Step 1: Reviewing the chi-square te

Step 1: Reviewing the chi-square test
The chi-square test provides a statistic test of the null hypothesis that the model fit the data. (H0: Model fits with the data and H1: Model does not fit with the data). If the model provides a good fit, the chi-square value will be relative small and the corresponding p value will be relatively large. In the case of accepting fit, the chi-square ratio (X^2/df) should be less than 3.

Step 2: Reviewing the Non-Normed Fit Index and the Comparative Fit Index
The Non-Normed Fit Index, or NNFI (Bentler and Bonett, 1980), and the Comparative Fit Index, or CFI (Bentler, 1989), are the identification about overall goodness of fit indices. Value over 0.9 on the NNFI and CFI indicate an acceptable fit.

Step 3: Reviewing the significance tests for factor loading
The factor loadings are equivalent to path coefficients from latent factors to their indicator variables. Therefore, an insignificant factor loading means that the involved indicator variable is not doing a good job for measuring the underlying factor, and should be reassigned or dropped. The t-value explains about the significance of path coefficients from latent factors to their indicator variables. The factor loadings are significant when t-values are greater than 1.96 at p < 0.05, 2.576 at p < 0.01, or 3.291 at p < 0.001.

Step 4: Normalized residual matrix
The model provides a good fit to the data when the distribution of normalized residual is centered on zero, symmetrical, and contains no or few large residuals.

Step 5: The Wald test
The Wald test estimates the change in model chi-square that would result from fixing a given parameter at zero. The first parameter listed is the one that will result in the least change in chi-square if deleted. The second parameter will result in the second-least change, and so forth. The result from t-value and covariance related to the Wald test about the parameter that is suggested to be deleted.

Step 6: The Lagrange multiplier test
The Lagrange multiplier test estimates the reduction in model chi-square that results from freeing a fixed parameter and allowing it to be estimated. In other words, the Lagrange multiplier estimates the degree to which chi-square would improve if a new factor loading or covariance is added to model.
The first modification index is the Wald test, which identifies parameters that should possibly be dropped from the model. The second modification index is the Lagrange multiplier, which identifies parameters that should possibly be added. It is generally safer to drop existing parameters than to add new ones. For this reason, the Wald test will be consulted first.

Kết quả (Việt) 1:

Bước 1: Xem xét bài thi chi-vuôngCác bài kiểm tra chi-vuông cung cấp một bài kiểm tra số liệu thống kê của các giả thuyết null là mô hình phù hợp với các dữ liệu. (H0: mô hình phù hợp với các dữ liệu và H1: mô hình không phù hợp với dữ liệu). Nếu các mô hình cung cấp thích hợp, giá trị chi-vuông sẽ là tương đối nhỏ và các giá trị p tương ứng sẽ tương đối lớn. Trong trường hợp chấp nhận sự phù hợp, tỷ lệ chi-vuông (X ^ 2/df) nên là ít hơn 3.Bước 2: Xem xét phòng không-không phù hợp với chỉ số và chỉ số phù hợp so sánhPhòng Không-không phù hợp với chỉ số, hoặc NNFI (Bentler và Bonett, 1980), và so sánh các chỉ số phù hợp, hoặc CFI (Bentler, 1989), là xác định về tổng thể tốt đẹp phù hợp với chỉ số. Giá trị hơn 0,9 trên NNFI và CFI cho thấy một sự phù hợp được chấp nhận.Bước 3: Xem xét các ý nghĩa xét nghiệm cho factor loadingKhi yếu tố là tương đương với hệ số đường dẫn từ các yếu tố tiềm ẩn để biến chỉ số của họ. Do đó, một yếu tố không đáng kể nâng có nghĩa rằng biến liên quan đến chỉ số không làm một công việc tốt để đo lường các yếu tố tiềm ẩn, và nên được bố trí hoặc giảm xuống. Giá trị t giải thích về ý nghĩa của đường dẫn hệ từ tiềm ẩn các yếu tố để biến chỉ số của họ. Khi yếu tố rất quan trọng khi các giá trị t là lớn hơn 1,96 tại p < 0,05, 2.576 tại p < 0,01 hoặc 3.291 tại p < 0,001.Bước 4: Chuẩn hoá dư ma trậnCác mô hình cung cấp thích hợp để các dữ liệu khi phân phối bình thường còn lại là trung tâm trên zero, đối xứng, và có chứa không có hoặc ít dư lớn.Bước 5: Kiểm tra WaldWald test ước tính sự thay đổi trong chi-mô hình vuông sẽ cho kết quả từ sửa chữa một thông số nhất định tại zero. Các tham số đầu tiên được liệt kê là một trong đó sẽ dẫn đến sự thay đổi ít nhất trong chi-vuông nếu xóa. Các tham số thứ hai sẽ cho kết quả trong ít thay đổi, và vv.. Kết quả từ giá trị t và hiệp phương sai liên quan đến thử nghiệm Wald về các tham số đó là đề nghị để xóa.Bước 6: Kiểm tra hệ số LagrangeKiểm tra hệ số Lagrange ước tính giảm trong chi-vuông mô hình kết quả từ giải phóng một tham số cố định và cho phép nó được ước tính. Nói cách khác, Hệ số Lagrange ước tính mức độ mà chi-vuông sẽ cải thiện nếu một yếu tố mới tải hoặc hiệp phương sai được thêm vào mô hình.Chỉ số sửa đổi đầu tiên là thử nghiệm Wald, xác định các thông số có thể nên được thả từ các mô hình. Chỉ số sửa đổi thứ hai là hệ số Lagrange, xác định các thông số có thể được thêm vào. Đó là nói chung an toàn để thả các tham số sẵn có hơn để thêm những cái mới. Vì lý do này, Wald test sẽ được tư vấn đầu tiên.

