Convergent Validity

Convergent validity means that the variables within a single factor are highly correlated. This is
evident by the factor loadings. Sufficient/significant loadings depend on the sample size of your
dataset. The table below outlines the thresholds for sufficient/significant factor loadings. Generally,
the smaller the sample size, the higher the required loading. We can see that in the pattern matrix
above, we would need a sample size of 60-70 at a minimum to achieve significant loadings for
variables loyalty1 and loyalty7. Regardless of sample size, it is best to have loadings greater than
0.500 and averaging out to greater than 0.700 for each factor.

validitas konvergen berarti bahwa variabel dalam faktor tunggal sangat berkorelasi. Hal ini terbukti
dengan beban faktor. Cukup / beban yang signifikan tergantung pada ukuran sampel dataset Anda.
Tabel di bawah ini menguraikan ambang batas untuk / beban faktor signifikan yang cukup.
Umumnya, semakin kecil ukuran sampel, semakin tinggi beban yang diperlukan. Kita bisa melihat
bahwa dalam matriks pola di atas, kita akan membutuhkan ukuran sampel dari 60-70 minimal untuk
mencapai beban yang signifikan untuk variabel loyalitas dan kesetiaan. Terlepas dari ukuran
sampel, yang terbaik adalah untuk memiliki beban lebih besar dari 0.500 dan rata-rata untuk lebih
besar dari 0.700 untuk setiap factor

Discriminant Validity

Discriminant validity refers to the extent to which factors are distinct and uncorrelated. The rule is
that variables should relate more strongly to their own factor than to another factor. Two primary
methods exist for determining discriminant validity during an EFA. The first method is to examine the
pattern matrix. Variables should load significantly only on one factor. If "cross-loadings" do exist
(variable loads on multiple factors), then the cross-loadings should differ by more than 0.2. The
second method is to examine the factor correlation matrix, as shown below. Correlations between
factors should not exceed 0.7. A correlation greater than 0.7 indicates a majority of shared variance
(0.7 * 0.7 = 49% shared variance). As we can see from the factor correlation matrix below, factor 2 is
too highly correlated with factors 1, 3, and 4.

validitas diskriminan mengacu pada sejauh mana faktor-faktor yang berbeda dan tidak berkorelasi.
Aturannya adalah bahwa variabel harus berhubungan lebih kuat dengan faktor mereka sendiri
daripada faktor lain. Dua metode utama yang ada untuk menentukan validitas diskriminan selama
EFA. Metode pertama adalah untuk memeriksa matriks pola. Variabel harus memuat secara
signifikan hanya pada satu faktor. Dari "cross-beban" memang ada (banyak variabel pada beberapa
faktor), maka cross-beban harus berbeda lebih dari 0,2. Metode kedua adalah untuk menguji faktor
korelasi matriks, seperti yang ditunjukkan di bawah ini. Korelasi antara faktor tidak melebihi 0,7.
Sebuah korelasi lebih besar dari 0,7 menunjukkan mayoritas varians bersama (0,7 * 0,7 = 49%
dibagi varians). Seperti yang bisa kita lihat dari korelasi faktor matriks di bawah ini, faktor 2 terlalu
sangat berkorelasi dengan faktor 1, 3, dan 4.

Face Validity

Face validity is very simple. Do the factors make sense? For example, are variables that are similar
in nature loading together on the same factor? If there are exceptions, are they explainable? Factors
that demonstrate sufficient face validity should be easy to label. For example, in the pattern matrix
above, we could easily label factor 1 "Trust in the Agent" (assuming the variable names are
representative of the measure used to collect data for this variable). If all the "Trust" variables in the
pattern matrix above loaded onto a single factor, we may have to abstract a bit and call this factor
"Trust" rather than "Trust in Agent" and "Trust in Company".

validitas wajah sangat sederhana. Apakah faktor masuk akal? Misalnya, adalah variabel yang mirip
di alam memuat bersama-sama pada faktor yang sama? Jika ada pengecualian, mereka dijelaskan?
Faktor-faktor yang menunjukkan validitas wajah yang cukup harus mudah untuk label. Misalnya,
dalam matriks pola di atas, kita bisa dengan mudah memberi label faktor 1 "Trust di Agen" (dengan
asumsi nama variabel adalah wakil dari ukuran yang digunakan untuk mengumpulkan data untuk
variabel ini). Jika semua "Trust" variabel dalam matriks pola di atas dimuat ke faktor tunggal, kita
mungkin harus abstrak sedikit dan menyebut faktor ini "Trust" daripada "Trust di Agen" dan "Trust di
Perusahaan".

