The maximum likelihood alignment approach to testing for approximate measurement invariance: A paradigmatic cross-cultural application
Notice bibliographique
Résumé
BACKGROUND: The impracticality of using the confirmatory factor analytic (CFA) approach in testing measurement invariance across many groups is now well known. A concertedeffort to addressing these encumbrances over the last decade has resulted in a new generation of alternative methodological procedures that allow for approximate, rather than exact measurement invariance across groups. The purpose of this article is twofold: (a) to describe and illustrate common difficulties encountered when tests for multigroup invariance are based on traditional CFA procedures and the number of groups is large, and (b) to walk readers through the maximum likelihood (ML) alignment approach in testing for approximate measurement invariance. METHODS: Data for this example application derive from an earlier study of family functioning across 30 cultures that include responses to the Family Values Scale for 5,482 university students drawn from 27 of these30 countries. Analyses were based on the Mplus 7.4 program. RESULTS: Whereas CFA tests for invariance revealed 108 misspecified parameters that precluded tests for latent mean differences, noninvariant results were well within the acceptable range for the alignment approach thereby substantiating the trustworthiness of the latent mean estimates and their comparison across groups. CONCLUSION: The alignment approach in testing for approximate measurement invariance provides an automated procedure that can overcome important limitations of traditional CFA procedures in large-scale comparisons.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,098 | 0,236 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,008 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».