La presente tesis doctoral evaluó el impacto de las características de los modelos de medida en la precisión de las estimaciones de modelos no lineales de variable latente. Para lograr este objetivo, se desarrollaron cuatro estudios Monte Carlo. El primer estudio evaluó el desempeño del extended unconstrained approach EXUC y el método latent moderated structural equation modeling LMS, en situaciones en las cuales los modelos de ecuaciones estructurales (SEM) estaban compuestos de efectos lineales, de interacción y cuadráticos analizados simultáneamente; y se investigó las limitaciones de los procedimientos respecto al uso de indicadores paralelos y congenéricos, un número relativamente grande de indicadores y, cargas factoriales relativamente bajas. El segundo estudio analizó la relevancia de evaluar conjuntamente efectos de interacción y cuadráticos como `modelo basal¿ al utilizar el método LMS para ajustar modelos SEM no lineales y evaluó las consecuencias empíricas de la especificación del modelo de estructura (i.e., correcta especificación, incorrecta especificación, subespecificación y sobreespecificación) en situaciones en las cuales varió la fiabilidad compuesta de los factores y el tamaño muestral. El tercer estudio evaluó las consecuencias para la estimación de parámetros y las tasas de error Tipo I de utilizar ítems ¿en lugar de indicadores continuos¿ de cinco alternativas de respuesta tratados como variables continuas y, las consecuencias de usar parcelas de ítems como indicadores continuos de los modelos de medida de los factores usados para ajustar modelos SEM con el método LMS. El cuarto estudio buscó explicar cómo opera una nueva versión del método LMS adaptada a indicadores categóricos LMS-Cat y cómo puede ser implementada en Mplus; adicionalmente, se evaluó el error Tipo I y la potencia de LMS-Cat para estimar modelos con un único efecto de interacción y modelos con efectos de interacción y cuadráticos simultáneos.
Los resultados revelaron que: a El método LMS fue la mejor opción para ajustar modelos SEM no lineales cuando los factores exógenos provenían de una distribución normal y sus ventajas comparativas eran más prominentes cuando las cargas factoriales eran relativamente bajas y los indicadores eran congenéricos. EXUC fue una opción adecuada para ajustar el modelo sólo cuando los indicadores eran paralelos y tenían cargas factoriales altas. b Cuando los factores exógenos están correlacionados, utilizar un modelo de estructura mal especificado para el análisis de datos podría generar parámetros estimados espurios o sobreestimados y tasas de error Tipo I aumentadas, por lo tanto, cuando se realiza una investigación para buscar un efecto de interacción o un efecto cuadrático entre variables latentes, se deben testear simultáneamente efectos de interacción y cuadráticos en el modelo de estructura, aunque para ello se requieren altas fiabilidades compuestas de los factores y grandes tamaños muestrales. c Tratar a los ítems categóricos como indicadores continuos en los modelos de medida de las variables latentes usadas para analizar relaciones no lineales entre ellas, podría generar sesgos importantes en la estimación de parámetros y tasas de error Tipo I aumentadas, especialmente cuando los ítems son asimétricos; estos problemas no son posibles de superar al utilizar parcelas de ítems. d Usar el método LMS-Cat permite obtener estimaciones de parámetros insesgados y tasas de error Tipo I y potencia aceptables cuando se ajustan modelos no lineales con efectos de interacción o modelos que incluyen efectos de interacción y cuadráticos testeados simultáneamente, incluso cuando los ítems son asimétricos.
Los resultados son discutidos de acuerdo a la literatura previa en modelos SEM no lineales y proveen recomendaciones prácticas para la investigación aplicada.
Adicionalmente, se discuten las limitaciones de los estudios realizados en el contexto de esta tesis y se proponen futuras líneas de investigación.
Current doctoral dissertation assessed the impact of measurement model characteristics in the accuracy of nonlinear latent variable model estimates. In order to fulfill this goal, four Monte Carlo studies were conducted. The first study assessed the performance of the extended unconstrained approach (EXUC) and the latent moderated structural equation modeling (LMS) method, in situations where structural equation models (SEM) are comprised by linear, quadratic and interaction terms tested simultaneously, and we investigated the limitations of both procedures with regard to using parallel and congeneric indicators, a relatively large number of indicators and relatively low factor loadings. The second study analyzed the relevance of assessing interaction and quadratic effects as a base-line model when using the LMS method to fit a nonlinear SEM model and assessed the empirical consequences of structural model specification (i.e., correct specification, incorrect specification, underspecification and overespecification) in situations where sample size and composite factor reliability varied across conditions. The third study assessed the consequences for nonlinear model parameter estimates and Type I error rates of using items –instead of continuous indicators– comprised of five-response alternatives treated as continuous variables and the consequences of using item-parcels as continuous indicators of the measurement models used to fit nonlinear SEM models by using the LMS method. The fourth study aimed to explain how a new version of the LMS method adapted to categorical items (LMS-Cat) operates and how it can be implemented in Mplus; in addition, we assessed Type I error rates and power when using LMS-Cat to estimate models with a single interaction effect and models with interaction and quadratic effects tested simultaneously...
© 2001-2024 Fundación Dialnet · Todos los derechos reservados