Documentos de Académico
Documentos de Profesional
Documentos de Cultura
I 2015 Morata España AFC - RMSEA.Chi2 PDF
I 2015 Morata España AFC - RMSEA.Chi2 PDF
ACCIÓN PSICOLÓGICA, junio 2015, vol. 12, nº. 1, 79-90. ISSN: 1578-908X http://dx.doi.org/10.5944/ap.12.1.14362
policóricas (Batista y Coenders, 2000; Bollen, 1989; ecuaciones estructurales. A la hora de determinar la bon-
Brown, 2006; Schumacker y Lomax, 1996). Además del dad de ajuste tiene en cuenta los grados de libertad, por lo
método ULS, cuando se manejan variables ordinales que este índice es sensible al número de parámetros que
también se tienen en cuenta otros métodos alternativos. estima el modelo (Barbero et al., 2011; Byrne, 1998; Cea,
Entre ellos, se puede destacar el método RULS que, de 2004). En este sentido, los valores de RMSEA decrecen
acuerdo con Yang-Wallentin, Jöreskog y Luo (2010), es conforme aumenta el número de grados de libertad o el
una variante robusta del método ULS. Al igual que este tamaño muestral (McCallum, Browne y Sugawara, 1996;
último, RULS también trabaja con una matriz de corre- Kline, 2011). En general, valores en RMSEA menores de
laciones policóricas, si bien estas correlaciones son el .05 indican un buen ajuste y los valores comprendidos
punto de partida para obtener posteriormente la matriz entre .05 y .08 un ajuste razonable (Browne y Cudeck,
de covarianzas asintóticas AC que interviene en su ma- 1993).
triz W de distribución libre. El programa LISREL pro-
porciona una serie de índices χ2 de razón de verosimili- En resumen, al llevar a cabo un AFC es preciso que
tud, entre los cuales aparece C3 (Jöreskog, 2004), cono- haya consistencia entre los métodos de estimación y el
cido como “estadístico χ2 escalado de Satorra-Bentler” instrumento de medida para que los modelos teóricos
(Batista y Coenders, 2000) y cuyos últimos desarrollos propuestos reproduzcan las relaciones entre las variables
corresponden a trabajos como los de Satorra y Bentler de un constructo con la mayor fidelidad posible. En rela-
(2010). Este índice C3 es uno de los recursos disponi- ción con ello y dado los escasos estudios en los que se ha
bles cuando se manejan variables categóricas o bien las analizado el error Tipo I y comportamiento de RMSEA
variables dependientes no siguen la distribución normal cuando se usa ULS, este estudio de simulación tiene co-
(Finney y DiStefano, 2013). A su vez, esta matriz AC mo objetivo analizar cómo afectan una serie de factores
también es el foco de atención de estudios como el de experimentales que caracterizan los modelos teóricos
Jennrick y Satorra (2014). (número de factores, número de puntos de respuesta,
grado de asimetría de la distribución de respuestas a los
Además de las aportaciones de Yang-Wallentin et al. ítems y tamaño muestral) sobre los valores del índice de
(2010), cabe destacar también estudios acerca de RULS razón de verosimilitud χ2 y de RMSEA.
como el de Savalei y Rhemtulla (2013). Entre los méto-
dos de estimación de información limitada se cuenta con
una variante de RULS: el 3S-RULS (Katsikatsou, Método
Moustaki, Yang-Wallentin y Jöreskog, 2012), así como
también con un método que frente a ML muestra buen Se manipularon 4 factores experimentales: (a) número
comportamiento ante errores de especificación de los de factores o variables latentes, (b) número de puntos de
modelos: el 2SLS (Jung, 2013). respuesta, (c) grado de asimetría de la distribución de las
respuestas a los ítems, y (d) tamaño muestral.
