다중 항목 규모에 맞는 CFA가 나쁜 경우 어떻게해야합니까?


9

이 CFA 메신저를 어떻게 진행하고 있는지 잘 모르겠습니다. 172 명의 참가자 샘플 (CFA에는 그다지 중요하지 않음)과 7 개의 요소에로드해야하는 7 포인트 리 커트 척도를 갖춘 28 개의 항목이 있습니다. “mlm”추정기로 CFA를 수행했지만 모형 적합은 실제로 나빴습니다 (χ2 (df = 329) = 739.36; 비교 적합 지수 (CFI) = .69; 표준화 된 근 평균 제곱 잔차 (SRMR) =. 10; 근사 평균 근사 평균 오차 (RMSEA) =. 09; RMSEA 90 % 신뢰 구간 (CI) = [.08, .10]).

나는 다음을 시도했다.

  • 하나의 일반적인 분석법 인자를 가진 이인자 모형 —> 수렴하지 않았습니다.

  • 서수 추정량 (“WLSMV”) —> 모형 적합 : (χ2 (df = 329) = 462; 비교 적합 지수 (CFI) = .81; 표준화 된 근 평균 제곱 잔차 (SRMR) =. 09; 근 평균 제곱 오차 근사치 (RMSEA) =. 05; RMSEA 90 % 신뢰 구간 (CI) = [.04, .06])

  • 요인에 대한 부하가 적고 특정 항목간에 공분산을 추가하는 항목으로 모형을 줄임-> 모형 적합 : χ2 (df = 210) = 295; 비교 적합 지수 (CFI) = .86; 표준화 된 근 평균 제곱 잔차 (SRMR) = 0.08; 근사 평균 근사 오차 (RMSEA) =. 07; RMSEA 90 % 신뢰 구간 (CI) = [.06, .08].

이제 내 질문 :

  • 그런 모델로 무엇을해야합니까?

  • 통계적으로 올바른 것은 무엇입니까?

  • 적합하거나 적합하지 않다고보고하십니까? 그리고 그 모델들 중 어느 것입니까?

이것에 대해 당신과 토론하게되어 기쁩니다.

다음은 원래 모델의 CFA의 용암 출력입니다.

    lavaan (0.5-17.703) converged normally after  55 iterations

                                              Used       Total
  Number of observations                           149         172

  Estimator                                         ML      Robust
  Minimum Function Test Statistic              985.603     677.713
  Degrees of freedom                               329         329
  P-value (Chi-square)                           0.000       0.000
  Scaling correction factor                                  1.454
    for the Satorra-Bentler correction

Model test baseline model:

  Minimum Function Test Statistic             2461.549    1736.690
  Degrees of freedom                               378         378
  P-value                                        0.000       0.000

User model versus baseline model:

  Comparative Fit Index (CFI)                    0.685       0.743
  Tucker-Lewis Index (TLI)                       0.638       0.705

Loglikelihood and Information Criteria:

  Loglikelihood user model (H0)              -6460.004   -6460.004
  Loglikelihood unrestricted model (H1)      -5967.202   -5967.202

  Number of free parameters                        105         105
  Akaike (AIC)                               13130.007   13130.007
  Bayesian (BIC)                             13445.421   13445.421
  Sample-size adjusted Bayesian (BIC)        13113.126   13113.126

Root Mean Square Error of Approximation:

  RMSEA                                          0.116       0.084
  90 Percent Confidence Interval          0.107  0.124       0.077  0.092
  P-value RMSEA <= 0.05                          0.000       0.000

Standardized Root Mean Square Residual:

  SRMR                                           0.096       0.096

Parameter estimates:

  Information                                 Expected
  Standard Errors                           Robust.sem

