-
Notifications
You must be signed in to change notification settings - Fork 0
/
about.qmd
565 lines (448 loc) · 21.5 KB
/
about.qmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
---
title: "Statistische Analyse"
bibliography: references.bib
---
```{r}
#| code-fold: true
#| warning: false
library(tidyverse)
library(lavaan)
library(haven)
library(gt)
library(lavaanPlot)
library(performance)
library(tidySEM)
library(psych)
library(semPlot)
library(corrplot)
# Import data
OLMA_Start <- read_sav("data_project.sav")
# Data Prep
OLMA_Ready <- OLMA_Start %>%
mutate(Bildung = haven::as_factor(Bildung),
Bildung = case_when(
Bildung == "Berufsbildung (EBA/EFZ)" ~ "Berufsbildung",
Bildung == "Hochschule (Universität, ETH, Fachhochschule)" ~ "Hochschule",
Bildung == "höhere Berufsbildung (Berufs- und höhere Fachprüfung, höhere Fachschule)" ~ "höhere Berufsbildung",
Bildung == "obligatorische Schule" ~ "Volksschule",
Bildung == "Ich habe kein Bildungsabschluss" ~ "Ohne",
Bildung == "Andere" ~ "Volksschule",
Bildung == 0 ~ "Volksschule",
TRUE ~ as.character(Bildung)
),
Bildung = factor(Bildung, levels = c("Ohne", "Volksschule", "Gymnasium/Fachmittelschule", "Berufsbildung", "höhere Berufsbildung", "Hochschule", ordered=TRUE))) %>%
mutate(
WIS_1=if_else(WIS_1==3,1,0),
WIS_2=if_else(WIS_2==1,1,0),
WIS_3=if_else(WIS_3==4,1,0),
WIS_Total=WIS_1+WIS_2+WIS_3,
WIS_Total = factor(WIS_Total, levels=c(0,1,2,3), ordered=TRUE)
) %>%
mutate(
CANX_1=8-CANX_1,
IMO_3=6-IMO_3,
IMO_4=6-IMO_4,
Alter = as.numeric(Alter),
) %>%
rowwise() %>%
mutate(
CANX_mean = mean(c_across(dplyr::starts_with("CANX"))),
PRA_mean = mean(c_across(dplyr::starts_with("PRA"))),
IMO_mean = mean(c_across(dplyr::starts_with("IMO"))),
KBE_mean = mean(c_across(dplyr::starts_with("KBE"))),
KBU_mean = mean(c_across(dplyr::starts_with("KBU"))),
) %>%
select(-c(1:6, 40:80))
#%>% write_sav("OLMA_ready_mean.sav")
#Definition einer Funtion für die Berechnung der Äquivalenzwerte
calculate_cutoff <- function(df, N, p) {
n <- N - 1
df_i <- p * (p - 1) / 2
CFI_e99 <- 1 - exp(
4.67603 - .50827 * log(df) + .87087 * (df^(1/5)) - .59613 * ((df_i)^(1/5)) - 1.89602 * log(n)
+ .10190 * ((log(n))^2) + .03729 * log(df) * log(n)
)
CFI_e95 <- 1 - exp(
4.12132 - .46285 * log(df) + .52478 * (df^(1/5)) - .31832 * ((df_i)^(1/5)) - 1.74422 * log(n)
+ .13042 * ((log(n))^2) - .02360 * (n^(1/2)) + .04215 * log(df) * log(n)
)
CFI_e92 <- 1 - exp(
6.31234 - .41762 * log(df) + .01554 * ((log(df))^2) - .00563 * ((log(df_i))^2) - 1.30229 * log(n)
+ .19999 * ((log(n))^2) - 2.17429 * (n^(1/5)) + .05342 * log(df) * log(n) - .01520 * log(df_i) * log(n)
)
CFI_e90 <- 1 - exp(
5.96633 - .40425 * log(df) + .01384 * ((log(df))^2) - .00411 * ((log(df_i))^2) - 1.20242 * log(n)
