lavaangui로 구조방정식 그리기

lavaangui는 R의 구조방정식 패키지 lavaan을 마우스로 쓰게 해 주는 그래픽 인터페이스입니다. Amos처럼 경로도를 그려서 모형을 지정하면, 그 그림에 해당하는 lavaan 코드가 자동으로 만들어지고, 그 모형을 데이터로 추정해 적합도와 계수까지 보여 줍니다. 무료이며 브라우저에서 바로 쓸 수 있습니다.

Amos와 데이터 형식·결과 정리 방식은 다르지만 그리는 흐름은 비슷해서, Amos 강의를 이미 보았다면 쉽게 따라올 수 있습니다. 처음이라면 이 강의만으로도 시작할 수 있습니다.

개발자는 라이덴 대학교의 Julian D. Karch이며, 사용법을 소개한 논문이 Structural Equation Modeling 32권 6호(2025)에 실려 있습니다.

주소창에 lavaangui.org를 입력하면 웹앱이 열립니다. 처음 열 때는 몇 초 걸릴 수 있습니다.

앱에 표시되는 단축키

맥에서는 Ctrl 대신 Cmd, Alt 대신 Option을 씁니다. 앱이 안내하는 표준 작업 순서는 ① 데이터 불러오기 → ② 모형 그리기 → ③ 자동 보완된 모형 확인 → ④ 추정입니다. 이 강의도 이 순서로 갑니다.

가상 데이터 300명의 7점 척도 응답을 씁니다. 자기효능감(se1~se3), 학습동기(mo1~mo3), 학업성취(ac1~ac3)를 각각 문항 3개로 재고, 자기효능감 → 학습동기 → 학업성취로 이어지는 모형을 그립니다.

구조는 "측정모형(요인과 문항의 관계)"과 "구조모형(요인 사이의 경로)"으로 나뉩니다. lavaangui에서는 앞의 것을 Factor 단추로, 뒤의 것을 화살표로 그립니다.

데이터는 모두 연습용 가상 데이터입니다. 결과 수치는 실제 연구 결과가 아닙니다.

1. 1
   File → Load Data로 데이터를 불러옵니다.

   CSV, .sav, .xlsx, .rds, .txt 파일을 고를 수 있습니다. 불러오면 데이터 보기 창(Data Viewer)이 열리고, 열 이름을 더블클릭하면 이름을 바꿀 수 있습니다. 이름은 lavaan 코드에 그대로 쓰이므로 영문·숫자로 정리해 두는 것을 권합니다.

   File

   New Model

   Reset

   Load Model

   Load Data

   Load Model and Data

   Save Model

   Save Model and Data

   Remove Data

   Export Diagram to PNG · JPG · SVG · PDF

   Data Viewer

   se1	se2	se3	mo1	mo2	mo3	ac1	ac2	ac3
   4	6	2	5	4	6	3	4	5
   3	5	5	3	4	2	3	4	5
   2	3	3	5	6	4	5	4	5
   6	5	6	6	6	6	4	4	4

   처음 4행만 표시 · 전체 300행 · 가상 데이터

2. 2
   Factor 단추를 캔버스로 끌어다 놓습니다.

   Select Variables 창이 열립니다. 이 요인의 문항을 고릅니다(se1을 클릭하고 se3를 Shift+클릭). OK를 누르면 잠재변수(원)와 문항(사각형), 그리고 요인에서 문항으로 가는 화살표가 한꺼번에 생깁니다.

   Select Variables

   이 요인에 쓸 문항을 고르세요

   se1se2se3mo1mo2mo3ac1ac2ac3

   CancelOK

   f1 =~ se1 + se2 + se3

3. 3
   같은 방식으로 학습동기(mo1~mo3), 학업성취(ac1~ac3) 요인을 만듭니다.

   Factor 단추를 한 번씩 더 끌어다 놓고 문항을 고릅니다. 놓는 위치는 나중에 마우스로 옮길 수 있으니, 서로 겹치지 않게만 놓습니다.
4. 4
   요인과 문항을 마우스로 끌어 보기 좋게 정리합니다.

   왼쪽에서 오른쪽으로 자기효능감, 학습동기, 학업성취가 이어지게 놓았습니다. 노드를 다른 노드 위에 겹쳐 놓으면 의도와 다르게 합쳐질 수 있으니, 그림이 이상해지면 Ctrl+Z로 한 단계 되돌립니다.
5. 5
   X 키(또는 Space)를 누른 채 요인에서 요인으로 드래그해 경로를 그립니다.

   자기효능감에서 학습동기로, 학습동기에서 학업성취로 그립니다. 경로를 하나 그릴 때마다 오른쪽 패널의 regressions 아래에 MO ~ SE, AC ~ MO 같은 회귀식이 추가됩니다. Alt를 누른 채 그리면 양방향 화살표(공분산)가 됩니다.
6. 6
   요인을 오른쪽 클릭해 이름을 바꿉니다.

   Rename Variable을 고르고 새 이름(SE, MO, AC)을 입력한 뒤 Rename을 누릅니다. 같은 메뉴에 Delete Variable, Change to Composite, Change to Observed, Change Background Color, Change Border Width, Change Font Size, Set Display Name도 있습니다.

   요인을 오른쪽 클릭

   Rename Variable

   Delete Variable

   Change to Composite

   Change to Observed

   Change Background Color

   Change Border Width

   Change Font Size

   Set Display Name

7. 7
   User Model 탭에서 내가 그린 모형을 확인합니다.

