df.fa
是psych::fa(bfi[1:25],5,rotate = 'oblimin',fm='minres',cor = 'cor')
,
的结果
我print(df.fa$loadings,sort=TRUE)
,然后:
Loadings:
MR2 MR1 MR3 MR5 MR4
N1 0.815 0.103 -0.111
N2 0.777
N3 0.706 -0.100
E1 -0.557 0.106 -0.103
E2 -0.676
E4 0.591 0.287
C1 0.546 0.148
C2 0.149 0.666
C3 0.567
C4 0.174 -0.614
C5 0.189 -0.142 -0.553
A2 0.640
A3 0.116 0.660
A5 -0.112 0.233 0.532
您可以发现N2
只有一个因素(MR2)下的数字,但为什么N3
包含2个因子中的数字,即使N1
包含3个因子中的数字。
怎么解释呢?
答案 0 :(得分:0)
我会考虑计算绝对拟合统计量以确定您当前模型的拟合优度。然后,您可以删除上面那些具有低因子负荷的项目,并通过确认性因子分析创建一个新模型。通常建议以下三个统计数据:
卡方广场;建议不要使用
塔克·刘易斯指数(TLI)建议为0.9或更高
近似均方根误差(RMSEA);建议小于0.005
EFA_model <- fa(bfi[1:25], nfactors = 5)
EFA_model$TLI
EFA_model$RMSEA
EFA_model$chi
然后,您可以从EFA_model$loadings
中删除因子加载分数较低的项目,并使用cfa()
函数构建CFA模型。
对上述CFA模型的绝对拟合统计量进行相同的评估,例如CFA_model$TLI
,并且您还可以使用BIC(贝叶斯信息准则)和{{1 }}和EFA_model$BIC
,并且BIC较低的模型是首选。