9 Sesgo de Aquiescencia
Los cuestionarios suelen asumir que las personas seleccionan una categoría de respuesta porque es la que mejor representa el contenido del ítem. En la práctica, algunas personas también difieren en su tendencia a estar de acuerdo con afirmaciones independientemente de lo que estas digan. Este estilo de respuesta se denomina aquiescencia (Cronbach, 1942; Robinson et al., 1991).
Por tanto, la aquiescencia no es simplemente «responder alto» ni responder de forma extrema. Es una tendencia direccional hacia el acuerdo que puede operar en ítems con contenidos sustantivos diferentes.
Este capítulo aborda la aquiescencia desde tres perspectivas:
- ¿Qué es la aquiescencia? — un estilo de respuesta con componentes tanto estables como situacionales.
- ¿Por qué es difícil controlarla? — los ítems codificados en sentido inverso pueden revelar aquiescencia, pero también introducir efectos de redacción y comprensión.
- ¿Cómo puede modelarse? — modelos factoriales de sesgo de respuesta, CFA con intercepto aleatorio y EGA con intercepto aleatorio.
La sección final implementa estos enfoques en R.
9.1 ¿Cómo Se Manifiesta la Aquiescencia?
Cronbach (1942) observó que las personas diferían en la frecuencia con la que seleccionaban la respuesta afirmativa en tests de verdadero–falso. La misma lógica se extiende a los cuestionarios modernos tipo Likert: una persona aquiescente tiene una mayor tendencia a aceptar afirmaciones con independencia de su polaridad sustantiva.
Considere un cuestionario simplificado de Extraversión:
| Ítem | Totalmente en desacuerdo | Parcialmente en desacuerdo | Parcialmente de acuerdo | Totalmente de acuerdo |
|---|---|---|---|---|
| Soy una persona comunicativa | 1 | 2 | 3 | 4 |
| Me gusta interactuar con otras personas | 1 | 2 | 3 | 4 |
| No me siento con energía después de grandes interacciones sociales | 1 | 2 | 3 | 4 |
El patrón importante no es que la persona elija categorías extremas. La tercera respuesta es sustantivamente inconsistente con las dos primeras una vez que se tiene en cuenta la polaridad de los ítems, pero la persona sigue aceptando la afirmación. Esto ilustra por qué una codificación equilibrada puede aportar información sobre aquiescencia.
Una persona con estilo extremo tiende a elegir extremos como 1 o 5. Una persona aquiescente tiende a elegir el lado de acuerdo de la escala. Es posible mostrar uno de estos estilos de respuesta sin mostrar el otro.
9.2 ¿Es la Aquiescencia un Rasgo o un Estado?
La aquiescencia se asocia con características individuales y contextuales. Los estudios han informado relaciones con la edad, la educación, características cognitivas y el contexto cultural (Chen et al., 1995; Hinz et al., 2007; Soto et al., 2008). Los estudios con gemelos también sugieren que la aquiescencia no puede reducirse a una simple diferencia individual heredada (Kam et al., 2013).
Al mismo tiempo, una parte de la aquiescencia parece mantenerse estable entre ocasiones de medición (Billiet & Davidov, 2008). Los análisis de estado–rasgo latente indican que contiene tanto un componente relativamente estable como variación específica de la ocasión (Danner et al., 2015).
Una interpretación útil es, por tanto:
| Componente | Ejemplos |
|---|---|
| Semejante a rasgo | Hábitos estables de respuesta, estilo cognitivo, características duraderas de la persona |
| Semejante a estado | Fatiga, motivación, contexto de entrevista, atención momentánea |
| Relacionado con el instrumento | Redacción de los ítems, etiquetas de respuesta, equilibrio de las direcciones de clave |
Esto ayuda a explicar por qué la aquiescencia puede generalizarse entre dominios de contenido sin ser necesariamente un rasgo psicológico de personalidad en el mismo sentido que la Extraversión o el Neuroticismo (Ferrando et al., 2004).
9.3 Por Qué Importa la Aquiescencia
Incluso un componente modesto de aquiescencia puede modificar la estructura de covarianza de los datos de cuestionarios. Estudios de simulación y empíricos muestran que puede distorsionar la recuperación factorial, afectar coeficientes de regresión o validez y alterar la dimensionalidad aparente de las escalas (Kam et al., 2012; Savalei & Falk, 2014; Valentini, 2017; Valentini & Hauck Filho, 2020).
Una razón intuitiva es que la aquiescencia crea varianza compartida entre ítems que apuntan en la misma dirección de respuesta. Si esta varianza compartida no se modela, un análisis factorial puede interpretar la covarianza debida al estilo de respuesta como covarianza psicológica sustantiva.
Si se espera que la aquiescencia contribuya de forma relevante a la matriz de covarianza de los ítems, debe considerarse antes de interpretar la fiabilidad, la estructura factorial o las relaciones estructurales entre variables latentes (Billiet & McClendon, 2000; Cambré et al., 2002).
10 Ítems Codificados en Sentido Inverso: Solución y Nuevo Problema
Una estrategia común consiste en redactar algunos ítems en la dirección positiva del constructo y otros en la dirección opuesta (Baumgartner & Steenkamp, 2001). Por ejemplo:
- dirección positiva: «A menudo me siento triste.»
- dirección opuesta: «Generalmente me siento alegre.»
Tras invertir la puntuación, se pretende que ambos ítems apunten en la misma dirección sustantiva. Si una persona simplemente está de acuerdo con ambos, las respuestas sustantivamente inconsistentes aportan información sobre acuiescencia.
Esta lógica es útil, pero invertir ítems no es psicométricamente neutro.
10.1 1. La redacción opuesta puede cambiar el procesamiento cognitivo
Los ítems negados y codificados en sentido inverso pueden exigir lectura e interpretación adicionales. Las personas pueden malinterpretar la negación, pasar por alto la palabra clave o utilizar un proceso de respuesta distinto al que emplean con ítems redactados positivamente (Van Sonderen et al., 2013; Weijters & Baumgartner, 2012).
Estos problemas pueden ser especialmente relevantes cuando la habilidad lectora varía entre personas (Marsh, 1996).
10.2 2. Los ítems positivos y negativos pueden no ser sustantivamente equivalentes
Invertir la redacción supone que las dos formulaciones del ítem representan posiciones opuestas en un único continuo psicológico. Ese supuesto no siempre es defendible (Chang, 1995; Suárez-Alvarez et al., 2018).
Estar de acuerdo con «Me siento resiliente» no es necesariamente equivalente, en términos psicológicos, a estar en desacuerdo con «Me rindo fácilmente». Ambas afirmaciones pueden activar contenidos diferentes aunque se puntúen como opuestos.
10.3 3. Los ítems inversos pueden crear estructura de método
Los ítems positivos y los codificados en sentido inverso forman a veces grupos o factores separados, especialmente cuando un pequeño subconjunto de personas responde descuidadamente a los ítems inversos (Hughes, 2009; Knight et al., 1988; Woods, 2006).