   다 그린 그림과, 그림에서 만들어진 lavaan 코드가 같이 나옵니다. 아래 코드가 오른쪽 패널의 내용입니다.

   library(lavaan)
   data <- read.csv("sample_sem.csv")
   model <-'
   # measurement model
    SE =~ se1 + se2 + se3
    MO =~ mo1 + mo2 + mo3
    AC =~ ac1 + ac2 + ac3
   
    # regressions
    MO ~ SE
    AC ~ MO
   '
   fit <- lavaan(model, data)   # 앱은 이 뒤에 자동 옵션이 길게 붙은 형태로 보여 줍니다

8. 8
   Autocompleted Model 탭에서 lavaan이 자동으로 보탠 것을 확인합니다.

   점선과 둥근 양방향 화살표가 추가됩니다. 요인마다 첫 번째 문항의 요인적재량이 1로 고정(@1)되어 요인의 척도를 정하고, 요인과 문항의 분산(오차분산)이 모형에 들어갑니다. 상단의 Automatically... 메뉴에서 이 자동 보완 항목을 끄거나 켤 수 있습니다.

   Automatically...

   ✓ Fix Factor Loading of First Indicator at 1

   ✓ Include Variances

9. 9
   Estimates 탭을 눌러 모형을 추정합니다.

   경로도에 추정값이 표시되고, 오른쪽 패널에는 lavaan의 요약 결과가 나옵니다. 데이터를 불러오지 않았거나 모형을 그리지 않으면 이 탭이 비활성(회색)입니다.

오른쪽 패널 위쪽에서 모형이 어떻게 추정되었는지와 적합도가 나옵니다. 이번 예시의 값은 다음과 같습니다.

흔히 CFI·TLI는 .90~.95 이상, RMSEA는 .05~.08 이하, SRMR은 .08 이하를 기준으로 삼습니다. 절대적인 기준은 아니므로 지도교수님이나 해당 학회가 쓰는 기준을 함께 확인하세요. 이 예시는 가상 데이터라 적합도가 매우 좋게 나왔습니다.

경로도의 숫자는 기본적으로 비표준화 계수입니다. 논문에 흔히 쓰는 표준화 계수를 보려면 상단 View → Standardized Estimates를 켭니다.

표로 자세히 보려면 아래쪽 More Results를 엽니다. 위쪽에 Parameter Estimates, Factor Scores, Modification indices, Residuals, Exact Test, Wald Test, lavInspect 탭이 있습니다. Parameter Estimates에서는 표준화 여부, 신뢰수준(기본 0.95), 소수 자릿수를 고를 수 있습니다.

구조 경로 (예시 결과)

측정모형: 요인적재량

기준 문항(첫 문항)은 적재량이 1로 고정되어 있어 z와 p가 비어 있습니다. 앱의 표에서 p value가 0으로 나오는 것은 .001보다 작다는 뜻이므로 논문에는 p < .001로 적습니다.

Estimation 메뉴에서 추정 방법을 바꿀 수 있습니다.

7점 척도처럼 단계가 많은 문항은 연속형으로 보고 ML로 추정하는 경우가 많습니다. 3~5단계 정도의 서열 문항은 연구 분야에 따라 DWLS 같은 방법을 쓰기도 하니, 어느 쪽을 쓸지는 선행연구와 지도교수님 기준을 따르세요. 결측이 있으면 기본값(Listwise Deletion)은 결측이 있는 응답자를 통째로 빼므로, 결측이 많을 때는 FIML을 고려합니다.

Estimation 메뉴를 바꾼 뒤에는 Estimates 탭을 다시 눌러 새로 추정합니다.

File 메뉴에서 작업을 저장하고 그림을 내보냅니다.

R에서 쓰는 방법

R에 패키지를 설치하면 내 컴퓨터에서 같은 앱을 실행할 수 있고, 이미 만든 lavaan 모형 결과를 그림으로 볼 수도 있습니다.

install.packages("lavaangui")     # 한 번만
library(lavaangui)

lavaangui()          # 내 컴퓨터에서 웹앱 실행
lavaangui(fit)       # 이미 추정한 lavaan 결과(fit)를 앱으로 불러오기

plot_lavaan(fit)                      # 노드를 끌어 옮길 수 있는 경로도
export_plot(fit, "diagram.png")       # 저장해 둔 배치로 그림 파일 만들기
export_plot(fit, "diagram.pdf", scale = 2)

lavaangui(fit)는 다집단 모형을 지원하지 않습니다. plot_lavaan()은 노드를 옮긴 배치를 저장해 두었다가 다음에 그대로 불러오고, export_plot()은 그 배치로 그림 파일을 만듭니다(그림 형식은 파일 확장자로 정해집니다).

아래는 이 가상 데이터 결과를 논문 문체로 쓴 예시입니다.

자기효능감, 학습동기, 학업성취를 잠재변수로 한 구조모형을 최대우도법으로 추정하였다. 모형 적합도는 χ²(25) = 23.87, p = .527, CFI = 1.00, TLI = 1.00, RMSEA = .00(90% CI [.00, .04]), SRMR = .04로 양호하였다. 모든 요인적재량은 유의하였고(표준화 적재량 .61~.80), 자기효능감은 학습동기에 정적 영향을 주었으며(β = .57, p < .001), 학습동기는 학업성취에 정적 영향을 주었다(β = .52, p < .001).

"모든 요인적재량이 유의"라는 문장은 위 요인적재량 표의 z와 p로 확인한 내용입니다. 적합도 기준과 보고 형식은 투고하는 학술지의 지침을 따르세요. 이 강의는 직접 경로까지만 다룹니다.