Introducción
Las redes
sociales
Lozarez (1996) plantea que
las redes sociales constituyen un conjunto delimitado de individuos, grupos y
organizaciones, entre otros, vinculados entre sí mediante relaciones. Este
concepto actualmente ha sido modificado por la presencia de las tecnologías de
la información, de modo que el Facebook, Twitter, WhatsApp, Tuenti y Google
entre otros sistemas de interacción social, de manera que el concepto de redes
sociales ha derivado hacia ellos debido a los motivos por los que fueron
desarrollados.
Con la aparición de
Internet y la posibilidad de mantener relaciones sociales a distancia, se ha
logrado que el concepto de comunidad desaparezca (Fuente et al., 2010). Por su
parte Smith (2003, como se citó en Fuente et al., 2010) indica que las comunidades
online se diferencian de otras comunidades en la medida que permiten establecer
límites cerrados, de manera que los usuarios pueden entrar y salir con un costo
mínimo al que se produciría si se realizara al cambiar de una comunidad física
a otra nueva. Una característica adicional de las redes online es el hecho que
la interacción es anónima, pues se realiza a través de una computadora; además
que las relaciones en las redes sociales son más débiles y susceptibles de
disolverse pues la idea de pertenecer a una comunidad online es fugaz si se la
compara con las comunidades reales, en comparación con las redes cara a cara
que suelen ser densas.
Las redes sociales entre
los espacios de interacción social constituyen una opción virtual, cuya
proliferación en uso se ha incrementado en los últimos años (Meattle, 2007).
Por su parte, Orihuela (2008) señala que las redes permiten a sus usuarios
establecer contacto mutuo, compartir información, coordinar acciones, entre
otras. El incremento de estos recursos virtuales ha provocado un desplazamiento
notorio y progresivo del contacto personal, lo que afecta las relaciones
interpersonales y hace que se pierda la capacidad de interpretar el estado de
ánimo de los demás, comprender su lenguaje corporal e incluso ser asertivos al
expresar opiniones. Además, en el futuro se puede optar por evitar el contacto
personal (Carballo et al., 2012).
Según Carballo et al.
(2012) autores como Caplan, Engelberb, Sjöberg, Echerburtía, Labrador y Becoña
señalan que con el creciente uso de las redes sociales virtuales se ha
producido un cambio vertiginoso en el sistema de relaciones sociales que no ha
sido estudiado con investigaciones científicas que permitan su comprensión y
por lo tanto un mejor manejo de estos avances en las comunicaciones
interpersonales, lo cual ha limitado el desarrollo de estrategias educativas y
preventivas en el manejo de este tipo de herramientas virtuales y más aún en
considerar las consecuencias de su uso inadecuado. Algunas investigaciones
aportan evidencia de repercusiones negativas, como el aumento del aislamiento
social, la depresión, el inadecuado ajuste social, la adicción a las redes
sociales, el abuso de internet, etc.
El
Cuestionario de Adicción a las Redes Sociales (ARS)
Fue construido por Escurra
y Salas (2014) en Lima, aplicando los criterios desarrollados por el DSM-IV
(APA, 2014) para el caso de las adicciones psicológicas. Después de realizar
los respectivos análisis psicométricos, se encontró que el conjunto de ítems
constituye tres factores:
1. La obsesión por
las redes sociales: Alude al compromiso mental con las redes sociales, en la
medida en que se piensa constantemente en ellas y se fantasía con ellas, así
como a la ansiedad y la preocupación que produce al no poder acceder a ellas.
2. Falta de
control personal en el uso de las redes sociales: Es la preocupación que se
produce en la persona por la falta de control o el no poder interrumpir el uso
de las redes sociales; lo cual genera descuido de las tareas y los estudios.
3. Uso excesivo de
las redes sociales: Se relaciona con dificultades para controlar el uso de las
redes sociales, lo que indica un tiempo de uso excesivo; se refiere a la falta
de capacidad para controlarse al utilizarlas y a la incapacidad de disminuir la
cantidad de tiempo de uso.
