EFA supporta chiaramente un fattore, la misura è coerente internamente, ma CFA ha una scarsa qualità?

Sto esplorando le proprietà psicometriche di una misura di self report di 10 articoli. Ho circa 400 casi in due campioni indipendenti. Gli articoli vengono completati su scale Likert a 4 punti. Un EFA supporta chiaramente una soluzione a un fattore (ad esempio, il primo autovalore su 6, tutti gli altri al di sotto di 1) e l'alfa di Cronbach è buona (ad esempio, 90). Nessun articolo ha una bassa correlazione totale-articolo.

Inizialmente volevo fare un CFA (EFA era solo un follow-up dopo aver visto CFA non andava bene) testare un modello a un fattore. Con mia sorpresa, il modello era relativamente scarso:

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

Inoltre, i caricamenti per ciascuno degli articoli sono abbastanza buoni (.65+).

Stranamente, il SRMR=.05, che è accettabile / buono.

Gli indici di modifica suggeriscono di correlare gli errori ovunque. Se ci fosse un chiaro razionale per farlo (ad esempio, alcuni degli articoli hanno una formulazione molto simile) lo farei; tuttavia, tutte le misure sono formulate in modo simile e correlare tutti i termini di errore sarebbe strano e doloroso.

Non ho mai visto un caso come questo. La misura è internamente coerente ed è chiaramente composta da un fattore dell'EFA, ma presenta scarsa corrispondenza con il CFA. I risultati sono congruenti in entrambi i campioni indipendenti (provenienti da diversi continenti). Ho provato un CFA a due fattori (raggruppati 5 elementi casuali) e l'adattamento era lo stesso, o anche leggermente migliore.

Ecco le mie domande:

1. Perché l'adattamento secondo CFI / TLI / RMSEA è così scarso a causa dei caricamenti alfa / fattore EFA / Cronbach?
2. Perché la SRMR è buona mentre gli altri indici non lo sono? So che misurano cose diverse, ma nella mia esperienza, convergono quasi sempre.
3. Dovrei correlare alcuni degli errori?

Articoli di esempio:

• Hai pensieri sui tuoi difetti
• Hai pensieri difficili da dimenticare
• Pensi sempre alla situazione

È abbastanza normale.

CFA è un criterio molto più rigoroso di EFA. EFA tenta di descrivere i tuoi dati, ma CFA verifica se il modello è corretto.

Uno dei motivi della non convergenza sono le correlazioni medie basse (ma poi mi aspetto che RMSEA sia migliore). Il test chi-quadro è essenzialmente un test che i tuoi residui sono uguali a zero e RMSEA, TLI e CFI sono trasformazioni del test.

L'adattamento sarà sempre migliore in una soluzione a due fattori rispetto a una soluzione a un fattore (sono nidificati).

Qualche altra domanda: qual è stata la dimensione del tuo campione? Qual è la correlazione media? Cos'è chi-square e df, qual è il chi-square del modello null?

Dovresti aggiungere errori correlati? Forse, ma quando lo fai stai introducendo ulteriori fattori. Con una soluzione come questa potresti dover aggiungere molto, e poi finisci con un pasticcio: è meglio se sono giustificati in qualche modo. Ad esempio, il tuo secondo e terzo argomento riguardano pensieri intrusivi, che potrebbe essere una giustificazione.