9 Viés de Aquiescência
Questionários geralmente pressupõem que os respondentes selecionam uma categoria de resposta porque ela representa melhor o conteúdo do item. Na prática, algumas pessoas também diferem em sua tendência a concordar com afirmações independentemente do que elas dizem. Esse estilo de resposta é chamado aquiescência (Cronbach, 1942; Robinson et al., 1991).
Aquiescência, portanto, não é simplesmente “responder alto” nem responder de forma extrema. É uma tendência direcional ao endosso que pode operar em itens com diferentes conteúdos substantivos.
NotaMapa do capítulo
Este capítulo desenvolve a aquiescência a partir de três perspectivas:
- O que é aquiescência? — um estilo de resposta com componentes estáveis e situacionais.
- Por que é difícil controlá-la? — itens com chave invertida podem revelar aquiescência, mas também podem introduzir efeitos de redação e compreensão.
- Como ela pode ser modelada? — modelos fatoriais de viés de resposta, AFC com intercepto aleatório e EGA com intercepto aleatório.
A seção final implementa essas abordagens em R.
9.1 Como se manifesta a aquiescência?
Cronbach (1942) observaram que os respondentes diferiam na frequência com que selecionavam a resposta afirmativa em testes de verdadeiro–falso. A mesma lógica se estende a questionários modernos do tipo Likert: um respondente aquiescente apresenta maior tendência a endossar afirmações independentemente de sua polaridade substantiva.
Considere um questionário simplificado de Extroversão:
| Item | Discordo totalmente | Discordo parcialmente | Concordo parcialmente | Concordo totalmente |
|---|---|---|---|---|
| Sou uma pessoa comunicativa | 1 | 2 | 3 | 4 |
| Gosto de interagir com pessoas | 1 | 2 | 3 | 4 |
| Não me sinto energizado após grandes interações sociais | 1 | 2 | 3 | 4 |
O padrão importante não é que o respondente escolha categorias extremas. A terceira resposta é substantivamente inconsistente com as duas primeiras depois de considerar a polaridade do item, mas o respondente ainda endossa a afirmação. Isso ilustra por que o balanceamento da direção das chaves pode fornecer informação sobre aquiescência.
ImportanteAquiescência é diferente de respostas extremas
Um respondente extremo tende a escolher os extremos da escala, como 1 ou 5. Um respondente aquiescente tende a escolher o lado de concordância da escala. Uma pessoa pode apresentar um desses estilos de resposta sem apresentar o outro.
9.2 A aquiescência é traço ou estado?
A aquiescência está associada a características individuais e contextuais. Estudos relataram relações com idade, escolaridade, características cognitivas e contexto cultural (Chen et al., 1995; Hinz et al., 2007; Soto et al., 2008). Pesquisas com gêmeos também sugerem que a aquiescência não pode ser reduzida a uma simples diferença individual herdada (Kam et al., 2013).
Ao mesmo tempo, uma parcela da aquiescência parece ser estável entre ocasiões de mensuração (Billiet & Davidov, 2008). Análises latentes de estado–traço indicam que a aquiescência contém tanto um componente relativamente estável quanto variação específica da ocasião (Danner et al., 2015).
Uma interpretação útil é, portanto:
| Componente | Exemplos |
|---|---|
| Semelhante a traço | Hábitos estáveis de resposta, estilo cognitivo, características duradouras da pessoa |
| Semelhante a estado | Fadiga, motivação, contexto da entrevista, atenção momentânea |
| Relacionado ao instrumento | Redação dos itens, rótulos das respostas, equilíbrio das direções das chaves |
Isso ajuda a explicar por que a aquiescência pode se generalizar entre domínios de conteúdo sem necessariamente ser um traço psicológico de personalidade no mesmo sentido que Extroversão ou Neuroticismo (Ferrando et al., 2004).
9.3 Por que a aquiescência importa?
Mesmo um componente modesto de aquiescência pode alterar a estrutura de covariância de dados de questionários. Estudos de simulação e empíricos mostram que ela pode distorcer a recuperação de fatores, afetar coeficientes de regressão ou validade e alterar a aparente dimensionalidade de escalas (Kam et al., 2012; Savalei & Falk, 2014; Valentini, 2017; Valentini & Hauck Filho, 2020).
