Bagaimana cara menafsirkan output lavaan?

Saya mencoba menggunakan analisis faktor konfirmatori (CFA) lavaan. Saya mengalami kesulitan menafsirkan output yang dihasilkan oleh lavaan.

Saya memiliki model sederhana - masing-masing 4 faktor didukung oleh item dari data survei yang dikumpulkan. Faktor-faktor ini sejalan dengan apa yang diukur oleh item, sejauh tampaknya mereka dapat berfungsi sebagai pengukuran yang valid.

Harap membantu saya memahami output berikut yang dihasilkan oleh 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

Saya punya pertanyaan ini:

Bagaimana model dasar didefinisikan?
Mengingat bahwa untuk derajat kebebasan yang ditentukan, statistik Chi-Sq yang dihitung lebih besar dari yang diharapkan, apakah ada interpretasi untuk nilai p yang sama dengan 0,000?
Berdasarkan CFI dan TLI, tampaknya saya hampir memiliki model yang masuk akal. Apakah ini interpretasi yang adil?

r sem confirmatory-factor lavaan

— Judy
sumber

Izinkan saya menyarankan Anda bergabung dengan grup google Lavaan, ini adalah sumber yang bagus, dan Yves, pria yang membangun Lavaan, sangat aktif untuk menjawab banyak pertanyaan.

— robin.datadrivers

Apa yang Anda maksud dalam pertanyaan kedua? a p -nilai 0,000 hanya berarti p -nilai adalah <0,0005 (konvensional Anda mungkin akan melaporkan hal ini sebagai p <0,001).

— Patrick Coulombe

1) Garis dasar adalah model nol, biasanya di mana semua variabel yang Anda amati dibatasi menjadi kovari tanpa variabel lain (dengan kata lain, kovarian ditetapkan ke 0) - hanya masing-masing varian yang diperkirakan. Inilah yang sering dianggap sebagai model pemasangan paling buruk yang 'masuk akal', yang dibandingkan dengan model pas Anda dibandingkan untuk menghitung indeks relatif model yang cocok (misalnya, CFI / TLI).

2) Statistik chi-square (diberi label sebagai statistik uji fungsi minimum) digunakan untuk melakukan uji kesesuaian model yang sempurna, baik untuk model Anda yang ditentukan maupun yang nol / dasar. Ini pada dasarnya adalah ukuran penyimpangan antara matriks varians / kovarian tersirat model Anda, dan matriks varians / kovarians yang Anda amati. Dalam kedua kasus, null of perfect fit ditolak ( hlm<.001), meskipun ini adalah desain dalam kasus model baseline / null. Beberapa ahli statistik (misalnya, Klein, 2010) berpendapat bahwa uji chi-square model fit berguna dalam mengevaluasi kualitas model, tetapi sebagian besar yang lain mengecilkan menempatkan banyak stok dalam interpretasinya, baik untuk konseptual (yaitu, nol dari kesesuaian sempurna tidak masuk akal) dan alasan praktis (yaitu, uji chi-square sensitif terhadap ukuran sampel) (lihat Brown, 2015; Little, 2013, untuk contoh). Namun, ini berguna untuk menghitung sejumlah indeks fit model lainnya yang lebih informatif.

3) Standar untuk tingkat model apa yang dianggap "dapat diterima" mungkin berbeda dari satu disiplin ke disiplin lainnya, tetapi setidaknya menurut Hu & Bentler (1999), Anda berada dalam ranah apa yang dianggap "dapat diterima". CFI dari 0,955 sering dianggap "baik". Perlu diingat, bahwa baik TLI maupun CFI adalah indeks relatif dari kecocokan model - mereka membandingkan kecocokan model Anda dengan kecocokan model nol (paling pas) Anda. Hu & Bentler (1999) menyarankan agar Anda menginterpretasikan / melaporkan baik relatif dan indeks absolut model yang cocok. Indeks absolut model fit membandingkan kecocokan model Anda dengan model fitting yang sempurna - RMSEA dan SRMR adalah beberapa kandidat yang baik (yang pertama sering dihitung bersama dengan interval kepercayaan, yang bagus).

Referensi

Brown, TA (2015). Analisis faktor konfirmasi untuk penelitian terapan (Edisi ke-2) . New York, NY: Guilford Press.

Hu, L., & Bentler, PM (1999). Kriteria cutoff untuk indeks kecocokan dalam analisis struktur kovarian: Kriteria konvensional versus alternatif baru. Pemodelan Persamaan Struktural , 6 , 1-55.

Kline, RB (2010). Prinsip dan praktik pemodelan persamaan struktural (Edisi ke-3) . New York, NY: Guilford Press.

Little, TD (2013). Pemodelan persamaan struktural longitudinal . New York, NY: Guilford Press.

— jsakaluk
sumber

Terima kasih atas rujukannya. Ini sangat membantu!

— Judy

Tidak masalah, @Judy. Brown (2015), Little (2013 - bahkan jika Anda tidak berencana melakukan pemodelan longitudinal), dan Beaujean (2014) semuanya menyediakan pengantar yang benar-benar dapat diakses oleh SEM. Saya akan merekomendasikan Beaujean (2014) yang paling, jika Anda berencana untuk terutama mengandalkan R / paket lavaan. Tapi secara konseptual, mereka semua sumber pengantar yang bagus.

— jsakaluk

@ jsakaluk Bagaimana Anda menentukan model baseline nol dalam konteks longitudinal? Saya telah membaca bagian dari buku Little tentang longitudinal SEM (2013), tetapi saya tidak yakin apakah model nol menyertakan kovarian antara faktor-faktor tersebut.

— Amonet

Itu tergantung pada model nol yang Anda coba tentukan. Menentukan secara manual model null tradisional memiliki kegunaan sesekali, tetapi Little (2013) juga membahas model null alternatif yang dapat ditentukan untuk model longitudinal (dan tidak akan mengejutkan saya jika ada yang lain). Tampaknya ini agak tidak masuk akal untuk dibahas di sini, tetapi pertanyaan baru mungkin bermanfaat.

— jsakaluk