## wx2 0.025 0.035 0.696 0.487 0.038 0.038
## wy2 0.734 0.110 6.648 0.000 0.741 0.741
## wz2 0.006 0.046 0.129 0.897 0.008 0.008
## wz3 ~
## wx2 -0.061 0.061 -0.996 0.319 -0.061 -0.061
## wy2 0.063 0.149 0.420 0.674 0.041 0.041
## wz2 0.296 0.088 3.367 0.001 0.275 0.275
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## wx1 ~~
## wy1 0.030 0.060 0.502 0.616 0.059 0.059
## wz1 0.077 0.048 1.607 0.108 0.109 0.109
## wy1 ~~
## wz1 0.039 0.064 0.604 0.546 0.079 0.079
## .wx2 ~~
## .wy2 0.018 0.047 0.388 0.698 0.043 0.043
## .wz2 0.076 0.045 1.704 0.088 0.117 0.117
## .wy2 ~~
## .wz2 0.067 0.046 1.446 0.148 0.172 0.172
## .wx3 ~~
## .wy3 -0.008 0.026 -0.291 0.771 -0.024 -0.024
## .wz3 0.041 0.040 1.009 0.313 0.057 0.057
## .wy3 ~~
## .wz3 0.005 0.022 0.243 0.808 0.018 0.018
## RIx ~~
## RIy -0.036 0.057 -0.634 0.526 -0.085 -0.085
## RIz 0.153 0.044 3.463 0.001 0.480 0.480
## RIy ~~
## RIz -0.075 0.063 -1.182 0.237 -0.145 -0.145
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .a1Sa -0.002 0.028 -0.088 0.930 -0.002 -0.002
## .a2Sa -0.002 0.029 -0.052 0.958 -0.002 -0.002
## .a3Sa 0.060 0.044 1.367 0.172 0.060 0.058
## .b1 -0.018 0.030 -0.603 0.547 -0.018 -0.018
## .b2 -0.025 0.032 -0.784 0.433 -0.025 -0.025
## .b3 -0.078 0.037 -2.119 0.034 -0.078 -0.079
## .m1 0.056 0.029 1.913 0.056 0.056 0.055
## .m2 0.025 0.029 0.870 0.384 0.025 0.025
## .m3 0.047 0.042 1.105 0.269 0.047 0.045
## RIx 0.000 0.000 0.000
## RIy 0.000 0.000 0.000
## RIz 0.000 0.000 0.000
## wx1 0.000 0.000 0.000
## .wx2 0.000 0.000 0.000
## .wx3 0.000 0.000 0.000
## wy1 0.000 0.000 0.000
## .wy2 0.000 0.000 0.000
## .wy3 0.000 0.000 0.000
## wz1 0.000 0.000 0.000
## .wz2 0.000 0.000 0.000
## .wz3 0.000 0.000 0.000
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## RIx 0.265 0.054 4.915 0.000 1.000 1.000
## RIy 0.688 0.139 4.967 0.000 1.000 1.000
## RIz 0.384 0.070 5.502 0.000 1.000 1.000
## wx1 0.739 0.060 12.270 0.000 1.000 1.000
## wy1 0.347 0.137 2.530 0.011 1.000 1.000
## wz1 0.678 0.073 9.337 0.000 1.000 1.000
## .wx2 0.717 0.062 11.551 0.000 0.997 0.997
## .wy2 0.256 0.081 3.161 0.002 0.842 0.842
## .wz2 0.593 0.063 9.477 0.000 0.977 0.977
## .wx3 0.771 0.061 12.550 0.000 0.968 0.968
## .wy3 0.133 0.015 9.090 0.000 0.445 0.445
## .wz3 0.649 0.052 12.455 0.000 0.918 0.918
## .a1Sa 0.000 0.000 0.000
## .a2Sa 0.000 0.000 0.000
## .a3Sa 0.000 0.000 0.000
## .b1 0.000 0.000 0.000
## .b2 0.000 0.000 0.000
## .b3 0.000 0.000 0.000
## .m1 0.000 0.000 0.000
## .m2 0.000 0.000 0.000
## .m3 0.000 0.000 0.000fitMeasures(RICLPM_Safety_fit_Peers, fit.measures = c("cfi","srmr", "rmsea", "pvalue", "chisq", "df"))## cfi srmr rmsea pvalue chisq df
## 0.997 0.017 0.040 0.008 17.399 6.000RICLPM_Safety_fit_Sex <- lavaan::lavaan(RICLPM_Safety,
data = Data,
missing = "fiml",
meanstructure = TRUE,
