Làm thế nào để tôi giải thích sản lượng lavaan?


11

Tôi đang cố gắng phân tích nhân tố xác nhận (CFA) bằng cách sử dụng lavaan. Tôi đang có một thời gian khó khăn để giải thích đầu ra được sản xuất bởi lavaan.

Tôi có một mô hình đơn giản - mỗi yếu tố được hỗ trợ bởi 4 mục từ dữ liệu khảo sát được thu thập. Các yếu tố phù hợp với những gì được đo bằng các mặt hàng, đến mức có vẻ như chúng có thể phục vụ như một phép đo hợp lệ.

Hãy giúp tôi hiểu được những kết quả sau được tạo ra bởi 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

Tôi có những câu hỏi sau:

  1. Mô hình cơ sở được định nghĩa như thế nào?
  2. Cho rằng đối với các mức độ tự do được chỉ định, thống kê Chi-Sq được tính toán lớn hơn so với dự kiến, có cách giải thích nào cho giá trị p bằng 0,000 không?
  3. Dựa trên CFI và TLI, có vẻ như tôi gần như có một mô hình hợp lý. Đây có phải là một giải thích công bằng?

Hãy để tôi khuyên bạn nên tham gia nhóm google Lavaan, đó là một nguồn tài nguyên tuyệt vời và Yves, người xây dựng Lavaan, rất tích cực để trả lời nhiều câu hỏi.
robin.datadrivers

Bạn có ý nghĩa gì trong câu hỏi thứ hai của bạn? giá trị p là 0,000 chỉ có nghĩa là giá trị p là <.0005 (thông thường bạn có thể báo cáo đây là p <.001).
Patrick Coulombe

Câu trả lời:


13

1) Đường cơ sở là một mô hình null, thông thường trong đó tất cả các biến quan sát của bạn bị ràng buộc không có biến số khác (đặt một cách khác, hiệp phương sai được cố định là 0) - chỉ ước tính các phương sai riêng lẻ. Đây là những gì thường được coi là một mô hình phù hợp tồi tệ nhất 'hợp lý', so với mô hình được trang bị của bạn được so sánh để tính toán các chỉ số tương đối của sự phù hợp mô hình (ví dụ: CFI / TLI).

2) Thống kê chi bình phương (được dán nhãn là thống kê kiểm tra chức năng tối thiểu) được sử dụng để thực hiện kiểm tra mức độ phù hợp của mô hình hoàn hảo, cho cả các mô hình cơ sở và null / đường cơ sở được chỉ định của bạn. Nó về cơ bản là thước đo độ lệch giữa ma trận phương sai / hiệp phương sai theo mô hình của bạn và ma trận phương sai / hiệp phương sai quan sát của bạn. Trong cả hai trường hợp, null của sự phù hợp hoàn hảo đều bị từ chối ( p<.001), mặc dù điều này là do thiết kế trong trường hợp mô hình cơ sở / null. Một số nhà thống kê (ví dụ, Klein, 2010) cho rằng thử nghiệm chi bình phương về mức độ phù hợp của mô hình là hữu ích trong việc đánh giá chất lượng của một mô hình, nhưng hầu hết những người khác không khuyến khích đặt nhiều cổ phiếu vào cách giải thích của nó, cả về khái niệm (ví dụ: null sự phù hợp hoàn hảo là không hợp lý) và thực tế (ví dụ, kiểm tra chi bình phương rất nhạy cảm với kích thước mẫu) (xem Brown, 2015; Little, 2013, ví dụ). Tuy nhiên, nó rất hữu ích cho việc tính toán một số chỉ số khác, nhiều thông tin hơn, phù hợp với mô hình.

3) Tiêu chuẩn về mức độ phù hợp với mô hình được coi là "chấp nhận được" có thể khác nhau từ kỷ luật đến kỷ luật, nhưng ít nhất là theo Hu & Bentler (1999), bạn đang ở trong phạm vi của điều được coi là "chấp nhận được". Một CFI .955 thường được coi là "tốt". Tuy nhiên, hãy nhớ rằng cả TLI và CFI đều là các chỉ số tương đối của mức độ phù hợp với mô hình - chúng so sánh sự phù hợp của mô hình của bạn với sự phù hợp của mô hình null (phù hợp nhất) của bạn. Hu & Bentler (1999) đề nghị bạn diễn giải / báo cáo cả tương đối và chỉ số tuyệt đối về mức độ phù hợp của mô hình. Các chỉ số tuyệt đối về mức độ phù hợp của mô hình so sánh sự phù hợp của mô hình của bạn với một mô hình phù hợp hoàn hảo - RMSEA và SRMR là một vài ứng cử viên tốt (trước đây thường được tính toán cùng với khoảng tin cậy, rất tốt).

Người giới thiệu

Nâu, TA (2015). Phân tích nhân tố khẳng định cho nghiên cứu ứng dụng (Phiên bản 2) . New York, NY: Nhà xuất bản Guilford.

Hu, L., & Bentler, PM (1999). Tiêu chí cắt cho các chỉ số phù hợp trong phân tích cấu trúc hiệp phương sai: Tiêu chí thông thường so với các lựa chọn thay thế mới. Mô hình phương trình cấu trúc , 6 , 1-55.

Kline, RB (2010). Nguyên tắc và thực hành mô hình phương trình cấu trúc (Ấn bản thứ 3) . New York, NY: Nhà xuất bản Guilford.

Ít, TD (2013). Mô hình phương trình cấu trúc dọc . New York, NY: Nhà xuất bản Guilford.


Cảm ơn bạn đã tham khảo. Điều này đã thực sự hữu ích!
Judy

1
Không vấn đề gì, @Judy. Brown (2015), Little (2013 - ngay cả khi bạn không có kế hoạch thực hiện mô hình theo chiều dọc) và Beaujean (2014) đều cung cấp các giới thiệu thực sự dễ tiếp cận với SEM. Tôi muốn giới thiệu Beaujean (2014) nhiều nhất, nếu bạn dự định chủ yếu dựa vào gói R / gói dung nham. Nhưng về mặt khái niệm, chúng đều là những tài nguyên giới thiệu tuyệt vời.
jsakaluk

@jsakaluk Làm thế nào bạn sẽ chỉ định mô hình null cơ sở trong bối cảnh dọc? Tôi đã đọc các phần của cuốn sách Little trên SEM theo chiều dọc (2013), nhưng không chắc chắn nếu mô hình null bao gồm hiệp phương sai giữa các yếu tố.
Amonet

Nó phụ thuộc vào mô hình null mà bạn đang cố gắng chỉ định. Việc chỉ định thủ công mô hình null truyền thống có những cách sử dụng không thường xuyên, nhưng Little (2013) cũng thảo luận về một mô hình null thay thế có thể được chỉ định cho các mô hình dọc (và nó sẽ không làm tôi ngạc nhiên nếu có những mô hình khác). Điều này có vẻ hơi lạc đề để thảo luận ở đây, nhưng một câu hỏi mới có thể đáng giá.
jsakaluk
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.