En cuanto a la fase de evaluación del ajuste del mo-
delo del AFC, para conocer en qué grado hay una mayor El número de factores presentaba cinco niveles expe-
o menor aproximación del modelo teórico a la realidad rimentales (2, 3, 4, 5 y 6). Las factores guardaban una
empírica se dispone de una amplia variedad de índices. relación ortogonal entre ellos, es decir, no estaban corre-
Entre ellos, cabe destacar el índice de razón de verosi- lacionados. Para cada factor se simularon tres ítems, con
militud χ2, procedente del método ML, que es el único el propósito de que pudieran ser identificados estadísti-
que aporta una prueba de significatividad estadística camente. En este contexto, hay escalas de regulación
(Cea, 2004; Ryu, 2011). El rechazo de la hipótesis nula emocional como el CERQ (Garnefski y Kraaij, 2007) que
a partir de un valor χ2 significativo (p < .05) implica presentan un reducido número de ítems (4) para medir
que el modelo teórico propuesto es inadecuado, por lo cada una de sus nueve dimensiones. También se encuen-
que es necesario especificarlo de nuevo (Batista y tran escalas con sólo tres ítems en psicología de las orga-
Coenders, 2000; Cea, 2004). nizaciones (Holgado, Chacón, Barbero y Sanduvete,
2006).
Dadas las limitaciones del índice de razón de vero-
similitud por su sensibilidad al tamaño muestral y por Las saturaciones factoriales de los ítems siempre eran
fundamentarse en la distribución central de χ2 (Bollen, las mismas en todos los factores, es decir, .9, .8 y .7 para
1989; Byrne, 1998), se recomienda complementar sus el primer, segundo y tercer ítem, respectivamente. Los
resultados con otros índices de bondad de ajuste. En este ítems se generaron según una distribución normal N(0,
contexto, el índice RMSEA o Error cuadrático medio de 1). A continuación, estas respuestas se categorizaron de
aproximación por grado de libertad está reconocido acuerdo con una escala tipo Likert de 3, 4, 5 y 6 puntos,
como uno de los más informativos de los modelos en es decir, el número de puntos de respuesta quedó configu-
82
ACCIÓN PSICOLÓGICA, junio 2015, vol. 12, n.o12, 79-90. ISSN: 1578-908X http://dx.doi.org/10.5944/ap.12.1.14362
rado con cuatro niveles experimentales. Las escalas tipo Análisis de datos
Likert se categorizaron de tal modo que: (a) se mantu-
viera simétrica la distribución de las respuestas a todos
los ítems, (b) la distribución de respuestas presentara El error Tipo I se obtuvo calculando el porcentaje de
asimetría moderada en todos los ítems o (c) la distribu- veces que se rechaza la hipótesis nula del índice de razón
ción de respuestas presentara asimetría severa en todos de verosimilitud χ2 en modelos especificados correcta-
los ítems. De esta forma el grado de asimetría presenta- mente. A este respecto se ha considerado el valor nominal
ba tres niveles experimentales: asimetría = 0, asimetría del 5%, que en la práctica se traduce en una probabilidad
= 1 (o moderada) y asimetría = 2 (o severa). inferior a .05. Cabe recordar que al utilizar el método
ULS el programa LISREL denomina a este valor χ2 co-
Para categorizar las escalas Likert, siguiendo a Bo- mo C2, también conocido como “Normal Theory Weigh-
llen y Barb (1981), el continuum se dividió en intervalos ted Least Squares Chi-Square” (Jöreskog, 2004). Por otra
iguales desde z = -3 a z = 3 con el fin de calcular los parte, para plantear la hipótesis nula respecto al índice
umbrales de la condición en la que la distribución de RMSEA se ha determinado que se acepten los modelos
respuestas a todos los ítems fuera simétrica (asimetría = teóricos cuando su valor es inferior a .08. Así, dentro de
0). Para distribuciones asimétricas los umbrales se cal- los modelos aceptados se incluyen también aquellos que
cularon, de acuerdo con Muthén y Kaplan (1985), de presentan, siguiendo a Browne y Cudeck (1993), un ajus-
manera que las observaciones se acumularan en uno de te razonable.
los extremos de los puntos de respuesta conforme el
grado de asimetría se incrementara. La mitad de las
variables de cada factor se categorizaron con la misma Resultados
asimetría positiva y el resto de variables con la misma
asimetría negativa con el propósito de simular factores
Influencia del número de factores
de dificultad. Finalmente, el tamaño muestral presentaba
seis valores experimentales: 100, 150, 250, 450, 650 y
En la Tabla 1 se presenta un análisis del error Tipo I
850 sujetos.
