Retroalimentación
de la prueba
Análisis Avanzado de Datos II
ÍTEM 1 –REGRESIÓN LINEAL MÚLTIPLE
a) Completitud de la respuesta: definición y consecuencias de su no
cumplimiento. Confusiones comunes: que los atípicos deben borrarse si osi,
consecuencias de la no linealidad.
b) El coeficiente beta representa el efecto predicho de un cambio en una
unidad en x sobre y. Significación estadística.
c) Ejemplos: Poca problematización sociológica. Exceso de variables
demográficas. No se hace referencia específica a la interpretación de
coeficientes ni estadísticos de ajuste.
d) Problemas menores con la interpretación de coeficientes.
ÍTEM 2 –REGRESIÓN LOGÍSTICA
a) Poca precisión en las respuestas. modelos de probabilidad lineal, los cuales
consisten en usar una regresión estimada mediante mínimos cuadrados
ordinarios para una variable dicotómica (valores 0 y 1). Límite: Puede
entregar valores fuera del rango 0-1 y no se ajusta apropiadamente a los
supuestos del modelo.
b) Ejemplo: Buena selección de variables. En general hay buen manejo de la
intuición tras la técnica, pero problemas en las tecnicidades específicas. No
es necesario ajustar dos o más modelos.
c) Bien en la comparación de modelos, problemas en la interpretación de
coeficientes, en particular cunado las direcciones eran poco esperadas.
ÍTEM 3 –ANÁLISIS FACTORIAL
EXPLORATORIO
a) Las puntuaciones factoriales pueden utilizarse en investigaciones futuras
de diversas maneras: Comparaciones entre individuos, Clasificación de
individuos, Análisis de regresión
b) Ejemplo: Poco prolijo en la especificación de las variables y los factores
comunes que se podrían obtener.
c) Análisis: Poca consideración del ajuste general. Falta de claridad respecto
a los términos (autovalores, varianza acumulada, estructura simple).
Análisis Factorial
Confirmatorio
Análisis Avanzado de Datos II
Material preparado por
Anais Herrera Leighton
Estimación de modelos con indicadores
categóricos/ordinales
Para el ejercicio usaremos la base de datos del International Civic and
Citizenship Education Study 2016.
También se utiliza el paquete {lavaan}, no hay cambios en la especificación
del modelo, ni tampoco en los parámetros para evaluar el ajuste del modelo.
Cuando tenemos variables observadas (también conocidas como indicadores o
ítems) que son variables ordinales, lo más apropiado es estimar el modelo
utilizando el método DWLS. Este método de estimación sirve también para
cuando tenemos variables que no están distribuidas normalmente
De modo que es necesario agregar nuevos argumentos en la función cfa() que
se usa para estimar el modelo
mod_conf_cfa <- cfa(mod_conf, # modelo especificado
data = datos, # base de datos con ítems
estimator="DWLS", # se indica método de estimación
adecuado para variables ordinales
ordered = T) # se especifica que las variables son ordinales
