Multidimensional constructs and moderated linear and nonlinear factor analysis

Sintesi Tecnica: Costrutti Multidimensionali e Analisi Fattoriale Lineare e Non Lineare Moderata

Enunciato del Problema
I modelli fattoriali multidimensionali che incorporano la moderazione su tutti i parametri del modello sono storicamente stati limitati a configurazioni a fattore singolo e a due fattori. Questa limitazione crea una disallineamento con le misure psicologiche esistenti, che valutano frequentemente da tre a cinque dimensioni di un costrutto latente. La principale difficoltà tecnica nell'estendere l'Analisi Fattoriale Non Lineare Moderata (MNLFA) a tre o più fattori è garantire la validità della matrice di covarianza delle variabili latenti per tutti i sottogruppi definiti dalla matrice di progettazione della moderazione.

Mentre la trasformazione z di Fisher delimita efficacemente un singolo parametro di correlazione all'intervallo $[-1, 1]$ per i modelli a due fattori, l'applicazione di trasformazioni indipendenti a molteplici correlazioni non garantisce che la matrice di correlazione risultante rimanga definita positiva. Di conseguenza, i metodi esistenti non possono garantire simultaneamente che le singole correlazioni rimangano entro i limiti e che l'intera matrice sia valida, una sfida di lunga data nella previsione e simulazione delle covarianze.

Metodologia
Il documento propone un quadro generalizzato per la MNLFA che consente la moderazione nei parametri di correlazione fattoriale per modelli con $m \geq 3$ fattori. L'approccio prevede la decomposizione della matrice di covarianza fattoriale specifica per la persona ($\Phi_n$) in varianze fattoriali e una matrice di correlazione fattoriale ($\Phi^R_n$). Mentre le varianze sono gestite tramite trasformazioni esponenziali, il documento introduce due metodi distinti per indurre la moderazione nella matrice di correlazione al fine di garantire la definita positività:

1. Correlazioni Parziali e Fattorizzazione di Cholesky: Questo metodo mappa parametri non vincolati ($\gamma$) su correlazioni parziali utilizzando una trasformazione z di Fisher (o tangente iperbolica). Queste correlazioni parziali sono quindi utilizzate per costruire un fattore di Cholesky triangolare inferiore ($\Phi^L$), che viene successivamente moltiplicato per la sua trasposta per ricostruire la matrice di correlazione valida ($\Phi^R = \Phi^L (\Phi^L)^T$).

   • Limitazione: Questo approccio è sensibile all'ordinamento dei fattori. L'interpretazione di una correlazione parziale dipende da quali fattori vengono "parzializzati" per primi, il che significa che l'impatto di un moderatore su una specifica correlazione è condizionato dalla moderazione delle correlazioni precedenti nell'ordinamento.

2. Trasformata di Fisher Generalizzata Iterativa (GFT): Basata su Archakov e Hansen (2021), questo metodo utilizza l'esponenziale di matrice e il logaritmo di matrice. Aggiorna iterativamente una matrice simmetrica $A$ (inizializzata con elementi fuori diagonale non vincolati) regolando i suoi elementi diagonali fino a quando l'esponenziale di matrice $e^A$ converge a una matrice con diagonali unitarie ed elementi fuori diagonale compresi in $(-1, 1)$.

   • Vantaggio: Questo approccio consente l'interpretazione della moderazione su specifiche correlazioni senza le dipendenze condizionali intrinseche nell'approccio di Cholesky.
   • Limitazione: È un algoritmo iterativo che può essere computazionalmente sensibile alla grandezza dei parametri non vincolati. L'autore nota che la pre-condizionamento dei parametri non vincolati utilizzando una trasformazione tangente iperbolica scalata (ad esempio, mappatura su $(-\pi, \pi)$) può migliorare la velocità di convergenza.

Stima e Identificazione
Il documento esplora due strategie di stima per questi modelli multidimensionali:

• Approccio Bayesiano: Implementato in Stan utilizzando una parametrizzazione non centrata per migliorare l'efficienza del campionamento. L'autore impiega prior spike-and-slab (in particolare una parametrizzazione continua logit-normale) per regolarizzare la Funzionamento Differenziale degli Item (DIF) e i parametri di impatto. Tuttavia, l'autore riferisce che gli approcci di verosimiglianza condizionata in Stan erano proibitivamente lenti e intensivi in termini di memoria per dimensioni campionarie superiori a 5.000 casi, specialmente quando si richiedevano parametri di disturbo per item binari/ordinali.
• Massima Verosimiglianza Penalizzata (PML): Per affrontare i colli di bottiglia computazionali, l'autore deriva gradienti analitici in forma chiusa per la funzione di verosimiglianza marginale rispetto a tutti i parametri del modello (intercette, carichi, varianze, correlazioni ed effetti di moderazione). Questo evita l'approssimazione numerica del gradiente richiesta dai software bayesiani. Il quadro incorpora la penalizzazione (penalità Ridge, LASSO e di Allineamento) per gestire la complessità del modello e identificare l'invarianza parziale.
  • Nota sull'Implementazione: Sebbene i gradienti analitici allevino parte del carico computazionale, l'autore nota che la costruzione di medie e matrici di covarianza specifiche per la persona per la valutazione della verosimiglianza rimane un collo di bottiglia per campioni molto grandi ($N > 10.000$), e l'attuale implementazione PML è ancora lenta per l'analisi fattoriale degli item.

Contributi Chiave

1. Generalizzazione della MNLFA: Il documento estende con successo il quadro MNLFA da due fattori a modelli $m$-dimensionali fornendo parametrizzazioni valide per le correlazioni fattoriali moderate.
2. Nuove Parametrizzazioni di Correlazione: Introduce e confronta due metodi per indurre strutture di correlazione valide e moderate: un approccio basato su correlazioni parziali di Cholesky e una Trasformata di Fisher Generalizzata iterativa.
3. Gradienti Analitici per PML: La derivazione di gradienti in forma chiusa per la funzione di verosimiglianza della MNLFA multidimensionale facilita un approccio di stima della massima verosimiglianza penalizzata che è teoricamente più efficiente dei metodi bayesiani basati su simulazione per indicatori continui.
4. Quadro di Regularizzazione: L'integrazione di prior spike-and-slab (nel contesto bayesiano) e varie funzioni di penalità (nel contesto PML) fornisce un meccanismo per rilevare l'invarianza parziale e prevenire l'overfitting in modelli complessi e ad alta dimensionalità.

Risultati e Affermazioni
Il documento non presenta uno studio di simulazione su larga scala o un'applicazione empirica definitiva con conclusioni finali sulle prestazioni del modello in tutte le condizioni. Presenta invece:

• Validazione Teorica: Derivazioni matematiche che dimostrano come le trasformazioni proposte (Cholesky e GFT) mappino parametri non vincolati su matrici di correlazione valide.
• Esempi Illustrativi: Codice R ed esempi numerici che mostrano come il metodo GFT converga da matrici non vincolate a matrici di correlazione valide e come il metodo di Cholesky ricostruisca le matrici di covarianza.
• Osservazioni Computazionali: L'autore riferisce che, sebbene l'implementazione bayesiana in Stan fosse troppo lenta per grandi dataset, l'approccio PML con gradienti analitici offre una via più fattibile, sebbene continui ad affrontare sfide di scalabilità con le valutazioni della verosimiglianza specifiche per la persona.

Significato
Il documento afferma di colmare una lacuna metodologica critica nello studio dell'invarianza di misura. Consentendo la stima di modelli MNLFA multidimensionali, il quadro permette ai ricercatori di investigare simultaneamente le differenze nei parametri dei fattori latenti e nelle caratteristiche del modello di misura tra sottopopolazioni. Ciò è particolarmente significativo per campi come la psicopatologia, dove i costrutti sono intrinsecamente multidimensionali (3-5 fattori) e il pattern di non-invarianza tra gruppi (ad esempio, sesso, età) è di interesse sostanziale per lo sviluppo di interventi mirati.

Il quadro proposto offre un'"alternativa frequentista" ai metodi bayesiani di penalizzazione esistenti, mirando a bilanciare flessibilità e fattibilità computazionale. L'autore conclude che, sebbene rimangano sfide relative alla scalabilità e alla progettazione delle penalità, questo lavoro avanza il toolkit metodologico per valutare l'invarianza di misura in costrutti complessi e multidimensionali, promuovendo equità e validità nella valutazione psicologica.