Słownik metodologiczny · Modele SEM

CFI (Comparative Fit Index) – jak powstaje, jak go interpretować i dlaczego zależy od korelacji pozycji?

CFI porównuje dopasowanie twojego modelu z modelem, w którym zmienne nie są ze sobą skorelowane. Pokazujemy wzór i ręczne obliczenie, krytykę progu .95, symulację, w której ten sam błąd modelu daje CFI od .920 do .989, oraz zastosowanie ΔCFI w inwariancji pomiaru.

W skrócie: CFI (Comparative Fit Index) mówi, o ile model badany zmniejsza niedopasowanie modelu bazowego, w którym wszystkie zmienne są nieskorelowane; przyjmuje wartości 0–1. Najczęściej za dobre uznaje się CFI ≥ .95 łącznie z SRMR lub RMSEA, ale próg to reguła kciuka: przy słabo skorelowanych pozycjach ten sam błąd modelu obniża CFI dużo silniej. Raportuj CFI razem z χ², RMSEA i SRMR.

Co to jest CFI?

CFI (ang. Comparative Fit Index, porównawczy indeks dopasowania) to indeks dopasowania modelu w SEM i CFA, który mówi, o ile lepiej twój model odtwarza dane niż model bazowy. Model bazowy (niezależności) zakłada, że wszystkie zmienne są nieskorelowane. CFI przyjmuje wartości od 0 do 1; im bliżej 1, tym większa poprawa względem modelu bazowego. Bentler (1990) zaproponował CFI jako miarę względnego zmniejszenia niecentralności między dwoma modelami zagnieżdżonymi. Indeks miał też naprawić wadę wcześniejszego NFI, który w małych próbach zaniża dopasowanie.

CFI należy do indeksów przyrostowych (porównawczych), tak jak TLI i NFI. Różni się tym od indeksów bezwzględnych, takich jak RMSEA czy SRMR, które oceniają rozbieżność modelu bez punktu odniesienia. To rozróżnienie wyjaśnia większość nieporozumień wokół CFI.

Wzór na CFI

CFI korzysta z tego, że wartość χ² pomniejszona o liczbę stopni swobody szacuje niecentralność, czyli to, jak bardzo model odbiega od danych ponad błąd losowy:

CFI = 1 − max(χ²M − dfM, 0) / max(χ²B − dfB, χ²M − dfM, 0)

gdzie M oznacza model badany, a B – model bazowy. Licznik to niedopasowanie twojego modelu, mianownik – niedopasowanie modelu, który nie zakłada żadnych związków. Funkcje max() obcinają wynik do przedziału 0–1. Gdy χ²M jest mniejsze od dfM, CFI wynosi dokładnie 1. W przeciwieństwie do TLI CFI nie zawiera kary za złożoność modelu.

Przykład: CFI policzone ręcznie

Czterysta osób (dane symulowane) wypełniło 6-pozycyjną skalę perfekcjonizmu (odpowiedzi 1–7). Pozycje pf1 i pf2 są sformułowane podobnie i mają dodatkową wspólną wariancję, której model jednoczynnikowy nie uwzględnia. Wyniki modelu jednoczynnikowego:

  • model badany: χ²M(9) = 46.80;
  • model bazowy: χ²B(15) = 692.31 (średnia korelacja pozycji .40);
  • niecentralność modelu: 46.80 − 9 = 37.80, modelu bazowego: 692.31 − 15 = 677.30;
  • CFI = 1 − 37.80/677.30 = .944.

Model zmniejszył więc niedopasowanie modelu bazowego o 94.4%. Pozostałe indeksy: TLI = .907, RMSEA = .102, SRMR = .046. Po dodaniu uzasadnionej treściowo kowariancji błędów pf1–pf2 dopasowanie się wyrównało: χ²(8) = 6.63, CFI = 1.000, RMSEA = .000, SRMR = .014. Różnica ΔCFI = .056 pokazuje, jak duży był skutek pominięcia jednego parametru.

