Análisis factorial confirmatoriorecomendaciones sobre mínimos cuadrados no ponderados en función del error Tipo I de Ji-Cuadrado y RMSEA

  1. Mª Ángeles Morata Ramirez 1
  2. Francisco Pablo Holgado Tello 1
  3. María Isabel Barbero García 1
  4. Gonzalo Mendez 2
  1. 1 Universidad Nacional de Educación a Distancia
    info

    Universidad Nacional de Educación a Distancia

    Madrid, España

    ROR https://ror.org/02msb5n36

  2. 2 Universidad Complutense de Madrid
    info

    Universidad Complutense de Madrid

    Madrid, España

    ROR 02p0gd045

Revista:
Acción psicológica

ISSN: 1578-908X

Año de publicación: 2015

Volumen: 12

Número: 1

Páginas: 79-90

Tipo: Artículo

DOI: 10.5944/AP.12.1.14362 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Acción psicológica

Resumen

En Psicología, para obtener evidencias sobre validez de constructo mediante Análisis Factorial Confirmatorio es habitual trabajar con variables ordinales que presentan asimetría. En este estudio de simulación se analiza el comportamiento del método de Mínimos Cuadrados no Ponderados (ULS) en escalas tipo Likert con base en los índices χ2 de razón de verosimilitud (C2) y RMSEA. Para ello, se han manipulado cuatro factores experimentales: el número de factores o dimensiones (2, 3, 4, 5, 6), número de puntos de respuesta (3, 4, 5, 6), grado de asimetría de la distribución de respuestas (simétrica, asimétrica moderada y severa) y tamaño muestral (100, 150, 250, 450, 650, 850) de los modelos simulados. Según los principales resultados, el índice C2 muestra siempre un error Tipo I mayor que RMSEA, con independencia de los factores experimentales analizados. Finalmente, se discuten diferentes alternativas de acción y se presentan futuras líneas de investigación.

