Ich bin mir nicht sicher, wie ich mit diesem CFA in Lavaan vorgehen soll. Ich habe eine Stichprobe von 172 Teilnehmern (ich weiß, das ist nicht viel für einen CFA) und 28 Artikel mit 7-Punkte-Likert-Skalen, die auf sieben Faktoren geladen werden sollten. Ich habe eine CFA mit „mlm“ -Schätzern durchgeführt, aber die Modellanpassung war wirklich schlecht (χ2 (df = 329) = 739,36; Vergleichsanpassungsindex (CFI) = 0,69; standardisierter quadratischer Mittelwert (SRMR) = 10; quadratischer mittlerer Approximationsfehler (RMSEA) =. 09; RMSEA 90% -Konfidenzintervall (CI) = [.08, .10]).
Ich habe folgendes versucht:
Bifaktormodell mit einem allgemeinen Methodenfaktor -> konvergierte nicht.
Schätzer für Ordnungsdaten („WLSMV“) -> Modellanpassung: (χ2 (df = 329) = 462; Vergleichsanpassungsindex (CFI) = .81; standardisierter quadratischer Mittelwert (SRMR) =. 09; quadratischer Mittelwertfehler der Approximation (RMSEA) =. 05; RMSEA 90% Konfidenzintervall (CI) = [.04, .06])
Reduzieren des Modells um Elemente, die einen Faktor nur wenig belasten und Kovarianzen zwischen bestimmten Elementen hinzufügen -> Modellanpassung: χ2 (df = 210) = 295; Vergleichsanpassungsindex (CFI) = 0,86; standardisierter quadratischer Mittelwert (SRMR) =. 08; quadratischer mittlerer Approximationsfehler (RMSEA) =. 07; RMSEA 90% -Konfidenzintervall (CI) = [.06, .08].
Nun meine Fragen:
Was soll ich mit einem solchen Modell machen?
Was wäre statistisch korrekt zu tun?
Melden Sie, dass es passt oder dass es nicht passt? Und welches dieser Modelle?
Ich würde mich freuen, mit Ihnen darüber zu diskutieren.
Hier ist die Lavaan-Ausgabe des CFA des Originalmodells:
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 1.000
quelle
Antworten:
1. Kehren Sie zur exploratorischen Faktoranalyse zurück
Wenn Sie sehr schlechte CFA-Anfälle bekommen, ist dies oft ein Zeichen dafür, dass Sie zu schnell zu CFA gesprungen sind. Sie sollten zur explorativen Faktoranalyse zurückkehren, um mehr über die Struktur Ihres Tests zu erfahren. Wenn Sie eine große Stichprobe haben (in Ihrem Fall nicht), können Sie Ihre Stichprobe aufteilen, um eine explorative und eine bestätigende Stichprobe zu erhalten.
Der Vorteil von EFA besteht darin, dass es viel Freiheit bietet, sodass Sie viel mehr über die Struktur des Tests lernen als nur durch Betrachten der CFA-Änderungsindizes.
Wie auch immer, hoffentlich haben Sie aus diesem Prozess einige Probleme und Lösungen identifiziert. Beispielsweise können Sie einige Elemente löschen. Sie können Ihr theoretisches Modell aktualisieren, wie viele Faktoren es gibt und so weiter.
2. Verbessern Sie die Anpassung der Bestätigungsfaktoranalyse
Es gibt viele Punkte, die hier gemacht werden könnten:
CFA auf Waagen mit vielen Elementen pro Waage weisen im Vergleich zu herkömmlichen Standards häufig eine schlechte Leistung auf. Dies führt häufig dazu, dass Personen (und ich denke, diese Antwort ist oft unglücklich) Artikelpakete bilden oder nur drei oder vier Artikel pro Skala verwenden. Das Problem ist, dass typischerweise vorgeschlagene CFA-Strukturen die kleinen Nuancen in den Daten nicht erfassen (z. B. kleine Querladungen, Elemente innerhalb eines Tests, die etwas mehr als andere korrelieren, geringfügige Belästigungsfaktoren). Diese werden mit vielen Elementen pro Skala verstärkt.
Hier einige Antworten auf die oben genannte Situation:
modificationindices(fit)inlavaan.Allgemeine Kommentare
Wenn Ihr CFA-Modell wirklich schlecht ist, kehren Sie im Allgemeinen zu EFA zurück, um mehr über Ihre Waage zu erfahren. Wenn Ihre EFA gut ist und Ihr CFA aufgrund bekannter Probleme mit vielen Elementen pro Skala nur ein wenig schlecht aussieht, sind alternativ die oben genannten Standard-CFA-Ansätze angemessen.
quelle
Ich würde daran arbeiten, das Bifaktormodell zur Konvergenz zu bringen. Versuchen Sie, die Startwerte anzupassen. Dies kann jedoch ein fauler Ansatz sein. Denken Sie also daran und interpretieren Sie ihn mit Vorsicht. Informieren Sie sich über die Gefahren der Interpretation von Modellen, die der Konvergenz widerstehen, wenn Sie wirklich vorsichtig sein möchten. Ich gebe zu, dass ich in meinem SEM-Studium noch nicht so viel getan habe. Ich empfehle daher, das zu tun, was Sie tun müssen, um das Modell zu erreichen konvergieren meistens zu Ihrem Vorteil. Ich weiß nicht, ob es für die Veröffentlichung besser geeignet ist, aber wenn dies eindeutig nicht der Fall ist, weil das Bifaktormodell auch nicht gut passt, ist es möglicherweise gut, dass Sie es wissen.
Ansonsten haben Sie anscheinend so viel wie möglich mit den Daten getan, die Sie haben. AFAIK (Ich habe mich in letzter Zeit intensiv mit einem eigenen methodischen Projekt befasst, bitte korrigieren Sie mich, wenn ich falsch liege !!), WLSMV-Schätzung bei der
lavaanVerwendung von Schwellenwerten aus polychromen Korrelationen, was der beste Weg ist, um eine gute Anpassung zu erhalten Indizes aus einem CFA von Ordnungsdaten. Angenommen, Sie haben Ihr Modell korrekt (oder zumindest optimal) angegeben, ist dies alles, was Sie tun können. Das Entfernen von Elementen mit geringer Beladung und das freie Schätzen von Kovarianzen zwischen Elementen geht sogar ein bisschen weit, aber das haben Sie auch versucht.Wie Sie wahrscheinlich wissen, passt Ihr Modell nach herkömmlichen Maßstäben nicht gut. Natürlich sollten Sie nicht sagen, dass es gut passt, wenn es nicht passt. Dies gilt leider für alle Anpassungsstatistiken, die Sie hier melden (ich nehme an, Sie hatten gehofft, dass sie passen würden). Einige Ihrer Fit-Statistiken sind nur ziemlich schlecht, nicht wirklich schlecht (der RMSEA = 0,05 ist akzeptabel), aber insgesamt ist nichts davon eine gute Nachricht, und Sie haben die Verantwortung, ehrlich zu sein, wenn Sie veröffentlichen diese Ergebnisse. Ich hoffe du kannst, FWIW.
In beiden Fällen können Sie weitere Daten erfassen, wenn Sie können. Das könnte helfen, je nachdem, wonach Sie suchen. Wenn Ihr Ziel ein bestätigender Hypothesentest ist, haben Sie Ihre Daten "überprüft" und erhöhen Ihre Fehlerrate, wenn Sie sie in einer erweiterten Stichprobe wiederverwenden. Es sei denn, Sie können diesen Datensatz einfach beiseite legen und ein Ganzes replizieren. frisch, größer, du hast ein schwieriges Szenario zu bewältigen. Wenn Sie jedoch hauptsächlich daran interessiert sind, Parameter zu schätzen und Konfidenzintervalle einzugrenzen, ist es möglicherweise sinnvoll, nur so viele Daten wie möglich zu bündeln, einschließlich aller Daten, die Sie bereits hier verwendet haben. Wenn Sie mehr Daten erhalten können, erhalten Sie möglicherweise besser passende Indizes, wodurch Ihre Parameterschätzungen zuverlässiger werden. Hoffentlich ist das gut genug.
quelle