R语言基于协方差的SEM结构方程模型中的拟合指数

在实践中, 因子负载较低(或测量质量较差)的模型的拟合指数要好于因子负载较高的模型。

例如,如果两个模型具有相同的错误指定级别,并且因子负载为.9的模型的RMSEA可能高于.2,而因子负载为.4的模型的RMSEA可能小于.05。

 本文包含一些图表,可以非常清楚地传达这些结果。

AFIs 是拟合指数的近似优度,其中包括RMSEA和SRMR等绝对拟合指数,以及CFI等相对拟合指数。

使用全局拟合指数的替代方法

MAH编写的拟合指数是全局拟合指数(以下称为GFI),它们检测所有类型的模型规格不正确。但是,正如MAH指出的那样,并非所有模型规格不正确都是有问题的。考虑顺序效应,两个项目可能具有独立于其共享因子的相关误差,这仅仅是因为一个项目跟随另一个项目(序列相关)。CFA(缺省值)中不存在此相关误差将对任何全局拟合指数产生负面影响。此外,全局拟合指数不会告诉你模型错误规格是什么。

 SSV提出了一种调查模型规格不正确的方法,该方法涉及使用修改指数(MI),预期参数变化(EPC),理论和功率分析。EPC是约束关系如果可以由模型自由估计的值,则约束关系将从零变化。我相信研究人员熟悉MI,并经常使用它们来修复模型错误规格,以期获得其审稿人可以接受的GFI。MI和EPC之间的关系是:

M I = (E P C / σ )2MI=(EPC/σ)2

σσ

SSV建议使用以下框架:

  • (δ )(δ)
    • 对于因子载荷,绝对值> .4
    • 对于相关误差,绝对值> .1
  • n c p = (δ / σ )2ncp=(δ/σ)2
  • Ñ Ç pncpχ 2χ2δδ

 遵循以下决策规则:

决策规则

 所有这些 在R中实现。 

为此,我假设 数据 9个问题,受访者依次回答了x1至x9。

运行模型,标准化潜在变量,并报告标准化结果:

卡方统计意义重大

请求修改索引。从高到低对它们进行排序。通过请求power = TRUE并设置增量来应用SSV方法。delta = .4,因子加载的标准意味着如果模型中缺少因子加载并且因子加载大于.4。默认情况下,delta = .1。根据SSV的建议,这足以解决相关错误。因此,我仅使用选择相关错误作为输出。

检查决策列。x7和x8被称为错误指定,因为功效低至.193,但MI具有统计学意义。

但是,考虑x2和x7(lhs 55),. 373的低功率,MI很大。是否有一些理论将这两个项目联系在一起?我可以解释建议的相关性吗?

考虑x4和x8(lhs 67),高功率为.806,但MI在统计上不显着,因此我们可以得出结论,没有错误指定。

考虑x1和x4(lhs 45),. 673的低功率,并且MI在统计上不显着,因此这没有定论。

现在,对于因子加载:

参见第一行,建议我在f1上加载x9。功效高,MI显着且EPC高于.4,表明这是我们应该注意的某种类型不当。

但是,下一行建议我在f1上加载x7。功效高,MI显着,但EPC为0.38,小于.4,这表明我们认为这种错误指定的程度不足以保证需要修改模型。决定epc:nm的许多建议修改也是如此。

然后是最后一个具有较高功效的组,但MI并没有统计学意义,因此我们可以得出结论,没有错误指定。

SSV使用75%,这是lavaan的默认设置,但可以灵活使用。


请注意,一次只能对模型进行一次更改。EPC和MI在假设其他参数大致正确的情况下计算得出,因此,执行上述步骤的方法是进行一次更改。

我相信这是SSV建议的方法,遵循这种方法将使人们在使用MI时考虑该模型,同时考虑统计能力以检测错误指定。可以解决所有非不确定性的关系(使用理论,修改等),并留下一个模型。


PS:潜在变量建模的另一种方法是PLS路径建模。这是一种基于OLS回归的SEM方法。


  1. McNeish,D.,An,J.,&Hancock,GR(2017)。潜在变量模型中测量质量和拟合指数截止之间的棘手关系。“人格评估杂志”https://doi.org/10.1080/00223891.2017.1281286 
  2. Saris,WE,Satorra,A.,&van der Veld,WM(2009)。测试结构方程模型还是检测错误规格?结构方程模型:多学科期刊,16(4),561–582。https://doi.org/10.1080/10705510903203433 

可下载资源

​非常感谢您阅读本文,如需帮助请联系我们!


关于作者

Kaizong Ye拓端研究室(TRL)的研究员。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。


随时关注您喜欢的主题

在wechat上关注我们

最新洞察

技术干货

Leave A Reply

电子邮件地址不会被公开。

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498
error: Content is protected
%d 博主赞过: