Análisis Diego Bogado
Federico Villalba
Análisis estadístico
Diego Bogado
Para el análisis descriptivo, aquellas variables numéricas continuas que asumieron una distribución normal se reportan como media y desvío estándar (DE). En caso contrario se reportan como mediana y rango intercuartílico (RIQ). Las variables categóricas se reportan como número de presentación y porcentaje (%). Para valorar la normalidad de la muestra se utilizó el test estadístico de Shapiro-Wilk y la evaluación gráfica mediante gráficos de histogramas y gráficos de cajas y bigotes.
Luego del análisis descriptivo, se analizó la consistencia interna del cuestionario Escala de Identidad Deportiva a través del cálculo del coeficiente de alfa de Cronbach (Bland 1997). La evaluación de la consistencia interna permite estimar la confiabilidad de la escala como instrumento de medida a través de un conjunto de ítems que se espera que midan el mismo constructo. Se consideran aceptables valores entre 0.70 y 0.95 (Tavakol & Dennick 2011; COSMIN 2018).
Previo a la exploración de la estructura interna de la escala a través de un Análisis Factorial Exploratorio (Orcan 2018), se calculó la correlación inter ítem mediante el coeficiente de correlación de Spearman. Se considera necesario para el análisis factorial la presencia de correlaciones mayores a 0.30 en la matríz de correlación (Tabachnik & Fidell 2001). Se aplicó el criterio de Kaiser-Meyer-Olkin (KMO) (Kaiser 1960; Kaiser 1970) y el test de esfericidad de Bartlett (Bartlett 1950; Bartlett 1951) para valorar la adecuación del muestreo. La índices de KMO superiores a 0.6 se consideran aceptables como medida de adecuación del modelo. Luego de haber controlado el cumplimiento de supuestos, se realizó la extracción de datos mediante el método de rotación Equamax y el método de extracción de máxima verosimilitud. Se calculó el número más adecuado de factores con extracción Equamax (Lloret 2014). Con el objetivo de analizar los vínculos entre las variables observadas en la escala, y las variables latentes denominadas factores, se llevó a cabo el análisis factorial exploratorio incluyendo todas las variables con un coeficiente de correlación mayor a 0.30.
###Referencias
Bland JM, Altman DG. Statistics notes: Cronbach’s alpha. BMJ. 1997;314(7080):572-572.
Tavakol, Mohsen, and Reg Dennick. 2011. “Making Sense of Cronbach’s Alpha.” International journal of medical education 2: 53–55.
Prinsen CAC, Mokkink LB, Bouter LM, Alonso J, Patrick DL, de Vet HCW, Terwee CB. COSMIN guideline for systematic reviews of patient-reported outcome measures. Qual Life Res. 2018 May;27(5):1147-1157. -57.
Tabachnick, B. G. and L. S. Fidell (2001). Using multivariate statistics. Needham Heights, MA, Allyn & Bacon.
Orcan F. Exploratory and Confirmatory Factor Analysis: Which One to Use First? Eğitimde Ve Psikolojide Ölçme Ve Değerlendirme Derg. 2018;414-21.
Kaiser HF. The Application of Electronic Computers to Factor Analysis. Educ Psychol Meas. 1960;20(1):141-51.
Kaiser HF. A second generation little jiffy. Psychometrika. 1970;35(4):401-15.
Bartlett MS. Tests of significance in factor analysis. Br J Stat Psychol. 1950;3(2):77-85.
Bartlett MS. A further note on tests of significance in factor analysis. Br J Stat Psychol. 1951;4(1):1-2.
Lloret-Segura, Susana; Ferreres-Traver, Adoración; Hernández-Baeza, Ana; Tomás-Marco, Inés El análisis factorial exploratorio de los ítems: una guía práctica, revisada y actualizada. Anales de Psicología 2014; 30 (3):1151-116.
ANÁLISIS DESCRIPTIVO
Edad
# Edad
boxplot(df$Edad)
hist(df$Edad)
shapiro.test(df$Edad) # Distribución Normal - 0.08117##
## Shapiro-Wilk normality test
##
## data: df$Edad
## W = 0.95183, p-value = 0.08117# No hay evidencia de incumplimiento de la normalidad, sin embargo de forma gráfica no parece serlo.
# Por lo tanto test de la Mediana y RIQ
mifuncion(df$Edad)## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 30.487805 8.964156 24.000000 30.000000 37.000000
## Min Max Rango1 Rango2 N
## 0.000000 50.000000 0.000000 50.000000 41.000000
## na N_total Porc_NA
## 0.000000 41.000000 0.000000RPE
tab.noby <- tableby(~Deporte, data=df)
summary(tab.noby)##
##
## | | Overall (N=41) |
## |:-----------------------------------------------|:--------------:|
## |**Deporte** | |
## | Atletismo adaptado | 2 (4.9%) |
## | Básquet sobre silla de ruedas | 21 (51.2%) |
## | Natación adaptada | 3 (7.3%) |
## | Tenis de mesa adaptado | 15 (36.6%) |#descriptiva por grupo/by
tab1 <- tableby(Deporte ~ Sexo + Edad + Frecuencia + Horas + RPE + Años, data=df, na.tableby(TRUE)) #paquete arsenal
# si queremos missing, agregar a la sintaxis na.tableby(TRUE)
# si queremos que no haga comparaciones, agregar test=FALSE
#para q se vea bien en la consola
summary(tab1, text=TRUE)##
##
## | | Atletismo adaptado (N=2) | Básquet sobre silla de ruedas (N=21) | Natación adaptada (N=3) | Tenis de mesa adaptado (N=15) | Total (N=41) | p value|
## |:-----------------------------|:------------------------:|:------------------------------------:|:-----------------------:|:-----------------------------:|:--------------:|-------:|
## |Sexo | | | | | | 0.205|
## |- Femenino | 2 (100.0%) | 6 (28.6%) | 1 (33.3%) | 4 (26.7%) | 13 (31.7%) | |
## |- Masculino | 0 (0.0%) | 15 (71.4%) | 2 (66.7%) | 11 (73.3%) | 28 (68.3%) | |
## |Edad | | | | | | 0.070|
## |- Mean (SD) | 21.000 (0.000) | 28.952 (8.840) | 26.333 (5.508) | 34.733 (8.614) | 30.488 (8.964) | |
## |- Range | 21.000 - 21.000 | 0.000 - 40.000 | 20.000 - 30.000 | 22.000 - 50.000 | 0.000 - 50.000 | |
## |Frecuencia | | | | | | 0.331|
## |- 2 veces por semana o menos | 0 (0.0%) | 0 (0.0%) | 0 (0.0%) | 1 (6.7%) | 1 (2.4%) | |
## |- 3 veces por semana | 0 (0.0%) | 2 (9.5%) | 0 (0.0%) | 5 (33.3%) | 7 (17.1%) | |
## |- 4 veces por semana o más | 2 (100.0%) | 19 (90.5%) | 3 (100.0%) | 9 (60.0%) | 33 (80.5%) | |
## |Horas | | | | | | 0.583|
## |- Entre 1 y 2 horas | 0 (0.0%) | 4 (19.0%) | 0 (0.0%) | 2 (13.3%) | 6 (14.6%) | |
## |- Entre 2 y 3 horas | 0 (0.0%) | 9 (42.9%) | 1 (33.3%) | 8 (53.3%) | 18 (43.9%) | |
## |- Más de 3 horas | 2 (100.0%) | 8 (38.1%) | 2 (66.7%) | 5 (33.3%) | 17 (41.5%) | |
## |RPE | | | | | | 0.169|
## |- Mean (SD) | 8.000 (1.414) | 7.762 (0.889) | 9.333 (0.577) | 8.200 (1.474) | 8.049 (1.182) | |
## |- Range | 7.000 - 9.000 | 6.000 - 10.000 | 9.000 - 10.000 | 5.000 - 10.000 | 5.000 - 10.000 | |
## |Años | | | | | | 0.515|
## |- 2 años o menos | 0 (0.0%) | 2 (9.5%) | 0 (0.0%) | 0 (0.0%) | 2 (4.9%) | |
## |- 3 años | 1 (50.0%) | 2 (9.5%) | 0 (0.0%) | 0 (0.0%) | 3 (7.3%) | |
## |- 4 años | 0 (0.0%) | 2 (9.5%) | 0 (0.0%) | 2 (13.3%) | 4 (9.8%) | |
## |- 5 años | 0 (0.0%) | 2 (9.5%) | 0 (0.0%) | 3 (20.0%) | 5 (12.2%) | |
## |- 6 años o más | 1 (50.0%) | 13 (61.9%) | 3 (100.0%) | 10 (66.7%) | 27 (65.9%) | |SUBGRUPO IDENTIDAD DEPORTIVA (AIMS)
Se extrajo de la base de datos aquellas columnas correspondientes a la Escala de identidad deportiva. A partir de dicha base, se llevó a cabo el cálculo del coeficiente alfa de Cronbach el cual arrojó un valor de 0.739. Dicho valor se encuentra dentro del rango propuesto por Tavakol & Dennick.
df_afe<-df[c(40:49)]
alpha(df_afe) # 0.7391779## [1] 0.7391779Con el objetivo de buscar las correlaciones entre las variables de la Escala, se utilizó el método de correlación de Spearman debido a su mayor robustez. De la aplicación de dicho test, se encontraron correlaciones positivas y negativas siendo las de mayor magnitud la correlación entre el ítem 4 y 5 (0.75), entre el 1 y el 2 (0.74) y entre el 8 y el 9 (0.54). El resto de los valores se muestran en la siguiente matriz.
correlacion<-cor2(df_afe, method ="spearman")## xi
## xi 1.00
## 0.74 1.00
## 0.02 0.22 1.00
## 0.36 0.40 0.33 1.00
## 0.09 0.14 0.37 0.75 1.00
## 0.00 -0.05 0.35 0.22 0.40 1.00
## 0.47 0.46 0.07 0.53 0.34 0.22 1.00
## 0.08 0.22 0.00 0.21 0.26 0.12 0.15 1.00
## -0.19 -0.17 0.22 0.25 0.36 0.42 0.00 0.39 1.00
## 0.26 0.38 -0.01 0.46 0.48 0.19 0.36 0.54 0.19 1.00colnames(correlacion)<-c("ID1","ID2","ID3","ID4","ID5","ID6", "ID7", "ID8", "ID9", "ID10")
rownames(correlacion)<-c("ID1","ID2","ID3","ID4","ID5","ID6", "ID7", "ID8", "ID9", "ID10")
corrplot.mixed(correlacion, upper = "ellipse" , tl.pos = "lt")
#matriz<-hetcor(df_afe)$correlations
#ggcorrplot(mat_cor, type = "lower", hc.order = TRUE)Llevamos a cabo la prueba de adecuación de la muestra mediante el test de KMO y de esfericidad de Bartlett. De dichos test encontramos que la adecuación muestral fueron satisfactorios, con un índice global de KMO de 0.64, con todos los índices individuales ubicados entre 0.44 y 0.77. Por otro lado, la prueba de esfericidad de Bartlett resultó estadísticamente significativo con p-valor < 0.001.
KMO<-KMO(cor(df_afe))
Bartlett<-cortest.bartlett(cor(df_afe), n=nrow(df_afe))
KMO # Medida de adecuación de los datos para el análisis factorial## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = cor(df_afe))
## Overall MSA = 0.64
## MSA for each item =
## ID1 ID2 ID3 ID4 ID5 ID6 ID7 ID8 ID9 ID10
## 0.58 0.52 0.44 0.75 0.70 0.65 0.77 0.57 0.67 0.63Bartlett # Comprueba la H0 que afirma que las variables no están correlacionadas## $chisq
## [1] 162.2623
##
## $p.value
## [1] 3.688479e-15
##
## $df
## [1] 45#Calculo de determinante, donde valores cercanos a cero indican presencia de correlación entre las variables
#det(cor(df_afe))Análisis Factorial. Por medio de esta estrategia, se lleva a cabo la extracción de factores. El Análisis Factorial intenta reducir la cantidad de dimensiones disponibles sin perder información (o perdiendo la menor cantidad de información disponible) por lo cual, la cantidad máxima de factores va a ser igual a la cantidad de ítems que tengamos. En el gráfico siguiente se puede observar cual es el número de factores más adecuado según la mayoría de los métodos empleados.
nfactoresAF<-n_factors(
df_afe,
type = "FA",
rotation = "equamax",
algorithm = "default",
package = c("nFactors", "psych"),
cor = NULL,
safe = TRUE,
n_max = NULL)
plot(nfactoresAF)
nfactoresAFas.data.frame(nfactoresAF)summary(nfactoresAF)El análisis factorial llevado a cabo mostró una estructura de 3 factores que en suma explican el 58% de la varianza total, con una explicación del 24% por parte de primer factor. La siguiente salida muestra los resultados del análisis factorial exploratorio con los factores y las variables que lo componen según el valor de correlación en cada una. A su vez, se muestra en la figura las cargas de cada variable que es explicada por cada factor latente.
afe<-fa(df_afe,nfactors = 3,fm = "ml",rotate ="equamax",cor = "cor")
print(afe,digits = 2,cut = .30,sort=TRUE)## Factor Analysis using method = ml
## Call: fa(r = df_afe, nfactors = 3, rotate = "equamax", fm = "ml", cor = "cor")
## Standardized loadings (pattern matrix) based upon correlation matrix
## item ML2 ML3 ML1 h2 u2 com
## ID5 5 0.92 0.86 0.137 1.1
## ID4 4 0.76 0.37 0.72 0.275 1.5
## ID7 7 0.55 0.38 0.45 0.549 1.8
## ID6 6 0.50 0.29 0.713 1.3
## ID3 3 0.42 0.19 0.810 1.2
## ID9 9 0.40 0.34 0.34 0.655 2.7
## ID2 2 0.91 0.84 0.157 1.1
## ID1 1 0.81 0.66 0.335 1.0
## ID8 8 0.99 1.00 0.005 1.0
## ID10 10 0.30 0.56 0.46 0.536 2.0
##
## ML2 ML3 ML1
## SS loadings 2.41 1.93 1.48
## Proportion Var 0.24 0.19 0.15
## Cumulative Var 0.24 0.43 0.58
## Proportion Explained 0.41 0.33 0.25
## Cumulative Proportion 0.41 0.75 1.00
##
## Mean item complexity = 1.5
## Test of the hypothesis that 3 factors are sufficient.
##
## The degrees of freedom for the null model are 45 and the objective function was 4.53 with Chi Square of 162.26
## The degrees of freedom for the model are 18 and the objective function was 0.66
##
## The root mean square of the residuals (RMSR) is 0.06
## The df corrected root mean square of the residuals is 0.1
##
## The harmonic number of observations is 41 with the empirical chi square 15.56 with prob < 0.62
## The total number of observations was 41 with Likelihood Chi Square = 22.49 with prob < 0.21
##
## Tucker Lewis Index of factoring reliability = 0.896
## RMSEA index = 0.074 and the 90 % confidence intervals are 0 0.17
## BIC = -44.35
## Fit based upon off diagonal values = 0.96
## Measures of factor score adequacy
## ML2 ML3 ML1
## Correlation of (regression) scores with factors 0.95 0.94 1.00
## Multiple R square of scores with factors 0.90 0.89 0.99
## Minimum correlation of possible factor scores 0.81 0.78 0.99fa.diagram(afe)
Analisis factorial confirmatorio
Análisis de un factor, es decir, con todas las variables ubicadas bajo el mismo factor.
