{"id":779,"date":"2023-07-05T18:37:28","date_gmt":"2023-07-05T18:37:28","guid":{"rendered":"https:\/\/bulletin.sipsych.org\/?p=779"},"modified":"2023-07-05T18:37:30","modified_gmt":"2023-07-05T18:37:30","slug":"metodo-alignment-una-forma-alternativa-para-evaluar-la-invarianza-de-medicion-en-estudios-transculturales","status":"publish","type":"post","link":"https:\/\/bulletin.sipsych.org\/index.php\/2023\/07\/05\/metodo-alignment-una-forma-alternativa-para-evaluar-la-invarianza-de-medicion-en-estudios-transculturales\/","title":{"rendered":"M\u00e9todo Alignment: Una forma alternativa para evaluar la invarianza de medici\u00f3n en estudios transculturales"},"content":{"rendered":"\n

Lindsey W. Vilca<\/a>1<\/sup>, Tom\u00e1s Caycho-Rodr\u00edguez<\/a>2,<\/sup> Jos\u00e9 Ventura-Le\u00f3n<\/a>3<\/sup>
1 South American Center for Education and Research in Public Health, Universidad Norbert Wiener, Per\u00fa,
2 Facultad de Psicolog\u00eda, Universidad Cient\u00edfica del Sur, Per\u00fa,
3 Facultad de Ciencias de la Salud, Universidad Privada del Norte, Per\u00fa.<\/p>\n\n\n\n

Resumen<\/strong><\/p>\n\n\n\n

En el estudio se describe el Multi-Group Factor Analysis Alignment como un m\u00e9todo alternativo para evaluar la invarianza factorial de los instrumentos utilizados en estudios cross-cultural. Espec\u00edficamente se explica las ventajas del m\u00e9todo Alignment frente a la aproximaci\u00f3n tradicional de invarianza factorial (Multiple-group CFA). Adem\u00e1s, se realiza una revisi\u00f3n de las bases conceptuales y metodol\u00f3gicas del m\u00e9todo. Tambi\u00e9n se realiza una revisi\u00f3n de estudios actuales que emplearon el m\u00e9todo Alignment. Finalmente se da un ejemplo de su aplicaci\u00f3n e interpretaci\u00f3n en el programa estad\u00edstico r.<\/p>\n\n\n\n

Palabras clave: Alignment; estudios cross-cultural; invarianza factorial; invarianza m\u00e9trica; invarianza escalar<\/em><\/p>\n\n\n\n

En estudios transculturales es requisito fundamental estudiar y garantizar la invarianza de medida de los instrumentos utilizados, ya que permite descartar la posibilidad de un sesgo cultural en las respuestas de los encuestados. Cuando se evidencia invarianza de medida, se puede asumir que los encuestados de los diferentes pa\u00edses interpretan y responden los \u00edtems de la misma forma, lo que permite realizar comparaciones v\u00e1lidas entre los grupos (Davidov, Meuleman, Cieciuch, Schmidt & Billiet, 2014). <\/p>\n\n\n\n

Para evaluar la invarianza de medida, usualmente se emplean dos aproximaciones metodol\u00f3gicas: (a) Exact Measurement Invariance (EMI) y (b) Approximate Measurement Invariance (AMI). El primero parte del supuesto que, para evidenciar invarianza los par\u00e1metros de inter\u00e9s (cargas factoriales, interceptos\/umbrales y residuos) deben ser exactamente iguales entre los grupos (Svetina, Rutkowski & Rutkowski, 2019). En cambio, el segundo enfoque considera que los par\u00e1metros de inter\u00e9s no tienen que ser id\u00e9nticos entre grupos que son culturalmente diferentes y por tanto se pueden aceptar algunas peque\u00f1as diferencias (Fischer & Karl, 2019; Lomazzi, 2018). Bajo el enfoque EMI los estudios transculturales con muchos grupos de comparaci\u00f3n no suelen alcanzar los modelos de invarianza m\u00e1s restrictivos porque las posibles violaciones en t\u00e9rminos de equivalencia estricta aumentan a medida que se incrementa el n\u00famero de grupos (Davidov, Meuleman, Cieciuch, Schmidt & Billiet, 2014). Adem\u00e1s el enfoque EMI, debido a que es muy estricto (los par\u00e1metros entre los grupos debe ser cero), suele rechazar modelos que son pr\u00e1cticamente comparables entre los grupos (Lomazzi, 2018). En este contexto, la introducci\u00f3n del enfoque AMI desarrollado por Muth\u00e9n y Asparouhov (Muth\u00e9n & Asparouhov, 2012) puede ser una forma m\u00e1s realista de evaluar la invarianza de medida en estudios transculturales.<\/p>\n\n\n\n

