Modelo modificacion de medidas

Modelo modificacion de medidas

Índices de modificación lisrel

ResumenEl análisis de los datos empíricos a menudo lleva a rechazar un modelo hipotetizado, aunque el investigador haya dedicado considerables esfuerzos a incluir toda la información disponible en la formulación del modelo. Por lo tanto, el investigador debe reformular el modelo de alguna manera, pero en la mayoría de los casos existe, al menos teóricamente, un número abrumador de acciones posibles que podrían tomarse. En este documento se analizará un “índice de modificación” que debería servir de guía en la búsqueda de un modelo “mejor”. En términos estadísticos, el índice mide cuánto podremos reducir la discrepancia entre el modelo y los datos, definida por una función de ajuste general, cuando se añade o libera un parámetro o cuando se relaja una restricción de igualdad. El índice de modificación que se discute en este trabajo es una mejora del que incorpora el programa informático LISREL V en el sentido de que tiene en cuenta los cambios en todos los parámetros del modelo cuando se libera un parámetro concreto.

Modelo de medición completo

En la mayoría de los análisis CFA, el valor de chi sq no alcanzará p>.05, especialmente si tiene un N grande. La mayoría de la gente busca CMIN, es decir, chisq/df, de <3, o el cambio en chi sq entre modelos anidados, es decir, dos modelos con un cambio menor en la estructura, siendo el chi sq para esto (diferencia en chisq) con (diferencia en df) df.
Los índices de modificación sugieren vínculos con el cambio en su estructura. Hágalo de forma incremental, comprobando el cambio en chi sq después de cada uno, para ver si realmente ha ayudado. Sólo debe hacer cambios que sean teóricamente sensatos, en términos de su modelo. Comience con la mayor modificación sensata.
Una vez que haya agotado estos, los operadores ~~ indican vínculos adicionales entre los factores, o varianzas de error. Tenga cuidado con esto. La mayoría de los analistas aceptan añadir enlaces entre las varianzas de error para las variables observadas que forman la misma variable latente, o para las variables observadas que tienen alguna relación no capturada por las variables latentes en el modelo (por ejemplo, el método de medición, tal vez).
En realidad, el modelo no es tan bueno. Verá, tiene un chi-cuadrado de 85,306 con un valor p de 0,000. En cambio, usted quiere que no sea estadísticamente significativo. Además, los otros índices de ajuste son más fáciles de interpretar cuando se comparan dos modelos diferentes. Por sí solos no significan nada o casi nada. Algunos autores han sugerido que el RMSEA por debajo de 0,08 puede utilizarse para argumentar un buen ajuste, pero esto no está acordado en el campo y su RMSEA está por encima de ese umbral.

Cómo utilizar los índices de modificación amos

En la mayoría de los análisis CFA, el valor de chi sq no alcanzará p>.05, especialmente si tiene un N grande. La mayoría de la gente busca CMIN, es decir, chisq/df, de <3, o el cambio en chi sq entre modelos anidados, es decir, dos modelos con un cambio menor en la estructura, siendo el chi sq para esto (diferencia en chisq) con (diferencia en df) df.
Los índices de modificación sugieren vínculos con el cambio en su estructura. Hágalo de forma incremental, comprobando el cambio en chi sq después de cada uno, para ver si realmente ha ayudado. Sólo debe hacer cambios que sean teóricamente sensatos, en términos de su modelo. Comience con la mayor modificación sensata.
Una vez que haya agotado estos, los operadores ~~ indican vínculos adicionales entre los factores, o varianzas de error. Tenga cuidado con esto. La mayoría de los analistas aceptan añadir enlaces entre las varianzas de error para las variables observadas que forman la misma variable latente, o para las variables observadas que tienen alguna relación no capturada por las variables latentes en el modelo (por ejemplo, el método de medición, tal vez).
En realidad, el modelo no es tan bueno. Verá, tiene un chi-cuadrado de 85,306 con un valor p de 0,000. En cambio, usted quiere que no sea estadísticamente significativo. Además, los otros índices de ajuste son más fáciles de interpretar cuando se comparan dos modelos diferentes. Por sí solos no significan nada o casi nada. Algunos autores han sugerido que el RMSEA por debajo de 0,08 puede utilizarse para argumentar un buen ajuste, pero esto no está acordado en el campo y su RMSEA está por encima de ese umbral.

Recorte del modelo sem

La hipótesis de equivalencia entre las configuraciones de los modelos de medición en los distintos grupos se suele investigar evaluando el ajuste global del mismo modelo simultáneamente en múltiples muestras. Sin embargo, la hipótesis nula (H0) de invariabilidad configuracional es distinta de la H0 de ajuste global del modelo. Las pruebas de permutación de la invariancia configuracional producen tasas de error de tipo I nominales incluso cuando un modelo no se ajusta perfectamente (Jorgensen et al., 2017, en prensa). Cuando el modelo configuracional requiere una modificación, la falta de evidencia contra la invariancia configuracional implica que los investigadores deben reconsiderar la estructura de su modelo simultáneamente en todos los grupos. Por lo tanto, se propone la aplicación de índices de modificación multivariados para ayudar a decidir qué parámetro(s) liberar simultáneamente en todos los grupos, y presento los resultados de la simulación de Monte Carlo comparando su control del error de tipo I con los índices de modificación tradicionales de 1 df. Utilizo el conjunto de datos de Holzinger y Swineford (1939) para ilustrar estos métodos.
Muchos investigadores del comportamiento no tienen el lujo de poder observar directamente los fenómenos que estudian. Por ejemplo, los investigadores de organizaciones necesitan medir la satisfacción o la moral en el trabajo. Los clínicos necesitan medir diversos trastornos psicológicos. Los psicólogos sociales y los sociólogos necesitan medir las actitudes y las orientaciones sociales. Los investigadores de la educación necesitan medir los resultados de la enseñanza y el aprendizaje. A menudo, los investigadores se basan en medidas indirectas, como las escalas de autoinforme, y las herramientas psicométricas, como las estimaciones de fiabilidad y los modelos de rasgos latentes [por ejemplo, el análisis factorial confirmatorio (AFC) y los modelos de la teoría ítem-respuesta (TRI)] facilitan la evaluación de la calidad de esas medidas.

Ir arriba
Esta web utiliza cookies propias para su correcto funcionamiento. Al hacer clic en el botón Aceptar, acepta el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos. Más información
Privacidad