Analysis Summary

Date and Time

Date: 11 Juli 2018

Time: 6:39:41

Title

gof: 11 Juli 2018 6:39

Number of variables in your model: 62

Number of observed variables: 28
Number of unobserved variables: 34
Number of exogenous variables: 34
Number of endogenous variables: 28

Weights Covariances Variances Means Intercepts Total

Fixed 34 0 0 0 0 34
Labeled 0 0 0 0 0 0
Unlabeled 22 15 34 0 0 71
Total 56 15 34 0 0 105

Number of distinct sample moments: 406

Number of distinct parameters to be estimated: 71
Degrees of freedom (406 - 71): 335

Estimate S.E. C.R. P Label

p13 <--- komponen2 1,000
p14 <--- komponen2 1,810 ,389 4,653 ***
p15 <--- komponen2 1,693 ,360 4,704 ***
p16 <--- komponen2 2,023 ,422 4,798 ***
p17 <--- komponen3 1,000
p18 <--- komponen3 1,171 ,258 4,535 ***
p19 <--- komponen3 1,747 ,341 5,118 ***
p20 <--- komponen3 1,177 ,262 4,488 ***
p21 <--- komponen4 1,000
p22 <--- komponen4 ,781 ,203 3,841 ***
p23 <--- komponen4 1,238 ,278 4,449 ***
p27 <--- komponen6 1,000
p28 <--- komponen6 1,679 ,599 2,803 ,005
p24 <--- komponen5 1,000
p25 <--- komponen5 1,154 ,103 11,249 ***
p26 <--- komponen5 1,162 ,097 12,035 ***
p1 <--- komponen1 1,000
p2 <--- komponen1 ,795 ,212 3,753 ***
p3 <--- komponen1 ,797 ,230 3,465 ***
p4 <--- komponen1 1,426 ,294 4,854 ***
p5 <--- komponen1 1,037 ,246 4,224 ***
p6 <--- komponen1 1,171 ,269 4,347 ***
p7 <--- komponen1 ,698 ,222 3,151 ,002
p8 <--- komponen1 1,521 ,284 5,348 ***
p9 <--- komponen1 1,366 ,273 4,996 ***
p10 <--- komponen1 ,711 ,203 3,507 ***
p11 <--- komponen1 ,797 ,253 3,146 ,002
p12 <--- komponen1 ,788 ,225 3,509 ***
 Estimate S.E. C.R. P Label
komponen2 <--> komponen1 -,003 ,023 -,111 ,911
komponen2 <--> komponen3 -,048 ,029 -1,628 ,103
komponen3 <--> komponen4 ,210 ,068 3,091 ,002
komponen4 <--> komponen5 ,017 ,056 ,311 ,756
komponen6 <--> komponen5 ,093 ,052 1,774 ,076
komponen3 <--> komponen1 ,146 ,049 2,977 ,003
komponen4 <--> komponen1 ,152 ,052 2,914 ,004
komponen5 <--> komponen1 -,039 ,045 -,865 ,387
komponen6 <--> komponen1 ,070 ,037 1,909 ,056
komponen2 <--> komponen4 ,007 ,030 ,240 ,810
komponen2 <--> komponen5 ,151 ,051 2,954 ,003
komponen2 <--> komponen6 ,038 ,027 1,416 ,157
komponen3 <--> komponen5 -,056 ,050 -1,106 ,269
komponen3 <--> komponen6 ,071 ,040 1,796 ,073
komponen4 <--> komponen6 ,160 ,067 2,400 ,016

Estimate S.E. C.R. P Label

komponen2 ,167 ,071 2,339 ,019
komponen3 ,281 ,110 2,564 ,010
komponen4 ,273 ,110 2,484 ,013
komponen6 ,132 ,082 1,618 ,106
komponen5 ,623 ,129 4,815 ***
komponen1 ,228 ,082 2,770 ,006
e13 ,542 ,084 6,471 ***
e14 ,256 ,050 5,152 ***
e15 ,184 ,039 4,758 ***
e16 ,136 ,042 3,192 ,001
e17 ,700 ,111 6,287 ***
e18 ,479 ,082 5,848 ***
e19 ,193 ,077 2,508 ,012
e20 ,515 ,087 5,905 ***
e21 ,658 ,110 5,987 ***
e22 ,393 ,066 5,971 ***
e23 ,440 ,091 4,816 ***
e27 ,713 ,116 6,141 ***
e28 ,383 ,140 2,731 ,006
e24 ,264 ,047 5,639 ***
e25 ,186 ,043 4,351 ***
e26 ,074 ,034 2,164 ,030
e1 ,472 ,076 6,213 ***
e2 ,488 ,076 6,392 ***
e3 ,629 ,097 6,453 ***
e4 ,534 ,091 5,844 ***
e5 ,544 ,087 6,244 ***
 Estimate S.E. C.R. P Label
e6 ,616 ,100 6,190 ***
e7 ,633 ,097 6,505 ***
e8 ,289 ,059 4,929 ***
e9 ,409 ,072 5,679 ***
e10 ,483 ,075 6,446 ***
e11 ,829 ,127 6,506 ***
e12 ,592 ,092 6,445 ***

Negative Smallest
Iteratio Conditio Diamet NTrie
eigenvalu eigenvalu F Ratio
n n# er s
es e
9999,00 1401,94 9999,00
0 e 17 -,734 0
0 3 0
1 e 12 -,273 3,201 960,553 20 ,352
e
2 6 -,252 1,220 717,988 5 ,975
*
3 e 4 -,107 ,474 638,616 5 ,911
4 e 2 -,070 ,678 557,203 5 ,886
5 e 0 314,041 ,869 508,206 6 ,862
6 e 0 248,015 1,117 485,957 2 ,000
7 e 0 677,615 ,739 470,304 1 1,138
2353,57
8 e 0 ,583 468,495 1 ,668
1
9 e 1 -,009 ,459 467,635 1 ,533
2599,28
10 e 0 ,347 467,038 11 ,936
7
2190,38
11 e 0 ,057 466,999 1 1,015
5
2115,93
12 e 0 ,008 466,999 1 ,996
5
2179,04
13 e 0 ,000 466,999 1 ,999
4

