Come interpretare l'output lavaan?

Sto tentando l'analisi del fattore di conferma (CFA) utilizzando lavaan. Non riesco a interpretare l'output prodotto da lavaan.

Ho un modello semplice - 4 fattori ciascuno supportato da elementi dai dati raccolti dell'indagine. I fattori sono in linea con ciò che viene misurato dagli articoli, nella misura in cui sembra probabile che possano servire da misura valida.

Aiutatemi a capire il seguente output prodotto da 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

Ho queste domande:

1. Come viene definito il modello di base?
2. Dato che per i gradi di libertà specificati, la statistica Chi-Sq calcolata è maggiore di quanto ci si aspetterebbe, c'è qualche interpretazione per il valore p pari a 0.000?
3. Basato su CFI e TLI, sembra che abbia quasi un modello ragionevole. È un'interpretazione corretta?

1) La linea di base è un modello nullo, in genere in cui tutte le variabili osservate sono vincolate alla covaria senza altre variabili (in altri termini, le covarianze sono fissate a 0) - vengono stimate solo le varianze individuali. Questo è ciò che viene spesso considerato come un modello di adattamento peggiore 'ragionevole', rispetto al quale viene confrontato il modello adattato per calcolare gli indici relativi di adattamento del modello (ad esempio, CFI / TLI).

2) La statistica chi-quadro (etichettata come statistica test di funzione minima) viene utilizzata per eseguire un test di adattamento perfetto del modello, sia per i modelli specificati sia per i valori null / baseline. È essenzialmente una misura della deviazione tra la matrice di varianza / covarianza implicita nel modello e la matrice di varianza / covarianza osservata. In entrambi i casi viene rifiutato il valore nullo di adattamento perfetto ( p<.001), sebbene questo sia in base alla progettazione nel caso del modello di base / null. Alcuni statistici (ad esempio, Klein, 2010) sostengono che il test chi-quadrato dell'adattamento del modello è utile per valutare la qualità di un modello, ma la maggior parte degli altri scoraggia a mettere molto a disposizione la sua interpretazione, sia per il concettuale (cioè il null di l'adattamento perfetto è irragionevole) e le ragioni pratiche (cioè il test chi-quadro è sensibile alla dimensione del campione) (vedi Brown, 2015; Little, 2013, per esempi). È, tuttavia, utile per calcolare una serie di altri, più informativi, indici di adattamento del modello.

3) Gli standard per quale livello di adattamento del modello è considerato "accettabile" possono differire da disciplina a disciplina, ma almeno secondo Hu & Bentler (1999), ci si trova nel regno di ciò che è considerato "accettabile". Un CFI di 0,955 è spesso considerato "buono". Tieni presente, tuttavia, che sia TLI che CFI sono indici relativi dell'adattamento del modello: confrontano l'adattamento del tuo modello con quello del tuo modello null (peggiore). Hu & Bentler (1999) hanno suggerito di interpretare / riportare sia un indice relativo che un indice assoluto di adattamento del modello. Gli indici assoluti di adattamento del modello confrontano l'adattamento del modello con un modello di adattamento perfetto: RMSEA e SRMR sono un paio di buoni candidati (il primo viene spesso calcolato insieme a un intervallo di confidenza, il che è carino).

Riferimenti

Brown, TA (2015). Analisi fattoriale confermativa per la ricerca applicata (2a edizione) . New York, NY: Guilford Press.

Hu, L. e Bentler, PM (1999). Criteri di cutoff per indici di adattamento nell'analisi della struttura della covarianza: criteri convenzionali rispetto a nuove alternative. Modellazione di equazioni strutturali , 6 , 1-55.

Kline, RB (2010). Principi e pratica della modellazione di equazioni strutturali (3a edizione) . New York, NY: Guilford Press.

Little, TD (2013). Modellazione di equazioni strutturali longitudinali . New York, NY: Guilford Press.