Ajuste do modelo

Análise Fatorial em R

Jennifer Brussow

Psychometrician

Ajuste absoluto vs. relativo

Estatísticas de ajuste absoluto têm significado próprio e valores de corte sugeridos.

Teste qui-quadrado
Tucker-Lewis Index (TLI)
Root Mean Square Error of Approximation (RMSEA)

Estatísticas de ajuste relativo só têm sentido ao comparar modelos.

Bayesian Information Criterion (BIC)

Estatísticas de ajuste absoluto

Valores de corte comuns:

Teste qui-quadrado: resultado não significativo
Tucker Lewis Index (TLI): > 0,90
Root Mean Square Error of Approximation (RMSEA): < 0,05

Encontrando as estatísticas de ajuste

# Run the EFA with six factors (as indicated by your scree plot)
EFA_model <- fa(bfi_EFA, nfactors = 6)

# View results from the model object
EFA_model

The total number of observations was  1400  
    with Likelihood Chi Square =  618.43  with prob <  1.2e-53

Tucker Lewis Index of factoring reliability =  0.916
RMSEA index =  0.045  and the 90 % confidence intervals are  0.041 0.048

BIC =  -576.87

Ajuste relativo do modelo

# Run each theorized EFA on your dataset
bfi_theory <- fa(bfi_EFA, nfactors = 5)
bfi_eigen <- fa(bfi_EFA, nfactors = 6)

# Compare the BIC values
bfi_theory$BIC
bfi_eigen$BIC

bfi_theory$BIC
bfi_eigen$BIC

-381.5326
-576.8658

Em resumo: avaliando o ajuste

Verifique se seu modelo tem bom ajuste absoluto (teste qui-quadrado, TLI, RMSEA)
Ao comparar vários modelos, use estatísticas de ajuste relativo (BIC)

Vamos praticar!

Análise Fatorial em R