Frage:
Wie interpretiere ich die Ausgabe von Modifikationsindizes von Strukturgleichungsmodellen?
rnso
2015-06-21 11:20:08 UTC
view on stackexchange narkive permalink

Ich versuche folgendes Beispiel eines Strukturgleichungsmodells in R: 

  erfordern (lavaan) HS.model <- "visual = ~ x1 + x2 + x3 + textual = ~ x4 + x5 + x6 + Geschwindigkeit = ~ x7 + x8 + x9 "> fit <cfa (HS.model, data = HolzingerSwineford1939) Zusammenfassung (fit, fit.measures = TRUE, modindices = T) Lavaan (0,5-18) konvergierte normal nach 35 Iterationen Anzahl der Beobachtungen 301 Schätzer ML Minimale Funktionsteststatistik 85.306 Freiheitsgrade 24 P-Wert (Chi-Quadrat) 0.000 Modell Test Baseline-Modell: Minimale Funktionsteststatistik 918.852 Freiheitsgrade 36 P-Wert 0.000 Benutzermodell versus Basismodell: C. Vergleichsanpassungsindex (CFI) 0,931 Tucker-Lewis-Index (TLI) 0,896 Loglikelihood- und Informationskriterien: Loglikelihood-Benutzermodell (H0) -3737,745 Loglikelihood-Modell ohne Einschränkungen (H1) -3695,092 Anzahl der freien Parameter 21 Akaike (AIC) 7517,490 Bayesian (BIC) 7595.339 Stichprobengröße angepasst Bayesian (BIC) 7528.739 Root Mean Square Approximationsfehler: RMSEA 0.092 90 Prozent Konfidenzintervall 0.071 0.114 P-Wert RMSEA < = 0.05 0.001 Standardisierter Root Mean Square Rest: SRMR 0.065 Parameterschätzungen: Information Expected Standard Errors Standard
Schätzen Sie den Std.err Z-Wert P (> | z |). Latente Variablen: visuell = ~ x1 1.000 x2 0,554 0,100 5,554 0,000 x3 0,729 0,109 6,685 0,000 textuell = ~ x4 1.000 x5 1,113 0,065 17,014 0,000 x6 0,926 0,055 16,703 0,000 Geschwindigkeit = ~ x7 1.000 x8 1.180 0.165 7.152 0.000 x9 1.082 0.151 7.155 0.000 Kovarianzen: visuell ~~ textuell 0.408 0.074 5.552 0.000 Geschwindigkeit 0.262 0.056 4.660 0.000 textuell ~~ Geschwindigkeit 0.173 0.049 3.518 0.000 Varianzen: x1 0.549 0.114 x2 1.134 0.102 x3 0.844 0.091 x4 0,446 0,058 x 6 0,356 0,043 x 7 0,799 0,081 x 8 0,488 0,074 x 9 0,566 0,071 visuell 0,809 0,145 textuell 0,979 0,112 Geschwindigkeit 0,384 0,086

Das Modell erscheint aufgrund der Anpassungsgüteindizes gut. Die Änderungsindizes lauten wie folgt: 

