A New Fit Assessment Framework for Common Factor Models Using Generalized Residuals

Título: Um Novo Framework de Avaliação de Ajuste para Modelos de Fatores Comuns Utilizando Resíduos Generalizados

Autores: Youjin Sung, Youngjin Han e Yang Liu (Universidade de Maryland)

---

1. O Problema

A avaliação de ajuste (goodness-of-fit - GOF) em modelos de fatores comuns (comuns em psicologia e educação) é tradicionalmente realizada através de estatísticas baseadas apenas nas estruturas de médias e covariâncias (ex: $\chi^2$, CFI, TLI, RMSEA, SRMR).

• Limitação Principal: Essas estatísticas convencionais podem não detectar má adaptação (misfit) que ocorre além da estrutura de primeira e segunda ordem (médias e variâncias). Um modelo pode apresentar bons índices de ajuste global, mas falhar em prever corretamente a distribuição dos dados em níveis mais granulares.
• Consequências: Isso pode levar a conclusões enganosas, como interpretar incorretamente correlações entre variáveis latentes (LVs) quando a normalidade bivariada é violada, ou ignorar heterocedasticidade e não-linearidade nas relações entre variáveis manifestas (MVs) e latentes.

2. Metodologia

Os autores propõem estender a teoria dos Resíduos Generalizados (originalmente desenvolvida por Haberman & Sinharay, 2013 para dados categóricos) para modelos de medição mais gerais, especificamente para Modelos de Fatores Comuns com variáveis manifestas contínuas.

Conceitos Fundamentais:

• Resíduos Generalizados: Definidos como a discrepância entre a média amostral de uma quantidade de resumo $H(Y_i; \xi)$ e a expectativa populacional baseada no modelo.
• Transformação: O framework introduz uma função de transformação $\phi$ aplicada aos resíduos, permitindo maior flexibilidade na construção de estatísticas de teste (ex: razões de quantidades).
• Propriedades Assintóticas: Os autores estabelecem que os resíduos transformados são assintoticamente normais sob a hipótese nula de especificação correta do modelo.
• Estimativa de Covariância: Para evitar taxas de erro Tipo I infladas em valores extremos de LVs (especialmente em amostras pequenas), propõe-se o uso de Métodos de Monte Carlo (MC) para estimar a matriz de covariância assintótica (ACM) dos resíduos, em vez de usar apenas estimativas empíricas diretas.

Estatísticas de Teste Propostas:

1. Estatística $z$ (Pontual): Testa um único resíduo em um valor específico da variável latente. Útil para diagnósticos localizados.
2. Estatística $\chi^2$ (Resumo): Testa múltiplos resíduos simultaneamente. Utiliza uma matriz de ponderação baseada na pseudo-inversa generalizada (com seleção de autovalores) para garantir distribuição $\chi^2$ estável.

Exemplos de Aplicação (Casos de Uso):

O framework é ilustrado através de três exemplos de testes de hipóteses:

1. Normalidade da Densidade da Variável Latente (LV): Avalia se a distribuição das LVs segue a normalidade assumida.
2. Linearidade no Nível da Variável Manifesta (MV): Avalia se a função de média condicional $E(Y_{ij}|x)$ é linear em relação à LV.
3. Homocedasticidade no Nível da MV: Avalia se a variância condicional $Var(Y_{ij}|x)$ é constante (independente da LV).

3. Contribuições Chave

1. Extensão Teórica: Generalização da teoria de resíduos generalizados para dados contínuos e modelos de fatores lineares, incluindo a prova de normalidade assintótica para resíduos transformados.
2. Novas Estatísticas de Teste: Desenvolvimento de estatísticas $z$ e $\chi^2$ robustas que permitem diagnósticos tanto pontuais quanto globais, superando as limitações das estatísticas baseadas apenas em covariâncias.
3. Abordagem Visual e Diagnóstica: Capacidade de gerar gráficos intuitivos que comparam a densidade/expectativa do modelo com os dados empíricos condicionados aos valores das LVs, facilitando a identificação da natureza do desajuste.
4. Estabilidade Numérica: Proposta de um método de Monte Carlo para estimar a matriz de covariância dos resíduos, mitigando problemas de instabilidade em valores extremos.

4. Resultados

Estudos de Simulação:

• Controle de Erro Tipo I: As estatísticas propostas mantiveram taxas de erro Tipo I bem controladas (próximas ao nível nominal de 0.05) em diversos tamanhos de amostra ($n=100, 500, 1000$), mesmo em condições de especificação correta.
• Poder Estatístico:
  • Em amostras pequenas ($n=100$), o poder de detecção foi limitado, mas aumentou significativamente para amostras moderadas e grandes.
  • As estatísticas foram capazes de detectar especificamente os tipos de má especificação para os quais foram desenhadas (ex: $z_2$ detectou não-linearidade na média; $z_3$ detectou heterocedasticidade).
  • Comparação com Métodos Convencionais: Em todos os cenários de simulação onde havia má especificação (distribuição não-normal de LVs ou funções não-lineares), as estatísticas convencionais ($\chi^2$, CFI, RMSEA) falharam em detectar o problema, indicando bom ajuste, enquanto os resíduos generalizados identificaram o desajuste corretamente.

Análise de Dados Empíricos (Tempo de Resposta):

• Dados: Utilizados tempos de resposta (RT) do teste "Test of Relational Reasoning-Junior" (TORRjr).
• Modelo: Um modelo de fator único linear normal aplicado aos log-RTs.
• Achados:
  • Os índices convencionais sugeriram um ajuste aceitável (CFI=0.97, RMSEA=0.05).
  • Os resíduos generalizados revelaram desajustes significativos:
    1. A densidade da LV (velocidade de processamento) era leptocúrtica e levemente assimétrica, violando a normalidade.
    2. Vários itens apresentaram violações de linearidade na função média (curvatura nos resíduos).
    3. Vários itens apresentaram violações de homocedasticidade (variância dependente do nível de lentidão latente).
• Implicação: O modelo linear padrão superestimava o tempo de resposta para respondentes muito rápidos e subestimava a variabilidade para respondentes lentos, o que poderia levar a falsos positivos na identificação de respondentes descuidados.

5. Significância e Conclusão

O artigo demonstra que a avaliação de ajuste baseada apenas em médias e covariâncias é insuficiente para garantir a validade de inferências em modelos de fatores, especialmente quando o foco recai sobre as características das variáveis latentes ou a forma funcional das relações.

• Ferramenta Complementar: Os resíduos generalizados não substituem, mas complementam os diagnósticos convencionais, oferecendo uma camada adicional de rigor para validar pressupostos paramétricos.
• Aplicabilidade Prática: O método permite identificar onde e como o modelo falha (ex: em quais valores da LV a linearidade quebra), guiando modificações no modelo (como uso de modelos de mistura ou não-lineares) e melhorando a justiça e precisão das medições.
• Futuro: Os autores sugerem que o framework pode ser expandido para outros modelos de medição (análise fatorial não-linear, dados de contagem) e para lidar com dimensões latentes mais altas, embora o custo computacional seja um desafio a ser superado.

Em suma, este trabalho fornece um framework robusto e flexível para diagnosticar má adaptação em modelos de fatores contínuos, preenchendo uma lacuna crítica na literatura psicométrica e estatística.