Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Permalink
Mathematics Subject Classification: 62H25.
Ver contenido complete en PDF.
Servicios Personalizados
Revista
Articulo
Indicadores
-
Citado por SciELO -
Accesos
Links relacionados
-
Similares en
SciELO
Compartir
Revista de Matemática Teoría y Aplicaciones
versión impresa ISSN 1409-2433
Rev. Mat vol.27 no.2 San José jul./dic. 2020
http://dx.doi.org/10.15517/rmta.v27i2.33677
Artículo
Robustez de los índices de ajuste del análisis factorial confirmatorio a los valores extremos
Robustness of confirmatory factor analysis fit indices to outliers
1Universidad de Costa Rica, Escuela de Matemática, San José, Costa Rica; luismiguel.rojas@ucr.ac.cr
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.
Palabras clave: valores extremos; análisis factorial confirmatorio; robustez; estudio de simulación; error Monte Carlo.
The goal of this work is to evaluate the robustness of several Confirmatory Factor Analysis fit indices (SRMR, RMSEA, TLI, CFI and GFI) to the precense of outliers. For this purpose, it was planed a simulation study with 3 × 4 × 2 conditions: sample size (100, 200 and 500), outliers percentage (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 simulated from a distribution which fit to a CFA with three factors correlated. Data bases with outliers were created from substitution of observations in baseline data sets. Later, in every data base was estimated a CFA with three factors correlated. It was obtained that all indices with classical cutoffs were robust to outliers with sample sizes of 200 and 500. With 100 observations, it was obtained that fit indexes were robust to outliers, but considering cutoffs adjusted by the factorial structure and the sample size.
Keywords: outliers; confirmatory factor analysis; robustness; simulations study; Monte Carlo error.
Agradecimientos
Se le agradece a la Dra. Eliana Montero-Rojas el apoyo brindado como directora de la tesis de Maestría en Estadística que dio origen al artículo presente.
Referencias
T, A, Brown. Confirmatory Factor Analysis for Applied Research, The Guilford Press, New York, 2006. [ Links ]
M, Cea. Análisis Multivariable Teoría y Práctica en la Investigación Social, Editorial Síntesis, Madrid, 2002. Doi: 10.5944/empiria.6. 2003.941 [ Links ]
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 [ Links ]
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 [ Links ]
K, G, Jöreskog. A general approach to confirmatory maximum likelihood factor analysis, Psychometrika 34(1969), no. 2, 183-202. Doi: 10.1007/ BF02289343 [ Links ]
D, Kaplan. Structural Equation Modeling: Foundations and Extensions, 2nd. Ed., Sage Publications, Thousand Oaks CA, 2009. Doi: 10.4135/ 9781452226576 [ Links ]
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 [ Links ]
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 [ Links ]
S,A,Mulaik.Linear Causal Modeling with Structural Equations, Chapman and Hall/CRC, Boca Raton FL, 2009. [ Links ]
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 [ Links ]
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 [ Links ]
R Development Core Team. R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, 2007. https://www.r-project.org/ [ Links ]
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. [ Links ]
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 [ Links ]
Recibido: 26 de Junio de 2018; Revisado: 27 de Septiembre de 2019; Aprobado: 06 de Febrero de 2020
Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons
