Як інтерпретувати вихід лаван?

Я намагаюся використовувати підтверджуючий факторний аналіз (CFA) з використанням lavaan. Мені важко інтерпретувати результати, отримані компанією lavaan.

У мене проста модель - 4 фактори, кожен з яких підтримується елементами зібраних даних опитування. Коефіцієнти відповідають тому, що вимірюється предметами, наскільки це є ймовірним, що вони можуть слугувати вагомим вимірюванням.

Будь ласка, допоможіть мені зрозуміти наступний результат, виготовлений 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

У мене є такі питання:

1. Як визначається модель базової лінії?
2. Враховуючи, що для зазначених ступенів свободи обчислена статистика Chi-Sq більша, ніж можна було б очікувати, чи існує інтерпретація p-значення, яке дорівнює 0,000?
3. На основі CFI та TLI, здається, у мене майже є розумна модель. Це справедлива інтерпретація?

1) Базова лінія - це нульова модель, як правило, в якій всі ваші спостережувані змінні обмежуються коварією без інших змінних (іншим способом, коваріації фіксуються на 0) - оцінюються лише окремі відхилення. Це найчастіше сприймається як «розумна» найгірша модель підгонки, з якою порівнюється ваша пристосована модель для обчислення відносних показників придатності моделі (наприклад, CFI / TLI).

2) Статистика квадратних чи (позначена як статистика мінімальної функції тесту) використовується для проведення тесту на ідеальне пристосування моделі як для вказаних, так і для нульових / базових моделей. Це по суті є мірою відхилення між вашою матрицею дисперсії / коваріації, що передбачає модель, і вашою спостережуваною матрицею дисперсії / коваріації. В обох випадках нульове значення ідеального відхилення відхиляється ( с<.001), однак це стосується конструкції у випадку базової / нульової моделі. Деякі статистики (напр., Klein, 2010) стверджують, що тест-квадратична модель придатності корисна при оцінці якості моделі, але більшість інших перешкоджає вкладати багато запасів у її інтерпретацію, як для концептуальної (тобто, нульової) ідеальне пристосування є безпідставним) та практичних (тобто тест-квадрат чутливий до розміру вибірки) причини (див. Brown, 2015; Little, 2013, приклади). Однак це корисно для обчислення ряду інших, більш інформативних, індексів відповідності моделі.

3) Стандарти, який рівень відповідності моделі вважається "прийнятним", можуть відрізнятися від дисципліни до дисципліни, але, принаймні, згідно Hu & Bentler (1999), ви знаходитесь у царині того, що вважається "прийнятним". CFI в 955 часто вважається "хорошим". Пам’ятайте, однак, що і TLI, і CFI є відносними показниками придатності моделі - вони порівнюють придатність вашої моделі до відповідності вашої (найгіршої) нульової моделі. Hu & Bentler (1999) запропонував інтерпретувати / повідомляти як відносний, так і абсолютний індекс відповідності моделі. Абсолютні показники відповідності моделі порівнюють пристосованість вашої моделі до ідеально підходящої моделі - RMSEA та SRMR - це пара хороших кандидатів (колишній часто розраховується разом із довірчим інтервалом, що приємно).

Список літератури

Браун, Техас (2015). Підтверджуючий факторний аналіз прикладних досліджень (2-е видання) . Нью-Йорк, Нью-Йорк: Гілфорд Прес.

Ху, Л., Бентлер, PM (1999). Критерії відключення показників придатності в аналізі структури коваріації: звичайні критерії проти нових альтернатив. Моделювання структурних рівнянь , 6 , 1-55.

Клайн, РБ (2010). Принципи та практика моделювання структурних рівнянь (3-е видання) . Нью-Йорк, Нью-Йорк: Гілфорд Прес.

Малий, ТД (2013). Моделювання поздовжнього структурного рівняння . Нью-Йорк, Нью-Йорк: Гілфорд Прес.