en C2 y en RMSEA según el número de factores de los
modelos teóricos a prueba. Además, en la tabla se indica
La combinación de los cuatro factores experimenta-
la media y desviación típica de la probabilidad asociada a
les (número de factores, número de puntos de respuesta,
C2 y RMSEA para cada uno de los niveles del factor.
asimetría de los ítems y tamaño muestral) produjo 360
condiciones experimentales (5x4x3x6) que se replicaron Como se puede ver en la Tabla 1, el valor porcentual
en 500 ocasiones. Para ello, estas replicaciones se reali- del error Tipo I aumenta a medida que lo hace el número
zaron mediante la versión 2.12.0 del programa R (R de factores. Concretamente, la probabilidad de rechazar
Development Core Team, 2010), que invocaba sucesi- un modelo correcto se eleva del 58.9% para modelos con
vamente a PRELIS 2.0 (Jöreskog y Sörbom, 1996b) dos factores al 93.9% para modelos con seis factores. Por
para la generación de las correspondientes matrices de tanto, se deduce que a medida que crece el número de
datos de acuerdo con la especificaciones resultantes de factores se observa una tendencia decreciente en la acep-
la combinación de las condiciones experimentales. Para tación de modelos mediante el índice χ2 de razón de ve-
cada matriz generada se obtenía la matriz de correlacio- rosimilitud. Así, de aceptar el 41.1% de modelos con 2
nes policóricas. factores se desciende al 6.1% con seis factores. Esta ten-
dencia es coherente con las medias obtenidas respecto al
Una vez obtenidas las matrices de correlaciones para número de factores. De esta forma, cuando el número de
cada matriz de datos generada bajo las especificaciones factores es dos, el valor medio de la probabilidad asocia-
concretas de los factores experimentales, se ejecutó el da a C2 es .145 mientras que, a medida que aumentan los
correspondiente Análisis Factorial Confirmatorio suce- factores del modelo teórico, la probabilidad asociada a
sivamente, es decir, hasta 500 veces (uno por cada repli- C2 va disminuyendo.
cación). Al igual que en el caso anterior, se utilizó la
versión 2.12.0 del programa R (R Development Core En cuanto al índice RMSEA, el valor porcentual del
Team, 2010), que invocaba sucesivamente a LISREL error Tipo I se mantiene en valores en torno al 35-37%
8.8 (Jöreskog y Sörbom, 1996a). aproximadamente. Consecuentemente, se constata que el
porcentaje de aceptación de los modelos se sitúa hacia el
Para facilitar la gestión y compilación de ficheros de 62-64%, independientemente del número de factores que
índices de ajuste se generó un programa específico en presenten. Por su parte, las medias de RMSEA se man-
lenguaje JAVA. tienen estables independientemente del número de facto-
res.
83
ACCIÓN PSICOLÓGICA, junio 2015, vol. 12, n.o1, 79-92. ISSN: 1578-908X http://dx.doi.org/10.5944/ap.12.1.14362
Tabla 1
Tabla 2
Error Tipo I
Puntos de respuesta Media Desv. típ.
(%)
3 .021 .091 92.6
4 .041 .128 86.2
C2 5 .072 .169 76.9
6 .099 .198 70.5
Total .058 .155
3 .095 .069 48.3
4 .084 .062 39.6
RMSEA 5 .069 .052 31.1
6 .061 .048 26.3
Total .077 .060
Nota. Media: Valor medio de la probabilidad asociada a cada índice de bondad de ajuste. Desv. Típica: Desviación
típica de la probabilidad asociada a cada índice de bondad de ajuste. Error Tipo I (%): Porcentaje de modelos con
2
buen ajuste que son rechazados. C2: Índice de razón de verosimilitud χ obtenido para el método ULS. RMSEA: Error
cuadrático medio de aproximación por grado de libertad.
