EFA однозначно поддерживает однофакторное измерение, внутренне непротиворечивое, но CFA плохо подходит?

Я исследую психометрические свойства меры самоотчета из 10 пунктов. У меня около 400 дел в двух независимых выборках. Элементы выполнены по 4-балльной шкале Лайкерта. EFA явно поддерживает однофакторное решение (например, первое собственное значение больше 6, все остальные меньше 1), и альфа Кронбаха хороша (например, 0,90). Ни один предмет не имеет низкой корреляции между предметом.

Первоначально я хотел сделать CFA (EFA был просто продолжением после того, как я увидел, что CFA не был хорош), тестируя модель с одним фактором. К моему удивлению, пригодность для модели оказалась относительно плохой:

CFI=.91
TLI=.88
RMSEA=.13

Более того, нагрузки для каждого из предметов довольно хорошие (.65+).

Как ни странно, то SRMR=.05, что приемлемо / хорошо.

Индексы модификации предполагают, что я повсеместно коррелирую ошибки. Если бы было четкое рациональное решение (например, некоторые пункты имеют очень похожую формулировку), я бы сделал это; однако все меры сформулированы одинаково, и корреляция всех условий ошибки будет странной и болезненной.

Я никогда не видел такого случая. Эта мера внутренне непротиворечива и, очевидно, состоит из одного фактора в ОДВ, но она плохо подходит для CFA. Результаты совпадают в обеих независимых выборках (с разных континентов). Я попробовал двухфакторный CFA (сгруппировал 5 случайных предметов) и подгонка была такой же или даже чуть лучше.

Вот мои вопросы:

1. Почему соответствие в соответствии с CFI / TLI / RMSEA настолько плохое, учитывая нагрузки альфа / фактора EFA / Cronbach?
2. Почему SRMR хорош, а другие индексы - нет? Я знаю, что они измеряют разные вещи, но по моему опыту, они почти всегда сходятся.
3. Должен ли я сопоставить некоторые ошибки?

Пример предметов:

• У вас есть мысли о ваших недостатках
• У вас есть мысли, которые трудно забыть
• Вы все время думаете о ситуации

Это довольно нормально.

CFA является гораздо более строгим критерием, чем EFA. EFA пытается описать ваши данные, но CFA проверяет правильность модели.

Одна из причин не сходимости - низкие средние корреляции (но тогда я ожидаю, что RMSEA будет лучше). Тест хи-квадрат - это, по сути, проверка того, что ваши остатки равны нулю, а RMSEA, TLI и CFI являются преобразованиями теста.

Fit всегда будет лучше в двухфакторном решении, чем однофакторном (они вложены).

Еще несколько вопросов: каков был ваш размер выборки? Какая средняя корреляция? Что такое хи-квадрат и дф, что такое хи-квадрат в нулевой модели?

Вы должны добавить коррелированные ошибки? Возможно, но когда вы делаете это, вы вводите дополнительные факторы. С таким припадком вам может понадобиться добавить много, и тогда вы получите беспорядок - лучше, если они будут оправданы каким-то образом. Например, ваши вторые и третьи пункты касаются навязчивых мыслей - это может быть оправданием.