También se ha observado que las escalas compuestas únicamente por ítems de redacción positiva pueden mostrar estructuras de covarianza más limpias que las versiones con claves mixtas (Salazar, 2015; Schriesheim & Hill, 1981). Esto no implica que la aquiescencia haya desaparecido; puede simplemente volverse más difícil de identificar porque todos los ítems comparten la misma dirección de respuesta.
Si todos los ítems están codificados positivamente, la aquiescencia puede contribuir covarianza en la misma dirección a toda la escala. Una solución factorial más limpia puede reflejar menos conflicto visible de estilo de respuesta, no necesariamente menos varianza debida al estilo de respuesta.
10.4 ¿Deben las escalas seguir incluyendo ítems con clave opuesta?
No existe una respuesta universal. El diseño implica un compromiso:
| Ventaja potencial | Coste potencial |
|---|---|
| Proporciona información para separar la tendencia al acuerdo del contenido | Puede introducir efectos de negación o método de redacción |
| Ayuda a identificar factores de intercepto aleatorio/aquiescencia | Puede aumentar la confusión de las personas |
| Hace observables los patrones de acuerdo uniforme | Puede crear factores artificiales de ítems positivos frente a negativos |
| Permite algunos métodos con escalas equilibradas | Puede ser inapropiado cuando el constructo no tiene un opuesto natural |
La clave es diseñar ítems sustantivamente opuestos en lugar de limitarse a añadir negaciones gramaticales siempre que sea posible.
11 Control Estadístico y Basado en el Diseño
La aquiescencia puede abordarse tanto mediante el diseño de medición como mediante el modelo estadístico.
11.1 Control estadístico
Muchos modelos tratan la aquiescencia como un componente latente de estilo de respuesta que opera a través de los ítems. Esto suele requerir dos supuestos sustantivos:
- el componente de aquiescencia puede distinguirse de los rasgos latentes sustantivos; y
- la misma tendencia de respuesta contribuye sistemáticamente en múltiples ítems (Ferrando et al., 2003; Savalei & Falk, 2014).
Los modelos factoriales de ítems con intercepto aleatorio son un ejemplo habitual. Cada ítem carga por igual en un factor de estilo de respuesta que captura la tendencia general de una persona a utilizar categorías más altas o más bajas en la escala (Billiet & McClendon, 2000; Kam et al., 2012).
11.2 Diseño del cuestionario
El formato de la escala también puede influir en los estilos de respuesta. Se han estudiado el etiquetado de las categorías, la disponibilidad de un punto medio, la dirección de la clave y formatos alternativos (Weijters et al., 2010).
Las escalas de diferencial semántico constituyen una alternativa. En algunas aplicaciones muestran una estructura factorial más limpia que los ítems tipo Likert de acuerdo (Friborg et al., 2006). Otro enfoque es el formato expandido, en el que cada opción de respuesta se sustituye por una afirmación sustantiva que representa una posición diferente en el constructo (Zhang & Savalei, 2016).
Un buen modelo estadístico no puede reparar por completo ítems mal redactados, y una buena redacción no garantiza la ausencia de estilos de respuesta. Las consideraciones sobre el proceso de respuesta deben informar tanto el diseño del cuestionario como el análisis.
12 Controlar la Aquiescencia en R
12.1 Enfoque 1: vampyr
El paquete vampyr implementa el marco factorial de sesgos de respuesta discutido en el capítulo anterior (Ferrando et al., 2009; Navarro-Gonzalez et al., 2021).
V2 V8 V13 V21
Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
1st Qu.:3.000 1st Qu.:2.000 1st Qu.:1.000 1st Qu.:2.000
Median :4.000 Median :4.000 Median :2.000 Median :3.000
Mean :3.667 Mean :3.263 Mean :2.317 Mean :2.947
3rd Qu.:5.000 3rd Qu.:4.000 3rd Qu.:3.000 3rd Qu.:4.000
Max. :5.000 Max. :5.000 Max. :5.000 Max. :5.000
V1 V6 V17 V19 V20
Min. :1.000 Min. :1.000 Min. :1.00 Min. :1.000 Min. :1.000
1st Qu.:3.000 1st Qu.:1.000 1st Qu.:3.00 1st Qu.:3.000 1st Qu.:1.000
Median :4.000 Median :2.000 Median :4.00 Median :4.000 Median :2.000
Mean :3.643 Mean :2.467 Mean :3.71 Mean :3.493 Mean :1.997
3rd Qu.:5.000 3rd Qu.:3.000 3rd Qu.:5.00 3rd Qu.:5.000 3rd Qu.:3.000
Max. :5.000 Max. :5.000 Max. :5.00 Max. :5.000 Max. :5.000
V25
Min. :1.000
1st Qu.:1.000
Median :1.000
Mean :1.687
3rd Qu.:2.000
Max. :5.000 El conjunto de datos de ejemplo contiene 300 participantes, cuatro marcadores de deseabilidad social y seis ítems de agresión física con indicadores codificados tanto positiva como negativamente.
DETAILS OF ANALYSIS
Number of participants : 300
Number of items : 10
Items selected as SD items : 1, 2, 3, 4
Dispersion Matrix : Polychoric Correlations
Method for factor extraction : Unweighted Least Squares (ULS)
Rotation Method : none
-----------------------------------------------------------------------
Univariate item descriptives
Item Mean Variance Skewness Kurtosis (Zero centered)
Item 1 3.667 1.260 -0.555 -0.566
Item 2 3.263 1.760 -0.379 -1.005
Item 3 2.317 1.695 0.601 -0.880
Item 4 2.947 1.924 -0.033 -1.284
Item 5 3.643 1.374 -0.565 -0.535
Item 6 2.467 1.802 0.487 -0.967
Item 7 3.710 1.678 -0.652 -0.716
Item 8 3.493 1.629 -0.411 -0.862
Item 9 1.997 1.515 1.041 -0.011
Item 10 1.687 0.925 1.293 0.838
Polychoric correlation is advised when the univariate distributions of ordinal items are
asymmetric or with excess of kurtosis. If both indices are lower than one in absolute value,
then Pearson correlation is advised. You can read more about this subject in:
Muthen, B., & Kaplan D. (1985). A Comparison of Some Methodologies for the Factor Analysis of
Non-Normal Likert Variables. British Journal of Mathematical and Statistical Psychology, 38, 171-189.
Muthen, B., & Kaplan D. (1992). A Comparison of Some Methodologies for the Factor Analysis of
Non-Normal Likert Variables: A Note on the Size of the Model. British Journal of Mathematical
and Statistical Psychology, 45, 19-30.