84
ACCIÓN PSICOLÓGICA, junio 2015, vol. 12, n.o12, 79-90. ISSN: 1578-908X http://dx.doi.org/10.5944/ap.12.1.14362
Tabla 3
Tabla 4
86
ACCIÓN PSICOLÓGICA, junio 2015, vol. 12, n.o12, 79-90. ISSN: 1578-908X http://dx.doi.org/10.5944/ap.12.1.14362
Tabla 5
Suma de Eta al
Variable Media
Fuente cuadrados gl F Significación cuadrado
dependiente cuadrática
tipo III parcial
C2 396.656 4 99.164 6616.689 .000 .129
Factores
RMSEA .536 4 .134 144.500 .000 .003
C2 152.541 3 50.847 3392.751 .000 .054
Categorías
RMSEA 27.846 3 9.282 10016.355 .000 .144
C2 611.444 2 305.722 20399.212 .000 .186*
Simetría
RMSEA 177.206 2 88.603 95611.980 .000 .516*
C2 1.438 5 .288 19.195 .000 .001
Muestra
RMSEA 191.385 5 38.277 41305.083 .000 .536*
Factores * cate- C2 25.110 12 2.092 139.620 .000 .009
gorías RMSEA 5.242 12 .437 471.391 .000 .031
Factores * sime- C2 199.355 8 24.919 1662.735 .000 .069
tría RMSEA .479 8 .060 64.654 .000 .003
Categorías * C2 172.814 6 28.802 1921.821 .000 .060
simetría RMSEA 1.082 6 .180 194.614 .000 .006
Factores * cate- C2 29.206 24 1.217 81.197 .000 .011
gorías * simetría RMSEA 3.489 24 .145 156.888 .000 .021
Factores * C2 1.790 20 .089 5.971 .000 .001
muestra RMSEA 2.829 20 .141 152.653 .000 .017
Categorías * C2 1.271 15 .085 5.652 .000 .000
muestra RMSEA 9.055 15 .604 651.395 .000 .052
Factores * cate- C2 3.872 60 .065 4.306 .000 .001
gorías * mues-
tra RMSEA 6.278 60 .105 112.905 .000 .036
Simetría * C2 1.572 10 .157 10.491 .000 .001
muestra RMSEA 40.657 10 4.066 4387.305 .000 .197*
Factores * sime- C2 1.915 40 .048 3.195 .000 .001
tría * muestra RMSEA 1.372 40 .034 37.010 .000 .008
Categorías * C2 1.275 30 .043 2.836 .000 .000
simetría * mues-
tra RMSEA 2.116 30 .071 76.117 .000 .013
Factores * cate- C2 5.111 117 .044 2.915 .000 .002
gorías * simetría
* muestra RMSEA 4.487 117 .038 41.380 .000 .026
C2 2684.584 179128 .015
Error
RMSEA 165.996 179128 .001
C2 4907.381 179485
Total
RMSEA 1713.805 179485
Nota. Según Cohen (1988) un tamaño del efecto igual o superior a 0.14 es suficientemente grande como para ser
tenido en cuenta, tamaños iguales o inferiores a 0.01 son pequeños y valores en torno a 0.06 son medianos.
Descriptivamente, tal y como se ha visto anterior- Si bien los efectos principales son interesantes, y al
mente, el índice RMSEA aumenta conforme crece el menos a nivel descriptivo se han visto en las tablas ante-
grado de asimetría, de tal manera que solamente son riores, los de interacción no son menos. En este sentido,
rechazados los modelos con asimetría severa. Por otro sólo hay un efecto de interacción relevante para la com-
lado, a medida que aumenta el tamaño muestral binación de los niveles de simetría en función del tamaño
RMSEA disminuye significativamente. muestral que afecta a RMSEA (η2 = .197).
