Following the tests for MI, we test

Following the tests for MI, we tested for structural invariance by
examining whether the factor variances, factor covariances, and
factor means were invariant across groups. This was done by
adding equality constraints to the strict MI model. In particular,
first factor variance invariance was tested by constraining the
factor variances to be equal across groups (in addition to the
constraints of the strict MI model). Subsequently, we tested for
factor covariance invariance by constraining the factor variances
and covariances to be equal across groups. Finally, to test for
factor mean invariance, we constrained the factor variances and
covariances to be equal across groups, and fixed the factor means
in the second group to 0.
From the foregoing, it is clear that we used a stepwise procedure
where with each step more constraints were added to the model. At
each step of the sequence, the absolute as well as the relative fit of
the model, that is, the degree of model fit as well as the degree of
change in fit, was evaluated. To assess absolute model fit, we used
the 2, CFI, TLI, and RMSEA. To compare the fit between
consecutive models, the DIFFTEST option was used to obtain a
corrected chi-square difference test (L. K. Muthén & Muthén,
2010). If the corrected chi-squared difference test was nonsignificant,
the fit of the more highly constrained model did not differ
significantly from that of the less constrained one. Hence, the more
highly constrained model was preferred. However, if the corrected
chi-squared difference test was significant, at least one of the
constrained parameters was noninvariant across groups.
To identify possible sources of misfit (i.e., the noninvariant
parameters), we relied on an inspection of the MIs (see Byrne et
al., 1989). MIs pertain to specific fixed parameters in the model (in
this case the parameter constraints) with a MI for a particular
parameter representing the lower bound estimate of the expected
decrease in chi-square when this parameter would be estimated
freely (i.e., when the parameter constraint would be removed). As
such, the parameter with the highest MI has the largest contribution
to model misfit, which implies that the data do not support the
constraint on this parameter and that it has to be removed. The
procedure of identifying noninvariant parameters was done in a
one-by-one fashion through examination of the MIs. Specifically,
the parameter constraint found to contribute most to model misfit
was removed and the model subsequently reestimated and reevaluated
based on the DIFFTEST. If the DIFFTEST was still statistically
significant, an additional parameter was freed based on the
MI’s of the last model. This procedure was repeated until the
p-value of the DIFFTEST exceeded .05.

Results (Russian) 1:

После испытаний для ми мы проверили для структурной инвариантностьли фактор отклонения, фактор ковариаций, ифактор средства были инвариантными всех групп. Это было сделано путемДобавление ограничений равенства в строгом ми модель. В частности,Первый фактор дисперсии инвариантность был протестирован путем ограниченияфактор отклонения равны различных групп (в дополнение кограничения строгой модели ми). Впоследствии мы проверили дляКоэффициент ковариации инвариантность, сдерживающих фактора отклоненияи ковариаций равны между группами. Наконец для проверкифактор означает инвариантность, мы ограничены фактор отклонения иковариаций быть равны по группам и фиксированной фактор средстваво второй группе равным 0.Из вышесказанного становится ясно, что мы использовали пошаговая процедурагде с каждым шагом больше ограничений были добавлены к модели. ВКаждый шаг последовательности, Абсолюта, а также относительной подходятмодель, то есть, степень модели подходят, а также степеньизменения в fit, была проведена оценка. Для оценки абсолютной модели подходят, мы использовали2, CFI, TLI и RMSEA. Для сравнения соответствия междуподряд модели, параметр DIFFTEST был использован для полученияисправленные хи-квадрат тест разница (L. K. Muthén и Muthén,2010). Если исправленные Хи разница тест был незначимые,fit модель более весьма ограниченного не отличаютсязначительно от того из менее ограничены одним. Следовательно чем большевесьма ограниченные модели является предпочтительным. Однако если исправлениямиХи разница тест был значительным, по крайней мере один изограничениями параметров был noninvariant между группами.Для выявления возможных источников несоответствия (т.е., noninvariantПараметры), мы полагались на инспекцию MIs (см. Бирн etAl., 1989). MIs касаются определенных фиксированных параметров в модели (вэтом случае ограничения параметров) с ми для конкретногопараметр, представляющий нижнюю границу оценку ожидаемыхуменьшение в хи-квадрат, когда этот параметр будет рассчитыватьсясвободно (то есть, когда ограничение параметра будут удалены). КакНапример, параметр с высоким ми имеет наибольший вкладдля плохо сидящее платье модель, которая предполагает, что данные не поддерживаютограничение на этот параметр, и что он должен быть удален. Впроцедура идентификации noninvariant параметров было сделано водин в 1 моды путем изучения СУИ. В частности,ограничение параметра найден вносить наиболее плохо сидящее платье модельбыл удален и модель впоследствии reestimated и переоценкана основе DIFFTEST. Если DIFFTEST был по-прежнему статистическизначительные, дополнительный параметр был освобожден на основанииМИ последней модели. Эта процедура повторяется доp значение DIFFTEST превысил.05.

