EFA claramente apoya un factor, la medida es internamente consistente, pero CFA no tiene un buen ajuste.


9

Estoy explorando las propiedades psicométricas de una medida de autoinforme de 10 ítems. Tengo alrededor de 400 casos en dos muestras independientes. Los elementos se completan en escalas Likert de 4 puntos. Un EFA claramente respalda una solución de un factor (por ejemplo, el primer valor propio sobre 6, todos los demás bajo 1) y el alfa de Cronbach es bueno (por ejemplo, .90). Ningún ítem tiene una baja correlación ítem-total.

Originalmente quería hacer un CFA (EFA fue solo un seguimiento después de ver que CFA no era bueno) probando un modelo de un factor. Para mi sorpresa, el ajuste para el modelo era relativamente pobre:

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

Además, las cargas para cada uno de los artículos son bastante buenas (.65+).

Curiosamente, el SRMR=.05, que es aceptable / bueno.

Los índices de modificación sugieren que correlaciono los errores en todo el lugar. Si hubiera una razón clara para hacerlo (por ejemplo, algunos de los elementos tienen una redacción muy similar), haría esto; sin embargo, todas las medidas están redactadas de manera similar, y correlacionar todos los términos de error sería extraño y doloroso.

Nunca he visto un caso como este. La medida es internamente consistente y está claramente compuesta por un factor en la EPT, pero exhibe un mal ajuste en el CFA. Los resultados son congruentes en ambas muestras independientes (de diferentes continentes). Probé un CFA de dos factores (5 elementos aleatorios agrupados) y el ajuste fue el mismo, o incluso marginalmente mejor.

Aquí están mis preguntas:

  1. ¿Por qué el ajuste según CFI / TLI / RMSEA es tan pobre dada la carga alfa / factor EFA / Cronbach?
  2. ¿Por qué es bueno el SRMR mientras que los otros índices no lo son? Sé que miden cosas diferentes, pero en mi experiencia, casi siempre convergen.
  3. ¿Debo correlacionar algunos de los errores?

Artículos de ejemplo:

  • Tienes pensamientos sobre tus defectos
  • Tienes pensamientos difíciles de olvidar.
  • Piensas en la situación todo el tiempo.

Respuestas:


9

Eso es bastante normal.

CFA es un criterio mucho más estricto que EFA. EFA intenta describir sus datos, pero CFA prueba si el modelo es correcto.

Una razón para la no convergencia son las bajas correlaciones promedio (pero entonces esperaría que RMSEA sea mejor). La prueba de chi-cuadrado es esencialmente una prueba de que sus residuos son iguales a cero, y RMSEA, TLI y CFI son transformaciones de la prueba.

El ajuste siempre será mejor en una solución de dos factores que en una solución de un factor (están anidados).

Algunas preguntas más: ¿Cuál fue el tamaño de su muestra? ¿Cuál es la correlación promedio? ¿Qué es chi-cuadrado y df, cuál es el chi-cuadrado del modelo nulo?

¿Debería agregar errores correlacionados? Quizás, pero cuando haces eso, estás introduciendo factores adicionales. Con un ajuste como este, es posible que deba agregar mucho, y luego terminar con un desastre: es mejor si están justificados de alguna manera. Por ejemplo, su segundo y tercer ítem son sobre pensamientos intrusivos, eso podría ser una justificación.


1
El tamaño de la muestra es de aproximadamente 400 en cada muestra. ¿A qué correlación promedio se refiere? Chi-cuadrado en el modelo es 262.9, df = 35.
Behacad

Además, ¿cuál es la alternativa a la solución de un factor? La EPT sugiere un factor, claramente, por lo que parece inusual buscar una solución alternativa. Solo tenemos los 10 elementos, por lo que no es como si pudiéramos agregar elementos. Podríamos eliminar elementos, ¡pero todas las cargas / correlaciones son fuertes!
Behacad

La correlación promedio es el promedio de las correlaciones en la matriz. Si las correlaciones son todas 0.3 esto es diferente a si son todas 0.8 (digamos). Si estás desesperado por un buen ajuste, eliminaría los artículos. ¿Estás usando Mplus? Podrías hacer esem si es así.
Jeremy Miles

Estoy usando AMOS
Behacad

Pruebe una extracción de máxima verosimilitud en SPSS, que debería proporcionarle el mismo chi cuadrado (o muy similar) para un solo factor.
Jeremy Miles
Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.