fit (Byrne, 2010; Fan & Sivo, 2005)

fit (Byrne, 2010; Fan & Sivo, 2005). For example, the χ2 statistic is extremely sensitive to large sample size and violation of normality. Some goodness-of-fit indices (e.g., Tucker-Lewis Index and Comparative Fit Index (CFI) are overly sensitive to complex models, that is, those with more than three factors or with a hierarchical structure (Cheung & Rensvold, 2002). The most popular index, the root mean square error of approximation (RMSEA), is sensitive to complex models and specification error (Fan & Sivo, 2007). In contrast, the standardized root mean square residual (SRMR) and gamma hat have been shown to be relatively resistant to the impact of large samples, complex models, and model misspecification (Fan & Sivo, 2007). In this study, five absolute and incremental fit measures were employed to evaluate the data fit to the model: (1) the c2 package (p, χ2/df); (2) CFI; (3) RMSEA; (4) SRMR with 90% CI; (5) gamma hat. In terms of the cut-off values for the above indices, acceptable fit occurs when c2 is roughly equal to its df and good fit is inferred when the ratio of χ2 to df has p > .05. When RMSEA and SRMR are ≤.05, fit is good and when ≤.08, it is acceptable. When the 90% CI for RMSEA falls in the range from .050 to .080, fit is acceptable. When CFI and gamma hat are 3.95, fit is good and when they are >.90, fit is acceptable (Byrne, 2010; Marsh, Hau, & Wen, 2004). In addition, items that still had low loadings (

Kết quả (Việt) 1:

phù hợp (Byrne, 2010; Fan hâm mộ & Sivo, 2005). Ví dụ, số liệu thống kê χ2 là cực kỳ nhạy cảm với cỡ mẫu lớn và vi phạm bình thường. Một số chỉ số tốt đẹp phù hợp (ví dụ: chỉ số Tucker-Lewis và so sánh phù hợp với chỉ số (CFI) là quá nhạy cảm với các mô hình phức tạp, có nghĩa là, những người với hơn ba yếu tố hoặc một cấu trúc thứ bậc (Trương Quốc Vinh & Rensvold, 2002). Các chỉ số phổ biến nhất, lỗi root mean square xấp xỉ (RMSEA), là nhạy cảm với các mô hình phức tạp và đặc điểm kỹ thuật lỗi (fan hâm mộ & Sivo, 2007). Ngược lại, tiêu chuẩn hóa root mean square dư (SRMR) và gamma mũ đã được thể hiện tương đối kháng với tác động của các mẫu lớn, phức tạp các mô hình và mô hình misspecification (fan hâm mộ & Sivo, 2007). Trong nghiên cứu này, năm tuyệt đối và gia tăng phù hợp với các biện pháp được sử dụng để đánh giá dữ liệu phù hợp với mô hình: (1) các gói c2 (p, χ2/df); (2) CFI; (3) RMSEA; (4) SRMR với 90% CI; (5) gamma mũ. Về mặt giá trị cut-off cho chỉ số trên, chấp nhận được phù hợp xảy ra khi c2 là khoảng tương đương df của mình và thích hợp được suy ra khi tỷ lệ χ2 đến df có p >.05. Khi RMSEA và SRMR là ≤.05, phù hợp là tốt và khi ≤.08, nó được chấp nhận. Khi CI 90% cho RMSEA rơi trong phạm vi từ.050 để.080, phù hợp là chấp nhận được. Khi hat CFI và gamma 3,95, phù hợp là tốt và khi họ >.90, phù hợp là chấp nhận được (Byrne, 2010; Marsh, Hau, & Wen, 2004). Ngoài ra, các mục vẫn còn thấp khi (<.30) về các yếu tố của khái niệm hoặc có thay đổi mạnh mẽ các chỉ số cho các yếu tố khác đã được gỡ bỏ trong thủ tục CFA (Meyers và ctv., 2006). Theo đó, ba mục được tháo bỏ và một mô hình với 26 các mục đã được thử nghiệm. Nó thường xuyên xảy ra rằng phù hợp với chỉ số đã không trong một phạm vi chấp nhận được, vì vậy thay đổi chỉ số (MI) được sử dụng để xác định các khoản mục đã không thích hợp. Như một quy luật của, các giá trị lớn hơn của MI đề nghị rằng thay đổi tương ứng có thể dẫn đến một cải tiến lớn trong sự phù hợp (Meyers và ctv., 2006). Do đó, mục MI lớn hơn được coi là có vấn đề vì vậy, các mặt hàng này không thích hợp sau đó bị loại bỏ và một mô hình khác nhau đã được thử nghiệm. Hai mục đã được gỡ bỏ trong quá trình này và một mô hình cuối cùng của 26 mục đã được tạo ra.

