В данном исследовании представлена рамка оценки после отбора для частично разведочного факторного анализа (PEFA) с использованием регуляризованного вариационного приближения со шпилечными и плиточными априорными распределениями. Метод восстанавливает структуры нагрузок и количество факторов путем преобразования сошедшихся решений в модели ковариации посредством жесткого или мягкого отбора.
- Выводит степени свободы и абсолютные диагностические показатели соответствия, включая RMSEA, SRMR, CFI и TLI.
- Вычисляет относительные критерии, такие как AIC, BIC и ELBO, для сравнения моделей.
- Предлагает масштабированно-свободное правило прироста с защитой от устойчивого падения для определения количества факторов.
- Симуляции показывают, что абсолютные индексы отслеживают восстановление нагрузок, в то время как правило прироста точно восстанавливает истинную размерность.
Рамка помогает пользователям более надежно оценивать соответствие модели и выбирать количество факторов, что демонстрируется улучшенной производительностью по сравнению с подтверждающими моделями на примере PID-5 из 100 элементов.