O EFA apóia claramente um fator, a medida é consistente internamente, mas o CFA tem um ajuste inadequado?

9

Estou explorando as propriedades psicométricas de uma medida de autorrelato de 10 itens. Eu tenho cerca de 400 casos em duas amostras independentes. Os itens são concluídos em escalas Likert de 4 pontos. Um EFA suporta claramente uma solução de um fator (por exemplo, primeiro valor próprio acima de 6, todos os outros com menos de 1) e o alfa de Cronbach é bom (por exemplo, 0,90). Nenhum item tem baixa correlação item-total.

Originalmente, eu queria fazer um CFA (o EFA era apenas um acompanhamento depois que vi que o CFA não era bom) testando um modelo de um fator. Para minha surpresa, o ajuste para o modelo foi relativamente ruim:

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

Além disso, as cargas para cada um dos itens são muito boas (0,65+).

Estranhamente, o SRMR=.05que é aceitável / bom.

Os índices de modificação sugerem que eu correlacione erros em todo o lugar. Se houvesse uma lógica clara para fazê-lo (por exemplo, alguns dos itens têm uma redação muito semelhante), eu faria isso; no entanto, todas as medidas são redigidas de maneira semelhante e a correlação de todos os termos de erro seria estranha e dolorosa.

Eu nunca vi um caso como este. A medida é consistente internamente e é claramente composta por um fator na EPT, mas apresenta um ajuste inadequado na ACT. Os resultados são congruentes em ambas as amostras independentes (de diferentes continentes). Tentei um CFA de dois fatores (agrupou 5 itens aleatórios) e o ajuste foi o mesmo, ou até marginalmente melhor.

Aqui estão as minhas perguntas:

  1. Por que o ajuste de acordo com o CFI / TLI / RMSEA é tão ruim, considerando as cargas alfa / fator de EFA / Cronbach?
  2. Por que o SRMR é bom, enquanto os outros índices não são? Eu sei que eles medem coisas diferentes, mas na minha experiência, quase sempre convergem.
  3. Devo correlacionar alguns dos erros?

Itens de exemplo:

  • Você tem pensamentos sobre suas deficiências
  • Você tem pensamentos difíceis de esquecer
  • Você pensa sobre a situação o tempo todo
Behacad
fonte

Respostas:

9

Isso é bastante normal.

O CFA é um critério muito mais rigoroso que o EFA. O EFA tenta descrever seus dados, mas o CFA testa se o modelo está correto.

Uma razão para a não convergência são as correlações médias baixas (mas, então, eu esperaria que o RMSEA fosse melhor). O teste do qui-quadrado é essencialmente um teste em que seus resíduos são iguais a zero e RMSEA, TLI e CFI são transformações do teste.

O ajuste sempre será melhor em uma solução de dois fatores do que em uma solução de um fator (eles estão aninhados).

Mais algumas perguntas: Qual era o tamanho da sua amostra? Qual é a correlação média? O que é qui-quadrado e df, qual é o qui-quadrado do modelo nulo?

Você deve adicionar erros correlatos? Talvez, mas quando você faz isso, está introduzindo fatores adicionais. Com um ajuste como esse, você pode precisar adicionar muito e acabar com uma bagunça - é melhor se eles forem justificados de alguma forma. Por exemplo, seus segundo e terceiro itens são sobre pensamentos intrusivos - isso poderia ser uma justificativa.

Jeremy Miles
fonte
11
O tamanho da amostra é de cerca de 400 em cada amostra. A que correlação média você está se referindo? Qui-quadrado no modelo é 262,9, df = 35.
Behacad
Além disso, qual é a alternativa à solução de um fator? A EPT sugere claramente um fator, pelo que parece incomum procurar uma solução alternativa. Temos apenas os 10 itens, portanto não é possível adicionar itens. Poderíamos remover itens, mas todos os carregamentos / correlações são fortes!
Behacad
A correlação média é a média das correlações na matriz. Se as correlações forem todas 0,3, isso será diferente se forem todas 0,8 (digamos). Se você está desesperado por um bom ajuste, eu removo os itens. Você está usando o Mplus? Você poderia fazer esem se você é.
Jeremy Miles
Estou usando o AMOS.
precisa saber é
Tente uma extração de probabilidade máxima no SPSS - que deve fornecer o mesmo qui-quadrado (ou muito semelhante) para um único fator.
Jeremy Miles