ईएफए स्पष्ट रूप से एक-कारक का समर्थन करता है, उपाय आंतरिक रूप से सुसंगत है, लेकिन सीएफए खराब है?


9

मैं 10-आइटम स्व-रिपोर्ट माप के साइकोमेट्रिक गुणों की खोज कर रहा हूं। मेरे पास दो स्वतंत्र नमूनों में लगभग 400 मामले हैं। आइटम 4-पॉइंट लिकर्ट स्केल पर पूरे होते हैं। एक ईएफए स्पष्ट रूप से एक-कारक समाधान का समर्थन करता है (उदाहरण के लिए, 6 से अधिक का पहला eigenvalue, 1 के तहत अन्य सभी) और क्रोनबाक का अल्फा अच्छा है (जैसे, .90)। किसी भी आइटम में कम आइटम-कुल सहसंबंध नहीं है।

मैं मूल रूप से एक CFA करना चाहता था (EFA सिर्फ एक अनुवर्ती था जब मैंने देखा कि CFA अच्छा नहीं था) एक-कारक मॉडल का परीक्षण कर रहा था। मेरे आश्चर्य के लिए, मॉडल के लिए फिट अपेक्षाकृत गरीब था:

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

इसके अलावा, प्रत्येक आइटम के लिए लोडिंग काफी अच्छा है (.65+)।

विचित्र रूप से SRMR=.05,, जो स्वीकार्य / अच्छा है।

संशोधन सूचक सुझाव देते हैं कि मैं सभी जगह त्रुटियों का सहसंबंध रखता हूं। यदि ऐसा करने के लिए एक स्पष्ट तर्कसंगत था (उदाहरण के लिए, कुछ वस्तुओं में बहुत समान शब्द हैं) मैं ऐसा करूंगा; हालाँकि, सभी उपाय समान रूप से लिखे गए हैं, और सभी त्रुटि शर्तों को सहसंबंधित करना विषम और दर्दनाक होगा।

मैंने कभी इस तरह का मामला नहीं देखा। यह उपाय आंतरिक रूप से सुसंगत है और स्पष्ट रूप से ईएफए में एक कारक से युक्त है, लेकिन यह सीएफए में खराब फिट को प्रदर्शित करता है। परिणाम दोनों स्वतंत्र नमूनों (विभिन्न महाद्वीपों से) में अनुरूप हैं। मैंने एक टू-फैक्टर CFA (5 रैंडम आइटम) समूहीकृत करने की कोशिश की और फिट वही, या यहां तक ​​कि मामूली बेहतर था।

यहाँ मेरे सवाल हैं:

  1. सीएफआई / टीएलआई / आरएमएसईए के अनुसार फिट क्यों इतना गरीब है जिसे ईएफए / क्रोनबाक अल्फा / फैक्टर लोडिंग दिया गया है?
  2. SRMR क्यों अच्छा है जबकि अन्य सूचकांक नहीं हैं? मुझे पता है कि वे विभिन्न चीजों को मापते हैं, लेकिन मेरे अनुभव में, वे लगभग हमेशा ही जुटे रहते हैं।
  3. क्या मुझे कुछ त्रुटियों को सहसंबद्ध करना चाहिए?

उदाहरण आइटम:

  • आपकी कमियों के बारे में आपके विचार हैं
  • आपके पास ऐसे विचार हैं जिन्हें भूलना मुश्किल है
  • आप हर समय स्थिति के बारे में सोचते हैं

जवाबों:


9

यह बहुत सामान्य है।

सीएफए ईएफए की तुलना में बहुत अधिक कठोर मानदंड है। ईएफए आपके डेटा का वर्णन करने का प्रयास करता है, लेकिन मॉडल सही होने पर सीएफए परीक्षण करता है।

गैर-अभिसरण का एक कारण कम औसत सहसंबंध है (लेकिन तब मैं RMSEA के बेहतर होने की उम्मीद करूंगा)। ची-स्क्वायर परीक्षण अनिवार्य रूप से एक परीक्षण है जो आपके अवशेष शून्य के बराबर है, और आरएमएसईए, टीएलआई और सीएफआई परीक्षण के रूपांतरण हैं।

फिट हमेशा एक कारक समाधान (वे नेस्टेड हैं) की तुलना में दो कारक समाधान में बेहतर होने जा रहे हैं।

कुछ और प्रश्न: आपका नमूना आकार क्या था? औसत सहसंबंध क्या है? ची-स्क्वायर और डीएफ क्या है, शून्य मॉडल का ची-स्क्वायर क्या है?

क्या आपको सहसंबद्ध त्रुटियों को जोड़ना चाहिए? शायद, लेकिन जब आप ऐसा करते हैं कि आप अतिरिक्त कारकों का परिचय दे रहे हैं। इस तरह एक फिट के साथ आपको बहुत कुछ जोड़ने की आवश्यकता हो सकती है, और फिर आप एक गड़बड़ के साथ समाप्त होते हैं - यह सबसे अच्छा है अगर वे किसी तरह से उचित हैं। उदाहरण के लिए, आपके दूसरे और तीसरे आइटम घुसपैठ विचारों के बारे में हैं - यह एक औचित्य हो सकता है।


1
प्रत्येक नमूने में नमूना आकार लगभग 400 है। आप किस औसत सहसंबंध का उल्लेख कर रहे हैं? मॉडल में ची-वर्ग 262.9 है, df = 35.
बेहकाड

इसके अलावा, एक-कारक समाधान का विकल्प क्या है? ईएफए एक कारक को स्पष्ट रूप से बताता है, इसलिए ऐसा लगता है कि वैकल्पिक समाधान के लिए मछली पकड़ना असामान्य होगा। हमारे पास केवल 10 आइटम हैं, इसलिए इसकी तरह हम आइटम नहीं जोड़ सकते हैं। हम आइटम निकाल सकते हैं, लेकिन सभी लोडिंग / सहसंबंध मजबूत हैं!
बहकाद

औसत सहसंबंध मैट्रिक्स में सहसंबंधों का औसत है। यदि सहसंबंध सभी 0.3 हैं तो यह अलग है यदि वे सभी 0.8 (कहते हैं) हैं। यदि आप अच्छे फिट के लिए बेताब हैं, तो मैं आइटम हटाऊंगा। क्या आप Mplus का इस्तेमाल कर रहे हैं? आप एसेम कर सकते हैं यदि आप हैं।
जेरेमी मील्स

मैं AMOS का उपयोग कर रहा हूं।
बहकाद

SPSS में अधिकतम संभावना निष्कर्षण का प्रयास करें - जो आपको एकल कारक के लिए समान (या बहुत समान) ची-वर्ग प्रदान करे।
जेरेमी माइल्स
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.