Uma razão intuitiva é que a aquiescência cria variância compartilhada entre itens que apontam na mesma direção de resposta. Se essa variância compartilhada não for modelada, uma análise fatorial pode interpretar covariância do estilo de resposta como covariância psicológica substantiva.
DicaControle o estilo de resposta antes de interpretar a covariância
Se houver expectativa de que a aquiescência contribua de modo relevante para a matriz de covariâncias dos itens, ela deve ser considerada antes de interpretar precisão, estrutura fatorial ou relações estruturais entre variáveis latentes (Billiet & McClendon, 2000; Cambré et al., 2002).
10 Itens com chave invertida: solução e novo problema
Uma estratégia comum é escrever alguns itens na direção positiva do construto e outros na direção oposta (Baumgartner & Steenkamp, 2001). Por exemplo:
- direção positiva: “Frequentemente me sinto triste.”
- direção oposta: “Em geral, me sinto alegre.”
Após a recodificação reversa, pretende-se que ambos os itens apontem na mesma direção substantiva. Se um respondente simplesmente concordar com ambos, respostas substantivamente inconsistentes fornecem informação sobre aquiescência.
Essa lógica é útil, mas inverter itens não é psicometricamente neutro.
10.1 1. Redação oposta pode alterar o processamento cognitivo
Itens negados e com chave invertida podem exigir leitura e interpretação adicionais. Respondentes podem interpretar mal a negação, deixar de perceber a palavra-chave ou usar um processo de resposta diferente daquele empregado em itens redigidos positivamente (Van Sonderen et al., 2013; Weijters & Baumgartner, 2012).
Esses problemas podem ser especialmente importantes quando a habilidade de leitura varia entre os respondentes (Marsh, 1996).
10.2 2. Itens positivos e negativos podem não ser substantivamente equivalentes
Inverter a redação pressupõe que as duas formulações do item representem posições opostas em um mesmo contínuo psicológico. Esse pressuposto nem sempre é defensável (Chang, 1995; Suárez-Alvarez et al., 2018).
Concordar com “Eu me sinto resiliente” não é necessariamente psicologicamente equivalente a discordar de “Eu desisto facilmente”. As duas afirmações podem ativar conteúdos diferentes mesmo quando são pontuadas como opostas.
10.3 3. Itens com chave invertida podem criar estrutura de método
Itens positivos e com chave invertida às vezes formam agrupamentos ou fatores separados, particularmente quando um pequeno subconjunto de respondentes responde aos itens invertidos de maneira descuidada (Hughes, 2009; Knight et al., 1988; Woods, 2006).
Pesquisas também encontraram que escalas contendo apenas itens com redação positiva podem, em alguns casos, apresentar estruturas de covariância mais limpas do que versões com chaves mistas (Salazar, 2015; Schriesheim & Hill, 1981). Isso não implica que a aquiescência tenha desaparecido; ela pode simplesmente se tornar mais difícil de identificar porque todos os itens compartilham a mesma direção de resposta.
AvisoMelhor ajuste após remover itens invertidos não comprova que a aquiescência desapareceu
Se todos os itens tiverem chave positiva, a aquiescência pode contribuir com covariância na mesma direção em toda a escala. Uma solução fatorial mais limpa pode, portanto, refletir menos conflito visível de estilo de resposta, e não necessariamente menos variância de estilo de resposta.
10.4 As escalas ainda devem conter itens com direção oposta?
Não existe uma resposta universal. O delineamento envolve uma troca:
| Vantagem potencial | Custo potencial |
|---|---|
| Fornece informação para separar tendência à concordância de conteúdo | Pode introduzir efeitos de negação ou de método de redação |
| Ajuda a identificar fatores de intercepto aleatório/aquiescência | Pode aumentar a confusão dos respondentes |
| Torna observáveis padrões de concordância uniforme | Pode criar fatores artificiais de itens positivos versus negativos |
| Sustenta alguns métodos de escalas balanceadas | Pode ser inadequado quando o construto não possui um oposto natural |
A questão central é elaborar itens substantivamente opostos, em vez de simplesmente acrescentar negação gramatical sempre que possível.