El Multi-Group Factor Analysis Alignment es un m\u00e9todo desarrollado por Asparouhov y Muth\u00e9n (Asparouhov  & Muth\u00e9n, 2014) bajo los principios del enfoque AMI. En este m\u00e9todo, se emplean los par\u00e1metros de carga factorial e interceptos para evaluar la invarianza de medida. Para estimar estos par\u00e1metros se puede emplear Maximum-Likelihood (ML) o an\u00e1lisis Bayesiano. El m\u00e9todo Alignment se realiza en dos pasos: En la primera etapa, se estima un modelo configural sin restricciones en todos los grupos. Para lograr la estimaci\u00f3n de todas las cargas factoriales de los \u00edtems, las medias de los \u00edtems se fijan en 0 y las varianzas de los factores en 1. En la segunda etapa, este modelo configural se optimiza utilizando una funci\u00f3n de p\u00e9rdida de componentes (f) con el objetivo de minimizar la invarianza en las medias de los factores y las varianzas de los factores para cada grupo (Asparouhov  & Muth\u00e9n, 2014). En esta etapa es importante definir los criterios de tolerancia para la invarianza de los par\u00e1metros. Para ello se puede seguir las recomendaciones de Robitzsch (Robitzsch, 2021) para los pesos factoriales (\u03bb = .40) e interceptos (\u03bd = .20). Tambi\u00e9n es necesario definir la potencia de la estimaci\u00f3n (alignment) a .25 para ambos par\u00e1metros (Fischer & Karl, 2019).<\/p>\n\n\n\n

Tabla 1. <\/em><\/strong>Estudios transculturales que han empleado el m\u00e9todo alignment<\/em><\/p>\n\n\n\n

Autor<\/td>A\u00f1o<\/td>T\u00edtulo<\/td>Grupos comparados<\/td>DOI<\/td><\/tr><\/thead>
Kuowei, et. al.<\/td>2017<\/td>Measurement invariance of the Hopkins Symptoms Checklist: a novel multigroup alignment analytic approach to a large epidemiological sample across eight conflict-affected districts from a nation-wide survey in Sri Lanka. <\/td>8<\/td>https:\/\/doi.org\/10.1186\/s13031-017-0109-x<\/td><\/tr>
Munck, et. al.<\/td>2017<\/td>Measurement Invariance in Comparing Attitudes Toward Immigrants Among Youth Across Europe in 1999 and 2009: The Alignment Method Applied to IEA CIVED and ICCS <\/td>92<\/td>https:\/\/doi.org\/10.1177\/0049124117729691<\/td><\/tr>
Lomazzi, V.<\/td>2018<\/td>Using Alignment Optimization to Test the Measurement Invariance of Gender Role Attitudes in 59 Countries <\/td>59<\/td>https:\/\/doi.org\/10.12758\/mda.2017.09<\/td><\/tr>
Halamov\u00e1, et. al.<\/td>2019<\/td>Multiple Group IRT Measurement Invariance Analysis of the Forms of Self-Criticising\/Attacking and Self-Reassuring Scale in Thirteen International Samples <\/td>13<\/td>https:\/\/doi.org\/10.1007\/s10942-019-00319-1<\/td><\/tr>
Brook, et. al.<\/td>2020<\/td>Lifespan trends in sociability: Measurement invariance and mean-level differences in ages 3 to 86\u202fyears <\/td>3<\/td>https:\/\/doi.org\/10.1016\/j.paid.2019.109579<\/td><\/tr>
Sischka, et. al.<\/td>2020<\/td>The WHO-5 well-being index \u2013 validation based on item response theory and the analysis of measurement invariance across 35 countries <\/td>35<\/td>https:\/\/doi.org\/10.1016\/j.jadr.2020.100020<\/td><\/tr>
Matthew, et. al.<\/td>2020<\/td>Cross-cultural equivalence of shortened versions of the Eysenck Personality Questionnaire: An application of the alignment method <\/td>35<\/td>https:\/\/doi.org\/10.1016\/j.paid.2020.110074<\/td><\/tr>
Caycho-Rodr\u00edguez, et. al.<\/td>2021<\/td>Cross-Cultural Validation of a New Version in Spanish of Four Items of the Preventive COVID-19 Infection Behaviors Scale (PCIBS) in Twelve Latin American Countries <\/td>12<\/td>https:\/\/doi.org\/10.3389\/fpsyg.2021.763993<\/td><\/tr>
Odell, et. al.<\/td>2021<\/td>Testing measurement invariance of PISA 2015 mathematics, science, and ICT scales using the alignment method <\/td>47<\/td>https:\/\/doi.org\/10.1016\/j.stueduc.2020.100965<\/td><\/tr>
Da’as, et. al.<\/td>2021<\/td>Collective teacher efficacy beliefs: testing measurement invariance using alignment optimization among four cultures <\/td>4<\/td>https:\/\/doi.org\/10.1108\/JEA-02-2021-0032<\/td><\/tr>
Ted, et. al.<\/td>2021<\/td>Longitudinal measurement invariance in urbanization index of Chinese communities across 2000 and 2015: a Bayesian approximate measurement invariance approach<\/td>217 a 288<\/td>https:\/\/doi.org\/10.1186\/s12889-021-11691-y<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Para evaluar la invarianza de los par\u00e1metros se interpreta el \u00edndice R2, donde valores cercanos a 1 indican un mayor nivel de invarianza, mientras que valores cercanos a 0 indican un menor nivel (Asparouhov  & Muth\u00e9n, 2014). Para evaluar el porcentaje de par\u00e1metros no invariantes (\u03bb y \u03bd) se puede emplear un l\u00edmite mayor a 25 % para considerar una escala como no invariante (Asparouhov  & Muth\u00e9n, 2014). <\/p>\n\n\n\n

