Sem Afc
Sem Afc
Sem Afc
Especificación
Una variable latente en CFA es una dimensión o continuo en el cual los casos varian
entre sí. Es una variable explicativa que siempre es estimada con cierto grado de
incertidumbre. La variable latente no es la suma de los indicadores.
Cada indicador (o variable observada) puede depender del factor especificado por el
investigador. La varianza específica si puede ser compartida por varios indicadores.
→ cada indicador es continuo y tiene dos causas: un único factor (que el indicador
mide) y fuentes de influencia provenientes del término error.
→ los término error son independientes entre sí y de los factores.
→ todas las asociaciones son lineales y todos los factores covarían.
4- en modelos con dos o más factores y dos o más indicadores por factor: la solución
estará sobreidentificada, siempre y cuando cada variable latente correlacione con al
menos otra variable latente y los errores entre los indicadores no correlacionen. En
estos casos, se puede dar infraidentificación empírica, con lo cual es recomendable un
minimo de tres indicadores por variable latente.
* Para modelos no estándar que incluyen indicadores complejos y errores correlacionados, existen otras
normas extra, pag. 203-205 y apuntes.
Estimación de parámetros
- Coeficientes patrón son interpretados como los coeficientes de regresión. Un
coeficiente de 4 implica un aumento de 4 en el indicador por cada aumento de 1 punto
en el factor.
→ utilizar indicadores con coeficientes estandarizados > 0.70 (good psychom. properties)
→ Si estamos analizando ítems, será mejor analizarlos por parcels que individualmente.
EJEMPLO: p. 305
Calculo de gl
2. Un modelo CFA de un factor está anidado en otro de dos o más factores con los
mismo indicadores. Es por esto que podemos estimar el modelo de 2 parámetros y
compararlo con este mismo modelo a través de los Chis.
Los resultados del test de ajuste exacto con Chi ha resultado significativo, es decir
debemos rechazar el modelo. El test de close-fit *** también mal. Se podría mirar la
potencia*** http://www.quantpsy.org/rmsea/rmsea.htm
Nos podemos fijar en la tabla de coeficientes estructura y vemos que los coeficientes
de los ítems 1, 2 y 3 que no saturan en el factor 1, no son cero. Nos recuerda que
aunque no se dibujen/fije a cero, existe cierta relación.
Los residuos de las correlaciones son muchos de ellos > 0.10 y positivos lo que indica
que el modelo está infraestimando las correspondientes asociaciones de los datos.
Los indicadores deben ser inspeccionados primero. Si alguno está midiendo mejor otro
factor que el propio puede cambiarse. También podría estar midiendo dos factores
muy bien por ej. si un indicador que mide factor A, tiene unas correlaciones residuales
muy grandes y positivas con otro indicador que mide el factor B, esto puede deberse a
que el indicador está midiendo los dos factores. O que ambos indicadores comparten
algo especifico como el tipo de estimulo, tarea, "informador" no relacionado con el
factor. Si hay varianza única se puede especificar en el modelo errores
correlacionados.
Los factores también pueden estar mal especificados (en número) si bien es cierto que
este es un error más grave ya que las hipótesis sobre lo que estamos midiendo
estarían muy equivocadas. Si hay alto grado de correlación entre factores, el modelo
puede tener muchos factores. Poor convergent validity within sets of indicators for the
same factor suggests that the modelo may have too few factors.
De nuevo, cambiar el número de factores es un cambio mucho más radical que ajustar
las correspondencias de factor-indicador o añadir correlaciones entre errores.
En el ej. p. 311. Hay correlaciones de residuos altas entre "hand movements" y otras
cuatro tareas, el hecho de que además el coeficiente patrón de "hand movements" sea
moderado (0.497) nos puede estar indicando que esta tarea mide los dos factores.
~Tres matrices~
Un residuo estandarizado positivo nos está sugiriendo que los parámetros del modelo
infraestiman la relación de dos indicadores (ya que los residuos deberían ser cercanos
a cero). Quizás hagan falta más parámetros que expliquen mejor la relación entre esos
dos indicadores.
Ajuste global
- Chi, con sus gl y su significación (queremos que sea no sign.), "se rechaza/retiene la
hipótesis nula de igualdad entre la matriz estimada por nuestro modelo y la matriz de
covarianza muestral." Ya que Chi-cuadrado es un índice que se afectado por muchos
factores, rechazamos/mantenemos la hipótesis nula de ajuste provisionalmente hasta
valorar el resto de índices.
El índice SRMR apunta en la misma dirección con un valor de ___ (es bueno si es < 0.10!)
CFI, que utiliza al modelo de independencia como referente, nos está indicando con un
valor de ____ que el modelo propuesto es un ___ mejor que el modelo base. (>0.9)
*Criterio mixto (Hu & Bentler, 1999): SRMR < .08 y RMSEA < .05; SRMR < .08 y CFI > .95
Ajuste local: para valorar el ajuste local, se llevan a cabo dos estrategias:
- Inspeccionar la matriz residual de las correlaciones para ver si existen discrepancias
grandes (valores mayores a 0.10) o la matriz estandarizada para ver si alguno de sus
valores es sign. (>1.96)
- Estimaciones de los parámetros: se debe reportar todos (pesos factoriales (en R
latent variables) varianzas error (en R variances de cada vv.), varianzas factor).
- Consultar los índices de modificación: si existe alguno con un valor de Xd muy alto,
comentar si hay unos cuantos que deberían ser inspeccionados y valorar si existe
alguna "zona" dentro del modelo que pudiese estar incorrectamente especificada.
Por último, se podría comparar el modelo propuesto con algún otro equivalente (o
reespecificado) ~ es decir volver a estimar y comparar su cambio de ajuste en
modelos anidados o comparar con BIC/AIC si no lo están.