Evaluating Robust Tests for Longitudinal Invariance Testing

doi:10.1080/10705511.2026.2714956

Evaluating Robust Tests for Longitudinal Invariance Testing

2026-09-15

0

OA

AI

DOI：10.1080/10705511.2026.2714956

原文链接

原文求助

摘要

En 中文

在非正态条件下测试验证性因子分析（CFA）中的参数约束通常使用稳健卡方差异检验，但现有程序的有限样本行为仍未确定。Pavlov等人（2020）在一项双模型纵向CFA设计中确定了Mplus均值和方差调整检验DMLMV为最准确的标准程序。本研究在三个方面扩展了他们的研究：我们添加了惩罚特征值（PE）方法；我们改变了Pavlov等人固定的三种估计选择——Satorra（2000）的直接估计量无偏估计量和加权最小二乘法（RLS）基统计量；并且我们扩展了分布条件。尽管DMLMV在小模型（）中的表现尚可，但在大模型（）中过于宽松。我们的结果表明，PE和缩放平移（SS）检验结合2000年方法在纵向不变性检验中应优先考虑。在我们的模拟中，所有程序的大小调整后检验效力非常相似。在I型错误控制方面，我们推荐基于RLS的PE和无偏估计量，以及基于RLS的SS检验，作为首选程序。

Keyword:

Chi-square difference test

confirmatory factor analysis

longitudinal invariance testing

nested model comparison

non-normality

penalized eigenvalues

Evaluating Robust Tests for Longitudinal Invariance Testing

摘要

期刊

机构

引用论文