Qué hacer cuando CFA ajuste de multi-ítem de la escala es malo?

Question

No estoy seguro de cómo proceder con este CFA estoy haciendo en lavaan. Tengo una muestra de 172 participantes (sé que no es mucho para un CFA) y de 28 ítems con 7 puntos de escalas Likert que se debe cargar en siete factores. Hice un CFA con "mlm"-estimadores, pero el ajuste del modelo fue realmente malo (χ2(df=329)=739.36; comparative fit index (CFI)= .69; estandarizado de raíz cuadrada media residual (SRMR)=.10; de la raíz cuadrada media del error de aproximación (RMSEA)=.09; RMSEA 90% intervalo de confianza (IC) = [.08, .10]).

He intentado lo siguiente:

• bifactor modelo con un método general de factor -> no convergen.

• estimadores para los datos ordinales ("WLSMV") -> ajuste del Modelo: (χ2(df=329)=462; comparative fit index (CFI)= .81; estandarizado de raíz cuadrada media residual (SRMR)=.09; de la raíz cuadrada media del error de aproximación (RMSEA)=.05; RMSEA 90% intervalo de confianza (IC) = [.04, .06])

• la reducción de la modelo por elementos que se cargan bajo en un factor y agregar las covarianzas entre los ítems específicos --> ajuste del Modelo: χ2(df=210)=295; comparative fit index (CFI)= .86; estandarizado de raíz cuadrada media residual (SRMR)=.08; de la raíz cuadrada media del error de aproximación (RMSEA)=.07; RMSEA 90% intervalo de confianza (IC) = [.06, .08].

Ahora mis preguntas:

• ¿Qué debo hacer con este modelo?

• Lo que sería estadísticamente correcto a hacer?

• Informe que no encajan o que no encaja? Y que de esos modelos?

Me encantaría tener una conversación con usted acerca de esto.

Aquí está el lavaan salida de la 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    1.000

Answer 1

1. Volver a Análisis factorial Exploratorio

Si usted está recibiendo muy malas CFA encaja, entonces es a menudo una señal de que se han subido demasiado rápido de la CFA. Usted debería volver a análisis factorial exploratorio para aprender acerca de la estructura de la prueba. Si usted tiene una muestra grande (en el caso de que no), entonces usted puede dividir la muestra para tener una exploratoria y confirmatoria de la muestra.

• Aplicar el análisis factorial exploratorio de los procedimientos para comprobar si la teorizado número de factores parece razonable. Me gustaría comprobar el gráfico de sedimentación para ver lo que se sugiere. Me gustaría a continuación, compruebe el girado factor de carga de la matriz con la teorizado número de factores, así como con uno o dos más y uno o dos menos de los factores. A menudo se pueden ver signos de debajo o por encima de extracción de factores por mirar factor de carga de las matrices.
• El uso de análisis factorial exploratorio para identificar elementos problemáticos. En particular, los elementos que se cargan en la mayoría de los no-teorizado factor, los elementos con los grandes de la cruz-las cargas, elementos que no carga muy en ningún factor.

Los beneficios de la EPT es que da mucha libertad, por lo que vas a aprender mucho más acerca de la estructura de la prueba que se de sólo mirar a CFA modificación de los índices.

De todos modos, esperemos que a partir de este proceso, se ha identificado un par de problemas y soluciones. Por ejemplo, se le podría caer un par de artículos, usted puede actualizar su modelo teórico de cómo muchos factores que hay y así sucesivamente.

2. Mejorar el Análisis factorial Confirmatorio Ajuste

Hay muchos puntos que se podrían hacer aquí:

CFA en escalas con muchos elementos por escala a menudo mal desempeño por parte de los patrones tradicionales. Esto a menudo lleva a la gente (y la nota creo que esta respuesta es a menudo lamentable) a elemento de formulario de parcelas o utilizar sólo tres o cuatro ítems por escala. El problema es que normalmente propuesto CFA estructuras no logran captar los pequeños matices en los datos (por ejemplo, la pequeña cruz de cargas, de los elementos dentro de una prueba que se correlacionan un poco más que a otros, menores factores de molestia). Estos son amplificados con muchos elementos de cada escala.

