Robustez de los índices de ajuste del análisis factorial confirmatorio a los valores extremos

• Autores: Luis Rojas Torres
• Localización: Revista de Matemática: Teoría y Aplicaciones, ISSN 2215-3373, ISSN-e 2215-3373, Vol. 27, Nº. 2, 2020, págs. 383-404
• Idioma: español
• DOI: 10.15517/RMTA.V27I2.33677
• Títulos paralelos:
  • Robustness of confirmatory factoranalysis fit indices to outliers
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    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.

  • English

    The goal of this work is to evaluate the robustness of several Confirm-atory Factor Analysis fit indices (SRMR, RMSEA, TLI, CFI and GFI) tothe precense of outliers. For this purpose, it was planed a simulation studywith3×4×2conditions: sample size (100, 200 and 500), outliers per-centage (0%, 1%, 5% and 10%) and number of variables with outliers(1 and 2). The baseline data sets (0% of outliers) by sample size were sim-ulated from a distribution which fit to a CFA with three factors correlated.Data bases with outliers were created from substitution of observations inbaseline data sets. Later, in every data base was estimated a CFA withthree factors correlated. It was obtained that all indices with classical cut-offs were robust to outliers with sample sizes of 200 and 500. With 100observations, it was obtained that fit indexes were robust to outliers, butconsidering cutoffs adjusted by the factorial structure and the sample size.

• Referencias bibliográficas
  • [1] T.A. Brown, Confirmatory Factor Analysis for Applied Research, The Guilford Press, New York, 2006.
  • [2] M. Cea, Análisis Multivariable Teoría y Práctica en la Investigación Social, Editorial Síntesis, Madrid, 2002. Doi: 10.5944/empiria.6.2003.941
  • [3] L.T. Hu, P.M. Bentler, Fit indices in covariance structure modeling: Sensitivity to underparameterized model misspecification, Psychological...
  • [4] L.T. Hu, P.M. Bentler, Y. Kano, Can test statistics in covariance structure analysis be trusted?, Psychological Bulletin 112(1992), no....
  • [5] K.G. Jöreskog, A general approach to confirmatory maximum likelihood factor analysis, Psychometrika 34(1969), no. 2, 183–202. Doi: 10.1007/BF02289343
  • [6] D. Kaplan, Structural Equation Modeling: Foundations and Extensions, 2nd. Ed., Sage Publications, Thousand Oaks CA, 2009. Doi: 10.4135/9781452226576
  • [7] E. Koehler, E. Brown, S.J. Haneuse, On the assessment of Monte Carlo error in simulation-based statistical analyses, The American Statistician...
  • [8] M. Lai, J. Zhang, Evaluating fit indices for multivariate t-based: Structural equation modeling with data contamination, Frontiers in...
  • [9] S.A. Mulaik, Linear Causal Modeling with Structural Equations, Chapman and Hall/CRC, Boca Raton FL, 2009.
  • [10] 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...
  • [11] J. Pek, R.C. MacCallum, Sensitivity analysis in structural equation models: Cases and their influence, Multivariate Behavioral Research...
  • [12] R Development Core Team, R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, 2007....
  • [13] L. Rojas-Torres, Construcción y validación del índice de calidad de la gestión en la educación superior mediante el análisis factorial...
  • [14] 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