+ .18763 * ((log(n))^2) - 2.06704 * (n^(1/5)) + .05245 * log(df) * log(n) - .01533 * log(df_i) * log(n)
)
RMSEA_e01=exp(
1.34863-.51999*log(df)+.01925*log(df)*log(df)-.59811*log(n)+.00902*sqrt(n)+.01796*log(df)*log(n)
);
#corresponding to R-square=.9997;
RMSEA_e05=exp(
2.06034-.62974*log(df)+.02512*log(df)*log(df)-.98388*log(n)
+.05442*log(n)*log(n)-.00005188*n+.05260*log(df)*log(n)
);
#corresponding to R-square=.9996;
RMSEA_e08=exp(
2.84129-.54809*log(df)+.02296*log(df)*log(df)-.76005*log(n)
+.10229*log(n)*log(n)-1.11167*(n^.2)+.04845*log(df)*log(n)
);
#corresponding to R-square=.9977;
RMSEA_e10=exp(
2.36352-.49440*log(df)+.02131*log(df)*log(df)-.64445*log(n)
+.09043*log(n)*log(n)-1.01634*(n^.2)+.04422*log(df)*log(n)
);
#corresponding to R-square=.9955;
cutoff_CFI <- as.vector(rbind(CFI_e90, CFI_e92, CFI_e95, CFI_e99))
cutoff_RMSEA=as.vector(rbind(RMSEA_e10, RMSEA_e08, RMSEA_e05, RMSEA_e01))
# Creating the data frame
cutoff_df <- data.frame(CFI = cutoff_CFI, RMSEA = cutoff_RMSEA)
rownames(cutoff_df) <- c("mediocre", "fair", "close", "excellent")
return(cutoff_df)
}
#Äquivalenztestwerte
equivalence_testing <- function(N, p, T_ml, df, T_mli, alpha) {
# Calculate ncp_chi2
ncp_chi2=function(alpha, T_ml,df){
z=qnorm(1-alpha);
z2=z*z; z3=z2*z; z4=z3*z; z5=z4*z;
sig2=2*(2*T_ml-df+2);
sig=sqrt(sig2); sig3=sig*sig2; sig4=sig2*sig2;sig5=sig4*sig;
sig6=sig2*sig4;
delta=T_ml-df+2+sig*
(
z+(z2-1)/sig-z/sig2 + 2*(df-1)*(z2-1)/(3*sig3)
+( -(df-1)*(4*z3-z)/6+(df-2)*z/2 )/sig4
+4*(df-1)*(3*z4+2*z2-11)/(15*sig5)
+(
-(df-1)*(96*z5+164*z3-767*z)/90-4*(df-1)*(df-2)*(2*z3-5*z)/9
+(df-2)*z/2
)/sig6
);
delta=max(delta,0);
return(delta)
}
# Calculate df_i
df_i = p * (p + 1) / 2 - p
# For T-size RMSEA
delta_c = max(0, T_ml - df)
RMSEA_c = sqrt(delta_c / ((N - 1) * df))
delta_t = ncp_chi2(alpha, T_ml, df)
RMSEA_t = sqrt(delta_t / (df * (N - 1)))
# For T-size CFI
delta_i = T_mli - df_i
CFI_c = 1 - delta_c / max(delta_c, delta_i, 0)
delta_t = ncp_chi2(alpha / 2, T_ml, df)
delta_it = ncp_chi2(1 - alpha / 2, T_mli, df_i)
CFI_t = 1 - max(delta_t, 0) / max(delta_t, delta_it, 0)
# Creating the data frame with results
result_df <- data.frame(
Method = c("Conventional", "T-Size"),
CFI = c(CFI_c, CFI_t),
RMSEA = c(RMSEA_c, RMSEA_t)
)
return(result_df)
}
```
# Strukturgleichungsmodell
Basierend auf Camil [@makranskyCognitiveAffectiveModel2021] und der Annahme, dass das Alter und die Ängstlichkeit vor Computern einen Einfluss auf das Lernen hat, wurde das folgenden Modell aufgestellt.
![](images/Untitled%20-%20Frame%201-01.jpg)
# Überprüfung des Messmodells
Das Messmodell beinhaltet sechs latente Variablen, welche durch 24 manifeste Variablen geschätzt werden.
