Uso de la prueba Chi-cuadrado del modelo de independencia como fuente de evidencia empírica en Análisis Factorial Confirmatorio

Resumen

La aplicación de puntos de corte en los valores de las cargas factoriales estimados para seleccionar/eliminar variables observables cuando se utiliza Análisis Factorial (AF) y Modelos de Ecuaciones Estructurales (SEM) es una cuestión sin resolver. Si bien existen varias recomendaciones, no existe acuerdo sobre cuáles deben ser estos valores de corte, estando fuertemente condicionados por el alcance y los objetivos de cada contexto de investigación. Algunos autores recomiendan utilizar valores de corte de 0,7 frente a otros que recomiendan valores de 0,3 como cargas factoriales salientes. Desde un punto de vista teórico, la exclusión arbitraria de variables observables puede derivar en la infrarrepresentación del constructo evaluado. Esta situación es más problemática cuando un determinado factor está representado por distintas variables observables con cargas bajas, lo que produce factores que acumulan una cantidad limitada o nula de varianza común. La revisión de las prácticas de publicación ha mostrado que buena parte de los análisis realizados en investigación aplicada se han desarrollado en condiciones pobres o subóptimas. Por lo tanto, es razonable considerar que el problema no tiene que centrarse necesariamente en el constructo hipotético, sino en la evaluación de la sensibilidad de la técnica estadística. En el presente trabajo se han simulado estructuras unifactoriales a partir de variables observables con cargas bajas en la población bajo ciertas condiciones. En primer lugar, cada factor simulado se analizó mediante Análisis Factorial Confirmatorio (AFC). En segundo lugar, se evaluó la sensibilidad de la técnica para detectar factores que son verdaderos en la población mediante la prueba Chi-cuadrado del modelo de independencia, bajo la hipótesis nula de que la matriz de varianzas-covarianzas es diagonal (es decir, que todas las variables observables que dependen de un mismo factor no están correlacionadas). Se ha elaborado un estudio Monte Carlo (496 condiciones, 1.000 réplicas por condición), asumiendo que cada modelo unifactorial simulado es un clúster independiente, formado por diferentes magnitudes de carga factorial en la población (0,2, 0,3, 0,4), número de variables observables por factor (n = 4, 5, 6, 7, 15), tamaño muestral (N = 200, 300, 400, 500), tipo de datos (continuos, ordinales y dicotómicos), tipo de distribución (simétrica, asimétrica, uniforme), y utilizando cinco métodos de estimación diferentes (ML, ULS, RDWLS, RML y RULS). Los resultados muestran que la capacidad del AFC para detectar factores verdaderos en la población que presentan cargas bajas requiere de condiciones más exigentes que las que muestra la práctica convencional, especialmente ante la existencia de asimetría y con datos dicotómicos. Cuando se rechaza la hipótesis nula del modelo de independencia se observan discrepancias más pequeñas entre los parámetros estimados y los simulados, encontrando que ECVI, AIC y CAIC funcionan como índices de aproximación más eficaces que los que se utilizan en la práctica habitual como RMSEA, SRMR, NNFI o CFI.