-----------------------------------------------------------------------
Adequacy of the dispersion matrix
Determinant of the matrix = 0.047816437916936
Bartlett's statistic = 896.4 (df = 45; P = 0.000000)
Kaiser-Meyer-Olkin (KMO) test = 0.76664 (fair)
-----------------------------------------------------------------------
EXPLORATORY FACTOR ANALYSIS CONTROLLING SOCIAL DESIRABILITY AND ACQUIESCENCE
-----------------------------------------------------------------------
Robust Goodness of Fit statistics
Root Mean Square Error of Approximation (RMSEA) = 0.032
Robust Mean-Scaled Chi Square with 23 degrees of freedom = 30.146
Non-Normed Fit Index (NNFI; Tucker & Lewis) = 0.989
Comparative Fit Index (CFI) = 0.994
Goodness of Fit Index (GFI) = 0.977
-----------------------------------------------------------------------
Root Mean Square Residuals (RMSR) = 0.0452
Expected mean value of RMSR for an acceptable model = 0.0578 (Kelley's criterion)
-----------------------------------------------------------------------
Unrotated loading matrix
Factor SD Factor AC Factor 1
Item 1 0.60257 0.00000 0.00000
Item 2 0.51525 0.00000 0.00000
Item 3 0.72709 0.00000 0.00000
Item 4 0.71128 0.00000 0.00000
Item 5 -0.07851 0.23761 0.54830
Item 6 0.27519 0.00217 -0.49050
Item 7 -0.16412 0.57421 0.70138
Item 8 -0.14319 0.54066 0.59103
Item 9 0.26559 0.19596 -0.66799
Item 10 0.31732 0.06246 -0.68221contAC = TRUE solicita controlar la aquiescencia. El argumento SD_items identifica además los marcadores de deseabilidad social. Por tanto:
- para modelar tanto deseabilidad social como aquiescencia, mantenga
SD_itemsycontAC = TRUE; - para modelar aquiescencia sin un factor marcador de deseabilidad social, omita
SD_itemssi el flujo de trabajo previsto lo permite; - para desactivar el control de aquiescencia, utilice
contAC = FALSE.
Si el conjunto de ítems no está equilibrado, las posiciones de los ítems que no tienen una contraparte con clave opuesta pueden indicarse mediante unbalanced_items.
Las puntuaciones factoriales pueden solicitarse estableciendo factor_scores = TRUE:
Computing EAP scores. Time remaining 0 seconds
Computing EAP scores. Time remaining 0 seconds
Computing EAP scores. Time remaining 0 seconds
Computing EAP scores. Time remaining 0 seconds
Computing EAP scores. Time remaining 0 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 0 seconds
DETAILS OF ANALYSIS
Number of participants : 300
Number of items : 10
Items selected as SD items : 1, 2, 3, 4
Dispersion Matrix : Polychoric Correlations
Method for factor extraction : Unweighted Least Squares (ULS)
Rotation Method : none
-----------------------------------------------------------------------
Univariate item descriptives
Item Mean Variance Skewness Kurtosis (Zero centered)
Item 1 3.667 1.260 -0.555 -0.566
Item 2 3.263 1.760 -0.379 -1.005
Item 3 2.317 1.695 0.601 -0.880
Item 4 2.947 1.924 -0.033 -1.284
Item 5 3.643 1.374 -0.565 -0.535
Item 6 2.467 1.802 0.487 -0.967
Item 7 3.710 1.678 -0.652 -0.716
Item 8 3.493 1.629 -0.411 -0.862
Item 9 1.997 1.515 1.041 -0.011
Item 10 1.687 0.925 1.293 0.838
Polychoric correlation is advised when the univariate distributions of ordinal items are
asymmetric or with excess of kurtosis. If both indices are lower than one in absolute value,
then Pearson correlation is advised. You can read more about this subject in:
Muthen, B., & Kaplan D. (1985). A Comparison of Some Methodologies for the Factor Analysis of
Non-Normal Likert Variables. British Journal of Mathematical and Statistical Psychology, 38, 171-189.
Muthen, B., & Kaplan D. (1992). A Comparison of Some Methodologies for the Factor Analysis of
Non-Normal Likert Variables: A Note on the Size of the Model. British Journal of Mathematical
and Statistical Psychology, 45, 19-30.
-----------------------------------------------------------------------
Adequacy of the dispersion matrix
Determinant of the matrix = 0.047816437916936
Bartlett's statistic = 896.4 (df = 45; P = 0.000000)
Kaiser-Meyer-Olkin (KMO) test = 0.76664 (fair)
-----------------------------------------------------------------------
EXPLORATORY FACTOR ANALYSIS CONTROLLING SOCIAL DESIRABILITY AND ACQUIESCENCE
-----------------------------------------------------------------------
Robust Goodness of Fit statistics
Root Mean Square Error of Approximation (RMSEA) = 0.032
Robust Mean-Scaled Chi Square with 23 degrees of freedom = 30.146
Non-Normed Fit Index (NNFI; Tucker & Lewis) = 0.989
Comparative Fit Index (CFI) = 0.994
Goodness of Fit Index (GFI) = 0.977
-----------------------------------------------------------------------
Root Mean Square Residuals (RMSR) = 0.0452
Expected mean value of RMSR for an acceptable model = 0.0578 (Kelley's criterion)
-----------------------------------------------------------------------
Unrotated loading matrix
Factor SD Factor AC Factor 1
Item 1 0.60258 0.00000 0.00000
Item 2 0.51525 0.00000 0.00000
Item 3 0.72711 0.00000 0.00000
Item 4 0.71129 0.00000 0.00000
Item 5 -0.07851 0.23765 0.54830
Item 6 0.27520 0.00210 -0.49047
Item 7 -0.16413 0.57421 0.70134
Item 8 -0.14320 0.54073 0.59101
Item 9 0.26560 0.19587 -0.66794
Item 10 0.31733 0.06246 -0.68224
-----------------------------------------------------------------------
RELIABILITY OF EAP SCORES
Factor EAP Reliability estimate
SD : 0.6741
Acquiescence : 0.4110
Factor 1 : 0.6588
PARTICIPANTS'S SCORES ON FACTORS:
Rescaled to mean = 50 and standard deviation = 10 in the sample
Factor SD Factor AC Factor 1
