ความพอดีของโมเดล

การวิเคราะห์ปัจจัยใน R

Jennifer Brussow

Psychometrician

ความพอดีแบบสัมบูรณ์ vs. สัมพัทธ์

สถิติความพอดีแบบสัมบูรณ์ มีความหมายในตัวเองและมีค่าตัดสินที่แนะนำไว้

Chi-square test
Tucker-Lewis Index (TLI)
Root Mean Square Error of Approximation (RMSEA)

สถิติความพอดีแบบสัมพัทธ์ มีความหมายเมื่อนำโมเดลมาเปรียบเทียบกันเท่านั้น

Bayesian Information Criterion (BIC)

สถิติความพอดีแบบสัมบูรณ์

ค่าตัดสินที่นิยมใช้:

Chi-square test: ผลลัพธ์ไม่มีนัยสำคัญ
Tucker Lewis Index (TLI): > 0.90
Root Mean Square Error of Approximation (RMSEA): < 0.05

การดูค่าสถิติความพอดี

# 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

ความพอดีแบบสัมพัทธ์

# 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

สรุป: การประเมินความพอดีของโมเดล

ตรวจสอบให้แน่ใจว่าโมเดลมีความพอดีแบบสัมบูรณ์ที่ดี (chi-square test, TLI, RMSEA)
หากเปรียบเทียบหลายโมเดล ให้ใช้สถิติความพอดีแบบสัมพัทธ์ (BIC)

มาฝึกกันเถอะ!

การวิเคราะห์ปัจจัยใน R