library(readxl) # Libreria de carga de archivo Excel
library(lavaan) # instalar previamente## This is lavaan 0.6-19
## lavaan is FREE software! Please report any bugs.x <- read_excel("CFAdata.xlsx")
head(x)## # A tibble: 6 × 6
## L FSF H M FSC Q
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 0.797 0.640 -0.0184 2.26 0.439 0.735
## 2 -0.511 0.393 -0.225 1.10 -0.0128 0.765
## 3 1.20 -0.243 0.364 -0.0703 -0.438 -0.0918
## 4 0.436 -0.0937 0.605 0.257 -0.00505 -0.102
## 5 -2.17 -0.733 -1.35 2.01 -0.0542 -0.0881
## 6 0.431 -0.357 -0.872 -1.73 -0.526 -0.243Paso 0: Especificando los modelos
modelo_factorial='
IM =~ M + FSC + Q
IV =~ L + FSF + H
'Paso 01: Correr el modelo
fitted.model = cfa(modelo_factorial,data = x)Paso 02: Visualización resultados
summary(fitted.model,fit.measures =TRUE, standardized = TRUE)## lavaan 0.6-19 ended normally after 31 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 13
##
## Number of observations 250
##
## Model Test User Model:
##
## Test statistic 8.474
## Degrees of freedom 8
## P-value (Chi-square) 0.389
##
## Model Test Baseline Model:
##
## Test statistic 357.792
## Degrees of freedom 15
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.999
## Tucker-Lewis Index (TLI) 0.997
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -1662.346
## Loglikelihood unrestricted model (H1) -1658.109
##
## Akaike (AIC) 3350.693
## Bayesian (BIC) 3396.472
## Sample-size adjusted Bayesian (SABIC) 3355.260
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.015
## 90 Percent confidence interval - lower 0.000
## 90 Percent confidence interval - upper 0.077
## P-value H_0: RMSEA <= 0.050 0.759
## P-value H_0: RMSEA >= 0.080 0.039
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.032
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Structured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## IM =~
## M 1.000 0.833 0.759
## FSC 0.374 0.041 9.041 0.000 0.311 0.761
## Q 0.818 0.100 8.169 0.000 0.681 0.615
## IV =~
## L 1.000 0.794 0.730
## FSF 0.509 0.072 7.101 0.000 0.405 0.687
## H 0.605 0.101 6.017 0.000 0.480 0.491
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## IM ~~
## IV 0.385 0.071 5.449 0.000 0.583 0.583
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .M 0.511 0.078 6.535 0.000 0.511 0.424
## .FSC 0.071 0.011 6.491 0.000 0.071 0.422
## .Q 0.763 0.083 9.220 0.000 0.763 0.622
## .L 0.553 0.092 5.995 0.000 0.553 0.467
## .FSF 0.183 0.026 6.978 0.000 0.183 0.528
## .H 0.726 0.074 9.814 0.000 0.726 0.759
## IM 0.694 0.116 5.959 0.000 1.000 1.000
## IV 0.630 0.122 5.179 0.000 1.000 1.000Ho: El modelo propuesto reproduce los datos.
H1: El modelo propuesto no reproduce los datos.
alfa = 0.05
Model Test User Model:
Test statistic 8.474 Degrees of freedom 8 P-value (Chi-square) 0.389
Pvalor = 0.389 > alfa No Rechazo Ho
conclusión = a un nivel de significación del 5% El modelo propuesto reproduce los datos
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.999
## Tucker-Lewis Index (TLI) 0.997CFI= compara tu modelo con el peor (Modelo nulo -Intercepto)
Interpretación :
>0.95 Ajuste excelente (El modelo explica casi toda la variabilidad).
0.9 - 0.95 Ajuste aceptable (El modelo explica la mayoría de la variabilidad).
< 0.9 Ajuste inadecuado (El modelo omite patrones importantes)
Tenemos un buen ajuste del modelo.
INdice TLI : similar al CFI pero penaliza modelos complejos.
>0.95 Ajuste excelente (El modelo explica casi toda la variabilidad).
0.9 - 0.95 Ajuste aceptable (El modelo explica la mayoría de la variabilidad).
< 0.9 Ajuste inadecuado (El modelo omite patrones importantes).
## Root Mean Square Error of Approximation:
##
## RMSEA 0.015
## 90 Percent confidence interval - lower 0.000
## 90 Percent confidence interval - upper 0.077
## P-value H_0: RMSEA <= 0.050 0.759
## P-value H_0: RMSEA >= 0.080 0.039RMSEA mide cuanto se desvía tu modelo de una aproximación de los datos.
<0.05 : Excelente ajuste (“El modelo casi no tiene error)
0.05 - 0.08 :Ajuste aceptable (El error es moderado pero tolerable)
0.08 - 0.10 : Ajuste mediocre (El error es cosiderable , necesita revisión)
>0.10 : Ajuste pobre ( El modelo no representa los datos)
## Standardized Root Mean Square Residual:
##
## SRMR 0.032SRMR mide el promedio de discrepancias entre correlaciones observadas y predichas.
<0.08 : Buen ajuste (Las diferencias son mínimas)
0.08 - 0.10 : Ajuste regular
>0.10 : Problema grave ( El modelo no representa las correlaciones reales.)
SMRM= 0.032 , EL modelo predice adecuadamente las relaciones entre item(variables), con solo un 3.2% de discrepacia promedio.