Model NPAR CMIN DF P CMIN/DF

Default model 71 466,999 335 ,000 1,394
Saturated model 406 ,000 0
Independence model 28 1384,207 378 ,000 3,662

Model RMR GFI AGFI PGFI

Default model ,070 ,750 ,697 ,619
Saturated model ,000 1,000
Independence model ,203 ,368 ,321 ,343
 NFI RFI IFI TLI
Model CFI
Delta1 rho1 Delta2 rho2
Default model ,663 ,619 ,874 ,852 ,869
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000

Model PRATIO PNFI PCFI

Default model ,886 ,587 ,770
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000

Model NCP LO 90 HI 90
Default model 131,999 79,054 192,985
Saturated model ,000 ,000 ,000
Independence model 1006,207 896,216 1123,753

Model FMIN F0 LO 90 HI 90
Default model 5,247 1,483 ,888 2,168
Saturated model ,000 ,000 ,000 ,000
Independence model 15,553 11,306 10,070 12,626

Model RMSEA LO 90 HI 90 PCLOSE

Default model ,067 ,051 ,080 ,036
Independence model ,173 ,163 ,183 ,000

Model AIC BCC BIC CAIC

Default model 608,999 677,633 786,486 857,486
Saturated model 812,000 1204,467 1826,923 2232,923
Independence model 1440,207 1467,274 1510,202 1538,202

Model ECVI LO 90 HI 90 MECVI

Default model 6,843 6,248 7,528 7,614
Saturated model 9,124 9,124 9,124 13,533
Independence model 16,182 14,946 17,503 16,486

HOELTER HOELTER
Model
.05 .01
Default model 73 76
Independence model 28 29

Minimization: ,219
Miscellaneous: 4,102
Bootstrap: ,000
Total: 4,321
Untuk membahas kecocokan model CFA, kita harus mempertimbangkan kriteria
dari berbagai model indeks fit. Telah disarankan bahwa nilai RMSEA kurang dari
0,05 baik, nilai antara 0,05 dan 0,08 dapat diterima, nilai antara 0,08 dan 0,1 adalah
marjinal, dan nilai lebih besar dari 0,1 buruk [ 8 ]. Oleh karena itu, nilai RMSEA
0,074 dalam sampel ini menunjukkan kecocokan yang dapat diterima. Nilai GFI
dari sampel ini, 0,84, di bawah 0,9, tetapi GFI dan AGFI diketahui bergantung
pada ukuran sampel [ 10 ]. Nilai CFI mendekati 0,9, yang menunjukkan kecocokan
yang relatif baik [ 11 ]. Indeks sesuai lainnya, NFI dan TLI, harus lebih dari 0,9
untuk kesesuaian [ 11], tetapi dalam contoh ini, dua indeks sedikit di bawah
kriteria. Berdasarkan indeks ini, sampel ini memiliki kecocokan yang dapat
diterima untuk model 6-faktor.
Secara umum, load faktor dan CR harus sama dengan atau lebih besar dari 0,707
untuk validitas konvergen yang baik [ 12 ]. Dari hasil CFA dari penelitian ini,
empat belas pembebanan lebih besar dari 0,707 dan enam pembebanan adalah
antara 0,6 dan 0,707. Lima pemuatan (barang-barang (19), (20), (18), (24), dan (4))
di bawah 0,6. Semua item faktor 6 menunjukkan validitas konvergen yang relatif
rendah. CR faktor 6 juga memiliki evaluasi yang rendah. Validitas konvergen yang
rendah berarti item memiliki informasi dari faktor lain daripada faktor yang sesuai
saja. Untuk validitas diskriminan yang baik, AVE dari satu faktor harus lebih besar
daripada koefisien korelasi apa pun antara faktor dan faktor lainnya [ 12 , 13]. Jika
suatu faktor memiliki AVE yang lebih kecil daripada koefisien korelasi, itu berarti
faktor-faktor tersebut berkorelasi dan bahwa mereka tidak mengukur konsep-
konsep laten yang terpisah; namun banyak koefisien korelasi lebih besar dari AVE
yang sesuai pada Tabel 2 . Oleh karena itu, dalam model dan dataset ini, faktor-
faktor tersebut terkait satu sama lain. Ada dua penjelasan yang mungkin. Pertama,
faktor laten yang membentuk satu konsep di dunia nyata tidak dapat benar-benar
independen. Selain itu, karena PPQ mengukur pola lendir patologis KM atau TCM,
faktor tanda dan gejala yang terkait erat dapat diekspresikan bersama. Kedua,
karena subjeknya adalah orang yang sehat, adalah mungkin bahwa tanda dan gejala
yang membedakan dari penyakit tertentu selain dari pola dahak tidak diungkapkan.
Kami melakukan EFA untuk mengekstraksi struktur faktor baru dari dataset dan
menemukan model struktur 5-faktor ( Tabel 3 ). Item (20), (23), dan (19) memiliki
semua faktor pembebanan di bawah 0,4. Bahkan, item (23) dapat dianggap
memiliki pemuatan faktor marginal, 0,39, tetapi dua item lainnya memiliki nilai
sama dengan atau kurang dari 0,3. Dengan demikian, item (19) dan (20) dapat
mempengaruhi independensi faktor, dan ini sesuai dengan faktor 6 hasil CFA
pada Gambar 2..