Simplificación del gradiente de la función de máxima verosimilitud del análisis factorial confirmatorio

• Autores: Luis Rojas Torres
• Localización: Revista de Matemática: Teoría y Aplicaciones, ISSN 2215-3373, ISSN-e 2215-3373, Vol. 23, Nº. 2, 2016, págs. 475-488
• Idioma: español
• DOI: 10.15517/rmta.v23i2.25283
• Títulos paralelos:
  • Simplification to the maximum likelihood function in confirmatory factor analysis
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En este artículo se presenta el proceso de simplificación del gradiente de la función de máxima verosimilitud, utilizada en la estimación del Análisis Factorial Confirmatorio. El gradiente obtenido se presenta en función de las matrices tradicionales del AFC: Λ, Φ y Θε (coeficientes de regresión, varianzas de las variables latentes y varianzas de los errores). Esta simplificación se realizó mediante las leyes de derivación de matrices y permitió obtener una expresión para el gradiente de fácil programación.

  • English

    This paper present the process of simplification of the function maximum likelihood gradient, used in the estimation of confirmatory factor analysis. The gradient obtained is presented infunction of CFA tradition al matrix: Λ, Φ y Θε (regression coefficients, variances of latent variables and error variances). This simplification was performed using matrices derivation laws and yielded an expression for the gradient easy for programing.

• Referencias bibliográficas
  • Bock, R.D.; Bargmann, R.E. (1966) “Analysis of covariance structures”, Psychometrika 31(4): 507–534.
  • Brown (2006) Confirmatory Factor Analysis for Applied Research. The Guilford Press, New York.
  • Cea, M.A. (2002) Análisis Multivariable: Teoría y Práctica en la Investigación Social. Editorial Síntesis, Madrid.
  • Jöreskog, K.G.; Sörbom, D.; du Toit, S.; du Toit, M. (2000) LISREL 8: New Statistical Features. Scietific Software International, Lincolnwood...
  • Kaplan, D. (2009) Structural Equation Modeling. Foundations and Extensions. Sage Publications, Thousand Oaks CA.
  • Mulaik, S.A. (2009) Linear Causal Modeling with Structural Equations. Chapman & Hall/CRC, Boca Raton FL.
  • R Core Team (2014) “R: A language and environment for statistical computing. R Foundation for Statistical Computing”, Vienna, Austria. http://www.R-project.org/
  • Rossell, Y. (2012) “lavaan: An R package for structural equation modeling”, Journal of Statistical Software 48(2): 1–36.