#Especificación del modelo conceptual - Unifactorial
Unfactor<-'A =~ ID1 + ID2 + ID3 + ID4 + ID5 + ID6 + ID7 + ID8 + ID9 + ID10'
Unfactor <- cfa(Unfactor,orthogonal=FALSE, data=df_afe, estimator="WLSMV",ordered =names(df_afe))
summary(Unfactor, fit.measures=TRUE)## lavaan 0.6-12 ended normally after 24 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of model parameters 55
##
## Number of observations 41
##
## Model Test User Model:
## Standard Robust
## Test Statistic 107.216 105.341
## Degrees of freedom 35 35
## P-value (Chi-square) 0.000 0.000
## Scaling correction factor 1.178
## Shift parameter 14.317
## simple second-order correction
##
## Model Test Baseline Model:
##
## Test statistic 705.910 418.854
## Degrees of freedom 45 45
## P-value 0.000 0.000
## Scaling correction factor 1.768
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.891 0.812
## Tucker-Lewis Index (TLI) 0.860 0.758
##
## Robust Comparative Fit Index (CFI) NA
## Robust Tucker-Lewis Index (TLI) NA
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.227 0.224
## 90 Percent confidence interval - lower 0.179 0.176
## 90 Percent confidence interval - upper 0.277 0.274
## P-value RMSEA <= 0.05 0.000 0.000
##
## Robust RMSEA NA
## 90 Percent confidence interval - lower NA
## 90 Percent confidence interval - upper NA
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.221 0.221
##
## Parameter Estimates:
##
## Standard errors Robust.sem
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|)
## A =~
## ID1 1.000
## ID2 1.023 0.201 5.090 0.000
## ID3 0.427 0.133 3.218 0.001
## ID4 1.061 0.128 8.298 0.000
## ID5 0.962 0.114 8.410 0.000
## ID6 0.503 0.152 3.318 0.001
## ID7 0.752 0.121 6.213 0.000
## ID8 0.586 0.159 3.698 0.000
## ID9 0.386 0.152 2.545 0.011
## ID10 0.771 0.132 5.830 0.000
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|)
## .ID1 0.000
## .ID2 0.000
## .ID3 0.000
## .ID4 0.000
## .ID5 0.000
## .ID6 0.000
## .ID7 0.000
## .ID8 0.000
## .ID9 0.000
## .ID10 0.000
## A 0.000
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|)
## ID1|t1 -1.657 0.337 -4.919 0.000
## ID1|t2 -1.052 0.244 -4.318 0.000
## ID1|t3 -0.476 0.207 -2.304 0.021
## ID2|t1 -0.859 0.227 -3.782 0.000
## ID2|t2 -0.408 0.204 -1.999 0.046
## ID3|t1 -1.971 0.426 -4.625 0.000
## ID3|t2 -1.052 0.244 -4.318 0.000
## ID3|t3 -0.546 0.209 -2.607 0.009
## ID3|t4 -0.031 0.198 -0.154 0.877
## ID3|t5 0.408 0.204 1.999 0.046
## ID3|t6 0.694 0.217 3.204 0.001
## ID4|t1 -1.052 0.244 -4.318 0.000
## ID4|t2 -0.092 0.198 -0.463 0.644
## ID4|t3 0.279 0.201 1.387 0.166
## ID5|t1 -1.971 0.426 -4.625 0.000
## ID5|t2 -1.052 0.244 -4.318 0.000
## ID5|t3 -0.216 0.200 -1.079 0.281
## ID5|t4 0.343 0.202 1.693 0.090
## ID6|t1 -1.453 0.296 -4.900 0.000
## ID6|t2 -1.052 0.244 -4.318 0.000
## ID6|t3 -0.694 0.217 -3.204 0.001
## ID6|t4 -0.092 0.198 -0.463 0.644
## ID6|t5 0.408 0.204 1.999 0.046
## ID7|t1 -1.971 0.426 -4.625 0.000
## ID7|t2 -1.657 0.337 -4.919 0.000
## ID7|t3 -0.694 0.217 -3.204 0.001
## ID7|t4 0.153 0.199 0.771 0.441
## ID7|t5 0.694 0.217 3.204 0.001
## ID8|t1 -1.657 0.337 -4.919 0.000
## ID8|t2 -1.453 0.296 -4.900 0.000
## ID8|t3 -1.052 0.244 -4.318 0.000
## ID8|t4 -0.774 0.221 -3.497 0.000
## ID8|t5 -0.408 0.204 -1.999 0.046
## ID8|t6 0.153 0.199 0.771 0.441
## ID9|t1 -0.618 0.213 -2.907 0.004
## ID9|t2 -0.343 0.202 -1.693 0.090
## ID9|t3 -0.092 0.198 -0.463 0.644
## ID9|t4 0.618 0.213 2.907 0.004
## ID9|t5 1.165 0.256 4.557 0.000
## ID10|t1 -1.453 0.296 -4.900 0.000
## ID10|t2 -1.052 0.244 -4.318 0.000
## ID10|t3 -0.774 0.221 -3.497 0.000
## ID10|t4 -0.476 0.207 -2.304 0.021
## ID10|t5 -0.153 0.199 -0.771 0.441
## ID10|t6 0.343 0.202 1.693 0.090
##
## Variances:
## Estimate Std.Err z-value P(>|z|)
## .ID1 0.293
## .ID2 0.259
## .ID3 0.871
## .ID4 0.203
## .ID5 0.345
## .ID6 0.821
## .ID7 0.600
## .ID8 0.757
## .ID9 0.894
## .ID10 0.580
## A 0.707 0.151 4.680 0.000
##
## Scales y*:
## Estimate Std.Err z-value P(>|z|)
## ID1 1.000
## ID2 1.000
## ID3 1.000
## ID4 1.000
## ID5 1.000
## ID6 1.000
## ID7 1.000
## ID8 1.000
## ID9 1.000
## ID10 1.000fitMeasures(Unfactor)## npar fmin
## 55.000 1.308
## chisq df
## 107.216 35.000
## pvalue chisq.scaled
## 0.000 105.341
## df.scaled pvalue.scaled
## 35.000 0.000
## chisq.scaling.factor baseline.chisq
## 1.178 705.910
## baseline.df baseline.pvalue
## 45.000 0.000
## baseline.chisq.scaled baseline.df.scaled
## 418.854 45.000
## baseline.pvalue.scaled baseline.chisq.scaling.factor
## 0.000 1.768
## cfi tli
## 0.891 0.860
## nnfi rfi
## 0.860 0.805
## nfi pnfi
## 0.848 0.660
## ifi rni
## 0.892 0.891
## cfi.scaled tli.scaled
## 0.812 0.758
## cfi.robust tli.robust
## NA NA
## nnfi.scaled nnfi.robust
## 0.758 NA
## rfi.scaled nfi.scaled
## 0.677 0.749
## ifi.scaled rni.scaled
## 0.817 0.812
## rni.robust rmsea
## NA 0.227
## rmsea.ci.lower rmsea.ci.upper
## 0.179 0.277
## rmsea.pvalue rmsea.scaled
## 0.000 0.224
## rmsea.ci.lower.scaled rmsea.ci.upper.scaled
## 0.176 0.274
## rmsea.pvalue.scaled rmsea.robust
## 0.000 NA
## rmsea.ci.lower.robust rmsea.ci.upper.robust
## NA NA
## rmsea.pvalue.robust rmr
## NA 0.203
## rmr_nomean srmr
## 0.221 0.221
## srmr_bentler srmr_bentler_nomean
## 0.203 0.221
## crmr crmr_nomean
## 0.221 0.244
## srmr_mplus srmr_mplus_nomean
## NA NA
## cn_05 cn_01
## 19.580 22.393
## gfi agfi
## 0.911 0.772
## pgfi mfi
## 0.354 0.405semPaths(Unfactor, intercepts = FALSE,
edge.label.cex=1.5,
