Słownik metodologiczny · Modele SEM

CFA (konfirmacyjna analiza czynnikowa)

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / CFA (konfirmacyjna analiza czynnikowa)

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza CFA (konfirmacyjna analiza czynnikowa)?

Konfirmacyjna analiza czynnikowa testuje określony a priori model wspólnych czynników: które wskaźniki ładują na które czynniki, jakie zależności są ograniczone i jak model odtwarza macierz kowariancji lub korelacji.

Zastosowanie, warunki i dobre praktyki

CFA testuje wcześniej określony model relacji wskaźników z czynnikami i ich błędami. Wymaga identyfikacji, estymatora odpowiadającego skali danych oraz oceny globalnych i lokalnych rozbieżności. Dobry fit nie dowodzi trafności konstruktu, a modyfikacje oparte na tych samych danych zmieniają analizę w eksploracyjną i wymagają walidacji.

Najważniejsze zastosowanie: Stosuj do walidacji refleksyjnych skal, porównania struktur i badania inwariancji. Dobierz estymator do skali danych, sprawdź identyfikację, rozwiązanie, dopasowanie globalne i lokalne.

Jak poprawnie stosować i interpretować hasło „CFA (konfirmacyjna analiza czynnikowa)”?

Przy ocenie pojęcia „CFA (konfirmacyjna analiza czynnikowa)” najpierw trzeba wskazać, której części SEM dotyczy pojęcie: globalnego dopasowania, lokalnych reszt, parametrów, identyfikacji czy porównania modeli. Przy ocenie hasła „CFA (konfirmacyjna analiza czynnikowa)” model pomiarowy powinien zostać uzasadniony przed interpretacją ścieżek strukturalnych. W analizie dotyczącej hasła „CFA (konfirmacyjna analiza czynnikowa)” indeks lub diagnostyka ma znaczenie tylko w połączeniu z estymatorem, skalą wskaźników i konkretną specyfikacją ograniczeń.

Ocena pojęcia „CFA (konfirmacyjna analiza czynnikowa)” obejmuje zbieżność, rozwiązania niedopuszczalne, macierz reszt i stabilność parametrów, a nie tylko zestaw popularnych progów CFI, RMSEA czy SRMR. Dla interpretacji hasła „CFA (konfirmacyjna analiza czynnikowa)” indeksy modyfikacji są informacją eksploracyjną. W odniesieniu do hasła „CFA (konfirmacyjna analiza czynnikowa)” każda zmiana musi mieć uzasadnienie teoretyczne i powinna zostać sprawdzona na niezależnej próbie, aby ograniczyć przeuczenie modelu.

Co trzeba opisać w raporcie?

Raport dotyczący „CFA (konfirmacyjna analiza czynnikowa)” powinien podać model, estymator, liczebność, sposób obsługi braków, test χ² i zestaw komplementarnych indeksów dopasowania. Przy ocenie hasła „CFA (konfirmacyjna analiza czynnikowa)” należy dołączyć parametry z błędami standardowymi lub przedziałami ufności, wskazać rozwiązania brzegowe oraz dokładnie opisać wszystkie modyfikacje względem planu.

Zakres raportowania dla hasła „CFA (konfirmacyjna analiza czynnikowa)”: Raportuj specyfikację, N, estymator, obsługę braków, χ², CFI/TLI, RMSEA z CI, SRMR, ładunki z CI, korelacje czynników i modyfikacje.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Model dwuczynnikowy lęku i depresji można porównać z modelem jednoczynnikowym, jeśli modele są zagnieżdżone lub za pomocą AIC/BIC. Lepsze dopasowanie nie wystarcza bez sensu treściowego.

Jak ją zinterpretować: Dopasowanie mówi, jak dobrze wcześniej określony model odtwarza macierz zależności, ale nie potwierdza automatycznie znaczenia czynników. Ocena wymaga identyfikacji, ładunków, reszt, niepewności i modeli alternatywnych.

Najczęstsza pułapka i granica interpretacji

CFA nie „potwierdza prawdy” modelu. Korelowanie reszt po indeksach modyfikacji bez teorii zmienia analizę w eksploracyjną.

Akceptowalny wynik dotyczący „CFA (konfirmacyjna analiza czynnikowa)” nie dowodzi, że model jest jedyny ani prawdziwy. Dla interpretacji hasła „CFA (konfirmacyjna analiza czynnikowa)” równoważne lub niemal równoważne modele mogą pasować podobnie, a strzałki nie uzyskują znaczenia przyczynowego z samego diagramu.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Hu i Bentler, 1999).

Powiązane hasła

PCFI (analiza SEM)AIC i BIC w SEMCFI (Comparative Fit Index)Identyfikacja modelu SEMInwariancja pomiaru w CB-SEMKowariancja reszt w SEM

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Regresja logistyczna: założenia, interpretacja i raportowanie modelu

Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.

Czytaj →Poradnik

Modelowanie równań strukturalnych (SEM): od teorii do raportu

SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
  2. Bentler, P. M. (1990). Comparative fit indexes in structural models. Psychological Bulletin, 107(2), 238–246. https://doi.org/10.1037/0033-2909.107.2.238
  3. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
  4. Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
  5. Iacobucci, D. (2010). Structural equations modeling: Fit indices, sample size, and advanced topics. Journal of Consumer Psychology, 20(1), 90–98. https://doi.org/10.1016/j.jcps.2009.09.003
  6. Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02

Cytowania BibTeX

@article{hu1999sem, author={Hu, Li-tze and Bentler, Peter M.}, title={Cutoff criteria for fit indexes in covariance structure analysis}, journal={Structural Equation Modeling}, year={1999}, volume={6}, number={1}, pages={1--55}, doi={10.1080/10705519909540118}}
@article{bentler1990cfi, author={Bentler, Peter M.}, title={Comparative fit indexes in structural models}, journal={Psychological Bulletin}, year={1990}, volume={107}, number={2}, pages={238--246}, doi={10.1037/0033-2909.107.2.238}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}
@article{iacobucci2010sem, author={Iacobucci, Dawn}, title={Structural Equations Modeling: Fit Indices, Sample Size, and Advanced Topics}, journal={Journal of Consumer Psychology}, year={2010}, volume={20}, number={1}, pages={90--98}, doi={10.1016/j.jcps.2009.09.003}}
@article{rosseel2012lavaan, author={Rosseel, Yves}, title={lavaan: An R Package for Structural Equation Modeling}, journal={Journal of Statistical Software}, year={2012}, volume={48}, number={2}, pages={1--36}, doi={10.18637/jss.v048.i02}}
R