摘要：La invarianza factorial estudia de la equivalencia métrica en el marco del modelo lineal del factor común por medio de la comparación de los parámetros del modelo de medida en los grupos de interés. Sin embargo cuando se utilizan ítems dicotómicos, Likert o categorías de respuestas ordenadas se viola la asunción referida al carácter continuo de las variables. Aunque existen modelos explícitos para este tipo de datos son muy escasos los trabajos que analizan su potencia y error Tipo I en el estudio de la invarianza factorial. Por medio de simulación Montecarlo este trabajo analiza la potencia y error tipo I asociados a la detección de la invarianza factorial en un diseño que manipula cuatro factores; tamaño de la muestra (300, 500 y 1000), tipo de DIF (umbrales, pesos), cantidad de DIF (0,25, 0,40), y presencia de impacto. Los parámetros de generación de datos provienen de una escala unifactorial compuesta por 9 indicadores con 3 categorías de respuesta ordenada. La presencia/ausencia de invarianza se evaluó utilizando tres criterios : a) significación de la diferencia entre valores chi-cuadrado de modelos anidados, b) la significación de la diferencia entre valores chicuadrado de modelos anidados aplicando la corrección Bonferroni, y c) la diferencia entre los valores del Índice Comparativo de Ajuste (CFI) entre modelos anidados. Los resultados mostraron un buena potencia y control de falsos positivos asociados a la diferencia entre CFIs y a la corrección Bonferroni.
其他摘要：Assessing measurement equivalence in the framework of the common factor linear models (CFL) is known as factorial invariance. This methodology is used to evaluate the equivalence among the parameters of a measurement model among different groups. However, when dichotomous, Likert, or ordered responses are used, one of the assumptions of the CFL is violated: the continuous nature of the observed variables. The common factor analysis of ordered-categorical data (CFO) has been described in several works, but none evaluate its power and Type I error rate in the evaluation of measurement equivalence (ME). In this simulation study, we evaluated ME under four different conditions: size of group (300, 500 and 1000), type of DIF (thresholds, loadings), amount of DIF (0.25, 0.40), and equality/impact of the distributions. The parameters used for the data generation came from one scale with nine items with three ordered categories. The results were evaluated according to three decision rules: a) the significance of the difference in chi-square values obtained in two nested models, b) the significance of the difference in chi-square values between two nested models with Bonferroni corrections, and c) the difference between the values of the Comparative Fix Index (CFI) obtained in two nested models. The results showed good power as well as good control of the false positives for both the chi-square Bonferroni correction and CFI difference index.