optimizeLatRes = TRUE,
groups = "lat",
pastel = TRUE,
exoVar = FALSE,
sizeInt=5,
edge.color ="black",
esize = 6,
label.prop=2,
sizeLat = 6,"std",
layout="tree2",
rotation = 2)
#Especificación del modelo conceptual - Trifactorial
Tresfactores<-'A =~ ID5 + ID4 + ID6 + ID7 + ID9 + ID3
B =~ ID2 + ID1 + ID4 + ID7
C =~ ID 8 + ID9 + ID10'
AFCtres <- cfa(Tresfactores,orthogonal=FALSE, data=df_afe, estimator="WLSMV",ordered =names(df_afe))
summary(AFCtres, fit.measures=TRUE)## lavaan 0.6-12 ended normally after 34 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of model parameters 61
##
## Number of observations 41
##
## Model Test User Model:
## Standard Robust
## Test Statistic 27.307 41.374
## Degrees of freedom 29 29
## P-value (Chi-square) 0.555 0.064
## Scaling correction factor 0.865
## Shift parameter 9.790
## simple second-order correction
##
## Model Test Baseline Model:
##
## Test statistic 705.910 418.854
## Degrees of freedom 45 45
## P-value 0.000 0.000
## Scaling correction factor 1.768
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 1.000 0.967
## Tucker-Lewis Index (TLI) 1.004 0.949
##
## Robust Comparative Fit Index (CFI) NA
## Robust Tucker-Lewis Index (TLI) NA
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.000 0.103
## 90 Percent confidence interval - lower 0.000 0.000
## 90 Percent confidence interval - upper 0.112 0.170
## P-value RMSEA <= 0.05 0.688 0.130
##
## Robust RMSEA NA
## 90 Percent confidence interval - lower 0.000
## 90 Percent confidence interval - upper NA
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.108 0.108
##
## Parameter Estimates:
##
## Standard errors Robust.sem
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|)
## A =~
## ID5 1.000
## ID4 0.751 0.117 6.401 0.000
## ID6 0.585 0.133 4.389 0.000
## ID7 0.379 0.129 2.944 0.003
## ID9 0.507 0.169 2.995 0.003
## ID3 0.428 0.104 4.108 0.000
## B =~
## ID2 1.000
## ID1 1.013 0.237 4.269 0.000
## ID4 0.518 0.132 3.931 0.000
## ID7 0.631 0.142 4.450 0.000
## C =~
## ID8 1.000
## ID9 0.033 0.296 0.111 0.912
## ID10 1.609 0.710 2.268 0.023
##
## Covariances:
## Estimate Std.Err z-value P(>|z|)
## A ~~
## B 0.047 0.178 0.264 0.792
## C 0.281 0.128 2.193 0.028
## B ~~
## C 0.206 0.119 1.735 0.083
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|)
## .ID5 0.000
## .ID4 0.000
## .ID6 0.000
## .ID7 0.000
## .ID9 0.000
## .ID3 0.000
## .ID2 0.000
## .ID1 0.000
## .ID8 0.000
## .ID10 0.000
## A 0.000
## B 0.000
## C 0.000
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|)
## ID5|t1 -1.971 0.426 -4.625 0.000
## ID5|t2 -1.052 0.244 -4.318 0.000
## ID5|t3 -0.216 0.200 -1.079 0.281
## ID5|t4 0.343 0.202 1.693 0.090
## ID4|t1 -1.052 0.244 -4.318 0.000
## ID4|t2 -0.092 0.198 -0.463 0.644
## ID4|t3 0.279 0.201 1.387 0.166
## ID6|t1 -1.453 0.296 -4.900 0.000
## ID6|t2 -1.052 0.244 -4.318 0.000
## ID6|t3 -0.694 0.217 -3.204 0.001
## ID6|t4 -0.092 0.198 -0.463 0.644
## ID6|t5 0.408 0.204 1.999 0.046
## ID7|t1 -1.971 0.426 -4.625 0.000
## ID7|t2 -1.657 0.337 -4.919 0.000
## ID7|t3 -0.694 0.217 -3.204 0.001
## ID7|t4 0.153 0.199 0.771 0.441
## ID7|t5 0.694 0.217 3.204 0.001
## ID9|t1 -0.618 0.213 -2.907 0.004
## ID9|t2 -0.343 0.202 -1.693 0.090
## ID9|t3 -0.092 0.198 -0.463 0.644
## ID9|t4 0.618 0.213 2.907 0.004
## ID9|t5 1.165 0.256 4.557 0.000
## ID3|t1 -1.971 0.426 -4.625 0.000
## ID3|t2 -1.052 0.244 -4.318 0.000
## ID3|t3 -0.546 0.209 -2.607 0.009
## ID3|t4 -0.031 0.198 -0.154 0.877
## ID3|t5 0.408 0.204 1.999 0.046
## ID3|t6 0.694 0.217 3.204 0.001
## ID2|t1 -0.859 0.227 -3.782 0.000
## ID2|t2 -0.408 0.204 -1.999 0.046
## ID1|t1 -1.657 0.337 -4.919 0.000
## ID1|t2 -1.052 0.244 -4.318 0.000
## ID1|t3 -0.476 0.207 -2.304 0.021
## ID8|t1 -1.657 0.337 -4.919 0.000
## ID8|t2 -1.453 0.296 -4.900 0.000
## ID8|t3 -1.052 0.244 -4.318 0.000
## ID8|t4 -0.774 0.221 -3.497 0.000
## ID8|t5 -0.408 0.204 -1.999 0.046
## ID8|t6 0.153 0.199 0.771 0.441
## ID10|t1 -1.453 0.296 -4.900 0.000
## ID10|t2 -1.052 0.244 -4.318 0.000
## ID10|t3 -0.774 0.221 -3.497 0.000
## ID10|t4 -0.476 0.207 -2.304 0.021
## ID10|t5 -0.153 0.199 -0.771 0.441
## ID10|t6 0.343 0.202 1.693 0.090
##
## Variances:
## Estimate Std.Err z-value P(>|z|)
## .ID5 -0.020
## .ID4 0.153
## .ID6 0.651
## .ID7 0.482
## .ID9 0.728
## .ID3 0.813
## .ID2 0.125
## .ID1 0.101
## .ID8 0.601
## .ID10 -0.034
## A 1.020 0.164 6.215 0.000
## B 0.875 0.216 4.053 0.000
## C 0.399 0.209 1.912 0.056
##
## Scales y*:
## Estimate Std.Err z-value P(>|z|)
## ID5 1.000
## ID4 1.000
## ID6 1.000
## ID7 1.000
## ID9 1.000
## ID3 1.000
## ID2 1.000
## ID1 1.000
## ID8 1.000
## ID10 1.000fitMeasures(AFCtres)## npar fmin
## 61.000 0.333
## chisq df
## 27.307 