87
ACCIÓN PSICOLÓGICA, junio 2015, vol. 12, n.o1, 79-92. ISSN: 1578-908X http://dx.doi.org/10.5944/ap.12.1.14362
En este sentido, cuanto menor es el tamaño muestral muestral del modelo téorico sea el mayor posible.
del modelo mayor es el valor de RMSEA. El valor de No obstante, debemos ser cautelosos con la conclu-
RMSEA aumenta en un nivel parecido entre los diferen- sión anterior, pues en el cálculo del índice RMSEA inter-
tes tamaños muestrales conforme aumenta el grado de vienen los grados de libertad y el tamaño muestral. En
asimetría, excepto para tamaños muestrales pequeños este sentido, cuanto mayor sea el tamaño muestral y los
que aumenta en mayor medida que el resto cuando la grados de libertad del modelo teórico a prueba, menor
asimetría es mayor. Esta relación se describe en la Figu- será el valor de RMSEA y, por consiguiente, el ajuste
ra 1. Como se puede observar, según este índice de ajus- será mayor (Kline, 2011; MacCallum, et al., 1996). Por
te se aceptarían los modelos con distribución de res- tanto, para interpretar los resultados obtenidos mediante
puestas simétrica, los modelos de 450 a 850 sujetos RMSEA habría que atender a la complejidad del modelo,
cuya distribución tiene asimetría moderada (los modelos indicada por los grados de libertad (Byrne, 1998).
de 250 sujetos se encuentran próximos al punto de corte Respecto a lo anterior, una de las limitaciones del pre-
de .08) y los modelos de 450 a 850 sujetos con asimetría sente estudio es el no haber tenido en cuenta la influencia
severa en la distribución de respuestas. de la interacción entre diferentes factores experimentales
sobre el error Tipo I cometido. Así, en la Tabla 3 se ob-
serva que cuando la distribución de respuestas de las
variables observadas pasa de ser simétrica a tener asime-
Discusión tría moderada, la probabilidad de rechazar los modelos
teóricos a prueba sufre un incremento, mucho más mar-
De acuerdo con los resultados, el error Tipo I que cado para C2. En este sentido, se constata que el test del
muestra el índice C2 es siempre mayor que el de índice χ2 de razón de verosimilitud, dado que procede del
RMSEA para cualquiera de los factores experimentales método ML, es también sensible al hecho de que la dis-
analizados. En el caso concreto del tamaño muestral, se tribución de las variables observadas se encuentre aleja-
hace patente la sensibilidad del estadístico de ajuste χ2 das de la distribución normal multivariable (Schumacker
hacia dicho factor experimental, la cual da lugar a que y Lomax, 1996; Ryu, 2011) aunque también sería intere-
cuando se trabaja con muestras grandes se tienda a re- sante conocer la influencia mutua entre, por ejemplo,
chazar los modelos teóricos propuestos (Bollen, 1989; grado de asimetría y tamaño muestral. En relación con
Hu y Bentler, 1995). De hecho, para cualquiera de los ello, otra de las limitaciones del presente estudio relacio-
tamaños muestrales analizados, con el índice χ2 de ra- nadas con el análisis del grado de asimetría radica en que
zón de verosimilitud se rechaza aproximadamente el debería haberse tenido en cuenta también la curtosis,
80% de modelos a prueba. En cambio, con el índice como señalan Wright y Herrington (2011).
RMSEA el porcentaje de rechazo de los modelos dismi-
nuye a medida que se incrementa el número de sujetos. Otro aspecto que debe tenerse presente acerca del ín-
Por tanto, de acuerdo con RMSEA, para cometer el dice χ2 de razón de verosimilitud es el hecho de que di-
menor error Tipo I parece recomendable que el tamaño cho índice se basa en la distribución central de χ2. Esto
Figura 1. Efecto de la simetría por tamaño muestral sobre RMSEA
88
ACCIÓN PSICOLÓGICA, junio 2015, vol. 12, n.o12, 79-90. ISSN: 1578-908X http://dx.doi.org/10.5944/ap.12.1.14362
significa que se asume un ajuste perfecto del modelo de factores y el grado de asimetría. No obstante, empeora
teórico propuesto, es decir, que se mantiene la hipótesis cuando crece el número de puntos de respuesta de la es-
nula de la prueba estadística vinculada a dicho índice de cala.