[1,] 44.30702 48.53068 51.44840
[2,] 59.62087 38.14818 50.56857
[3,] 61.18573 42.28588 57.66527
[4,] 55.02616 43.35036 56.66978
[5,] 48.22891 38.63906 39.71751
[6,] 44.51586 64.27791 54.12033
[7,] 44.73237 65.04578 43.76208
[8,] 39.64105 50.43352 28.01088
[9,] 61.34246 36.08924 54.53672
[10,] 52.16780 54.33543 45.30031
[11,] 55.76826 44.66412 43.94365
[12,] 53.40434 58.27010 41.59397
[13,] 46.67234 51.20831 48.64638
[14,] 78.49697 78.23449 44.75786
[15,] 55.73241 54.95541 44.28950
[16,] 44.79370 64.48858 62.46120
[17,] 45.01399 46.08996 43.67415
[18,] 44.88624 59.48275 44.67196
[19,] 43.98174 35.51047 32.96270
[20,] 56.02799 34.92540 45.46157
[21,] 43.26929 33.50171 56.81546
[22,] 55.84763 64.01328 33.23152
[23,] 28.11553 58.10356 66.63422
[24,] 49.33804 42.43389 49.36490
[25,] 39.89215 45.29837 52.74528
[26,] 37.03577 57.53565 57.21891
[27,] 55.01227 47.35812 52.51984
[28,] 55.91156 62.54075 49.19091
[29,] 43.96952 45.20955 43.43487
[30,] 55.62013 44.38351 44.27730
[31,] 37.85549 65.93644 58.47689
[32,] 44.88453 43.34369 54.77236
[33,] 46.71691 40.35619 37.20817
[34,] 65.13146 49.65691 50.13576
[35,] 47.81926 48.87682 49.13011
[36,] 67.06672 41.07963 59.82189
[37,] 44.91466 53.52419 46.46996
[38,] 54.25263 57.87823 32.01111
[39,] 55.62406 44.10899 43.98613
[40,] 43.18161 54.50802 43.88392
[41,] 52.52893 46.39464 41.34767
[42,] 64.90994 50.83625 51.34209
[43,] 65.34181 53.50308 57.05158
[44,] 54.85276 42.88714 45.58772
[45,] 55.73983 55.70865 44.26536
[46,] 52.50564 44.32331 44.70146
[47,] 34.77514 41.69388 47.25654
[48,] 45.26272 45.00810 43.72984
[49,] 32.23607 36.27388 49.28654
[50,] 55.73953 43.90081 55.99392
[51,] 32.22505 56.28796 43.71180
[52,] 49.72716 51.33973 58.73165
[53,] 46.28991 38.95377 48.77229
[54,] 50.73619 58.76168 69.74417
[55,] 56.36421 50.67680 32.93623
[56,] 34.49163 41.63948 61.92249
[57,] 44.14526 50.13060 54.24633
[58,] 44.05206 53.41556 46.56908
[59,] 78.32471 61.79603 54.35257
[60,] 46.94986 53.90660 45.60747
[61,] 78.53938 71.24487 56.53533
[62,] 55.64332 47.45704 44.28078
[63,] 43.98736 53.49905 44.31009
[64,] 57.69330 47.71414 35.96540
[65,] 55.68322 42.58359 46.21894
[66,] 55.60383 43.40736 44.27032
[67,] 55.75805 56.92070 43.59576
[68,] 64.71075 52.12281 43.67737
[69,] 45.40225 60.14937 66.26204
[70,] 48.54654 62.54411 62.93221
[71,] 43.40351 44.68009 54.76483
[72,] 43.79506 58.60647 68.76826
[73,] 37.82240 58.42505 67.93827
[74,] 72.68659 68.25642 59.95085
[75,] 38.54101 60.71628 53.82994
[76,] 44.39768 77.51935 33.66423
[77,] 34.99066 42.99856 33.99766
[78,] 42.29034 37.14472 52.28843
[79,] 55.43474 33.81971 35.10143
[80,] 41.19031 67.25607 56.56763
[81,] 44.31978 50.67509 44.60196
[82,] 78.46775 61.64452 69.53132
[83,] 53.24773 71.49709 27.65455
[84,] 41.17001 50.35108 56.71573
[85,] 55.38972 62.00365 38.05986
[86,] 44.96311 74.36587 21.44038
[87,] 54.44490 39.62747 32.48858
[88,] 51.48185 52.16199 54.15243
[89,] 45.35966 43.61524 40.04781
[90,] 55.82141 45.90311 54.10160
[91,] 37.66123 71.90492 51.35095
[92,] 44.12232 53.92673 46.05921
[93,] 34.83266 66.23243 38.42532
[94,] 54.82542 53.86309 45.82946
[95,] 66.64029 51.15473 60.31484
[96,] 67.81906 78.46782 44.26226
[97,] 56.12525 51.65458 44.53063
[98,] 33.52092 58.29145 67.34470
[99,] 48.00131 51.29064 55.13149
[100,] 54.34945 53.19972 43.29434
[101,] 44.91291 68.09670 55.67780
[102,] 66.49193 44.36721 43.99100
[103,] 49.86826 66.59121 49.96242
[104,] 44.95723 65.11621 32.76273
[105,] 33.06416 48.68093 49.85807
[106,] 75.49484 42.91745 53.96599
[107,] 56.44178 55.56896 34.03916
[108,] 70.56538 54.85070 46.26013
[109,] 56.47423 66.36521 52.40057
[110,] 54.43076 50.10540 40.50427
[111,] 44.33442 46.82721 53.40414
[112,] 55.87864 50.68215 49.32596
[113,] 40.23175 46.74177 53.50638
[114,] 60.99396 46.11496 55.92326
[115,] 55.65057 34.95086 45.26669
[116,] 66.93596 44.63660 56.36260
[117,] 55.99758 56.99139 42.31343
[118,] 55.54190 58.42245 41.46348
[119,] 44.58462 49.91469 50.06235
[120,] 75.70597 57.32781 66.38923
[121,] 53.27250 48.44083 51.55849
[122,] 46.07396 37.19318 44.31452
[123,] 67.24768 55.06469 44.71354
[124,] 38.76197 50.00386 44.56877
[125,] 64.49823 52.49565 47.49329
[126,] 41.72649 58.54316 68.48087
[127,] 43.12936 46.40964 21.99314
[128,] 41.30326 45.13405 32.88271
[129,] 42.51563 62.30433 56.24855
[130,] 31.75736 35.56264 52.87128
[131,] 37.36734 75.92866 33.55748
[132,] 46.13312 58.65524 69.09826
[133,] 43.81890 41.37281 47.29961
[134,] 66.99861 55.76679 42.98983
[135,] 44.32074 36.68545 32.89119
[136,] 42.22127 58.55871 68.54947
[137,] 43.89441 48.57777 51.26267
[138,] 65.19099 49.37127 62.12234
[139,] 42.66218 71.28707 43.40632
[140,] 33.85756 58.30307 67.38929
[141,] 42.69032 46.68047 63.54084
[142,] 44.93877 52.98492 57.76812
[143,] 55.74583 46.76343 44.82797
[144,] 49.66374 58.73652 69.59502
[145,] 32.17213 47.61189 43.31217
[146,] 47.70227 40.14470 59.87886
[147,] 29.64897 58.02870 54.68320
[148,] 33.28954 40.06135 46.32499
[149,] 55.81777 46.35199 42.33306
[150,] 48.64851 58.71649 69.45032
[151,] 47.97485 55.06888 43.81871
[152,] 43.65893 38.23001 38.05589
[153,] 54.17845 46.08093 42.22456
[154,] 61.57278 49.03231 62.95525
[155,] 43.32900 58.59225 68.70348
[156,] 55.71078 58.86624 70.44919
[157,] 53.68838 55.24006 44.77997
[158,] 44.74141 57.76131 58.49075
[159,] 55.04724 47.06892 49.41521
[160,] 44.80910 58.63295 68.91008
[161,] 55.75066 63.31877 56.49326
[162,] 60.58908 46.33070 54.68941
[163,] 68.79698 42.98708 57.15692
[164,] 56.44059 64.92120 35.16572