Jak interpretować CFI: progi i ich ograniczenia

Najczęściej cytowane kryterium pochodzi od Hu i Bentlera (1999): CFI bliskie .95 lub wyższe, oceniane łącznie z drugim indeksem, np. SRMR ≤ .08 albo RMSEA ≤ .06. Starsza konwencja .90 bywa dziś traktowana jako dopasowanie co najwyżej akceptowalne. Progi te mają jednak ograniczenia:

  • Marsh i in. (2004) przestrzegają przed traktowaniem ich jak „złotych reguł”. W symulacjach Hu i Bentlera wiele modeli z błędami specyfikacji miało dopasowanie akceptowalne nawet według nowych kryteriów, a indeksy lepiej sprawdzały się w porównywaniu modeli zagnieżdżonych niż w ocenie pojedynczego modelu.
  • Kenny i McCoach (2003) pokazali, że przy rosnącej liczbie zmiennych CFI i TLI na ogół się pogarszają, a RMSEA się poprawia. Ta sama wartość CFI znaczy więc co innego w modelu z 6 i z 40 pozycjami.
  • Lai i Green (2016) wyjaśniają, dlaczego CFI i RMSEA mogą dawać sprzeczne oceny. Patrzą na tę samą rozbieżność z różnych perspektyw, a ich progi są arbitralne. Rozbieżność nie musi więc wskazywać konkretnego błędu modelu.

Dlaczego CFI zależy od siły korelacji

Ponieważ CFI porównuje model z modelem niezależności, wynik zależy od tego, jak źle pasuje model bazowy. Gdy pozycje korelują słabo, model bazowy pasuje „nieźle”, mianownik jest mały i nawet drobne niedopasowanie mocno obniża CFI. Rysunek 1 pokazuje to na wartościach populacyjnych. Błąd modelu jest zawsze ten sam (pominięta korelacja reszt .25 między dwiema pozycjami), zmienia się tylko siła ładunków.

Dwa panele: populacyjny CFI rośnie z .920 przy ładunkach .4 do .989 przy ładunkach .8, a RMSEA zmienia się nieznacznie z .059 do .067; ten sam błąd modelu, pominięta korelacja reszt .25
Rysunek 1. Populacyjne wartości CFI i RMSEA dla modelu jednoczynnikowego z 6 pozycjami, w którym pominięto korelację reszt .25 między dwiema pozycjami. Linie przerywane: progi .95 i .06. Obliczenia: R (macierze populacyjne).

Przy ładunkach .40 (średnia korelacja pozycji .17) CFI wynosi .920 i nie spełnia progu .95. Przy ładunkach .80 (średnia korelacja .65) ten sam błąd daje CFI = .989. RMSEA zmienia się w tym czasie tylko z .059 do .067. Niski CFI przy słabo skorelowanych pozycjach nie musi oznaczać gorszego modelu, a wysoki CFI przy silnych korelacjach nie gwarantuje braku błędów. Dlatego zawsze podawaj kilka indeksów i sprawdzaj reszty.

ΔCFI w porównaniach modeli i inwariancji pomiaru

CFI szczególnie przydaje się do porównywania modeli zagnieżdżonych, bo – w przeciwieństwie do testu różnicy chi-kwadrat – w dużych próbach nie reaguje na każdą drobną różnicę. Cheung i Rensvold (2002) sprawdzili w symulacji 20 indeksów przy testowaniu inwariancji między grupami. Polecili ΔCFI jako miarę niezależną od złożoności modelu i liczebności próby i zaproponowali dla niej wartość krytyczną: spadek CFI o więcej niż .01 po nałożeniu ograniczeń sugeruje brak inwariancji pomiaru.

Wersje CFI w programach

Ten sam model może mieć w wydruku kilka wartości CFI. Przy estymacji ML jest jedna, liczona ze zwykłego χ². Przy estymatorach odpornych, takich jak MLR, lavaan podaje dodatkowo CFI „skalowany” i „odporny” (cfi.robust). Do raportu wybierz wersję odporną, bo uwzględnia ona korektę statystyki testu w obu modelach. Przy pozycjach porządkowych i WLSMV CFI bywa wyraźnie inny niż przy ML na tych samych danych, a progi wyprowadzone w symulacjach dla ML nie przenoszą się wprost na ten estymator. Model bazowy też musi być ten sam: w analizach wielogrupowych i z brakami danych (FIML) programy różnie go definiują, dlatego CFI z dwóch programów może się nieco różnić.