Results (Russian) 2:

После испытаний для MI, мы тестировали на структурной инвариантности
изучения отклонений ли фактор, фактор ковариации, и
фактор средства были инвариантны по группам. Это было сделано путем
добавления ограничений равенства к строгой модели MI. В частности,
первый коэффициент дисперсии инвариантность тестировали сдерживающий
фактор отклонения равными по группам (в дополнение к
ограничениям строгой модели MI). В дальнейшем, мы тестировали на
фактор ковариационной инвариантности Ограничивая фактор дисперсии
и ковариации быть равными по группам. И, наконец, чтобы проверить на
средний коэффициент инвариантность, мы ограничили коэффициент дисперсии и
ковариации , чтобы быть равным по группам, и фиксированный коэффициент означает ,
во второй группе на 0.
Из сказанного выше видно , что мы использовали поэтапную процедуру ,
где с каждой шаг больше ограничений были добавлены к модели. На
каждом шаге последовательности, абсолютная, а также относительная подгонка
модели, то есть, степень модели подходят, а также от степени
изменения подгонки, оценивали. Для оценки абсолютной модели подходят, мы использовали
в? 2, CFI, TLI и RMSEA. Для сравнения соответствия между
последовательными моделями, была использована опция DIFFTEST для получения
скорректированного хи-квадрат разности тест (LK Muthén & Muthén,
2010). Если скорректированное хи-квадрат разности тест был несущественной,
припадок более весьма ограничена модель не отличалась
существенно от таковой менее стесненном один. Следовательно, чем больше
было отдано предпочтение модели весьма ограничена. Тем не менее, если исправленная
хи-квадрат разница тест был значительным, по крайней мере , один из
стесненных параметров был неинвариантный по группам.
Для того, чтобы определить возможные источники несоответствия (т.е. неинвариантные
параметров), мы опирались на осмотр ИУС (см Бирн ЕТ и
др., 1989). МСИ относятся к конкретным фиксированных параметров в модели (в
данном случае ограничения параметров) с MI для конкретного
параметра , представляющие нижнюю границу оценку ожидаемого
снижения в хи-квадрат , когда этот параметр будет оцениваться
свободно (то есть, когда параметр ограничение будет удалено). Как
таковой, параметр с наибольшим MI имеет наибольший вклад
в модель невязку, что предполагает , что данные не поддерживают
ограничение на этот параметр , и что он должен быть удален.
Процедура идентификации параметров неинвариантные было сделано в
моде один за другим посредством изучения MIS. В частности,
ограничение параметра установлено вносит наибольший вклад в модель неприспособленным
была удалена , и модель впоследствии повторно рассчитанных и перепроверены
на основании DIFFTEST. Если DIFFTEST еще был статистически
значимым, дополнительный параметр был освобожден на основе
МИ последней модели. Эту процедуру повторяют до тех пор ,
р-значение DIFFTEST превысил .05.

Results (Russian) 3:

после испытаний ми, мы проверили на структурные инвариантность путемизучает ли фактор разницы, фактором, covariances ифактор были инвариант по разным группам.это было сделано путемдобавив равенства ограничений строго ми модели.в частности,первый фактор разницы инвариантность был опробован посредством ограничениякоэффициент разницы быть равным по разным группам (в дополнение ктрудности со строгим ми модели).впоследствии мы тестировалифактор ковариантность инвариантность путем ограничения фактор разницыи covariances равны по разным группам.и наконец, для проверкифактор означает инвариантность, мы ограничены коэффициент отклонений иcovariances равны между группами и установил факторво второй группе - 0.из вышесказанного следует, что мы использовали поэтапная процедурагде с каждым шагом больше ограничений были включены в модель.накаждый шаг в последовательности, абсолютного и относительного подходятмодель, то есть степень модель подходит, а также степеньизменения в фигуре, была проведена.по оценке абсолютного модель подходит, мы использовали2, CFI, тли, и rmsea.для сравнения, пролез междупоследних моделей, difftest вариант был использован для полученияскорректированная разница хи - квадрат испытания (л. к "N & муф муф.,в 2010 году).если скорректированный хи - квадрат разница тест был nonsignificant,пригодности более высокой степени ограничены модель не отличаютсясущественно, менее ограничены.таким образом, болеевесьма ограничены, модель является предпочтительным.однако, если скорректированныйхи - квадрат разница испытание было значительным, по крайней мере, одна иззаданных параметров был noninvariant разных групп.для выявления возможных источников несоответствия (например, noninvariantпараметры), мы опирались на проверки сми (см. Byrne etal., 1989).мис касаются конкретных основных параметров модели (вв этом случае параметр ограничений) с ми для конкретногопараметр, представляющих нижняя граница оценки ожидаемыхсокращение хи - квадрат, когда этот параметр будет, по оценкам,свободно (например, когда параметр ограничения будут сняты).кактакой параметр с наивысшим ми имеет наибольший вкладдля моделирования несоответствия, которые предполагает, что данные не подтверждаютпрепятствием для этого параметра, и что она должна быть удалена.советпроцедура определения параметров было сделано в noninvariantодин моды путем изучения сми.в частности,параметр ограничений установлено, максимально способствовать модель несоответствиябыл удален и модель, впоследствии reestimated и просмотрелна основе difftest.если difftest еще статистическизначительный дополнительный параметр был освобожден на основеMi - последней модели.эта процедура повторяется до тех пор, покаP - значение этого difftest превышены. 05.