[165,] 43.76927 43.79843 57.75640
[166,] 55.74948 52.56932 44.47880
[167,] 55.72438 45.39464 44.36309
[168,] 55.67131 49.90669 48.65792
[169,] 56.73579 68.11449 57.23069
[170,] 68.26753 40.71847 53.44344
[171,] 62.50494 67.16052 60.01660
[172,] 53.84703 47.51421 51.78156
[173,] 67.01736 55.69186 44.42055
[174,] 42.47347 57.66622 58.38624
[175,] 67.06213 47.50353 44.30917
[176,] 50.89389 63.06872 47.40109
[177,] 46.05395 60.55528 55.56441
[178,] 54.32973 55.21133 55.86920
[179,] 56.59239 46.35586 55.89554
[180,] 44.87850 49.54374 61.41033
[181,] 58.31607 44.61268 55.67647
[182,] 54.62471 47.85572 51.30571
[183,] 60.12526 58.56967 44.30425
[184,] 34.34887 58.31842 67.45695
[185,] 47.20435 58.68520 69.24709
[186,] 60.62017 46.21401 65.73962
[187,] 78.42768 58.70323 65.23640
[188,] 37.86679 57.56020 57.35087
[189,] 55.41233 42.21237 45.18666
[190,] 47.63853 54.35907 35.64589
[191,] 55.69734 44.73813 55.26984
[192,] 62.74668 44.58523 53.31697
[193,] 41.00083 49.14105 60.61427
[194,] 56.91901 47.76318 23.84115
[195,] 41.66051 40.40845 31.09803
[196,] 55.68580 39.83193 44.88104
[197,] 68.74363 61.61300 44.16359
[198,] 55.57536 56.17695 55.18144
[199,] 55.71430 69.79190 58.16720
[200,] 44.21238 56.43003 43.53766
[201,] 55.18661 47.82415 43.23189
[202,] 44.77244 69.69356 53.70878
[203,] 51.10510 41.49958 52.23788
[204,] 56.46275 77.80106 44.34391
[205,] 39.54426 60.63964 54.09153
[206,] 44.14088 60.15838 66.02192
[207,] 61.72434 43.41722 44.30765
[208,] 54.38103 46.28996 33.91552
[209,] 50.23534 46.52423 53.43656
[210,] 44.67937 48.55440 56.27435
[211,] 58.58042 57.01678 34.88189
[212,] 55.73781 58.86975 70.44850
[213,] 54.03623 32.77180 46.53698
[214,] 55.87177 58.87023 70.47108
[215,] 41.35608 50.67489 49.75034
[216,] 47.10387 52.42988 25.44195
[217,] 50.97976 67.98286 57.64722
[218,] 55.74765 51.41162 57.71441
[219,] 58.51362 43.21235 32.87939
[220,] 51.74167 42.13185 54.14072
[221,] 77.03288 50.61764 20.87316
[222,] 55.68602 66.10260 55.30777
[223,] 45.46714 48.19125 51.84857
[224,] 29.00403 62.70794 52.90795
[225,] 67.09953 44.87624 55.32580
[226,] 44.36784 66.29581 32.77475
[227,] 39.95164 36.14195 41.46111
[228,] 56.17720 36.70083 55.85115
[229,] 45.74686 60.14691 66.32818
[230,] 67.13421 46.00378 54.04637
[231,] 44.94922 55.42749 44.43681
[232,] 55.60051 44.88329 55.04813
[233,] 55.71750 43.85545 44.28794
[234,] 67.10076 44.62062 55.41518
[235,] 67.23635 35.23203 53.41785
[236,] 48.48492 58.71289 69.42733
[237,] 55.69185 44.55023 55.45747
[238,] 43.46608 45.45873 63.94517
[239,] 43.86758 33.04152 55.89025
[240,] 66.99797 44.58238 55.47285
[241,] 56.14278 44.02386 44.84598
[242,] 61.02500 38.24557 54.37062
[243,] 42.85271 51.89405 35.73816
[244,] 55.70343 59.37904 52.01227
[245,] 55.73565 55.37312 55.97571
[246,] 58.90414 58.04786 62.30314
[247,] 55.73357 44.57418 43.58502
[248,] 44.26887 38.82414 47.32120
[249,] 36.53935 75.30877 48.19269
[250,] 78.49792 54.79533 55.80684
[251,] 65.87182 45.76333 24.05607
[252,] 55.80852 44.30166 44.76637
[253,] 71.61632 44.53424 67.72949
[254,] 70.39210 51.52329 46.95753
[255,] 66.84938 36.94845 32.94711
[256,] 66.65358 60.65310 50.32315
[257,] 45.58429 45.56464 64.33468
[258,] 55.70545 47.17696 49.66219
[259,] 48.96238 51.78089 47.59488
[260,] 75.67165 46.46787 53.95220
[261,] 45.70155 46.84326 64.08006
[262,] 51.98388 43.83762 56.16457
[263,] 55.51934 71.16078 56.05495
[264,] 34.67679 29.94116 53.81647
[265,] 44.45841 67.56842 56.34592
[266,] 41.74210 58.54406 68.48291
[267,] 33.97254 58.64191 55.36710
[268,] 50.60975 58.90886 48.51239
[269,] 35.30995 63.30629 60.26423
[270,] 34.33364 34.58920 31.02107
[271,] 53.11299 42.91709 54.11376
[272,] 67.40962 45.39233 44.23891
[273,] 53.08303 60.09452 67.70324
[274,] 55.68587 72.87753 45.76684
[275,] 55.47562 57.60456 53.75660
[276,] 45.34365 58.64485 68.98524
[277,] 37.00657 70.17241 44.38365
[278,] 40.28585 53.76143 44.62652
[279,] 44.44585 56.11132 32.63910
[280,] 45.25819 59.73234 49.26680
[281,] 55.31306 60.07850 68.12141
[282,] 44.27975 62.83821 61.71696
[283,] 55.54188 47.69383 33.86977
[284,] 55.28975 38.82211 42.59102
[285,] 51.51155 58.77809 69.85383
[286,] 43.30856 57.66631 58.54140
[287,] 67.66626 69.66442 43.86737
[288,] 54.75790 65.92965 53.39620
[289,] 46.98769 37.41939 50.11480
[290,] 55.54859 44.00533 44.43419
[291,] 45.58139 46.66445 44.76394
[292,] 62.80618 55.73298 56.24549
[293,] 45.74830 51.33190 48.58803
[294,] 52.38601 44.70959 65.28502
[295,] 57.57672 50.81600 47.35488
[296,] 75.39596 65.89089 62.33777
[297,] 67.16579 45.44146 44.00030
[298,] 58.57297 36.37437 53.30400
[299,] 55.86657 42.68038 55.50818
[300,] 73.41738 45.75270 42.91488
NOTE: The precision matrices for the 3 factors were not printed for preventing console spacing issues.
These matrices are stored in $Precision_matrix in the output variable.Como en el capítulo sobre deseabilidad social, estas puntuaciones son estimaciones dependientes del modelo, no rasgos observados directamente.
12.2 Enfoque 2: CFA con Intercepto Aleatorio
Un modelo factorial de ítems con intercepto aleatorio representa la aquiescencia como un factor común con cargas iguales en todos los ítems (Billiet & McClendon, 2000; Savalei & Falk, 2014). Los factores sustantivos capturan el contenido, mientras que el factor de intercepto aleatorio captura la tendencia general de una persona a utilizar categorías de respuesta más altas o más bajas.
Utilizamos lavaan (Rosseel, 2012) y el conjunto de datos wmt2 distribuido con EGAnet (Golino & Christensen, 2023).
