如何解釋 lavaan 輸出？

我正在嘗試使用lavaan. 我很難解釋lavaan.

我有一個簡單的模型 - 4 個因素，每個因素都由收集的調查數據中的項目支持。這些因素與項目所衡量的內容一致，在某種程度上它們似乎可以作為有效的衡量標準。

lavaan請幫助我理解’s產生的以下輸出cfa()：

Number of observations                          1730

 Estimator                                         ML
 Minimum Function Test Statistic              196.634
 Degrees of freedom                                21
 P-value (Chi-square)                           0.000

Model test baseline model:

 Minimum Function Test Statistic             3957.231
 Degrees of freedom                                36
 P-value                                        0.000

User model versus baseline model:

 Comparative Fit Index (CFI)                    0.955
 Tucker-Lewis Index (TLI)                       0.923

我有這些問題：

1. 基線模型是如何定義的？
2. 鑑於對於指定的自由度，計算出的卡方統計量大於預期值，對於等於 0.000 的 p 值是否有任何解釋？
3. 基於 CFI 和 TLI，看來我幾乎有一個合理的模型。這是一個公平的解釋嗎？

1）基線是一個空模型，通常其中所有觀察到的變量都被限制為沒有其他變量的共變（換句話說，協方差固定為 0）——僅估計個體方差。這通常被視為“合理的”最差擬合模型，您的擬合模型將與該模型進行比較以計算模型擬合的相對指數（例如，CFI/TLI）。

2. 卡方統計量（標記為最小函數檢驗統計量）用於對您指定的模型和空/基線模型執行完美模型擬合的檢驗。它本質上是衡量模型隱含方差/協方差矩陣和觀察到的方差/協方差矩陣之間的偏差。在這兩種情況下，完美擬合的零都被拒絕（p< .001)，儘管這是在基線/空模型的情況下設計的。一些統計學家（例如，Klein，2010）認為模型擬合的卡方檢驗有助於評估模型的質量，但大多數其他人不鼓勵在其解釋中投入大量資金，無論是在概念上（即完美擬合是不合理的）和實用（即卡方檢驗對樣本大小敏感）的原因（例如，參見 Brown，2015；Little，2013）。但是，它對於計算許多其他信息更豐富的模型擬合指數很有用。

3. 什麼級別的模型擬合被認為是“可接受的”的標準可能因學科而異，但至少根據 Hu & Bentler (1999)，您處於被認為是“可接受”的範圍內。0.955 的 CFI 通常被認為是“好”。但是請記住，TLI 和 CFI 都是模型擬合的相對指標——它們將模型的擬合與（最差擬合）空模型的擬合進行比較。Hu & Bentler (1999) 建議您解釋/報告模型擬合的相對和絕對指數。模型擬合的絕對指標將模型的擬合與完美擬合模型進行比較——RMSEA 和 SRMR 是兩個很好的候選者（前者通常與置信區間一起計算，這很好）。

參考

布朗，TA（2015）。應用研究的驗證性因素分析（第 2 版）。紐約，紐約：吉爾福德出版社。

Hu, L. 和 Bentler, PM (1999)。協方差結構分析中擬合指數的截止標準：傳統標準與新選擇。結構方程建模，6，1-55。

克萊恩，RB (2010)。結構方程建模原理與實踐（第3版）。紐約，紐約：吉爾福德出版社。

小，TD（2013）。縱向結構方程建模。紐約，紐約：吉爾福德出版社。

引用自：https://stats.stackexchange.com/questions/140909