- CANX (Computer Anxiety) - Ängstlichkeit vor Computern
- PRA (Presence) - Präsenz im virtuellen Raum
- IMO (Intrinsic motivation) - Intrinsische Motivation
- KBE (Extraneous Cognitive load Interaction) - Kognitive Belastung, Interaktion
- KBU (Extranous Cognitive load Environment) - Kognitive Belastung, Umgebung
- WIS (Drei multiple choice Fragen zur Theorie) -
Die Analysen wurden mit dem lavaan Package durchgeführt [@rosseelLavaanPackageStructural2012].
```{r}
#| code-fold: true
#| warning: false
messmodell_1 <- '
CANX =~ CANX_1+CANX_2 + CANX_3 + CANX_4
PRA =~ PRA_1 + PRA_2 + PRA_3 + PRA_4
IMO =~ IMO_1 +IMO_2 + IMO_3 + IMO_4 + IMO_5
KBE =~ KBE_1 + KBE_2 + KBE_3 + KBE_4
KBU =~ KBU_1 + KBU_2 + KBU_3 + KBU_4
WIS =~ WIS_1 + WIS_2 + WIS_3
'
OLMA_Ready_R <- OLMA_Ready %>%
select(dplyr::starts_with(c("KBE", "KBU", "WIS", "PRA", "CANX", "IMO")),Alter,
-dplyr::ends_with("_mean")) %>%
mutate(across(where(is.labelled), as.double)) %>%
mutate(
# Convert WIS to ordered factor with levels 0 and 1
across(dplyr::starts_with("WIS"), ~factor(.x, levels = c(0, 1), ordered = TRUE)),
# Convert CANX to ordered factor with levels 1 to 7
across(dplyr::starts_with("CANX"), ~factor(.x, levels = 1:7, ordered = TRUE)),
# Convert all other variables (KBE, KBU, PRA, IMO) to ordered factor with levels 1 to 5
across(c(dplyr::starts_with("KBE"), dplyr::starts_with("KBU"),
dplyr::starts_with("PRA"), dplyr::starts_with("IMO")),
~factor(.x, levels = 1:5, ordered = TRUE))
)
model_fit1 <- sem(data=OLMA_Ready_R, model = messmodell_1,
ordered = TRUE,
estimator="WLSMV")
```
Die Gütekriterien des Messmodels sind in der @tbl-fit_ind_measure aufgeführt und weisen auf eine gute bis sehr gute Passung der Daten auf das Modell hin [@huCutoffCriteriaFit1999] (CFI=`r round(fitmeasures(model_fit1, fit.measures = c("CFI")),2)` , GFI=`r round(fitmeasures(model_fit1, fit.measures = c("GFI")),2)`, RMSEA=`r round(fitmeasures(model_fit1, fit.measures = c("RMSEA")),2)`, SRMR=`r round(fitmeasures(model_fit1, fit.measures = c("SRMR")),2)`). Der $\chi^2$-Test ($\chi^2$(`r round(fitmeasures(model_fit1, fit.measures = c("df")),0)`)=`r round(fitmeasures(model_fit1, fit.measures = c("Chisq")),2)`, *p* \<`r round(fitmeasures(model_fit1, fit.measures = c("pvalue")),2)`) fällt signifikant aus, was bei grossen Stichproben allerdings nicht ungewöhnlich ist, da diese direkt in die Teststatitsik miteinfliesst [@eidStatistikUndForschungsmethoden2017].
