如何建立纵向 CFA 的配置模型？

Question

我有 12 个调查问题 (Q)，这些问题是在期前和期后调查期间提出的。所以我想做纵向CFA，看看前/后调查的因子模型之间是否存在差异

12 个调查问题分为 3 个潜在变量：

Anx =~ Q1 + Q2 + Q3 + Q4

贝尔 =~ Q5 + Q6 + Q7 + Q8

Eff =~ Q9 + Q10 + Q11 + Q12

所以在期前和期后调查中提出了相同的问题。

我想知道如何构建配置模型：

1. 分别为学期前和学期后的每个因素建模：

   overall.model.Bel <- '
   Bel.pre =~  Q1.pre+ Q2.pre+ Q3.pre+ Q4.pre
   Bel.post =~  Q1.post+ Q2.post+ Q3.post+ Q4.post
   '
   
   overall.model.Anx <- '
   Anx.pre =~  Q1.pre+ Q2.pre+ Q3.pre+ Q4.pre
   Anx.post =~  Q1.post+ Q2.post+ Q3.post+ Q4.post
   '
   
   overall.model.Eff <- '
   Eff.pre =~  Q1.pre+ Q2.pre+ Q3.pre+ Q4.pre
   Eff.post =~  Q1.post+ Q2.post+ Q3.post+ Q4.post
   '
   
   

2. 或者我应该全部完成：

   overall.model.Bel <- '
   
   Bel.pre =~  Q1.pre+ Q2.pre+ Q3.pre+ Q4.pre
   Bel.post =~  Q1.post+ Q2.post+ Q3.post+ Q4.post
   
   Anx.pre =~  Q1.pre+ Q2.pre+ Q3.pre+ Q4.pre
   Anx.post =~  Q1.post+ Q2.post+ Q3.post+ Q4.post
   
   Eff.pre =~  Q1.pre+ Q2.pre+ Q3.pre+ Q4.pre
   Eff.post =~  Q1.post+ Q2.post+ Q3.post+ Q4.post
   ' 
   
   

3. 还有什么我应该添加或修改的吗？

然后构建模型

overall.fit <- cfa(model = overall.model,
                   data = master, 
                   meanstructure = TRUE)

4. 另外，出于好奇，我可以用library(equaltestMI) 做纵向CFA 吗？或者一个只适用于多组 CFA（我不完全确定两者之间的步骤有什么区别，除了多组一的组是相互独立的）

Answer 1

为了测试随时间变化的测量不变性，您需要第二个模型，但需要附加约束，以便 lavaan 知道哪些指标实际上是重复测量的同一项目。使用semTools::measEq.syntax() 很容易做到这一点。它采用您的模型，根据您所做的设置添加所需的语法片段，并适合模型。

在您的示例中应该如下工作：

overall.model.Bel <- '

Bel.pre =~  Q1.pre+ Q2.pre+ Q3.pre+ Q4.pre
Bel.post =~  Q1.post+ Q2.post+ Q3.post+ Q4.post

Anx.pre =~  Q1.pre+ Q2.pre+ Q3.pre+ Q4.pre
Anx.post =~  Q1.post+ Q2.post+ Q3.post+ Q4.post

Eff.pre =~  Q1.pre+ Q2.pre+ Q3.pre+ Q4.pre
Eff.post =~  Q1.post+ Q2.post+ Q3.post+ Q4.post
'
rep_factors <- list(Bel = c("Bel.pre","Bel.post"),
                    Anx = c("Anx.pre","Anx.post"),
                    Eff = c("Eff.pre","Eff.post") )
fit.config <- semTools::measEq.syntax(configural.model = overall.model.Bel,
                                      data = master,
                                      longFacNames = rep_factors,
                                      return.fit = TRUE,
                                      meanstructure = TRUE)