  Änderungsindizes: lhs op rhs mi epc sepc.lv sepc.all sepc.nox 1 visual = ~ x1 NA NA NA NA NA 2 visual = ~ x2 0,000 0,000 0.000 0.000 0.000 3 visuell = ~ x3 0.000 0.000 0.000 0.000 0.000 4 textuell = ~ x4 NA NA NA NA NA 5 textuell = ~ x5 0.000 0.000 0.000 0.000 0.000 6 textuell = ~ x6 0.000 0.000 0.000 0.000 0.000 7 Geschwindigkeit = ~ x7 NA NA NA NA NA
8 Geschwindigkeit = ~ x8 0.000 0.000 0.000 0.000 0.000 9 Geschwindigkeit = ~ x9 0.000 0.000 0.000 0.000 0.000 10 x1 ~~ x1 0.000 0.000 0.000 0.000 0.000 11 x2 ~~ x2 0.000 0.000 0.000 0.000 0.000 12 x3 ~~ x3 0.000 0.000 0.000 0.000 0.000 0.000 13 x4 ~~ x4 0.000 0.000 0.000 0.000 0.000 14 x5 ~~ x5 0.000 0.000 0.000 0.000 0.000 15 x6 ~~ x6 0.000 0.000 0.000 0.000 0.000 16 x7 ~~ x7 0.000 0.000 0.000 0.000 0.000 17 x8 ~~ x8 0.000 0.000 0.000 0.000 0.000 0.000 18 x9 ~~ x9 0.000 0.000 0.000 0.000 0.000 19 visuell ~~ visuell 0.000 0.000 0.000 0.000 0.000 20 textuell ~~ textuell 0.000 0.000 0.000 0.000 0.000 21 Geschwindigkeit ~~ Geschwindigkeit 0.000 0.000 0.000 0.000 0.000 22 visuell ~~ textuell 0.000 0.000 0.000 0.000 0.000 0.000 23 visuelle ~~ Geschwindigkeit 0. 000 0,000 0,000 0,000 0,000 24 textuell ~~ Geschwindigkeit 0,000 0,000 0,000 0,000 0,000 25 visuell = ~ x4 1,211 0,077 0,069 0,059 0,059 26 visuell = ~ x5 7,441 -0,210 -0,189 -0,147 -0,147 27 visuell = ~ x6 2,843 0,111 0,100 0,092 0,092 28 visuell = ~ x7 18.631 -0.422 -0.380 -0.349 -0.349 29 visuell = ~ x8 4.295 -0.210 -0.189 -0.187 -0.187 30 visuell = ~ x9 36.411 0.577 0.519 0.515 0.515 31 textuell = ~ x1 8.903 0.350 0.347 0.297 0.297 32 textuell = ~ x2 0,017 -0,011 -0,011 -0,010 -0,010 33 Text = ~ x3 9,151 -0,272 -0,269 -0,238 -0,238 34 Text = ~ x7 0,098 -0,021 -0,021 -0,019 -0,019 35 Text = ~ x8 3,359 -0,121 -0,120 - 0,118 -0,118 36 Text = ~ x9 4,796 0,138 0,137 0,136 0,136 37 Geschwindigkeit = ~ x1 0,014 0,024 0,015 0,013 0,013
38 Geschwindigkeit = ~ x2 1,580 -0,198 -0,123 -0,105 -0,105 39 Geschwindigkeit = ~ x3 0,716 0,136 0,084 0,075 0,075 40 Geschwindigkeit = ~ x4 0,003 -0,005 -0,003 -0,003 -0,003 41 Geschwindigkeit = ~ x5 0,201 -0,044 -0,027 -0,021 -0,021 42 Geschwindigkeit = ~ x6 0,273 0,044 0,027 0,025 0,025 43 x1 ~~ x2 3,606 -0,184 -0,184 -0,134 -0,134 44 x1 ~~ x3 0,935 -0,139 -0,139 -0,105 -0,105 45 x1 ~~ x4 3,554 0,078 0,078 0,058 0,058 46 x1 ~~ x5 0,522 -0,033 -0,033 -0,022 -0,022 47 x1 ~~ x6 0,048 0,009 0,009 0,007 0,007 48 x1 ~~ x7 5,420 -0,129 -0,129 -0,102 -0,102 49 x1 ~~ x8 0,634 -0,041 -0,041 -0,035 -0,035 50 x1 ~~ x9 7,335 0,138 0,138 0,117 0,117 51 x2 ~~ x3 8,532 0,218 0,218 0,164 0,164 52 x2 ~~ x4 0,534 -0,034 -0,034 -0,025 -0,025 53 x2 ~~ x5 0. 023 -0.008 -0.008 -0.005 -0.005 54 x2 ~~ x6 0.785 0.039 0.039 0.031 0.031 55 x2 ~~ x7 8.918 -0.183 -0.183 -0.143 -0.143 56 x2 ~~ x8 0.054 -0.012 -0.012 -0.010 -0.010 57 x2 ~ ~ x9 1,895 0,075 0,075 0,063 0,063 58 x3 ~~ x4 0,142 -0,016 -0,016 -0,012 -0,012 59 x3 ~~ x5 7,858 -0,130 -0,130 -0,089 -0,089 60 x3 ~~ x6 1,855 0,055 0,055 0,044 0,044 61 x3 ~~ x7 0,638 -0,044 -0,044 -0,036 -0,036 62 x3 ~~ x8 0,059 -0,012 -0,012 -0,011 -0,011 63 x3 ~~ x9 4,126 0,102 0,102 0,089 0,089 64 x4 ~~ x5 2,534 0,186 0,186 0,124 0,124 65 x4 ~~ x6 6,220 - 0,235 -0,235 -0,185 -0,185 66 x4 ~~ x7 5,920 0,098 0,098 0,078 0,078 67 x4 ~~ x8 3,805 -0,069 -0,069 -0,059 -0,059
68 x4 ~~ x9 0.196 -0.016 -0.016 -0.014 -0.014 69 x5 ~~ x6 0.916 0.101 0.101 0.072 0.072 70 x5 ~~ x7 1.233 -0.049 -0.049 -0.035 -0.035 71 x5 ~~ x8 0.347 0.023 0.023 0.018 0.018 72 x5 ~~ x9 0.999 0.040 0.040 0.031 0.031 73 x6 ~~ x7 0.259 -0.020 -0.020 -0.017 -0.017 74 x6 ~~ x8 0.275 0.018 0.018 0.016 0.016 75 x6 ~~ x9 0.097 -0.011 -0.011 -0.010 -0.010 76 x7 ~~ x8 34.145 0.536 0.536 0.488 0.488 77 x7 ~~ x9 5.183 -0.187 -0.187 -0.170 -0.170 78 x8 ~~ x9 14.946 -0.423 -0.423 -0.415 -0.415

Wie interpretiere ich diese? Änderungsindizes? Gibt es Hinweise, wie das Modell verbessert werden kann? Vielen Dank für Ihren Einblick.

