Nie jestem pewien, jak postępować z tym CFA, który robię w lawie. Mam próbkę 172 uczestników (wiem, że to niewiele w przypadku CFA) i 28 przedmiotów z 7-punktowymi skalami Likerta, które powinny obciążyć siedem czynników. Zrobiłem CFA z estymatorami „mlm”, ale dopasowanie modelu było naprawdę złe (χ2 (df = 329) = 739,36; porównawczy wskaźnik dopasowania (CFI) = 0,69; znormalizowana średnia kwadratowa resztkowa resztkowa (SRMR) =. 10; średni błąd kwadratowy przybliżenia (RMSEA) = 0,09; 90% przedział ufności RMSEA (CI) = [0,08, .10]).
Próbowałem następujące:
model bifactor z jednym ogólnym współczynnikiem metody -> nie zbiegał się.
estymatory danych porządkowych („WLSMV”) -> Dopasowanie modelu: (χ2 (df = 329) = 462; wskaźnik dopasowania porównawczego (CFI) = .81; znormalizowana średnia kwadratowa wartość rezydualna (SRMR) =. 09; błąd średniej kwadratowej pierwiastka przybliżenia (RMSEA) = 0,05; RMSEA 90% przedział ufności (CI) = [0,04, 0,06])
zmniejszanie modelu o przedmioty obciążone niskim współczynnikiem i dodające kowariancje między poszczególnymi elementami -> Dopasowanie modelu: χ2 (df = 210) = 295; porównawczy wskaźnik dopasowania (CFI) = 0,86; znormalizowany pierwiastkowy średni kwadrat resztkowy (SRMR) = 0,08; średni błąd kwadratowy przybliżenia (RMSEA) = 0,07; RMSEA 90% przedział ufności (CI) = [0,06; 0,08].
Teraz moje pytania:
Co mam zrobić z takim modelem?
Co byłoby poprawne statystycznie?
Zgłosić, że pasuje lub nie pasuje? A który z tych modeli?
Z przyjemnością przeprowadzę z tobą dyskusję na ten temat.
Oto wynik lavaan CFA oryginalnego modelu:
lavaan (0.5-17.703) converged normally after 55 iterations
Used Total
Number of observations 149 172
Estimator ML Robust
Minimum Function Test Statistic 985.603 677.713
Degrees of freedom 329 329
P-value (Chi-square) 0.000 0.000
Scaling correction factor 1.454
for the Satorra-Bentler correction
Model test baseline model:
Minimum Function Test Statistic 2461.549 1736.690
Degrees of freedom 378 378
P-value 0.000 0.000
User model versus baseline model:
Comparative Fit Index (CFI) 0.685 0.743
Tucker-Lewis Index (TLI) 0.638 0.705
Loglikelihood and Information Criteria:
Loglikelihood user model (H0) -6460.004 -6460.004
Loglikelihood unrestricted model (H1) -5967.202 -5967.202
Number of free parameters 105 105
Akaike (AIC) 13130.007 13130.007
Bayesian (BIC) 13445.421 13445.421
Sample-size adjusted Bayesian (BIC) 13113.126 13113.126
Root Mean Square Error of Approximation:
RMSEA 0.116 0.084
90 Percent Confidence Interval 0.107 0.124 0.077 0.092
P-value RMSEA <= 0.05 0.000 0.000
Standardized Root Mean Square Residual:
SRMR 0.096 0.096
Parameter estimates:
Information Expected
Standard Errors Robust.sem
Estimate Std.err Z-value P(>|z|) Std.lv Std.all
Latent variables:
IC =~
PTRI_1r 1.000 1.093 0.691
PTRI_7 1.058 0.118 8.938 0.000 1.156 0.828
PTRI_21 0.681 0.142 4.793 0.000 0.744 0.582
PTRI_22 0.752 0.140 5.355 0.000 0.821 0.646
IG =~
PTRI_10 1.000 0.913 0.600
PTRI_11r 0.613 0.152 4.029 0.000 0.559 0.389
PTRI_19 1.113 0.177 6.308 0.000 1.016 0.737
PTRI_24 0.842 0.144 5.854 0.000 0.769 0.726
DM =~
PTRI_15r 1.000 0.963 0.673
