Можно ли использовать предикативную функцию в SEM Опции

[kont]

Снова новый вопрос от меня:) По поводу Моделирования структурными уравнениями разобрался, по крайней мере на первых парах хватит))
вопрос такой
library("lavaan")
library("semPlot")
m=read.csv(mydata,sep=";",dec=",")
View(m)
#do correlation matrix
data.m=cor(m)
View(data.m)
#path model for sales
model<-'
var1~var2+var3+var4
var2~var3+var4
'
fit <- sem(model,sample.cov =data.m, sample.nobs = 1000)
summary(fit,standardized=TRUE,fit.measure=TRUE)

Это простенький код для модели путей, скажите, пожалуйста, а можно ли построенную модель использовать чтобы предсказывать значения на новых данных в R!
как predict функция в lm моделях
predict(fit,newdata)
что-то я так сделал, получил это
нумерацию какую-то
[1,]
[2,]
[3,]
[4,]
[5,]
[6,]
[7,]
[8,]
[9,]
[10,]
[11,]
[12,]
[13,]
...


Кто R знает подскажите:))

[p2004r]

Снова новый вопрос от меня:) По поводу Моделирования структурными уравнениями разобрался, по крайней мере на первых парах хватит))
вопрос такой
library("lavaan")
library("semPlot")
m=read.csv(mydata,sep=";",dec=",")
View(m)
#do correlation matrix
data.m=cor(m)
View(data.m)
#path model for sales
model<-'
var1~var2+var3+var4
var2~var3+var4
'
fit <- sem(model,sample.cov =data.m, sample.nobs = 1000)
summary(fit,standardized=TRUE,fit.measure=TRUE)

Это простенький код для модели путей, скажите, пожалуйста, а можно ли построенную модель использовать чтобы предсказывать значения на новых данных в R!
как predict функция в lm моделях
predict(fit,newdata)
что-то я так сделал, получил это
нумерацию какую-то
[1,]
[2,]
[3,]
[4,]
[5,]
[6,]
[7,]
[8,]
[9,]
[10,]
[11,]
[12,]
[13,]
...


Кто R знает подскажите:))

The predict() function calls the lavPredict() function with its default options. If there are no latent variables in the model, type = "ov" will simply return the values of the observed variables. Note that this function can not be used to ?predict? values of dependent vari- ables, given the values of independent values (in the regression sense). In other words, the structural component is completely ignored (for now).