Comparación de los métodos de estimación de máxima verosimilitud y mínimos cuadrados no ponderados en el análisis factorial confirmatorio mediante simulación Monte Carlo

• Autores: Carmen Ximénez Gómez, Ana G. García
• Localización: Psicothema, ISSN-e 1886-144X, ISSN 0214-9915, Vol. 17, Nº. 3, 2005, págs. 528-535
• Idioma: español
• Enlaces
  • Texto completo
• Dialnet Métricas: 22 Citas
• Resumen

  • En este artículo se investiga la recuperación de factores débiles en el contexto del análisis factorial confirmatorio. La investigación previa se limita al caso del análisis factorial exploratorio. El estudio se realiza mediante simulación Monte Carlo con las siguientes condiciones: comparación entre los métodos de estimación de máxima verosimilitud (ML) y mínimos cuadrados no ponderados (ULS), tamaño muestral (100, 300, 500, 1.000 y 2.000) y nivel de debilidad del factor (saturaciones de 0.25, 0.40 y 0.50). Los resultados indican que con tamaños muestrales pequeños el método ULS recupera el factor débil en muchos de los casos en que ML falla. Esta ventaja está relacionada con la ocurrencia de casos Heywood. Asimismo, la recuperación del factor débil mejora a medida que el nivel de debilidad es menor y que el modelo incluye mayor número de factores.

• Referencias bibliográficas
  • Anderson, J.C. y Gerbing, D.W. (1984). The effect of sampling error on convergence, improper solutions and goodness of fit indices for maximum...
  • Bollen, K.A. (1989). Structural equations with latent variables. New York: Wiley.
  • Briggs, N.E. y MacCallum, R.C. (2003). Recovery of weak common factors by maximum likelihood and ordinary least squares estimation. Multivariate...
  • Browne, M.W. (1984). Asymptotically distribution-free methods in the analysis of covariance structures. British Journal of Mathematical and...
  • Burt, C. (1949). Factor analysis and canonical correlations. British Journal of Statistical Psychology, 1, 95-106.
  • Hernández, A. y González-Romá, V. (2003). Evaluating the multiple-group mean and covariance structure analysis model for the detection of...
  • Jöreskog, K.G. y Sörbom, D. (1996a). PRELIS 2: User’s reference guide. Scientific Software International. 3rd edition. Chicago, IL.
  • Jöreskog, K.G. y Sörbom, D. (1996b). LISREL 8: User’s reference guide. Scientific Software International. 2nd edition. Lincolnwood, IL.
  • Levine, M.S. (1977). Canonical correlation analysis and factor comparison techniques. Sage, Beverly Hills.
  • MacCallum, R.C. y Tucker, L.R. (1991). Representing sources of error in the common factor model: implications for theory and practice. Psychological...
  • MacCallum, R.C., Widaman, K.F., Zhang, S. y Hong, S. (1999). Sample size in factor analysis. Psychological Methods, 4, 84-99.
  • Olea, J., Abad, F.J., Ponsoda, V. y Ximénez, M.C. (2004). Un test adaptativo informatizado para evaluar el conocimiento del inglés escrito:...
  • Olsson, U.H., Troye, S.V. y Howell, R.D. (1999). Theoretical fit and empirical fit: the performance of maximum likelihood versus generalized...
  • Revuelta, J. y Ponsoda, V. (2003). Simulación de modelos estadísticos en las ciencias sociales. Madrid: La Muralla.
  • Skrondal, A. (2000). Design and analysis of Monte Carlo experiments: attacking the conventional wisdom. Multivariate Behavioral Research,...
  • Tucker, L.R. (1951). A method for synthesis of factor analysis studies. Personnel Research Section Report, 984. Washington, D. C.: Department...
  • Tucker, L.R. y Lewis, C. (1973). A reliability coefficient for maximum likelihood factor analysis. Psychometrika, 38, 1-10.