```{r}
#| code-fold: true
#| tbl-cap: Gütekriterien des Messmodels
#| cap-location: margin
#| label: tbl-fit_ind_measure
fitmeasures(model_fit1, fit.measures = c("chisq", "df", "pvalue", "RMSEA", "rmsea.ci.lower", "rmsea.ci.upper", "SRMR","CFI","tli", "gfi", "agfi")) %>%
enframe(name = "Index", value = "Value") %>%
spread(Index, Value) %>%
dplyr::select(chisq, df, pvalue, rmsea, rmsea.ci.lower, rmsea.ci.upper, srmr,cfi,tli, gfi, agfi) %>%
gt() %>%
gt::fmt_number() %>%
cols_label(
rmsea = "Wert",
rmsea.ci.lower = "CI<sub>low</sub>",
rmsea.ci.upper = "CI<sub>high</sub>",
.fn = md
) %>%
tab_spanner(
label = "RMSEA ",
columns = c(rmsea, rmsea.ci.lower, rmsea.ci.upper)
) %>%
tab_spanner(
label = "\u03C7\u00B2",
columns = c(chisq, df, pvalue)
) %>%
cols_label(
chisq = "Wert",
df = "df",
pvalue = "p"
) %>%
tab_style(locations = cells_column_labels(columns=c(2:9)),
style = cell_text(align = "center")) %>%
tab_style(locations = cells_column_labels(columns=1),
style = cell_text(align = "left"))
```
## Äquivalenztest
Diese CutOff Werte werden auch in Frage gestellt, da sie beeinflusst werden können von der Stichprobengrössen, Modellcharakteristika wie Non-Normalität, Anzahl der Indikatoren oder der Magnitude der Faktorladungen [@hoyle2023]. Eine mögliche Korrektur bieten Marcoulides und Yuan [-@marcoulidesNewWaysEvaluate2017] mit einem Äquivalenztest.
Der korrigierte T-Size Wert für den CFI beträgt `r round(equivalence_testing(554, 24, T_ml=457.234, df=227, T_mli=6213.278, alpha=0.05)[2,2],3)` und der RMSA `r round(equivalence_testing(554, 24, T_ml=457.234, df=227, T_mli=6213.278, alpha=0.05)[2,3],3)`. Verglichen mit den ebenfalls korrgierten T-Size korrigierten Cutoff-Werten (vgl. @tbl-cutoff_aqui) kann das Modell als "close" eingeschätzt werden.
```{r}
#| code-fold: true
#| tbl-cap-location: margin
#| tbl-cap: Cut-Off Werte für den Äquivalenztest
#| label: tbl-cutoff_aqui
calculate_cutoff(223, 554, 24) %>%
rownames_to_column() %>%
gt() %>%
fmt_number(decimals = 3) %>%
tab_style(locations = cells_column_labels(columns=everything()),
style = cell_text(align = "center"))
```
## Latente Variablen des Messmodells
@fig-Messmodell zeigt die latenten Variablen des Messmodells mit den entsprechenden standardisierten Faktorladungen. Alle Ladungen erreichten ein signifikantes Resultat (*p*\<.001).
```{r}
#| code-fold: true
#| warning: false
#| fig-cap: Darstellung des Messmodells
#| cap-location: margin
#| label: fig-Messmodell
semPaths(model_fit1, "std", style = "lisrel", layout = "tree2", residuals = FALSE, layoutSplit = FALSE,sizeMan = 2, sizeLat = 6, rotation =2,exoCov = FALSE, intercepts = FALSE)
```
Betrachtet man die standardisierten Kovarianzen zwischen den latenten Faktoren des Modells (@fig-Mess_latVar) fällt besonders die zwischen den beiden Skalen KBE und KBU auf. Die Kovarianz beträgt 0.264 (SE=.036, *z* = 7,421, *p* \< .001). Die standardisierte Kovarianz war mit 0,940 bemerkenswert hoch und deutet auf eine starke lineare Beziehung zwischen diesen beiden Konstrukten hin. Alle Kovarianzen sind signifikant (p\<.01) ausser CANX\~\~PRA (p\<.085) und CANX\~\~IMO (p\<.795).
