Como interpreto a saída lavaan?

11

Estou tentando a análise fatorial confirmatória (CFA) usando lavaan. Estou tendo dificuldade para interpretar a saída produzida por lavaan.

Eu tenho um modelo simples - quatro fatores, cada um suportado por itens dos dados coletados da pesquisa. Os fatores estão alinhados com o que é medido pelos itens, na medida em que parece provável que eles possam servir como uma medida válida.

Por favor, ajude-me a entender a seguinte saída produzida por 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

Eu tenho estas perguntas:

  1. Como o modelo de linha de base é definido?
  2. Dado que, para os graus de liberdade especificados, a estatística Chi-Sq calculada é maior do que seria esperado, existe alguma interpretação para o valor-p igual a 0,000?
  3. Com base no CFI e TLI, parece que quase tenho um modelo razoável. Esta é uma interpretação justa?
Judy
fonte
Deixe-me recomendar que você faça parte do grupo do Google Lavaan, é um recurso maravilhoso, e Yves, o cara que constrói o Lavaan, é muito ativo para responder a muitas perguntas.
precisa saber é o seguinte
O que você quer dizer com sua segunda pergunta? um valor- p de 0,000 significa apenas que o valor- p é <0,0005 (convencionalmente, você provavelmente reportaria isso como p <0,001).
Patrick Coulombe

Respostas:

13

1) A linha de base é um modelo nulo, normalmente no qual todas as suas variáveis ​​observadas são limitadas a covary sem outras variáveis ​​(em outras palavras, as covariâncias são fixadas em 0) - apenas variações individuais são estimadas. É o que geralmente é considerado como um modelo de ajuste possível "razoável", contra o qual seu modelo ajustado é comparado para calcular índices relativos de ajuste de modelo (por exemplo, CFI / TLI).

2) A estatística qui-quadrado (rotulada como estatística de teste de função mínima) é usada para executar um teste de ajuste perfeito do modelo, tanto para os modelos especificados como nulos / linha de base. Essencialmente, é uma medida de desvio entre a matriz de variância / covariância implícita no modelo e a matriz de variância / covariância implícita no modelo. Nos dois casos, o nulo de ajuste perfeito é rejeitado ( p<.001), embora isso ocorra por design no caso do modelo de linha de base / nulo. Alguns estatísticos (por exemplo, Klein, 2010) argumentam que o teste do qui-quadrado do ajuste do modelo é útil na avaliação da qualidade de um modelo, mas a maioria dos outros desencoraja a colocação de muito estoque em sua interpretação, tanto conceitual (isto é, o nulo de o ajuste perfeito não é razoável) e razões práticas (ou seja, o teste do qui-quadrado é sensível ao tamanho da amostra) (consulte Brown, 2015; Little, 2013, por exemplo). No entanto, é útil para calcular vários outros índices mais informativos de ajuste do modelo.

3) Os padrões para qual nível de ajuste do modelo é considerado "aceitável" podem diferir de disciplina para disciplina, mas pelo menos de acordo com Hu & Bentler (1999), você está dentro do domínio do que é considerado "aceitável". Um CFI de 0,955 é frequentemente considerado "bom". Lembre-se, no entanto, de que o TLI e o CFI são índices relativos do ajuste do modelo - eles comparam o ajuste do seu modelo com o ajuste do seu modelo nulo (pior ajuste). Hu & Bentler (1999) sugeriram que você interprete / relate um índice relativo e um índice absoluto de ajuste do modelo. Os índices absolutos de ajuste do modelo comparam o ajuste do seu modelo com um modelo de ajuste perfeito - o RMSEA e o SRMR são alguns bons candidatos (o primeiro é geralmente calculado juntamente com um intervalo de confiança, o que é bom).

Referências

Brown, TA (2015). Análise fatorial confirmatória para pesquisa aplicada (2ª Edição) . Nova York, NY: Guilford Press.

Hu, L. & Bentler, PM (1999). Critérios de corte para índices de ajuste na análise da estrutura de covariância: Critérios convencionais versus novas alternativas. Modelagem de Equações Estruturais , 6 , 1-55.

Kline, RB (2010). Princípios e prática da modelagem de equações estruturais (3ª Edição) . Nova York, NY: Guilford Press.

Little, TD (2013). Modelagem de equações estruturais longitudinais . Nova York, NY: Guilford Press.

jsakaluk
fonte
Obrigado pelas referências. Isso foi realmente útil!
21415 Judy
1
Não tem problema, @Judy. Brown (2015), Little (2013 - mesmo que você não esteja planejando fazer modelagem longitudinal) e Beaujean (2014) fornecem introduções realmente acessíveis ao SEM. Eu recomendaria o Beaujean (2014) mais, se você planeja confiar principalmente no pacote lava / R /. Mas, conceitualmente, todos são ótimos recursos introdutórios.
jsakaluk
@jsakaluk Como você especificaria o modelo nulo da linha de base no contexto longitudinal? Li partes do livro de Little sobre SEM longitudinal (2013), mas não tenho certeza se o modelo nulo inclui covariâncias entre os fatores.
Amonet
Depende de qual modelo nulo você está tentando especificar. A especificação manual do modelo nulo tradicional tem seus usos ocasionais, mas Little (2013) também discutiu um modelo nulo alternativo que poderia ser especificado para modelos longitudinais (e não me surpreenderia se houvesse outros). Parece um pouco estranho discutir aqui, mas uma nova pergunta pode valer a pena.
jsakaluk