Kết quả (Việt) 2:

Bước 1: Đánh giá chi-square test
Các kiểm định chi bình phương cung cấp một kiểm tra thống kê của các giả thuyết rằng các mô hình phù hợp với các dữ liệu. (H0: Mô hình phù hợp với các dữ liệu và H1: Mô hình không phù hợp với các dữ liệu). Nếu mô hình cung cấp một sự phù hợp tốt, giá trị chi-vuông sẽ là tương đối nhỏ và giá trị p tương ứng sẽ là tương đối lớn. Trong trường hợp chấp nhận phù hợp, tỷ lệ chi-vuông (X ^ 2 / df) nên được ít hơn 3.

Bước 2: Đánh giá không định chuẩn Fit Index và so sánh Fit Index
Các phi định chuẩn Fit Index, hoặc NNFI ( Bentler và Bonett, 1980), và so sánh fit Index, hoặc CFI (Bentler, 1989), là xác định về sự tốt lành tổng thể của các chỉ số phù hợp. Giá trị trên 0,9 trên NNFI và CFI chỉ thích hợp chấp nhận.

Bước 3: Xem xét các bài kiểm tra quan trọng của yếu tố tải
Các tải trọng yếu tố tương đương với hệ số đường đi từ yếu tố tiềm ẩn cho các biến chỉ thị của họ. Do đó, một yếu tố tải không đáng kể có nghĩa là biến chỉ số có liên quan không được làm một công việc tốt để đo các yếu tố cơ bản và phải được bố trí hoặc giảm. T-giá trị giải thích về ý nghĩa của hệ số đường đi từ yếu tố tiềm ẩn cho các biến chỉ thị của họ. Các tải trọng yếu tố rất quan trọng khi t-giá trị lớn hơn 1,96 với p <0,05, 2,576 với p <0,01, hoặc 3,291 với p <0,001.

Bước 4: Chuẩn hóa ma trận còn lại
mô hình này cung cấp một sự phù hợp tốt với các dữ liệu khi phân phối còn bình thường là trung tâm trên không, đối xứng, và không có chứa hoặc ít dư lớn.

Bước 5: Wald thử nghiệm
các thử nghiệm Wald ước tính sự thay đổi trong mô hình chi-vuông mà có kết quả từ sửa chữa một tham số được đưa ra tại không. Tham số đầu tiên được liệt kê là một trong đó sẽ dẫn đến sự thay đổi ít nhất trong chi-vuông nếu xóa. Tham số thứ hai sẽ dẫn đến sự thay đổi thứ hai ít nhất, và vân vân. Kết quả từ t-giá trị và hiệp biến liên quan đến kiểm định Wald về các tham số được đề nghị để được xóa.

Bước 6: Các thử nghiệm Lagrange multiplier
Các thử nghiệm nhân Lagrange ước tính giảm trong mô hình chi-vuông mà kết quả từ việc giải phóng một tham số cố định và cho phép nó được ước tính. Nói cách khác, số nhân Lagrange ước tính mức độ mà chi-vuông sẽ được cải thiện nếu có bốc yếu tố mới hoặc hiệp phương sai được thêm vào mô hình.
Các chỉ số sửa đổi đầu tiên là kiểm định Wald, trong đó xác định các thông số mà có thể nên được giảm xuống từ mô hình. Chỉ số sửa đổi thứ hai là số nhân Lagrange, trong đó xác định các thông số mà có thể được thêm vào. Nó thường được an toàn hơn để thả các thông số hiện có hơn để thêm những cái mới. Vì lý do này, các thử nghiệm Wald sẽ được tư vấn đầu tiên.