CFA mit R / lavaan 1: Grundlagen

[@anhe7251]

Vielen, vielen Dank für das Video! Es hat mich wirklich gerettet :)

[@JuliaLenz-tq3mj]

Vielen Dank für die tollen, sehr verständlichen Videos. Haben mir unglaublich geholfen!

[@BunDinYo]

Sehr hilfreich. Danke für das tolle Tutorial.

[@alexmarkert462]

Danke für das tolle Video! das in 5 min komprimiert, was der Prof in 90 min nicht rüberbringen konnte

[@Jaschinowiz]

Ist es so, dass mit std.lv = FALSE die Metrik des ersten Indikators, d.h. der ersten manifesten Variable, die in das Modell eingeht, übernommen wird? Und ist es richtig, dass std.lv = TRUE sinnvoll ist, wenn die Indikatorvariablen unterschiedlich skaliert sind?

[@RegorzStatistik]

Default (und das ist hier std.lv = FALSE) ist, dass die Metrik des ersten Indikators übernommen wird, ja. Zur zweiten Frage: Ich würde hier zwar vermutlich auch eher std.lv = TRUE verwenden, aber ich bin mir nicht sicher, ob es am Ende so wichtig ist. Denn in diesem Fall würde ich sowieso nur die standardisierten Ergebnisse betrachten, also z.B. die standardisierten Ladungen (und die bekomme ich, egal wie ich die Metrik festlege).

[@Jaschinowiz]

@@RegorzStatistik Vielen Dank! :)

[@anisa7940]

Ich habe bei meiner CFA zwei Mofifikationsvorschläge erhalten durch welche meine Fit-indices (zumindest CFI und SRMR) angemessen werden. Eine dieser Modifikationen war eine weitere Verbindung eines Items mit einem anderen Konstrukt. Nun möchte ich meine Annahme zur Datenstruktur nutzen und bei jeden Konstrukt die Mittelwerte berechnen, bei dem einen Konstrukt an welchem die Modifikation durchgeführt wurde bin ich mir jedoch unsicher ob das Item nun doch nur zu einem Kosntrukt zählt für die Mittelwertbestimmung.

[@RegorzStatistik]

Ohne alle Details des Einzelfalls ist das schwer einzuschätzen, aber im Allgemeinen halte ich bei der Anwesenheit von Cross-Loadings die Verwendung von Mittelwerten für recht problematisch - ich würde dann eher ein volles SEM-Modell schätzen.

[@mawe6928]

Ich kann mich nur anschließen: ein wirklich tolles und sehr hilfreiches Video! Mich würde außerdem interessieren, ob man in der CFA geschätzte Faktoren irgendwie extern speichern kann, um diese dann anstelle eines regulären Mittelwertes etwa in einer Regressionsanalyse zu verwenden. Ich habe davon einmal gehört, finde nur leider nichts dazu im Internet. Haben Sie zufällig dazu eine Idee? Falls ja, vielen Dank im Voraus und falls nein, vielen Dank für viele tolle Anregungen zu einer besseren Datenauswertung!

[@RegorzStatistik]

Man kann mit lavaan Schätzungen für factor scores extrahieren, siehe: kzbin.info/www/bejne/sJ7MpqZ8qNGpY7s (ich habe es bisher nur mit SEM probiert, aber ich denke es geht auch mit CFA).

[@juliusbaur5123]

Sehr gutes Video, vielen Dank! Ich hätte eine Frage zu diesem Video und dem zweiten Teil. Wenn ich keine normalverteilten Items habe, verfeinere ich dann erst mein model immer weiter und teste es dann nochmal mit robustem Schätzer oder sollte ich die Modelrespezifizierung direkt mit robustem Schätzer machen? Vielleicht macht es ja auch keinen Unterschied. Vielen Dank jedenfalls und auch für die passende super Webside!

[@RegorzStatistik]

Vermutlich dann alle Schritte mit robustem Schätzer.

[@juliusbaur5123]

@@RegorzStatistik Danke!

[@_starsticks]

Hallo, erstmal vielen Dank für Ihre Videos! Sie sind mir wirklich eine große Hilfe bei meiner Bachelorarbeit. Ich habe eine Frage, und zwar ist der Chi-quadrat test für mein Modell signifikant. Alle anderen Fit Indizes passen aber soweit und deuten auf einen guten Fit hin. Sollte ich das Modell nun trotzdem weiter spezifizieren werden, oder ist es in Ordnung, wenn der Chi-quadrat test signifikant ist, aber alle anderen Indizes passen?