                   Estimate  Std.err  Z-value  P(>|z|)   Std.lv  Std.all
Latent variables:
  IC =~
    PTRI_1r           1.000                               1.093    0.691
    PTRI_7            1.058    0.118    8.938    0.000    1.156    0.828
    PTRI_21           0.681    0.142    4.793    0.000    0.744    0.582
    PTRI_22           0.752    0.140    5.355    0.000    0.821    0.646
  IG =~
    PTRI_10           1.000                               0.913    0.600
    PTRI_11r          0.613    0.152    4.029    0.000    0.559    0.389
    PTRI_19           1.113    0.177    6.308    0.000    1.016    0.737
    PTRI_24           0.842    0.144    5.854    0.000    0.769    0.726
  DM =~
    PTRI_15r          1.000                               0.963    0.673
    PTRI_16           0.892    0.118    7.547    0.000    0.859    0.660
    PTRI_23           0.844    0.145    5.817    0.000    0.813    0.556
    PTRI_26           1.288    0.137    9.400    0.000    1.240    0.887
  IM =~
    PTRI_13           1.000                               0.685    0.609
    PTRI_14           1.401    0.218    6.421    0.000    0.960    0.814
    PTRI_18           0.931    0.204    4.573    0.000    0.638    0.604
    PTRI_20r          1.427    0.259    5.514    0.000    0.978    0.674
  IN =~
    PTRI_2            1.000                               0.839    0.612
    PTRI_6            1.286    0.180    7.160    0.000    1.080    0.744
    PTRI_12           1.031    0.183    5.644    0.000    0.866    0.523
    PTRI_17r          1.011    0.208    4.872    0.000    0.849    0.613
  EN =~
    PTRI_3            1.000                               0.888    0.687
    PTRI_8            1.136    0.146    7.781    0.000    1.008    0.726
    PTRI_25           0.912    0.179    5.088    0.000    0.810    0.620
    PTRI_27r          1.143    0.180    6.362    0.000    1.015    0.669
  RM =~
    PTRI_4r           1.000                               1.114    0.700
    PTRI_9            0.998    0.105    9.493    0.000    1.112    0.786
    PTRI_28           0.528    0.120    4.403    0.000    0.588    0.443
    PTRI_5            0.452    0.149    3.037    0.002    0.504    0.408

Covariances:
  IC ~~
    IG                0.370    0.122    3.030    0.002    0.371    0.371
    DM                0.642    0.157    4.075    0.000    0.610    0.610
    IM                0.510    0.154    3.308    0.001    0.681    0.681
    IN                0.756    0.169    4.483    0.000    0.824    0.824
    EN                0.839    0.169    4.979    0.000    0.865    0.865
    RM                0.644    0.185    3.479    0.001    0.529    0.529
  IG ~~
    DM                0.380    0.103    3.684    0.000    0.433    0.433
    IM                0.313    0.096    3.248    0.001    0.501    0.501
    IN                0.329    0.107    3.073    0.002    0.429    0.429
    EN                0.369    0.100    3.673    0.000    0.455    0.455
    RM                0.289    0.116    2.495    0.013    0.284    0.284
  DM ~~
    IM                0.530    0.120    4.404    0.000    0.804    0.804
    IN                0.590    0.122    4.839    0.000    0.731    0.731
    EN                0.588    0.105    5.619    0.000    0.688    0.688
    RM                0.403    0.129    3.132    0.002    0.376    0.376
  IM ~~
    IN                0.439    0.126    3.476    0.001    0.763    0.763
    EN                0.498    0.121    4.128    0.000    0.818    0.818
    RM                0.552    0.122    4.526    0.000    0.723    0.723
  IN ~~
    EN                0.735    0.167    4.402    0.000    0.987    0.987
    RM                0.608    0.141    4.328    0.000    0.650    0.650
  EN ~~
    RM                0.716    0.157    4.561    0.000    0.724    0.724


Variances:
    PTRI_1r           1.304    0.272                      1.304    0.522
    PTRI_7            0.613    0.153                      0.613    0.314
    PTRI_21           1.083    0.199                      1.083    0.662
    PTRI_22           0.940    0.141                      0.940    0.582
    PTRI_10           1.483    0.257                      1.483    0.640
    PTRI_11r          1.755    0.318                      1.755    0.849
    PTRI_19           0.868    0.195                      0.868    0.457
    PTRI_24           0.530    0.109                      0.530    0.473
    PTRI_15r          1.121    0.220                      1.121    0.547
    PTRI_16           0.955    0.200                      0.955    0.564
    PTRI_23           1.475    0.219                      1.475    0.691
    PTRI_26           0.417    0.120                      0.417    0.213
    PTRI_13           0.797    0.113                      0.797    0.629
    PTRI_14           0.468    0.117                      0.468    0.337
    PTRI_18           0.709    0.134                      0.709    0.635
    PTRI_20r          1.152    0.223                      1.152    0.546
    PTRI_2            1.178    0.251                      1.178    0.626
    PTRI_6            0.942    0.191                      0.942    0.447
    PTRI_12           1.995    0.235                      1.995    0.727
    PTRI_17r          1.199    0.274                      1.199    0.625
    PTRI_3            0.882    0.179                      0.882    0.528
    PTRI_8            0.910    0.131                      0.910    0.472
    PTRI_25           1.048    0.180                      1.048    0.615
    PTRI_27r          1.273    0.238                      1.273    0.553
    PTRI_4r           1.294    0.242                      1.294    0.510
    PTRI_9            0.763    0.212                      0.763    0.382
    PTRI_28           1.419    0.183                      1.419    0.804
    PTRI_5            1.269    0.259                      1.269    0.833
    IC                1.194    0.270                      1.000    1.000
    IG                0.833    0.220                      1.000    1.000
    DM                0.927    0.181                      1.000    1.000
    IM                0.470    0.153                      1.000    1.000
    IN                0.705    0.202                      1.000    1.000
    EN                0.788    0.177                      1.000    1.000
    RM                1.242    0.257                      1.000    1.000

2
데이터가 단순히 모델과 맞지 않는다는 인상을 받았습니다. 예를 들어, 요인 사이의 상관 관계가 매우 높습니다. 공분산 대신 표준화 된 해를 보거나 표준화 된 하중에서도 상관 관계를 얻으십시오. 아마도 몇 가지 요소를 축소하고 싶습니까? 어쩌면 역 코딩 된 항목에 대해 메소드 팩터를 추가하고 싶을 수도 있습니다.
hplieninger

1
메소드 팩터로 역 코딩 된 항목을 이미 고려했습니다. 착용감을 개선했지만 많이는 아닙니다. 저는 한 두 가지 요소를 축소하고 싶지만 이론적으로 가정 된 7 가지 요소 솔루션을 고수하기 위해 묶여 있습니다. 그리고 내가 쓰러지더라도 착용감은 크게 향상되지 않습니다.
teeglaze

답변:


14

1. 탐색 계수 분석으로 돌아 가기

CFA 맞춤이 매우 나쁘면 CFA로 너무 빨리 넘어 갔다는 신호일 수 있습니다. 테스트 구조에 대해 알아 보려면 탐색 요소 분석으로 돌아 가야합니다. 큰 샘플이있는 경우 (귀하의 샘플이 아닌 경우) 탐색 및 확인 샘플을 갖도록 샘플을 분할 할 수 있습니다.

  • 탐색 적 요소 분석 절차를 적용하여 이론화 된 요소 수가 합리적으로 보이는지 확인하십시오. 나는 그것이 무엇을 제안하는지 scree plot을 확인했다. 그런 다음 이론화 된 수의 요소와 하나 또는 둘 이상의 요소를 사용하여 회전 계수 로딩 행렬을 확인합니다. 이러한 요인 부하 행렬을 보면 요인의 부족 또는 과다 추출 징후를 종종 볼 수 있습니다.
  • 탐색 적 요소 분석을 사용하여 문제가있는 항목을 식별하십시오. 특히, 이론화되지 않은 요소에 가장 많이로드되는 항목, 큰 교차로드가있는 항목, 어떤 요소에도 많이로드되지 않는 항목.

EFA의 이점은 많은 자유를 제공한다는 것입니다. 따라서 CFA 수정 지수 만 보는 것보다 테스트 구조에 대해 더 많이 배울 수 있습니다.

어쨌든이 프로세스를 통해 몇 가지 문제와 솔루션을 식별했을 수 있습니다. 예를 들어, 몇 가지 항목을 삭제할 수 있습니다. 얼마나 많은 요소가 있는지에 대한 이론적 모델을 업데이트 할 수 있습니다.

2. 확인 요인 분석 적합성 개선

여기에는 많은 점이 있습니다.

척도 당 많은 항목이있는 척도의 CFA는 종종 전통적인 표준으로는 성능이 좋지 않습니다. 이것은 종종 사람들을 이끌고 (이 응답이 종종 불행하다고 생각합니다) 항목 소포를 만들거나 스케일 당 3-4 개의 항목 만 사용합니다. 문제는 일반적으로 제안 된 CFA 구조가 데이터의 작은 뉘앙스 (예 : 작은 크로스 로딩, 다른 것보다 약간 더 많은 테스트 내의 항목, 작은 방해 요소)를 포착하지 못한다는 것입니다. 이것들은 스케일 당 많은 아이템으로 증폭됩니다.

위 상황에 대한 몇 가지 응답은 다음과 같습니다.

  • 다양한 소형 크로스 로딩 및 관련 용어를 허용하는 탐색 적 SEM 수행
  • 수정 지수를 조사하고 가장 큰 합리적인 수정을 통합하십시오. 예를 들어, 스케일 상관 잔차 내의 소수; 몇 가지 크로스 로딩. 볼 modificationindices(fit)에서 lavaan.
  • 항목 파 셀링을 사용하여 관측 변수 수를 줄입니다.

일반적인 답변

따라서 일반적으로 CFA 모델이 나쁜 경우 EFA로 돌아와 규모에 대해 자세히 알아보십시오. 또는 EFA가 좋고 스케일 당 많은 항목을 갖는 잘 알려진 문제로 인해 CFA가 약간 나빠 보인다면 위에서 언급 한 표준 CFA 방식이 적합합니다.