29.000
## pvalue chisq.scaled
## 0.555 41.374
## df.scaled pvalue.scaled
## 29.000 0.064
## chisq.scaling.factor baseline.chisq
## 0.865 705.910
## baseline.df baseline.pvalue
## 45.000 0.000
## baseline.chisq.scaled baseline.df.scaled
## 418.854 45.000
## baseline.pvalue.scaled baseline.chisq.scaling.factor
## 0.000 1.768
## cfi tli
## 1.000 1.004
## nnfi rfi
## 1.004 0.940
## nfi pnfi
## 0.961 0.620
## ifi rni
## 1.003 1.003
## cfi.scaled tli.scaled
## 0.967 0.949
## cfi.robust tli.robust
## NA NA
## nnfi.scaled nnfi.robust
## 0.949 NA
## rfi.scaled nfi.scaled
## 0.847 0.901
## ifi.scaled rni.scaled
## 0.968 0.967
## rni.robust rmsea
## NA 0.000
## rmsea.ci.lower rmsea.ci.upper
## 0.000 0.112
## rmsea.pvalue rmsea.scaled
## 0.688 0.103
## rmsea.ci.lower.scaled rmsea.ci.upper.scaled
## 0.000 0.170
## rmsea.pvalue.scaled rmsea.robust
## 0.130 NA
## rmsea.ci.lower.robust rmsea.ci.upper.robust
## 0.000 NA
## rmsea.pvalue.robust rmr
## NA 0.099
## rmr_nomean srmr
## 0.108 0.108
## srmr_bentler srmr_bentler_nomean
## 0.099 0.108
## crmr crmr_nomean
## 0.108 0.119
## srmr_mplus srmr_mplus_nomean
## NA NA
## cn_05 cn_01
## 63.339 73.638
## gfi agfi
## 0.977 0.930
## pgfi mfi
## 0.315 1.021semPaths(AFCtres, intercepts = FALSE,
edge.label.cex=1.5,
optimizeLatRes = TRUE,
groups = "lat",
pastel = TRUE,
exoVar = FALSE,
sizeInt=1,
edge.color ="black",
esize = 1,
label.prop=1,
sizeLat = 6,
"std",
layout="tree2",
rotation = 2,
weighted = FALSE)
Se realizaron dos modelos de ecuaciones estructurales. Una forma unifactorial y una trifactorial. Se utilizó una rotación Equamax con un método de facorización de máxima verosimilitud. En el análisis trifactorial se obtuvo un Chi-cuadrado de 41.374, con 29 grados de libertd, CFI: 0.967, NFI: 0.961, RMSEA: 0.103. Se muestra el modelo hipotetizado en la figura.
FA3 <- fa(df_afe,nfactors = 3,rotate = "equamax",fm="ml")
print(FA3)## Factor Analysis using method = ml
## Call: fa(r = df_afe, nfactors = 3, rotate = "equamax", fm = "ml")
## Standardized loadings (pattern matrix) based upon correlation matrix
## ML2 ML3 ML1 h2 u2 com
## ID1 0.07 0.81 -0.02 0.66 0.335 1.0
## ID2 0.06 0.91 0.14 0.84 0.157 1.1
## ID3 0.42 0.10 -0.08 0.19 0.810 1.2
## ID4 0.76 0.37 0.08 0.72 0.275 1.5
## ID5 0.92 -0.03 0.15 0.86 0.137 1.1
## ID6 0.50 -0.15 0.09 0.29 0.713 1.3
## ID7 0.55 0.38 0.06 0.45 0.549 1.8
## ID8 0.05 0.05 0.99 1.00 0.005 1.0
## ID9 0.40 -0.27 0.34 0.34 0.655 2.7
## ID10 0.30 0.25 0.56 0.46 0.536 2.0
##
## ML2 ML3 ML1
## SS loadings 2.41 1.93 1.48
## Proportion Var 0.24 0.19 0.15
## Cumulative Var 0.24 0.43 0.58
## Proportion Explained 0.41 0.33 0.25
## Cumulative Proportion 0.41 0.75 1.00
##
## Mean item complexity = 1.5
## Test of the hypothesis that 3 factors are sufficient.
##
## The degrees of freedom for the null model are 45 and the objective function was 4.53 with Chi Square of 162.26
## The degrees of freedom for the model are 18 and the objective function was 0.66
##
## The root mean square of the residuals (RMSR) is 0.06
## The df corrected root mean square of the residuals is 0.1
##
## The harmonic number of observations is 41 with the empirical chi square 15.56 with prob < 0.62
## The total number of observations was 41 with Likelihood Chi Square = 22.49 with prob < 0.21
##
## Tucker Lewis Index of factoring reliability = 0.896
## RMSEA index = 0.074 and the 90 % confidence intervals are 0 0.17
## BIC = -44.35
## Fit based upon off diagonal values = 0.96
## Measures of factor score adequacy
## ML2 ML3 ML1
## Correlation of (regression) scores with factors 0.95 0.94 1.00
## Multiple R square of scores with factors 0.90 0.89 0.99
## Minimum correlation of possible factor scores 0.81 0.78 0.99fa.plot(FA3,cut=0.3,labels=names(df_afe))
print(FA3$loadings,cutoff = 0.3)##
## Loadings:
## ML2 ML3 ML1
## ID1 0.812
## ID2 0.906
## ID3 0.416
## ID4 0.763 0.369
## ID5 0.916
## ID6 0.504
## ID7 0.553 0.376
## ID8 0.995
## ID9 0.396 0.342
## ID10 0.300 0.558
##
## ML2 ML3 ML1
## SS loadings 2.413 1.928 1.485
## Proportion Var 0.241 0.193 0.148
## Cumulative Var 0.241 0.434 0.583fa.diagram(FA3)
SUBGRUPO IDENTIDAD DEPORTIVA (Solo items Identidad Deportiva)
Se extrajo de la base de datos aquellas columnas correspondientes a la Escala de identidad deportiva. A partir de dicha base, se llevó a cabo el cálculo del coeficiente alfa de Cronbach el cual arrojó un valor de 0.6599. Dicho valor se encuentra dentro del rango propuesto por Tavakol & Dennick.
# Esto es el análisis sacando los 3 ítems que no corresponden a Ident Deport según Mosqueda Ortiz
df_afe_id<-df[c(40:44, 47, 49)]
alpha(df_afe_id) # 0.6598875## [1] 0.6598875Con el objetivo de buscar las correlaciones entre las variables de la Escala, se utilizó el método de correlación de Spearman debido a su mayor robustez. De la aplicación de dicho test, se encontraron correlaciones positivas siendo las de mayor magnitud la correlación entre el ítem 4 y 5 (0.75), entre el 1 y el 2 (0.74) y entre el 8 y el 9 (0.54). El resto de los valores se muestran en la siguiente matriz.