Es importante mencionar que el m\u00e9todo alignment descrito, puede ser utilizado como un procedimiento alternativo al An\u00e1lisis Factorial Confirmatorio Multi-grupo (Multiple-group CFA). No obstante, este m\u00e9todo tambi\u00e9n tiene sus aplicaciones en modelos de Teor\u00eda de Respuesta al \u00cdtem (Muthen & Asparouhov, 2014) y para \u00edtems polit\u00f3micos (Flake & McCoach, 2018). En la tabla 1, se muestran algunos estudios publicados en los \u00faltimos a\u00f1os, donde se emplea el m\u00e9todo alignment. <\/p>\n\n\n\n

 Para terminar, se presenta un script para la aplicaci\u00f3n del m\u00e9todo Aligment en el entorno R utilizando el paquete \u201csirt\u201d (Robitzsch, 2021), en base de datos del estudio de Caycho-Rodr\u00edguez et al. (2021), donde se evalu\u00f3 un modelo unidimensional de la Preventive COVID-19 Infection Behaviors Scale en doce pa\u00edses de Am\u00e9rica<\/p>\n\n\n\n

Paso 0: Cargar data<\/p>\n\n\n\n

library(haven)
datos <- read_sav(“Datos.sav”)<\/p>\n\n\n\n

Paso 1: Estimar el modelo configural<\/p>\n\n\n\n

par <-
  invariance_alignment_cfa_config(dat = datos[paste0(“prev”, 1:4)], #Especificar  base de datos e \u00edtems.<\/em>
                                  group = datos$country #Especificar la variable de comparaci\u00f3n (pa\u00edses).<\/em>) <\/p>\n\n\n\n

## Compute CFA for group 1
## Compute CFA for group 2
## Compute CFA for group 3
## Compute CFA for group 4
## Compute CFA for group 5
## Compute CFA for group 6
## Compute CFA for group 7
## Compute CFA for group 8
## Compute CFA for group 9
## Compute CFA for group 10
## Compute CFA for group 11
## Compute CFA for group 12<\/p>\n\n\n\n