```{r}
#| code-fold: true
#| warning: false
#| fig-cap: Latente Faktoren und deren Kovarianzen im Messmodell
#| cap-location: margin
#| label: fig-Mess_latVar
semPaths(model_fit1,
"std",
style = "ram",
layout = "circle",
residuals = FALSE,
layoutSplit = TRUE,
sizeMan = 0,
sizeLat2 = 8,
edge.label.cex = 1.5,
sizeLat = 10,
intercepts = FALSE,
nodeLabels = c("","","","","","","","","","","","","","","","","","","","","","","","","CANX", "PRA", "IMO", "KBE", "KBU", "WIS")
)
```
## Modifikationsindices
Die Modifikationsindizes (vgl. @tbl-mod_indices) deuten auf mögliche Querladungen zwischen der kognitiven Belastung in VR-Settings (KBU und KBE) und den Items der Skala zur intrinsischen Motivation (IMO_1 und IMO_3) hin. Dies könnte darauf hindeuten, dass bestimmte Items der Skala zur intrinsischen Motivation auch Aspekte der kognitiven Belastung erfassen oder dass es eine gewisse Überschneidung zwischen den Konstrukten gibt. Die vermutete inverse Beziehung zwischen PRA und CANX_1 könnte darauf hindeuten, dass mit zunehmender Präsenz in der VR-Umgebung der Wert von CANX_1 sinkt oder umgekehrt. Aufgrund des sehr guten Modell Fits sind allerdings keine Anpassungen am Modell vorzunehmen, allerdings stellt sich die Frage nach der internen Kongruenz oder Reliabilität der Item-Skalen, besonders der Motivationsskala.
```{r}
#| code-fold: true
#| tbl-cap: Modifikationsindices, fünf höchste Werte
#| label: tbl-mod_indices
#| tbl-cap-location: margin
modindices(model_fit1, minimum.value = 10, sort. = TRUE, maximum.number = 5) %>%
gt() %>%
fmt_number() %>%
tab_style(locations = cells_column_labels(columns=c(2:7)),
style = cell_text(align = "center"))
```
### Kovarianzen der Items
Die gefundenen Zusammenhänge der Items zeigen sich auch in der Kovarianzmatrix (@fig-corr_1).
```{r}
#| code-fold: true
#| cap-location: margin
#| fig-cap: Korrelationsmatrix der Items
#| label: fig-corr_1
lavResiduals(model_fit1)$cov %>%
as.matrix() %>%
corrplot(type = "lower", method = "square", tl.col = "black", tl.srt = 90, tl.offset = 0.4, tl.pos = "ld", tl.cex = .5, col.lim = c(-0.3,0.35), is.corr = FALSE)
```
### Items der Skala Intrinsische Motivation
```{r}
#| column: margin
#| code-fold: true
#| warning: false
#| tbl-cap-location: margin
#| tbl-cap: Faktorladungen IMO-Skala
#| label: tbl-fakt_IMO
omega(OLMA_Ready[,15:19], nfactors = 1)$schmid$sl %>%
as.data.frame() %>%
mutate(Item=rownames(omega(OLMA_Ready[,15:19], nfactors = 1)$schmid$sl)) %>%
select(Item,dplyr::everything(), -"F1*", -"p2") %>%
gt() %>%
fmt_number() %>%
tab_style(locations = cells_column_labels(columns=c(2:4)),
style = cell_text(align = "center"))
```
Die Items der Skala lauten wie folgt:
1. Ich arbeite gerne mit dem Thema der Kuhhaltung. (IMO_1)
2. Es macht Spass Aktivitäten rund um das Thema Kuhhaltung durchzuführen. (IMO_2)
3. Das Thema der Kuhhaltung ist langweilig. (IMO_3)
4. Das Thema der Kuhhaltung interessiert mich überhaupt nicht. (IMO_4)
5. Ich würde das Thema der Kuhhaltung als sehr interessant bezeichnen. (IMO_5)
Diese Items wurden aus dem Englischen übersetzt und an das Thema der Kuhhaltung angepasst. Die Formulierung von IMO_1 ist nicht ideal, da die Wendung "arbeiten mit einem Thema" nicht sehr geläufig ist und wahrscheinlich mit dem Verb "beschäftigen" besser getroffen worden wäre.
Eine Analyse der Itemskala mit der Omega Funktion des psych Packages [@williamrevellePsychProceduresPsychological2023] durchgeführt und zeigen eine akzeptable interne Konsistenz der Skala mit $\omega$=`r round(omega(OLMA_Ready[,14:18], nfactors = 1)$omega_h,2)` und $\alpha$=`r round(omega(OLMA_Ready[,14:18], nfactors = 1)$alpha,2)`. Desweiteren zeigen auch die Faktorladungen, dass das Item 1 sowohl die höchste Ladung, als auch die höchste Komunalität mit dem latenten Faktor der Skala aufweist (siehe @tbl-fakt_IMO). Diesen Analysen folgend macht eine Anpassung des Items IMO_1 keinen Sinn.
