Análisis de la estructura de medias. 2 Hasta ahora, análisis de la estructura de covarianzas (como trabajar con puntuaciones diferenciales) En los análisis.

Slides:



Advertisements
Presentaciones similares
Miquel A. Belmonte Hospital General de Castellón España, 2000
Advertisements

Tema 6: Regresión lineal.
Tercera sesión.
Técnicas para el análisis de datos en el enfoque cuantitativo
KRIGING CON TENDENCIA.
“Construcción de Software para Regresión: El Caso de Selección de Modelos y Pruebas de Homocedasticidad” Previa a la obtención del Título de: INGENIERO.
Estadísticos de Prueba en el Modelo de Regresión Múltiple
MANUAL DE LABORATORIO DE CÓMPUTO ECONOMETRÍA I MULTICOLINEALIDAD
ESTRATEGIAS Y DISEÑOS AVANZADOS DE INVESTIGACIÓN SOCIAL
METODOLOGÍA DE INVESTIGACIÓN Titular: Agustín Salvia
Tema 8: Principales distribuciones de probabilidad
INTRODUCCIÓN A LAS SERIES DE TIEMPO
ALGUNOS CONCEPTOS PREVIOS
Problema de la medición en Psicología
“an information criterion” (AIC) Akaike’s information criterion … en pocas palabras. Luis M. Carrascal En vez de obtener la diferencia entre dos modelos,
RESIDUALES DE LA REGRESIÓN
División de Estudios Políticos, CIDE
SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES
REGRESION LINEAL En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre factores (o variables).
EL ESTUDIO DEL SESGO EN LOS TESTS
Principios de Bioestadística: «PRUEBA t»
Regresión Lineal Múltiple
Análisis Factorial de Datos Categóricos
TEMA XXI. ESQUEMA GENERAL DISEÑO LONGITUDINAL DE MEDIDAS REPETIDAS SIMPLE Diseño de una muestra de sujetos. Estudio de las curvas de crecimiento Análisis.
REGRESION Y CORRELACION
Órigenes:. Estandarización Se basa en la diferencia entre la probabilidad de acierto en uno y otro grupo. El indicador, DPE, diferencia en proporciones.
EXAMINANDO LA VIABILIDAD DE UN MODELO INSTRUCCIONAL: UN ESTUDIO PRELIMINAR DESDE LA PERSPECTIVA DEL ESTUDIANTE Fernando Doménech Betoret Psicología Evolutiva.
ANOVA (Analysis of Variation)
Regresión Lineal Simple
CO 3321/22 Modelos Lineales Práctica 3 Consideraremos modelos de la forma: Observación=señal + ruido Estos modelos pueden escribirse en la forma: Y=X 
1 INTERPRETACIÓN DE UNA ECUACIÓN DE REGRESIÓN El diagrama muestra el ingreso por hora en 2002 graficado contra los años de educación, definido como el.
Tema 17: Contraste paramétrico de hipótesis I: Pruebas de contraste para un grupo. Pruebas de contraste para dos grupos: independientes o relacionados.
Estadístico Mantel-Haenszel Estadístico utilizado para determinar cuando dos variables (grupo y acierto) son independientes cuando se condiciona a una.
Educación y familia: apuntes sobre el estado de la cuestión en España Por Julio Carabaña UCM.
LOS COMPONENTES ALEATORIOS DE LOS COEFICIENTES DE REGRESIÓN
REGRESION LINEAL MULTIPLE: Introducción
Titular: Agustín Salvia
CO2124 CRÍTICA DEL MODELO Práctica 5 1 El ajuste y el análisis de un modelo lineal se sustenta en cuatro suposiciones básicas: La relación entre las variables.
Modelos Lineales CO Práctica 4 Comparación de Modelos Lineales Se desea comparar dos modelos de la forma: (1) y i =  0 +  1 x 1i  l x li.
LA PRUEBA F DE BONDAD DE AJUSTE 2 Vamos a considerar el caso general donde hay k – 1 variables explicativas. Para la prueba F de bondad de ajuste de la.
Introducción al Análisis factorial confirmatorio Lectura básica: Cap. 13 del texto Ampliación: Brown, T. A. (2006). Confirmatory Factor Analysis for Applied.
Diseño de un grupo de sujetos
UNIVERSIDAD DE GUADALAJARA C. U. C. E. I. Departamento de Madera Celulosa y Papel DETERMINACIÓN DEL EFECTO DEL MATERIAL DE ENVASE EN EL pH DE LA COCA COLA.
Día 20 de Enero. Error de medida Frecuentemente se tiende a considerar que nuestros indicadores son medidas sin error de los conceptos que nos interesan,
“an information criterion” (AIC) Akaike’s information criterion … en pocas palabras. Luis M. Carrascal Luis M. Carrascal En vez de obtener la diferencia.
SAS STAT: REG Y GLM -DANIEL ALEJANDRO GARCIA C.I.:
2009 M.P.Díaz1 Introducción a los Modelos Lineales Generalizados Continuación …. Algunos ejemplos de motivación.
APLICACIONES ECONOMÉTRICAS LIC. EN ECONOMIA PRÁCTICA 28/3/03.
PASOS COMPLEMENTARIOS. MUESTRA Lo primero que se tiene que plantear es el quiénes van a ser medidos, lo que corresponde a definir la unidad de análisis.
Regresión lineal simple Nazira Calleja
Unidad 4 Análisis de los Datos.
Lic. Davide Erdas ________________________ Impacto del Precio del Petróleo en los Estados Unidos ________________________ Efecto de la dependencia del.
Quiz 1. Nombre al menos uno de los aspectos que se subestima al escoger mal el modelo evolutivo 2. ¿Qué hace la corrección AICc? Bono: ¿Cuál es el segundo.
Índices de validez Nazira Calleja.
D ETERMINANTES DE LA SATISFACCIÓN CON LA VIDA EN ADULTOS MAYORES DE ZONAS RURALES Y URBANAS. U N ANÁLISIS MULTIGRUPO CON ECUACIONES ESTRUCTURALES. Cristian.
Análisis de Varianza ANOVA Capitulo 10. Multiples grupos Ha: Por lo menos uno de los grupos no es igual a lo demás.
Free and Quick Translation of Anderson's slides
TEORIA CLASICA y TEORIA DE RESPUESTA AL ITEM ( TRI )
Licenciatura en Psicopedagogía: Métodos, Diseños y Técnicas de Investigación Psicológica Tema 9 Fiabilidad de las puntuaciones.
Free and Quick translation of Prof. Anderson's slides1 Analisis de Regresion Multiple y =  0 +  1 x 1 +  2 x  k x k + u 1. Estimacion.
SCORE-15: Datos portugueses y españoles a Relvas, A. P., Vilaça, M., Rivas, G., & Pereira, R. (2015) Ponencia Plenaria “SCORE-15 – Un Instrumento Europeo.
MEDIOS DE TRANSPORTE MEANS OF TRANSPORT.
Anova de una via Diseños completamente aleatorios
Anova de una via Diseños completamente aleatorios
Introducción: Método: Objetivos: Resultados: Conclusiones:
Anova de una via Diseños completamente aleatorios
ECUACIONES. 1. ECUACIÓN 2.ECUACIONES DE PRIMER GRADO.
Análisis de Regresión. Introducción Importancia Principal Aplicación: Determinación relación Y = F(X 1, X 2,... X n )
Sumas de cuadrados en Anova
Transcripción de la presentación:

Análisis de la estructura de medias

2 Hasta ahora, análisis de la estructura de covarianzas (como trabajar con puntuaciones diferenciales) En los análisis de la estructura de medias, se estima para cada indicador su intercepto o umbral (valor de x, cuando ξ = 0). S

3 Es el valor esperado en x cuando la puntuación en el factor toma un valor de 0.

4 Means X1 X2 X3 X4 ________ ________ ________ ________ Covariances X1 X2 X3 X4 ________ ________ ________ ________ X X X X EMPIRICASEMPIRICAS TEORICASTEORICAS 4 ecuaciones más 5 parámetros más ¿Los grados de libertad cambian?

5 Falta de identificación restricción Intercepts X X X X ecuaciones más 4 parámetros más Los grados de libertad no cambian Con un grupo:

Measurement invariance 6 Invarianza de las medidas

7 Múltiples grupos Invarianza de las medidas Measurement invariance

8

9 1. Invarianza de configuración Configural invariance ¿Los dos grupos tienen los mismos parámetros?

10 TESTS OF MODEL FIT Chi-Square Test of Model Fit Value Degrees of Freedom 142 P-Value CFI/TLI CFI TLI Information Criteria Number of Free Parameters 96 Akaike (AIC) Bayesian (BIC) Sample-Size Adjusted BIC (n* = (n + 2) / 24) RMSEA (Root Mean Square Error Of Approximation) Estimate Percent C.I SRMR (Standardized Root Mean Square Residual) Value 0.052

11 2. Invarianza métrica Metric invariance Invarianza factorial débil weak factorial invariance Partial metric invariance

¿Miden lo mismo las pruebas en los dos grupos?

