El análisis de las estructuras de factores es una de las aplicaciones psicométricas más críticas. Con frecuencia, se utilizan variables (es decir, elementos o indicadores) resultantes de cuestionarios que usan elementos ordinales con 2–7 categorías. Hay muchos artículos que recomiendan tratar las variables ordinales en un análisis factorial por defecto como ordinal y no tan continuo imponer una suposición de distribución normal multivariada. En este artículo, exhibimos que el razonamiento detrás de tales sugerencias es defectuoso. En nuestra opinión, los resultados de los estudios de simulación no pueden informar sobre la estrategia de modelado correcto de las variables ordinales en el análisis factorial. Además, se argumenta que los modelos de factores ordinales imponen una suposición de normalidad para las variables continuas subyacentes, que a menudo también podrían ser incorrectas en aplicaciones empíricas. Sin embargo, los investigadores rara vez optan por estrategias de modelado más flexibles que involucran distribuciones correctamente especificadas. Finalmente, se discuten las consecuencias de las opciones de modelado de validez, confiabilidad, invariancia de medición, manejo de datos faltantes y la evaluación del ajuste del modelo global.
El análisis de las estructuras de factores es una de las aplicaciones psicométricas más críticas. Con frecuencia, se analizan las variables (es decir, elementos o indicadores) resultantes de cuestionarios. Estas variables a menudo se evalúan con escalas Likert que tienen un número finito de categorías ordenadas. En muchas aplicaciones, el número de categorías rangos entre 2 y 7. Una pregunta a menudo planteada por parte de los investigadores aplicados se trata del enfoque más favorable para el análisis factorial en presencia de variables ordinales. Primero, las variables ordinales podrían tratarse como en el caso de las variables continuas, y se utilizaría el mismo método de estimación. En segundo lugar, se podría ajustar un modelo de factor basado en una suposición de distribución para las variables ordinales (es decir, un modelo de factor ordinal). Existe una diversidad de literatura metodológica que aborda este tema (Dolan, 1994; DiStefano, 2002; Lei, 2009; Flora et al., 2012; Rhemtulla et al., 2012; Sass et al., 2014; Barendse et al., 2015 ; Asún et al., 2016; Li, 2016; Jia y Wu, 2019). El mensaje principal de la mayoría de los documentos parece ser que las variables ordinales deben tratarse como ordinales (es decir, no ser tratadas como variables continuas) si solo hay unas pocas categorías o las distribuciones de frecuencia de las variables están sesgadas (por ejemplo, Rhemtulla et al. ., 2012). En este artículo, se argumenta que tratar las variables ordinales como continuas puede (casi) siempre defenderse, y el argumento para hacerlo no depende de la cantidad de categorías ni de la distribución marginal de las variables ordinales.
El artículo está estructurado de la siguiente manera. En la Sección 2, se contrastan los dos principales enfoques de estimación en competencia y se aclaran sus suposiciones. En la Sección 3, se argumenta que hay muchas opciones para modelar variables ordinales, y la elección del método ordinal que se recomienda por defecto es tan arbitraria como el tratamiento de las variables ordinales como variables continuas. Finalmente, en la Sección 4, se discuten las consecuencias de las elecciones de modelado de validez, confiabilidad, invariancia de medición y la evaluación del ajuste del modelo global.
Suponga que se da un vector de variables ordinales y = (y1,…, yi). Por simplicidad, suponemos que cada variable Yi tiene valores 0, 1,…, K. Sea Pi, K = P (Yi ≤ K) denota las frecuencias acumulativas de la variable i. Si las variables ordinales se trataran como continuas, un modelo de factor lineal
se supone, donde μ son intercepciones, λ es una matriz de carga, F es una variable de factor multidimensional y E denota un vector de residuos. Suponga que e (f) = 0 y e (e) = 0. definamos φ = var (f) y ψ = var (e). Típicamente, ψ es una matriz diagonal. La matriz de covarianza σ = var (y) en el modelo de factor dado en la ecuación (1) se modela como una matriz de covarianza implícita σ0 (θ)
¿Qué tipo de variable es ordinal?
La escala ordinal un poco más informativa. Aquí es posible formar una clasificación. Sin embargo, solo puede hacer declaraciones sobre «más grande» y «más pequeño». Esto significa que las distancias entre las formas no se pueden interpretar.
Este es el caso con las tablas de fútbol, por ejemplo: imagina el primer lugar 25, el segundo 18 y el tercero 17 puntos. Es obvio que el equipo es el mejor en primer lugar, pero solo porque es siete puntos en el segundo lugar, no es siete veces mejor.
Ahora tienes que hacer la tercera y más significativa escala, la escala cardinal. Conozca la escala métrica. Los datos a escala cardinal también se pueden llevar a un orden lógico. Esta vez, sin embargo, las diferencias entre las formas también se pueden interpretar. A diferencia de las otras dos escalas, también puede contar con este tipo de escala. Esto significa que las diferencias y adiciones se pueden formar sin ningún problema.
Una característica especial de la escala de intervalo es que no hay un punto cero predefinido. Definitivamente pensarás en muchos de tus propios ejemplos aquí. La temperatura en ° C, el año de nacimiento o el precio de los productos son solo algunos de ellos.
Finalmente existe la escala de relación. La única diferencia en la escala de intervalo es que esta vez hay un punto cero. Ejemplos de esto serían la velocidad en km/h, peso corporal o temperatura en Kelvin.
¿Qué es ordinal y ejemplos?