El instrumento fue
construido aplicando la Teoría de la Respuesta al Ítem (TRI) en base al modelo
de Samejima, Escurra y Salas (2014), reportaron que el instrumento presenta
evidencias de validez relacionada con el contenido y evidencias de estructura
interna, así como una adecuada estimación de la confiabilidad por consistencia
interna.
El análisis
exploratorio de modelos de ecuaciones estructurales
El análisis exploratorio
de modelos de ecuaciones estructurales es un procedimiento estadístico
multivariado (Asparouhov & Muthén, 2009) que incluye las ventajas de
realizar el análisis factorial confirmatorio (AFC), pero tiene la ventaja de
superar las limitaciones que se imponen a los datos.
El análisis exploratorio
de modelos de ecuaciones estructurales (ESEM) combina el análisis factorial
exploratorio (AFE) y el análisis factorial confirmatorio (AFC). Constituye una
alternativa semi-confirmatoria a los análisis factoriales indicados, en la
medida que ubica entre ambas estrategias de análisis, de manera que incluye las
ventajas de ambas aproximaciones.
Marsh et al. (2011) y
Morin et al. (2013) indican que es una aproximación similar al AFC, pero en la
cual las saturaciones de los ítems en los factores que no lo deberían conformar
teóricamente, no se restringen a cero, por ello es menos restrictivo que el
AFC, y se corresponde a la realidad de las mediciones que se realizan en la
Psicología, donde por lo general los ítems o reactivos son indicadores
imperfectos del constructo que se quiere evaluar. Por ello, el ESEM permite
obtener modelos con medidas de bondad de ajuste más adecuadas que las del AFC.
Esta estrategia de análisis se distancia del concepto de estructura simple,
desarrollado por Thurstone (1947) y planteado en los años iniciales del AFE,
que ha dominado en el pasado, de modo que en la actualidad se trata de
desarrollar modelos que se aproximen adecuadamente a la realidad, sin tratar de
simplificarla o reducirla.
Actualmente se aplica para
construir y validar pruebas, como lo demuestran los estudios de Cupani et al.
(2012), quienes realizaron el análisis factorial confirmatorio del Inventario
de Cinco Factores NEO (neo-FFI) utilizando la parcelación de ítems y el método
del remuestreo (Bootstrap). Por su parte Palacios et al. (2014) aplicaron el
modelo de respuesta graduada para construir y validar una escala de actitudes
hacia las matemáticas.
Reyna et al. (2014)
desarrollaron el modelo de ecuaciones estructurales exploratorio a fin de
establecer evidencia de validez basada en la estructura del General
Decision-Making Style Inventory (GDMSI). En tanto que, Ponce (2015) realizó el
análisis exploratorio de modelos de ecuaciones estructurales sobre la Escala de
Resiliencia de Connor y Davidson (cd-risc) en Chile y España.
En el estudio se propone
evaluar las propiedades psicométricas del Cuestionario de Adicción a las Redes
Sociales (ARS) mediante el modelo de análisis exploratorio de ecuaciones
estructurales (ESEM). Así como:
1. Identificar la
estructura factorial del Cuestionario de Adicción a las Redes Sociales mediante
el análisis ESEM.
2. Evaluar la
invarianza de la estructura factorial del Cuestionario ARS en la muestra de
participantes evaluados.
3. Analizar el
modelo de medición psicológica predominante en los reactivos del Cuestionario
ARS.
4. Estimar la
confiabilidad de los factores que conforman el Cuestionario ARS de acuerdo con
el modelo de medición psicológica predominante en los reactivos.
5. Elaborar los
baremos de los factores que conforman el Cuestionario ARS.
Metodología
Se utilizó un diseño
descriptivo, debido a que se realizó la aplicación del Cuestionario ARS a una
muestra de estudiantes universitarios de diferentes universidades de Lima
Metropolitana (Alarcón, 2016; Sánchez y Reyes, 2015).
