Konfigurowanie CFA

Analiza czynnikowa w R

Jennifer Brussow

Psychometrician

Dlaczego analiza konfirmacyjna?

Zalety analizy konfirmacyjnej:

Jawnie określone relacje zmiennych/czynników
Testowanie teorii zdefiniowanej z góry
To właściwe podejście przy opracowywaniu nowej miary!

Diagram ścieżkowy wyników EFA

Konfigurowanie CFA za pomocą funkcji opakowującej

EFA_syn <- structure.sem(EFA_model)

EFA_syn

      Path        Parameter Value
 [1,] "MR5->A1"   "F4A1"    NA   
 [2,] "MR5->A2"   "F4A2"    NA   
 [3,] "MR5->A3"   "F4A3"    NA   
 [4,] "MR5->A4"   "F4A4"    NA   
 [5,] "MR5->A5"   "F4A5"    NA   
 [6,] "MR3->C1"   "F3C1"    NA   
 [7,] "MR3->C2"   "F3C2"    NA   
 [8,] "MR3->C3"   "F3C3"    NA   
 [9,] "MR3->C4"   "F3C4"    NA   
[10,] "MR3->C5"   "F3C5"    NA   
[11,] "MR1->E1"   "F2E1"    NA   
...

Składnia wygenerowana przez funkcję opakowującą

EFA_syn

      Path        Parameter Value
 [1,] "MR5->A1"   "F4A1"    NA

Czynnik 4 (F4) = czynnik MR5 z EFA
Poziom czynnika osoby badanej przewiduje odpowiedzi na pozycje
Funkcja opakowująca automatycznie nazywa parametry
Wartość NA = wartość startowa wybrana losowo

Tworzenie składni CFA na podstawie teorii

# Set up syntax specifying which items load onto each factor
theory_syn_eq <- "
AGE: A1, A2, A3, A4, A5     #Agreeableness
CON: C1, C2, C3, C4, C5     #Conscientiousness
EXT: E1, E2, E3, E4, E5     #Extraversion
NEU: N1, N2, N3, N4, N5     #Neuroticism
OPE: O1, O2, O3, O4, O5     #Openness
"

Krótkie, łatwe do zapamiętania nazwy czynników
Nazwa czynnika zakończona dwukropkiem
Pozycje w liście oddzielonej przecinkami

theory_syn <- cfa(text = theory_syn_eq, reference.indicators = FALSE)

Czas na składnię!

Analiza czynnikowa w R