Los adjetivos numéricos dan una indicación precisa de la cantidad numérica que se refiere al nombre al que se acompañan.
Los números se distinguen en:
- Adjetivos numerales cardinales: se utilizan para expresar una cantidad numérica precisa, a diferencia de los adjetivos indefinidos. Los adjetivos cardinales son invariables, excepto el número cardinal que tiene la variante femenina y la variante, así como mil que tiene la forma plural. Las frases con el número de adjetivos numerales cardinales son una ardilla que se ha elevado al árbol. / Me pagó mil euros.
Los adjetivos numéricos dan una indicación precisa de la cantidad numérica que se refiere al nombre al que se acompañan. Los adjetivos numéricos cardinales se utilizan para expresar una cantidad numérica precisa, a diferencia de los adjetivos indefinidos.
- Adjetivos numerales cardinales: se utilizan para expresar una cantidad numérica precisa, a diferencia de los adjetivos indefinidos. Los adjetivos cardinales son invariables, excepto el número cardinal que tiene la variante femenina y la variante, así como mil que tiene la forma plural. Las frases con el número de adjetivos numerales cardinales son una ardilla que se ha elevado al árbol. / Me pagó mil euros.
El adjetivo numérico ordinal indica el orden en una sucesión específica. Adjetivos numerales multiplicativos: indique una cantidad que multiplica la unidad por un cierto número de veces. Adjetivo numérico fraccional: indica una parte de una cantidad completa como una tercera, significa un quinto.
Además de los adjetivos numéricos cardinales y ordinales y a los que acabamos de ver que hay otras dos categorías de adjetivos numéricos:
- Adjetivos numerales cardinales: se utilizan para expresar una cantidad numérica precisa, a diferencia de los adjetivos indefinidos. Los adjetivos cardinales son invariables, excepto el número cardinal que tiene la variante femenina y la variante, así como mil que tiene la forma plural. Las frases con el número de adjetivos numerales cardinales son una ardilla que se ha elevado al árbol. / Me pagó mil euros.
¿Qué es la variable cuantitativa ordinal?
La estadística de prueba le dice cuán diferentes o más grupos son de la población general de la población, o cuán diferente es una pendiente lineal de la pendiente predicha por una hipótesis nula. Se utilizan diferentes estadísticas de prueba en diferentes pruebas estadísticas.
La significación estadística es arbitraria: depende del umbral, o valor alfa, elegido por el investigador. El umbral más común es P <0.05, lo que significa que es probable que los datos ocurran menos del 5% del tiempo bajo la hipótesis nula.
Cuando el valor p cae por debajo del valor alfa elegido, entonces decimos que el resultado de la prueba es estadísticamente significativo.
Su elección de la prueba t depende de si está estudiando un grupo o dos grupos y si le importa la dirección de la diferencia en los medios grupales.
Si está estudiando un grupo, use una prueba t pareada para comparar la media del grupo con el tiempo o después de una intervención, o use una prueba t de una muestra para comparar la media del grupo con un valor estándar. Si está estudiando dos grupos, use una prueba t de dos muestras.
Si desea saber solo si existe una diferencia, use una prueba de dos colas. Si desea saber si un grupo de grupo es mayor o menor que el otro, use una prueba de cola de cola izquierda o de cola derecha.
Una prueba t mide la diferencia en las medias grupales divididas por el error estándar agrupado de las dos medias de grupo.
De esta manera, calcula un número (el valor T) que ilustra la magnitud de la diferencia entre los dos medios de grupo que se comparan, y estima la probabilidad de que esta diferencia exista puramente por casualidad (valor p).
¿Qué son variables cualitativas ordinales y nominales?
Mire nuevamente las variables (columnas) y los valores (entradas individuales en cada columna) en la Tabla 2.1. Si se le pidiera que resumiera estos datos, ¿cómo lo haría?
Primero, observe que para ciertas variables, los valores son numéricos; Para otros, los valores son descriptivos. El tipo de valores influye en la forma en que se pueden resumir las variables. Las variables se pueden clasificar en uno de los cuatro tipos, dependiendo del tipo de escala utilizada para caracterizar sus valores (Tabla 2.2).
- Una variable a escala nominal es aquel cuyos valores son categorías sin ninguna clasificación numérica, como el condado de residencia. En epidemiología, las variables nominales con solo dos categorías son muy comunes: vivas o muertas, enfermas o bien, vacunadas o no vacunadas, o comieron o no la ensalada de papa. Una variable nominal con dos categorías mutuamente excluyentes se llama variable dicotómica.
- Una variable a escala ordinal tiene valores que se pueden clasificar pero que no están necesariamente espaciados uniformemente, como la etapa del cáncer (ver Tabla 2.3).
- Una variable a escala de intervalo se mide en una escala de unidades igualmente espaciadas, pero sin un verdadero punto cero, como la fecha de nacimiento.
- Una variable a escala de relación es una variable de intervalo con un verdadero punto cero, como la altura en centímetros o la duración de la enfermedad.
Las variables a escala nominal y ordinal se consideran variables cualitativas o categóricas, mientras que las variables a escala de intervalos y de relación se consideran variables cuantitativas o continuas. A veces, la misma variable se puede medir utilizando una escala nominal y una escala de relación. Por ejemplo, las pruebas cutáneas de tuberculina de un grupo de personas potencialmente expuestas a un compañero de trabajo con tuberculosis pueden medirse como «positivas» o «negativas» (escala nominal) o en milímetros de induración (escala de relación).
Artículos Relacionados:
