オリジナルリンク：http://tecdat.cn/?p=10165

実際には、負荷率が低い（又は乏しい測定品質）であり、指数モデルは、より高い負荷率モデルよりも優れて嵌。2つのモデルが持っている場合、例えば、同じエラーレベルが指定され、そして0.4 RMSEAモデルの負荷因子を0.05未満とすることができる一方、0.9 RMSEAモデルの負荷率は、0.2より高くてもよいです。この記事では、チャートを含む、あなたは非常に明確に、これらの結果を伝えることができます。

AFIs それは善指数近似を当てはめると、RMSEAとSRMR絶対フィット感指数、および他の比較的フィットインデックスCFIを含む、のようなものです。

グローバルフィッティング代替インデックスを使用して

書かれたMAHフィット指数はモデル仕様のすべての種類が正しくない検出した（以下、GFIという）グローバルなフィット感指数、です。しかし、MAHはすべてのモデルの仕様は、問題を修正していないではないことを指摘したように。それは別のアイテム・フォロア（シリアル相関）に一つだけのアイテムであるため、2つの項目が、シェア率の誤差は独立に関連している可能性があり、順序効果を考えます。このエラーは、のいずれかのグローバルなフィット感指数（デフォルト値）にマイナスの影響を与えることになるCFAの存在とは関係ありません。また、グローバルなフィット感指数は、あなたがどのような誤差モデルの仕様そう教えてくれません。

SSVは、この方法は、修飾されたインデックス（MI）、予想されるパラメータ（EPC）、理論と電力解析を使用することを含む、調査モデル仕様間違った方法を提示します。関係は、結合した値が自由のモデルによって推定することができるされている場合EPC、関係は、結合したゼロを変更します。私は、多くの場合、MIに精通し、研究者、および誤差モデルの仕様を修正するためにそれらを使用するが、彼らの査読を得るために、GFIを受け入れることができると信じています。MIとEPCとの間の関係は以下のとおりです。

MI =（EPC /σ）= 2MI（EPC /σ）2

SSVは、次のフレームワークをお勧めします。

（D）（D）
- 負荷率のために、絶対値> 0.4
- 相関誤差の絶対値> .1
NCP =（D / P）2ncp =（D / P）2
N Cpncpχ2χ2δδ

以下の決定ルール：

決定ルール

R.のすべてのこれらの実装

library(lavaan)

このような理由から、私はデータ9つの質問には、回答者がX9にターンX1に答えていることを前提としています。

data("HolzingerSwineford1939")
# model syntax for HolzingerSwineford1939 dataset
(syntax <- paste(
  paste("f1 =~", paste0("x", 1:3, collapse = " + ")),
  paste("f2 =~", paste0("x", 4:6, collapse = " + ")),
  paste("f3 =~", paste0("x", 7:9, collapse = " + ")),
  sep = "\n"))

[1] "f1 =~ x1 + x2 + x3\nf2 =~ x4 + x5 + x6\nf3 =~ x7 + x8 + x9"

、モデルを実行する潜在変数を標準化し、標準化の結果を報告します：



lavaan (0.5-23.1097) converged normally after  22 iterations

  Number of observations                           301

  Estimator                                         ML
  Minimum Function Test Statistic               85.306
  Degrees of freedom                                24
  P-value (Chi-square)                           0.000

Parameter Estimates:

  Information                                 Expected
  Standard Errors                             Standard

Latent Variables:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  f1 =~                                                                 
    x1                0.900    0.081   11.127    0.000    0.900    0.772
    x2                0.498    0.077    6.429    0.000    0.498    0.424
    x3                0.656    0.074    8.817    0.000    0.656    0.581
  f2 =~                                                                 
    x4                0.990    0.057   17.474    0.000    0.990    0.852
    x5                1.102    0.063   17.576    0.000    1.102    0.855
    x6                0.917    0.054   17.082    0.000    0.917    0.838
  f3 =~                                                                 
    x7                0.619    0.070    8.903    0.000    0.619    0.570
    x8                0.731    0.066   11.090    0.000    0.731    0.723
    x9                0.670    0.065   10.305    0.000    0.670    0.665

Covariances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  f1 ~~                                                                 
    f2                0.459    0.064    7.189    0.000    0.459    0.459
    f3                0.471    0.073    6.461    0.000    0.471    0.471
  f2 ~~                                                                 
    f3                0.283    0.069    4.117    0.000    0.283    0.283

Variances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .x1                0.549    0.114    4.833    0.000    0.549    0.404
   .x2                1.134    0.102   11.146    0.000    1.134    0.821
   .x3                0.844    0.091    9.317    0.000    0.844    0.662
   .x4                0.371    0.048    7.778    0.000    0.371    0.275
   .x5                0.446    0.058    7.642    0.000    0.446    0.269
   .x6                0.356    0.043    8.277    0.000    0.356    0.298
   .x7                0.799    0.081    9.823    0.000    0.799    0.676
   .x8                0.488    0.074    6.573    0.000    0.488    0.477
   .x9                0.566    0.071    8.003    0.000    0.566    0.558
    f1                1.000                               1.000    1.000
    f2                1.000                               1.000    1.000
    f3                1.000                               1.000    1.000

カイ二乗統計量は重要です

インデックスを変更するための要求。彼らは、最高から最低まで注文しています。要求によってpower = TRUEインクリメントSSVアプリケーションの設定方法。delta = .4負荷率負荷率とモデルがある場合、標準負荷率手段が0.4よりも大きいが欠落していること。することによりdelta = .1、デフォルト、。エラーを解決するのに十分であるSSV案によります。したがって、私は、出力関連のエラーとして使用することを選択しました。



lhs op rhs        mi    epc sepc.all delta   ncp power decision
30  f1 =~  x9 36.411  0.519    0.515   0.1 1.351 0.213  **(m)**
76  x7 ~~  x8 34.145  0.536    0.488   0.1 1.187 0.193  **(m)**
28  f1 =~  x7 18.631 -0.380   -0.349   0.1 1.294 0.206  **(m)**
78  x8 ~~  x9 14.946 -0.423   -0.415   0.1 0.835 0.150  **(m)**
33  f2 =~  x3  9.151 -0.269   -0.238   0.1 1.266 0.203  **(m)**
55  x2 ~~  x7  8.918 -0.183   -0.143   0.1 2.671 0.373  **(m)**
31  f2 =~  x1  8.903  0.347    0.297   0.1 0.741 0.138  **(m)**
51  x2 ~~  x3  8.532  0.218    0.164   0.1 1.791 0.268  **(m)**
59  x3 ~~  x5  7.858 -0.130   -0.089   0.1 4.643 0.577  **(m)**
26  f1 =~  x5  7.441 -0.189   -0.147   0.1 2.087 0.303  **(m)**
50  x1 ~~  x9  7.335  0.138    0.117   0.1 3.858 0.502  **(m)**
65  x4 ~~  x6  6.221 -0.235   -0.185   0.1 1.128 0.186  **(m)**
66  x4 ~~  x7  5.920  0.098    0.078   0.1 6.141 0.698  **(m)**
48  x1 ~~  x7  5.420 -0.129   -0.102   0.1 3.251 0.438  **(m)**
77  x7 ~~  x9  5.183 -0.187   -0.170   0.1 1.487 0.230  **(m)**
36  f2 =~  x9  4.796  0.137    0.136   0.1 2.557 0.359  **(m)**
29  f1 =~  x8  4.295 -0.189   -0.187   0.1 1.199 0.195  **(m)**
63  x3 ~~  x9  4.126  0.102    0.089   0.1 3.993 0.515  **(m)**
67  x4 ~~  x8  3.805 -0.069   -0.059   0.1 7.975 0.806     (nm)
43  x1 ~~  x2  3.606 -0.184   -0.134   0.1 1.068 0.178      (i)
45  x1 ~~  x4  3.554  0.078    0.058   0.1 5.797 0.673      (i)
35  f2 =~  x8  3.359 -0.120   -0.118   0.1 2.351 0.335      (i)

意思決定の列を確認してください。X7とX8が低いため0.193の有効性が、MI統計的に有意で、誤って指定と呼ばれています。

しかし、考慮X2およびX7の低消費電力（LHS 55）、373個の、MIの素晴らしいです。いくつかの説2つのプロジェクトがありますか？私は勧告それの関連性を説明することができますか？