# Strukturmodell
```{r}
#| code-fold: true
#| warning: false
strukturmodel_1 <- '
CANX =~ CANX_1+CANX_2 + CANX_3 + CANX_4
PRA =~ PRA_1 + PRA_2 + PRA_3 + PRA_4
IMO =~ IMO_1 +IMO_2 + IMO_3 + IMO_4 + IMO_5
KBE =~ KBE_1 + KBE_2 + KBE_3 + KBE_4
KBU =~ KBU_1 + KBU_2 + KBU_3 + KBU_4
WIS =~ WIS_1 + WIS_2 + WIS_3
PRA ~ CANX
IMO ~ PRA
KBE ~ PRA
KBU ~ PRA
WIS ~ IMO + KBE + KBU
WIS ~ Alter
KBE~~KBU
'
Strukturmodell_sim <-
' CANX =~ CANX_1+CANX_2 + CANX_3 + CANX_4
PRA =~ PRA_1 + PRA_2 + PRA_3 + PRA_4
IMO =~ IMO_1 +IMO_2 + IMO_3 + IMO_4 + IMO_5
KBE =~ KBE_1 + KBE_2 + KBE_3 + KBE_4
KBU =~ KBU_1 + KBU_2 + KBU_3 + KBU_4
WIS =~ WIS_1 + WIS_2 + WIS_3
WIS ~ CANX+IMO+KBU+KBE+PRA+Alter
'
model_fit2 <- sem(data=OLMA_Ready_R,
model = strukturmodel_1,
ordered = TRUE,
estimator="WLSMV"
)
```
Im folgenden Modell werden nun die Verbindungen zwischen den latenten Variablen aufgenommen und die manifeste Variable Alter wird als Indikator aufgenommen.
Die Gütekriterien des Messmodels sind in der @tbl-fit_ind_str aufgeführt und weisen auf eine akzeptable Passung des Models hin [@huCutoffCriteriaFit1999] (CFI=`r round(fitmeasures(model_fit2, fit.measures = c("CFI")),2)` , GFI=`r round(fitmeasures(model_fit2, fit.measures = c("GFI")),2)`, RMSEA=`r round(fitmeasures(model_fit2, fit.measures = c("RMSEA")),2)`, SRMR=`r round(fitmeasures(model_fit2, fit.measures = c("SRMR")),2)`). Der $\chi^2$-Test ($\chi^2$(`r round(fitmeasures(model_fit2, fit.measures = c("df")),0)`)=`r round(fitmeasures(model_fit2, fit.measures = c("Chisq")),2)`, *p* \<`r round(fitmeasures(model_fit2, fit.measures = c("pvalue")),2)`) fällt auch bei diesem Modell signifikant aus.
```{r}
#| code-fold: true
#| warning: false
#| tbl-cap-location: margin
#| tbl-cap: Modellgütekriterien für das Strukturmodell
#| label: tbl-fit_ind_str
fitmeasures(model_fit2, fit.measures = c("chisq", "df", "pvalue", "RMSEA", "rmsea.ci.lower", "rmsea.ci.upper", "SRMR","CFI","tli", "gfi", "agfi")) %>%
enframe(name = "Index", value = "Value") %>%
spread(Index, Value) %>%
select(chisq, df, pvalue, rmsea, rmsea.ci.lower, rmsea.ci.upper, srmr,cfi,tli, gfi, agfi) %>%
gt() %>%
gt::fmt_number() %>%
cols_label(
rmsea = "Wert",
rmsea.ci.lower = "CI<sub>low</sub>",
rmsea.ci.upper = "CI<sub>high</sub>",
.fn = md
) %>%
tab_spanner(
label = "RMSEA ",
columns = c(rmsea, rmsea.ci.lower, rmsea.ci.upper)
) %>%
tab_spanner(
label = "\u03C7\u00B2",
columns = c(chisq, df, pvalue)
) %>%
cols_label(
chisq = "Wert",
df = "df",
pvalue = "p"
) %>%
tab_style(locations = cells_column_labels(columns=c(2:9)),
style = cell_text(align = "center")) %>%
tab_style(locations = cells_column_labels(columns=1),
style = cell_text(align = "left"))
```
### Äuivalenztest
Auch bei diesem Modell wurden die T-Size Werte berechnet. Der korrigierte T-Size Wert für den CFI beträgt `r round(equivalence_testing(554, 26, T_ml=1049.454, df=267, T_mli=27601.652, alpha=0.05)[2,2],3)` und der RMSA `r round(equivalence_testing(554, 26, T_ml=1049.454, df=267, T_mli=27601.652, alpha=0.05)[2,3],3)`. Verglichen mit den ebenfalls korrgierten T-Size Werten (vgl. @tbl-cutoff_aqui_str) kann der CFI als close to excellent und der RMSEA als fair to close eingeschätzt werden.