Reliability

Reliability refers to the consistency of the item-level errors within a single factor. Reliability means
just what it sounds like: a "reliable" set of variables will consistently load on the same factor. The
way to test reliability in an EFA is to compute Cronbach's alpha for each factor. Cronbach's alpha
should be above 0.7; although, ceteris paribus, the value will generally increase for factors with more
variables, and decrease for factors with fewer variables. Each factor should aim to have at least 3
variables, although 2 variables is sometimes permissible.

Keandalan mengacu pada konsistensi kesalahan item-tingkat dalam faktor tunggal. Keandalan
berarti hanya apa yang terdengar seperti: a "terpercaya" set variabel secara konsisten akan memuat
pada faktor yang sama. Cara untuk menguji kehandalan dalam EFA adalah untuk menghitung alpha
Cronbach untuk setiap faktor. alpha Cronbach harus di atas 0,7; meskipun, ceteris paribus, nilai
biasanya akan meningkatkan faktor dengan lebih variabel, dan mengurangi faktor dengan variabel
yang lebih sedikit. Setiap faktor harus bertujuan untuk memiliki minimal 3 variabel, meskipun 2
variabel kadang-kadang diperbolehkan.
Model fit

Model fit refers to how well our proposed model (in this case, the model of the factor structure)
accounts for the correlations between variables in the dataset. If we are accounting for all the major
correlations inherent in the dataset (with regards to the variables in our model), then we will have
good fit; if not, then there is a significant "discrepancy" between the correlations proposed and the
correlations observed, and thus we have poor model fit. Our proposed model does not "fit" the
observed or "estimated" model (i.e., the correlations in the dataset). Refer to the CFA video tutorial
for specifics on how to go about performing a model fit analysis during the CFA.

Model fit mengacu pada seberapa baik model kita diusulkan (dalam hal ini, model struktur faktor)
menyumbang korelasi antara variabel dalam dataset. Jika kita akuntansi untuk semua korelasi
utama yang melekat dalam dataset (berkaitan dengan variabel dalam model kami), maka kita akan
memiliki baik fit; jika tidak, maka ada yang signifikan "perbedaan" antara korelasi yang diusulkan
dan korelasi yang diamati, dan dengan demikian kita memiliki miskin model fit. Model yang
diusulkan kami tidak "cocok" yang diamati atau "diperkirakan" model (yaitu, korelasi dalam dataset).
Mengacu pada CFA tutorial video untuk spesifik tentang cara untuk pergi tentang melakukan model
analisis fit selama CFA.

Metrics[edit]
There are specific measures that can be calculated to determine goodness of fit. The metrics that
ought to be reported are listed below, along with their acceptable thresholds. Goodness of fit is
inversely related to sample size and the number of variables in the model. Thus, the thresholds
below are simply a guideline. For more contextualized thresholds, see Table 12-4 in Hair et al. 2010
on page 654. The thresholds listed in the table below are from Hu and Bentler (1999).

Ada langkah-langkah tertentu yang dapat dihitung untuk menentukan goodness of fit. Metrik yang
seharusnya dilaporkan tercantum di bawah ini, bersama dengan ambang batas yang dapat diterima
mereka. Goodness of fit berbanding terbalik dengan ukuran sampel dan jumlah variabel dalam
model. Dengan demikian, batas bawah hanya pedoman. Untuk ambang batas lebih kontekstual,
lihat Tabel 12-4 di rambut et al. 2010 pada halaman 654. The ambang tercantum dalam tabel di
bawah ini dari Hu dan Bentler (1999).
Modification indices