[@RegorzStatistik]

Dazu gibt es unterschiedliche theoretische Meinungen. In der Praxis dürfte jedoch ganz überwiegend die Ansicht vorherrschen, dass es OK ist, wenn die Fit Indices passen (berichten muss man den sign. Chi-Quadrat Test aber trotzdem).

[@_starsticks]

@@RegorzStatistik Vielen lieben Dank für Ihre Antwort!

[@K.Hauptmann]

vielen Dank für die hilfreichen Videos. Mich würde noch interessieren, wie ich die Infos in druckbarer Form exportieren kann. semoutput scheint schon älter zu sein und mit aktuelleren Versionen von R nicht zu laufen. Würde mich über andere Vorschläge freuen

[@RegorzStatistik]

Dazu kenne ich keine Lösung in R.

[@carinaduhr9976]

Hallo! Vielen Dank für dieses hilfreiche Video! Verstehe ich das richtig, dass wenn die Faktorladung eines Items relativ klein (in meinem Fall bei 0,309) und der p-Wert nicht signifikant ist (p = 0,173) das Item entfernt werden sollte? Oder ist das nicht so einfach zu beantworten? Liebe Grüße!

[@RegorzStatistik]

Wenn die *standardisierte* Faktorladung bei 0.309 ist, wird (ohne Cross-Loadings) nur ungefährt 10% der Varianz des Items vom Faktor erklärt. Zusammen mit der Nicht-Signifikanz spricht das tendenziell für eine Entfernung. Dennoch würde ich ohne Kenntnis des Gesamtzusammenhangs nicht sagen, dass man das Item *immer* entfernen sollte - das hängt dann auch von der Frage der Zielsetzung und Fragestellung ab, die hinter der CFA steht. Mögliches Gegenbeispiel wäre aus meiner Sicht: Wenn die CFA z.B. zur Prüfung eines Messmodells eines SEM durchgeführt wurde und eine in der Literatur etablierte Skala betrifft, dann wäre ich sehr vorsichtig mit dem Löschen von Items, da dann die Vergleichbarkeit mit anderen Studien beeinträchtigt werden könnte.

[@Alinanonme]

Vielen Dank für die Schritt-für-Schritt Anleitung und Erklärung! Wenn meine Daten nicht normalverteilt sind, müsste ich ja robustere Fit-Indizes wählen wie Maximum-Likelihood oder Weichtet Least Square - wie kann ich die bei R als Fit-Indizes ausgegeben bekommen?

[@RegorzStatistik]

Dazu habe ich ein gesondertes Tutorial: www.regorz-statistik.de/inhalte/r_lavaan_CFA_2.html

[@lukaskretzschmar7001]

Bei mir liegt der Chi-Quadrat-Wert deutlich über dem zu erreichenden Grenzwert (berechnet über bootstrapping). Demnach müssste ich einige Modifizierung zulassen, um den Chi-Quadrat-Wert auf die gewünschte Höhe zu senken? Wäre es eine Alternative, Items, die durch die latetente Variable nur gering erklärt werden (R^2) aus dem Messmodell zu entfernen? Oder würde man immer den Weg der Modifikationsindizes gehen?

[@RegorzStatistik]

Ich würde eher primär auf Fit-Indizes schauen als auf den Chi-Quadrat-Wert - der ist ja häufig signifikant. Was man macht, um den zu senken - dazu gibt es keine pauschale Antwort, das hängt von den Besonderheiten des Einzelfalls ab. (Ich würde mir zumindest die Modifikationsindizes *ansehen*, was dort für Veränderungen vom System vorgeschlagen werden.)

[@Anna-LenaLeimberger]

Hallo, vielen Dank für das Video. Ist es möglich einen Faktor mit nur einem Indikator (Item) zu messen? Wenn ich dies probiere, werden mir keine Freiheitsgrade angezeigt und ich erhalte kein p-value (Chi-Square. Danke und beste Grüße

[@RegorzStatistik]

Faktorenanalysen bestimmen das Gemeinsame mehrerer Variablen - insofern ist es in der Regel wenig hilfreich, eine Faktorenanalyse mit nur einem Item zu machen (es gibt Ausnahmefälle, aber die zu erklären sprengt den Rahmen eines YT-Kommentars).

[@radioaktivesschlafschaf3985]

wie kann man die CFA rechnen, wenn die Variablen dichotom sind?

[@RegorzStatistik]

In der lavaan-Dokumentation gibt es einen Abschnitt zu kategorischen Variablen: lavaan.ugent.be/tutorial/cat.html Ich habe das aber selbst noch nie ausprobiert und kann Ihnen daher nicht sagen, wie bzw. wie gut das funktioniert.