模型配適

R 中的因素分析

Jennifer Brussow

Psychometrician

絕對 vs. 相對模型配適

絕對配適統計具有內在意義與建議臨界值。

卡方檢定
Tucker-Lewis Index（TLI）
Root Mean Square Error of Approximation（RMSEA）

相對配適統計僅在比較模型時有意義。

Bayesian Information Criterion（BIC）

絕對配適統計

常見臨界值：

卡方檢定：不顯著結果
Tucker Lewis Index（TLI）：> 0.90
Root Mean Square Error of Approximation（RMSEA）：< 0.05

找出配適統計量

# 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

相對模型配適

# 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

總結：評估配適

先確認模型具有良好絕對配適（卡方檢定、TLI、RMSEA）
若比較多個模型，使用相對配適統計（BIC）

一起來練習吧！

R 中的因素分析