Modification indices offer suggested remedies to discrepancies between the proposed and estimated
model. In a CFA, there is not much we can do by way of adding regression lines to fix model fit, as
all regression lines between latent and observed variables are already in place. Therefore, in a CFA,
we look to the modification indices for the covariances. Generally, we should not covary error terms
with observed or latent variables, or with other error terms that are not part of the same factor. Thus,
the most appropriate modification available to us is to covary error terms that are part of the same
factor. The figure below illustrates this rule. In general, you want to address the largest modification
indices before addressing more minor ones. For more information on when it is okay to covary error
terms (because there are other appropriate reasons), refer to David Kenny's thoughts on the matter

indeks modifikasi menawarkan disarankan obat untuk perbedaan antara model yang diusulkan dan
diperkirakan. Dalam CFA, tidak ada banyak yang bisa kita lakukan dengan cara menambahkan garis
regresi untuk memperbaiki model fit, karena semua garis regresi antara variabel laten dan diamati
sudah di tempat. Oleh karena itu, dalam CFA, kita melihat ke indeks modifikasi untuk covariances.
Umumnya, kita tidak harus covary kesalahan hal dengan variabel yang diamati atau laten, atau dengan
istilah kesalahan lain yang bukan bagian dari faktor yang sama. Dengan demikian, modifikasi yang paling
tepat tersedia bagi kita adalah untuk covary istilah kesalahan yang merupakan bagian dari faktor yang
sama. Gambar di bawah ini menggambarkan aturan ini. Secara umum, Anda ingin alamat modifikasi
indeks terbesar sebelum membahas yang lebih kecil. Untuk informasi lebih lanjut tentang kapan itu
boleh saja covary istilah kesalahan (karena ada alasan lain yang sesuai), mengacu pada pengalaman
David Kenny tentang masalah tersebut
Standardized Residual Covariances (SRCs)

Standardized Residual Covariances (SRCs) are much like modification indices; they point out where
the discrepancies are between the proposed and estimated models. However, they also indicate
whether or not those discrepancies are significant. A significant standardized residual covariance is
one with an absolute value greater than 2.58. Significant residual covariances significantly decrease
your model fit. Fixing model fit per the residuals matrix is similar to fixing model fit per the
modification indices. The same rules apply. For a more specific run-down of how to calculate and
locate residuals, refer to the CFA video tutorial. It should be noted however, that in practice, I never
address SRCs unless I cannot achieve adequate fit via modification indices, because addressing the
SRCs requires the removal of items.

Standar Residual covariances (SRCS) jauh seperti indeks modifikasi; mereka menunjukkan di mana
perbedaan adalah antara model yang diusulkan dan diperkirakan. Namun, mereka juga menunjukkan
apakah atau tidak mereka perbedaan yang signifikan. Sebuah standar kovarians residual yang signifikan
adalah salah satu dengan nilai absolut lebih besar dari 2,58. covariances residual yang signifikan secara
signifikan menurunkan fit model Anda. Memperbaiki model fit per matriks residual mirip dengan
memperbaiki model fit per indeks modifikasi. Aturan yang sama berlaku. Untuk run-down yang lebih
spesifik bagaimana menghitung dan menemukan residu, merujuk pada CFA tutorial video. Perlu dicatat,
bahwa dalam prakteknya, saya tidak pernah membahas SRCS kecuali aku tidak bisa mencapai fit
memadai melalui indeks modifikasi, karena menyikapi SRCS memerlukan penghapusan item.

convergent and discriminant validity

It is absolutely necessary to establish convergent and discriminant validity, as well as reliability,

when doing a CFA. If your factors do not demonstrate adequate validity and reliability, moving on to
test a causal model will be useless - garbage in, garbage out! There are a few measures that are
useful for establishing validity and reliability: Composite Reliability (CR), Average Variance Extracted
(AVE), Maximum Shared Variance (MSV), and Average Shared Variance (ASV). The video tutorial
will show you how to calculate these values. The thresholds for these values are as follows:

Hal ini mutlak diperlukan untuk membangun konvergen dan validitas diskriminan, serta kehandalan,
ketika melakukan CFA. Jika faktor Anda tidak menunjukkan validitas dan reliabilitas yang memadai,
pindah untuk menguji model kausal akan berguna - sampah masuk, sampah keluar! Ada beberapa
langkah yang berguna untuk membangun validitas dan reliabilitas: Composite Reliability (CR), rata-
rata Variance Extracted (AVE), Maksimum Bersama Variance (MSV), dan rata-rata Bersama
Variance (ASV). Video tutorial akan menunjukkan cara untuk menghitung nilai-nilai ini. Ambang
batas untuk nilai-nilai ini adalah sebagai berikut:
Reliability

 CR > 0.7

Convergent Validity

 AVE > 0.5

Discriminant Validity

 MSV < AVE

 ASV < AVE
 Square root of AVE greater than inter-construct correlations

If you have convergent validity issues, then your variables do not correlate well with each other
within their parent factor; i.e, the latent factor is not well explained by its observed variables. If you
have discriminant validity issues, then your variables correlate more highly with variables outside
their parent factor than with the variables within their parent factor; i.e., the latent factor is better
explained by some other variables (from a different factor), than by its own observed variables.

