3个以上的潜变量做CFA为什么难以取得理想的模型拟合指数？
我对每个潜变量做CFA，拟合很理想，但是当潜变量增多时，2个潜变量还好，3个或3个以上的模型拟合就很难取得理想的卡方值，而且基本上P小于0.05，且卡方与自由度比值基本上都大于5，尽管其它模型拟合指数比较理想，请问这是为什么？我的模型数据样本为249份，数据已经用EM方式补齐，数据本身不存在问题；模型的观测变量有150多个，潜变量经过EFA分析（斜交，pattern matrix矩阵得到理想因子）得到，但是才涉及到3个的潜变量做CFA就已经很麻烦了，如果3个以上估计更不理想。请问高手遇到这种问题如何解决？ <p class="reward_button"><button name="answer" value="http://bbs.pinggu.org/ture" onclick="floatwin('open_reply', 'post.php?action=reply&fid=135&tid=631506', 600, 410, '600,0');return false;">我来回答</button></p><br /> 同问，同样受困扰。<br /> EFA效果很好，早先还窃喜着，现在只有愁了……<br /> 我的卡方自由度比是2.02的样子，可是卡方的P值是显著的。CFI只有0.8多一些，痛苦呀 一些解释说卡方受样本容量和自由度影响，因此卡方值只能是作为参考。你说的CFI只有0.8，和我的结果不太一样，我的CFI比较理想，GFI、AGFI、TLI、RFI都是0.95以上，这种情况我觉得卡方不一定作为唯一的指标。当然我们都希望所有的拟合指标都是理想的，实际上我估计这非常困难，因为涉及到复杂模型要做到这点非常困难，包括数据的随机误差、观测指标的合理性、模型构建的合理性都会影响复杂模型的拟合指标的评价。一些参考资料也提出卡方值的的参考具有局限性，呵呵，看来要在SEM中得到所有的拟合指标都比较理想的确非常困难，也许是受到一些文章的误导，这些文章报告拟合指数都是那么理想，我在这里要提出质疑。 楼主，我也受到困扰 模型数据样本为249份，模型的观测变量有150多个，<br /> 晕，样本太少，至少应该需要750份样本。<br /> 不仅看p值，还应看P close值 同意三楼的观点,结构方程在很大程度上是统计学当中用特殊的数据拟合特殊的模型(教科书),在我们用到经济学中,往往取di得不了很好的效果,所以在看最后的拟合指标时,只要大部分指标可信度强,有一定的解释能力就行吧! 同意5楼看法，观测变量有150个，样本数和观测变量的比例至少应该是5：1，最好能达到10：1，样本太少了。侯杰泰的《结构方程模型及其应用》第六章有关于样本容量的介绍 一般来说，p值不怎么需要关注年，我们要关注的是cmin/df要在2-5之间，有些说法说最好在2-3之间，不过有些说最好在1.5-2。就p值和cmin/df会受样本量的影响，所以，如果出现不怎么理想的结果，是可以理解的。楼主的样本量是够的，不过相关文献有这样表述，说最好超过300个样本。另外，不要局限于cfi这个指数，只要大部分拟合指数都超过0.90的话，这样就很好的，可以进行相应的验证。至于楼主说的为什么拟合度差的问题，我市这样解释的：不知楼主有没有进行收敛效度和判别效度分析，做过的话，理想不？如果理想的话，我们看看观测变量之间的残差大小，如果太大，要作相应的调整。还有，不知楼主作过探索性因子分析的操作没？进行过的话，理想不？一般来说，什么时候将探索性因子分析的结果与验证性因子分析的结果一致时，其拟合指数的效果绝对是好的。希望，我的这么一说，对楼主有所帮助。 正常情况下，P值一定小于0.05，因为样本量以增大，卡方值必然变得，而p值就会小于0.05！正常<br /> <strong> 2# <i>回首</i> </strong> 觀察變量太多了，應加以合併成少數題組，再進行CFA，否則都會不理想。 遇到同样问题 学习了<img src="http://bbs.pinggu.org/images/smilies/default/em01.gif" smilieid="135" border="0" alt="" /> 测量工具走多远，因子才能走多远。 模型拟合取决于下面两者之间的差异：(1)数据，（2）你测试的模型。所以说可能有以下的原因：<br /> <br /> 1） 你测试的模型越复杂，它跟数据之间的差异就可能越大，拟合就不好。<br /> 2） 也许你的模型在理论上来说就不可行， 也许你把简单的问题复杂化了。比如说，在理论上来说只有一个因子 （潜变量）， 但你的模型有两个，那模型肯定拟合不好。<br /> 3） 你的数据有问题 Most of times we forget to check multivariate normality Mardia's kurtosis. If the data cannot meet the normality requirement, we can run bootstrap to get bootstrap p which is generally bigger than p with MAL. Always put theory in mind and dont become a pure dataminers. 变量多了<br /> <br /> 计算也就多了<br /> <br /> 结果就差些了吧<br /> <br /> 我比较傻，页:
[1]