Población y
muestra
La población estuvo
conformada por estudiantes varones y mujeres de diferentes universidades de
Lima Metropolitana. El tamaño de la muestra se determinó en función de las
características de la población. Para la obtención de la muestra se aplicó un
procedimiento de muestreo no probabilístico por cuotas, seleccionando las
instituciones a incluir. En el estudio se estableció la proporción de
estudiantes por área profesional, manteniendo la proporción de la población, y
posteriormente se seleccionaron los participantes.
La muestra estuvo
conformada por 3658 participantes, estudiantes universitarios de Lima
Metropolitana (42% de mujeres y 58% de varones), pertenecientes a universidades
estatales y no estatales, con edades entre 18 y 25 años (M = 20, DE = 3.1). Los
participantes provenían en el 55 % de los casos de universidades estatales y el
45% de universidades particulares.
Variables de
estudio
Las variables estudiadas
son:
·
Adicción
a las redes sociales, medida mediante los puntajes obtenidos por los alumnos en
los factores del Cuestionario ARS
·
Sexo,
varón y mujer
·
Universidad
de procedencia, se refiere al tipo de organización en la que estudia el
participante. Puede tener dos valores: estatales y no estatales
Técnicas e
instrumento de investigación
El instrumento utilizado,
Cuestionario de Adicción a las Redes Sociales (ARS) fue construido por Escurra
y Salas (2014) está conformado por los siguientes factores: 1) Obsesión por las
redes sociales; 2) Falta de control personal en el uso de las redes sociales; y
3) Uso excesivo de las redes sociales. El instrumento presenta adecuadas
evidencias de validez y confiabilidad, reportadas por sus autores Escurra y
Salas (2014).
Para el desarrollo del
estudio se aplicó un muestreo por cuotas, se estableció la proporción de
estudiantes en cada universidad seleccionada y en cada especialidad, tratando
de mantener la proporción de la población. Luego se realizaron las
coordinaciones necesarias para aplicar el instrumento, seleccionando a los
participantes, quienes fueron evaluados en grupos.
Técnicas de
procesamiento y análisis de datos
El análisis estadístico se
llevó a cabo considerando lo siguiente:
a) Análisis descriptivo de
los reactivos que conforman el Cuestionario ARS.
b) Aplicación del modelo
exploratorio de ecuaciones estructurales (ESEM) y del análisis factorial
confirmatorio (AFC).
c) Aplicación del análisis
de modelos de ecuaciones estructurales para establecer la invarianza de la
medición de los factores obtenidos a partir de distintas variables
sociodemográficas.
d) Aplicación del análisis
de modelo de ecuaciones estructurales a fin de establecer la adecuación de los
reactivos del ARS de acuerdo con el modelo de medición congenérico.
e) Aplicación del análisis
de modelos de ecuaciones estructurales para evaluar la adecuación de los
reactivos del ARS según el modelo de medición tau-equivalente.
f) Aplicación del análisis
de modelos de ecuaciones estructurales para evaluar la adecuación de los
reactivos del ARS según el modelo de medición paralelo.
g) Comparación de los
modelos de medición del Cuestionario ARS a fin de identificar la estimación de
la confiabilidad; para ello, se aplicaron los coeficientes alfa de Cronbach y
omega de McDonald.
h) Comparación de las
principales características sociodemográficas a fin de calcular los rangos de
percentiles por factor y en general.
