Reconstrucción y consistencia factorial: la regla del codo aplicada al RMSEA, análisis paralelo y otras pruebas confirmatorias
DOI:
https://doi.org/10.46661/revmetodoscuanteconempresa.5464Palabras clave:
análisis multivariante, análisis factorial exploratorio, máxima-verosimilitud, comparación de estructuras factoriales, gráfico de sedimentaciónResumen
La comparación de encuestas presenta problemas metodológicos recurrentes, dentro de los que destacan particularmente: i) las dificultades asociadas a la falta de continuidad, bien por el añadido de nuevas preguntas o por la eliminación de otras; ii) las dificultades propias en la selección de las variables a comparar; iii) la necesidad de recodificación entre cuestionarios no coincidentes, y iv) la discrecionalidad en las unidades de medida de las variables. Así, para la investigación en métodos cuantitativos se precisan procedimientos que permitan recuperar la estructura factorial, realizar comparaciones entre variables y recodificar las unidades de medida y en la escala, todo ello en distintos periodos. Para evaluar en qué medida se mantiene la estructura factorial, en el presente artículo se proponen medidas de bondad del ajuste y contrastes propios del análisis factorial confirmatorio, a lo que se añade una aplicación novedosa del principio de parsimonia a los estadísticos RMSEA, FIT y BIC, a través de la conocida regla del codo en el gráfico de sedimentación. La propuesta metodológica se valida a través de dos publicaciones del Centro de Investigaciones Sociológicas (CIS) de distintos años y centradas en el fenómeno del fraude fiscal.
Descargas
Citas
Arsham, H., & Lovric, M. (2011). Bartlett,s Test. In International Encyclopedia of Statistical Science (Issue March, pp. 87-88). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-04898-2_132
Bandalos, D. L., & Finney, S.J. (2014). The Reviewer,s Guide to Quantitative Methods in the Social Sciences. In G. R. Hancock & R. O. Mueller (Eds.), The Reviewer,s Guide to Quantitative Methods in the Social Sciences (pp. 93-114). Routledge. https://doi.org/10.4324/9780203861554
Bartlett, M.S. (1951). A further note on tests of significance in factor analysis. British Journal of Statistical Psychology, 4(1), 1-2. https://doi.org/10.1111/j.2044-8317.1951.tb00299.x
Bjelland, I., Dahl, A.A., Haug, T.T., & Neckelmann, D. (2002). The validity of the Hospital Anxiety and Depression Scale. Journal of Psychosomatic Research, 52(2), 69-77. https://doi.org/10.1016/S0022-3999(01)00296-3
Bollen, K.A. (1989). Structural Equations with Latent Variables. John Wiley & Sons.
Cerny, B.A., & Kaiser, H.F. (1977). A Study Of A Measure Of Sampling Adequacy For Factor-Analytic Correlation Matrices. Multivariate Behavioral Research, 12(1), 43-47. https://doi.org/10.1207/s15327906mbr1201_3
CIS (Centro de Invetigaciones Sociológicas) (2011a). 2910| Opinión Pública y Política Fiscal (XXVIII). Catálogo de Encuestas.
CIS (2011b). Ficha Técnica 2910| Opinión Pública y Política Fiscal (XXVIII). http://www.cis.es/cis/export/sites/default/-Archivos/Marginales/2900_2919/2910/Ft2910.pdf
CIS (2020). Cuestionario del Estudio: Opinión Pública y Política Fiscal XXXVI SEP 19. http://www.cis.es/cis/export/sites/default/-Archivos/Marginales/3240_3259/3259/cues3259.pdf
CIS (2019a). Estudio No 3259 Opinión Pública y Política Fiscal (XXXVI). http://www.cis.es/cis/opencm/ES/1_encuestas/estudios/ver.jsp?estudio=14464
CIS (2019b). Ficha Técnica Estudio CIS 3259 (pp. 1-2). CIS. http://www.cis.es/cis/export/sites/default/-Archivos/Marginales/3240_3259/3259/FT3259.pdf
Clark, D.A., & Bowles, R.P. (2018). Model Fit and Item Factor Analysis: Overfactoring, Underfactoring, and a Program to Guide Interpretation. Multivariate Behavioral Research, 53(4), 544-558. https://doi.org/10.1080/00273171.2018.1461058
Conway, J.M., & Huffcutt, A.I. (2003). A Review and Evaluation of Exploratory Factor Analysis Practices in Organizational Research. Organizational Research Methods, 6(2), 147-168. https://doi.org/10.1177/1094428103251541
Erdfelder, E., FAul, F., Buchner, A., & Lang, A.G. (2009). Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behavior Research Methods, 41(4), 1149-1160. https://doi.org/10.3758/BRM.41.4.1149
Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272-299. https://doi.org/10.1037/1082-989X.4.3.272
Faul, F., Erdfelder, E., Lang, A.G., & Buchner, A. (2007). G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behavior Research Methods, 39(2), 175-191. https://doi.org/10.3758/BF03193146
Fernández, R., & Cao, R. (2020). Simulación Estadística. Universidad de la Coruña. https://rubenfcasal.github.io/simbook/Simulacion.pdf
Ferrando, P.J., & Anguiano-Carrasco, C. (2010). El análisis factorial como técnica de investigación en psicología. Papeles del Psicólogo, 31(1), 18-33.
