Revista de Matemática: Teoría y Aplicaciones ISSN Impreso: 1409-2433 ISSN electrónico: 2215-3373

OAI: https://revistas.ucr.ac.cr/index.php/matematica/oai
Robustez de los índices de ajuste del análisis factorial confirmatorio a los valores extremos
PDF
PS
DVI

Palabras clave

outliers
confirmatory factor analysis
robustness
simulations study
Monte Carlo error Valores extremos
análisis factorial confirmatorio
robustez
estudio de simulación
error Monte Carlo

Cómo citar

Rojas-Torres, L. (2020). Robustez de los índices de ajuste del análisis factorial confirmatorio a los valores extremos. Revista De Matemática: Teoría Y Aplicaciones, 27(2), 383–404. https://doi.org/10.15517/rmta.v27i2.33677

Resumen

El objetivo de este trabajo es evaluar la robustez de varios índices de ajuste del Análisis Factorial Confirmatorio (SRMR, RMSEA, TLI, CFI y GFI) a la presencia de valores extremos. Para el alcance del objetivo se planteó un estudio de simulaciones con 3× 4 × 2 condiciones: tamaño de muestra (100, 200 y 500), porcentaje de valores extremos (0%, 1%, 5% y 10%) y número de variables con valores extremos (1 y 2). Los conjuntos de datos base (0% de valores extremos) por tamaño de muestra, fueron simulados a partir de una distribución que se ajustaba a un AFC con tres factores correlacionados. Los conjuntos de datos con valores extremos se crearon a partir de la sustitución de observaciones en los conjuntos de datos base. Luego, en cada conjunto de datos se estimó un AFC con tres factores correlacionados. Se obtuvo que con los puntos de corte clásicos de los índices de ajuste, todos estos fueron robustos a la presencia de datos extremos en conjuntos de datos de 200 y 500 observaciones. Con 100 observaciones se obtienen índices robustos pero considerando puntos de corte ajustados a la estructura factorial y el tamaño muestral trabajado.

https://doi.org/10.15517/rmta.v27i2.33677
PDF
PS
DVI

Citas

T.A. Brown, Confirmatory Factor Analysis for Applied Research, The Guilford Press, New York, 2006.

M. Cea, Análisis Multivariable Teoría y Práctica en la Investigación Social, Editorial Síntesis, Madrid, 2002. Doi: 10.5944/empiria.6.2003.941

L.T. Hu, P.M. Bentler, Fit indices in covariance structure modeling: Sensitivity to underparameterized model misspecification, Psychological Methods 3(1998), no. 4, 424–453. Doi: 10.1037/1082-989X.3.4.424

L.T. Hu, P.M. Bentler, Y. Kano, Can test statistics in covariance structure analysis be trusted?, Psychological Bulletin 112(1992), no. 2, 351–362. Doi: 10.1037/0033-2909.112.2.351

K.G. Jöreskog, A general approach to confirmatory maximum likelihood factor analysis, Psychometrika 34(1969), no. 2, 183–202. Doi: 10.1007/BF02289343

D. Kaplan, Structural Equation Modeling: Foundations and Extensions, 2nd. Ed., Sage Publications, Thousand Oaks CA, 2009. Doi: 10.4135/9781452226576

E. Koehler, E. Brown, S.J. Haneuse, On the assessment of Monte Carlo error in simulation-based statistical analyses, The American Statistician 63(2009), no. 2, 155–162. Doi: 10.1198/tast.2009.0030

M. Lai, J. Zhang, Evaluating fit indices for multivariate t-based: Structural equation modeling with data contamination, Frontiers in Psychology 8(2017), 1286–1298. Doi: 10.3389/fpsyg.2017.01286

S.A. Mulaik, Linear Causal Modeling with Structural Equations, Chapman and Hall/CRC, Boca Raton FL, 2009.

S.A. Mulaik, L.R. James, J. Van Alstine, N. Bennett, S. Lind, C.D. Stilwell, Evaluation of goodness-of-fit indices for structural equation models, Psychological Bulletin, 105(1989), 430–445. Doi: 10.1037/0033-2909.105.3.430

J. Pek, R.C. MacCallum, Sensitivity analysis in structural equation models: Cases and their influence, Multivariate Behavioral Research 46(2011), no. 2, 202–228. Doi: 10.1080/00273171.2011.561068

R Development Core Team, R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, 2007. https://www.r-project.org/

L. Rojas-Torres, Construcción y validación del índice de calidad de la gestión en la educación superior mediante el análisis factorial confirmatorio, Tesis de Maestría, Universidad de Costa Rica, 2014.

Y. Rossel, Lavaan: An R package for structural equation modeling, Journal of Statistical Software 48(2012), no. 2, 1–35. Doi: 10.18637/jss.v048.i02

Comentarios

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...