我正在研究一份75个问题的问卷的因素模型。
在测试我的模型之前，我想我应该测试一个完美的模型，一个包括所有75个问题的单因素模型。
我认为这应该解释数据中的所有方差，RMSEA应该是0，但它带来了RMSEA = 0.77，这让我认为我的代码中有问题。
这听起来对吗？或者有人知道还有什么问题吗？
感谢
one.factor <- 'F1 =~ Q1 + Q2 + Q3 + Q4 + Q5 + Q6 + Q7 + Q8 + Q9 + Q10 + Q11 + Q12 + Q13 + Q14 + Q15 + + Q16 + Q17 + Q18 + Q19 + Q20 + Q21 + Q22 + Q23 + Q24 + Q25 + Q26 + Q27 + Q28 + Q29 + Q30 + Q31 + Q32 + Q33 + Q34 + Q35 + Q36 + Q37 + Q38 + Q39 + Q40 + Q41 + Q42 + Q43 + Q44 + Q45 + Q46 + Q47 + Q48 + Q49 + Q50 + Q51 + Q52 + Q53 + Q54 + Q55 + Q56 + Q57 + Q58 + Q59 + Q60 + Q61 + Q62 + Q63 + Q64 + Q65 + Q66 + Q67 + Q68 + Q69 + Q70 + Q71 + Q72 + Q73 + Q74 + Q75'
fit <- cfa(one.factor, data=cfa.data)
summary(fit, fit.measures=TRUE)
我已经很久没有处理潜在模型了，所以我可能有点不对劲。但你的说法听起来不对。你说你的模型是完美的，但我不明白为什么会是完美的。它充其量是一个零模型，这意味着它是一个很好的基础，可以用来比较其他模型，以评估它们是否是一个改进。如果我将其与Mplus(我最熟悉的程序)进行比较，这意味着：
尽管大多数SEM计算机程序中的基线模型代表了通常称为独立模型(或null)的模型，但Mplus中的基线模式有些不同。两个基线模型的共同点是假设观察到的指标变量之间的协变为零。然而，独立性模型中与CFA模型相关的唯一参数是观测变量方差(假设没有感兴趣的估计均值)，而Mplus基线模型中的参数包括观测变量的方差和均值(即截距)。[…]因为基线模型假设观测变量之间的协变量为零，所以这些模型的卡方值通常总是比结构化假设模型的卡方值大得多也就不足为奇了。
我认为对于您的代码，您不会得到观察到的变量之间的协变量，因此所有的变量都将被捕获在指定的单个因子中。至少，我检查了这个lavan教程，以确定我没有记错，你的代码似乎是非常基本/最小的CFA。这使它成为我的一个基准模型。
我不知道你说的完美模特是什么意思。我唯一能想象的是一个模型，它允许在数据中直接观察到的所有变化。
饱和模型是指估计参数的数量等于数据点的数量[…]与基线(或独立性)模型(其是限制性最强的SEM模型)相比，饱和模型是限制性最小的SEM模型。在连续体的框架内概念化，饱和模型将代表一个端点，而独立模型将代表另一个端点；一个假设的模型总是代表介于两者之间的某个点。
但是，您的模型尚未饱和。您没有在代码中具体说明模型应该估计第一个系数。也就是说，从你的代码中，我假设你得到了除第一个变量外的所有变量的系数。那个将会/应该是1。如果你提供了一些数据来实际测试这一点，这会有所帮助，但我没有理由期望以其他方式对照lavan教程中的代码来检查你的代码。
然而，我认为，饱和模型尚未确定，因此不会运行。这是一个用于估计拟合指数的理论模型，但我真的不明白你为什么要自己建模。建模的总目标是找到最简约的模型，考虑到数据的所有变化的"完美模型"不是简约的，因此很少引起兴趣。
然而，我不记得RMSEA是否是饱和模型的指标。我知道当你的自由度超过卡方时，RMSEA为0。当看到RMSEA 的含义时
绝对拟合指数在确定模型改进程度时不依赖于与参考模型的比较；相反，它们只取决于确定假设模型与样本数据的拟合程度。[..]RMSEA考虑了总体中的近似误差，并提出了这样一个问题："如果可用，具有未知但最佳选择的参数值的模型与总体协方差矩阵的拟合程度如何？"。RMSEA测量的这种差异是按自由度表示的，因此对模型中估计参数的数量很敏感。
因此，换句话说，期望RMSEA为0意味着您期望模型中的值与总体中观察到的值完全相同。我认为这种情况不太可能发生。
对我来说，你的RMSEA表明你的单因素模型不符合数据，从心理学的角度(我所在的领域)来看，如果它符合数据，那将是令人难以置信的惊讶。您可以将此模型与更适合的模型进行比较，例如两个、三个或其他数量的因子模型。从中，选择最适合最简约的模型。但请不要只是开始随机估计X个因子模型。在知情的情况下做。我看到很多研究人员只是运行了很多有各种变化的CFA模型，只是为了挑选他们喜欢的模型，这不是进行统计的好方法。
请查看David Kenny网站了解更多一般信息
我的qoutes来源：使用Mplus的结构方程建模：基本概念、应用程序和编程。来自Barbara M.Byrne(2012)
您应该完善您的"完美模型"；。
如果您的数据与测试模型没有偏差，那么这将是一个完美的模型。
你能解释一下测试这种概念的目的吗；完美模型"；？
您可以检查修改指数，看看模型的哪些潜在变化可以提高拟合度(因为从理论角度来看，这些变化是有意义的)。
modificationindices(object = fit, standardized = T,sort. = T)