PTRI_16 0.892 0.118 7.547 0.000 0.859 0.660
PTRI_23 0.844 0.145 5.817 0.000 0.813 0.556
PTRI_26 1.288 0.137 9.400 0.000 1.240 0.887
IM =~
PTRI_13 1.000 0.685 0.609
PTRI_14 1.401 0.218 6.421 0.000 0.960 0.814
PTRI_18 0.931 0.204 4.573 0.000 0.638 0.604
PTRI_20r 1.427 0.259 5.514 0.000 0.978 0.674
IN =~
PTRI_2 1.000 0.839 0.612
PTRI_6 1.286 0.180 7.160 0.000 1.080 0.744
PTRI_12 1.031 0.183 5.644 0.000 0.866 0.523
PTRI_17r 1.011 0.208 4.872 0.000 0.849 0.613
EN =~
PTRI_3 1.000 0.888 0.687
PTRI_8 1.136 0.146 7.781 0.000 1.008 0.726
PTRI_25 0.912 0.179 5.088 0.000 0.810 0.620
PTRI_27r 1.143 0.180 6.362 0.000 1.015 0.669
RM =~
PTRI_4r 1.000 1.114 0.700
PTRI_9 0.998 0.105 9.493 0.000 1.112 0.786
PTRI_28 0.528 0.120 4.403 0.000 0.588 0.443
PTRI_5 0.452 0.149 3.037 0.002 0.504 0.408
Covariances:
IC ~~
IG 0.370 0.122 3.030 0.002 0.371 0.371
DM 0.642 0.157 4.075 0.000 0.610 0.610
IM 0.510 0.154 3.308 0.001 0.681 0.681
IN 0.756 0.169 4.483 0.000 0.824 0.824
EN 0.839 0.169 4.979 0.000 0.865 0.865
RM 0.644 0.185 3.479 0.001 0.529 0.529
IG ~~
DM 0.380 0.103 3.684 0.000 0.433 0.433
IM 0.313 0.096 3.248 0.001 0.501 0.501
IN 0.329 0.107 3.073 0.002 0.429 0.429
EN 0.369 0.100 3.673 0.000 0.455 0.455
RM 0.289 0.116 2.495 0.013 0.284 0.284
DM ~~
IM 0.530 0.120 4.404 0.000 0.804 0.804
IN 0.590 0.122 4.839 0.000 0.731 0.731
EN 0.588 0.105 5.619 0.000 0.688 0.688
RM 0.403 0.129 3.132 0.002 0.376 0.376
IM ~~
IN 0.439 0.126 3.476 0.001 0.763 0.763
EN 0.498 0.121 4.128 0.000 0.818 0.818
RM 0.552 0.122 4.526 0.000 0.723 0.723
IN ~~
EN 0.735 0.167 4.402 0.000 0.987 0.987
RM 0.608 0.141 4.328 0.000 0.650 0.650
EN ~~
RM 0.716 0.157 4.561 0.000 0.724 0.724
Variances:
PTRI_1r 1.304 0.272 1.304 0.522
PTRI_7 0.613 0.153 0.613 0.314
PTRI_21 1.083 0.199 1.083 0.662
PTRI_22 0.940 0.141 0.940 0.582
PTRI_10 1.483 0.257 1.483 0.640
PTRI_11r 1.755 0.318 1.755 0.849
PTRI_19 0.868 0.195 0.868 0.457
PTRI_24 0.530 0.109 0.530 0.473
PTRI_15r 1.121 0.220 1.121 0.547
PTRI_16 0.955 0.200 0.955 0.564
PTRI_23 1.475 0.219 1.475 0.691
PTRI_26 0.417 0.120 0.417 0.213
PTRI_13 0.797 0.113 0.797 0.629
PTRI_14 0.468 0.117 0.468 0.337
PTRI_18 0.709 0.134 0.709 0.635
PTRI_20r 1.152 0.223 1.152 0.546
PTRI_2 1.178 0.251 1.178 0.626
PTRI_6 0.942 0.191 0.942 0.447
PTRI_12 1.995 0.235 1.995 0.727
PTRI_17r 1.199 0.274 1.199 0.625
PTRI_3 0.882 0.179 0.882 0.528
PTRI_8 0.910 0.131 0.910 0.472
PTRI_25 1.048 0.180 1.048 0.615
PTRI_27r 1.273 0.238 1.273 0.553
PTRI_4r 1.294 0.242 1.294 0.510
PTRI_9 0.763 0.212 0.763 0.382
PTRI_28 1.419 0.183 1.419 0.804
PTRI_5 1.269 0.259 1.269 0.833
IC 1.194 0.270 1.000 1.000
IG 0.833 0.220 1.000 1.000
DM 0.927 0.181 1.000 1.000
IM 0.470 0.153 1.000 1.000
IN 0.705 0.202 1.000 1.000
EN 0.788 0.177 1.000 1.000
RM 1.242 0.257 1.000 1.000źródło
Odpowiedzi:
1. Wróć do analizy eksploracyjnej
Jeśli dostajesz bardzo złe CFA, to często jest to znak, że zbyt szybko skoczyłeś na CFA. Powróć do eksploracyjnej analizy czynnikowej, aby dowiedzieć się o strukturze swojego testu. Jeśli masz dużą próbkę (w twoim przypadku nie masz), możesz podzielić próbkę, aby uzyskać próbkę eksploracyjną i potwierdzającą.
