Instead of using manifest proxies for a latent outcome or latent covariates in a causal effect analysis, the R package EffectLiteR facilitates a direct integration of latent variables based on structural equation models (SEM). The corresponding framework considers latent interactions and provides various effect estimates for evaluating the differential effectiveness of treatments. In addition, a user-friendly graphical interface customizes the implementation of the complex models. We aim to enable applications of EffectLiteR in more contexts, and therefore generalize the framework for incorporating latent variables measured with categorical indicators. This refers, for instance, to achievement tests in educational large-scale assessments (LSAs), which are typically constructed in the tradition of item response theory (IRT). We review different modeling strategies for incorporating latent variables from IRT models in an effect analysis (i.e., individual score estimates, plausible values, SEM for categorical indicators). The strategies differ in the handling of measurement error and, thus, have different implications for the accuracy and efficiency of causal effect estimates. We describe our extensions of EffectLiteR based on SEM for categorical indicators and illustrate the model specification step-by-step. In addition, we present a hands-on example, where we apply EffectLiteR in LSA data. The practical benefit of using latent variables in comparison to proficiency scores is of special interest in the application and discussion.

中文翻译：

---

具有潜在变量和分类指标的非随机数据中的因果效应分析：EffectLiteR 的实施和好处。

R 包 EffectLiteR 不是在因果效应分析中使用清单代理来表示潜在结果或潜在协变量，而是促进了基于结构方程模型 (SEM) 的潜在变量的直接集成。相应的框架考虑了潜在的相互作用，并为评估治疗的不同有效性提供了各种效果估计。此外，用户友好的图形界面可自定义复杂模型的实现。我们的目标是使 EffectLiteR 能够在更多的环境中应用，因此概括了用于合并使用分类指标测量的潜在变量的框架。例如，这指的是教育大规模评估 (LSA) 中的成就测试，这些测试通常是按照项目反应理论 (IRT) 的传统构建的。我们回顾了将 IRT 模型中的潜在变量纳入效果分析的不同建模策略（即个人得分估计、合理值、分类指标的 SEM）。这些策略在处理测量误差方面有所不同，因此对因果效应估计的准确性和效率有不同的影响。我们描述了基于 SEM 对分类指标的 EffectLiteR 扩展，并逐步说明了模型规范。此外，我们提供了一个动手示例，我们在 LSA 数据中应用了 EffectLiteR。与熟练程度分数相比，使用潜在变量的实际好处是应用和讨论中特别感兴趣的。SEM 用于分类指标）。这些策略在处理测量误差方面有所不同，因此对因果效应估计的准确性和效率有不同的影响。我们描述了基于 SEM 对分类指标的 EffectLiteR 扩展，并逐步说明了模型规范。此外，我们提供了一个动手示例，我们在 LSA 数据中应用了 EffectLiteR。与熟练程度分数相比，使用潜在变量的实际好处是应用和讨论中特别感兴趣的。SEM 用于分类指标）。这些策略在处理测量误差方面有所不同，因此对因果效应估计的准确性和效率有不同的影响。我们描述了基于 SEM 对分类指标的 EffectLiteR 扩展，并逐步说明了模型规范。此外，我们提供了一个动手示例，我们在 LSA 数据中应用了 EffectLiteR。与熟练程度分数相比，使用潜在变量的实际好处是应用和讨论中特别感兴趣的。我们描述了基于 SEM 对分类指标的 EffectLiteR 扩展，并逐步说明了模型规范。此外，我们提供了一个动手示例，我们在 LSA 数据中应用了 EffectLiteR。与熟练程度分数相比，使用潜在变量的实际好处是应用和讨论中特别感兴趣的。我们描述了基于 SEM 对分类指标的 EffectLiteR 扩展，并逐步说明了模型规范。此外，我们提供了一个动手示例，我们在 LSA 数据中应用了 EffectLiteR。与熟练程度分数相比，使用潜在变量的实际好处是应用和讨论中特别感兴趣的。