no comments

INDEKS YANG MEMBANDINGKAN SASARAN DAN MODEL BATAL

Indeks patut perbandingan (CFI)

Indeks perbandingan komparatif, seperti IFI, NFI, BBI, TLI, dan RFI, membandingkan model kepentingan dengan beberapa alternatif, seperti model null atau kebebasan. CFI juga dikenali sebagai Bentley Comparative Fit Index.

Khususnya, CFI membandingkan cita-cita model sasaran yang sesuai dengan model bebas – model di mana pembolehubah dianggap tidak dikecilkan. Dalam konteks ini, sesuai merujuk kepada perbezaan antara matriks kovarians yang diperhatikan dan yang diramalkan, seperti yang ditunjukkan oleh indeks chi-square.

Ringkasnya, CFI mewakili nisbah antara perbezaan model sasaran ini dengan perbezaan model kebebasan. Secara kasar, CFI mewakili sejauh mana model minat lebih baik daripada model kebebasan. Nilai yang mendekati 1 menunjukkan patut diterima.

CFI tidak terlalu sensitif terhadap saiz sampel (Fan, Thompson, dan Wang, 1999). Walau bagaimanapun, CFI tidak berkesan sekiranya kebanyakan korelasi antara pemboleh ubah pendekatan 0 – kerana oleh itu, kurang kovarians untuk menjelaskan. Tambahan pula, Raykov (2000, 2005) berpendapat bahawa CFI adalah ukuran yang berat sebelah, berdasarkan tak berpusat.

Indeks kenaikan tambahan (IFI)

Indeks kenaikan pangkat, yang juga dikenali sebagai IFI Bollen, juga agak tidak sensitif terhadap saiz sampel. Nilai yang melebihi .90 dianggap sebagai diterima, walaupun indeks ini boleh melebihi 1.

Untuk mengira IFI, mula-mula perbezaan antara chi square model kebebasan – di mana pembolehubah tidak dikecilkan – dan chi-square model sasaran dikira. Seterusnya, perbezaan di antara chi-square model sasaran dan df untuk model sasaran dikira. Nisbah nilai ini mewakili IFI.

Indeks fit Normally (NFI)

NFI juga dikenali sebagai indeks fitler Bentler-Bonett. Indeks patut berubah dari 0 ke 1 – di mana 1 adalah ideal. NFI bersamaan dengan perbezaan di antara chi-square model null dan chi square model sasaran, dibahagikan dengan chi-square model null. Dalam erti kata lain, NFI of .90, sebagai contoh, menunjukkan model faedah meningkatkan yang sesuai dengan 90% berbanding dengan model null atau kebebasan.

Apabila sampel adalah kecil, kepekatan ini sering diremehkan (Ullman, 2001). Selain itu, berbeza dengan TLI, kesesuaian boleh dipandang remeh jika bilangan parameter meningkat & NNFI mengatasi masalah ini.

Indeks Tucker Lewis (TLI) atau indeks kebiasaan tidak norma (NNFI)

TLI, kadang-kadang dipanggil NNFI, adalah serupa dengan NFI. Walau bagaimanapun, indeks lebih rendah, dan dengan itu model dianggap kurang diterima, jika modelnya adalah kompleks. Untuk mengira TLI:

  • Pertama membahagikan chi square untuk model sasaran dan model null dengan df yang sama – yang menghasilkan kuadrat chi relatif bagi setiap model.
  • Seterusnya, kirakan perbezaan di antara dataran chi relatif ini.
  • Akhir sekali, bahagikan perbezaan ini dengan kuadrat chi relatif untuk model null minus 1.

Menurut Marsh, Balla, dan McDonald (1988), TFL relatif bebas daripada saiz sampel. TFI biasanya lebih rendah daripada GFI – tetapi nilai lebih dari 90 atau lebih .95 dianggap boleh diterima (contohnya, Hu & Bentler, 1999).

Kebaikan teori maklumat langkah-langkah yang sesuai

Kriteria Maklumat Akaike

AIC, seperti BIC, BCC, dan CAIC, dianggap sebagai kebaikan teori ukuran yang sesuai – digunakan apabila estimasi kemungkinan maksimum digunakan (Burnham & Anderson, 1998). Indeks ini digunakan untuk membandingkan model yang berbeza. Model yang menjana nilai terendah adalah optimum. Nilai AIC mutlak tidak relevan – walaupun nilai lebih dekat kepada 0 adalah ideal & hanya nilai AIC satu model berbanding dengan nilai AIC model lain adalah bermakna.

Seperti indeks chi square, AIC juga mencerminkan sejauh mana matriks kovarians yang diperhatikan dan diramalkan berbeza antara satu sama lain. Bagaimanapun, tidak seperti indeks chi square, AIC menghukum model yang terlalu rumit. Khususnya, AIC bersamaan dengan chi square dibahagi dengan n plus 2k / (n-1). Dalam formula ini, k = .5v / v + 1 – df, di mana v adalah bilangan pembolehubah dan n = saiz sampel.

Kriteria Browne-Cudeck (BCC) dan Konsisten AIC (CAIC)

BCC adalah serupa dengan AIC. Iaitu, BCC dan AIC mewakili sejauh mana matriks kovarians yang diperhatikan berbeza daripada matriks kovarians yang diramalkan – seperti statistik chi square – tetapi termasuk penalti jika model itu kompleks, dengan banyak parameter. BCC memberikan penalti lebih berat daripada AIC.

BCC bersamaan dengan chi square dibahagi dengan n plus 2k / (n-v – 2). Dalam formula ini, k = .5v / v + 1 – df, di mana v adalah bilangan pembolehubah dan n = saiz sampel.

CAIC adalah sama dengan AIC juga. Walau bagaimanapun, CAIC juga memberikan penalti jika saiz sampel kecil.

Kriteria Maklumat Bayesian (BIC)

Kriteria Maklumat Bayesian juga dikenali sebagai Kriteria Maklumat Bayesian Akaike (ABIC) dan Kriteria Schwarz Bayesian (SBC). Indeks ini mirip dengan AIC, tetapi penalti terhadap model rumit sangat ketara – lebih ketara daripada indeks BCC dan CAIC. Selain itu, seperti CAIC, penalti terhadap sampel kecil termasuk.

BIC diperolehi oleh Raftery (1995). Secara kasar, BIC adalah log faktor Bayes dari model sasaran dibandingkan dengan model tepu.

Penentu indeks yang digunakan

Banyak indeks lain juga telah dibangunkan. Indeks ini termasuk indeks GFI, AGFI, FMIN, noncentrality, dan indeks sentraliti. GFI dan, pada tahap yang lebih rendah, FMIN digunakan untuk menjadi sangat popular, tetapi penggunaannya telah merosot baru-baru ini.

Beberapa indeks amat sensitif terhadap saiz sampel. Contohnya, indeks yang sesuai terlalu tinggi apabila saiz sampel kecil – di bawah 200, contohnya. Walau bagaimanapun, RMSEA dan CFI nampaknya kurang sensitif terhadap saiz sampel (Fan, Thompson, dan Wang, 1999).

Sumber : Dr. Simon Moss

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL