Słownik metodologiczny · Modele SEM

GFI (analiza SEM)

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

Strona główna / Słownik / GFI (analiza SEM)

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza GFI (analiza SEM)?

GFI opisuje udział odtworzonej kowariancji w danych, ale jest dziś rzadziej rekomendowany ze względu na zależność od liczebności i złożoności.
Co odróżnia to pojęcie? GFI jest historycznym indeksem absolutnego dopasowania opartym na relacji rozbieżności modelu do rozbieżności bez dopasowania. Silnie reaguje na liczebność i złożoność, dlatego współczesna ocena nie powinna opierać się na jego pojedynczym progu. GFI nie zawiera kary za oszczędność modelu w taki sposób jak PGFI. Jeśli jest raportowany, trzeba dołączyć reszty i powszechniej zalecane indeksy.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Podawaj GFI jedynie jako wskaźnik historyczny i uzupełniaj go współczesnymi miarami dopasowania oraz analizą reszt.

GFI ma obecnie przede wszystkim znaczenie historyczne i pomocnicze. Jeżeli pojawia się w wymaganiach promotora albo starszej literaturze, podaj go obok CFI, TLI, RMSEA, SRMR i analizy reszt, ale nie wybieraj modelu tylko dlatego, że GFI przekroczył umowny próg.

Jak to się oblicza i co oznaczają symbole?

GFI ≈ 1 − (rozbieżność modelu / rozbieżność modelu zerowego)

GFI porównuje wielkość reszt modelu z rozbieżnością punktu odniesienia w określonej funkcji dopasowania. Jego wartość zależy od liczebności, liczby zmiennych i użytej implementacji. Współcześnie traktuje się go jako wskaźnik historyczny i nie zastępuje nim CFI, RMSEA, SRMR ani inspekcji lokalnych reszt.

Jak poprawnie stosować i interpretować hasło „GFI (analiza SEM)”?

Interpretując „GFI (analiza SEM)”, należy najpierw ustalić, jaką rozbieżność lub własność modelu mierzy dany indeks oraz od czego zależy jego skala. Przy ocenie hasła „GFI (analiza SEM)” pojedynczy próg nie może zastąpić oceny reszt, parametrów i sensu teoretycznego. W analizie dotyczącej hasła „GFI (analiza SEM)” dwa modele o podobnej wartości indeksu mogą prowadzić do innych wniosków, jeśli różnią się specyfikacją pomiaru albo kluczowymi ścieżkami.

Ocena pojęcia „GFI (analiza SEM)” powinna łączyć indeksy reprezentujące różne aspekty dopasowania, diagnostykę lokalną i porównanie modeli uzasadnionych przed analizą. Dla interpretacji hasła „GFI (analiza SEM)” wielkość próby, liczba zmiennych i estymator wpływają na zachowanie wielu wskaźników. W odniesieniu do hasła „GFI (analiza SEM)” modyfikację modelu należy traktować jako eksplorację i sprawdzić na nowych danych, zamiast dopasowywać rozwiązanie do szumu.

Co trzeba opisać w raporcie?

Raport dotyczący „GFI (analiza SEM)” powinien podać wartość indeksu wraz z estymatorem i pełnym zestawem kluczowych miar dopasowania. Przy ocenie hasła „GFI (analiza SEM)” warto wskazać przyjęte kryteria, lecz końcowy wniosek oprzeć także na resztach, rozwiązaniach niedopuszczalnych i parametrach. W analizie dotyczącej hasła „GFI (analiza SEM)” każda modyfikacja wymaga uzasadnienia treściowego, a nie tylko oczekiwanego spadku χ².

Zakres raportowania dla hasła „GFI (analiza SEM)”: Model: GFI = …; obok podaj χ², df, CFI/TLI, RMSEA z CI oraz SRMR.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Dwa modele mogą mieć podobny GFI, lecz różnić się niestabilnymi ładunkami lub błędną interpretacją konstruktu.

Jak ją zinterpretować: GFI stanowi historyczną miarę globalnego dopasowania, podatną na liczebność i złożoność modelu. Nie należy ogłaszać dobrego modelu po przekroczeniu jednego progu; ważniejsze są lokalne reszty i zestaw współczesnych diagnostyk.

Najczęstsza pułapka i granica interpretacji

GFI jest wrażliwy na liczebność i złożoność; historyczny próg nie zastępuje współczesnej oceny reszt i parametrów.

Akceptowalna wartość „GFI (analiza SEM)” nie potwierdza prawdziwości modelu ani przyczynowego znaczenia strzałek. Dla interpretacji hasła „GFI (analiza SEM)” model może być globalnie dopasowany, a jednocześnie błędny w części istotnej dla pytania badawczego.

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

Powiązane hasła

CFA (konfirmacyjna analiza czynnikowa)PCFI (analiza SEM)AIC i BIC w SEMAVE (średnia wyodrębniona wariancja)CFI (Comparative Fit Index)Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)

Poradniki, w których użyjesz tego pojęcia

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 →Poradnik

PLS-SEM krok po kroku: założenia, model pomiarowy i strukturalny

Praktyczny przewodnik po PLS-SEM: kiedy metoda odpowiada pytaniu, jak odróżnić kompozyt od wspólnego czynnika, ocenić model i uczciwie raportować wynik.

Czytaj →Poradnik

PLS-SEM w R: kompletny przykład w seminr i cSEM

Odtwarzalny przykład PLS-SEM w R: specyfikacja refleksyjna i kompozytowa, PLSc, bootstrap, HTMT, R², f² i ocena predykcyjna w seminr oraz cSEM.

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. Jarvis, C. B., MacKenzie, S. B., & Podsakoff, P. M. (2003). A critical review of construct indicators and measurement model misspecification in marketing and consumer research. Journal of Consumer Research, 30(2), 199–218. https://doi.org/10.1086/376806
  6. Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297–316. https://doi.org/10.25300/MISQ/2015/39.2.02

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{jarvis2003measurement, author={Jarvis, Cheryl Burke and MacKenzie, Scott B. and Podsakoff, Philip M.}, title={A Critical Review of Construct Indicators and Measurement Model Misspecification in Marketing and Consumer Research}, journal={Journal of Consumer Research}, year={2003}, volume={30}, number={2}, pages={199--218}, doi={10.1086/376806}}
@article{dijkstra2015plsc, author={Dijkstra, Theo K. and Henseler, Jörg}, title={Consistent Partial Least Squares Path Modeling}, journal={MIS Quarterly}, year={2015}, volume={39}, number={2}, pages={297--316}, doi={10.25300/MISQ/2015/39.2.02}}
R