Structural Equation

Modeling
Chapter 8

Confirmatory Factor Models

Created by: Cretu Andra

Introduction
● O limitare majoră a modelelor care implică doar variabile observate este aceea că eroarea
de măsurare nu este luată în considerare.
● Utilizarea variabilelor observate în statistici presupune că toate variabilele măsurate sunt
perfect valabile și fiabile, ceea ce este puțin probabil în multe aplicații.
● De exemplu, nivelul educațional al unui tată nu este o măsură perfectă a unui factor care
descrie statutul socioeconomic.
● În regresie multiplă și analiza de tip cale- scorul nu se ajustează pentru eroarea de
măsurare.
● Analiza factorială confirmatorie- care creează variabile latente utilizate în modelarea
ecuațiilor structurale.
● „Factorul” este un set de variabile observate care au modele de răspuns similare;
● Variabila latentă sau variabila „ascunsă” este în general considerată o variabilă care nu
poate fi măsurabilă sau observabilă în mod direct. De exemplu, nivelul unei nevroze ale
unei persoane sunt toate variabile latente care sunt măsurate cu ajutorul altor variabile
masurabile (variabile observate).
Introduction

● Încercăm să testăm statistic semnificația unui model de factor ipotetici- adică dacă
datele din eșantion confirmă acel model. Eșantioane suplimentare de date care se
potrivesc modelului confirmă în continuare valabilitatea modelului ipotetici- . Acesta
este motivul principal pentru analiza factorilor de confirmare (CFA).

● Analiza factorială confirmatorie încearcă să determine ce seturi de variabile

observate împărtășesc caracteristici comune care definesc factori teoretici (variabile
latente). Analiza factorilor presupune că unii factori, cu un număr mai mic decât
numărul de variabile observate, sunt responsabili pentru varianța-covarianță partajată
dintre variabilele observate.
Model specification

● Modelul factorului de confirmare constă din

următoarele șase variabile observate: acid
citric, cloruri, sulfați, densitate, pH și alcool
● Primele trei variabile au fost utilizate pentru a
măsura un factor legat de compozitia chimica
și celelalte trei variabile pentru a măsura un
factor legat de calitatea vinului.

Equatii:

citric_a = chimical+ err_c

chloride = chimical + err_ch
sulphate = chimic + err_s
density = fquality + err_d
pH = fquality + err_p
alcohol = fquality + err_a
 Model identification
1. Pentru modelul specificat anterior avem:
a. 6 incarcari ale factorilor
b. 1 corelatie intre variabilele latente
c. 6 varianțe ale erorii de regresie
Astfel ca pentru modelul generat avem 13 parametri liberi care trebuie estimați.

2. Numărul de valori distincte din matricea de corelație este :

[6(6+1)]/2 = 21 de valori distincte

Din cele calculate mai sus deducem faptul ca:

df = 21 - 13 = 8 numarul gradelor de libertate

și
Numarul de parametri liberi < Numarul de valori distrincte din matricea de corelatie
=> Modelul este supra-identificat
Model estimation
t = 0.57/0.033 = 17.27
t > t_teoretic = 1.96 => acidul citric este
seminificativ din punct de vedere
statistic

R2= 0.32 -> 32% din nivelul de acid citric

descrie factorul chimical restul fiind
explicat prin influența altor factori care
descriu factorul chimical precum și
rezidurile
Model testing
În cadrul etapei de testare a modelului eu fost
folositi urmatorii indici:

● chi-square
● df (degrees of freedom)
● p_value
● RMSEA(root-mean-square error of approximation)
● GFI (goodness-of-fit index)
● NCP(non-centrality)
 Model testing Valoarea lui chi-square nu este apropiată
de numărul de grade de libertate, potrivirea
Indici de estimare: modelului inițial este slabă.
Reamintim că parametrul non-centralității
First model Second model (NCP) este calculat ca chi-square - df, are o
valoare așteptată de 0 (NCP = 0; potrivire
802.49 468.18 perfectă).
Un al criteriu este acela că eroarea
Df 8 7 rădăcină-medie-pătrat (RMSEA) este egală cu
.25, mai mare decât nivelul acceptabil de potrivire
p value aproximativ 0 a modelului (RMSEA <.08 sau .05).
aproximativ 0 În sfârșit, indicele de bunătate-de-potrivire
(GFI) este de .85 pentru primul model, care este
RMSEA 0.25 > 0.05 0.2 > 0.05 sub limita acceptabilă a modelului de potrivire (GFI
> .95).
GFI 0.86 < 0.90 0.91 > 0.90 Concluzia este că modelul modificat este
rezonabil.
Model Modification
First model: Second model:
Resources:
● https://www.youtube.com/watch?v=isDGTLuhdvg