No estoy seguro de cómo proceder con este CFA que estoy haciendo en lavaan. Tengo una muestra de 172 participantes (sé que no es mucho para un CFA) y 28 elementos con escalas Likert de 7 puntos que deberían cargarse en siete factores. Hice un CFA con estimadores "mlm", pero el ajuste del modelo fue realmente malo (χ2 (df = 329) = 739.36; índice de ajuste comparativo (CFI) = .69; raíz cuadrática media estandarizada residual (SRMR) =. 10; error cuadrático medio de aproximación (RMSEA) =. 09; RMSEA intervalo de confianza (IC) del 90% = [.08, .10]).
He probado lo siguiente:
El modelo de bifactor con un factor de método general -> no convergió.
estimadores para datos ordinales („WLSMV“) -> Ajuste del modelo: (χ2 (df = 329) = 462; índice de ajuste comparativo (CFI) = .81; raíz cuadrática media estandarizada residual (SRMR) =. 09; error cuadrático medio de aproximación (RMSEA) =. 05; RMSEA intervalo de confianza del 90% (IC) = [.04, .06])
reduciendo el modelo por elementos que cargan bajo en un factor y agregan covarianzas entre elementos específicos -> Ajuste del modelo: χ2 (df = 210) = 295; índice de ajuste comparativo (CFI) = .86; raíz cuadrática media estandarizada residual (SRMR) =. 08; error cuadrático medio de aproximación (RMSEA) =. 07; RMSEA 90% intervalo de confianza (IC) = [.06, .08].
Ahora mis preguntas:
¿Qué debo hacer con tal modelo?
¿Qué sería estadísticamente correcto hacer?
¿Informar que encaja o que no encaja? ¿Y cuál de esos modelos?
Me alegraría tener una discusión contigo sobre esto.
Aquí está la salida de lavaan del CFA del 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 1.000fuente
Respuestas:
1. Volver al análisis factorial exploratorio
Si tiene muy mal ajuste de CFA, a menudo es una señal de que ha saltado demasiado rápido a CFA. Debería volver al análisis factorial exploratorio para conocer la estructura de su prueba. Si tiene una muestra grande (en su caso no la tiene), puede dividir su muestra para obtener una muestra exploratoria y una confirmatoria.
Los beneficios de EFA es que brinda mucha libertad, por lo que aprenderá mucho más sobre la estructura de la prueba de lo que aprenderá solo mirando los índices de modificación de CFA.
De todos modos, con suerte de este proceso, es posible que haya identificado algunos problemas y soluciones. Por ejemplo, puede soltar algunos elementos; puede actualizar su modelo teórico de cuántos factores hay, etc.
2. Mejorar el ajuste del análisis factorial confirmatorio
Hay muchos puntos que podrían hacerse aquí:
El CFA en escalas con muchos elementos por escala a menudo se desempeña mal según los estándares tradicionales. Esto a menudo lleva a las personas (y tenga en cuenta que creo que esta respuesta a menudo es desafortunada) para formar paquetes de artículos o solo usar tres o cuatro artículos por escala. El problema es que las estructuras CFA típicamente propuestas no logran capturar los pequeños matices en los datos (por ejemplo, pequeñas cargas cruzadas, elementos dentro de una prueba que se correlacionan un poco más que otros, factores molestos menores). Estos se amplifican con muchos elementos por escala.
Aquí hay algunas respuestas a la situación anterior:
modificationindices(fit)enlavaan.Comentarios generales
Entonces, en general, si su modelo CFA es realmente malo, regrese a EFA para obtener más información sobre su escala. Alternativamente, si su EFA es bueno y su CFA se ve un poco mal debido a problemas bien conocidos de tener muchos elementos por escala, entonces los enfoques CFA estándar como se mencionó anteriormente son apropiados.
fuente
Trabajaría para tratar de lograr que el modelo bifactor converja. Intente ajustar los valores iniciales ... sin embargo, este puede ser un enfoque sospechoso, así que tenga esto en cuenta e interprete con precaución. Lea sobre los peligros de interpretar modelos que resisten la convergencia si quiere ser verdaderamente cauteloso. Admito que todavía no he hecho mucho en mi estudio de SEM, por lo que sugiero hacer lo que debe hacer para que el modelo funcione. convergen principalmente para su beneficio. No sé si será más adecuado para su publicación, pero si claramente no lo es porque el modelo bifactor tampoco se ajusta bien, eso podría ser bueno para usted.
De lo contrario, parece que has hecho todo lo que puedes con los datos que tienes. AFAIK (¡He estado investigando profundamente esto recientemente para un proyecto metodológico propio, así que corrígeme si me equivoco!), La estimación de WLSMV
lavaanutiliza umbrales de correlaciones policóricas , que es la mejor manera de ajustarse bien índices de un CFA de datos ordinales. Suponiendo que haya especificado su modelo correctamente (o al menos de manera óptima), eso es todo lo que puede hacer. Quitar elementos con cargas bajas y estimar libremente las covarianzas entre elementos incluso va un poco lejos, pero también lo intentó.Su modelo no se ajusta bien a los estándares convencionales, como probablemente ya sabe. Por supuesto, no debes decir que encaja bien cuando no lo hace. Esto se aplica a todos los conjuntos de estadísticas de ajuste que informa aquí, lamentablemente (supongo que esperaba que encajara). Algunas de sus estadísticas de ajuste son bastante pobres, no totalmente malas (el RMSEA = .05 es aceptable), pero en general, ninguna de ellas es una buena noticia, y usted tiene la responsabilidad de ser honesto al respecto si va a publicar estos resultados. Espero que puedas, FWIW.
De cualquier manera, podría considerar recopilar más datos si puede; eso podría ayudar, dependiendo de lo que estés buscando. Si su objetivo es una prueba de hipótesis confirmatoria, bueno, ha "observado" sus datos e inflará su tasa de error si lo reutiliza en una muestra ampliada, por lo que, a menos que pueda dejar este conjunto de datos a un lado y replicar un todo, fresco, más grande, tienes un escenario difícil de manejar. Sin embargo, si está interesado principalmente en estimar parámetros y reducir los intervalos de confianza, creo que sería razonable agrupar tantos datos como pueda reunir, incluidos los que ya haya utilizado aquí. Si puede obtener más datos, puede obtener mejores índices de ajuste, lo que haría que sus estimaciones de parámetros sean más confiables. Espero que sea lo suficientemente bueno.
fuente