# Esto es el análisis sacando los 3 ítems que no corresponden a Ident Deport según Mosqueda Ortiz
correlacion_id<-cor2(df_afe_id, method ="spearman")## xi
## xi 1.00
## 0.74 1.00
## 0.02 0.22 1.00
## 0.36 0.40 0.33 1.00
## 0.09 0.14 0.37 0.75 1.00
## 0.08 0.22 0.00 0.21 0.26 1.00
## 0.26 0.38 -0.01 0.46 0.48 0.54 1.00colnames(correlacion_id)<-c("ID1","ID2","ID3","ID4","ID5", "ID8", "ID10")
rownames(correlacion_id)<-c("ID1","ID2","ID3","ID4","ID5", "ID8", "ID10")
corrplot.mixed(correlacion_id, upper = "ellipse" , tl.pos = "lt")
Llevamos a cabo la prueba de adecuación de la muestra mediante el test de KMO y de esfericidad de Bartlett. De dichos test encontramos que la adecuación muestral fueron satisfactorios, con un índice global de KMO de 0.55, con todos los índices individuales ubicados entre 0.40 y 0.66. Por otro lado, la prueba de esfericidad de Bartlett resultó estadísticamente significativo con p-valor < 0.001.
KMO_id<-KMO(cor(df_afe_id))
Bartlett_id<-cortest.bartlett(cor(df_afe_id), n=nrow(df_afe_id))
KMO_id## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = cor(df_afe_id))
## Overall MSA = 0.55
## MSA for each item =
## ID1 ID2 ID3 ID4 ID5 ID8 ID10
## 0.51 0.50 0.40 0.66 0.54 0.60 0.59Bartlett_id## $chisq
## [1] 108.2131
##
## $p.value
## [1] 9.891136e-14
##
## $df
## [1] 21#Calculo de determinante, donde valores cercanos a cero indican presencia de correlación entre las variables
#det(cor(df_afe))Análisis Factorial. Por medio de esta estrategia, se lleva a cabo la extracción de factores. El Análisis Factorial intenta reducir la cantidad de dimensiones disponibles sin perder información (o perdiendo la menor cantidad de información disponible) por lo cual, la cantidad máxima de factores va a ser igual a la cantidad de ítems que tengamos. En el gráfico siguiente se puede observar cual es el número de factores más adecuado según la mayoría de los métodos empleados.
nfactoresAF<-n_factors(
df_afe_id,
type = "FA",
rotation = "equamax",
algorithm = "default",
package = c("nFactors", "psych"),
cor = NULL,
safe = TRUE,
n_max = NULL)
plot(nfactoresAF)
nfactoresAFas.data.frame(nfactoresAF)summary(nfactoresAF)El análisis factorial llevado a cabo mostró una estructura de 3 factores que en suma explican el 67% de la varianza total, con una explicación del 24% por parte de primer factor. La siguiente salida muestra los resultados del análisis factorial exploratorio con los factores y las variables que lo componen según el valor de correlación en cada una.
afe_id<-fa(df_afe_id,nfactors = 3,fm = "ml",rotate ="equamax",cor = "cor")
print(afe_id,digits = 2,cut = .30,sort=TRUE)## Factor Analysis using method = ml
## Call: fa(r = df_afe_id, nfactors = 3, rotate = "equamax", fm = "ml",
## cor = "cor")
## Standardized loadings (pattern matrix) based upon correlation matrix
## item ML1 ML3 ML2 h2 u2 com
## ID5 5 0.98 1.00 0.005 1.1
## ID4 4 0.70 0.35 0.65 0.355 1.7
## ID3 3 0.43 0.25 0.754 1.7
## ID2 2 0.93 0.91 0.088 1.1
## ID1 1 0.78 0.61 0.387 1.0
## ID10 7 0.97 1.00 0.005 1.1
## ID8 6 0.58 0.34 0.657 1.1
##
## ML1 ML3 ML2
## SS loadings 1.68 1.67 1.40
## Proportion Var 0.24 0.24 0.20
## Cumulative Var 0.24 0.48 0.68
## Proportion Explained 0.35 0.35 0.30
## Cumulative Proportion 0.35 0.70 1.00
##
## Mean item complexity = 1.3
## Test of the hypothesis that 3 factors are sufficient.
##
## The degrees of freedom for the null model are 21 and the objective function was 2.94 with Chi Square of 108.21
## The degrees of freedom for the model are 3 and the objective function was 0.17
##
## The root mean square of the residuals (RMSR) is 0.04
## The df corrected root mean square of the residuals is 0.11
##
## The harmonic number of observations is 41 with the empirical chi square 3.07 with prob < 0.38
## The total number of observations was 41 with Likelihood Chi Square = 5.89 with prob < 0.12
##
## Tucker Lewis Index of factoring reliability = 0.751
## RMSEA index = 0.151 and the 90 % confidence intervals are 0 0.341
## BIC = -5.25
## Fit based upon off diagonal values = 0.98
## Measures of factor score adequacy
## ML1 ML3 ML2
## Correlation of (regression) scores with factors 1.00 0.96 1.00
## Multiple R square of scores with factors 0.99 0.92 0.99
## Minimum correlation of possible factor scores 0.99 0.84 0.98Analisis factorial confirmatorio
Análisis de un factor, es decir, con todas las variables ubicadas bajo el mismo factor.
#Especificación del modelo conceptual - Unifactorial
Unfactor_id<-'A =~ ID1 + ID2 + ID3 + ID4 + ID5 + ID8 + ID10'
Unfactor_id <- cfa(Unfactor_id,orthogonal=FALSE, data=df_afe_id, estimator="WLSMV",ordered =names(df_afe_id))
summary(Unfactor_id, fit.measures=TRUE)## lavaan 0.6-12 ended normally after 20 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of model parameters 37
##
## Number of observations 41
##
## Model Test User Model:
## Standard Robust
## Test Statistic 57.777 60.206
## Degrees of freedom 14 14
## P-value (Chi-square) 0.000 0.000
## Scaling correction factor 1.038
## Shift parameter 4.540
## simple second-order correction
##
## Model Test Baseline Model:
##
## Test statistic 501.984 332.133
## Degrees of freedom 21 21
## P-value 0.000 0.000
## Scaling correction factor 1.546
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.909 0.851
## Tucker-Lewis Index (TLI) 0.863 0.777
##
## Robust Comparative Fit Index (CFI) NA
## Robust Tucker-Lewis Index (TLI) NA
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.280 0.287
## 90 Percent confidence interval - lower 0.207 0.215
## 90 Percent confidence interval - upper 0.356 0.364
## P-value RMSEA <= 0.05 0.000 0.000
##
## Robust RMSEA NA
## 90 Percent confidence interval - lower NA
## 90 Percent confidence interval - upper NA
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.222 0.222