Jika Anda memiliki masalah validitas konvergen, maka variabel tidak berkorelasi dengan baik satu
sama lain dalam faktor orang tua mereka; mis, faktor laten tidak baik dijelaskan oleh variabel yang
diamati. Jika Anda memiliki masalah validitas diskriminan, maka Anda variabel berkorelasi lebih
tinggi dengan variabel luar faktor orang tua mereka daripada dengan variabel dalam faktor orang tua
mereka; yaitu, faktor laten yang lebih baik dijelaskan oleh beberapa variabel lain (dari faktor yang
berbeda), dibandingkan dengan variabel yang diamati sendiri.

If you need to cite these suggested thresholds, please use the following:

Hair, J., Black, W., Babin, B., and Anderson, R. (2010). Multivariate data analysis (7th ed.): Prentice-
Hall, Inc. Upper Saddle River, NJ, USA.

AVE is a strict measure of convergent validity. Malhotra and Dash (2011) note that "AVE is a more
conservative measure than CR. On the basis of CR alone, the researcher may conclude that the
convergent validity of the construct is adequate, even though more than 50% of the variance is due
to error.” (Malhotra and Dash, 2011, p.702).
Measurement Model Invariance[edit]

 VIDEO TUTORIAL: Measurement Model Invariance

Before creating composite variables for a path analysis, configural and metric invariance should be
tested during the CFA to validate that the factor structure and loadings are sufficiently equivalent
across groups, otherwise your composite variables will not be very useful (because they are not
actually measuring the same underlying latent construct for both groups).

Sebelum membuat variabel komposit untuk analisis jalur, configural dan metrik invarian harus diuji
selama CFA untuk memvalidasi bahwa struktur faktor dan beban yang cukup setara di seluruh
kelompok, jika variabel komposit Anda tidak akan sangat berguna (karena mereka tidak benar-benar
mengukur sama membangun laten yang mendasari untuk kedua kelompok).

Configural[edit]
Configural invariance tests whether the factor structure represented in your CFA achieves adequate
fit when both groups are tested together and freely (i.e., without any cross-group path constraints).
To do this, simply build your measurement model as usual, create two groups in AMOS (e.g., male
and female), and then split the data along gender. Next, attend to model fit as usual (here’s a
reminder: Model Fit). If the resultant model achieves good fit, then you have configural invariance. If
you don’t pass the configural invariance test, then you may need to look at the modification indices
to improve your model fit or to see how to restructure your CFA.

tes invarian configural apakah struktur faktor diwakili dalam CFA Anda mencapai fit memadai ketika
kedua kelompok diuji bersama-sama dan secara bebas (yaitu, tanpa kendala jalan lintas kelompok).
Untuk melakukan ini, hanya membangun model pengukuran seperti biasa, membuat dua kelompok
di AMOS (misalnya, laki-laki dan perempuan), dan kemudian membagi data bersama gender.
Selanjutnya, menghadiri untuk model fit seperti biasanya (inilah pengingat: Model Fit). Jika model
yang dihasilkan mencapai baik fit, maka Anda memiliki invarian configural. Jika Anda tidak lulus tes
invarian configural, maka Anda mungkin perlu melihat indeks modifikasi untuk meningkatkan fit
model atau untuk melihat bagaimana merestrukturisasi CFA Anda.
Metric[edit]
If we pass the test of configural invariance, then we need to test for metric invariance. To test for
metric invariance, simply perform a chi-square difference test on the two groups just as you would
for a structural model. The evaluation is the same as in the structural model invariance test: if you
have a significant p-value for the chi-square difference test, then you have evidence of differences
between groups, otherwise, they are invariant and you may proceed to make your composites from
this measurement model (but make sure you use the whole dataset when you create composites,
instead of using the split dataset).

