EFA wyraźnie wspiera jeden czynnik, środek jest wewnętrznie spójny, ale CFA ma słabe dopasowanie?

Badam właściwości psychometryczne 10-elementowej miary samoopisu. Mam około 400 przypadków w dwóch niezależnych próbach. Przedmioty są uzupełniane w 4-punktowej skali Likerta. EFA wyraźnie wspiera rozwiązanie jednoczynnikowe (np. Pierwsza wartość własna powyżej 6, wszystkie inne poniżej 1), a wartość alfa Cronbacha jest dobra (np. 0,90). Żaden element nie ma niskiej korelacji między pozycjami ogółem.

Początkowo chciałem zrobić CFA (EFA było tylko kontynuacją po tym, jak zobaczyłem, że CFA nie jest dobry), testując model jednoskładnikowy. Ku mojemu zaskoczeniu dopasowanie do modelu było stosunkowo słabe:

CFI=.91
TLI=.88
RMSEA=.13

Co więcej, ładunki dla każdego elementu są całkiem dobre (.65+).

Dziwne, SRMR=.05co jest dopuszczalne / dobre.

Wskaźniki modyfikacji sugerują korelowanie błędów w dowolnym miejscu. Gdyby było to wyraźnie uzasadnione (np. Niektóre elementy mają bardzo podobne sformułowanie) zrobiłbym to; jednak wszystkie miary są sformułowane podobnie, a korelowanie wszystkich terminów błędów byłoby dziwne i bolesne.

Nigdy nie widziałem takiej sprawy. Miara jest wewnętrznie spójna i wyraźnie składa się z jednego czynnika w EFA, ale wykazuje słabe dopasowanie do CFA. Wyniki są zgodne w obu niezależnych próbach (z różnych kontynentów). Próbowałem dwuskładnikowego CFA (zgrupowane 5 losowych przedmiotów) i dopasowanie było takie samo, a nawet nieznacznie lepsze.

Oto moje pytania:

1. Dlaczego dopasowanie według CFI / TLI / RMSEA jest tak słabe, biorąc pod uwagę obciążenia alfa / czynnikowe EFA / Cronbacha?
2. Dlaczego SRMR jest dobry, a inne wskaźniki nie? Wiem, że mierzą różne rzeczy, ale z mojego doświadczenia, prawie zawsze się zbiegają.
3. Czy powinienem skorelować niektóre błędy?

Przykładowe przedmioty:

• Masz przemyślenia na temat swoich wad
• Masz myśli, o których trudno zapomnieć
• Cały czas myślisz o sytuacji

To całkiem normalne.

CFA jest znacznie bardziej rygorystycznym kryterium niż EFA. EFA próbuje opisać twoje dane, ale CFA sprawdza, czy model jest poprawny.

Jednym z powodów braku konwergencji są niskie średnie korelacje (ale wtedy oczekiwałbym, że RMSEA będzie lepszy). Test chi-kwadrat jest zasadniczo testem, w którym twoje reszty są równe zeru, a RMSEA, TLI i CFI są transformacjami testu.

Dopasowanie zawsze będzie lepsze w rozwiązaniu dwuskładnikowym niż rozwiązaniu jednoskładnikowym (są zagnieżdżone).

Kilka dodatkowych pytań: Jaki był twój rozmiar próby? Jaka jest średnia korelacja? Co to jest chi-kwadrat i df, jaki jest chi-kwadrat modelu zerowego?

Czy powinieneś dodać skorelowane błędy? Być może, ale kiedy to robisz, wprowadzasz dodatkowe czynniki. Przy takim dopasowaniu możesz potrzebować dużo dodać, a potem skończy się bałagan - najlepiej, jeśli są w jakiś sposób uzasadnione. Na przykład, twój drugi i trzeci punkt dotyczą natrętnych myśli - może to być uzasadnienie.