Multidimensional constructs and moderated linear and nonlinear factor analysis

Resumo Técnico: Construtos Multidimensionais e Análise Fatorial Linear e Não Linear Moderada

Declaração do Problema
Modelos fatoriais multidimensionais que incorporam moderação em todos os parâmetros do modelo foram historicamente restritos a configurações de um único fator e de dois fatores. Essa limitação cria um desalinhamento com as medidas psicológicas existentes, que frequentemente avaliam de três a cinco dimensões de um construto latente. O principal obstáculo técnico na extensão da Análise Fatorial Não Linear Moderada (MNLFA) para três ou mais fatores é garantir a validade da matriz de covariância da variável latente para todos os subgrupos definidos pela matriz de design de moderação.

Embora a transformação z de Fisher limite efetivamente um único parâmetro de correlação ao intervalo $[-1, 1]$ para modelos de dois fatores, a aplicação de transformações independentes a múltiplas correlações não garante que a matriz de correlação resultante permaneça definida positiva. Consequentemente, os métodos existentes não conseguem simultaneamente garantir que as correlações individuais permaneçam dentro dos limites e que toda a matriz seja válida, um desafio de longa data na previsão e simulação de covariâncias.

Metodologia
O artigo propõe um quadro generalizado para MNLFA que permite a moderação nos parâmetros de correlação fatorial para modelos com $m \geq 3$ fatores. A abordagem envolve a decomposição da matriz de covariância fatorial específica da pessoa ($\Phi_n$) em variâncias fatoriais e uma matriz de correlação fatorial ($\Phi^R_n$). Enquanto as variâncias são tratadas por meio de transformações exponenciais, o artigo introduz dois métodos distintos para induzir moderação na matriz de correlação, a fim de garantir a definição positiva:

1. Correlações Parciais e Fatorização de Cholesky: Este método mapeia parâmetros não restritos ($\gamma$) para correlações parciais usando uma transformação z de Fisher (ou tangente hiperbólica). Essas correlações parciais são então usadas para construir um fator de Cholesky triangular inferior ($\Phi^L$), que é subsequentemente multiplicado pela sua transposta para reconstruir a matriz de correlação válida ($\Phi^R = \Phi^L (\Phi^L)^T$).

   • Limitação: Esta abordagem é sensível à ordenação dos fatores. A interpretação de uma correlação parcial depende de quais fatores são "parcializados" primeiro, o que significa que o impacto de um moderador em uma correlação específica é condicional à moderação das correlações precedentes na ordenação.

2. Transformação de Fisher Generalizada Iterativa (GFT): Baseada em Archakov e Hansen (2021), este método utiliza a exponencial de matriz e o logaritmo de matriz. Ele atualiza iterativamente uma matriz simétrica $A$ (inicializada com elementos fora da diagonal não restritos) ajustando seus elementos diagonais até que a exponencial de matriz $e^A$ convirja para uma matriz com diagonais unitárias e elementos fora da diagonal dentro de $(-1, 1)$.

   • Vantagem: Esta abordagem permite a interpretação da moderação em correlações específicas sem as dependências condicionais inerentes à abordagem de Cholesky.
   • Limitação: É um algoritmo iterativo que pode ser computacionalmente sensível à magnitude dos parâmetros não restritos. O autor observa que o pré-condicionamento de parâmetros não restritos usando uma transformação de tangente hiperbólica escalada (por exemplo, mapeando para $(-\pi, \pi)$) pode melhorar a velocidade de convergência.