Kết quả (Việt) 2:

phù hợp (Byrne, 2010; Fan & Sivo, 2005). Ví dụ, các số liệu thống kê χ2 là cực kỳ nhạy cảm với kích thước mẫu lớn và vi phạm bình thường. Một số sự tốt lành-of-fit chỉ số (ví dụ, Tucker-Lewis Index và so sánh Fit Index (CFI) là quá nhạy cảm với mô hình phức tạp, đó là, những người có nhiều hơn ba yếu tố hay với một cấu trúc phân cấp (Cheung & Rensvold, 2002). các chỉ số phổ biến nhất, gốc có nghĩa là lỗi vuông xấp xỉ (RMSEA), là nhạy cảm với các mô hình phức tạp và lỗi kỹ thuật (Fan & Sivo, 2007). Ngược lại, gốc chuẩn có nghĩa là hình vuông còn lại (SRMR) và mũ gamma đã được chứng minh . là tương đối kháng với tác động của mẫu lớn, mô hình phức tạp, và mô hình thông số sai lệch (Fan & Sivo, 2007) trong nghiên cứu này, năm biện pháp phù hợp tuyệt đối và gia tăng đã được sử dụng để đánh giá sự phù hợp với dữ liệu vào mô hình: (1) c2 gói (p, χ2 / df); (2) CFI; (3) RMSEA; (4) SRMR với CI 90%;. (5) gamma mũ Xét về mặt giá trị cut-off cho các chỉ số trên, thích hợp chấp nhận xảy ra khi c2 là tương đương với df của nó và tốt phù hợp với mội khi tỷ lệ χ2 để df có p> 0,05. khi RMSEA và SRMR là ≤.05, phù hợp là tốt và khi ≤.08, đó là chấp nhận được. Khi CI 90% cho RMSEA rơi trong khoảng 0,050-0,080, phù hợp là chấp nhận được. Khi CFI và mũ gamma là 3,95, phù hợp là tốt và khi họ là> 0,90, phù hợp là chấp nhận được (Byrne, 2010; Marsh, Hậu, & Wen, 2004). Ngoài ra, các mặt hàng mà vẫn có tải trọng thấp (<0,30) vào các yếu tố của khái niệm hoặc trong đó có chỉ số thay đổi mạnh mẽ đến các yếu tố khác đã được loại bỏ trong quá trình CFA (Meyers et al., 2006). Theo đó, ba mục đã bị xóa và một mô hình với 26 mặt hàng đã được kiểm tra. Nó thường xảy ra rằng các chỉ số phù hợp là không phải trong phạm vi chấp nhận, vì vậy chỉ số sửa đổi (MI) được sử dụng để xác định các mặt hàng là không thích hợp. Như một quy tắc của ngón tay cái, giá trị lớn hơn của MI gợi ý rằng việc sửa đổi tương ứng có thể dẫn đến một cải tiến lớn hơn trong sự phù hợp (Meyers et al., 2006). Do đó, các mặt hàng với MI lớn hơn được coi là có vấn đề nên các mặt hàng này không thích hợp sau đó được loại bỏ và một mô hình khác nhau đã được thử nghiệm. Hai mục đã bị xóa trong thủ tục này và một mô hình cuối cùng của 26 mặt hàng đã được tạo ra.