11 Controle estatístico e baseado no delineamento
A aquiescência pode ser abordada tanto pelo delineamento da mensuração quanto pelo modelo estatístico.
11.1 Controle estatístico
Muitos modelos tratam a aquiescência como um componente latente de estilo de resposta que atua entre os itens. Isso geralmente requer dois pressupostos substantivos:
- o componente de aquiescência é distinguível dos traços latentes substantivos; e
- a mesma tendência de resposta contribui sistematicamente em vários itens (Ferrando et al., 2003; Savalei & Falk, 2014).
Modelos de fatores de itens com intercepto aleatório são um exemplo comum. Cada item apresenta a mesma carga em um fator de estilo de resposta, que capta a tendência geral do respondente a endossar categorias mais altas ou mais baixas ao longo da escala (Billiet & McClendon, 2000; Kam et al., 2012).
11.2 Delineamento do questionário
O formato da escala também pode influenciar estilos de resposta. Pesquisas examinaram rotulagem das categorias de resposta, disponibilidade de ponto médio, direção das chaves e formatos alternativos (Weijters et al., 2010).
Escalas de diferencial semântico são uma alternativa. Em algumas aplicações, elas apresentam estrutura fatorial mais limpa do que itens do tipo Likert baseados em concordância (Friborg et al., 2006). Outra abordagem é o formato expandido, em que cada opção de resposta é substituída por uma afirmação substantiva representando uma posição diferente no construto (Zhang & Savalei, 2016).
NotaDelineamento e modelagem são complementares
Um bom modelo estatístico não consegue reparar totalmente itens mal escritos, e uma boa redação de itens não garante que estilos de resposta estejam ausentes. Considerações sobre o processo de resposta devem orientar tanto o delineamento do questionário quanto a análise.
12 Controlando aquiescência em R
12.1 Abordagem 1: vampyr
O pacote vampyr implementa o framework fatorial de viés de resposta discutido no 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 O conjunto de dados de exemplo contém 300 respondentes, quatro marcadores de desejabilidade social e seis itens de agressão física com indicadores de chave positiva e negativa.
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 0.72712 0.00000 0.00000
Item 4 0.71130 0.00000 0.00000
Item 5 -0.07851 0.23765 0.54830
Item 6 0.27520 0.00222 -0.49052
Item 7 -0.16413 0.57410 0.70138
Item 8 -0.14320 0.54065 0.59106
Item 9 0.26560 0.19600 -0.66800
Item 10 0.31733 0.06250 -0.68222contAC = TRUE solicita controle da aquiescência. O argumento SD_items identifica adicionalmente os marcadores de desejabilidade social. Portanto:
- para modelar tanto desejabilidade social quanto aquiescência, mantenha
SD_itemsecontAC = TRUE; - para modelar aquiescência sem um fator marcador de desejabilidade social, omita o argumento
SD_itemsse isso for permitido pelo fluxo de trabalho pretendido; - para desativar o controle de aquiescência, use
contAC = FALSE.
Se o conjunto de itens não for balanceado, as posições dos itens que não possuem um correspondente com chave oposta podem ser fornecidas por unbalanced_items.
