用R进行二阶验证性因素分析
来自OBHRM百科
Lichaoping（讨论 | 贡献）2021年2月14日 (日) 21:19的版本
示意图
脚本与注释
library(lavaan) # 调用lavaan包，如果没有安装，需要先安装
cfadata <- read.table("http://www.statmodel.com/usersguide/chap5/ex5.6.dat") # 从Mplus官网读数据到cfadata，cfadata是自己命名，可随便定。如网速慢，可下载到本地
names(cfadata) <-c(paste("y", 1:12, sep="")) # 给变量命名
cfamodel <- ' f1 =~ y1 +y2 +y3 # 设置模型，cfamodel还是自己命名
f2 =~ y4 +y5 +y6
f3 =~ y7 +y8 +y9
f4 =~ y10 +y11 +y12
f5 =~ f1 +f2 +f3+f4 ' # 二阶因素
cfafit <- cfa(cfamodel, cfadata) # 进行CFA，cfafit为自己的名称，方便后面调用
summary(cfafit,fit.measures="TRUE") # 显示CFA的总体结果
fitMeasures(cfafit,fit.measures="all", baseline.model=NULL) # 显示所有拟合指数
standardizedSolution(cfafit) # 显示标准化的结果
library(semTools) # 调用semTools包，如果没有安装，需要先安装
reliability(cfafit) # 计算一阶因素的AVE、CR（Composite Reliability）等值
reliabilityL2(cfafit, "f5") # 计算二阶因素的CR值
library(semPlot) # 调用semPlot包，如果没有安装，需要先安装
semPaths(cfafit,
title=F, what = "std", residuals = FALSE,
intercepts = FALSE, layout = "tree2",
label.cex=1, edge.label.cex=0.9, font=2,
edge.color="black", fixedStyle = c("black",1),freeStyle = c("black",1),esize = 0.01,
rotation=4)
结果
> summary(cfafit,fit.measures="TRUE") # 显示CFA的总体结果
lavaan (0.5-23.1097) converged normally after 46 iterations
Number of observations 500
Estimator ML
Minimum Function Test Statistic 46.743
Degrees of freedom 50
P-value (Chi-square) 0.605
Model test baseline model:
Minimum Function Test Statistic 4012.035
Degrees of freedom 66
P-value 0.000
User model versus baseline model:
Comparative Fit Index (CFI) 1.000
Tucker-Lewis Index (TLI) 1.001
Loglikelihood and Information Criteria:
Loglikelihood user model (H0) -7211.373
Loglikelihood unrestricted model (H1) -7188.001
Number of free parameters 28
Akaike (AIC) 14478.746
Bayesian (BIC) 14596.755
Sample-size adjusted Bayesian (BIC) 14507.881
Root Mean Square Error of Approximation:
RMSEA 0.000
90 Percent Confidence Interval 0.000 0.026
P-value RMSEA <= 0.05 1.000
Standardized Root Mean Square Residual:
SRMR 0.020
Parameter Estimates:
Information Expected
Standard Errors Standard
Latent Variables:
Estimate Std.Err z-value P(>|z|)
f1 =~
V1 1.000
V2 0.760 0.031 24.516 0.000
V3 0.669 0.030 22.392 0.000
f2 =~
V4 1.000
V5 0.718 0.030 23.998 0.000
V6 0.703 0.031 22.946 0.000
f3 =~
V7 1.000
V8 0.702 0.026 26.895 0.000
V9 0.691 0.026 26.829 0.000
f4 =~
V10 1.000
V11 0.742 0.029 25.274 0.000
V12 0.669 0.028 23.496 0.000
f5 =~
f1 1.000
f2 0.944 0.146 6.459 0.000
f3 1.168 0.175 6.670 0.000
f4 0.854 0.141 6.070 0.000
Variances:
Estimate Std.Err z-value P(>|z|)
.V1 0.348 0.042 8.252 0.000
.V2 0.251 0.026 9.570 0.000
.V3 0.320 0.026 12.265 0.000
.V4 0.366 0.044 8.221 0.000
.V5 0.268 0.026 10.298 0.000
.V6 0.330 0.028 11.666 0.000