int.ov.free = TRUE,
group = "Sex"
)
summary(RICLPM_Safety_fit_Sex, standardized = TRUE)## lavaan 0.6.16 ended normally after 156 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 102
##
## Number of observations per group:
## 1 1228
## 2 1140
## Number of missing patterns per group:
## 1 42
## 2 34
##
## Model Test User Model:
##
## Test statistic 12.490
## Degrees of freedom 6
## P-value (Chi-square) 0.052
## Test statistic for each group:
## 1 6.540
## 2 5.950
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Observed
## Observed information based on Hessian
##
##
## Group 1 [1]:
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## RIx =~
## a1Sa 1.000 0.461 0.445
## a2Sa 1.000 0.461 0.465
## a3Sa 1.000 0.461 0.441
## RIy =~
## b1 1.000 0.879 0.882
## b2 1.000 0.879 0.893
## b3 1.000 0.879 0.888
## RIz =~
## m1 1.000 0.636 0.595
## m2 1.000 0.636 0.647
## m3 1.000 0.636 0.685
## wx1 =~
## a1Sa 1.000 0.928 0.896
## wx2 =~
## a2Sa 1.000 0.878 0.885
## wx3 =~
## a3Sa 1.000 0.938 0.897
## wy1 =~
## b1 1.000 0.471 0.472
## wy2 =~
## b2 1.000 0.443 0.450
## wy3 =~
## b3 1.000 0.455 0.459
## wz1 =~
## m1 1.000 0.860 0.804
## wz2 =~
## m2 1.000 0.750 0.763
## wz3 =~
## m3 1.000 0.677 0.729
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## wx2 ~
## wx1 0.086 0.072 1.196 0.232 0.091 0.091
## wy1 -0.314 0.205 -1.532 0.126 -0.168 -0.168
## wz1 0.030 0.066 0.449 0.653 0.029 0.029
## wy2 ~
## wx1 -0.066 0.051 -1.297 0.195 -0.138 -0.138
## wy1 -0.053 0.224 -0.237 0.812 -0.056 -0.056
## wz1 0.043 0.060 0.722 0.470 0.083 0.083
## wz2 ~
## wx1 0.039 0.049 0.792 0.429 0.048 0.048
## wy1 0.260 0.174 1.492 0.136 0.163 0.163
## wz1 0.174 0.073 2.394 0.017 0.199 0.199
## wx3 ~
## wx2 0.135 0.081 1.681 0.093 0.127 0.127
## wy2 -0.256 0.165 -1.556 0.120 -0.121 -0.121
## wz2 0.050 0.093 0.536 0.592 0.040 0.040
## wy3 ~
## wx2 -0.049 0.055 -0.890 0.374 -0.094 -0.094
## wy2 0.256 0.126 2.035 0.042 0.250 0.250
## wz2 0.046 0.072 0.634 0.526 0.075 0.075
## wz3 ~
## wx2 -0.005 0.058 -0.090 0.928 -0.007 -0.007
## wy2 0.110 0.131 0.839 0.401 0.072 0.072
## wz2 0.205 0.095 2.168 0.030 0.227 0.227
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## wx1 ~~
## wy1 -0.068 0.043 -1.598 0.110 -0.156 -0.156
## wz1 0.098 0.049 2.009 0.045 0.123 0.123
## wy1 ~~
## wz1 -0.014 0.041 -0.347 0.728 -0.035 -0.035
## .wx2 ~~
## .wy2 -0.076 0.047 -1.624 0.104 -0.202 -0.202
## .wz2 0.087 0.043 2.031 0.042 0.139 0.139
## .wy2 ~~
## .wz2 0.048 0.041 1.162 0.245 0.152 0.152
## .wx3 ~~
## .wy3 -0.062 0.034 -1.801 0.072 -0.155 -0.155
## .wz3 0.024 0.039 0.610 0.542 0.040 0.040
## .wy3 ~~
## .wz3 0.014 0.026 0.541 0.588 0.050 0.050
## RIx ~~
## RIy 0.029 0.043 0.677 0.499 0.072 0.072
## RIz 0.123 0.046 2.702 0.007 0.420 0.420
## RIy ~~
## RIz -0.045 0.041 -1.113 0.266 -0.081 -0.081
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .a1Sa 0.005 0.030 0.185 0.853 0.005 0.005
