Error adventicio e implicaciones para la prueba de relaciones entre variables y resultados de medición compuestos

Área de la Ciencia:

• Estadística
• Psicometría
• Análisis de datos

Sus antecedentes:

• Introducido por Wu y Browne (2015), el error adventicio aborda el ajuste aproximado en los modelos de estructura de covarianza (CSM).
• Postula que las matrices de datos observadas se distorsionan aleatoriamente de las matrices teóricas debido a diferencias de implementación.
• Esta distorsión afecta la precisión de las inferencias estadísticas.

Objetivo del estudio:

• Generalizar el concepto de error adventicio más allá de los CSM.
• Ilustrar sus consecuencias sobre los errores estándar, los tamaños del efecto, el poder estadístico y la incertidumbre de la medición.
• Proporcionar un marco estadístico para comprender la variabilidad de la investigación.

Principales métodos:

• Se utilizaron simulaciones para demostrar el impacto del error adventicio en los errores estándar en las relaciones por pares.
• Se emplearon derivaciones para explorar el vínculo entre el error adventicio, la heterogeneidad del tamaño del efecto y la sobreestimación del poder estadístico.
• Se realizaron simulaciones adicionales para evaluar el efecto del error adventicio en las puntuaciones compuestas, como las puntuaciones factoriales y sumadas.

Principales resultados:

• El impacto del error adventicio en los errores estándar se extiende a las relaciones de variables por pares fuera de los CSM.
• El error adventicio puede explicar la heterogeneidad en los tamaños del efecto entre estudios y la sobreestimación del poder estadístico.
• Se encontró que el efecto sobre la incertidumbre de la medición de las puntuaciones compuestas era pequeño, pero mayor para las puntuaciones factoriales que para las puntuaciones sumadas.

Conclusiones:

• El error adventicio proporciona un marco estadístico para comprender el ajuste aproximado, la variabilidad de los hallazgos de la investigación y la sobreestimación del poder.
• Destaca la importancia de considerar los mecanismos de generación de datos en el modelado estadístico.
• Los hallazgos tienen implicaciones para la interpretación de los resultados de la investigación y el diseño de estudios futuros.