如何解释 cfa (sem) 结果的拟合度?

机器算法验证 结构方程建模 确认因素 熔岩
2022-03-27 13:00:38

我在几个尺度上做了一些 CFA 分析(使用 R 包 Lavaan),以检查单维性。如果我理解得很好,由于 RMSEA < 0.08 和 CFI 和 TLI > 0.90,5、6 和 7 可以被认为是一个很好的拟合。我的问题是如何解释前 4 个尺度的拟合。RMSEA 看起来不错,但 CFI 和 TLI 不好看。我可以说“几乎很合适”之类的话吗?

Scale   N       R2      χ2          df  SRMR    RMSEA   RMSEA con.interv.   CFI     TLI
1       1673    0.18    1470.71***  434 0.038   0.038   0.036   -   0.040   0.85    0.83
2       1672    0.19    597.81***   152 0.04    0.042   0.038   -   0.045   0.87    0.85
3       1675    0.16    586.93***   170 0.038   0.038   0.035   -   0.042   0.84    0.82
4       1677    0.25    427.43***   90  0.04    0.047   0.043   -   0.052   0.91    0.89
5       1677    0.24    280.65***   90  0.031   0.036   0.031   -   0.040   0.93    0.92
6       1670    0.26    175.35      54  0.03    0.037   0.031   -   0.043   0.95    0.93
7       1679    0.25    289.79***   104 0.03    0.033   0.028   -   0.037   0.95    0.94
1个回答

0.9 的 CFI 通常被认为不是很好(现在?)。所以说低于 0.9 的 CFI“几乎很合适”是(恕我直言)在某种程度上夸大了事实。

那么为什么你的 RMSEA 很好,而 CFI 很差呢?这是因为这两个指数测试以不同的方式拟合。RMSEA 基于卡方 - 较低的卡方意味着较低的 RMSEA。CFI 测试通过与空模型进行比较来拟合。如果您的变量不是高度相关的,那么您的空模型就没有那么糟糕了。如果您的空模型没有很差的拟合,那么拟合很难更好。但这意味着模型不需要解释很多协方差,因此是一个很好的 RMSEA。

差的 CFI 和好的 RMSEA 意味着你的数据很差。本质上,如果你的变量不可靠,你的 RMSEA 会更好,你的 CFI 会更差。

这里有几篇论文可能会有所帮助:

http://www.tandfonline.com/doi/abs/10.1080/10705519609540052 https://www.researchgate.net/publication/221986550_A_time_and_a_place_for_incremental_fit_indices