This is lavaan 0.7-2
lavaan is FREE software! Please report any bugs.[1;m[4;m
EGAnet (version 2.4.1)[0m[0m
For help getting started, see <https://r-ega.net>
For bugs and errors, submit an issue to <https://github.com/hfgolino/EGAnet/issues>12.2.1 Especificar el modelo
Mostrar sintaxis del CFA con intercepto aleatorio
model_RI <- '
factor1 =~ NA*wmt1 + wmt2 + wmt3 + wmt5 + wmt11 +
wmt12 + wmt13 + wmt15 + wmt16 + wmt17 + wmt18
factor2 =~ NA*wmt4 + wmt6 + wmt7 + wmt8 +
wmt9 + wmt10 + wmt14
# Interceptos aleatorios
acquiescence =~ 1*wmt1 + 1*wmt2 + 1*wmt3 + 1*wmt5 +
1*wmt11 + 1*wmt12 + 1*wmt13 + 1*wmt15 + 1*wmt16 +
1*wmt17 + 1*wmt18 + 1*wmt4 + 1*wmt6 + 1*wmt7 +
1*wmt8 + 1*wmt9 + 1*wmt10 + 1*wmt14
factor1 ~~ 0*acquiescence
factor2 ~~ 0*acquiescence
acquiescence ~~ acquiescence
factor1 ~~ 1*factor1
factor2 ~~ 1*factor2
'La parte importante es:
Cada indicador tiene una carga fijada en 1 sobre el factor de aquiescencia. Este factor representa así una tendencia de respuesta común y específica de la persona, no un factor de contenido definido por cargas diferenciales de los ítems.
Los factores sustantivos se restringen a ser ortogonales al factor de aquiescencia. Este es un supuesto fuerte pero útil para la identificación y la interpretación; debe justificarse y no tratarse como un detalle puramente técnico.
12.2.2 Ajustar el CFA ordinal
lavaan 0.7-2 ended normally after 43 iterations
Estimator DWLS
Optimization method NLMINB
Number of model parameters 38
Number of observations 1185
Model Test User Model:
Standard Scaled
Test Statistic 232.896 285.231
Degrees of freedom 133 133
P-value (Unknown) NA 0.000
Scaling correction factor 0.873
Shift parameter 18.557
simple second-order correction
Model Test Baseline Model:
Test statistic 12385.490 7849.254
Degrees of freedom 153 153
P-value NA 0.000
Scaling correction factor 1.589
User Model versus Baseline Model:
Comparative Fit Index (CFI) 0.992 0.980
Tucker-Lewis Index (TLI) 0.991 0.977
Robust Comparative Fit Index (CFI) 0.922
Robust Tucker-Lewis Index (TLI) 0.910
Root Mean Square Error of Approximation:
RMSEA 0.025 0.031
90 Percent confidence interval - lower 0.020 0.026
90 Percent confidence interval - upper 0.030 0.036
P-value H_0: RMSEA <= 0.050 1.000 1.000
P-value H_0: RMSEA >= 0.080 0.000 0.000
Robust RMSEA 0.065
90 Percent confidence interval - lower 0.054
90 Percent confidence interval - upper 0.076
P-value H_0: Robust RMSEA <= 0.050 0.011
P-value H_0: Robust RMSEA >= 0.080 0.012
Standardized Root Mean Square Residual:
SRMR 0.052 0.052
Goodness of Fit Index:
Goodness of Fit Index (GFI) 0.991
90 Percent confidence interval - lower 0.986
90 Percent confidence interval - upper 0.994
Robust GFI 0.941
90 Percent confidence interval - lower 0.921
90 Percent confidence interval - upper 0.958
Parameter Estimates:
Parameterization Delta
Standard errors Robust.sem
Information Expected
Information saturated (h1) model Unstructured
Latent Variables:
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
factor1 =~
wmt1 0.233 0.065 3.580 0.000 0.233 0.233
wmt2 0.607 0.066 9.213 0.000 0.607 0.607
wmt3 0.449 0.061 7.410 0.000 0.449 0.449
wmt5 0.314 0.062 5.054 0.000 0.314 0.314
wmt11 0.019 0.074 0.260 0.795 0.019 0.019
wmt12 0.061 0.074 0.828 0.408 0.061 0.061
wmt13 0.110 0.069 1.603 0.109 0.110 0.110
wmt15 0.136 0.070 1.947 0.052 0.136 0.136
wmt16 0.126 0.071 1.772 0.076 0.126 0.126
wmt17 -0.044 0.078 -0.568 0.570 -0.044 -0.044
wmt18 -0.339 0.098 -3.452 0.001 -0.339 -0.339
factor2 =~
wmt4 0.300 0.056 5.328 0.000 0.300 0.300
wmt6 0.504 0.052 9.750 0.000 0.504 0.504
wmt7 0.352 0.055 6.452 0.000 0.352 0.352
wmt8 0.269 0.057 4.695 0.000 0.269 0.269
wmt9 0.393 0.054 7.292 0.000 0.393 0.393
wmt10 0.477 0.054 8.910 0.000 0.477 0.477
wmt14 0.227 0.060 3.817 0.000 0.227 0.227
acquiescence =~
wmt1 1.000 0.580 0.580
wmt2 1.000 0.580 0.580
wmt3 1.000 0.580 0.580
wmt5 1.000 0.580 0.580
wmt11 1.000 0.580 0.580
wmt12 1.000 0.580 0.580
wmt13 1.000 0.580 0.580
wmt15 1.000 0.580 0.580
wmt16 1.000 0.580 0.580
wmt17 1.000 0.580 0.580
wmt18 1.000 0.580 0.580
wmt4 1.000 0.580 0.580
wmt6 1.000 0.580 0.580
wmt7 1.000 0.580 0.580
wmt8 1.000 0.580 0.580
wmt9 1.000 0.580 0.580
wmt10 1.000 0.580 0.580
wmt14 1.000 0.580 0.580
Covariances:
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
factor1 ~~
acquiescence 0.000 0.000 0.000
factor2 ~~
acquiescence 0.000 0.000 0.000
factor1 ~~
factor2 0.591 0.078 7.602 0.000 0.591 0.591
Thresholds:
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
wmt1|t1 -0.475 0.038 -12.521 0.000 -0.475 -0.475
wmt2|t1 -0.881 0.042 -20.956 0.000 -0.881 -0.881
wmt3|t1 -0.651 0.039 -16.544 0.000 -0.651 -0.651
wmt5|t1 -0.475 0.038 -12.521 0.000 -0.475 -0.475
wmt11|t1 0.447 0.038 11.833 0.000 0.447 0.447
wmt12|t1 0.471 0.038 12.406 0.000 0.471 0.471
wmt13|t1 0.195 0.037 5.311 0.000 0.195 0.195
wmt15|t1 0.445 0.038 11.776 0.000 0.445 0.445
wmt16|t1 0.412 0.038 10.972 0.000 0.412 0.412
wmt17|t1 0.815 0.041 19.787 0.000 0.815 0.815
wmt18|t1 0.641 0.039 16.320 0.000 0.641 0.641
wmt4|t1 -0.158 0.037 -4.325 0.000 -0.158 -0.158
wmt6|t1 -0.355 0.037 -9.533 0.000 -0.355 -0.355
wmt7|t1 -0.208 0.037 -5.658 0.000 -0.208 -0.208
wmt8|t1 0.116 0.037 3.164 0.002 0.116 0.116
wmt9|t1 -0.158 0.037 -4.325 0.000 -0.158 -0.158
wmt10|t1 -0.280 0.037 -7.569 0.000 -0.280 -0.280
wmt14|t1 0.128 0.037 3.513 0.000 0.128 0.128
Variances:
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
acquiescence 0.337 0.016 21.029 0.000 1.000 1.000
factor1 1.000 1.000 1.000
factor2 1.000 1.000 1.000
.wmt1 0.609 0.609 0.609
.wmt2 0.295 0.295 0.295
.wmt3 0.462 0.462 0.462
.wmt5 0.565 0.565 0.565
.wmt11 0.663 0.663 0.663
.wmt12 0.659 0.659 0.659
.wmt13 0.651 0.651 0.651
.wmt15 0.645 0.645 0.645
.wmt16 0.647 0.647 0.647
.wmt17 0.661 0.661 0.661
.wmt18 0.548 0.548 0.548
.wmt4 0.573 0.573 0.573
.wmt6 0.409 0.409 0.409
.wmt7 0.539 0.539 0.539
.wmt8 0.591 0.591 0.591
.wmt9 0.508 0.508 0.508
.wmt10 0.436 0.436 0.436
.wmt14 0.611 0.611 0.611Inspeccione:
- las cargas sustantivas estandarizadas;
- la varianza del factor de aquiescencia;
- el ajuste global;
- los residuos y diagnósticos de modificación; y
- si la solución sustantiva sigue siendo interpretable tras incluir el factor de estilo de respuesta.