Jak opisać CFI w pracy (APA)

Podaj CFI z trzema miejscami po przecinku albo dwoma (bez zera przed kropką) razem z χ², TLI, RMSEA z 90% CI i SRMR. Napisz, którą wersję raportujesz (zwykłą, skalowaną czy odporną przy MLR) i z jakimi progami porównujesz wyniki.

Jednoczynnikowy model skali perfekcjonizmu (N = 400, estymacja ML) dopasował się niezadowalająco, χ²(9) = 46.80, p < .001, CFI = .944, TLI = .907, RMSEA = .102, SRMR = .046. Indeksy modyfikacji wskazały na wspólną wariancję pozycji 1 i 2, które mają podobne sformułowanie; po dodaniu kowariancji ich błędów dopasowanie było bardzo dobre, χ²(8) = 6.63, p = .577, CFI = 1.000, RMSEA = .000, SRMR = .014 (ΔCFI = .056).
Przykład reprodukowalny

CFI w R (lavaan)

Kod tworzy dane z przykładu, odczytuje χ² modelu i modelu bazowego, liczy CFI ręcznie, dopasowuje model bazowy osobno, porównuje model z kowariancją błędów (ΔCFI) i liczy populacyjne CFI oraz RMSEA dla tego samego błędu specyfikacji przy różnej sile ładunków. Liczby w tekście i na rysunku 1 pochodzą z tego kodu.

CFI ręcznie i wpływ siły korelacji

Dane wejściowe: 400 osób (dane symulowane, set.seed(103)), 6 pozycji skali perfekcjonizmu (1–7); w części 4 – macierze populacyjne.

Co odczytać: chisq, baseline.chisq i cfi; ręczne ncp_model, ncp_baseline i CFI; średnią korelację pozycji; ΔCFI; tabelę z kolumnami lambda, sr_korelacja, CFI i RMSEA.

R
suppressPackageStartupMessages(library(lavaan))

# Dane symulowane: 400 osób wypełniło 6-pozycyjną skalę perfekcjonizmu (odpowiedzi 1–7).
# W populacji pozycje pf1 i pf2 mają dodatkowo wspólną wariancję (podobne sformułowanie),
# której model jednoczynnikowy nie uwzględnia.
set.seed(103)
pop <- '
  perfekcjonizm =~ 0.75*pf1 + 0.70*pf2 + 0.68*pf3 + 0.65*pf4 + 0.62*pf5 + 0.60*pf6
  pf1 ~~ 0.18*pf2
'
z <- simulateData(pop, sample.nobs = 400, standardized = TRUE)
dane <- as.data.frame(lapply(z, function(x) pmin(pmax(round(4 + 1.4 * x), 1), 7)))

fit <- cfa('perfekcjonizm =~ pf1 + pf2 + pf3 + pf4 + pf5 + pf6', data = dane)
fm <- fitMeasures(fit, c("chisq", "df", "pvalue", "baseline.chisq", "baseline.df", "cfi", "tli", "rmsea", "srmr"))
round(fm, 3)

# 1. CFI ręcznie: 1 − max(χ²M − dfM, 0) / max(χ²B − dfB, χ²M − dfM, 0)
ncp_m <- max(fm[["chisq"]] - fm[["df"]], 0)
ncp_b <- max(fm[["baseline.chisq"]] - fm[["baseline.df"]], ncp_m, 0)
c(ncp_model = ncp_m, ncp_baseline = ncp_b, CFI = 1 - ncp_m / ncp_b)

# 2. Model bazowy (niezależności): same wariancje, wszystkie kowariancje = 0
fit_b <- cfa('pf1 ~~ pf1
              pf2 ~~ pf2
              pf3 ~~ pf3
              pf4 ~~ pf4
              pf5 ~~ pf5
              pf6 ~~ pf6', data = dane)
round(fitMeasures(fit_b, c("chisq", "df")), 3)
round(mean(cor(dane)[lower.tri(cor(dane))]), 3)          # średnia korelacja pozycji

