¿Cuáles son las soluciones para muestras pequeñas en SEM? ¿Es bootstrap una solución? Utilizo Lisrel 8.8 (versión para estudiantes) y bootstrap en realidad no funciona en él. Bootstrap S tiene valores N/A.
Respuesta
¿Demasiados anuncios?
R_user123
Puntos
21
Como dice @Jeremy Miles, el uso de bootstrap en muestras pequeñas a menudo conduce a problemas de convergencia. Además, con el bootstrap, si bien ciertas suposiciones pueden relajarse, se hacen suposiciones adicionales (por ejemplo, para obtener más información sobre el bootstrap, consulte esta publicación en CV, y para más detalles sobre el bootstrap en el contexto de SEM, consulte esta publicación en CV).
Sin embargo, hay dos enfoques relativamente nuevos para SEM que muestran promesa cuando el tamaño de la muestra es pequeño. Estos son el SEM bayesiano (BSEM) y la regresión de Puntuación de Factor (FSR).
En BSEM, en lugar de especificar priors para cada parámetro, se realiza la estimación (típicamente) utilizando MCMC. Si hay suficiente información disponible para seleccionar priors (es decir, se utilizan priors informativos), entonces pocos argumentarían en contra de tal enfoque. Sin embargo, a menudo la información adecuada para construir tales priors no está disponible, y los investigadores a menudo utilizan priors no informativos y/o priors predeterminados. Si decide usar el enfoque BSEM, asegúrese de estar al tanto de los problemas que pueden surgir debido al uso de priors inadecuados con muestras pequeñas (por ejemplo, consulte Smid & Winter, 2020).
FSR es un método que ha recibido considerable atención en la última década y Devlieger & Rosseel (2017) lo presentan bien en su resumen -
En el primer paso, se calculan las puntuaciones de factor para las variables latentes, que se utilizan para realizar una regresión lineal en el segundo paso. Sin embargo, este método da como resultado coeficientes de regresión incorrectos. Croon (2002) desarrolló un método que corrige este sesgo. Combinamos este método de Croon (2002) con el análisis de trayectoria, lo que resulta en el Análisis de Trayectoria de Puntuación de Factor. Este método da como resultado coeficientes de trayectoria correctos y tiene algunas ventajas sobre el SEM: requiere tamaños de muestra más pequeños, puede manejar modelos más complejos y el método es menos sensible a las especificaciones incorrectas, debido a su naturaleza paso a paso. En conclusión, este método puede ser una alternativa adecuada para SEM, cuando uno está tratando con un modelo complejo y muestras pequeñas.
Referencias
Croon, M. (2002). Using predicted latent scores in general latent structure models. En G. Marcoulides e I. Moustaki (Eds.), Latent variable and latent structure modeling (pp. 195–223). Mahwah, NJ: Erlbaum
Devlieger, I., & Rosseel, Y. (2017). Factor score path analysis: An alternative for SEM?. Methodology: European Journal of Research Methods for the Behavioral and Social Sciences, 13(S1), 31.
Smid, S. C., & Winter, S. D. (2020). Dangers of the defaults: A tutorial on the impact of default priors when using Bayesian SEM with small samples. Frontiers in Psychology, 11, 611963.
