EFA jelas mendukung satu faktor, ukurannya konsisten secara internal, tetapi CFA kurang pas?

Saya mengeksplorasi sifat psikometrik dari ukuran laporan diri 10 item. Saya memiliki sekitar 400 kasus dalam dua sampel independen. Item selesai pada skala Likert 4 poin. EFA jelas mendukung solusi satu faktor (misalnya, nilai eigen pertama di atas 6, semua lainnya di bawah 1) dan alpha Cronbach baik (misalnya, 0,90). Tidak ada item yang memiliki korelasi item-total yang rendah.

Saya awalnya ingin melakukan CFA (EFA hanya tindak lanjut setelah saya melihat CFA tidak baik) menguji model satu faktor. Yang mengejutkan saya, kecocokan untuk model ini relatif buruk:

CFI=.91
TLI=.88
RMSEA=.13

Selain itu, memuat untuk masing-masing item cukup baik (0,65+).

Anehnya, itu SRMR=.05, yang dapat diterima / baik.

Indeks modifikasi menyarankan saya menghubungkan kesalahan di semua tempat. Jika ada rasional yang jelas untuk melakukannya (misalnya, beberapa item memiliki kata-kata yang sangat mirip) saya akan melakukan ini; Namun, semua tindakan diucapkan dengan cara yang sama, dan mengkorelasikan semua istilah kesalahan akan aneh dan menyakitkan.

Saya belum pernah melihat kasus seperti ini. Ukurannya konsisten secara internal dan jelas terdiri dari satu faktor dalam PUS, tetapi menunjukkan kecocokan yang buruk dalam CFA. Hasilnya kongruen di kedua sampel independen (dari berbagai benua). Saya mencoba dua faktor CFA (dikelompokkan 5 item acak) dan cocok adalah sama, atau bahkan sedikit lebih baik.

Ini pertanyaan saya:

1. Mengapa kecocokan menurut CFI / TLI / RMSEA sangat buruk mengingat pemuatan faktor EFA / Cronbach?
2. Mengapa SRMR baik sedangkan indeks lainnya tidak? Saya tahu mereka mengukur hal-hal yang berbeda, tetapi dalam pengalaman saya, mereka hampir selalu bertemu.
3. Haruskah saya menghubungkan beberapa kesalahan?

Item contoh:

• Anda memiliki pemikiran tentang kekurangan Anda
• Anda memiliki pikiran yang sulit untuk dilupakan
• Anda memikirkan situasi sepanjang waktu

Itu sangat normal.

CFA adalah kriteria yang jauh lebih ketat daripada EFA. EFA mencoba menggambarkan data Anda, tetapi CFA menguji apakah modelnya benar.

Salah satu alasan non-konvergensi adalah korelasi rata-rata yang rendah (tapi kemudian saya berharap RMSEA menjadi lebih baik). Tes chi-square pada dasarnya adalah tes bahwa residu Anda sama dengan nol, dan RMSEA, TLI dan CFI adalah transformasi dari tes.

Fit akan selalu lebih baik dalam solusi dua faktor daripada solusi satu faktor (mereka bersarang).

Beberapa pertanyaan lagi: Berapa ukuran sampel Anda? Apa korelasi rata-rata? Apa chi-square dan df, apa chi-square dari model nol?

Haruskah Anda menambahkan kesalahan yang berhubungan? Mungkin, tetapi ketika Anda melakukannya, Anda memperkenalkan faktor-faktor tambahan. Dengan kecocokan seperti ini Anda mungkin perlu menambahkan banyak, dan kemudian Anda berakhir dengan kekacauan - yang terbaik adalah jika mereka dibenarkan dalam beberapa cara. Misalnya, item kedua dan ketiga Anda adalah tentang pikiran mengganggu - yang bisa menjadi pembenaran.