12.2.3 Estimar puntuaciones factoriales
Cuando análisis posteriores utilicen estas puntuaciones, recuerde que tanto las puntuaciones sustantivas como la de aquiescencia heredan los supuestos del modelo ajustado.
12.3 Enfoque 3: EGA con Intercepto Aleatorio
EGAnet también implementa el Análisis Exploratorio de Grafos con intercepto aleatorio (riEGA), que permite explorar la dimensionalidad después de separar un componente general de estilo de respuesta (Golino & Christensen, 2023).
Warning: Some variables did not belong to a dimension: wmt16
Use caution: These variables have been removed from the TEFI calculationThe random-intercept model converged. Wording effects likely. Results are only valid if data are [4;munrecoded[0m.
La estructura resultante puede evaluarse mediante bootstrap:
Mostrar código bootstrap de riEGA
Warning: Some variables did not belong to a dimension: wmt16
Use caution: These variables have been removed from the TEFI calculationThe random-intercept model converged. Wording effects likely. Results are only valid if data are [4;munrecoded[0m.Warning in order(as.numeric(names(dimension_stability))): NAs introduzidos por
coerção
Inspeccione la distribución del número de dimensiones recuperadas:
Model: GLASSO (EBIC)
Correlations: auto
Algorithm: Walktrap
Unidimensional Method: Louvain
----
EGA Type: riEGA
Bootstrap Samples: 500 (Parametric)
1 2 3 4 5 6
Frequency: 0.002 0.212 0.358 0.298 0.108 0.022
Median dimensions: 3 [1.02, 4.98] 95% CIy la estabilidad de los ítems:
EGA Type: riEGA
Bootstrap Samples: 500 (Parametric)
Proportion Replicated in Dimensions:
wmt1 wmt2 wmt3 wmt4 wmt5 wmt6 wmt7 wmt8 wmt9 wmt10 wmt11 wmt12 wmt13
0.372 0.930 0.866 0.380 0.914 0.550 0.716 0.678 0.582 0.470 0.546 0.570 0.534
wmt14 wmt15 wmt16 wmt17 wmt18
0.638 0.302 NA 0.366 0.824 También pueden inspeccionarse las cargas de red:
The default 'loading.method' has changed to "revised" in {EGAnet} version >= 2.0.7.
For the previous default (version <= 2.0.6), use `loading.method = "original"` 1 2 3 4 NA
wmt1 0.2444576992 0.247258716 -0.099319925 -0.06883984 NaN
wmt17 0.1370056212 -0.074162443 -0.002957388 -0.07293878 NaN
wmt4 0.1259691396 0.047716919 0.000000000 0.03862790 NaN
wmt13 -0.3415948996 0.135160655 -0.027042546 0.06328015 NaN
wmt2 0.0375993097 0.429380347 0.030746520 0.06192070 -Inf
wmt3 -0.0525405946 0.347886178 0.081803378 -0.09782837 NaN
wmt5 0.0009795657 0.169016832 0.000000000 0.00000000 NaN
wmt12 -0.0199842313 -0.014839834 0.000000000 -0.02866109 -Inf
wmt15 -0.0426694270 -0.052333808 0.000000000 0.02031100 NaN
wmt18 -0.0662899852 -0.222850866 -0.098300041 -0.10194983 NaN
wmt7 -0.0291471025 0.037039191 0.285159251 0.01822694 NaN
wmt6 0.0000000000 0.066980959 0.188532984 0.10200772 NaN
wmt8 -0.0206784252 0.000000000 0.166287494 0.03269760 NaN
wmt9 -0.0626554022 0.049519634 0.102199182 0.29389997 NaN
wmt14 -0.0135862414 -0.072701567 0.026287115 0.22635876 NaN
wmt10 -0.0664420920 0.058653950 0.092074489 0.14410384 NaN
wmt11 0.0162793907 -0.017457853 0.000000000 -0.14361692 NaN
wmt16 0.0000000000 0.007163448 0.000000000 0.00000000 NaNUna baja estabilidad de los ítems o cargas de red inesperadas deben motivar una investigación sustantiva. No deberían iniciar automáticamente un procedimiento iterativo de eliminar y volver a ejecutar hasta que todos los estadísticos superen un punto de corte fijo.
Un ítem inestable puede representar una redacción ambigua, solapamiento del constructo, incertidumbre muestral o una frontera genuina entre dimensiones. Eliminarlo únicamente para aumentar la estabilidad puede estrechar el constructo y capitalizar las particularidades de la muestra actual.
