Não tenho certeza de como proceder com esse CFA que estou fazendo em lavaan. Eu tenho uma amostra de 172 participantes (eu sei que isso não é muito para um CFA) e 28 itens com escalas Likert de 7 pontos que devem carregar sete fatores. Fiz um CFA com estimadores de "mlm", mas o ajuste do modelo foi muito ruim (χ2 (df = 329) = 739,36; índice de ajuste comparativo (CFI) = 0,69; raiz quadrada média residual padronizada (SRMR) = 10; erro quadrático médio da raiz da aproximação (RMSEA) = 0,09; RMSEA intervalo de confiança de 90% (IC) = [0,08, 0,10]).
Eu tentei o seguinte:
modelo bifator com um fator de método geral -> não converge.
estimadores para dados ordinais („WLSMV“) -> Ajuste do modelo: (χ2 (df = 329) = 462; índice de ajuste comparativo (CFI) = 0,81; resíduo quadrado médio da raiz padronizada (SRMR) = 0,09; erro quadrático médio da raiz de aproximação (RMSEA) = 0,05; RMSEA 90% intervalo de confiança (IC) = [0,04, 0,06])
redução do modelo por itens que carregam pouco em um fator e adicionam covariâncias entre itens específicos -> Ajuste do modelo: χ2 (df = 210) = 295; índice de ajuste comparativo (CFI) = 0,86; raiz quadrada média residual padronizada (SRMR) = 0,08; erro quadrático médio da raiz da aproximação (RMSEA) = 07; RMSEA Intervalo de confiança de 90% (IC) = [.06, .08].
Agora minhas perguntas:
O que devo fazer com esse modelo?
O que seria estatisticamente correto fazer?
Relatar que ele se encaixa ou que não se encaixa? E qual desses modelos?
Eu ficaria feliz em ter uma discussão com você sobre isso.
Aqui está a saída lavaan do CFA do modelo original:
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
fonte
Respostas:
1. Volte para a Análise fatorial exploratória
Se você está com problemas de CFA muito ruins, geralmente é um sinal de que você pulou muito rapidamente para o CFA. Você deve voltar à análise fatorial exploratória para aprender sobre a estrutura do seu teste. Se você tiver uma amostra grande (no seu caso, não), poderá dividir sua amostra para obter uma amostra exploratória e uma confirmatória.
Os benefícios do EFA são que ele oferece muita liberdade; portanto, você aprenderá muito mais sobre a estrutura do teste do que analisando apenas os índices de modificação do CFA.
De qualquer forma, esperamos que, com esse processo, você tenha identificado alguns problemas e soluções. Por exemplo, você pode soltar alguns itens; você pode atualizar seu modelo teórico de quantos fatores existem e assim por diante.
2. Melhorar o ajuste da análise fatorial confirmatória
Há muitos pontos que poderiam ser feitos aqui:
O CFA em escalas com muitos itens por escala geralmente apresenta desempenho ruim pelos padrões tradicionais. Isso geralmente leva as pessoas (e note que essa resposta é muitas vezes infeliz) a formar pacotes de itens ou usar apenas três ou quatro itens por escala. O problema é que as estruturas CFA tipicamente propostas falham em capturar as pequenas nuances dos dados (por exemplo, pequenas cargas cruzadas, itens dentro de um teste que se correlacionam um pouco mais que outros, fatores de menor incômodo). Estes são amplificados com muitos itens por escala.
Aqui estão algumas respostas para a situação acima:
modificationindices(fit)
emlavaan
.Comentários gerais
Portanto, em geral, se o seu modelo de CFA é realmente ruim, retorne ao EFA para saber mais sobre sua escala. Como alternativa, se o seu EFA é bom e o CFA parece um pouco ruim devido a problemas conhecidos de ter muitos itens por escala, as abordagens padrão do CFA, conforme mencionado acima, são apropriadas.
fonte
Eu trabalhava na tentativa de convergir o modelo bifator. Tente ajustar os valores iniciais ... isso pode ser uma abordagem desconfiada, portanto, lembre-se disso e interprete com cautela. Leia sobre os perigos de interpretar modelos que resistem à convergência se você quiser ser realmente cauteloso - admito que ainda não fiz muito isso no meu estudo de SEM, por isso sugiro fazer o que você precisa fazer para obter o modelo convergem principalmente para seu benefício. Não sei se será mais adequado para publicação, mas se claramente não for porque o modelo bifator também não se encaixa bem, pode ser bom que você saiba.
Caso contrário, parece que você fez o máximo possível com os dados que possui. AFAIK (Eu estive olhando profundamente neste recentemente por um projeto metodológico do meu próprio, então por favor me corrija se eu estiver errado !!), WLSMV estimativa em
lavaan
usos limiares de correlações policóricas, que é a melhor maneira de obter um bom ajuste índices de um CFA de dados ordinais. Supondo que você especificou seu modelo corretamente (ou pelo menos de maneira ideal), isso é tudo o que você pode fazer. A remoção de itens com baixa carga e a estimativa livre de covariâncias entre itens está indo um pouco longe, mas você também tentou.Seu modelo não se encaixa bem nos padrões convencionais, como você provavelmente já sabe. Claro que você não deve dizer que se encaixa bem quando não. Isso se aplica a todos os conjuntos de estatísticas de ajuste que você relatar aqui, infelizmente (suponho que você esperava que fosse adequado). Algumas de suas estatísticas de ajuste são apenas razoavelmente ruins, não totalmente ruins (o RMSEA = 0,05 é aceitável), mas no geral, nenhuma delas é uma boa notícia, e você tem a responsabilidade de ser honesto sobre isso, se quiser publicar esses resultados. Espero que você possa, FWIW.
De qualquer maneira, considere coletar mais dados, se puder; isso pode ajudar, dependendo do que você procura. Se seu objetivo é um teste de hipótese confirmatória, bem, você "espiou" seus dados e aumentará sua taxa de erro se você reutilizá-lo em uma amostra expandida. Portanto, a menos que você possa apenas deixar esse conjunto de dados de lado e replicar um todo, novo, maior, você tem um cenário difícil de lidar. No entanto, se você estiver interessado em estimar parâmetros e diminuir os intervalos de confiança, acho que pode ser razoável reunir o máximo de dados possível, incluindo todos os que você já usou aqui. Se você puder obter mais dados, poderá obter melhores índices de ajuste, o que tornaria suas estimativas de parâmetro mais confiáveis. Espero que isso seja bom o suficiente.
fonte