The maximum likelihood alignment approach to testing for approximate measurement invariance: A paradigmatic cross-cultural application
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,129 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle