Saya tidak yakin bagaimana cara melanjutkan CFA ini saya lakukan di lavaan. Saya memiliki sampel 172 peserta (saya tahu itu tidak banyak untuk CFA) dan 28 item dengan skala Likert 7 poin yang harus dimuat pada tujuh faktor. Saya melakukan CFA dengan "mlm" -estimators, tetapi model fit benar-benar buruk (χ2 (df = 329) = 739,36; indeks kecocokan komparatif (CFI) = 0,69; standar root mean square residual (SRMR) = .10; root mean square error aproksimasi (RMSEA) =. 09; RMSEA 90% interval kepercayaan (CI) = [.08, .10]).
Saya sudah mencoba yang berikut ini:
model bifactor dengan satu faktor metode umum -> tidak bertemu.
estimator untuk data ordinal („WLSMV“) -> Model fit: (χ2 (df = 329) = 462; indeks kecocokan komparatif (CFI) = 0,81; akar kuadrat rata-rata residual kuadrat (SRMR) =. 09; root mean square error of aproksimasi (RMSEA) =. 05; RMSEA 90% interval kepercayaan (CI) = [.04, .06])
mengurangi model dengan item yang memuat rendah pada suatu faktor dan menambahkan kovarian di antara item tertentu -> Model fit: χ2 (df = 210) = 295; indeks kecocokan komparatif (CFI) = 0,86; root kuadrat rata-rata residual kuadrat (SRMR) =. 08; root mean square error aproksimasi (RMSEA) =. 07; RMSEA 90% interval kepercayaan (CI) = [.06, .08].
Sekarang pertanyaan saya:
Apa yang harus saya lakukan dengan model seperti itu?
Apa yang secara statistik benar untuk dilakukan?
Laporkan tidak cocok atau tidak cocok? Dan yang mana dari model-model itu?
Saya akan senang berdiskusi dengan Anda tentang hal ini.
Berikut ini adalah keluaran lavaan dari CFA dari model aslinya:
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
sumber
Jawaban:
1. Kembali ke Analisis Faktor Eksplorasi
Jika Anda mendapatkan CFA yang sangat buruk, maka itu sering merupakan tanda bahwa Anda telah melompat terlalu cepat ke CFA. Anda harus kembali ke analisis faktor eksplorasi untuk mempelajari tentang struktur tes Anda. Jika Anda memiliki sampel besar (dalam kasus Anda tidak), maka Anda dapat membagi sampel Anda untuk memiliki sampel eksplorasi dan sampel konfirmasi.
Manfaat EFA adalah memberikan banyak kebebasan, sehingga Anda akan belajar lebih banyak tentang struktur tes daripada Anda hanya akan melihat indeks modifikasi CFA.
Bagaimanapun, semoga dari proses ini Anda mungkin telah mengidentifikasi beberapa masalah dan solusi. Misalnya, Anda mungkin menjatuhkan beberapa item; Anda dapat memperbarui model teoretis Anda tentang berapa banyak faktor yang ada dan seterusnya.
2. Memperbaiki Kecocokan Analisis Faktor Konfirmatori
Ada banyak poin yang bisa dibuat di sini:
CFA pada skala dengan banyak item per skala sering berkinerja buruk menurut standar tradisional. Hal ini sering membuat orang (dan saya pikir tanggapan ini sering disayangkan) untuk membentuk paket barang atau hanya menggunakan tiga atau empat item per skala. Masalahnya adalah bahwa struktur CFA yang diusulkan biasanya gagal untuk menangkap nuansa kecil dalam data (misalnya, beban silang kecil, item dalam tes yang berkorelasi sedikit lebih dari yang lain, faktor gangguan kecil). Ini diperkuat dengan banyak item per skala.
Berikut adalah beberapa tanggapan terhadap situasi di atas:
modificationindices(fit)dilavaan.Komentar umum
Jadi secara umum, jika model CFA Anda benar-benar buruk, kembalilah ke EFA untuk mempelajari lebih lanjut tentang skala Anda. Atau jika EFA Anda baik, dan CFA Anda terlihat sedikit buruk karena masalah yang diketahui memiliki banyak item per skala, maka pendekatan standar CFA seperti yang disebutkan di atas sesuai.
sumber
Saya akan berusaha untuk mendapatkan model bifactor untuk bertemu. Coba sesuaikan nilai awal ... ini mungkin pendekatan yang mencurigakan, jadi ingatlah dan tafsirkan dengan hati-hati. Baca tentang bahaya menafsirkan model yang menentang konvergensi jika Anda ingin benar-benar berhati-hati - saya akui saya belum melakukan ini sendiri dalam studi SEM saya, jadi saya sarankan melakukan apa yang perlu Anda lakukan untuk mendapatkan model tersebut. bertemu sebagian besar untuk keuntungan Anda. Saya tidak tahu bahwa itu akan lebih cocok untuk publikasi, tetapi jika itu jelas bukan karena model bifactor juga tidak cocok, itu mungkin baik untuk Anda ketahui.
Kalau tidak, sepertinya Anda sudah melakukan sebanyak yang Anda bisa dengan data yang Anda miliki. AFAIK (Saya telah melihat jauh ke dalam akhir-akhir ini untuk proyek metodologis saya sendiri, jadi tolong perbaiki saya jika saya salah !!), estimasi WLSMV dalam
lavaanambang penggunaan dari korelasi polikorik, yang merupakan cara terbaik untuk mendapatkan kecocokan yang baik indeks keluar dari CFA data ordinal. Dengan asumsi Anda telah menentukan model Anda dengan benar (atau setidaknya secara optimal), hanya itu yang dapat Anda lakukan. Menghapus item dengan beban rendah dan memperkirakan kovariansi antar-barang dengan bebas bahkan agak jauh, tetapi Anda juga mencobanya.Model Anda tidak cocok dengan standar konvensional, karena Anda mungkin sadar. Tentu saja Anda tidak boleh mengatakan itu cocok ketika tidak. Ini berlaku untuk semua set statistik kecocokan yang Anda laporkan di sini, sayangnya (saya berasumsi Anda berharap itu cocok). Beberapa statistik kecocokan Anda hanya cukup buruk, tidak terlalu buruk (RMSEA = 0,05 dapat diterima), tetapi secara keseluruhan, tidak ada yang merupakan kabar baik, dan Anda memiliki tanggung jawab untuk jujur tentang hal itu jika Anda ingin menerbitkan hasil ini. Saya harap Anda bisa, FWIW.
Either way, Anda dapat mempertimbangkan mengumpulkan lebih banyak data jika Anda bisa; itu bisa membantu, tergantung pada apa yang Anda cari. Jika tujuan Anda adalah uji hipotesis konfirmasi, yah, Anda telah "mengintip" data Anda, dan akan mengembang tingkat kesalahan Anda jika Anda menggunakannya kembali dalam sampel yang diperluas, jadi kecuali Anda bisa menyisihkan dataset ini dan mereplikasi keseluruhan, segar, lebih besar, Anda punya skenario sulit untuk ditangani. Jika Anda sebagian besar tertarik untuk memperkirakan parameter dan mempersempit interval kepercayaan, saya pikir mungkin masuk akal untuk mengumpulkan data sebanyak yang dapat Anda kumpulkan, termasuk yang sudah Anda gunakan di sini. Jika Anda bisa mendapatkan lebih banyak data, Anda mungkin mendapatkan indeks kecocokan yang lebih baik, yang akan membuat estimasi parameter Anda lebih andal. Semoga itu cukup baik.
sumber