Aquí están algunas respuestas a la situación anterior:

• Hacer exploratorio SEM que permite varias pequeña cruz y cargas de términos relacionados
• Examinar la modificación de los índices e incorporar algunas de las más importantes modificaciones razonables; por ejemplo, dentro de la escala correlación de los residuos; un par de cruz-cargas. ver modificationindices(fit) en lavaan.
• El uso de elemento de parcelación para reducir el número de variables observadas

Comentarios generales

Así que en general, si usted está CFA modelo es realmente malo, de retorno a la educación para todos para aprender más acerca de su escala. Alternativamente, si el EFA es bueno, y su CFA sólo se ve un poco mal debido a los bien conocidos problemas de tener muchos elementos por escala, a continuación, estándar CFA enfoques como se mencionó anteriormente son los adecuados.

Answer 2

Me gustaría trabajar en tratar de obtener la bifactor modelo a converger. Trate de ajustar los valores de partida...esto puede ser un pescado enfoque, aunque, por lo que tenerlo en cuenta y de interpretar con precaución. Leer sobre los peligros de la interpretación de los modelos que se resisten a la convergencia si usted desea ser verdaderamente prudente – tengo que admitir que no se ha hecho mucho pero yo en mi estudio de SEM, así que me sugieren hacer lo que usted necesita hacer para obtener el modelo a converger sobre todo para su beneficio. No sé que será más adecuado para la publicación, pero si claramente no es porque el bifactor modelo no se ajusta bien, eso puede ser bueno para usted a saber.

De lo contrario, parece que se ha hecho tanto como usted puede con los datos que tenemos. AFAIK (he estado mirando profundamente en esto últimamente por un marco metodológico del proyecto de mi cuenta, así que por favor me corrija si estoy equivocado!!), WLSMV estimación en lavaan utiliza los umbrales de polychoric correlaciones, que es la mejor manera de conseguir un buen ajuste de los índices de un CFA de los datos ordinales. Suponiendo que se ha especificado el modelo correctamente (o al menos de manera óptima, que es todo lo que puede hacer. La eliminación de elementos con bajas cargas y libremente la estimación de inter-elemento de covarianzas es incluso yendo un poco lejos, pero se trató de eso también.

El modelo no se ajusta bien por los estándares convencionales, como usted está probablemente consciente. Por supuesto que no debería decir esto encaja muy bien cuando no. Esto se aplica a todos los conjuntos de ajuste estadísticas que se presenta aquí, por desgracia (supongo que eran la esperanza de que quepa). Algunos de sus estadísticos de ajuste sólo son bastante pobres, no francamente mal (el RMSEA = .05 es aceptable), pero en general, nada de eso es una buena noticia, y usted tiene la responsabilidad de ser honesto acerca de que si vas a publicar estos resultados. Espero que usted pueda, por lo que vale.

De cualquier manera, usted podría considerar la recogida de más datos, si se puede; que podrían ayudar, dependiendo de lo que usted está después. Si su objetivo es confirmatoria prueba de hipótesis, bueno, te "lee" en los datos, y se inflan su tasa de error si su reutilización en una ampliación de la muestra, por lo tanto, a menos que sólo puede establecer este conjunto de datos a un lado y replicar una entera, fresca, más grande, tiene un difícil escenario para manejar. Si usted está más interesado en la estimación de parámetros y el estrechamiento de los intervalos de confianza, sin embargo, creo que podría ser razonable sólo de la piscina como la cantidad de datos que se pueden reunir, incluidos los que ya hemos utilizado aquí. Si usted puede conseguir más datos, puede obtener un mejor ajuste de los índices, lo que haría que sus estimaciones de los parámetros más fiables. Esperemos que sea suficientemente bueno.