Zaletą EFA jest to, że daje dużo swobody, dzięki czemu dowiesz się więcej o strukturze testu niż tylko patrząc na wskaźniki modyfikacji CFA.
W każdym razie, mam nadzieję, że z tego procesu mogłeś zidentyfikować kilka problemów i rozwiązań. Na przykład możesz upuścić kilka przedmiotów; możesz zaktualizować swój teoretyczny model liczby czynników i tak dalej.
2. Popraw dopasowanie analizy czynnikowej
Można tu wymienić wiele kwestii:
CFA na wagach z wieloma artykułami na skali często słabo radzą sobie z tradycyjnymi standardami. To często prowadzi ludzi (i uważam, że ta reakcja jest często niefortunna) do tworzenia paczek z przedmiotami lub używania tylko trzech lub czterech przedmiotów na skalę. Problem polega na tym, że zwykle proponowane struktury CFA nie wychwytują małych niuansów w danych (np. Małe obciążenia krzyżowe, elementy w teście, które korelują nieco bardziej niż inne, drobne czynniki uciążliwe). Są one wzmacniane przez wiele elementów na skalę.
Oto kilka odpowiedzi na powyższą sytuację:
modificationindices(fit)wlavaan.Uwagi ogólne
Ogólnie rzecz biorąc, jeśli twój model CFA jest naprawdę zły, wróć do EFA, aby dowiedzieć się więcej o swojej skali. Alternatywnie, jeśli Twoja EFA jest dobra, a Twoje CFA wygląda trochę źle z powodu dobrze znanych problemów z posiadaniem wielu przedmiotów na skalę, wówczas odpowiednie są standardowe podejścia CFA, jak wspomniano powyżej.
źródło
Pracowałbym nad próbą uzyskania zbieżności modelu bifaktora. Spróbuj dostosować wartości początkowe ... może to być podejrzane podejście, więc pamiętaj o tym i interpretuj ostrożnie. Przeczytaj o niebezpieczeństwach związanych z interpretacją modeli, które opierają się konwergencji, jeśli chcesz być naprawdę ostrożny - przyznaję, że nie zrobiłem tego zbyt wiele sam w badaniu SEM, więc sugeruję zrobienie tego, co musisz zrobić, aby uzyskać model zbiegają się głównie dla Twojej korzyści. Nie wiem, czy będzie on bardziej odpowiedni do publikacji, ale jeśli wyraźnie nie jest tak, ponieważ model bifaktora również nie pasuje dobrze, może to być dobre dla ciebie.
W przeciwnym razie wygląda na to, że zrobiłeś tyle, ile możesz z posiadanymi danymi. AFAIK (ostatnio głęboko zastanawiałem się nad własnym projektem metodologicznym, więc poprawcie mnie, jeśli się mylę !!), oszacowanie WLSMV w
lavaanprogach wykorzystania korelacji polichorycznych, co jest najlepszym sposobem na dobre dopasowanie indeksy z CFA danych porządkowych. Zakładając, że poprawnie określiłeś swój model (lub przynajmniej optymalnie), to wszystko, co możesz zrobić. Usuwanie przedmiotów o niskim obciążeniu i swobodne szacowanie kowariancji między przedmiotami posuwa się nawet daleko, ale i ty tego próbowałeś.Twój model nie pasuje dobrze do konwencjonalnych standardów, jak zapewne wiesz. Oczywiście nie powinieneś mówić, że pasuje dobrze, kiedy nie. Dotyczy to wszystkich zestawów statystyk dopasowania, które tutaj zgłaszasz, niestety (zakładam, że miałeś nadzieję, że będą pasować). Niektóre statystyki dopasowania są dość słabe, nie są wcale złe (RMSEA = .05 jest do przyjęcia), ale ogólnie rzecz biorąc, żadna z nich nie jest dobrą wiadomością i masz obowiązek być uczciwy, jeśli zamierzasz publikować te wyniki. Mam nadzieję, że możesz, FWIW.
Tak czy inaczej, możesz rozważyć zebranie większej ilości danych, jeśli możesz; to może pomóc, w zależności od tego, czego szukasz. Jeśli Twoim celem jest test potwierdzający hipotezę, cóż, „zerknąłeś” na swoje dane i zwiększysz poziom błędu, jeśli użyjesz go ponownie w rozszerzonej próbce, więc chyba że możesz po prostu odłożyć ten zestaw danych na bok i powielić całość, świeży, większy, masz trudny scenariusz. Jeśli jednak najbardziej interesuje Cię szacowanie parametrów i zawężanie przedziałów ufności, myślę, że rozsądne byłoby po prostu zgromadzenie jak największej ilości danych, w tym tych, które już tutaj wykorzystałeś. Jeśli możesz uzyskać więcej danych, możesz uzyskać lepsze wskaźniki dopasowania, co zwiększy wiarygodność oszacowań parametrów. Mam nadzieję, że to wystarczy.
źródło