# 3. Model z kowariancją błędów pf1–pf2 i porównanie (ΔCFI)
fit2 <- cfa('perfekcjonizm =~ pf1 + pf2 + pf3 + pf4 + pf5 + pf6
             pf1 ~~ pf2', data = dane)
round(fitMeasures(fit2, c("chisq", "df", "pvalue", "cfi", "rmsea", "srmr")), 3)
round(fitMeasures(fit2, "cfi") - fitMeasures(fit, "cfi"), 3)

# 4. Ten sam błąd specyfikacji (korelacja reszt pf1–pf2 = .25), różna siła ładunków.
#    Wartości populacyjne: F = rozbieżność modelu dopasowanego do macierzy populacyjnej,
#    CFI = 1 − F(model) / F(bazowy), RMSEA = √(F(model) / df). Nie zależą od N.
cfi_pop <- function(lambda, r_reszt = 0.25) {
  L <- matrix(rep(lambda, 6)); S <- L %*% t(L); diag(S) <- 1
  S[1, 2] <- S[2, 1] <- S[1, 2] + r_reszt * (1 - lambda^2)
  dimnames(S) <- list(paste0("pf", 1:6), paste0("pf", 1:6))
  f <- cfa('perfekcjonizm =~ pf1 + pf2 + pf3 + pf4 + pf5 + pf6', sample.cov = S, sample.nobs = 1e5)
  F_m <- fitMeasures(f, "chisq") / 1e5; F_b <- fitMeasures(f, "baseline.chisq") / 1e5
  c(lambda = lambda, sr_korelacja = mean(S[lower.tri(S)]), CFI = unname(1 - F_m / F_b), RMSEA = unname(sqrt(F_m / 9)))
}
tab <- t(sapply(c(0.4, 0.5, 0.6, 0.7, 0.8), cfi_pop))
round(tab, 3)
Wynik w R
         chisq             df         pvalue baseline.chisq    baseline.df 
        46.802          9.000          0.000        692.305         15.000 
           cfi            tli          rmsea           srmr 
         0.944          0.907          0.102          0.046 
   ncp_model ncp_baseline          CFI 
   37.801715   677.304752     0.944188 
  chisq      df 
692.305  15.000 
[1] 0.403
 chisq     df pvalue    cfi  rmsea   srmr 
 6.631  8.000  0.577  1.000  0.000  0.014 
  cfi 
0.056 
     lambda sr_korelacja   CFI RMSEA
[1,]    0.4        0.174 0.920 0.059
[2,]    0.5        0.262 0.951 0.063
[3,]    0.6        0.371 0.971 0.065
[4,]    0.7        0.498 0.982 0.066
[5,]    0.8        0.646 0.989 0.067

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 i ggplot2 (rysunki). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. lavaan (wersja 0.7-2): 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
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • CFI ≥ .95 jako dowód poprawności modelu. Próg to reguła kciuka, a CFI nie pokazuje, gdzie model nie pasuje.
  • Porównywanie CFI modeli o różnej liczbie zmiennych albo z różnymi estymatorami (np. ML i WLSMV) bez komentarza.
  • Raportowanie CFI bez χ² i RMSEA. Czytelnik nie oceni wtedy, czy niski CFI wynika ze słabych korelacji pozycji.
  • Mylenie CFI z TLI. TLI karze za liczbę parametrów i może przekraczać 1, CFI jest obcięty do zakresu 0–1.
  • Zwykły CFI przy estymacji MLR, zamiast wersji odpornej (cfi.robust w lavaan), której wymaga ta estymacja.

Pełną ocenę dopasowania opisują poradniki CB-SEM krok po kroku i inwariancja pomiaru krok po kroku; zestawienie wyników przygotujesz według wzoru tabeli dopasowania modelu CFA.

Najczęstsze pytania

Jaka wartość CFI oznacza dobre dopasowanie modelu?

Najczęściej za dobre dopasowanie uznaje się CFI ≥ .95 (Hu i Bentler, 1999), a wartości .90–.95 bywają opisywane jako akceptowalne. Progi to reguły kciuka: oceniaj CFI razem z χ², RMSEA i SRMR oraz resztami modelu.