## .a2Sa -0.025 0.030 -0.837 0.403 -0.025 -0.025
## .a3Sa -0.016 0.045 -0.347 0.729 -0.016 -0.015
## .b1 -0.021 0.030 -0.699 0.484 -0.021 -0.021
## .b2 -0.016 0.032 -0.488 0.625 -0.016 -0.016
## .b3 -0.027 0.040 -0.681 0.496 -0.027 -0.027
## .m1 0.141 0.031 4.526 0.000 0.141 0.132
## .m2 -0.018 0.029 -0.606 0.545 -0.018 -0.018
## .m3 -0.122 0.037 -3.293 0.001 -0.122 -0.132
## RIx 0.000 0.000 0.000
## RIy 0.000 0.000 0.000
## RIz 0.000 0.000 0.000
## wx1 0.000 0.000 0.000
## .wx2 0.000 0.000 0.000
## .wx3 0.000 0.000 0.000
## wy1 0.000 0.000 0.000
## .wy2 0.000 0.000 0.000
## .wy3 0.000 0.000 0.000
## wz1 0.000 0.000 0.000
## .wz2 0.000 0.000 0.000
## .wz3 0.000 0.000 0.000
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## RIx 0.213 0.066 3.237 0.001 1.000 1.000
## RIy 0.773 0.056 13.811 0.000 1.000 1.000
## RIz 0.405 0.064 6.281 0.000 1.000 1.000
## wx1 0.861 0.073 11.858 0.000 1.000 1.000
## wy1 0.222 0.049 4.525 0.000 1.000 1.000
## wz1 0.739 0.067 11.046 0.000 1.000 1.000
## .wx2 0.738 0.066 11.115 0.000 0.957 0.957
## .wy2 0.192 0.059 3.249 0.001 0.976 0.976
## .wz2 0.526 0.055 9.522 0.000 0.934 0.934
## .wx3 0.846 0.069 12.327 0.000 0.962 0.962
## .wy3 0.188 0.026 7.258 0.000 0.910 0.910
## .wz3 0.430 0.046 9.447 0.000 0.938 0.938
## .a1Sa 0.000 0.000 0.000
## .a2Sa 0.000 0.000 0.000
## .a3Sa 0.000 0.000 0.000
## .b1 0.000 0.000 0.000
## .b2 0.000 0.000 0.000
## .b3 0.000 0.000 0.000
## .m1 0.000 0.000 0.000
## .m2 0.000 0.000 0.000
## .m3 0.000 0.000 0.000
##
##
## Group 2 [2]:
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## RIx =~
## a1Sa 1.000 0.346 0.346
## a2Sa 1.000 0.346 0.343
## a3Sa 1.000 0.346 0.346
## RIy =~
## b1 1.000 0.841 0.816
## b2 1.000 0.841 0.824
## b3 1.000 0.841 0.846
## RIz =~
## m1 1.000 0.674 0.708
## m2 1.000 0.674 0.661
## m3 1.000 0.674 0.605
## wx1 =~
## a1Sa 1.000 0.936 0.938
## wx2 =~
## a2Sa 1.000 0.946 0.939
## wx3 =~
## a3Sa 1.000 0.936 0.938
## wy1 =~
## b1 1.000 0.596 0.578
## wy2 =~
## b2 1.000 0.579 0.567
## wy3 =~
## b3 1.000 0.530 0.533
## wz1 =~
## m1 1.000 0.673 0.706
## wz2 =~
## m2 1.000 0.766 0.751
## wz3 =~
## m3 1.000 0.888 0.797
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## wx2 ~
## wx1 0.194 0.078 2.495 0.013 0.192 0.192
## wy1 0.031 0.170 0.183 0.855 0.020 0.020
## wz1 0.017 0.108 0.153 0.878 0.012 0.012
## wy2 ~
## wx1 0.100 0.055 1.827 0.068 0.162 0.162
## wy1 0.320 0.207 1.549 0.121 0.330 0.330
## wz1 0.032 0.103 0.312 0.755 0.037 0.037
## wz2 ~
## wx1 -0.043 0.061 -0.706 0.480 -0.053 -0.053
## wy1 -0.206 0.168 -1.226 0.220 -0.160 -0.160
## wz1 0.032 0.135 0.236 0.813 0.028 0.028
## wx3 ~
## wx2 0.275 0.073 3.769 0.000 0.278 0.278
## wy2 0.080 0.155 0.516 0.606 0.050 0.050
## wz2 -0.096 0.081 -1.185 0.236 -0.078 -0.078
## wy3 ~
## wx2 0.067 0.041 1.656 0.098 0.120 0.120
## wy2 0.608 0.102 5.978 0.000 0.663 0.663
## wz2 -0.086 0.049 -1.743 0.081 -0.124 -0.124
## wz3 ~
## wx2 -0.038 0.062 -0.621 0.534 -0.041 -0.041
## wy2 -0.079 0.149 -0.526 0.599 -0.051 -0.051
## wz2 0.267 0.086 3.094 0.002 0.230 0.230
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## wx1 ~~
