print中的print()因子分析输出

时间:2017-08-06 06:32:42

标签: r

df.fapsych::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?

1 个答案:

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。