Lav çıktısını nasıl yorumlayabilirim?

Kullanarak doğrulayıcı faktör analizi (CFA) deniyorum lavaan. Ürettiği çıktıyı yorumlamakta zorlanıyorum lavaan.

Basit bir modelim var - toplanan anket verilerinden öğeler tarafından desteklenen 4 faktör. Faktörler, geçerli bir ölçüm olarak hizmet edebilecekleri muhtemel göründüğü ölçüde, maddeler tarafından ölçülenle uyumludur.

Lütfen lavaan's tarafından üretilen aşağıdaki çıktıyı anlamama yardımcı olun 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

Şu sorularım var:

1. Temel model nasıl tanımlanır?
2. Belirtilen serbestlik dereceleri için, hesaplanan Chi-Sq istatistiği beklenenden daha büyük olduğu göz önüne alındığında, p-değeri için 0.000'e eşit bir yorum var mı?
3. CFI ve TLI'ye dayanarak, neredeyse makul bir modelim var gibi görünüyor . Bu adil bir yorum mu?

1) Taban çizgisi, tipik olarak, gözlemlenen değişkenlerinizin hiçbirinin başka bir değişken olmadan kovaryansla kısıtlandığı boş bir modeldir (başka bir deyişle kovaryanslar 0 olarak sabitlenir) - sadece bireysel varyanslar tahmin edilir. Model uyumunun göreli endekslerini (örn., CFI / TLI) hesaplamak için genellikle takılan modelinizin karşılaştırıldığı 'makul' en kötü olası montaj modeli olarak kabul edilir.

2) Ki-kare istatistiği (minimum fonksiyon testi istatistiği olarak etiketlenmiştir), hem belirttiğiniz hem de null / baseline modelleriniz için mükemmel model uyum testi yapmak için kullanılır. Temel olarak model ima edilen varyans / kovaryans matrisiniz ile gözlemlenen varyans / kovaryans matrisiniz arasındaki sapma ölçüsüdür. Her iki durumda da tam oturmanın boş olması reddedilir ( p<.001), ancak bu durum temel / boş model durumunda tasarım gereğidir. Bazı istatistikçiler (örn., Klein, 2010) model uyumunun ki-kare testinin bir modelin kalitesini değerlendirmede yararlı olduğunu savunurlar, ancak diğerlerinin çoğu, hem kavramsal olarak (yani, mükemmel uyum mantıksızdır) ve pratik (yani ki-kare testi örnek büyüklüğüne duyarlıdır) nedenler (bakınız Brown, 2015; Little, 2013, örnekler için). Bununla birlikte, bir dizi diğer, daha bilgilendirici, model uyum indekslerini hesaplamak için yararlıdır.

3) Hangi model uyum seviyesinin "kabul edilebilir" olduğu kabul edilen standartlar disiplinden disipline farklılık gösterebilir, ancak en azından Hu & Bentler'e (1999) göre, "kabul edilebilir" olarak kabul edilen alanın içindesiniz. .955'lik bir CFI genellikle "iyi" olarak kabul edilir. Bununla birlikte, hem TLI hem de CFI'nin model uyumunun göreli dizinleri olduğunu unutmayın - modelinizin uyumunu (en kötü uyum) null modelinizin uyumuyla karşılaştırırlar. Hu & Bentler (1999) , model uyumunun hem göreli hem de mutlak bir dizinini yorumlamanızı / rapor etmenizi önerdi . Model uyumun mutlak indeksleri, modelinizin uyumunu mükemmel bir uyum modeliyle karşılaştırır - RMSEA ve SRMR birkaç iyi adaydır (birincisi genellikle iyi bir güven aralığıyla birlikte hesaplanır).

Referanslar

Brown, TA (2015). Uygulamalı araştırma için doğrulayıcı faktör analizi (2. Baskı) . New York, NY: Guilford Press.

Hu, L. ve Bentler, PM (1999). Kovaryans yapı analizinde uyum indeksleri için kesme kriterleri: Yeni alternatiflere karşı geleneksel kriterler. Yapısal Eşitlik Modellemesi , 6 , 1-55.

Kline, RB (2010). Yapısal eşitlik modellemesinin prensipleri ve uygulaması (3. Baskı) . New York, NY: Guilford Press.

Küçük, TD (2013). Boyuna yapısal eşitlik modellemesi . New York, NY: Guilford Press.