## wy1 0.095 0.067 1.421 0.155 0.170 0.170
## wz1 0.027 0.054 0.504 0.614 0.043 0.043
## wy1 ~~
## wz1 -0.033 0.061 -0.543 0.587 -0.083 -0.083
## .wx2 ~~
## .wy2 0.047 0.043 1.097 0.273 0.095 0.095
## .wz2 0.081 0.049 1.640 0.101 0.116 0.116
## .wy2 ~~
## .wz2 -0.009 0.047 -0.185 0.853 -0.021 -0.021
## .wx3 ~~
## .wy3 -0.017 0.027 -0.640 0.522 -0.051 -0.051
## .wz3 0.026 0.042 0.625 0.532 0.034 0.034
## .wy3 ~~
## .wz3 0.005 0.026 0.194 0.846 0.015 0.015
## RIx ~~
## RIy -0.069 0.064 -1.073 0.283 -0.237 -0.237
## RIz 0.182 0.050 3.624 0.000 0.782 0.782
## RIy ~~
## RIz 0.038 0.063 0.606 0.545 0.067 0.067
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .a1Sa 0.002 0.030 0.078 0.938 0.002 0.002
## .a2Sa 0.045 0.031 1.450 0.147 0.045 0.045
## .a3Sa 0.107 0.044 2.403 0.016 0.107 0.107
## .b1 -0.021 0.032 -0.653 0.514 -0.021 -0.020
## .b2 -0.053 0.034 -1.542 0.123 -0.053 -0.052
## .b3 -0.088 0.039 -2.267 0.023 -0.088 -0.089
## .m1 -0.111 0.029 -3.879 0.000 -0.111 -0.117
## .m2 0.018 0.031 0.579 0.562 0.018 0.018
## .m3 0.258 0.047 5.495 0.000 0.258 0.231
## RIx 0.000 0.000 0.000
## RIy 0.000 0.000 0.000
## RIz 0.000 0.000 0.000
## wx1 0.000 0.000 0.000
## .wx2 0.000 0.000 0.000
## .wx3 0.000 0.000 0.000
## wy1 0.000 0.000 0.000
## .wy2 0.000 0.000 0.000
## .wy3 0.000 0.000 0.000
## wz1 0.000 0.000 0.000
## .wz2 0.000 0.000 0.000
## .wz3 0.000 0.000 0.000
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## RIx 0.119 0.078 1.540 0.124 1.000 1.000
## RIy 0.707 0.106 6.698 0.000 1.000 1.000
## RIz 0.454 0.066 6.914 0.000 1.000 1.000
## wx1 0.876 0.085 10.259 0.000 1.000 1.000
## wy1 0.355 0.100 3.555 0.000 1.000 1.000
## wz1 0.453 0.065 6.965 0.000 1.000 1.000
## .wx2 0.861 0.064 13.358 0.000 0.961 0.961
## .wy2 0.284 0.058 4.894 0.000 0.847 0.847
## .wz2 0.568 0.070 8.122 0.000 0.967 0.967
## .wx3 0.800 0.064 12.438 0.000 0.914 0.914
## .wy3 0.140 0.018 7.638 0.000 0.497 0.497
## .wz3 0.743 0.058 12.742 0.000 0.942 0.942
## .a1Sa 0.000 0.000 0.000
## .a2Sa 0.000 0.000 0.000
## .a3Sa 0.000 0.000 0.000
## .b1 0.000 0.000 0.000
## .b2 0.000 0.000 0.000
## .b3 0.000 0.000 0.000
## .m1 0.000 0.000 0.000
## .m2 0.000 0.000 0.000
## .m3 0.000 0.000 0.000fitMeasures(RICLPM_Safety_fit_Sex, fit.measures = c("cfi","srmr", "rmsea", "pvalue", "chisq", "df"))## cfi srmr rmsea pvalue chisq df
## 0.998 0.017 0.030 0.052 12.490 6.000Neighbourhood safety x brain connectivity x youth problems
RICLPM_Safety_Parent <- '
