Wie interpretiere ich die Lavaan-Ausgabe?

Ich versuche eine Bestätigungsfaktoranalyse (CFA) mit lavaan. Es fällt mir schwer, die Ausgabe von zu interpretieren lavaan.

Ich habe ein einfaches Modell - 4 Faktoren, die jeweils durch Elemente aus gesammelten Umfragedaten unterstützt werden. Die Faktoren stimmen mit dem überein, was von den Elementen gemessen wird, sofern es wahrscheinlich ist, dass sie als gültige Messung dienen könnten.

Bitte helfen Sie mir, die folgende Ausgabe von lavaan's zu verstehen 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

Ich habe folgende Fragen:

Wie ist das Basismodell definiert?
Gibt es angesichts der Tatsache, dass für die angegebenen Freiheitsgrade die berechnete Chi-Sq-Statistik größer ist als erwartet, eine Interpretation für den p-Wert, der gleich 0,000 ist?
Basierend auf CFI und TLI scheint es, dass ich fast ein vernünftiges Modell habe. Ist das eine faire Interpretation?

r sem confirmatory-factor lavaan

— Judy
quelle

Lassen Sie mich empfehlen, dass Sie der Google-Gruppe von Lavaan beitreten. Es ist eine wunderbare Ressource, und Yves, der Typ, der Lavaan baut, ist sehr aktiv, um viele Fragen zu beantworten.

— robin.datadrivers

Was meinst du mit deiner zweiten Frage? Ein p- Wert von 0,000 bedeutet nur, dass der p- Wert <.0005 ist (herkömmlicherweise würden Sie dies wahrscheinlich als p <.001 melden).

— Patrick Coulombe

1) Die Basislinie ist ein Nullmodell, bei dem normalerweise alle beobachteten Variablen auf die Kovarianz ohne andere Variablen beschränkt sind (anders ausgedrückt, die Kovarianzen sind auf 0 festgelegt) - nur einzelne Varianzen werden geschätzt. Dies wird häufig als "vernünftiges" schlechtestmögliches Anpassungsmodell angesehen, mit dem Ihr angepasstes Modell verglichen wird, um relative Indizes der Modellanpassung (z. B. CFI / TLI) zu berechnen.

2) Die Chi-Quadrat-Statistik (als Mindestfunktionsteststatistik bezeichnet) wird verwendet, um einen Test der perfekten Modellanpassung sowohl für Ihr angegebenes als auch für Ihr Null- / Basislinienmodell durchzuführen. Dies ist im Wesentlichen ein Maß für die Abweichung zwischen Ihrer modellimplizierten Varianz / Kovarianz-Matrix und Ihrer beobachteten Varianz / Kovarianz-Matrix. In beiden Fällen wird die Null der perfekten Anpassung verworfen ( S.<0,001), obwohl dies im Fall des Baseline / Null-Modells beabsichtigt ist. Einige Statistiker (z. B. Klein, 2010) argumentieren, dass der Chi-Quadrat-Test der Modellanpassung nützlich ist, um die Qualität eines Modells zu bewerten, aber die meisten anderen raten davon ab, viel Wert auf seine Interpretation zu legen, sowohl für konzeptionelle (dh die Null von) Eine perfekte Passform ist unvernünftig) und aus praktischen Gründen (dh der Chi-Quadrat-Test reagiert empfindlich auf die Stichprobengröße) (siehe Brown, 2015; Little, 2013, Beispiele). Es ist jedoch nützlich, um eine Reihe anderer, informativerer Indizes der Modellanpassung zu berechnen.

3) Standards für das Maß an Modellanpassung, das als "akzeptabel" angesehen wird, können von Disziplin zu Disziplin unterschiedlich sein, aber zumindest nach Hu & Bentler (1999) befinden Sie sich im Bereich dessen, was als "akzeptabel" angesehen wird. Ein CFI von 0,955 wird oft als "gut" angesehen. Beachten Sie jedoch, dass sowohl TLI als auch CFI relative Indizes der Modellanpassung sind - sie vergleichen die Anpassung Ihres Modells mit der Anpassung Ihres (am schlechtesten passenden) Nullmodells. Hu & Bentler (1999) schlug vor, dass Sie sowohl einen relativen als auch einen absoluten Index der Modellanpassung interpretieren / melden . Absolute Indexe der Modellanpassung vergleichen die Anpassung Ihres Modells mit einem Modell mit perfekter Anpassung - RMSEA und SRMR sind einige gute Kandidaten (ersteres wird häufig zusammen mit einem Konfidenzintervall berechnet, was gut ist).

Verweise

Brown, TA (2015). Bestätigungsfaktoranalyse für angewandte Forschung (2. Auflage) . New York, NY: Guilford Press.

Hu, L. & Bentler, PM (1999). Cutoff-Kriterien für Fit-Indizes in der Kovarianzstrukturanalyse: Konventionelle Kriterien versus neue Alternativen. Modellierung von Strukturgleichungen , 6 , 1-55.

Kline, RB (2010). Prinzipien und Praxis der Modellierung von Strukturgleichungen (3. Auflage) . New York, NY: Guilford Press.

Little, TD (2013). Modellierung von Längsstrukturgleichungen . New York, NY: Guilford Press.

— jsakaluk
quelle

Vielen Dank für die Referenzen. Das war wirklich hilfreich!

— Judy

Kein Problem, @Judy. Brown (2015), Little (2013 - auch wenn Sie keine Längsschnittmodellierung planen) und Beaujean (2014) bieten wirklich leicht zugängliche Einführungen in SEM. Ich würde Beaujean (2014) am meisten empfehlen, wenn Sie sich hauptsächlich auf R / das Lavaan-Paket verlassen möchten. Aber konzeptionell sind sie alle großartige Einführungsressourcen.

— Jsakaluk

@jsakaluk Wie würden Sie das Basislinien-Nullmodell im longitudinalen Kontext angeben? Ich habe Teile von Little's Buch über longitudinales SEM (2013) gelesen, bin mir aber nicht sicher, ob das Nullmodell Kovarianzen zwischen den Faktoren enthält.

— Amonet

Dies hängt davon ab, welches Nullmodell Sie angeben möchten. Das manuelle Spezifizieren des traditionellen Nullmodells hat gelegentliche Verwendungszwecke, aber Little (2013) diskutierte auch ein alternatives Nullmodell, das für Längsschnittmodelle spezifiziert werden könnte (und es würde mich nicht wundern, wenn es andere gäbe). Dies scheint hier etwas abseits zu stehen, aber eine neue Frage könnte sich lohnen.

— Jsakaluk