12.3.1 Seguimiento opcional mediante CFA
Puede ajustarse con EGAnet un modelo factorial basado en la estructura EGA:
[1] "wmt1" "wmt4" "wmt13" "wmt17"
[1] "wmt2" "wmt3" "wmt5" "wmt12" "wmt15" "wmt18"
[1] "wmt6" "wmt7" "wmt8"
[1] "wmt9" "wmt10" "wmt11" "wmt14"Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 1') is deprecated at line 1, pos 1
Fat 1 =~ wmt1 + wmt4 + wmt13 + wmt17
^
Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 1') is deprecated at line 1, pos 1
Fat 1 =~ wmt1 + wmt4 + wmt13 + wmt17
^
Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 1') is deprecated at line 1, pos 1
Fat 1 =~ wmt1 + wmt4 + wmt13 + wmt17
^
Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 1') is deprecated at line 1, pos 1
Fat 1 =~ wmt1 + wmt4 + wmt13 + wmt17
^Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 2') is deprecated at line 2, pos 2
Fat 2 =~ wmt2 + wmt3 + wmt5 + wmt12 + wmt15 + wmt18
^
Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 2') is deprecated at line 2, pos 2
Fat 2 =~ wmt2 + wmt3 + wmt5 + wmt12 + wmt15 + wmt18
^
Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 2') is deprecated at line 2, pos 2
Fat 2 =~ wmt2 + wmt3 + wmt5 + wmt12 + wmt15 + wmt18
^
Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 2') is deprecated at line 2, pos 2
Fat 2 =~ wmt2 + wmt3 + wmt5 + wmt12 + wmt15 + wmt18
^
Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 2') is deprecated at line 2, pos 2
Fat 2 =~ wmt2 + wmt3 + wmt5 + wmt12 + wmt15 + wmt18
^
Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 2') is deprecated at line 2, pos 2
Fat 2 =~ wmt2 + wmt3 + wmt5 + wmt12 + wmt15 + wmt18
^Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 3') is deprecated at line 3, pos 2
Fat 3 =~ wmt6 + wmt7 + wmt8
^
Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 3') is deprecated at line 3, pos 2
Fat 3 =~ wmt6 + wmt7 + wmt8
^
Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 3') is deprecated at line 3, pos 2
Fat 3 =~ wmt6 + wmt7 + wmt8
^Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 4') is deprecated at line 4, pos 2
Fat 4 =~ wmt9 + wmt10 + wmt11 + wmt14
^
Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 4') is deprecated at line 4, pos 2
Fat 4 =~ wmt9 + wmt10 + wmt11 + wmt14
^
Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 4') is deprecated at line 4, pos 2
Fat 4 =~ wmt9 + wmt10 + wmt11 + wmt14
^
Warning: lavaan->lav_parse_check_relational():
having identifiers with spaces ('Fat 4') is deprecated at line 4, pos 2
Fat 4 =~ wmt9 + wmt10 + wmt11 + wmt14
^Warning: lavaan->lav_object_post_check():
covariance matrix of latent variables is not positive definite ; use
lavInspect(fit, "cov.lv") to investigate.
Warning: lavaan->lav_object_post_check():
covariance matrix of latent variables is not positive definite ; use
lavInspect(fit, "cov.lv") to investigate.
Warning: lavaan->lav_object_post_check():
covariance matrix of latent variables is not positive definite ; use
lavInspect(fit, "cov.lv") to investigate.
y examinarse con lavaan:
Warning: lavaan->lav_object_post_check():
covariance matrix of latent variables is not positive definite ; use
lavInspect(fit, "cov.lv") to investigate.
Warning: lavaan->lav_object_post_check():
covariance matrix of latent variables is not positive definite ; use
lavInspect(fit, "cov.lv") to investigate.
Warning: lavaan->lav_object_post_check():
covariance matrix of latent variables is not positive definite ; use
lavInspect(fit, "cov.lv") to investigate. npar fmin
40.000 0.098
chisq df
231.983 113.000
pvalue chisq.scaled
NA 323.795
df.scaled pvalue.scaled
113.000 0.000
chisq.scaling.factor baseline.chisq
0.741 11168.058
baseline.df baseline.pvalue
136.000 NA
baseline.chisq.scaled baseline.df.scaled
7229.787 136.000
baseline.pvalue.scaled baseline.chisq.scaling.factor
0.000 1.555
cfi tli
0.989 0.987
cfi.scaled tli.scaled
0.970 0.964
cfi.robust tli.robust
0.888 0.865
nnfi rfi
0.987 0.975
nfi pnfi
0.979 0.814
ifi rni
0.989 0.989
nnfi.scaled rfi.scaled
0.964 0.946
nfi.scaled pnfi.scaled
0.955 0.794
ifi.scaled rni.scaled
0.970 0.970
nnfi.robust rni.robust
0.865 0.888
rmsea rmsea.ci.lower
0.030 0.024
rmsea.ci.upper rmsea.ci.level
0.035 0.900
rmsea.pvalue rmsea.close.h0
1.000 0.050
rmsea.notclose.pvalue rmsea.notclose.h0
0.000 0.080
rmsea.scaled rmsea.ci.lower.scaled
0.040 0.035
rmsea.ci.upper.scaled rmsea.pvalue.scaled
0.045 1.000
rmsea.notclose.pvalue.scaled rmsea.robust
0.000 0.082
rmsea.ci.lower.robust rmsea.ci.upper.robust
0.072 0.093
rmsea.pvalue.robust rmsea.notclose.pvalue.robust
0.000 0.660
rmr rmr_nomean
0.053 0.056
srmr srmr_bentler
0.056 0.053
srmr_bentler_nomean crmr
0.056 0.056
crmr_nomean srmr_mplus
0.059 NA
srmr_mplus_nomean gfi
NA 0.988
gfi.ci.lower gfi.ci.upper
0.984 0.992
gfi.ci.level gfi.robust
0.900 0.917
gfi.ci.lower.robust gfi.ci.upper.robust
0.897 0.936
cn_05 cn_01
709.467 771.074
gfi_lisrel agfi_lisrel
0.983 0.977
pgfi mfi
0.726 0.951
wrmr
1.231
attr(,"scaled.test")
[1] "scaled.shifted"Si la estructura fue descubierta y evaluada en la misma muestra, el CFA es una descripción de seguimiento, no una confirmación independiente. La validación cruzada en una muestra separada proporciona evidencia más fuerte.
Las puntuaciones latentes del CFA ajustado pueden estimarse de la siguiente manera:
13 Lista Práctica para Evaluar la Aquiescencia
| Etapa | Pregunta |
|---|---|
| Diseño de ítems | ¿Los ítems positivos y con clave opuesta representan contenido genuinamente opuesto? |
| Formato de respuesta | ¿Las propias etiquetas de las categorías podrían fomentar el acuerdo? |
| Estructura de datos | ¿Los ítems positivos e inversos forman agrupamientos de método separados? |
| Modelo | ¿La aquiescencia se representa independientemente de los factores sustantivos? |
| Magnitud | ¿El componente de estilo de respuesta explica una varianza no trivial? |
| Estabilidad | ¿Las asignaciones de los ítems son estables cuando se controla la aquiescencia? |
| Interpretación | ¿El control mejora la interpretabilidad sustantiva y no solo el ajuste numérico? |
14 Consideraciones Finales
La aquiescencia es engañosamente sencilla de definir, pero difícil de controlar. La tendencia básica —estar de acuerdo independientemente del contenido— puede crear covarianza sistemática entre los ítems de un cuestionario. Los ítems con clave opuesta hacen observable esta tendencia, pero también pueden introducir sus propios efectos de redacción y comprensión.
Por ello, el enfoque más sólido no consiste en tratar la redacción inversa como un remedio universal. El diseño de los ítems, el formato de respuesta y el modelado estadístico deben trabajar conjuntamente. Los modelos con intercepto aleatorio y métodos relacionados de sesgo de respuesta pueden separar una tendencia general al acuerdo de los rasgos sustantivos, pero esa separación es tan defendible como los supuestos que identifican el componente de estilo de respuesta.
En el trabajo aplicado, el objetivo no es obtener un cuestionario estadísticamente libre de toda tendencia de respuesta. Es comprender qué partes de la covarianza observada pueden atribuirse plausiblemente al constructo objetivo y cuáles pueden surgir de la manera en que las personas utilizan la escala de respuesta.