.V7 0.272 0.038 7.096 0.000
.V8 0.282 0.025 11.404 0.000
.V9 0.276 0.024 11.462 0.000
.V10 0.362 0.045 8.087 0.000
.V11 0.266 0.027 9.812 0.000
.V12 0.323 0.027 12.014 0.000
f1 0.913 0.103 8.866 0.000
f2 1.036 0.108 9.606 0.000
f3 0.984 0.119 8.278 0.000
f4 1.213 0.115 10.577 0.000
f5 0.464 0.098 4.712 0.000
> fitMeasures(cfafit,fit.measures="all", baseline.model=NULL) # 显示所有拟合指数
npar fmin chisq
28.000 0.047 46.743
df pvalue baseline.chisq
50.000 0.605 4012.035
baseline.df baseline.pvalue cfi
66.000 0.000 1.000
tli nnfi rfi
1.001 1.001 0.985
nfi pnfi ifi
0.988 0.749 1.001
rni logl unrestricted.logl
1.001 -7211.373 -7188.001
aic bic ntotal
14478.746 14596.755 500.000
bic2 rmsea rmsea.ci.lower
14507.881 0.000 0.000
rmsea.ci.upper rmsea.pvalue rmr
0.026 1.000 0.024
rmr_nomean srmr srmr_bentler
0.024 0.020 0.020
srmr_bentler_nomean srmr_bollen srmr_bollen_nomean
0.020 0.020 0.020
srmr_mplus srmr_mplus_nomean cn_05
0.020 0.020 723.081
cn_01 gfi agfi
815.598 0.985 0.976
pgfi mfi ecvi
0.631 1.003 0.205
> standardizedSolution(cfafit) # 显示标准化的结果
lhs op rhs est.std se z pvalue
1 f1 =~ V1 0.894 0.015 60.634 0
2 f1 =~ V2 0.872 0.016 55.670 0
3 f1 =~ V3 0.811 0.019 43.261 0
4 f2 =~ V4 0.894 0.015 60.491 0
5 f2 =~ V5 0.858 0.016 52.492 0
6 f2 =~ V6 0.828 0.018 46.269 0
7 f3 =~ V7 0.925 0.012 79.024 0
8 f3 =~ V8 0.859 0.015 57.711 0
9 f3 =~ V9 0.858 0.015 57.360 0
10 f4 =~ V10 0.900 0.014 64.229 0
11 f4 =~ V11 0.873 0.015 57.427 0
12 f4 =~ V12 0.826 0.018 46.955 0
13 f5 =~ f1 0.580 0.053 10.964 0
14 f5 =~ f2 0.534 0.053 10.066 0
15 f5 =~ f3 0.626 0.053 11.852 0
16 f5 =~ f4 0.467 0.054 8.678 0
17 V1 ~~ V1 0.202 0.026 7.654 0
18 V2 ~~ V2 0.240 0.027 8.770 0
19 V3 ~~ V3 0.342 0.030 11.243 0
20 V4 ~~ V4 0.201 0.026 7.628 0
21 V5 ~~ V5 0.264 0.028 9.399 0
22 V6 ~~ V6 0.315 0.030 10.644 0
23 V7 ~~ V7 0.144 0.022 6.636 0
24 V8 ~~ V8 0.261 0.026 10.207 0
25 V9 ~~ V9 0.263 0.026 10.257 0
26 V10 ~~ V10 0.189 0.025 7.501 0
27 V11 ~~ V11 0.238 0.027 8.949 0
28 V12 ~~ V12 0.317 0.029 10.918 0
29 f1 ~~ f1 0.663 0.061 10.788 0
30 f2 ~~ f2 0.714 0.057 12.592 0
31 f3 ~~ f3 0.609 0.066 9.216 0
32 f4 ~~ f4 0.782 0.050 15.553 0
33 f5 ~~ f5 1.000 0.000 NA NA
> library(semTools) # 调用semTools包，如果没有安装，需要先安装
> reliability(cfafit) # 计算一阶因素的AVE、CR（Composite Reliability）等值
f1 f2 f3 f4 total
alpha 0.8852175 0.8853690 0.9030259 0.8903863 0.8477020
omega 0.8984342 0.8982057 0.9177715 0.9045555 0.9478994
omega2 0.8984342 0.8982057 0.9177715 0.9045555 0.9478994
omega3 0.8981943 0.8981957 0.9177694 0.9046450 0.9492241
avevar 0.7522571 0.7515751 0.7933872 0.7651284 0.7659754
> reliabilityL2(cfafit, "f5") # 计算二阶因素的CR值
omegaL1 omegaL2 partialOmegaL1
0.6044520 0.6377869 0.9206452