##
## Parameter Estimates:
##
## Standard errors Robust.sem
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|)
## A =~
## ID1 1.000
## ID2 1.093 0.215 5.094 0.000
## ID3 0.408 0.134 3.047 0.002
## ID4 1.066 0.133 7.995 0.000
## ID5 0.955 0.125 7.625 0.000
## ID8 0.583 0.169 3.452 0.001
## ID10 0.802 0.152 5.293 0.000
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|)
## .ID1 0.000
## .ID2 0.000
## .ID3 0.000
## .ID4 0.000
## .ID5 0.000
## .ID8 0.000
## .ID10 0.000
## A 0.000
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|)
## ID1|t1 -1.657 0.337 -4.919 0.000
## ID1|t2 -1.052 0.244 -4.318 0.000
## ID1|t3 -0.476 0.207 -2.304 0.021
## ID2|t1 -0.859 0.227 -3.782 0.000
## ID2|t2 -0.408 0.204 -1.999 0.046
## ID3|t1 -1.971 0.426 -4.625 0.000
## ID3|t2 -1.052 0.244 -4.318 0.000
## ID3|t3 -0.546 0.209 -2.607 0.009
## ID3|t4 -0.031 0.198 -0.154 0.877
## ID3|t5 0.408 0.204 1.999 0.046
## ID3|t6 0.694 0.217 3.204 0.001
## ID4|t1 -1.052 0.244 -4.318 0.000
## ID4|t2 -0.092 0.198 -0.463 0.644
## ID4|t3 0.279 0.201 1.387 0.166
## ID5|t1 -1.971 0.426 -4.625 0.000
## ID5|t2 -1.052 0.244 -4.318 0.000
## ID5|t3 -0.216 0.200 -1.079 0.281
## ID5|t4 0.343 0.202 1.693 0.090
## ID8|t1 -1.657 0.337 -4.919 0.000
## ID8|t2 -1.453 0.296 -4.900 0.000
## ID8|t3 -1.052 0.244 -4.318 0.000
## ID8|t4 -0.774 0.221 -3.497 0.000
## ID8|t5 -0.408 0.204 -1.999 0.046
## ID8|t6 0.153 0.199 0.771 0.441
## ID10|t1 -1.453 0.296 -4.900 0.000
## ID10|t2 -1.052 0.244 -4.318 0.000
## ID10|t3 -0.774 0.221 -3.497 0.000
## ID10|t4 -0.476 0.207 -2.304 0.021
## ID10|t5 -0.153 0.199 -0.771 0.441
## ID10|t6 0.343 0.202 1.693 0.090
##
## Variances:
## Estimate Std.Err z-value P(>|z|)
## .ID1 0.310
## .ID2 0.176
## .ID3 0.885
## .ID4 0.216
## .ID5 0.371
## .ID8 0.766
## .ID10 0.556
## A 0.690 0.153 4.496 0.000
##
## Scales y*:
## Estimate Std.Err z-value P(>|z|)
## ID1 1.000
## ID2 1.000
## ID3 1.000
## ID4 1.000
## ID5 1.000
## ID8 1.000
## ID10 1.000fitMeasures(Unfactor_id)## npar fmin
## 37.000 0.705
## chisq df
## 57.777 14.000
## pvalue chisq.scaled
## 0.000 60.206
## df.scaled pvalue.scaled
## 14.000 0.000
## chisq.scaling.factor baseline.chisq
## 1.038 501.984
## baseline.df baseline.pvalue
## 21.000 0.000
## baseline.chisq.scaled baseline.df.scaled
## 332.133 21.000
## baseline.pvalue.scaled baseline.chisq.scaling.factor
## 0.000 1.546
## cfi tli
## 0.909 0.863
## nnfi rfi
## 0.863 0.827
## nfi pnfi
## 0.885 0.590
## ifi rni
## 0.910 0.909
## cfi.scaled tli.scaled
## 0.851 0.777
## cfi.robust tli.robust
## NA NA
## nnfi.scaled nnfi.robust
## 0.777 NA
## rfi.scaled nfi.scaled
## 0.728 0.819
## ifi.scaled rni.scaled
## 0.855 0.851
## rni.robust rmsea
## NA 0.280
## rmsea.ci.lower rmsea.ci.upper
## 0.207 0.356
## rmsea.pvalue rmsea.scaled
## 0.000 0.287
## rmsea.ci.lower.scaled rmsea.ci.upper.scaled
## 0.215 0.364
## rmsea.pvalue.scaled rmsea.robust
## 0.000 NA
## rmsea.ci.lower.robust rmsea.ci.upper.robust
## NA NA
## rmsea.pvalue.robust rmr
## NA 0.199
## rmr_nomean srmr
## 0.222 0.222
## srmr_bentler srmr_bentler_nomean
## 0.199 0.222
## crmr crmr_nomean
## 0.222 0.257
## srmr_mplus srmr_mplus_nomean
## NA NA
## cn_05 cn_01
## 17.397 21.175
## gfi agfi
## 0.931 0.750
## pgfi mfi
## 0.256 0.579semPaths(Unfactor_id, intercepts = FALSE,
edge.label.cex=1.5,
optimizeLatRes = TRUE,
groups = "lat",
pastel = TRUE,
exoVar = FALSE,
sizeInt=1,
edge.color ="black",
esize = 1,
label.prop=1,
sizeLat = 6,
"std",
layout="tree2",
rotation = 2,
weighted = FALSE)
#Especificación del modelo conceptual - Trifactorial
Tresfactores_id<-'Identidad Social =~ ID1 + ID2
Exclusividad =~ ID3 + ID4 + ID5
Afectividad negativa =~ ID 8 + ID10'
AFCtres_id <- cfa(Tresfactores_id,orthogonal=FALSE, data=df_afe_id, estimator="WLSMV",ordered =names(df_afe_id))## Warning in lav_model_vcov(lavmodel = lavmodel, lavsamplestats = lavsamplestats, : lavaan WARNING:
## The variance-covariance matrix of the estimated parameters (vcov)
## does not appear to be positive definite! The smallest eigenvalue
## (= 2.169638e-17) is close to zero. This may be a symptom that the
## model is not identified.## Warning in lav_object_post_check(object): lavaan WARNING: some estimated ov
## variances are negativesummary(AFCtres_id, fit.measures=TRUE)## lavaan 0.6-12 ended normally after 39 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of model parameters 40
##
## Number of observations 41
##
## Model Test User Model:
## Standard Robust
## Test Statistic 7.859 13.882
## Degrees of freedom 11 11
## P-value (Chi-square) 0.726 0.240
## Scaling correction factor 0.726
## Shift parameter 3.058
## simple second-order correction
##
## Model Test Baseline Model:
##
## Test statistic 501.984 332.133
## Degrees of freedom 21 21
## P-value 0.000 0.000
## Scaling correction factor 1.546
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 1.000 0.991
## Tucker-Lewis Index (TLI) 1.012 0.982
##
## Robust Comparative Fit Index (CFI) NA
## Robust Tucker-Lewis Index (TLI) NA
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.000 0.081
## 90 Percent confidence interval - lower 0.000 0.000
## 90 Percent confidence interval - upper 0.124 0.194
## P-value RMSEA <= 0.05 0.788 0.319
##
## Robust RMSEA NA
## 90 Percent confidence interval - lower 0.000
## 90 Percent confidence interval - upper NA
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.087 0.087
##
## Parameter Estimates:
##
## Standard errors Robust.sem
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|)
## IdentidadSocial =~
## ID1 1.000
## ID2 1.447 0.612 2.366 0.018
## Exclusividad =~
## ID3 1.000
## ID4 2.380 0.610 3.903 0.000
## ID5 2.134 0.576 3.708 0.000
## Afectividadnegativa =~
## ID8 1.000
## ID10 2.078 1.256 1.655 0.098
##
## Covariances:
## Estimate Std.Err z-value P(>|z|)
## IdentidadSocial ~~
## Exclusividad 0.116 0.081 1.427 0.154
## Afectividdngtv 0.151 0.109 1.389 0.165
## Exclusividad ~~
## Afectividdngtv 0.103 0.071 1.457 0.145
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|)
