Questions tagged «confirmatory-factor»

当我使用GAM时，它给了我剩余的DF为（代码的最后一行）。这意味着什么？超越GAM示例，通常，自由度可以是非整数吗？26.626.626.6 > library(gam) > summary(gam(mpg~lo(wt),data=mtcars)) Call: gam(formula = mpg ~ lo(wt), data = mtcars) Deviance Residuals: Min 1Q Median 3Q Max -4.1470 -1.6217 -0.8971 1.2445 6.0516 (Dispersion Parameter for gaussian family taken to be 6.6717) Null Deviance: 1126.047 on 31 degrees of freedom Residual Deviance: 177.4662 on 26.6 degrees of …

27 r  degrees-of-freedom  gam  machine-learning  pca  lasso  probability  self-study  bootstrap  expected-value  regression  machine-learning  linear-model  probability  simulation  random-generation  machine-learning  distributions  svm  libsvm  classification  pca  multivariate-analysis  feature-selection  archaeology  r  regression  dataset  simulation  r  regression  time-series  forecasting  predictive-models  r  mean  sem  lavaan  machine-learning  regularization  regression  conv-neural-network  convolution  classification  deep-learning  conv-neural-network  regression  categorical-data  econometrics  r  confirmatory-factor  scale-invariance  self-study  unbiased-estimator  mse  regression  residuals  sampling  random-variable  sample  probability  random-variable  convergence  r  survival  weibull  references  autocorrelation  hypothesis-testing  distributions  correlation  regression  statistical-significance  regression-coefficients  univariate  categorical-data  chi-squared  regression  machine-learning  multiple-regression  categorical-data  linear-model  pca  factor-analysis  factor-rotation  classification  scikit-learn  logistic  p-value  regression  panel-data  multilevel-analysis  variance  bootstrap  bias  probability  r  distributions  interquartile  time-series  hypothesis-testing  normal-distribution  normality-assumption  kurtosis  arima  panel-data  stata  clustered-standard-errors  machine-learning  optimization  lasso  multivariate-analysis  ancova  machine-learning  cross-validation 

我想知道项目响应理论和确认性因素分析之间的核心，有意义的区别是什么。 我了解计算方法存在差异（更多地关注项目与协方差；对数线性与线性）。 但是，我不知道从更高的角度讲这意味着什么-这是否意味着在某些情况下IRT比CFA更好？还是最终用途略有不同？ 任何思考都将是有用的，因为对研究文献的扫描导致对IRT和CFA的更多描述，而不是对它们之间核心差异的任何有用比较。

14 confirmatory-factor  irt 

研究人员经常使用两项具有非常相似项目的度量标准，并争辩说它们测量的是不同的事物（例如，“我总是在汽车周围时会担心”；“我担心汽车”）。让我们从汽车量表中将假设的量度称为“汽车恐惧量度”和“焦虑量度”。如果他们确实评估了不同的潜在结构，或者它们测量的是相同的东西，我会对经验进行测试感兴趣。 我认为做到这一点的两种最佳方法是通过工厂探索性分析（EFA）或确认性因素分析（CFA）。我认为EFA会很好，因为它允许所有项目不受限制地自由加载。如果两个量表中的项目使用相同的因子，那么我可以得出结论，这些度量可能无法很好地评估不同的事物。但是，我还将看到CFA的好处，因为我将测试预定义的模型。例如，我可以比较一个模型的拟合度，在该模型中，所有项目都加载到一个因素上（即，他们没有评估不同的结构），或者项目被划分为预期的度量。我想，CFA的一个问题是它不会真正考虑替代模型（例如，三因素模型）。 为了讨论的目的，让我们也许考虑一下，我想把另外两种非常相似的方法（例如，汽车焦虑调查表和用于评估汽车恐惧的量表）加入其中！ 我怎样才能最好地从统计角度确定两种措施是否评估了不同的结构？

12 factor-analysis  confirmatory-factor  eda 

我正在尝试使用进行验证性因素分析（CFA）lavaan。我很难解释产生的输出lavaan。 我有一个简单的模型-收集调查数据中的项目支持4个因素。这些因素与这些项目所测量的一致，在某种程度上看来它们可以用作有效的测量。 请帮我理解所产生的输出如下lavaan的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 …

11 r  sem  confirmatory-factor  lavaan 

我不确定如何继续在拉瓦那做CFA。我有172名参与者的样本（我知道对于CFA来说不算多），还有28项具有7点李克特量表的项目，应该加载七个因素。我使用“ mlm”估计量进行了CFA，但模型拟合确实很差（χ2（df = 329）= 739.36；比较拟合指数（CFI）= 0.69；标准均方根残差（SRMR）=。10；近似均方根误差（RMSEA）=。09； RMSEA 90％置信区间（CI）= [.08，.10]。 我尝试了以下方法： 具有一个通用方法因子->的双因子模型未收敛。 序数数据的估计量（“ WLSMV”）—>模型拟合：（χ2（df = 329）= 462;比较拟合指数（CFI）= 0.81;标准化均方根残差（SRMR）=。09;均方根误差近似值（RMSEA）=。05； RMSEA 90％置信区间（CI）= [.04，.06]） 通过减少那些在因子上负荷较低的项目并在特定项目之间增加协方差的项目来简化模型->模型拟合：χ2（df = 210）= 295; 比较拟合指数（CFI）= 0.86；标准化均方根残差（SRMR）=。08; 近似均方根误差（RMSEA）=。07; RMSEA 90％置信区间（CI）= [.06，.08]。 现在我的问题是： 这样的模型应该怎么办？ 在统计上正确的做法是什么？ 报告它适合还是不适合？以及那些模型中的哪一个？ 我很高兴与您讨论此事。 这是原始模型的CFA的lavaan输出： lavaan (0.5-17.703) converged normally after 55 iterations Used Total Number of observations 149 172 …

9 r  sem  fitting  confirmatory-factor 

我正在探索一项10项自我报告测评的心理测量特性。我有两个独立样本中的大约400个案例。这些项目以4点李克特量表完成。全民教育显然支持单因素解决方案（例如，第一特征值超过6，所有其他本征值低于1），而克朗巴赫的alpha值很好（例如.90）。没有项目具有较低的项目-总相关性。 我最初想做一个CFA（EFA只是我发现CFA不好之后的后续工作），测试一个单因素模型。令我惊讶的是，该模型的适用性相对较差： CFI=.91 TLI=.88 RMSEA=.13 此外，每个项目的负载都非常好（.65+）。 奇怪的是SRMR=.05，这是可以接受的/很好。 修改索引建议我将各地的错误相关联。如果有明确的理由这样做（例如，某些项目的措词非常相似），我会这样做；但是，所有度量的措词都类似，并且将所有错误术语关联起来将是奇怪而痛苦的。 我从未见过这样的情况。这项措施在内部是一致的，显然是全民教育中的一个因素，但在CFA中显示不佳。在两个独立的样本（来自不同大陆）中，结果是一致的。我尝试了两因素CFA（将5个随机项目分组），拟合度相同，甚至略胜一筹。 这是我的问题： 考虑到EFA / Cronbach alpha /因子负荷，为什么CFI / TLI / RMSEA的拟合度如此差？ 为什么SRMR好，而其他指数却不好？我知道他们会衡量不同的事物，但以我的经验，他们几乎总是会聚在一起。 我应该关联一些错误吗？ 示例项目： 你有缺点的想法 您的想法很难忘记 你一直在想情况

9 factor-analysis  survey  psychometrics  psychology  confirmatory-factor