Saya mencoba menggunakan analisis faktor konfirmatori (CFA) lavaan. Saya mengalami kesulitan menafsirkan output yang dihasilkan oleh lavaan.
Saya memiliki model sederhana - masing-masing 4 faktor didukung oleh item dari data survei yang dikumpulkan. Faktor-faktor ini sejalan dengan apa yang diukur oleh item, sejauh tampaknya mereka dapat berfungsi sebagai pengukuran yang valid.
Harap membantu saya memahami output berikut yang dihasilkan oleh lavaan's cfa():
Number of observations 1730
Estimator ML
Minimum Function Test Statistic 196.634
Degrees of freedom 21
P-value (Chi-square) 0.000
Model test baseline model:
Minimum Function Test Statistic 3957.231
Degrees of freedom 36
P-value 0.000
User model versus baseline model:
Comparative Fit Index (CFI) 0.955
Tucker-Lewis Index (TLI) 0.923Saya punya pertanyaan ini:
- Bagaimana model dasar didefinisikan?
- Mengingat bahwa untuk derajat kebebasan yang ditentukan, statistik Chi-Sq yang dihitung lebih besar dari yang diharapkan, apakah ada interpretasi untuk nilai p yang sama dengan 0,000?
- Berdasarkan CFI dan TLI, tampaknya saya hampir memiliki model yang masuk akal. Apakah ini interpretasi yang adil?
r
sem
confirmatory-factor
lavaan
Judy
sumber
sumber
Jawaban:
1) Garis dasar adalah model nol, biasanya di mana semua variabel yang Anda amati dibatasi menjadi kovari tanpa variabel lain (dengan kata lain, kovarian ditetapkan ke 0) - hanya masing-masing varian yang diperkirakan. Inilah yang sering dianggap sebagai model pemasangan paling buruk yang 'masuk akal', yang dibandingkan dengan model pas Anda dibandingkan untuk menghitung indeks relatif model yang cocok (misalnya, CFI / TLI).
2) Statistik chi-square (diberi label sebagai statistik uji fungsi minimum) digunakan untuk melakukan uji kesesuaian model yang sempurna, baik untuk model Anda yang ditentukan maupun yang nol / dasar. Ini pada dasarnya adalah ukuran penyimpangan antara matriks varians / kovarian tersirat model Anda, dan matriks varians / kovarians yang Anda amati. Dalam kedua kasus, null of perfect fit ditolak ( hlm<.001), meskipun ini adalah desain dalam kasus model baseline / null. Beberapa ahli statistik (misalnya, Klein, 2010) berpendapat bahwa uji chi-square model fit berguna dalam mengevaluasi kualitas model, tetapi sebagian besar yang lain mengecilkan menempatkan banyak stok dalam interpretasinya, baik untuk konseptual (yaitu, nol dari kesesuaian sempurna tidak masuk akal) dan alasan praktis (yaitu, uji chi-square sensitif terhadap ukuran sampel) (lihat Brown, 2015; Little, 2013, untuk contoh). Namun, ini berguna untuk menghitung sejumlah indeks fit model lainnya yang lebih informatif.
3) Standar untuk tingkat model apa yang dianggap "dapat diterima" mungkin berbeda dari satu disiplin ke disiplin lainnya, tetapi setidaknya menurut Hu & Bentler (1999), Anda berada dalam ranah apa yang dianggap "dapat diterima". CFI dari 0,955 sering dianggap "baik". Perlu diingat, bahwa baik TLI maupun CFI adalah indeks relatif dari kecocokan model - mereka membandingkan kecocokan model Anda dengan kecocokan model nol (paling pas) Anda. Hu & Bentler (1999) menyarankan agar Anda menginterpretasikan / melaporkan baik relatif dan indeks absolut model yang cocok. Indeks absolut model fit membandingkan kecocokan model Anda dengan model fitting yang sempurna - RMSEA dan SRMR adalah beberapa kandidat yang baik (yang pertama sering dihitung bersama dengan interval kepercayaan, yang bagus).
Referensi
Brown, TA (2015). Analisis faktor konfirmasi untuk penelitian terapan (Edisi ke-2) . New York, NY: Guilford Press.
Hu, L., & Bentler, PM (1999). Kriteria cutoff untuk indeks kecocokan dalam analisis struktur kovarian: Kriteria konvensional versus alternatif baru. Pemodelan Persamaan Struktural , 6 , 1-55.
Kline, RB (2010). Prinsip dan praktik pemodelan persamaan struktural (Edisi ke-3) . New York, NY: Guilford Press.
Little, TD (2013). Pemodelan persamaan struktural longitudinal . New York, NY: Guilford Press.
sumber