# Create between components (random intercepts)
RIx =~ 1*a1SaPa + 1*a2SaPa + 1*a3SaPa
RIy =~ 1*b1 + 1*b2 + 1*b3
RIz =~ 1*m1 + 1*m2 + 1*m3
# Create within-person centered variables
wx1 =~ 1*a1SaPa
wx2 =~ 1*a2SaPa
wx3 =~ 1*a3SaPa
wy1 =~ 1*b1
wy2 =~ 1*b2
wy3 =~ 1*b3
wz1 =~ 1*m1
wz2 =~ 1*m2
wz3 =~ 1*m3
# Estimate lagged effects between within-person centered variables
wx2 + wy2 + wz2 ~ wx1 + wy1 + wz1
wx3 + wy3 + wz3 ~ wx2 + wy2 + wz2
# Estimate covariance between within-person centered variables at first wave
wx1 ~~ wy1 # Covariance
wx1 ~~ wz1
wy1 ~~ wz1
# Estimate covariances between residuals of within-person centered variables
# (i.e., innovations)
wx2 ~~ wy2
wx2 ~~ wz2
wy2 ~~ wz2
wx3 ~~ wy3
wx3 ~~ wz3
wy3 ~~ wz3
# Estimate variance and covariance of random intercepts
RIx ~~ RIx
RIy ~~ RIy
RIz ~~ RIz
RIx ~~ RIy
RIx ~~ RIz
RIy ~~ RIz
# Estimate (residual) variance of within-person centered variables
wx1 ~~ wx1 # Variances
wy1 ~~ wy1
wz1 ~~ wz1
wx2 ~~ wx2 # Residual variances
wy2 ~~ wy2
wz2 ~~ wz2
wx3 ~~ wx3
wy3 ~~ wy3
wz3 ~~ wz3
'
RICLPM_Safety_Parent_fit <- lavaan::lavaan(RICLPM_Safety_Parent,
data = Data,
missing = "fiml",
meanstructure = TRUE,
int.ov.free = TRUE
)
summary(RICLPM_Safety_Parent_fit, standardized = TRUE)## lavaan 0.6.16 ended normally after 85 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 51
##
## Number of observations 2373
## Number of missing patterns 57
##
## Model Test User Model:
##
## Test statistic 4.489
## Degrees of freedom 3
## P-value (Chi-square) 0.213
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Observed
## Observed information based on Hessian
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## RIx =~
## a1SaPa 1.000 0.713 0.717
## a2SaPa 1.000 0.713 0.728
## a3SaPa 1.000 0.713 0.689
## RIy =~
## b1 1.000 0.888 0.877
## b2 1.000 0.888 0.886
## b3 1.000 0.888 0.890
## RIz =~
## m1 1.000 0.621 0.608
## m2 1.000 0.621 0.619
## m3 1.000 0.621 0.599
## wx1 =~
## a1SaPa 1.000 0.694 0.697
## wx2 =~
## a2SaPa 1.000 0.672 0.686
## wx3 =~
## a3SaPa 1.000 0.749 0.724
## wy1 =~
## b1 1.000 0.486 0.480
## wy2 =~
## b2 1.000 0.464 0.463
## wy3 =~
## b3 1.000 0.455 0.457
## wz1 =~
## m1 1.000 0.811 0.794
## wz2 =~
## m2 1.000 0.788 0.785
## wz3 =~
## m3 1.000 0.831 0.801
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## wx2 ~
## wx1 0.129 0.072 1.782 0.075 0.133 0.133
## wy1 -0.019 0.118 -0.159 0.873 -0.014 -0.014
## wz1 -0.011 0.047 -0.228 0.819 -0.013 -0.013
## wy2 ~
## wx1 0.026 0.062 0.420 0.674 0.039 0.039
## wy1 0.026 0.163 0.157 0.875 0.027 0.027
## wz1 0.029 0.053 0.552 0.581 0.051 0.051
## wz2 ~
## wx1 -0.102 0.064 -1.584 0.113 -0.090 -0.090
## wy1 -0.038 0.137 -0.277 0.782 -0.023 -0.023
## wz1 0.172 0.068 2.520 0.012 0.177 0.177
## wx3 ~
## wx2 0.202 0.068 2.995 0.003 0.181 0.181
## wy2 -0.006 0.103 -0.056 0.955 -0.004 -0.004
## wz2 0.023 0.054 0.425 0.671 0.024 0.024
## wy3 ~
## wx2 -0.016 0.048 -0.321 0.748 -0.023 -0.023
## wy2 0.412 0.081 5.075 0.000 0.420 0.420
## wz2 -0.033 0.042 -0.797 0.426 -0.058 -0.058
## wz3 ~
## wx2 -0.046 0.063 -0.730 0.466 -0.037 -0.037
## wy2 0.017 0.103 0.162 0.871 0.009 0.009
## wz2 0.292 0.064 4.577 0.000 0.277 0.277
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## wx1 ~~
