Jak interpretować dane wyjściowe lawy?


11

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?

Pozwól, że polecę Ci dołączyć do grupy Google Lavaan, jest to wspaniały zasób, a Yves, facet, który buduje Lavaan, bardzo aktywnie odpowiada na wiele pytań.
robin.datadrivers

Co masz na myśli w swoim drugim pytaniu? p -value od 0.000 prostu oznacza p -value jest <0,0005 (umownie ty pewnie zgłosić to jako p <.001).
Patrick Coulombe

Odpowiedzi:


13

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.


Dziękuję za referencje. To było naprawdę pomocne!
Judy

1
Nie ma problemu, @Judy. Brown (2015), Little (2013 - nawet jeśli nie planujesz modelowania podłużnego) i Beaujean (2014) - zapewniają bardzo przystępne wprowadzenie do SEM. Najbardziej polecam Beaujean (2014), jeśli planujesz polegać przede wszystkim na pakiecie L / Lavaan. Ale koncepcyjnie wszystkie są świetnymi materiałami wprowadzającymi.
jsakaluk

@jsakaluk W jaki sposób określisz podstawowy model zerowy w kontekście podłużnym? Czytałem części książki Little'a na temat wzdłużnego SEM (2013), ale nie jestem pewien, czy model zerowy zawiera kowariancje między czynnikami.
Amonet,

To zależy od modelu zerowego, który próbujesz określić. Ręczne określanie tradycyjnego modelu zerowego ma swoje sporadyczne zastosowania, ale Little (2013) omówił także alternatywny model zerowy, który można by określić dla modeli podłużnych (i nie zaskoczyłoby mnie, gdyby były inne). Wydaje się to nieco dziwne do omówienia w tym miejscu, ale warto zadać nowe pytanie.
jsakaluk
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.