Escores fatoriais podem ser solicitados definindo 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 2 seconds
Computing EAP scores. Time remaining 2 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP scores. Time remaining 1 seconds
Computing EAP 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 0.60261 0.00000 0.00000
Item 2 0.51525 0.00000 0.00000
Item 3 0.72715 0.00000 0.00000
Item 4 0.71128 0.00000 0.00000
Item 5 -0.07851 0.23773 0.54829
Item 6 0.27521 0.00193 -0.49038
Item 7 -0.16413 0.57427 0.70127
Item 8 -0.14320 0.54088 0.59094
Item 9 0.26561 0.19562 -0.66782
Item 10 0.31734 0.06244 -0.68229
-----------------------------------------------------------------------
RELIABILITY OF EAP SCORES
Factor EAP Reliability estimate
SD : 0.6741
Acquiescence : 0.4109
Factor 1 : 0.6585
PARTICIPANTS'S SCORES ON FACTORS:
Rescaled to mean = 50 and standard deviation = 10 in the sample
Factor SD Factor AC Factor 1
[1,] 44.30705 48.52967 51.44946
[2,] 59.61959 38.14961 50.56743
[3,] 61.18409 42.28456 57.66676
[4,] 55.02570 43.35022 56.66997
[5,] 48.22779 38.63308 39.72198
[6,] 44.51569 64.28022 54.11491
[7,] 44.73196 65.03756 43.76206
[8,] 39.64766 50.42127 28.01883
[9,] 61.33962 36.09308 54.53569
[10,] 52.16942 54.33202 45.30312
[11,] 55.76823 44.66469 43.94271
[12,] 53.40317 58.27305 41.59054
[13,] 46.67517 51.20048 48.65412
[14,] 78.49714 78.23415 44.75749
[15,] 55.73242 54.95657 44.28939
[16,] 44.79368 64.48728 62.46127
[17,] 45.01409 46.09107 43.67239
[18,] 44.88631 59.47173 44.67272
[19,] 43.98155 35.51127 32.96285
[20,] 56.02810 34.92466 45.46473
[21,] 43.26915 33.50383 56.81782
[22,] 55.84738 64.01267 33.23092
[23,] 28.11540 58.10609 66.63249
[24,] 49.33880 42.43584 49.36812
[25,] 39.89447 45.29947 52.74620
[26,] 37.03626 57.53760 57.21674
[27,] 55.01318 47.35863 52.51948
[28,] 55.91142 62.53908 49.19145
[29,] 43.96971 45.20959 43.43457
[30,] 55.62011 44.38309 44.27736
[31,] 37.85590 65.93391 58.47761
[32,] 44.88446 43.34627 54.77281
[33,] 46.71759 40.35085 37.21317
[34,] 65.12968 49.66480 50.12847
[35,] 47.82045 48.87378 49.13257
[36,] 67.06665 41.08391 59.81991
[37,] 44.91431 53.52437 46.46979
[38,] 54.24776 57.88374 32.00329
[39,] 55.62407 44.10906 43.98595
[40,] 43.17969 54.50456 43.88306
[41,] 52.52593 46.39723 41.34363
[42,] 64.90642 50.84631 51.33332
[43,] 65.34166 53.50054 57.05325
[44,] 54.85350 42.88497 45.59003
[45,] 55.73983 55.70860 44.26528
[46,] 52.50514 44.32264 44.70213
[47,] 34.77401 41.69616 47.25482
[48,] 45.26194 45.00826 43.72928
[49,] 32.23678 36.27307 49.28985
[50,] 55.73952 43.89996 55.99502
[51,] 32.22534 56.28977 43.70997
[52,] 49.72705 51.33922 58.73305
[53,] 46.28989 38.95160 48.77531
[54,] 50.73661 58.76470 69.74266
[55,] 56.36521 50.67602 32.93630
[56,] 34.49164 41.63663 61.92528
[57,] 44.14499 50.12537 54.24633
[58,] 44.05228 53.41560 46.56907
[59,] 78.32430 61.79084 54.34735
[60,] 46.95077 53.90809 45.60606
[61,] 78.53941 71.24290 56.53553
[62,] 55.64327 47.45389 44.28082
[63,] 43.98750 53.49725 44.30982
[64,] 57.69364 47.71256 35.96763
[65,] 55.68324 42.57955 46.22295