1
조언 해 주셔서 감사합니다. 이미 EFA로 돌아 왔지만 귀하의 제안에 따라 많은 항목이 필요한 요소에로드되지 않는 것으로 나타났습니다. 모델을 7 가지 이론적 요소 대신 5 가지 요소로 축소하려고하지만 교수님은 이에 동의하지 않지만 괜찮습니다. 안타깝게도 각각 4 개의 항목이 포함 된 7 요인 모델이 제대로 작동하지 않습니다 (수정 내용에 관계없이). 나는 거의 맞지 않는 (CFI = .89, RMSEA = .067, SRMR = .069) CFA 감소 (7 개 요인 + 1 개 이중 요인, 각각 3 개 항목)를보고하지만, 내가 얻는 최고입니다.
teeglaze

1
PS Jeromy, 나는 당신의 블로그를 정말로 좋아합니다. 그것은 지금까지 많은 도움을 받았고 앞으로 확실히 그렇게 할 것입니다 :) 감사합니다!
teeglaze

4

이중 요인 모델을 수렴하려고 노력하고 있습니다. 시작 값을 조정 해보십시오 ...하지만 이것은 비린내 접근 방식 일 수 있으므로 염두에두고 조심스럽게 해석하십시오. 진정으로주의를 기울이고 싶다면 컨버전스에 저항하는 모델 해석의 위험성에 대해 읽어보십시오. 저는 SEM에 대한 연구에서이 작업을 아직 많이 수행하지 않았 음을 인정합니다. 주로 당신의 이익을 위해 수렴합니다. 나는 그것이 출판에 더 적합하다는 것을 모르겠지만, 이중 인자 모델이 잘 맞지 않기 때문에 분명히 그렇지 않다면, 그것은 당신이 아는 것이 좋을 것입니다.

그렇지 않으면, 당신이 가진 데이터로 최대한 많은 일을 한 것처럼 보입니다. AFAIK (나의 방법 론적 프로젝트를 위해 최근에 이것을 깊이 조사해 왔으므로 틀렸다면 정정하십시오 !!), WLSMV 추정은 다항식 lavaan상관 관계의 임계 값을 사용합니다. 서수 데이터의 CFA 인덱스 모델을 올바르게 (또는 적어도 최적으로) 지정했다고 가정하면 할 수있는 모든 것입니다. 낮은 적재량을 가진 품목을 제거하고 항목 간 공분산을 자유롭게 추정하는 것은 조금 멀지 만, 당신도 시도했습니다.

아시다시피 귀하의 모델은 기존 표준에 맞지 않습니다. 물론 그것이 맞지 않을 때 잘 맞다고 말해서는 안됩니다. 이것은 불행히도 여기에보고하는 모든 적합 통계 세트에 적용됩니다 (적합하다고 기대한다고 가정합니다). 일부 맞춤 통계는 상당히 나쁘고 완전히 나쁘지는 않지만 (RMSEA = .05는 허용됨), 전반적으로는 좋은 소식이 없으며, 게시 할 경우 이에 대해 정직해야 할 책임이 있습니다. 이 결과. 당신이 할 수 있기를 바랍니다.

어느 쪽이든, 가능하다면 더 많은 데이터를 수집하는 것을 고려할 수 있습니다. 당신이 무엇을하는지에 따라 도움이 될 수 있습니다. 목표가 확인 가설 테스트 인 경우 데이터를 "조회"한 후 확장 된 샘플에서 재사용 할 경우 오류율이 증가하므로이 데이터 세트를 따로 설정하고 전체를 복제 할 수 없다면 신선하고 더 큰 것은 다루기 힘든 시나리오입니다. 매개 변수를 추정하고 신뢰 구간을 좁히는 데 주로 관심이 있다면 여기에서 이미 사용한 것을 포함하여 수집 가능한 많은 데이터를 모으는 것이 합리적이라고 생각합니다. 더 많은 데이터를 얻을 수 있으면 지수가 더 잘 맞아 매개 변수 추정치의 신뢰성이 높아질 수 있습니다. 잘만되면 충분합니다.


@Jeromy의 대안에 대해서도 큰 +1 : EFA로 돌아갑니다. 탐색 적 이중 인자 분석도 옵션입니다. 탐색 SEM (그는 또한 언급합니다!)에 대한 몇 가지 기사가 있습니다. 여전히 읽을 필요가 있습니다 ... 다시 말하지만, 원하는 방식으로 CFA가 아니지만 목표가 이러한 방법에 적합하면 옵션이 아직 소진되지 않았을 수 있습니다.
Nick Stauner

1
하나의 항목을 제거하면 이중 요인 모델이 수렴됩니다. 그러나 적합은 여전히 ​​나쁘고 요소는 여전히 높은 상관 관계가 있습니다. 결국 내 옵션이 소진되었다고 생각합니다. 그러나보다 안정적인 추정치를 위해 더 많은 데이터를 수집하고 있습니다. 답장을 보내 주셔서 감사합니다!
teeglaze
당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.