คำถามติดแท็ก confirmatory-factor

เมื่อฉันใช้ GAM มันให้ DF ที่เหลือกับฉันคือ (บรรทัดสุดท้ายในรหัส) นั่นหมายความว่าอย่างไร? นอกเหนือไปจากตัวอย่างของ GAM โดยทั่วไปแล้วจำนวนองศาความเป็นอิสระจะเป็นจำนวนที่ไม่ใช่จำนวนเต็มหรือไม่26.626.626.6 > library(gam) > summary(gam(mpg~lo(wt),data=mtcars)) Call: gam(formula = mpg ~ lo(wt), data = mtcars) Deviance Residuals: Min 1Q Median 3Q Max -4.1470 -1.6217 -0.8971 1.2445 6.0516 (Dispersion Parameter for gaussian family taken to be 6.6717) Null Deviance: 1126.047 on 31 degrees …

27 r  degrees-of-freedom  gam  machine-learning  pca  lasso  probability  self-study  bootstrap  expected-value  regression  machine-learning  linear-model  probability  simulation  random-generation  machine-learning  distributions  svm  libsvm  classification  pca  multivariate-analysis  feature-selection  archaeology  r  regression  dataset  simulation  r  regression  time-series  forecasting  predictive-models  r  mean  sem  lavaan  machine-learning  regularization  regression  conv-neural-network  convolution  classification  deep-learning  conv-neural-network  regression  categorical-data  econometrics  r  confirmatory-factor  scale-invariance  self-study  unbiased-estimator  mse  regression  residuals  sampling  random-variable  sample  probability  random-variable  convergence  r  survival  weibull  references  autocorrelation  hypothesis-testing  distributions  correlation  regression  statistical-significance  regression-coefficients  univariate  categorical-data  chi-squared  regression  machine-learning  multiple-regression  categorical-data  linear-model  pca  factor-analysis  factor-rotation  classification  scikit-learn  logistic  p-value  regression  panel-data  multilevel-analysis  variance  bootstrap  bias  probability  r  distributions  interquartile  time-series  hypothesis-testing  normal-distribution  normality-assumption  kurtosis  arima  panel-data  stata  clustered-standard-errors  machine-learning  optimization  lasso  multivariate-analysis  ancova  machine-learning  cross-validation 

ฉันสงสัยว่าอะไรคือแกนความแตกต่างที่มีความหมายระหว่างทฤษฎีการตอบสนองข้อสอบกับการวิเคราะห์ปัจจัยยืนยัน ฉันเข้าใจว่ามีความแตกต่างในการคำนวณ (เน้นที่ไอเท็มเทียบกับโควาเรียส; อย่างไรก็ตามฉันไม่ทราบว่าสิ่งนี้หมายถึงอะไรจากมุมมองระดับสูง - หมายความว่า IRT นั้นดีกว่า CFA ในบางสถานการณ์หรือไม่? หรือเพื่อจุดประสงค์ที่แตกต่างกันเล็กน้อย? การใช้ musings ใด ๆ ก็จะเป็นประโยชน์ในการสแกนงานวิจัยที่นำไปสู่การอธิบาย IRT และ CFA มากกว่าการเปรียบเทียบความแตกต่างที่เป็นประโยชน์ของความแตกต่างระหว่างแกน

14 confirmatory-factor  irt 

นักวิจัยมักใช้สองมาตรการที่มีรายการที่คล้ายกันมากและให้เหตุผลว่าพวกเขาวัดสิ่งต่าง ๆ (เช่น "ฉันมักจะกังวลเมื่อฉันอยู่ใกล้รถยนต์"; "ฉันกลัวรถยนต์") ให้เรียกมาตรการที่เป็นสมมุติว่ากลัวการวัดรถยนต์และความวิตกกังวลจากมาตราส่วนของรถยนต์ ฉันสนใจที่จะทดสอบสังเกตุถ้าพวกเขาประเมินโครงสร้างแฝงที่แตกต่างกันหรือถ้าพวกเขาวัดสิ่งเดียวกัน สองวิธีที่ดีที่สุดที่ฉันสามารถคิดได้ว่าทำได้โดยผ่านการวิเคราะห์จากโรงงานเพื่อการสำรวจ (EFA) หรือการวิเคราะห์ปัจจัยยืนยัน (CFA) ฉันคิดว่า EFA จะดีเพราะช่วยให้ทุกรายการโหลดได้อย่างอิสระโดยไม่มีข้อ จำกัด หากรายการจากเครื่องชั่งสองเครื่องโหลดด้วยปัจจัยเดียวกันฉันสามารถสรุปได้ว่ามาตรการที่มีแนวโน้มจะไม่ประเมินสิ่งต่าง ๆ เป็นอย่างดี ฉันยังสามารถเห็นประโยชน์ใน CFA อย่างไรก็ตามเนื่องจากฉันจะทดสอบแบบจำลองที่กำหนดไว้ล่วงหน้า ตัวอย่างเช่นฉันสามารถเปรียบเทียบความพอดีของแบบจำลองที่รายการทั้งหมดโหลดไปยังปัจจัยเดียว (เช่นพวกเขาไม่ได้ประเมินโครงสร้างที่แตกต่างกัน) หรือรายการจะถูกแยกออกเป็นมาตรการที่คาดหวัง ฉันคิดว่าปัญหาเกี่ยวกับ CFA คือมันจะไม่พิจารณารูปแบบทางเลือกอื่น ๆ (เช่นแบบจำลองปัจจัยสามตัว) สำหรับวัตถุประสงค์ของการสนทนาขอให้พิจารณาด้วยว่าอาจมีอีกสองมาตรการที่คล้ายกันออกไป (เช่นแบบสอบถามความวิตกกังวลในรถยนต์และเครื่องชั่งสำหรับการประเมินความกลัวของรถยนต์) ที่ฉันต้องการจะผสม! ฉันจะกำหนดสถิติได้ดีที่สุดว่าสองมาตรการประเมินโครงสร้างที่แตกต่างกันอย่างไร