[66,] 55.60377 43.40751 44.27058
[67,] 55.75794 56.92033 43.59346
[68,] 64.70731 52.11734 43.67649
[69,] 45.40174 60.15103 66.26048
[70,] 48.54542 62.54433 62.93077
[71,] 43.40407 44.67797 54.76753
[72,] 43.79512 58.60942 68.76661
[73,] 37.82303 58.42790 67.93665
[74,] 72.68422 68.26273 59.94291
[75,] 38.53983 60.71746 53.82653
[76,] 44.39856 77.51629 33.66553
[77,] 34.99341 42.99491 34.00079
[78,] 42.29039 37.14395 52.29225
[79,] 55.43462 33.81536 35.10534
[80,] 41.19120 67.25337 56.56794
[81,] 44.31981 50.67710 44.60291
[82,] 78.46774 61.64598 69.53135
[83,] 53.24744 71.49976 27.64842
[84,] 41.16933 50.35117 56.71588
[85,] 55.39090 61.99641 38.06660
[86,] 44.96374 74.36941 21.43945
[87,] 54.44463 39.62015 32.48905
[88,] 51.47826 52.15771 54.15105
[89,] 45.35869 43.62238 40.04197
[90,] 55.82128 45.90112 54.10358
[91,] 37.66161 71.90067 51.34930
[92,] 44.12255 53.92653 46.05942
[93,] 34.82965 66.22868 38.41861
[94,] 54.82653 53.85998 45.83236
[95,] 66.64036 51.15495 60.31462
[96,] 67.82022 78.46734 44.26206
[97,] 56.12531 51.65439 44.53106
[98,] 33.52086 58.29417 67.34296
[99,] 47.99988 51.28680 55.13159
[100,] 54.34951 53.20000 43.29414
[101,] 44.91291 68.09395 55.67706
[102,] 66.49144 44.36627 43.99127
[103,] 49.86920 66.58892 49.96047
[104,] 44.95788 65.11003 32.76231
[105,] 33.06499 48.68199 49.85915
[106,] 75.49490 42.91539 53.96831
[107,] 56.44017 55.56948 34.03682
[108,] 70.56516 54.85682 46.25901
[109,] 56.47410 66.36366 52.39795
[110,] 54.43239 50.09950 40.50547
[111,] 44.33404 46.83302 53.39877
[112,] 55.87863 50.67536 49.33269
[113,] 40.23075 46.74485 53.50545
[114,] 60.99143 46.12391 55.92234
[115,] 55.65055 34.95017 45.26966
[116,] 66.93624 44.63815 56.36270
[117,] 55.99735 56.99749 42.30647
[118,] 55.54167 58.43466 41.45108
[119,] 44.58427 49.91826 50.05886
[120,] 75.70528 57.33146 66.38656
[121,] 53.27077 48.44621 51.55313
[122,] 46.07372 37.19337 44.31496
[123,] 67.24764 55.06422 44.71432
[124,] 38.75991 49.99821 44.56944
[125,] 64.49824 52.49965 47.48925
[126,] 41.72711 58.54609 68.47927
[127,] 43.13059 46.40292 21.99455
[128,] 41.30415 45.13326 32.88274
[129,] 42.51537 62.30375 56.24766
[130,] 31.75636 35.56036 52.87413
[131,] 37.37015 75.91474 33.55944
[132,] 46.13210 58.65818 69.09648
[133,] 43.81887 41.37299 47.29953
[134,] 66.99833 55.77182 42.98367
[135,] 44.32071 36.68462 32.89133
[136,] 42.22130 58.56163 68.54780
[137,] 43.89468 48.57928 51.26151
[138,] 65.19013 49.37179 62.12182
[139,] 42.66227 71.29404 43.39600
[140,] 33.85745 58.30581 67.38754
[141,] 42.69161 46.68008 63.54361
[142,] 44.93892 52.97971 57.77207
[143,] 55.74587 46.75971 44.83021
[144,] 49.66422 58.73954 69.59349
[145,] 32.17040 47.60993 43.31000
[146,] 47.70054 40.14336 59.88033
[147,] 29.64909 58.03176 54.67963
[148,] 33.29014 40.05906 46.33019
[149,] 55.81765 46.35971 42.32516
[150,] 48.64720 58.71946 69.44853
[151,] 47.97647 55.06963 43.81706
[152,] 43.65910 38.23337 38.05475
[153,] 54.17894 46.07973 42.22560
[154,] 61.57117 49.03008 62.95713
[155,] 43.32926 58.59520 68.70185
[156,] 55.71057 58.86931 70.44764
[157,] 53.68998 55.23987 44.78010