ajuste (Byrne, 1998). En la práctica, cualquier pequeño
desajuste del modelo propuesto unido a un tamaño 3. De acuerdo con RMSEA, se aceptan modelos
muestral elevado va a incrementar la probabilidad de teóricos cuyo tamaño muestral oscila entre 450 y 850
que tal modelo sea rechazado (Barbero et al., 2011). En sujetos, con independencia del grado de asimetría que
este punto caber recordar que la potencia de la prueba presente la distribución de respuestas. Sin embargo, es
χ2 se interpreta como la probabilidad de descubrir res- necesario que dicha distribución sea simétrica para que se
tricciones incorrectas o parámetros que deban ser añadi- acepten los modelos con muestras a partir de 100 sujetos.
dos en el modelo (Batista y Coenders, 2000). En rela-
ción con ello, Fadlelmula (2011) indica que la acepta- En cualquier caso, es necesario obtener información
ción o el rechazo de la hipótesis nula para determinar si complementaria acerca de la potencia del estudio para
un modelo tiene buen ajuste se interpreta de manera determinar si el modelo teórico propuesto encaja con los
diferente de acuerdo con el nivel de potencia. Conse- datos empíricos.
cuentemente, sería interesante incorporar el estudio de
la potencia en futuros trabajos de simulación donde se
comparen modelos mal especificados con modelos bien
especificados. En esta línea, en el estudio de Nestler Referencias
(2013) se comparan entre sí diferentes métodos de esti-
mación aplicados a modelos cuyos ítems son de res-
puesta dicotómica. Barbero, M. I., Vila, E. y Holgado, F. P. (2011). In-
troducción básica al análisis factorial [Basic in-
En cuanto al método de estimación utilizado en el troduction to factor analysis]. Madrid, España:
presente estudio, ULS contribuye a que los resultados UNED.
del índice RMSEA no estén distorsionados aunque el
tamaño muestral sea elevado (Simsek y Noyan, 2012). Batista, J. M. y Coenders, G. (2000). Modelos de
ecuaciones estructurales [Structural equation mo-
En resumen, cuando se utiliza ULS hay que tener en dels]. Madrid, España: La Muralla.
cuenta que cuando los modelos presenten muchas di-
mensiones latentes, las variables de respuesta tengan Bollen, K. A. (1989). Structural equations with latent
pocos puntos de respuesta y sean asimétricas es proba- variables. New York: Wiley.
ble que, aunque el modelo sea correcto, sea rechazado
según C2. Por otro lado, cuando los ítems presenten Bollen, K. A. y Barb, K. H. (1981). Pearson's r and
pocos puntos de respuesta, sean asimétricos y el tamaño coarsely categorized measures. American Socio-
muestral sea reducido, es probable que RMSEA aconse- logical Review, 46(2), 232-239. doi:
je rechazar el modelo aun cuando sea correcto. Un as- 10.2307/2094981
pecto a destacar es que, si bien las dimensiones simula-
das estaban incorrelacionadas, en ámbitos como la Psi- Brown, T. A. (2006). Confirmatory factor analysis for
cología es frecuente que los conceptos medidos guarden applied research. New York: Guildford Press.
una relación oblicua, esto es, estén relacionados entre sí,
compartiendo algún porcentaje de variabilidad. Browne, M. W. y Cudeck, R. (1993). Alternative
Por dar algunas recomendaciones prácticas que de- ways of assessing model fit. En K. A. Bollen y J.
berían ser tenidas en cuenta a la hora de interpretar S. Long (Eds.), Testing structural equation models
RMSEA y C2 en función del modelo que se esté eva- (pp. 136-162). Newbury Park, CA: Sage.
luando, podemos indicar que:
Byrne, B. M. (1998). Structural equation modeling
1. RMSEA es un índice de ajuste que funciona co- with LISREL, PRELIS, and SIMPLIS: Basic Con-
rrectamente independientemente del número de factores cepts, applications and programming. Londres,
y que mejora conforme aumentan el número de puntos UK: Lawrence Erlbaum Associates.
de respuesta de la escala y el tamaño muestral. Sin em-
bargo, a mayor asimetría, empeora su comportamiento. Catena, A., Ramos, M. M. y Trujillo, H. M. (2003).
Análisis multivariado. Un manual para investiga-
2. C2 es relativamente independiente del número dores [Multivariate analysis. A handbook for re-
de sujetos y mejora conforme se incrementa el número searchers]. Madrid, España: Biblioteca Nueva.
