Słownik metodologiczny · Modele SEM

PCFI (analiza SEM)

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

Strona główna / Słownik / PCFI (analiza SEM)

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza PCFI (analiza SEM)?

PCFI jest oszczędnościowo skorygowanym CFI: nagradza prostsze modele kosztem bezpośredniej interpretacji.

Zastosowanie, warunki i dobre praktyki

PCFI mnoży CFI przez współczynnik oszczędności zależny od liczby stopni swobody, przez co prostszy model może uzyskać korzystniejszą ocenę. Nie istnieje powszechnie uzgodniony próg odpowiadający progom CFI. Miara służy pomocniczo do porównań modeli na tych samych danych i nie zastępuje oceny bezwzględnych reszt, parametrów ani sensu ograniczeń.

Najważniejsze zastosowanie: Używaj PCFI wyłącznie do pomocniczego porównania modeli o różnej oszczędności, zawsze razem z CFI, resztami i parametrami.

Jak to się oblicza i co oznaczają symbole?

PCFI = CFI · (dfmodelu / dfbazowego)

PCFI obniża CFI, premiując oszczędniejsze modele. Służy głównie do porównywania sensownych modeli dla tych samych danych, a nie do samodzielnego uznawania modelu za poprawny.

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

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

Ocena pojęcia „PCFI (analiza SEM)” powinna łączyć indeksy reprezentujące różne aspekty dopasowania, diagnostykę lokalną i porównanie modeli uzasadnionych przed analizą. Dla interpretacji hasła „PCFI (analiza SEM)” wielkość próby, liczba zmiennych i estymator wpływają na zachowanie wielu wskaźników. W odniesieniu do hasła „PCFI (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 „PCFI (analiza SEM)” powinien podać wartość indeksu wraz z estymatorem i pełnym zestawem kluczowych miar dopasowania. Przy ocenie hasła „PCFI (analiza SEM)” warto wskazać przyjęte kryteria, lecz końcowy wniosek oprzeć także na resztach, rozwiązaniach niedopuszczalnych i parametrach. W analizie dotyczącej hasła „PCFI (analiza SEM)” każda modyfikacja wymaga uzasadnienia treściowego, a nie tylko oczekiwanego spadku χ².

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

Przykład praktyczny i gotowa interpretacja

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

Jak ją zinterpretować: PCFI obniża CFI zależnie od oszczędności modelu, dlatego nie stosuje się do niego tego samego progu co do CFI. Pomaga porównywać złożoność modeli, lecz nie zastępuje oceny ich bezwzględnych reszt.

Najczęstsza pułapka i granica interpretacji

PCFI celowo jest niższy od CFI; nie wolno przykładać do niego progu przeznaczonego dla CFI.

Akceptowalna wartość „PCFI (analiza SEM)” nie potwierdza prawdziwości modelu ani przyczynowego znaczenia strzałek. Dla interpretacji hasła „PCFI (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)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