Jak interpretować dane wyjściowe lawy?

Próbuję użyć potwierdzającej analizy czynnikowej (CFA) lavaan. Trudno mi interpretować wyniki uzyskane przez lavaan.

Mam prosty model - po 4 czynniki wspierane przez przedmioty z zebranych danych z ankiety. Czynniki są zgodne z tym, co jest mierzone przez pozycje, w zakresie, w jakim wydaje się prawdopodobne, że mogłyby one służyć jako prawidłowy pomiar.

Proszę mi pomóc zrozumieć następujący wynik wyprodukowany przez 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)                       0.923

Mam te pytania:

1. Jak zdefiniowany jest model podstawowy?
2. Biorąc pod uwagę, że dla określonych stopni swobody obliczona statystyka Chi-Sq jest większa niż można by oczekiwać, czy istnieje jakakolwiek interpretacja wartości p równej 0,000?
3. Na podstawie CFI i TLI wydaje się, że prawie mam rozsądny model. Czy to uczciwa interpretacja?

1) Linia bazowa jest modelem zerowym, zwykle w którym wszystkie obserwowane zmienne są ograniczone do kowariancji bez żadnych innych zmiennych (innymi słowy, kowariancje są ustalone na 0) - szacowane są tylko poszczególne wariancje. Jest to często uważane za „rozsądny” najgorszy możliwy model dopasowania, z którym porównywany jest dopasowany model w celu obliczenia względnych wskaźników dopasowania modelu (np. CFI / TLI).

2) Statystyka chi-kwadrat (oznaczona jako minimalna statystyka testu funkcji) służy do przeprowadzenia testu idealnego dopasowania modelu, zarówno dla określonych modeli, jak i modeli zerowych / podstawowych. Zasadniczo jest to miara dewiacji między sugerowaną przez model macierzą wariancji / kowariancji a zaobserwowaną macierzą wariancji / kowariancji. W obu przypadkach zerowa wartość idealnego dopasowania jest odrzucana ( str<.001), choć jest to zgodne z projektem w przypadku modelu podstawowego / zerowego. Niektórzy statystycy (np. Klein, 2010) twierdzą, że test dopasowania chi-kwadrat dopasowania modelu jest przydatny w ocenie jakości modelu, ale większość innych zniechęca do stawiania dużej ilości interpretacji, zarówno pod względem koncepcyjnym (tj. Zerowym idealne dopasowanie jest nieuzasadnione) i praktyczne (tj. test chi-kwadrat jest wrażliwy na wielkość próbki) przyczyny (patrz przykłady Brown, 2015; Little 2013). Jest to jednak przydatne do obliczania szeregu innych, bardziej pouczających wskaźników dopasowania modelu.

3) Standardy określające poziom dopasowania modelu jako „akceptowalny” mogą różnić się w zależności od dyscypliny, ale przynajmniej według Hu i Bentlera (1999) należysz do dziedziny uznawanej za „akceptowalną”. Współczynnik CFI wynoszący 0,955 jest często uważany za „dobry”. Należy jednak pamiętać, że zarówno TLI, jak i CFI są względnymi wskaźnikami dopasowania modelu - porównują dopasowanie twojego modelu z dopasowaniem twojego (najgorzej pasującego) modelu zerowego. Hu i Bentler (1999) zasugerowali, aby interpretować / raportować zarówno względny, jak i bezwzględny indeks dopasowania modelu. Bezwzględne indeksy dopasowania modelu porównują dopasowanie twojego modelu do modelu idealnie dopasowanego - RMSEA i SRMR to kilka dobrych kandydatów (ten pierwszy jest często obliczany wraz z przedziałem ufności, co jest miłe).

Bibliografia

Brown, TA (2015). Potwierdzająca analiza czynnikowa dla badań stosowanych (wydanie drugie) . Nowy Jork, NY: Guilford Press.

Hu, L. i Bentler, PM (1999). Kryteria odcięcia dla wskaźników dopasowania w analizie struktury kowariancji: Kryteria konwencjonalne a nowe alternatywy. Modelowanie równań strukturalnych , 6 , 1-55.

Kline, RB (2010). Zasady i praktyka modelowania równań strukturalnych (wydanie trzecie) . Nowy Jork, NY: Guilford Press.

Little, TD (2013). Wzdłużne modelowanie równań strukturalnych . Nowy Jork, NY: Guilford Press.