Czym różni się CFI od TLI?

Oba porównują model z modelem bazowym, ale TLI odnosi niedopasowanie do liczby stopni swobody, więc karze za złożoność i może przekraczać 1. CFI używa samej niecentralności (χ² − df) i jest obcięty do zakresu 0–1. Zwykle TLI jest nieco niższy niż CFI, jak w przykładzie (.907 wobec .944).

Dlaczego CFI jest niski, choć RMSEA jest dobre?

Najczęściej dlatego, że zmienne słabo ze sobą korelują: model bazowy pasuje wtedy stosunkowo dobrze, a każde niedopasowanie modelu badanego stanowi dużą część jego niedopasowania. RMSEA nie ma takiego punktu odniesienia, więc oba indeksy mogą dawać różne oceny tego samego modelu.

Jak wykorzystać ΔCFI w analizie inwariancji pomiaru?

Porównaj CFI modelu z ograniczeniami równości (np. równe ładunki w grupach) z CFI modelu mniej ograniczonego. Spadek CFI o więcej niż .01 traktuje się jako sygnał, że ograniczenie nie jest spełnione, czyli że dany poziom inwariancji nie został osiągnięty.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. 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
  2. Cheung, G. W., & Rensvold, R. B. (2002). Evaluating goodness-of-fit indexes for testing measurement invariance. Structural Equation Modeling: A Multidisciplinary Journal, 9(2), 233–255. https://doi.org/10.1207/s15328007sem0902_5
  3. Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
  4. Kenny, D. A., & McCoach, D. B. (2003). Effect of the number of variables on measures of fit in structural equation modeling. Structural Equation Modeling: A Multidisciplinary Journal, 10(3), 333–351. https://doi.org/10.1207/s15328007sem1003_1
  5. Lai, K., & Green, S. B. (2016). The problem with having two watches: Assessment of fit when RMSEA and CFI disagree. Multivariate Behavioral Research, 51(2-3), 220–239. https://doi.org/10.1080/00273171.2015.1134306
  6. Marsh, H. W., Hau, K.-T., & Wen, Z. (2004). In search of golden rules: Comment on hypothesis-testing approaches to setting cutoff values for fit indexes and dangers in overgeneralizing Hu and Bentler's (1999) findings. Structural Equation Modeling: A Multidisciplinary Journal, 11(3), 320–341. https://doi.org/10.1207/s15328007sem1103_2

Cytowania BibTeX

@article{bentler1990comparative, author={Bentler, P. 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{cheung2002evaluating, author={Cheung, Gordon W. and Rensvold, Roger B.}, title={{Evaluating goodness-of-fit indexes for testing measurement invariance}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={2002}, volume={9}, number={2}, pages={233--255}, doi={10.1207/s15328007sem0902_5}}
@article{hu1999cutoff, author={Hu, Li-tze and Bentler, Peter M.}, title={{Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={1999}, volume={6}, number={1}, pages={1--55}, doi={10.1080/10705519909540118}}
@article{kenny2003effect, author={Kenny, David A. and McCoach, D. Betsy}, title={{Effect of the number of variables on measures of fit in structural equation modeling}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={2003}, volume={10}, number={3}, pages={333--351}, doi={10.1207/s15328007sem1003_1}}
@article{lai2016problem, author={Lai, Keke and Green, Samuel B.}, title={{The problem with having two watches: Assessment of fit when RMSEA and CFI disagree}}, journal={Multivariate Behavioral Research}, year={2016}, volume={51}, number={2-3}, pages={220--239}, doi={10.1080/00273171.2015.1134306}}
@article{marsh2004search, author={Marsh, Herbert W. and Hau, Kit-Tai and Wen, Zhonglin}, title={{In search of golden rules: Comment on hypothesis-testing approaches to setting cutoff values for fit indexes and dangers in overgeneralizing Hu and Bentler's (1999) findings}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={2004}, volume={11}, number={3}, pages={320--341}, doi={10.1207/s15328007sem1103_2}}
R