Resultados
Análisis
descriptivo
Para determinar si las puntuaciones obtenidas provenían
de una población con distribución normal, se aplicó la prueba de Shapiro-Wilk
(Razali y Wah, 2011). Los resultados presentados en la tabla 1, indican que las
variables analizadas no presentan diferencias estadísticas significativas (p
< .0001), por lo que de acuerdo con Siegel y Castellan (2012) es
recomendable analizar los datos con estadísticas paramétricas.
|
Tabla
1
Bondad
de ajuste a la curva normal de las variables estudiadas
|
|
Variable
|
S-W
|
Sig.
|
|
Factor 1
|
.972
|
<
.0001
|
|
Factor 2
|
.989
|
< .0001
|
|
Factor 3
|
.992
|
< .0001
|
|
Total
|
.990
|
< .0001
|
Nota:
n = 3,786
Análisis
psicométrico
Comparación
del AFC con el ESEM
A fin de establecer cuál de los modelos presentaba un
mejor funcionamiento de los ítems, en la tabla 3, se puede encontrar que el
modelo que mejor explica es el que corresponde a ESEM presenta mejores
indicadores en CFI, TLI, SRMR, RMSEA AIC Y BIC.
|
Tabla 2
Análisis comparativo de
los estadísticos de bondad de ajuste al modelo
|
|
Modelo
|
χ²
|
gl
|
p
|
CFI
|
TLI
|
SRMR
|
RMSEA
|
IC 95% RMSEA
|
AIC
|
BIC
|
|
AFC
|
6985
|
250
|
< .0001
|
.869
|
.854
|
.069
|
.086
|
.084 – .088
|
227688
|
228153
|
|
ESEM
|
31921
|
207
|
< .0001
|
.942
|
.992
|
.028
|
.063
|
.061 – .065
|
223979
|
224705
|
Luego se procedió a examinar las estimaciones de los
parámetros encontrándose en la tabla 3, que los factores están más definidos
con similares magnitudes (ESEM: | (λ) | = 0.225-0.988, M = 0.607; CFA: |(λ) |=
0.077-0.861, M = 0.469). Por otro lado, las cargas de la unicidad de los ítems,
también fueron más pequeñas en magnitud (|δ| = 0.106-0.232, M = 0.448) y la
asociación entre factores se redujo en ESEM (rf1f2 = 0.598, rf1f3 = 0.256,
rf2f3 = 0.480) en comparación con CFA (rf1f2 = 0.979, rf1f3 = 0.742, rf2f3 =
0,873).
En resumen, basado en los hallazgos presentados, el
modelo ESEM es el que presenta un mejor ajuste.
|
Tabla 3
Análisis comparativo del AFC y el ESEM del cuestionario
ARS
|
|
|
AFC
|
|
ESEM
|
|
|
|
F1(λ)
|
F2(λ)
|
F3(λ)
|
δ
|
F1(λ)
|
F2(λ)
|
F3(λ)
|
δ
|
|
X
1
|
|
|
0.519
|
0.731
|
0.0484
|
-0.379
|
0.841
|
0.142
|
|
X
2
|
0.510
|
|
|
0.740
|
0.536
|
0.001
|
0.184
|
0.679
|
|
X
3
|
0.752
|
|
|
0.434
|
0.487
|
0.254
|
0.308
|
0.603
|
|
X
4
|
|
0.589
|
|
0.653
|
0.232
|
0.528
|
0.111
|
0.655
|
|
X
5
|
0.835
|
|
|
0.303
|
0.704
|
0.013
|
0.483
|
0.271
|
|
X
6
|
0.852
|
|
|
0.274
|
0.664
|
-0.040
|
0.672
|
0.106
|
|
X
7
|
0.861
|
|
|
0.259
|
0.589
|
0.084
|
0.616
|
0.267
|
|
X
8
|
|
|
0.597
|
0.644
|
0.269
|
0.015
|
0.523
|
0.654
|
|
X
9
|
|
|
0.578
|
0.666
|
0.005
|
-0.007
|
0.669
|
0.552
|
|
X
10
|
|
|
0.626
|
0.608
|
-0.042
|
-0.103
|
0.826
|
0.305
|
|
X
11
|
|
0.734
|
|
0.461
|
0.270
|
0.482
|
0.244
|