我々は指定されたエラーがないと結論づけることができるように、統計的にX4、およびX8（67 LHS）、ハイパワー0.806、MIではなく、重要なを考えてみましょう。

低消費電力。673、x1とx4の（LHS 45）を考慮して、それが決定的ではないので、MIは、統計学的に有意ではありません。

さて、負荷率のために：


lhs op rhs        mi    epc sepc.all delta    ncp power decision
30  f1 =~  x9 36.411  0.519    0.515   0.4 21.620 0.996  *epc:m*
28  f1 =~  x7 18.631 -0.380   -0.349   0.4 20.696 0.995   epc:nm
33  f2 =~  x3  9.151 -0.269   -0.238   0.4 20.258 0.994   epc:nm
31  f2 =~  x1  8.903  0.347    0.297   0.4 11.849 0.931   epc:nm
26  f1 =~  x5  7.441 -0.189   -0.147   0.4 33.388 1.000   epc:nm
36  f2 =~  x9  4.796  0.137    0.136   0.4 40.904 1.000   epc:nm
29  f1 =~  x8  4.295 -0.189   -0.187   0.4 19.178 0.992   epc:nm
35  f2 =~  x8  3.359 -0.120   -0.118   0.4 37.614 1.000     (nm)
27  f1 =~  x6  2.843  0.100    0.092   0.4 45.280 1.000     (nm)
38  f3 =~  x2  1.580 -0.123   -0.105   0.4 16.747 0.984     (nm)
25  f1 =~  x4  1.211  0.069    0.059   0.4 40.867 1.000     (nm)
39  f3 =~  x3  0.716  0.084    0.075   0.4 16.148 0.980     (nm)
42  f3 =~  x6  0.273  0.027    0.025   0.4 58.464 1.000     (nm)
41  f3 =~  x5  0.201 -0.027   -0.021   0.4 43.345 1.000     (nm)
34  f2 =~  x7  0.098 -0.021   -0.019   0.4 36.318 1.000     (nm)
32  f2 =~  x2  0.017 -0.011   -0.010   0.4 21.870 0.997     (nm)
37  f3 =~  x1  0.014  0.015    0.013   0.4  9.700 0.876     (nm)
40  f3 =~  x4  0.003 -0.003   -0.003   0.4 52.995 1.000     (nm)

私はF1にロードされX9をお勧めします、最初の行を参照してください。高効率、MIは、我々はいくつかの種類に注意を払う必要があることは不適切であることを示し、0.4およびEPCよりも有意に高かったです。

ただし、次の行がロードされているX7はF1で私に助言しました。私たちは、このエラーの範囲を変更することが指定されたモデルの必要性を保証するのに十分でないことを信じていることを示している高効率、大幅MIが、EPC 0.38、以下0.4以上、。決めたEPC：多く提案された変更は、同様NM。

我々は指定されたエラーがないことを結論付けることができますので、その後、最後のグループは、高い有効性、MIが、統計的に有意ではないがあります。

SSVは、デフォルト設定lavaanである75％を使用するが、柔軟に使用することができます。

あなたが唯一のモデル一度に変更することができますので、予めご了承ください。EPCおよびMIは、他のパラメータが実質的に正しいと仮定して算出されるので、上述した方法のステップは、変更後に行われます。

私は、このアプローチは、人々は、アカウントに指定されたエラーを検出するための統計的能力を取って、MIの使用でモデルを考えるようになります以下、これは推奨される方法のSSVであると考えています。あなたはすべての非不確定性関係（理論の使用、修正、など）を解決し、モデルを残すことができます。

PS：別のアプローチは、潜在変数のPLSモデル経路モデル化です。これは、SEM法OLS回帰です。

McNeish、D.、アン、J. 、＆ハンコック、GR（2017）。カットオフとフィット感の指標との関係の質を測定することは困難モデルにおける潜在変数。「マガジン人格アセスメント」。https://doi.org/10.1080/00223891.2017.1281286 ↩
サリー、WE、Satorra、A. 、＆草原デア・ヴァン、WM（2009）。エラーや仕様を検出するために、共分散構造分析をテストしますか？構造方程式モデリング：学際ジャーナル、16（4）、561から582まで。https://doi.org/10.1080/10705510903203433 ↩