Estimação e Identificação
O artigo explora duas estratégias de estimação para estes modelos multidimensionais:

• Abordagem Bayesiana: Implementada em Stan usando uma parametrização não centrada para melhorar a eficiência da amostragem. O autor emprega priores spike-and-slab (especificamente uma parametrização contínua logit-normal) para regularizar a Função de Item Diferencial (DIF) e os parâmetros de impacto. No entanto, o autor relata que as abordagens de verossimilhança condicional em Stan eram proibitivamente lentas e intensivas em memória para tamanhos de amostra superiores a 5.000 casos, particularmente quando se exigiam parâmetros de incômodo para itens binários/ordinais.
• Verossimilhança Máxima Penalizada (PML): Para abordar gargalos computacionais, o autor deriva gradientes analíticos de forma fechada para a função de verossimilhança marginal em relação a todos os parâmetros do modelo (interceptos, cargas, variâncias, correlações e efeitos de moderação). Isso evita a aproximação de gradiente numérico exigida por softwares bayesianos. O quadro incorpora penalização (Ridge, LASSO e penalidades de Alinhamento) para lidar com a complexidade do modelo e identificar invariância parcial.
  • Nota de Implementação: Embora os gradientes analíticos aliviem parte do ônus computacional, o autor observa que a construção de matrizes de média e covariância específicas da pessoa para a avaliação da verossimilhança permanece um gargalo para amostras muito grandes ($N > 10.000$), e a implementação atual de PML ainda é lenta para análise fatorial de itens.

Contribuições Principais

1. Generalização da MNLFA: O artigo estende com sucesso o quadro da MNLFA de dois fatores para modelos $m$-dimensionais, fornecendo parametrizações válidas para correlações fatoriais moderadas.
2. Novas Parametrizações de Correlação: Introduz e compara dois métodos para induzir estruturas de correlação válidas e moderadas: uma abordagem de correlação parcial baseada em Cholesky e uma Transformação de Fisher Generalizada iterativa.
3. Gradientes Analíticos para PML: A derivação de gradientes de forma fechada para a função de verossimilhança da MNLFA multidimensional facilita uma abordagem de estimação de verossimilhança máxima penalizada que é teoricamente mais eficiente do que os métodos bayesianos baseados em simulação para indicadores contínuos.
4. Quadro de Regularização: A integração de priores spike-and-slab (no contexto bayesiano) e várias funções de penalidade (no contexto PML) fornece um mecanismo para detectar invariância parcial e prevenir o sobreajuste em modelos complexos e de alta dimensão.

Resultados e Alegações
O artigo não apresenta um estudo de simulação em larga escala ou uma aplicação empírica definitiva com conclusões finais sobre o desempenho do modelo em todas as condições. Em vez disso, apresenta:

• Validação Teórica: Derivações matemáticas demonstrando como as transformações propostas (Cholesky e GFT) mapeiam parâmetros não restritos para matrizes de correlação válidas.
• Exemplos Ilustrativos: Código R e exemplos numéricos mostrando como o método GFT converge de matrizes não restritas para matrizes de correlação válidas e como o método de Cholesky reconstrói matrizes de covariância.
• Observações Computacionais: O autor relata que, embora a implementação bayesiana em Stan fosse muito lenta para grandes conjuntos de dados, a abordagem PML com gradientes analíticos oferece um caminho mais viável, embora ainda enfrente desafios de escalabilidade com avaliações de verossimilhança específicas da pessoa.

Significado
O artigo afirma abordar uma lacuna metodológica crítica no estudo da invariância de medição. Ao permitir a estimação de modelos multidimensionais de MNLFA, o quadro permite que os pesquisadores investiguem simultaneamente diferenças nos parâmetros dos fatores latentes e nas características do modelo de medição entre subpopulações. Isso é particularmente significativo para campos como a psicopatologia, onde os construtos são inerentemente multidimensionais (3–5 fatores) e o padrão de não invariância entre grupos (por exemplo, sexo, idade) é de interesse substantivo para o desenvolvimento de intervenções direcionadas.

O quadro proposto oferece uma "alternativa frequentista" aos métodos de penalidade bayesianos existentes, visando equilibrar flexibilidade com viabilidade computacional. O autor conclui que, embora desafios relacionados à escalabilidade e ao design de penalidades permaneçam, este trabalho avança o conjunto de ferramentas metodológicas para avaliar a invariância de medição em construtos complexos e multidimensionais, promovendo a equidade e a validade na avaliação psicológica.