En el Análisis Factorial Exploratorio lo que nos interesa es: Explicar la mayor varianza posible de las variables observables Explicar la correlación de las variables observables mediante variables latentes Explicar los valores de las variables observables mediante variables latentes Ninguna es correcta .
Las covarianzas de las variables observables dependen de: De los factores comunes De los factores específicos De los factores comunes y específicos Ninguna es correcta .
Mediante una estimación de la matriz de carga, ¿es posible calcular las varianzas específicas? Sí, por su relación con las varianzas de las variables originales Sí, porque son los valores de la diagonal de la matriz de carga No, hay que estimarlos independientemente Sí, pero sólo si se ha utilizado una matriz de correlación en lugar de los datos .
¿Cómo se denomina el caso en el que la estimación de los parámetros del modelo factorial obtiene varianzas específicas negativas? Caso Highway Caso Whoody Caso Heywood Ninguna, porque las varianzas específicas nunca pueden ser negativas .
En el análisis factorial No afecta la escala de las variables observadas siempre que utilicemos la matriz de correlación No afecta la escala de las variables observadas siempre que utilicemos la matriz de covarianzas Siempre afecta la escala de las variables observadas, por lo que es recomendable estandarizarlas con anterioridad Nunca afecta la escala de las variables de las variables observadas .
Los valores de las variables latentes (scores): Son directamente extraíbles del modelo porque tenemos sus coeficientes Son difíciles de predecir y hay diferentes métodos para ello No se pueden obtener a diferencia de en PCA Son equivalentes a los factores específicos .
Las rotaciones de los factores: Pueden realizarse antes de estimar los parámetros del análisis factorial para mejor la interpretación Pueden realizarse después de estimar los parámetros del análisis factorial para mejor la interpretación Pueden realizarse antes y se utiliza en la estimación de los parámetros del modelo para mejor la interpretación Siempre hay que realizarlo y se puede hacer antes o después de estimar los parámetros del modelo Siempre hay que realizarlo, pero sólo antes de estimar los parámetros del modelo Siempre hay que realizarlo, pero sólo después de estimar los parámetros del modelo Ninguna es correcta .
Si no hay correlación entre las variables observables: No importa, siempre que dispongamos de los datos originales y no sólo de la matriz de correlación Hay que utilizar la matriz de covarianzas para obtener mejores resultados No tiene sentido aplicar Análisis Factorial No tiene sentido aplicar Análisis Factorial por Factores Principales No tiene sentido aplicar Análisis Factorial por Máxima Verosimilitud Ninguna es correcta .
En el Análisis Factorial Confirmatorio: Un factor tiene que estar relacionado con todas las variables observables Un factor solo puede estar relacionado con una variable observable Una variable observable solo puede estar relacionada con un factor Una variable observable tiene que estar relacionada con todos los factores Ninguna de las anteriores .
En el Análisis Factorial Confirmatorio: No tenemos información a priori del modelo Tenemos información previa sobre el modelo porque siempre hemos realizado previamente un Análisis Factorial Exploratorio Tenemos información previa sobre el modelo que puede provenir de varias fuentes Ninguna es correcta .
Los parámetros en el Análisis Factorial Confirmatorio: Se encuentran siempre mediante Máxima Verosimilitud Pueden encontrarse mediante varios métodos, entre ellos el de Máxima Verosimilitud No pueden obtenerse mediante Máxima Verosimilitud Los valores de los parámetros vienen definidos por el conocimiento a priori del modelo .
En un modelo de Análisis Factorial Confirmatorio con 15 parámetros libres, si tengo 10 variables observables con 1/2q(q+1)=55. Puedo afirmar que mi modelo no está identificado Puedo afirmar que mi modelo está identificado Puedo afirmar que mi modelo podría estar identificado, pero solo con esa información no lo puedo saber .
En el Análisis Factorial Confirmatorio: Los factores pueden estar correlacionados entre sí Los factores no pueden estar correlacionados entre si .
El Modelado de Ecuaciones Estructurales: Está incluido en el Análisis Factorial Confirmatorio Incluye al Análisis Factorial Confirmatorio No tiene relación con el Análisis Factorial Confirmatorio Es la misma técnica que el Análisis Factorial Confirmatorio pero con otro nombre .
La principal característica del Modelado de Ecuaciones Estructurales es: Que limita las variables observables con las que puede estar relacionada una variable latente Que no tiene factores si no variables latentes Que permite regresiones entre las variables latentes Que no hay que estimar parámetros libres.
Un modelo de ecuaciones estructurales con un p-valor asociado al test chi-cuadrado menor a 0.05. Nos indica que no es un modelo perfecto, pero es conveniente tener en cuenta otros índices de evaluación No se ve influido por el tamaño de la muestra, por lo que no hay que tener en cuenta otros índices de evaluación Nos indica que es muy buen modelo, pero es conveniente tener en cuenta otros índices de evaluación Ninguna es correcta .
Los parámetros de un Modelo de Ecuaciones Estructurales: No hace falta estimarlos Se pueden estimar mediante Máxima Verosimilitud Se tienen que estimar mediante Máxima Verosimilitud No se pueden estimar mediante Máxima Verosimilitud .
El paquete {lavaan} y el paquete {sem} en R: Solo {sem} puede realizar SEM Solo {lavaan} puede realizar CFA Ambos pueden ser utilizados para realizar CFA y SEM Ambos pueden realizar SEM, siempre que no haya correlaciones entre las variables latentes Tienen la misma sintaxis para definir el modelo .
|