Gao, S., Mokhtarian, P.L., & Johnston, R.A. (2008). Nonnormality of data in structural equation models. Transportation Research Record, 2082, 116-124. https://doi.org/10.3141/2082-14
Hofmann, R.J. (1978). Complexity and Simplicity as Objective Indices Descriptive ff Factor Solutions. Multivariate Behavioral Research, 13(2), 247-250. https://doi.org/10.1207/s15327906mbr1302_9
Hogarty, K.Y., Hines, C.V., Kromrey, J.D., Ferron, J.M., & Mumford, K.R. (2005). The Quality of Factor Solutions in Exploratory Factor Analysis: The Influence of Sample Size, Communality, and Overdetermination. Educational and Psychological Measurement, 65(2), 202-226. https://doi.org/10.1177/0013164404267287
Horn, J.L. (1965). A rationale and test for the number of factors in factor analysis. Psychometrika, 30(2), 179-185. https://doi.org/10.1007/BF02289447
Ibar, R. (2014). Nueva Metodología de recogida de información para su tratamiento a través del análisis multivariante y los modelos de ecuaciones estructurales. Aplicación en el ámbito universitario. CEU San Pablo.
IBM Corp. (2017). IBM SPSS Statistics for Windows, Version 25.0. IBM Corp.
Jefatura del Estado. (2003). Legislación Consolidada Ley 58/2003, de 17 de diciembre, General Tributaria. BOE, 302, 1-168.
Jombart, T., Devillard, S., & Balloux, F. (2010). Discriminant analysis of principal components: a new method for the analysis of genetically structured populations. BMC Genetics, 11(1), 94. https://doi.org/10.1186/1471-2156-11-94
Jones, D.H. (1994). Book Review: Statistical Methods, 8th Edition George W. Snedecor and William G. Cochran Ames: Iowa State University Press, 1989. xix + 491 pp. Journal of Educational Statistics, 19(3), 304-307. https://doi.org/10.3102/10769986019003304
Kaiser, H.F. (1958). The varimax criterion for analytic rotation in factor analysis. Psychometrika, 23(3), 187-200. https://doi.org/10.1007/BF02289233
Kaiser, H.F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31-36. https://doi.org/10.1007/BF02291575
Kassambara, A. (2019). ggcorrplot: Visualization of a Correlation Matrix using “ggplot2.”
Kaufman, J.D., & Dunlap, W.P. (2000). Determining the number of factors to retain: A Windows-based FORTRAN-IMSL program for parallel analysis. Behavior Research Methods, Instruments, and Computers, 32(3), 389-394. https://doi.org/10.3758/bf03200806
Lawley, R.D., & Maxwell, A.E. (1971). Factor analysis as a statistical method (2a Edición). Butterworths.
Likert, R. (1932). A technique for the measurement of attitudes [Thesis]. In R. S. Woodworth (Ed.), Archives of Psychology (Vol. 22, Issue 140). The Science Press.
Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). El análisis factorial exploratorio de los ítems: Una guía práctica, revisada y actualizada. Anales de Psicologia, 30(3), 1151-1169. https://doi.org/10.6018/analesps.30.3.199361
Lorenzo-Seva, U., Timmerman, M.E., & Kiers, H.A.L. (2011). The Hull Method for Selecting the Number of Common Factors. Multivariate Behavioral Research, 46(2), 340-364. https://doi.org/10.1080/00273171.2011.564527
Mandelbrot, B. (1961). Contributions to Probability and Statistics: Essays in Honor of Harold Hotelling (Ingram Olkin, Sudhist G. Ghurye, Wassily Hoeffding, William G. Madow, and Henry B. Mann, eds.). In SIAM Review (Vol. 3, Issue 1). https://doi.org/10.1137/1003016
Marais, I., & Andrich, D. (2007). RUMMss. Rasch Unidimensional Measurement Models Simulation Studies Software, Version 2.0 (2nd ed.). The University of Western Australia.
Martín-Pliego, F.J. (2011). Introducción a la Estadística Económica y Empresarial. Paraninfo.
Microsoft Corporation. (2020). Microsoft Excel.
Muthen, B., & Kaplan, D. (1992). A comparison of some methodologies for the factor analysis of non-normal Likert variables: A note on the size of the model. British Journal of Mathematical and Statistical Psychology, 45(1), 19-30. https://doi.org/10.1111/j.2044-8317.1992.tb00975.x
O'Connor, B.P. (2000). SPSS and SAS programs for determining the number of components using parallel analysis and Velicer,s MAP test. Behavior Research Methods, Instruments, and Computers, 32(3), 396-402. https://doi.org/10.3758/bf03200807
O'Connor, B.P. (2020). EFA.dimensions: Exploratory Factor Analysis Functions for Assessing Dimensionality.