## .ID1 0.000
## .ID2 0.000
## .ID3 0.000
## .ID4 0.000
## .ID5 0.000
## .ID8 0.000
## .ID10 0.000
## IdentidadSocil 0.000
## Exclusividad 0.000
## Afectividdngtv 0.000
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|)
## ID1|t1 -1.657 0.337 -4.919 0.000
## ID1|t2 -1.052 0.244 -4.318 0.000
## ID1|t3 -0.476 0.207 -2.304 0.021
## ID2|t1 -0.859 0.227 -3.782 0.000
## ID2|t2 -0.408 0.204 -1.999 0.046
## ID3|t1 -1.971 0.426 -4.625 0.000
## ID3|t2 -1.052 0.244 -4.318 0.000
## ID3|t3 -0.546 0.209 -2.607 0.009
## ID3|t4 -0.031 0.198 -0.154 0.877
## ID3|t5 0.408 0.204 1.999 0.046
## ID3|t6 0.694 0.217 3.204 0.001
## ID4|t1 -1.052 0.244 -4.318 0.000
## ID4|t2 -0.092 0.198 -0.463 0.644
## ID4|t3 0.279 0.201 1.387 0.166
## ID5|t1 -1.971 0.426 -4.625 0.000
## ID5|t2 -1.052 0.244 -4.318 0.000
## ID5|t3 -0.216 0.200 -1.079 0.281
## ID5|t4 0.343 0.202 1.693 0.090
## ID8|t1 -1.657 0.337 -4.919 0.000
## ID8|t2 -1.453 0.296 -4.900 0.000
## ID8|t3 -1.052 0.244 -4.318 0.000
## ID8|t4 -0.774 0.221 -3.497 0.000
## ID8|t5 -0.408 0.204 -1.999 0.046
## ID8|t6 0.153 0.199 0.771 0.441
## ID10|t1 -1.453 0.296 -4.900 0.000
## ID10|t2 -1.052 0.244 -4.318 0.000
## ID10|t3 -0.774 0.221 -3.497 0.000
## ID10|t4 -0.476 0.207 -2.304 0.021
## ID10|t5 -0.153 0.199 -0.771 0.441
## ID10|t6 0.343 0.202 1.693 0.090
##
## Variances:
## Estimate Std.Err z-value P(>|z|)
## .ID1 0.387
## .ID2 -0.283
## .ID3 0.839
## .ID4 0.089
## .ID5 0.268
## .ID8 0.692
## .ID10 -0.330
## IdentidadSocil 0.613 0.272 2.257 0.024
## Exclusividad 0.161 0.081 1.973 0.048
## Afectividdngtv 0.308 0.212 1.452 0.146
##
## Scales y*:
## Estimate Std.Err z-value P(>|z|)
## ID1 1.000
## ID2 1.000
## ID3 1.000
## ID4 1.000
## ID5 1.000
## ID8 1.000
## ID10 1.000fitMeasures(AFCtres_id)## npar fmin
## 40.000 0.096
## chisq df
## 7.859 11.000
## pvalue chisq.scaled
## 0.726 13.882
## df.scaled pvalue.scaled
## 11.000 0.240
## chisq.scaling.factor baseline.chisq
## 0.726 501.984
## baseline.df baseline.pvalue
## 21.000 0.000
## baseline.chisq.scaled baseline.df.scaled
## 332.133 21.000
## baseline.pvalue.scaled baseline.chisq.scaling.factor
## 0.000 1.546
## cfi tli
## 1.000 1.012
## nnfi rfi
## 1.012 0.970
## nfi pnfi
## 0.984 0.516
## ifi rni
## 1.006 1.007
## cfi.scaled tli.scaled
## 0.991 0.982
## cfi.robust tli.robust
## NA NA
## nnfi.scaled nnfi.robust
## 0.982 NA
## rfi.scaled nfi.scaled
## 0.920 0.958
## ifi.scaled rni.scaled
## 0.991 0.991
## rni.robust rmsea
## NA 0.000
## rmsea.ci.lower rmsea.ci.upper
## 0.000 0.124
## rmsea.pvalue rmsea.scaled
## 0.788 0.081
## rmsea.ci.lower.scaled rmsea.ci.upper.scaled
## 0.000 0.194
## rmsea.pvalue.scaled rmsea.robust
## 0.319 NA
## rmsea.ci.lower.robust rmsea.ci.upper.robust
## 0.000 NA
## rmsea.pvalue.robust rmr
## NA 0.078
## rmr_nomean srmr
## 0.087 0.087
## srmr_bentler srmr_bentler_nomean
## 0.078 0.087
## crmr crmr_nomean
## 0.087 0.101
## srmr_mplus srmr_mplus_nomean
## NA NA
## cn_05 cn_01
## 101.140 126.841
## gfi agfi
## 0.991 0.957
## pgfi mfi
## 0.214 1.040semPaths(AFCtres_id,
intercepts = FALSE,
edge.label.cex=1.5,
optimizeLatRes = TRUE,
groups = "lat",
pastel = TRUE,
exoVar = FALSE,
sizeInt=1,
edge.color ="black",
esize = 1,
label.prop=1,
sizeLat = 6,
"std",
layout="tree2",
rotation = 2,
weighted = FALSE)
El factor latente Identidad Social queda explicado por las dos variables ID1 y 2. El factor latente Exclusividad queda explicado por las dos variables ID5, 4 y 3. El factor latente Afectividad negativa queda explicado por las dos variables ID8 y 10. Lineas enteras de la variable latente explica de forma más fuerte la variable.
FA3_id <- fa(df_afe_id,nfactors = 3,rotate = "equamax",fm="ml")
print(FA3_id)## Factor Analysis using method = ml
## Call: fa(r = df_afe_id, nfactors = 3, rotate = "equamax", fm = "ml")
## Standardized loadings (pattern matrix) based upon correlation matrix
## ML1 ML3 ML2 h2 u2 com
## ID1 0.05 0.78 0.02 0.61 0.387 1.0
## ID2 0.05 0.93 0.19 0.91 0.088 1.1
## ID3 0.43 0.19 -0.16 0.25 0.754 1.7
## ID4 0.70 0.35 0.20 0.65 0.355 1.7
## ID5 0.98 -0.04 0.18 1.00 0.005 1.1
## ID8 0.09 0.06 0.58 0.34 0.657 1.1
## ID10 0.20 0.15 0.97 1.00 0.005 1.1
##
## ML1 ML3 ML2
## SS loadings 1.68 1.67 1.40
## Proportion Var 0.24 0.24 0.20
## Cumulative Var 0.24 0.48 0.68
## Proportion Explained 0.35 0.35 0.30
## Cumulative Proportion 0.35 0.70 1.00
##
## Mean item complexity = 1.3
## Test of the hypothesis that 3 factors are sufficient.
##
## The degrees of freedom for the null model are 21 and the objective function was 2.94 with Chi Square of 108.21
## The degrees of freedom for the model are 3 and the objective function was 0.17
##
## The root mean square of the residuals (RMSR) is 0.04
## The df corrected root mean square of the residuals is 0.11
##
## The harmonic number of observations is 41 with the empirical chi square 3.07 with prob < 0.38
## The total number of observations was 41 with Likelihood Chi Square = 5.89 with prob < 0.12
##
## Tucker Lewis Index of factoring reliability = 0.751
## RMSEA index = 0.151 and the 90 % confidence intervals are 0 0.341
## BIC = -5.25
## Fit based upon off diagonal values = 0.98
## Measures of factor score adequacy
## ML1 ML3 ML2
## Correlation of (regression) scores with factors 1.00 0.96 1.00
## Multiple R square of scores with factors 0.99 0.92 0.99
## Minimum correlation of possible factor scores 0.99 0.84 0.98fa.plot(FA3_id,cut=0.3,labels=names(df_afe))
print(FA3_id$loadings,cutoff = 0.3)##
## Loadings:
## ML1 ML3 ML2
## ID1 0.780
## ID2 0.934
## ID3 0.426
## ID4 0.695 0.348
## ID5 0.980
## ID8 0.575
## ID10 0.966
##
## ML1 ML3 ML2
## SS loadings 1.678 1.668 1.402
## Proportion Var 0.240 0.238 0.200
## Cumulative Var 0.240 0.478 0.678fa.diagram(FA3_id)