[158,] 44.74130 57.76395 58.48833
[159,] 55.04754 47.07924 49.41149
[160,] 44.80900 58.63591 68.90841
[161,] 55.75073 63.31879 56.49329
[162,] 60.58539 46.33688 54.68606
[163,] 68.79600 42.98552 57.15856
[164,] 56.43853 64.93014 35.15677
[165,] 43.76894 43.80388 57.75543
[166,] 55.74956 52.57445 44.47753
[167,] 55.72438 45.39351 44.36334
[168,] 55.67134 49.90489 48.65892
[169,] 56.73539 68.11272 57.23088
[170,] 68.26739 40.72309 53.44328
[171,] 62.50341 67.16799 60.00830
[172,] 53.84808 47.51286 51.78272
[173,] 67.01737 55.69089 44.42111
[174,] 42.47309 57.66890 58.38353
[175,] 67.06209 47.50173 44.30927
[176,] 50.89580 63.07225 47.39638
[177,] 46.05428 60.55557 55.56266
[178,] 54.33052 55.21070 55.86989
[179,] 56.59187 46.36371 55.89488
[180,] 44.87852 49.54077 61.41426
[181,] 58.31454 44.61347 55.67599
[182,] 54.62537 47.85145 51.30944
[183,] 60.12131 58.56355 44.30423
[184,] 34.34907 58.32118 67.45524
[185,] 47.20457 58.68819 69.24549
[186,] 60.61716 46.21308 65.74043
[187,] 78.42760 58.70664 65.23303
[188,] 37.86626 57.56219 57.34853
[189,] 55.41238 42.21386 45.18757
[190,] 47.63535 54.36923 35.63817
[191,] 55.69733 44.73923 55.26877
[192,] 62.74719 44.58195 53.32173
[193,] 41.00167 49.13838 60.61819
[194,] 56.91964 47.76105 23.84256
[195,] 41.66073 40.40489 31.09838
[196,] 55.68572 39.83581 44.88207
[197,] 68.74097 61.60008 44.16351
[198,] 55.57493 56.17800 55.18023
[199,] 55.71431 69.78859 58.16872
[200,] 44.21246 56.43232 43.53528
[201,] 55.18732 47.81881 43.23212
[202,] 44.77243 69.69400 53.70318
[203,] 51.10718 41.50940 52.23572
[204,] 56.46309 77.79829 44.34387
[205,] 39.54407 60.64058 54.08856
[206,] 44.14093 60.16003 66.02042
[207,] 61.72297 43.42016 44.30632
[208,] 54.38164 46.28591 33.91902
[209,] 50.23374 46.52611 53.43480
[210,] 44.67933 48.55135 56.27510
[211,] 58.57688 57.01788 34.87594
[212,] 55.73780 58.87281 70.44699
[213,] 54.03653 32.76917 46.54109
[214,] 55.87182 58.87330 70.46957
[215,] 41.35498 50.68310 49.74285
[216,] 47.09801 52.43401 25.43321
[217,] 50.98246 67.98381 57.64590
[218,] 55.74766 51.40912 57.71654
[219,] 58.51291 43.21239 32.87943
[220,] 51.74221 42.13211 54.14103
[221,] 77.03303 50.61452 20.87313
[222,] 55.68597 66.10121 55.30617
[223,] 45.46597 48.19248 51.84735
[224,] 29.00372 62.70746 52.90576
[225,] 67.09949 44.87580 55.32644
[226,] 44.36802 66.29273 32.77436
[227,] 39.95158 36.13994 41.46299
[228,] 56.17676 36.70320 55.85330
[229,] 45.74673 60.14857 66.32669
[230,] 67.13422 46.00141 54.04858
[231,] 44.95003 55.42665 44.43740
[232,] 55.60061 44.88293 55.04859
[233,] 55.71749 43.85571 44.28802
[234,] 67.10072 44.62037 55.41541
[235,] 67.23605 35.23104 53.41964
[236,] 48.48569 58.71590 69.42583
[237,] 55.69181 44.55137 55.45637
[238,] 43.46640 45.45784 63.94708
[239,] 43.86720 33.04078 55.89177
[240,] 66.99787 44.58264 55.47258
[241,] 56.14299 44.02221 44.84744
[242,] 61.02433 38.25169 54.36930
[243,] 42.85470 51.88717 35.74510
[244,] 55.70343 59.38652 52.00478
[245,] 55.73566 55.37364 55.97528
[246,] 58.90242 58.05357 62.29864
[247,] 55.73356 44.57337 43.58473