89
ACCIÓN PSICOLÓGICA, junio 2015, vol. 12, n.o1, 79-92. ISSN: 1578-908X http://dx.doi.org/10.5944/ap.12.1.14362
Coenders, G., y Saris, W. E. (1995). Categorization Hu, L. y Bentler, P. M. (1995). Evaluating model fit.
and measurement quality. The choice between En R. H. Hoyle (Ed.), Structural equation model-
Pearson and Polychoric correlations. En W. E. ing: Concepts, issues, and applications (pp. 76-
Saris y Á. Münnich (Eds.), The Multitrait- 99). Thousand Oaks, CA: Sage.
Multimethod approach to evaluate measurement
instruments (pp. 125-144). Budapest, Hungría: Jennrich, R. y Satorra. A. (2014). The nonsingularity
Eötvös University Press. of Γ in covariance structure analysis of nonnormal
data. Psychometrika, 79(1), 51-59. doi:
DiStefano, C. (2002). The impact of categorization 10.1007/s11336-013-9353-1
with confirmatory factor analysis. Structural
Equation Modeling, 9(3), 327-346. doi: Johnson, D. R. y Creech, J. C. (1983). Ordinal
10.1207/S15328007SEM0903_2 measures in multiple indicator models: A simula-
tion study of categorization error. American Socio-
Fadlelmula, F. K. (2011). Assessing power of struc- logical Review, 48, 398-407. doi:
tural equation modeling studies: A meta-analysis. 10.2307/2095231
Educational Research Journal, 1(3), 37-42.
Jöreskog, K. G. y Sörbom, D. (1996a). LISREL 8: Us-
Flora, D. B. y Curran, P. J. (2004). An empirical er's reference guide. Chicago: Scientific Software
evaluation of alternative methods of estimation International.
for confirmatory factor analysis with ordinal data.
Psychological Methods, 9(4), 466-491. doi: Jöreskog, K. G. y Sörbom, D. (1996b). PRELIS 2:
10.1037/1082-989X.9.4.466 User's reference guide. Chicago: Scientific Soft-
ware International.
Garrido, L. E. (2012). Dimensionality assessment of
ordinal variables: An evaluation of classic and Jöreskog, K. G. (2004). On Chi-Squares for the inde-
modern methods (Tesis doctoral). Universidad pendence model and fit measures in LISREL. Re-
Autónoma de Madrid, Madrid. cuperado de
http://www.ssicentral.com/lisrel/techdocs/ftb.pdf
Finney, S. J. y DiStefano, C. (2013). Nonnormal and
categorical data in structural equation modeling. Jung, S. (2013). Structural equation modeling with
En G. R. Hancock y R. O. Mueller (Eds.). Struc- small sample sizes using two-stage ridge least-
tural equation modeling: A second course (2ª squares estimation. Behavior Research Methods,
Ed.) (pp. 439-492). Greenwich, CT: Information 45(1), 75-81. doi: 10.3758/s13428-012-0206-0
Age Publishing.
Katsikatsou, M., Moustaki, I., Yang-Wallentin, F. y
Garnefski, N. y Kraaij, V. (2007). The Cognitive Jöreskog, K. G. (2012). Pairwise likelihood esti-
Emotion Regulation Questionnaire: Psychometric mation for factor analysis models with ordinal da-
features and prospective relationships with de- ta. Computational Statistics and Data Analysis,
pression and anxiety in adults. European Journal 56(12), 4243-4258. doi:
of Psychological Assessment, 23(3), 141-149. 10.1016/j.csda.2012.04.010
doi: 10.1027/1015-5759.23.3.141
Kline, R. B. (2011). Principles and practice of struc-
Holgado, F. P., Moscoso, S., Barbero, M. I. y San- tural equation modeling (3ª Ed.). New York: The
duvete, S. (2006). Training Satisfaction Rating Guilford Press.
Scale: Development of a measurement model us-
90
ACCIÓN PSICOLÓGICA, junio 2015, vol. 12, n.o12, 79-90. ISSN: 1578-908X http://dx.doi.org/10.5944/ap.12.1.14362