YesStat — 확인적 요인분석 (결과)

확인적 요인분석

적합도 · 표준화 적재량 · CR · AVE · HTMT

χ²/df2.14< 3

CFI.958≥ .90

TLI.947≥ .90

RMSEA.048≤ .08

SRMR.041≤ .08

표 31. 측정모형 적합도

지수	χ²	df	χ²/df	GFI	AGFI	NFI	TLI	CFI	RMSEA	SRMR
측정모형	245.64	113	2.14	.938	.916	.921	.947	.958	.048	.041
권장 기준	—	—	< 3	≥ .90	≥ .85	≥ .90	≥ .90	≥ .90	≤ .08	≤ .08

RMSEA 90% CI [.039, .057], PCLOSE = .642.

표 32. 표준화 요인적재량 및 신뢰도·타당도

요인	문항	비표준화 λ	S.E.	C.R.	표준화 λ	SMC	α	CR	AVE
직무열의	WE1	1.000	—	—	.842	.709	.891	.894	.628
	WE2	0.964	.052	18.54***	.812	.659
	WE3	1.021	.054	18.91***	.836	.699
	WE4	0.887	.058	15.29***	.724	.524
	WE5	0.912	.051	17.88***	.788	.621
직무자원	JR1	1.000	—	—	.826	.682	.864	.868	.622
	JR2	1.042	.056	18.61***	.851	.724
	JR3	0.918	.059	15.56***	.732	.536
	JR4	0.956	.057	16.77***	.761	.579
직무성과	JP1	1.000	—	—	.808	.653	.842	.846	.579
	JP2	0.972	.061	15.94***	.774	.599
	JP3	0.988	.060	16.47***	.791	.626
	JP4	0.884	.064	13.81***	.702	.493
직무요구	JD1	1.000	—	—	.798	.637	.812	.816	.527
	JD2	0.941	.066	14.26***	.742	.551
	JD3	0.968	.064	15.13***	.768	.590
	JD4	0.876	.069	12.70***	.681	.464

*** p < .001. 모든 표준화 적재량이 .70 이상, CR ≥ .70, AVE ≥ .50으로 수렴타당도가 확보되었습니다(Hair et al., 2019).

표 33. 판별타당도

Fornell-Larcker 기준

구성개념	1	2	3	4
1. 직무열의	.792
2. 직무자원	.581	.789
3. 직무성과	.512	.442	.761
4. 직무요구	−.284	−.211	−.132	.726

대각선 굵은 값은 √AVE.

HTMT 비율

구성개념 쌍	HTMT	판정
직무열의 ↔ 직무자원	.648	충족
직무열의 ↔ 직무성과	.581	충족
직무열의 ↔ 직무요구	.318	충족
직무자원 ↔ 직무성과	.502	충족
직무자원 ↔ 직무요구	.241	충족
직무성과 ↔ 직무요구	.156	충족

기준 .85 미만(Henseler et al., 2015).

표 34. 수정지수 · MI ≥ 10.0

경로	M.I.	기대 변화량	권고
e4 ↔ e5	12.84	.084	같은 요인 내 오차 공분산 — 이론적 근거 있을 때만
e11 ↔ e12	10.42	.071	문항 표현 유사성 검토

적합도가 이미 기준을 충족하므로 수정을 적용하지 않았습니다. 무분별한 수정지수 적용은 모형의 이론적 타당성을 훼손합니다.

그림 19. 표준화 요인적재량

모든 적재량이 기준 .70 이상입니다.

그림 20. 적합도 지수 대비 권장 기준

여섯 지수 모두 권장 기준을 충족하였습니다.

해석interp_rules.rule_id = CFA_FIT_ALL_OK · 매칭조건 chisq_df<3 AND cfi>=.90 AND rmsea<=.08 AND ave>=.50 AND htmt<.85

측정모형의 적합도는 χ²(113) = 245.64, χ²/df = 2.14, CFI = .958, TLI = .947, RMSEA = .048, SRMR = .041로 모든 지수가 권장 기준을 충족하였다.

표준화 요인적재량은 .681에서 .851 범위였고 모두 p < .001 수준에서 유의하였다. 개념신뢰도(CR)는 .816–.894, 평균분산추출(AVE)은 .527–.628로 각각 기준값 .70과 .50을 상회하여 수렴타당도가 확보되었다.

판별타당도는 Fornell-Larcker 기준과 HTMT 기준(최대 .648 < .85) 양쪽에서 모두 충족되었다.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.).

코드 생성 · 이 분석을 다른 프로그램 문법으로

MODEL:
  JR BY JR1-JR4;  WE BY WE1-WE5;
  JP BY JP1-JP4;  JD BY JD1-JD4;
ANALYSIS: ESTIMATOR = ML; BOOTSTRAP = 2000;
OUTPUT: STDYX MODINDICES(10) CINTERVAL(BCBOOTSTRAP);

sem (JR -> JR1 JR2 JR3 JR4) (WE -> WE1-WE5) ///
    (JP -> JP1-JP4) (JD -> JD1-JD4), ///
    method(ml) standardized
estat gof, stats(all)
estat mindices

mod <- '
 JR =~ JR1+JR2+JR3+JR4
 WE =~ WE1+WE2+WE3+WE4+WE5
 JP =~ JP1+JP2+JP3+JP4
 JD =~ JD1+JD2+JD3+JD4'
fit <- cfa(mod, dat); summary(fit, standardized=TRUE, fit.measures=TRUE)

* SPSS는 CFA를 지원하지 않습니다.
* AMOS 또는 위 Mplus·lavaan 코드를 사용하십시오.
FACTOR /VARIABLES JR1 TO JD4 /EXTRACTION ML.

모형이나 변수 지정을 바꾸면 네 코드가 함께 갱신됩니다. 심사자가 다른 프로그램으로 재현을 요구할 때 그대로 전달할 수 있습니다.