[248,] 44.26913 38.82479 47.32522
[249,] 36.54125 75.30310 48.19521
[250,] 78.49790 54.79593 55.80730
[251,] 65.87365 45.75622 24.05890
[252,] 55.80873 44.29867 44.76871
[253,] 71.61449 44.53238 67.73133
[254,] 70.39262 51.52367 46.95830
[255,] 66.84930 36.95130 32.94714
[256,] 66.65370 60.65268 50.32227
[257,] 45.58379 45.56376 64.33634
[258,] 55.70547 47.18762 49.65821
[259,] 48.96161 51.78735 47.59050
[260,] 75.67155 46.46556 53.95383
[261,] 45.70134 46.84234 64.08248
[262,] 51.98216 43.83793 56.16434
[263,] 55.51953 71.15919 56.05474
[264,] 34.67656 29.94216 53.81999
[265,] 44.45845 67.57369 56.34109
[266,] 41.74270 58.54699 68.48131
[267,] 33.97235 58.64319 55.36466
[268,] 50.60764 58.89727 48.51589
[269,] 35.31051 63.31063 60.26003
[270,] 34.33369 34.58465 31.02331
[271,] 53.11431 42.91715 54.11447
[272,] 67.40927 45.39021 44.23889
[273,] 53.08327 60.09621 67.70215
[274,] 55.68597 72.87496 45.76471
[275,] 55.47580 57.60565 53.75532
[276,] 45.34358 58.64782 68.98359
[277,] 37.01027 70.16880 44.38312
[278,] 40.28532 53.75695 44.62797
[279,] 44.44625 56.10920 32.63928
[280,] 45.25794 59.72779 49.26699
[281,] 55.31300 60.08020 68.12036
[282,] 44.27980 62.83803 61.71621
[283,] 55.54222 47.69779 33.86832
[284,] 55.29009 38.81907 42.59230
[285,] 51.51085 58.78110 69.85217
[286,] 43.30850 57.66901 58.53877
[287,] 67.66625 69.65966 43.86622
[288,] 54.75750 65.93817 53.38765
[289,] 46.98784 37.41844 50.11627
[290,] 55.54859 44.00596 44.43432
[291,] 45.58191 46.66701 44.76356
[292,] 62.80551 55.72985 56.24736
[293,] 45.74972 51.32263 48.59722
[294,] 52.38696 44.70885 65.28740
[295,] 57.57503 50.82496 47.34992
[296,] 75.39603 65.88911 62.33699
[297,] 67.16575 45.44218 44.00037
[298,] 58.57043 36.37714 53.30244
[299,] 55.86648 42.68734 55.50762
[300,] 73.41587 45.75901 42.91132
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 no capítulo sobre desejabilidade social, esses escores são estimativas dependentes do modelo, e não traços diretamente observados.
12.2 Abordagem 2: AFC com intercepto aleatório
Um modelo de fatores de itens com intercepto aleatório representa a aquiescência como um fator comum com cargas iguais entre os itens (Billiet & McClendon, 2000; Savalei & Falk, 2014). Os fatores substantivos captam conteúdo, enquanto o fator de intercepto aleatório capta a tendência geral de uma pessoa a usar categorias de resposta mais altas ou mais baixas.
Usamos o lavaan (Rosseel, 2012) e o conjunto de dados wmt2 distribuído com 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 o modelo
Mostrar sintaxe da AFC com intercepto aleatório
model_RI <- '
factor1 =~ NA*wmt1 + wmt2 + wmt3 + wmt5 + wmt11 +
wmt12 + wmt13 + wmt15 + wmt16 + wmt17 + wmt18
factor2 =~ NA*wmt4 + wmt6 + wmt7 + wmt8 +
wmt9 + wmt10 + wmt14
# Random Intercepts
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
'A parte importante é:
Cada indicador possui uma carga fixada em 1 no fator de aquiescência. Esse fator representa, portanto, uma tendência comum de resposta específica da pessoa, em vez de um fator de conteúdo definido por cargas diferenciais dos itens.
