Tema 5: Evidencias de validez de estructura interna (III). Análisis factorial Flashcards
Evidencias de validez de estructura interna (III). Análisis factorial
Si consideramos los valores de asimetría y curtosis:
Los datos siguen una distribución normal ya que los valores son inferiores a 1 en valor absoluto —entre 0,02 y 0,49—
Que los datos sean negativos no es indicador de no normalidad. En estos casos puede seguir una distribución normal o no. La mediana no es un indicador que nos permita tomar decisiones por sí solo.
Si calculamos la matriz de correlaciones de Pearson:
Todas las correlaciones son positivas.
Hay correlaciones inferiores a 0,30. se observa una sola agrupación de ítems, un ítem que tiene correlaciones más bajas con el resto —ítem09—.
Según las cargas factoriales:
El ítem09 parece problemático.
La carga factorial del ítem09 es especialmente baja. Existen cargas factoriales mayores a 1 en la solución sin estandarizar, hecho totalmente normal.
La comunidad de ítem07 será de:
0,45.
1-0,55 —unicidad—. 0,67 es la carga factorial, la comunalidad 0,672.
Según los índices de bondad de ajuste del modelo:
Si tenemos en cuenta el valor de CFI, TLI, RMSEA y RSMR el ajuste es excelente.
El valor de Ji-cuadrado suele ser siempre inferior a 0,05, por eso nos fijaremos en el resto de los indicadores. Si fuera un estimador categórico seguiría siendo excelente.
El uso de ordered = names(Data) sirve para:
Declarar las variables como ordinales.
Si especificamos el estimador WLSMV:
También será necesario especificar que variables son ordinales, ordered.
Vuelve a ajustar el mismo modelo, pero utilizando WLSMV y fíjate en la columna Robust. ¿Se obtiene mejor ajuste con ML o con WLSMV?
- Se obtiene un CFI y un TLI más alto en WLSMV.
- En general existe un mejor ajuste con WLSMV que con ML.
El valor de SRMR para la solución obtenida con WLSMV:
No debería interpretarse ya que no es adecuado para estimación WLSMV.
Teniendo en cuanto los resultados obtenidos, lo correcto es utilizar:
Estimador ML.
Como son siete categorías y no existe efecto techo o suelo; independientemente de que el ajuste sea mejor, no debería utilizarse el estimador WLSMV. ULS es adecuado para muestras pequeñas.