An even simpler and less time-consuming approach to metric invariance is to conduct a multigroup
moderation test using critical ratios for differences in AMOS. Below is a video to explain how to do
this. The video is about a lot of things in the CFA, but the link below will start you at the time point for
testing metric invariance with critical ratios.
Jika kita lulus uji invarian configural, maka kita perlu untuk menguji metrik invarian. Untuk menguji
metrik invarian, hanya melakukan uji beda chi-square pada dua kelompok seperti yang Anda lakukan
untuk model struktural. Evaluasi adalah sama seperti dalam struktur uji model invarian: jika Anda
memiliki p-nilai yang signifikan untuk uji beda chi-square, maka Anda memiliki bukti perbedaan antara
kelompok, jika tidak, mereka tetap dan Anda dapat melanjutkan untuk membuat Anda komposit dari
model pengukuran ini (tapi pastikan Anda menggunakan seluruh dataset ketika Anda membuat
komposit, daripada menggunakan dataset split).

Bahkan lebih sederhana dan kurang pendekatan memakan waktu untuk metrik invarian adalah
melakukan tes Multigroup moderasi menggunakan rasio penting untuk perbedaan AMOS. Berikut
adalah video untuk menjelaskan bagaimana untuk melakukan hal ini. Video ini tentang banyak hal di
CFA, tapi link di bawah akan mulai Anda pada titik waktu untuk menguji metrik invarian dengan rasio
kritis.

Contingency Plans[edit]
If you do not achieve invariant models, here are some appropriate approaches in the order I would
attempt them.

 1. Modification indices: Fit the model for each group using the unconstrained measurement
model. You can toggle between groups when looking at modification indices. So, for example,
for males, there might be a high MI for the covariance between e1 and e2, but for females this
might not be the case. Go ahead and add those covariances appropriately for both groups.
When adding them to the model, it does it for both groups, even if you only needed to do it for
 one of them. If fitting the model this way does not solve your invariance issues, then you will
need to look at differences in regression weights.

indeks modifikasi: Fit model untuk setiap kelompok menggunakan model pengukuran tidak
dibatasi. Anda dapat beralih antara kelompok ketika melihat indeks modifikasi. Jadi, misalnya,
untuk laki-laki, mungkin ada MI yang tinggi untuk kovarians antara e1 dan e2, tetapi untuk
perempuan ini tidak mungkin terjadi. Pergi ke depan dan menambahkan mereka covariances
tepat untuk kedua kelompok. Ketika menambahkan mereka ke model, melakukannya untuk
kedua kelompok, bahkan jika Anda hanya perlu melakukannya untuk salah satu dari mereka.
Jika pas model cara ini tidak memecahkan masalah invarian Anda, maka Anda akan perlu untuk
melihat perbedaan bobot regresi.

 2. Regression weights: You need to figure out which item or items are causing the trouble
(i.e., which ones do not measure the same across groups). The cause of the lack of invariance
is most likely due to one of two things: the strength of the loading for one or more items differs
significantly across groups, or, an item or two load better on a factor other than their own for one
or more groups. To address the first issue, just look at the standardized regression weights for
each group to see if there are any major differences (just eyeball it). If you find a regression
weight that is exceptionally different (for example, item2 on Factor 3 has a loading of 0.34 for
males and 0.88 for females), then you may need to remove that item if possible. Retest and see
if invariance issues are solved. If not, try addressing the second issue (explained next).

bobot regresi: Anda perlu mencari tahu mana item atau item yang menyebabkan masalah
(misalnya, mana yang tidak mengukur kelompok di yang sama). Penyebab kurangnya invarian
adalah kemungkinan besar karena salah satu dari dua hal: kekuatan pemuatan untuk satu atau
lebih item berbeda secara signifikan pada kelompok, atau, item atau dua beban yang lebih baik
pada faktor selain mereka sendiri untuk satu atau lebih kelompok. Untuk mengatasi masalah
pertama, hanya melihat bobot regresi standar untuk masing-masing kelompok untuk melihat
apakah ada perbedaan besar (hanya bola mata itu). Jika Anda menemukan berat regresi yang
sangat berbeda (misalnya, item2 di Factor 3 memiliki pemuatan 0,34 untuk pria dan 0,88 untuk
wanita), maka Anda mungkin perlu menghapus item yang jika memungkinkan. Tes ulang dan
melihat apakah masalah invarian diselesaikan. Jika tidak, coba mengatasi masalah kedua
(dijelaskan berikutnya).