Zwei antworten:
Jon
2016-01-18 20:44:26 UTC
view on stackexchange narkive permalink

In den meisten CFA-Analysen erreicht der Chi-Quadrat-Wert nicht p> 0,05, insbesondere wenn Sie ein großes N haben. Die meisten Menschen suchen nach CMIN, dh chisq / df, von <3 oder der Änderung des Chi-Quadrats zwischen verschachtelte Modelle, dh zwei Modelle mit einer geringfügigen Änderung der Struktur, wobei das Chi-Quadrat dafür (diff in chisq) mit (diff in df) df ist.

Die Änderungsindizes schlagen Links vor, um Änderungen in Ihrer Struktur vorzunehmen. Führen Sie dies schrittweise durch und überprüfen Sie die Änderung in Chi-Quadrat nach jedem einzelnen, um festzustellen, ob dies wirklich geholfen hat. Sie sollten nur theoretisch sinnvolle Änderungen an Ihrem Modell vornehmen. Beginnen Sie mit der größten sinnvollen Modifikation.

Die MIs mit dem Operator = ~ werden am häufigsten verwendet, da diese zwischen latenten (endogenen) und beobachteten (exogenen) Variablen liegen.

Sobald Sie haben Erschöpft zeigen die Operatoren ~~ zusätzliche Verknüpfungen zwischen Faktoren oder Fehlervarianzen an. Sei hier vorsichtig. Die meisten Analysten akzeptieren das Hinzufügen von Verknüpfungen zwischen Fehlervarianzen für beobachtete Variablen, die dieselbe latente Variable bilden, oder für beobachtete Variablen, deren Beziehung von den latenten Variablen im Modell nicht erfasst wird (z. B. Messmethode, möglicherweise).

Es kann hilfreich sein, die Änderungsindizes in sortierter Reihenfolge auszudrucken.Lavaan tut dies durch Modifikationsindizes (fit, sort. = TRUE).Notieren Sie den Zeitraum nach dem Sortieren.
lf_araujo
2015-10-22 05:06:57 UTC
view on stackexchange narkive permalink

Das Modell ist eigentlich nicht so gut. Sie haben ein Chi-Quadrat von 85,306 mit einem p-Wert von 0,000. Sie möchten, dass es stattdessen nicht statistisch signifikant ist. Auch die anderen Anpassungsindizes sind beim Vergleich zweier verschiedener Modelle leichter zu interpretieren. An sich bedeuten sie wenig bis gar nichts. Einige Autoren haben vorgeschlagen, dass RMSEA unter 0,08 verwendet werden kann, um für eine gute Anpassung zu argumentieren. Dies ist jedoch vor Ort nicht vereinbart, und Ihr RMSEA liegt über diesem Schwellenwert.

Verbessern Sie Ihr Modell, indem Sie mit MI

Einige Autoren empfehlen nicht, Ihr Modell zu verbessern, indem Sie an den MI-Werten herumspielen. Je größer der mi-Wert ist, desto einflussreicher ist die Variable.

Sie können diese Variablen erkennen, indem Sie Folgendes ausführen: 

  mod_ind <- Modifikationsindizes (fit)

Spotting der Top 10: 

  head (mod_ind [order (mod_ind $ mi, abnehmend = TRUE),], 10)

Und die Teilmenge größer als 5: 

  (mod_ind [Reihenfolge (mod_ind $ mi, abnehmend = WAHR),], mi > 5)

Auch dies sollte nur durchgeführt werden, wenn Sie eine Hypothese darüber haben, was in den Daten möglicherweise vor sich geht.

Hier ist der Verweis auf den Code: http://jeromyanglim.tumblr.com/post/33556941601/lavaan-cheat-sheet

Es scheint, als würden Sie implizieren, dass ein signifikantes Chi-Quadrat (d. H. P = 0,000 hier) ein schlechtes Modell anzeigt.Dies ist nicht unbedingt der Fall, da es sehr empfindlich auf die Stichprobengröße reagiert.Ich würde eher sagen, dass das Modell wahrscheinlich verbessert werden könnte, da TLI, CFI, RMSEA und der Chi-Quadrat + p-Wert des Modells die Grenzwerte nicht erreichen / überschreiten (siehe z. B. https://www.tandfonline.com)/doi/abs/10.1080/10705519909540118?journalCode=hsem20).Dies wird bei der Überprüfung der Änderungsindizes bestätigt, da es mehrere wirklich hohe gibt (z. B.: X7 ~~ x8: 30+).


ⓘ
Diese Fragen und Antworten wurden automatisch aus der englischen Sprache übersetzt.Der ursprüngliche Inhalt ist auf stackexchange verfügbar. Wir danken ihm für die cc by-sa 3.0-Lizenz, unter der er vertrieben wird.
Loading...