Referencias bibliográficas

  • Barbero, M. I., Vila, E. y Holgado, F. P. (2011). Introducción básica al análisis factorial [Basic introduction to factor analysis]. Madrid, España: UNED.
  • Batista, J. M. y Coenders, G. (2000). Modelos de ecuaciones estructurales [Structural equation models]. Madrid, España: La Muralla.
  • Bollen, K. A. (1989). Structural equations with latent variables. New York: Wiley.
  • Bollen, K. A. y Barb, K. H. (1981). Pearson's r and coarsely categorized measures. American Sociological Review, 46(2), 232-239. doi: 10.2307/2094981
  • Brown, T. A. (2006). Confirmatory factor analysis for applied research. New York: Guildford Press.
  • Browne, M. W. y Cudeck, R. (1993). Alternative ways of assessing model fit. En K. A. Bollen y J. S. Long (Eds.), Testing structural equation models (pp. 136-162). Newbury Park, CA: Sage.
  • Byrne, B. M. (1998). Structural equation modeling with LISREL, PRELIS, and SIMPLIS: Basic Concepts, applications and programming. Londres, UK: Lawrence Erlbaum Associates.
  • Catena, A., Ramos, M. M. y Trujillo, H. M. (2003). Análisis multivariado. Un manual para investigadores [Multivariate analysis. A handbook for researchers]. Madrid, España: Biblioteca Nueva.
  • Cea, M. A. (2004). Análisis multivariable. Teoría y práctica en la investigación social [Multivariate analysis. Theory and practice in social research]. Madrid, España: Síntesis.
  • Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2ª Ed.). New Jersey: Lawrence Erlbaum Associates.
  • Coenders, G., y Saris, W. E. (1995). Categorization and measurement quality. The choice between Pearson and Polychoric correlations. En W. E. Saris y Á. Münnich (Eds.), The MultitraitMultimethod approach to evaluate measurement instruments (pp. 125-144). Budapest, Hungría: Eötvös University Press.
  • DiStefano, C. (2002). The impact of categorization with confirmatory factor analysis. Structural Equation Modeling, 9(3), 327-346. doi: 10.1207/S15328007SEM0903_2
  • Fadlelmula, F. K. (2011). Assessing power of structural equation modeling studies: A meta-analysis. Educational Research Journal, 1(3), 37-42.
  • Flora, D. B. y Curran, P. J. (2004). An empirical evaluation of alternative methods of estimation for confirmatory factor analysis with ordinal data. Psychological Methods, 9(4), 466-491. doi: 10.1037/1082-989X.9.4.466
  • Garrido, L. E. (2012). Dimensionality assessment of ordinal variables: An evaluation of classic and modern methods (Tesis doctoral). Universidad Autónoma de Madrid, Madrid.
  • Finney, S. J. y DiStefano, C. (2013). Nonnormal and categorical data in structural equation modeling. En G. R. Hancock y R. O. Mueller (Eds.). Structural equation modeling: A second course (2ª Ed.) (pp. 439-492). Greenwich, CT: Information Age Publishing.
  • Garnefski, N. y Kraaij, V. (2007). The Cognitive Emotion Regulation Questionnaire: Psychometric features and prospective relationships with depression and anxiety in adults. European Journal of Psychological Assessment, 23(3), 141-149. doi: 10.1027/1015-5759.23.3.141
  • Holgado, F. P., Moscoso, S., Barbero, M. I. y Sanduvete, S. (2006). Training Satisfaction Rating Scale: Development of a measurement model using polychoric correlations. European Journal of Psychological Assessment, 22(4), 268-279. doi: 10.1027/1015-5759.22.4.268
  • Holgado, F. P., Chacón, S., Barbero, I. y Vila, E. (2010). Polychoric versus Pearson correlations in exploratory and confirmatory factor analysis of ordinal variables. Quality and Quantity, 44(1), 153- 166. doi: 10.1007/s11135-008-9190-y
  • Hu, L. y Bentler, P. M. (1995). Evaluating model fit. En R. H. Hoyle (Ed.), Structural equation modeling: Concepts, issues, and applications (pp. 76- 99). Thousand Oaks, CA: Sage.
  • Jennrich, R. y Satorra. A. (2014). The nonsingularity of Γ in covariance structure analysis of nonnormal data. Psychometrika, 79(1), 51-59. doi: 10.1007/s11336-013-9353-1
  • Johnson, D. R. y Creech, J. C. (1983). Ordinal measures in multiple indicator models: A simulation study of categorization error. American Sociological Review, 48, 398-407. doi: 10.2307/2095231
  • Jöreskog, K. G. y Sörbom, D. (1996a). LISREL 8: User's reference guide. Chicago: Scientific Software International.
  • Jöreskog, K. G. y Sörbom, D. (1996b). PRELIS 2: User's reference guide. Chicago: Scientific Software International.
  • Jöreskog, K. G. (2004). On Chi-Squares for the independence model and fit measures in LISREL. Recuperado de http://www.ssicentral.com/lisrel/techdocs/ftb.pdf
  • Jung, S. (2013). Structural equation modeling with small sample sizes using two-stage ridge leastsquares estimation. Behavior Research Methods, 45(1), 75-81. doi: 10.3758/s13428-012-0206-0
  • Katsikatsou, M., Moustaki, I., Yang-Wallentin, F. y Jöreskog, K. G. (2012). Pairwise likelihood estimation for factor analysis models with ordinal data. Computational Statistics and Data Analysis, 56(12), 4243-4258. doi: 10.1016/j.csda.2012.04.010
  • Kline, R. B. (2011). Principles and practice of structural equation modeling (3ª Ed.). New York: The Guilford Press.
  • Liu, X. S. (2012). Implications of statistical power for confidence intervals. British Journal of Mathematical and Statistical Psychology, 65(3), 427- 437. doi: 10.1111/j.2044-8317.2011.02035.x
  • McCallum, R. C., Browne, M. W. y Sugawara, H. M. (1996). Power analysis and determination of sample size for covariance structure modeling. Psychological Methods, 1(2), 130-149. doi: 10.1037/1082-989X.1.2.130
  • Mulaik, S. A. (1972). The foundations of factor analysis (Vol. 88). New York: McGraw-Hill.
  • Muthén, B. y Kaplan, D. (1985). A comparison of some methodologies for the factor analysis of non-normal Likert variables. British Journal of Mathematical and Statistical Psychology, 38(2), 171-189. doi: 10.1111/j.2044- 8317.1985.tb00832.x
  • Nestler, S. (2013). A Monte Carlo study comparing PIV, ULS and DWLS in the estimation of dichotomous confirmatory factor analysis. British Journal of Mathematical and Statistical Psychology, 66(1), 127-143. doi: 10.1111/j.2044- 8317.2012.02044.x
  • O’Brien, R. M. (1985). The relationship between ordinal measures and their underlying values: Why all the disagreement? Quality and Quantity, 19, 265-277. doi: 10.1007/BF00170998
  • R Development Core Team (2010). R: A language and environment for statistical computing 2.12.0. Viena, Austria: R Foundation for Statistical Computing.
  • Ryu, E. (2011). Effects of skewness and kurtosis on normal-theory based maximum likelihood test statistic in multilevel structural equation modeling. Behavior Research Methods, 43(4), 1066- 1074. doi: 10.3758/s13428-011-0115-7
  • Satorra, A., y Bentler, P. M. (2010). Ensuring positiveness of the scaled difference Chi-square test statistic. Psychometrika, 75(2), 243-248. doi: 10.1007/s11336-009-9135-Y
  • Savalei, V. y Rhemtulla, M. (2013). The performance of robust test statistics with categorical data. British Journal of Mathematical and Statistical Psychology, 66(2), 201-223. doi: 10.111/j.2044-8317.2012.02049.x
  • Schumacker, R. E. y Lomax, R. G. (1996). A beginner’s guide to structural equation modeling. New Jersey: Lawrence Erlbaum Associates.
  • Simsek, G. G. y Noyan, F. (2012). Structural equation modeling with ordinal variables: a large sample case study. Quality and Quantity, 46 (5), 1571- 1581. doi:10.1007/s11135-011-9467-4
  • Wright, D. B. y Herrington (2011). Problematic standard errors and confidence intervals for skewness and kurtosis. Behavior Research Methods, 43, 8-17. doi: 10.3758/s13428-010-0044-x
  • Yang-Wallentin, F., Jöreskog, K. G. y Luo, H. (2010). Confirmatory factor analysis of ordinal variables with misspecified models. Structural Equation Modeling, 17 (3), 392-423. doi: 10.1080/10705511.2010.489003
  • Zumbo, B. D. (2007). Validity: Foundational Issues and Statistical Methodology. En C.R. Rao y S. Sinharay (Eds.), Handbook of Statistics, Vol. 26: Psychometrics, (pp. 45-79). Amsterdam: Elsevier Science.
Fuente de los datos: Dialnet