TESTS OF MODEL FIT Chi-Square Test of Model Fit Value Degrees of Freedom 152 P-Value CFI/TLI CFI (0.925) TLI (0.905) Information Criteria Akaike (AIC) ( ) RMSEA (Root Mean Square Error Of Approximation) Estimate (0.075) 90 Percent C.I SRMR (Standardized Root Mean Square Residual) Value (0.052) Chi= Gl=10 P < 0.001

BY Statements F1 BY X F1 BY X F3 BY X F3 BY X Group 2DOGRADO BY Statements F1 BY X F1 BY X F3 BY X F3 BY X Índices de modificación más altos…

TESTS OF MODEL FIT Chi-Square Test of Model Fit Value Degrees of Freedom 150 P-Value CFI/TLI CFI (0.925) TLI (0.905) Information Criteria Akaike (AIC) ( ) RMSEA (Root Mean Square Error Of Approximation) Estimate (0.075) 90 Percent C.I SRMR (Standardized Root Mean Square Residual) Value (0.052) Chi= Gl=8 P = Libera el peso de los tests 1 y 9

Podemos asumir que todos los pesos son iguales menos los de los tests 1 y 9 Seguimos…. 16

17 3. Invarianza factorial escalar scalar invariance Invarianza factorial fuerte strong factorial invariance Partial scalar invariance (menos los de los tests 1 y 9)

18 ¿Está sesgada la prueba a favor de algún grupo? Ó Las diferencias de medias en los tests (entre los grupos)… ¿se deben a los factores?

TESTS OF MODEL FIT Chi-Square Test of Model Fit Value Degrees of Freedom 160 P-Value CFI/TLI CFI (0.924/0.925) TLI (0.908/0.905) Information Criteria Akaike (AIC) ( / ) RMSEA (Root Mean Square Error Of Approximation) Estimate 0.076(0.074/0.075) 90 Percent C.I SRMR (Standardized Root Mean Square Residual) Value (0.057/0.052) Chi= Gl=10 P < 0.001

Means/Intercepts/Thresholds [ X1 ] [ X3 ] [ X4 ] [ X8 ] Group 2DOGRADO Means/Intercepts/Thresholds [ X1 ] [ X3 ] [ X4 ] [ X8 ]

TESTS OF MODEL FIT Chi-Square Test of Model Fit Value Degrees of Freedom 157 P-Value CFI/TLI CFI (0.924/0.925) TLI (0.908/0.905) Information Criteria Akaike (AIC) ( / ) RMSEA (Root Mean Square Error Of Approximation) Estimate 0.073(0.074/0.075) 90 Percent C.I SRMR (Standardized Root Mean Square Residual) Value (0.057/0.052) Chi= Gl=7 P = Libera el intercepto de los tests 2, 4 y 8

Podemos asumir que todos los interceptos son iguales menos los de los tests 2, 4 y 8 Seguimos…. 22

23 4. Invarianza factorial estricta Strict factorial invariance (menos los de los tests 1 y 9) (menos los de los tests 2, 4 y 8)

24 ¿Tiene la prueba más varianza error en uno de los dos grupos?

TESTS OF MODEL FIT Chi-Square Test of Model Fit Value Degrees of Freedom 171 P-Value CFI/TLI CFI 0.920(0.922/0.924/0.925) TLI 0.915(0.910/0.908/0.905) Information Criteria Akaike (AIC) ( / / ) RMSEA (Root Mean Square Error Of Approximation) Estimate 0.071(0.073/0.074/0.075) 90 Percent C.I SRMR (Standardized Root Mean Square Residual) Value 0.059(0.056/0.057/0.052) Chi= Gl=14 P = 0.060

26 Means F F F F Variances F F F F Means F F F F Variances F F F F Medias y varianzas en los factores latentes para los dos grupos no contaminadas por el sesgo de los tests

Diferencias d estandarizadas (Pardo y San Martin, 1998; p.208) d 1 =-1.43 (p <.001) d 2 =-0.75 (p <.001) d 3 =-0.78 (p <.001) d 4 =-0.59 (p <.001) 27 “Libera” el peso de los tests Vocabulario y Cubos “Libera” interceptos Semejanzas, Comprensión y Figuras Incompletas