12 factor-analysis  confirmatory-factor  eda 

ฉันกำลังพยายามวิเคราะห์องค์ประกอบเชิงยืนยัน (CFA) lavaanโดยใช้ lavaanฉันมีช่วงเวลาที่ยากตีความการส่งออกที่ผลิตโดย ฉันมีรูปแบบง่าย ๆ - 4 ปัจจัยแต่ละรายการได้รับการสนับสนุนจากข้อมูลการสำรวจที่เก็บรวบรวม ปัจจัยที่สอดคล้องกับสิ่งที่วัดได้โดยรายการเท่าที่ดูเหมือนว่าพวกเขาสามารถทำหน้าที่เป็นวัดที่ถูกต้อง โปรดช่วยฉันเข้าใจผลลัพธ์ต่อไปนี้ผลิตโดยlavaan's cfa(): Number of observations 1730 Estimator ML Minimum Function Test Statistic 196.634 Degrees of freedom 21 P-value (Chi-square) 0.000 Model test baseline model: Minimum Function Test Statistic 3957.231 Degrees of freedom 36 P-value 0.000 User model versus baseline model: …

11 r  sem  confirmatory-factor  lavaan 

ฉันไม่แน่ใจว่าจะดำเนินการอย่างไรกับ CFA im นี้ในภาษาลาวา ฉันมีตัวอย่างของผู้เข้าร่วม 172 คน (ฉันรู้ว่าไม่มากนักสำหรับ CFA) และ 28 รายการที่มีเครื่องชั่ง Likert 7 จุดที่ควรโหลดในเจ็ดปัจจัย ฉันทำ CFA ด้วย„ mlm“ - ตัวประเมินผล แต่โมเดลพอดีนั้นแย่มาก (χ2 (df = 329) = 739.36; ดัชนีเปรียบเทียบแบบพอดี (CFI) = .69 รากมาตรฐานที่ได้มาตรฐานหมายถึงส่วนที่เหลือเป็นตาราง (SRMR) = 10 รูตหมายถึงความคลาดเคลื่อนกำลังสองของการประมาณ (RMSEA) =. 09; RMSEA ช่วงความเชื่อมั่น 90% (CI) = [.08, .10] ฉันได้ลองทำสิ่งต่อไปนี้แล้ว: แบบจำลอง bifactor …

9 r  sem  fitting  confirmatory-factor 

ฉันกำลังสำรวจคุณสมบัติไซโครเมทของการวัดรายงานตนเอง 10 ข้อ ฉันมีประมาณ 400 รายในสองตัวอย่างอิสระ รายการจะแล้วเสร็จในสเกล Likert 4 จุด EFA สนับสนุนการแก้ปัญหาปัจจัยเดียวอย่างชัดเจน (เช่นค่าเริ่มต้นแรกที่มากกว่า 6 ค่าอื่น ๆ ทั้งหมดต่ำกว่า 1) และค่าอัลฟาของ Cronbach นั้นดี (เช่น. 90) ไม่มีรายการใดที่มีความสัมพันธ์กับผลรวมรายการต่ำ เดิมทีฉันต้องการทำ CFA (EFA เป็นเพียงการติดตามหลังจากที่ฉันเห็น CFA ไม่ดี) ทดสอบแบบจำลองปัจจัยเดียว สำหรับความประหลาดใจของฉันแบบสำหรับรุ่นนั้นค่อนข้างแย่: CFI=.91 TLI=.88 RMSEA=.13 ยิ่งไปกว่านั้นการโหลดสำหรับแต่ละรายการค่อนข้างดี (.65+) ผิดปกติSRMR=.05ซึ่งเป็นที่ยอมรับ / ดี ดัชนีการปรับเปลี่ยนแนะนำให้ฉันเชื่อมโยงข้อผิดพลาดทั่วทุกที่ หากมีเหตุผลที่ชัดเจนในการทำเช่น (บางรายการมีถ้อยคำที่คล้ายกันมาก) ฉันจะทำเช่นนี้; แม้กระนั้นมาตรการทั้งหมดจะถูกพูดในทำนองเดียวกันและความสัมพันธ์ข้อผิดพลาดทั้งหมดจะแปลกและเจ็บปวด ฉันไม่เคยเห็นกรณีเช่นนี้ มาตรการดังกล่าวมีความสอดคล้องกันภายในและประกอบด้วยปัจจัยหนึ่งใน EFA อย่างชัดเจน แต่แสดงให้เห็นถึงความพอดีใน …

9 factor-analysis  survey  psychometrics  psychology  confirmatory-factor