Paso 2: Estimar el modelo optimizado<\/p>\n\n\n\n

mod1 <-
  invariance.alignment(lambda = par$lambda, #Especificar la carga factorial.<\/em>
                       nu = par$nu, #Especificar los interceptos.<\/em>
                       align.scale = c(0.2, 0.4), #Establecer los par\u00e1metros de los \u00edtems.<\/em>
                       align.pow = c(0.25, 0.25)) #Establecer la potencia de la estimaci\u00f3n<\/em>

#Es la funci\u00f3n de estimaci\u00f3n para calcular el porcentaje de par\u00e1metros no invariantes<\/em>
cmod1 <-
  invariance_alignment_constraints(mod1, #Resultado del modelo optimizado<\/em>
                                   lambda_parm_tol = 0.4, #Establecer los criterios de tolerancia para las cargas factoriales<\/em>
                                   nu_parm_tol = 0.2 #establecer los criterios de tolerancia para los interceptos<\/em>)<\/p>\n\n\n\n

Paso 3: Elementos importantes a considerar<\/p>\n\n\n\n

#C\u00e1lculo del R2<\/em>
mod1$es.invariance[“R2”,]<\/p>\n\n\n\n

##   loadings intercepts 
##  0.9862302  0.9990300<\/p>\n\n\n\n

#Porcentaje de invarianza de cargas factoriales<\/em>
cmod1$lambda_list$prop_noninvariance<\/p>\n\n\n\n

## [1] 0<\/p>\n\n\n\n

#Items que se muestran invariantes en las cargas<\/em>
cmod1$lambda_list$parm_dif<\/p>\n\n\n\n

##    prev1 prev2 prev3 prev4
## 1      0     0     0     0
## 2      0     0     0     0
## 3      0     0     0     0
## 4      0     0     0     0
## 5      0     0     0     0
## 6      0     0     0     0
## 7      0     0     0     0
## 8      0     0     0     0
## 9      0     0     0     0
## 10     0     0     0     0
## 11     0     0     0     0
## 12     0     0     0     0<\/p>\n\n\n\n

#Porcentaje de invarianza de interceptos<\/em>
cmod1$nu_list$prop_noninvariance<\/p>\n\n\n\n

## [1] 4.166667<\/p>\n\n\n\n

#Items que se muestran invariantes en los interceptos<\/em>
cmod1$nu_list$parm_dif %>%
  as_tibble() %>%
  mutate(across(where(is.numeric), round, 3))<\/p>\n\n\n\n

## # A tibble: 12 x 4
##    prev1 prev2 prev3  prev4
##    <dbl> <dbl> <dbl>  <dbl>
##  1   0         0           0          0   
##  2   0         0           0          0   
##  3   0         0           0          0   
##  4   0         0           0          0   
##  5   0         0           0         -0.336
##  6   0         0           0          0   
##  7   0         0           0          0   
##  8   0         0           0          0   
##  9   0         0           0          0   
## 10  0         0           0          0   
## 11  0         0           0          0   
## 12  0.213  0           0          0<\/p>\n\n\n\n

Referencias<\/strong><\/p>\n\n\n\n

Asparouhov, T., & Muth\u00e9n, B. (2014). Multiple-group factor analysis alignment. Structural Equation Modeling: A Multidisciplinary Journal, 21(4), 495-508. https:\/\/doi.org\/10.1080\/10705511.2014.919210<\/p>\n\n\n\n

Caycho-Rodriguez, T., Vilca, L. W., Valencia, P. D., Carbajal-Leon, C., Vivanco-Vidal, A., Saroli-Aranibar, D., … & Gallegos, W. L. A. (2021). Cross-cultural validation of a new version in Spanish of four items of the preventive COVID-19 infection behaviors scale (PCIBS) in twelve Latin American countries. Frontiers in Psychology, 12, 763993. https:\/\/doi.org\/10.3389\/fpsyg.2021.763993<\/p>\n\n\n\n

Davidov, E., Meuleman, B., Cieciuch, J., Schmidt, P., & Billiet, J. (2014). Measurement equivalence in cross-national research. Annual review of sociology, 40, 55-75. https:\/\/doi.org\/10.1146\/annurev-soc-071913-043137<\/p>\n\n\n\n

Fischer, R., & Karl, J. A. (2019). A primer to (cross-cultural) multi-group invariance testing possibilities in R. Frontiers in psychology, 1507. https:\/\/doi.org\/10.3389\/fpsyg.2019.01507<\/p>\n\n\n\n

Flake, J. K., & McCoach, D. B. (2018). An investigation of the alignment method with polytomous indicators under conditions of partial measurement invariance. Structural Equation Modeling: A Multidisciplinary Journal, 25(1), 56-70. https:\/\/doi.org\/10.1080\/10705511.2017.1374187<\/p>\n\n\n\n

Lomazzi, V. (2018). Using alignment optimization to test the measurement invariance of gender role attitudes in 59 countries. Methods, data, analyses: a journal for quantitative methods and survey methodology, 12(1), 77-103. https:\/\/doi.org\/10.12758\/mda.2017.09<\/p>\n\n\n\n

Muth\u00e9n, B., & Asparouhov, T. (2012). Bayesian structural equation modeling: A more flexible representation of substantive theory. Psychological Methods, 17(3), 313\u2013335. https:\/\/doi.org\/10.1037\/a0026802<\/p>\n\n\n\n

Muth\u00e9n, B., & Asparouhov, T. (2014). IRT studies of many groups: The alignment method. Frontiers in psychology, 5, 978. https:\/\/doi.org\/10.3389\/fpsyg.2014.00978<\/p>\n\n\n\n

Robitzsch, A. (2021). sirt: Supplementary Item Response Theory Models [Internet]. https:\/\/cran.r-project.org\/package=sirt<\/p>\n\n\n\n

Svetina, D., Rutkowski, L., & Rutkowski, D. (2020). Multiple-group invariance with categorical outcomes using updated guidelines: an illustration using M plus and the lavaan\/semtools packages. Structural Equation Modeling: A Multidisciplinary Journal, 27(1), 111-130. https:\/\/doi.org\/10.1080\/10705511.2019.1602776<\/p>\n\n\n\n

<\/p>\n\n\n\n

Descarga el PDF del art\u00edculo en Psicolog\u00eda Interamericana<\/a><\/strong><\/p>\n\n\n\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

Lindsey W. Vilca1, Tom\u00e1s Caycho-Rodr\u00edguez2, Jos\u00e9 Ventura-Le\u00f3n31 South American Center for Education and Research in Public Health, Universidad Norbert Wiener, Per\u00fa,2 Facultad de Psicolog\u00eda, Universidad Cient\u00edfica del Sur, Per\u00fa,3 Facultad de Ciencias de la Salud, Universidad Privada del Norte, Per\u00fa. Resumen En el estudio se describe el Multi-Group Factor Analysis Alignment como un m\u00e9todo alternativo […]<\/p>\n","protected":false},"author":2,"featured_media":782,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"off","_et_pb_old_content":"","_et_gb_content_width":"","footnotes":""},"categories":[19,205],"tags":[229,230,227,226,228,9,214],"class_list":["post-779","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-articulo-de-portada","category-boletin-no-112","tag-analisis-factorial","tag-invarianza","tag-jose-ventura-leon","tag-lindsey-w-vilca","tag-metodo-alignment","tag-psicometria","tag-tomas-pedro-pablo-caycho-rodriguez","et-has-post-format-content","et_post_format-et-post-format-standard"],"_links":{"self":[{"href":"https:\/\/bulletin.sipsych.org\/index.php\/wp-json\/wp\/v2\/posts\/779","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/bulletin.sipsych.org\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/bulletin.sipsych.org\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/bulletin.sipsych.org\/index.php\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/bulletin.sipsych.org\/index.php\/wp-json\/wp\/v2\/comments?post=779"}],"version-history":[{"count":3,"href":"https:\/\/bulletin.sipsych.org\/index.php\/wp-json\/wp\/v2\/posts\/779\/revisions"}],"predecessor-version":[{"id":848,"href":"https:\/\/bulletin.sipsych.org\/index.php\/wp-json\/wp\/v2\/posts\/779\/revisions\/848"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/bulletin.sipsych.org\/index.php\/wp-json\/wp\/v2\/media\/782"}],"wp:attachment":[{"href":"https:\/\/bulletin.sipsych.org\/index.php\/wp-json\/wp\/v2\/media?parent=779"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/bulletin.sipsych.org\/index.php\/wp-json\/wp\/v2\/categories?post=779"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/bulletin.sipsych.org\/index.php\/wp-json\/wp\/v2\/tags?post=779"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}