Os fatores substantivos são restringidos a serem ortogonais ao fator de aquiescência. Esse é um pressuposto forte, porém útil, de identificação e interpretação; ele deve ser justificado, e não tratado como mero detalhe técnico.
12.2.2 Ajustar a AFC 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 0.611Inspecione:
- cargas substantivas padronizadas;
- a variância do fator de aquiescência;
- o ajuste global;
- resíduos e diagnósticos de modificação; e
- se a solução substantiva é interpretável depois da inclusão do fator de estilo de resposta.
12.2.3 Estimar escores fatoriais
Quando análises posteriores utilizarem esses escores, lembre-se de que tanto os escores substantivos quanto o escore de aquiescência herdam os pressupostos do modelo ajustado.
12.3 Abordagem 3: EGA com intercepto aleatório
O EGAnet também implementa a Análise Exploratória de Grafos com intercepto aleatório (riEGA), permitindo explorar a dimensionalidade após separar um componente geral de estilo de resposta (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.
A estrutura resultante pode ser submetida a bootstrap:
Mostrar código da riEGA por bootstrap
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
Inspecione a distribuição das dimensões 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% CIe a estabilidade dos itens:
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 As cargas de rede também podem ser inspecionadas:
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 NaNBaixa estabilidade dos itens ou cargas de rede inesperadas devem desencadear investigação substantiva. Elas não devem iniciar automaticamente um procedimento iterativo de excluir e rodar novamente até que todas as estatísticas ultrapassem um ponto de corte fixo.
AvisoLimiares de estabilidade são diagnósticos, não algoritmos de exclusão
Um item instável pode representar redação ambígua, sobreposição de construtos, incerteza amostral ou uma fronteira genuína entre dimensões. Removê-lo apenas para aumentar a estabilidade pode estreitar o construto e capitalizar sobre a amostra atual.
12.3.1 Etapa opcional de AFC
Um modelo fatorial baseado na estrutura EGA pode ser ajustado com EGAnet:
[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.
e inspecionado com 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"Se a estrutura foi descoberta e avaliada na mesma amostra, a AFC é uma descrição posterior, e não uma confirmação independente. Validação cruzada em uma amostra separada fornece evidência mais forte.
Escores latentes do modelo de AFC ajustado podem ser estimados da seguinte forma:
13 Checklist prático de aquiescência
| Etapa | Pergunta |
|---|---|
| Delineamento dos itens | Os itens positivos e com chave oposta representam conteúdos genuinamente opostos? |
| Formato de resposta | Os próprios rótulos das categorias podem incentivar concordância? |
| Estrutura dos dados | Itens positivos e com chave invertida formam agrupamentos de método separados? |
| Modelo | A aquiescência é representada de forma independente dos fatores substantivos? |
| Magnitude | O componente de estilo de resposta explica variância não trivial? |
| Estabilidade | As alocações dos itens são estáveis quando a aquiescência é controlada? |
| Interpretação | O controle melhora a interpretabilidade substantiva, e não apenas o ajuste numérico? |
14 Considerações finais
A aquiescência é enganosamente simples de definir, mas difícil de controlar. A tendência básica — concordar independentemente do conteúdo — pode criar covariância sistemática entre itens de questionários. Itens com chaves opostas tornam essa tendência observável, mas também podem introduzir seus próprios efeitos de redação e compreensão.
A abordagem mais forte, portanto, não é tratar redação reversa como uma solução universal. Delineamento dos itens, formato de resposta e modelagem estatística devem trabalhar em conjunto. Modelos de intercepto aleatório e métodos relacionados de viés de resposta podem separar uma tendência geral ao endosso dos traços substantivos, mas essa separação é tão defensável quanto os pressupostos que identificam o componente de estilo de resposta.
Na prática, o objetivo não é obter um questionário estatisticamente livre de toda tendência de resposta. É compreender quais partes da covariância observada podem ser plausivelmente atribuídas ao construto-alvo e quais podem surgir da forma como os respondentes utilizam a escala de resposta.