da die Messinvarianzprüfung und R ziemliches Neuland für mich sind und ich mittlerweile das Gefühl habe, durch eigene Recherchen nicht mehr weiterzukommen, wäre ich über jeden Ratschlag oder Hinweis zu folgendem Anliegen sehr dankbar.
Ich möchte überprüfen, ob ein Konstrukt, das anhand einer bestimmten Skala (6 Items) erfasst werden sollte, für zwei unterschiedliche Schülergruppen messäquivalent erhoben werden konnte.
Hierzu habe ich zunächst in konfirmatorischen Faktorenanalysen die postulierte Ein-Faktoren-Struktur für beide Substichproben überprüft und die Modellgüte anhand des CFI, TLI und RMSEA beurteilt. Ergebnis: Das einfaktorielle Modell wies in den konfirmatorischen Faktorenanalysen für beide Gruppen eine akzeptable Gesamtpassung auf. Erwartungsgemäß ließ sich in der anschließenden Messinvarianz-Prüfung konfigurale Messinvarianz feststellen.
Da im nächsten Schritt allerdings metrische Messinvarianz nicht mehr nachgewiesen werden konnte (zur Beurteilung wurde die Veränderung des CFI Δ CFI ≤ -.02 und des RMSEA Δ RMSEA ≤ .015 herangezogen), wollte ich prüfen, ob sich zumindest partielle metrische Messinvarianz feststellen lässt. Hierzu habe ich mir die Modifikationsindizes ausgeben lassen, die aus meiner Sicht darauf hinweisen, dass das Modell durch die Freisetzung einiger Kovarianzen zwischen den Items verbessert werden könnte (bzw. dass hierdurch Chi² verringert werden würde). Die Modifikationsindizes werden mir wie folgt ausgegeben:
Code: Alles auswählen
lhs op rhs group mi mi.scaled epc sepc.lv sepc.all sepc.nox
1 Fak =~ item_1 1 15.322 14.087 -0.747 -0.520 -0.442 -0.442
21 Fak =~ item_1 2 15.322 14.087 0.747 0.442 0.488 0.488
46 item_1 ~~ item_2 1 0.211 0.194 0.042 0.042 0.034 0.034
47 item_1 ~~ item_3 1 0.420 0.386 -0.058 -0.058 -0.046 -0.046
48 item_1~~ item_4 1 0.801 0.737 -0.078 -0.078 -0.065 -0.065
49 item_1 ~~ item_5 1 0.029 0.027 0.014 0.014 0.012 0.012
50 item_1 ~~ item_6 1 9.587 8.814 -0.273 -0.273 -0.225 -0.225
51 item_2 ~~ item_3 1 0.024 0.022 -0.012 -0.012 -0.011 -0.011
52 item_2 ~~ item_4 1 0.329 0.303 -0.046 -0.046 -0.043 -0.043
53 item_2 ~~ item_5 1 1.029 0.946 0.077 0.077 0.076 0.076
54 item_2 ~~ item_6 1 7.760 7.134 0.223 0.223 0.207 0.207
55 item_3 ~~ item_4 1 6.316 5.807 0.195 0.195 0.180 0.180
56 item_3 ~~ item_5 1 4.204 3.865 -0.150 -0.150 -0.147 -0.147
57 item_3 ~~ item_6 1 0.020 0.018 0.011 0.011 0.010 0.010
58 item_4 ~~ item_5 1 3.596 3.306 -0.137 -0.137 -0.138 -0.138
59 item_4 ~~ item_6 1 0.885 0.814 0.072 0.072 0.068 0.068
60 item_5 ~~ item_6 1 3.504 3.222 0.136 0.136 0.137 0.137
61 item_1 ~~ item_2 2 3.488 3.207 -0.074 -0.074 -0.089 -0.089
62 item_1 ~~ item_3 2 8.386 7.710 0.121 0.121 0.145 0.145
63 item_1 ~~ item_4 2 0.016 0.015 -0.005 -0.005 -0.006 -0.006
64 item_1 ~~ item_5 2 4.982 4.580 0.084 0.084 0.106 0.106
65 item_1 ~~ item_6 2 1.270 1.168 -0.048 -0.048 -0.054 -0.054
66 item_2 ~~ item_3 2 1.872 1.721 -0.056 -0.056 -0.065 -0.065
67 item_2 ~~ item_4 2 0.002 0.002 -0.002 -0.002 -0.002 -0.002
68 item_2 ~~ item_5 2 2.818 2.591 -0.066 -0.066 -0.081 -0.081
69 item_2 ~~ item_6 2 10.780 9.911 0.145 0.145 0.159 0.159
70 item_3 ~~ item_4 2 1.250 1.149 -0.048 -0.048 -0.053 -0.053
71 item_3 ~~ item_5 2 0.838 0.771 0.035 0.035 0.044 0.044
72 item_3 ~~ item_6 2 3.664 3.368 -0.083 -0.083 -0.091 -0.091
73 item_4 ~~ item_5 2 0.103 0.094 0.013 0.013 0.015 0.015
74 item_4 ~~ item_6 2 0.483 0.444 0.032 0.032 0.033 0.033
75 item_5 ~~ item_6 2 2.501 2.300 -0.066 -0.066 -0.076 -0.076
Code: Alles auswählen
parinv <- cfa(model, data = R_Dat, meanstructure = TRUE, estimator = "MLR", group = "dif", group.equal = c("loadings"),
group.partial = c("item_2 ~~ item_6", "item_1 ~~ item_6"))
summary (parinv, fit.measures = TRUE)
Vielen Dank und viele Grüße
Lav