## wy1 0.002 0.028 0.080 0.936 0.007 0.007
## wz1 -0.002 0.032 -0.066 0.947 -0.004 -0.004
## wy1 ~~
## wz1 -0.028 0.033 -0.831 0.406 -0.070 -0.070
## .wx2 ~~
## .wy2 -0.004 0.029 -0.127 0.899 -0.012 -0.012
## .wz2 -0.020 0.029 -0.687 0.492 -0.038 -0.038
## .wy2 ~~
## .wz2 0.004 0.033 0.106 0.915 0.010 0.010
## .wx3 ~~
## .wy3 0.002 0.019 0.097 0.922 0.006 0.006
## .wz3 -0.027 0.025 -1.085 0.278 -0.047 -0.047
## .wy3 ~~
## .wz3 0.006 0.019 0.339 0.735 0.019 0.019
## RIx ~~
## RIy -0.019 0.030 -0.622 0.534 -0.029 -0.029
## RIz 0.129 0.032 3.995 0.000 0.290 0.290
## RIy ~~
## RIz -0.003 0.034 -0.087 0.930 -0.005 -0.005
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .a1SaPa -0.005 0.020 -0.267 0.789 -0.005 -0.005
## .a2SaPa 0.003 0.021 0.136 0.891 0.003 0.003
## .a3SaPa 0.050 0.029 1.697 0.090 0.050 0.048
## .b1 -0.020 0.022 -0.913 0.361 -0.020 -0.020
## .b2 -0.031 0.023 -1.327 0.184 -0.031 -0.031
## .b3 -0.054 0.028 -1.920 0.055 -0.054 -0.054
## .m1 0.017 0.021 0.818 0.414 0.017 0.017
## .m2 -0.002 0.021 -0.073 0.941 -0.002 -0.002
## .m3 0.061 0.030 2.009 0.045 0.061 0.059
## RIx 0.000 0.000 0.000
## RIy 0.000 0.000 0.000
## RIz 0.000 0.000 0.000
## wx1 0.000 0.000 0.000
## .wx2 0.000 0.000 0.000
## .wx3 0.000 0.000 0.000
## wy1 0.000 0.000 0.000
## .wy2 0.000 0.000 0.000
## .wy3 0.000 0.000 0.000
## wz1 0.000 0.000 0.000
## .wz2 0.000 0.000 0.000
## .wz3 0.000 0.000 0.000
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## RIx 0.508 0.040 12.602 0.000 1.000 1.000
## RIy 0.788 0.044 17.748 0.000 1.000 1.000
## RIz 0.386 0.052 7.451 0.000 1.000 1.000
## wx1 0.481 0.039 12.204 0.000 1.000 1.000
## wy1 0.236 0.038 6.153 0.000 1.000 1.000
## wz1 0.658 0.053 12.361 0.000 1.000 1.000
## .wx2 0.443 0.037 12.015 0.000 0.982 0.982
## .wy2 0.214 0.044 4.825 0.000 0.995 0.995
## .wz2 0.595 0.044 13.482 0.000 0.959 0.959
## .wx3 0.542 0.033 16.259 0.000 0.967 0.967
## .wy3 0.170 0.016 10.457 0.000 0.821 0.821
## .wz3 0.636 0.038 16.933 0.000 0.921 0.921
## .a1SaPa 0.000 0.000 0.000
## .a2SaPa 0.000 0.000 0.000
## .a3SaPa 0.000 0.000 0.000
## .b1 0.000 0.000 0.000
## .b2 0.000 0.000 0.000
## .b3 0.000 0.000 0.000
## .m1 0.000 0.000 0.000
## .m2 0.000 0.000 0.000
## .m3 0.000 0.000 0.000fitMeasures(RICLPM_Safety_Parent_fit, fit.measures = c("cfi","srmr", "rmsea", "pvalue", "chisq", "df" ))## cfi srmr rmsea pvalue chisq df
## 1.000 0.010 0.014 0.213 4.489 3.000Ayla Pollmann - 2024