 3. Standardized Residual Covariances: To address the second issue, you need to analyze
the standardized residual covariances (check the residual moments box in the output tab). I talk
 about this a little bit in my video called “Model fit during a Confirmatory Factor Analysis (CFA) in
AMOS” around the 8:35 mark. This matrix can also be toggled between groups. Here is a small
example for CSRs and BCRs. We observe that for the BCR group rd3 and q5 have high
standardized residual covariances with sw1. So, we could remove sw1 and see if that fixes
things, but SW only has three items right now, so another option is to remove rd3 or q5 and see
if that fixes things, and if not, then return to this matrix after rerunning things, and see if there are
any other issues. Remove items sparingly, and only one at a time, trying your best to leave at
least three items with each factor, although two items will also sometimes work if necessary (two
just becomes unstable). If you still have issues, then your groups are exceptionally different…
This may be due to small sample size for one of the groups. If such is the case, then you may
have to list that as a limitation and just move on.

Standar Residual covariances: Untuk mengatasi masalah kedua, Anda perlu menganalisis
covariances residual standar (centang kotak saat sisa dalam tab output). Saya berbicara
tentang ini sedikit di video saya disebut "Model fit selama Analisis Confirmatory Factor (CFA) di
AMOS" sekitar 08:35 mark. Matriks ini juga dapat diubah antara kelompok-kelompok. Berikut ini
adalah contoh kecil untuk CSRs dan BCRs. Kami amati bahwa untuk kelompok RD3 BCR dan
Q5 memiliki covariances residual standar tinggi dengan SW1. Jadi, kita bisa menghapus SW1
dan melihat apakah itu perbaikan hal-hal, tetapi SW hanya memiliki tiga item sekarang,
sehingga pilihan lain adalah untuk menghapus RD3 atau Q5 dan melihat apakah itu perbaikan
hal-hal, dan jika tidak, maka kembali ke matriks ini setelah rerunning hal , dan melihat apakah
ada masalah lain. Menghapus item hemat, dan hanya satu per satu, mencoba yang terbaik
untuk meninggalkan setidaknya tiga item dengan masing-masing faktor, meskipun dua item
akan juga kadang-kadang bekerja jika diperlukan (dua hanya menjadi tidak stabil). Jika Anda
masih memiliki masalah, maka kelompok Anda sangat berbeda ... ini mungkin karena ukuran
sampel kecil untuk salah satu kelompok. Jika demikian halnya, maka Anda mungkin harus
daftar itu sebagai pembatasan dan hanya melanjutkan.

Controls are potentially confounding variables that we need to account for, but that don’t drive our
theory. For example, in Dietz and Gortmaker 1985, their theory was that TV time had a negative
effect on school performance. But there are many things that could effect school performance,
possibly even more than the amount of time spent in front of the TV. So, in order to account for
these other potentially confounding variables, the authors control for them. They are basically
saying, that regardless of IQ, time spent reading for pleasure, hours spent doing homework, or the
amount of time parents spend reading to their child, an increase in TV time still significantly
decreases school performance. These relationships are shown in the figure below.
Kontrol berpotensi mengacaukan variabel yang kita butuhkan untuk memperhitungkan, tapi itu tidak
mendorong teori kami. Misalnya, di Dietz dan Gortmaker 1985, teori mereka adalah bahwa waktu TV
memiliki efek negatif pada kinerja sekolah. Tapi ada banyak hal yang dapat mempengaruhi kinerja
sekolah, bahkan mungkin lebih dari jumlah waktu yang dihabiskan di depan TV. Jadi, dalam rangka untuk
menjelaskan variabel-variabel confounding berpotensi lainnya, penulis mengendalikan mereka. Mereka
pada dasarnya mengatakan, bahwa terlepas dari IQ, waktu yang dihabiskan membaca untuk
kesenangan, jam yang dihabiskan melakukan pekerjaan rumah, atau jumlah waktu orang tua habiskan
membaca untuk anak mereka, peningkatan waktu TV masih menurun secara signifikan kinerja sekolah.
Hubungan ini ditunjukkan pada gambar di bawah.