```{r}
#| code-fold: true
#| tbl-cap-location: margin
#| tbl-cap: Cut-Off Werte für den Äquivalenztest, Strukturmodell
#| label: tbl-cutoff_aqui_str
calculate_cutoff(267, 554, 26) %>%
rownames_to_column() %>%
gt() %>%
fmt_number(decimals = 3) %>%
tab_style(locations = cells_column_labels(columns=everything()),
style = cell_text(align = "center"))
```
### Modifikationsinidices des Strukturmodells
Das Modell könnte sowohl durch einen direkten Pfad von KBE und KBU (\~), als auch durch deren Kovarianz (\~\~) verbessert werden. Wie bereits beiom Messmodell festgestellt, messen die beiden Skalen durchaus ein zugrundeliegendes, gemeinsames Konstrukt, weshalb mindestens die Verbindung durch eine Kovarianz theoretisch begründbar erscheint.
```{r}
#| code-fold: true
#| tbl-cap: Modifikationsindices des Strukturmodells
#| label: tbl-mod_indices_str
#| tbl-cap-location: margin
modindices(model_fit2, minimum.value = 10, sort. = TRUE, maximum.number = 5) %>%
gt() %>%
fmt_number() %>%
tab_style(locations = cells_column_labels(columns=c(2:7)),
style = cell_text(align = "center"))
```
### Korrelationsmatrix der Residuen
In der folgenden Grafik (@fig-corr_2) sind die Residualkovarianzen der manifesten Variablen zu sehen. Im Rahmen der SEM beschreiben die Residuen die Diskrepanzen zwischen den beobachteten Datenpunkten und denjenigen, die durch das spezifizierte Modell vorhergesagt wurden. Die Analyse der Kovarianz zwischen diesen Residuen bietet ein nuanciertes Verständnis der Wechselbeziehungen zwischen den Variablen und hebt insbesondere das Ausmaß hervor, in dem die Residuen einer Variablen mit denen einer anderen korrelieren können.
Besonders der Cluster um die Items der Präsenzskala fällt auf, da hier geteilte Varianz vorliegt, welche nicht durch das Modell erklärt werden kann. Auch das Item-Paar KBE_2 und KBU_2 fällt wiederum auf.
```{r}
#| code-fold: true
#| cap-location: margin
#| fig-cap: Korrelationsmatrix der Residuen
#| label: fig-corr_2
lavResiduals(model_fit2)$res.cov %>%
as.matrix() %>%
corrplot(type = "lower", method = "square", tl.col = "black", tl.srt = 90, tl.offset = 0.4, tl.pos = "ld", tl.cex = .5, col.lim = c(-0.3,0.5), is.corr = FALSE)
```
## Modellparameter
```{r}
#| code-fold: true
summary(model_fit2, standardized=TRUE)$pe %>%
filter(op=="~") %>%
gt() %>%
fmt_number()
```
## Pfaddarstellung des SEM Modells
```{r}
#| code-fold: true
lavaanPlot2(model_fit2,
include = "covs",
graph_options = list(label = ""),
node_options = list( fontname = "Helvetica"),
edge_options = list(color = "grey"),
stars = c("latent"),
coef_labels = TRUE)
```