Peña, D. (2002). Análisis de Datos Multivariantes. McGraw-Hill.
Pettersson, E., & Turkheimer, E. (2010). Item selection, evaluation, and simple structure in personality data. Journal of Research in Personality, 44(4), 407-420. https://doi.org/10.1016/j.jrp.2010.03.002
Price, L.R. (2014). Investigating Perfect Model Fit in Higher-Order Confirmatory Factor Analysis through Exploratory / Confirmatory and Bayesian Approaches HCFA 1 Investigating Perfect Model Fit in Higher-Order Confirmatory Factor Analysis through Exploratory / Confirmatory. May.
R Core Team. (2013). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing.
Rahmer, B.D.J., Garzón Saénz, H., & Solana, J. (2020). Análisis comparativo de indicadores de capacidad multivariante. El caso del clúster manufacturero cartagenero Comparative analysis of multivariate capacity indicators. The case of the Cartagena manufacturing cluster. Revista de Métodos Cuantitativos para la Economía y la Empresa, 29, 172-189.
Revelle, W. (2020). psych: Procedures for Psychological, Psychometric, and Personality Research.
Revelle, W., & Rocklin, T. (1979). Very Simple Structure: An Alternative Procedure For Estimating The Optimal Number Of Interpretable Factors. Multivariate Behavioral Research, 14(4), 403-414. https://doi.org/10.1207/s15327906mbr1404_2
Rstudio Team (2020). RStudio: Integrated Development for R. Rstudio,PBC. http://www.rstudio.com
Shapiro, S.S., & Wilk, M.B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3-4), 591-611. https://doi.org/10.1093/biomet/52.3-4.591
Sharma, S. (1996). Applied Multivariate Techniques. John Wiley and Sons Inc.
Smith, E.P. (1997). Methods of multivariate analysis. In Journal of Statistical Planning and Inference (Vol. 59, Issue 1). https://doi.org/10.1016/S0378-3758(96)00098-5
Smith, R.M., Schumacker, R.E., & Bush, M.J. (1998). Using item mean squares to evaluate fit to the Rasch model. Journal of Outcome Measurement, 2(1), 66-78.
Spearman, C. (1927). The Abilities of Man their Nature and Measurement. Nature, 120(3014), 181-183. https://doi.org/10.1038/120181a0
Stegmann, M.B., Sjöstrand, K., & Larsen, R. (2006). Sparse modeling of landmark and texture variability using the orthomax criterion. Medical Imaging 2006: Image Processing, 6144, 61441G. https://doi.org/10.1117/12.651293
Steiger, J.H. and Lind, J. (1980). Statistically-based tests for the number of common factors. Paper Presented at the Annual Spring Meeting of the Psychometric Society.
Tennant, A., & Pallant, J. F. (2012). The Root Mean Square Error of Approximation (RMSEA) as a supplementary statistic to determine fit to the Rasch model with large sample sizes. Rasch Measurement Transactions, 25(4), 1348-1349. https://www.rasch.org/rmt/rmt254d.htm
Thurstone, L.L. (1947). Multiple-factor Analysis. The University of Chicago Press.
Velicer, W.F. (1976). Determining the number of components from the matrix of partial correlations. Psychometrika, 41(3), 321-327. https://doi.org/10.1007/BF02293557
Welch, B.L. (1947). The Generalization of Student's, Problem when Several Different Population Variances are Involved. Biometrika, 34(1/2), 28. https://doi.org/10.2307/2332510
Welch, B.L. (1938). The significance of the difference between two means when the population variances are unequal. Biometrika, 29(3-4), 350-362. https://doi.org/10.1093/biomet/29.3-4.350
West, S.G., Finch, J.F., & Curran, P.J. (1995). Structural Equation Models with Non Normal Variables: Problems and remedies. In R. H. Hoyle (Ed.), Structural Equation Modeling: Concepts, Issues, and Applications (pp. 56-75). Sage Publications.
Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis (New York). Springer-Verlag New York. https://ggplot2.tidyverse.org
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
El envío de un manuscrito a la Revista supone que el trabajo no ha sido publicado anteriormente (excepto en la forma de un abstract o como parte de una tesis), que no está bajo consideración para su publicación en ninguna otra revista o editorial y que, en caso de aceptación, los autores están conforme con la transferencia automática del copyright a la Revista para su publicación y difusión. Los autores retendrán los derechos de autor para usar y compartir su artículo con un uso personal, institucional o con fines docentes; igualmente retiene los derechos de patente, de marca registrada (en caso de que sean aplicables) o derechos morales de autor (incluyendo los datos de investigación).
Los artículos publicados en la Revista están sujetos a la licencia Creative Commons CC-BY-SA de tipo Reconocimiento-CompartirIgual. Se permite el uso comercial de la obra, reconociendo su autoría, y de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.
Hasta el volumen 21 se ha estado empleando la versión de licencia CC-BY-SA 3.0 ES y se ha comenzado a usar la versión CC-BY-SA 4.0 desde el volumen 22.