0.635
|
|
X
12
|
|
0.369
|
|
0.864
|
0.004
|
0.589
|
-0.024
|
0.652
|
|
X
13
|
-0.077
|
|
|
0.994
|
0.225
|
0.196
|
-0.071
|
0.906
|
|
X
14
|
|
0.587
|
|
0.655
|
0.249
|
0.435
|
0.093
|
0.740
|
|
X
15
|
0.812
|
|
|
0.341
|
0.867
|
-0.042
|
0.273
|
0.172
|
|
X
16
|
|
|
0.790
|
0.376
|
-0.026
|
0.348
|
0.583
|
0.538
|
|
X
17
|
|
|
0.762
|
0.419
|
-0.062
|
0.090
|
0.763
|
0.406
|
|
X
18
|
|
|
0.675
|
0.544
|
-0.071
|
0.179
|
0.638
|
0.556
|
|
X
19
|
0.817
|
|
|
0.333
|
0.988
|
-0.042
|
0.088
|
0.014
|
|
X
20
|
|
0.753
|
|
0.433
|
0.125
|
0.852
|
-0.022
|
0.258
|
|
X
21
|
|
|
0.626
|
0.608
|
0.331
|
-0.093
|
0.551
|
0.578
|
|
X
22
|
0.749
|
|
|
0.439
|
0.885
|
0.093
|
0.005
|
0.208
|
|
X
23
|
0.762
|
|
|
0.419
|
0.775
|
0.107
|
0.112
|
0.375
|
|
X
24
|
|
0.7104
|
|
0.495
|
0.253
|
0.680
|
0.021
|
0.473
|
|
.r
entre factores
|
|
|
|
|
|
|
|
|
|
F1
– F2
|
|
0.979
|
|
F1
– F2
|
|
0.598
|
|
|
|
F1
- F3
|
|
0.742
|
|
F1
- F3
|
|
0.256
|
|
|
|
F2
– F3
|
|
0.873
|
|
F2
– F3
|
|
0.480
|
|
Análisis de la
invarianza de la estructura factorial por edad, tipo de universidad
Con la finalidad de establecer si la estructura factorial
se presenta de forma similar entre las principales características de los
participantes, se procedió a realizar el análisis de invarianza del ARS de
acuerdo con el sexo y la universidad donde estudiaban los participantes (Ver
tabla 4).
En el caso de la comparación por sexo, los resultados
indican que la invarianza configuracional es satisfactoria, por lo que se
asumió como línea base para realizar las comparaciones, luego se analizó la
invarianza métrica (cargas factoriales) que es un modelo que corresponde a un
nivel con más restricciones que el modelo general (Milfont y Fischer, 2010).
También se encontró un adecuado funcionamiento, pues los índices de ajuste no
modificaron significativamente. Luego se analizó la invarianza escalar (el intercepto
de los ítems), obteniendo resultados adecuados. Fundamentalmente, los
resultados reportan primero, que los índices de ajuste SRMR (<. 091) y RMSEA
(<. 070) alcanzaron valores aceptables, además no se encontraron cambios
entre el CFI de los modelos, de manera que las diferencias en el CFI son
similares o más pequeñas que los criterios de cambio del CFI propuestos por
Chen (2007) (< .01) y Cheung y Rensvold (2002) (< .005); estos resultados
indican que las propiedades de medición se mantienen satisfactoriamente
invariantes en los criterios de invarianza configuracional, métrica y escalar
de acuerdo con el sexo y la universidad (Ver tabla 4).
|
Tabla 4
Invariancia del ARS
según sexo y universidad
|
|
Invarianza
|
χ2
|
G.L.
|
CFI
|
SRMR
|
RMSEA
|
∆χ2
|
gl
|
p
|
∆CFI
|
|
Sexo
|
|
|
|
|
|
|
|
|
|
|
Configuracional
|
7418
|
519
|
0.866
|
0.081
|
0.060
|
|
|
|
|
|
Métrica
|
7428
|
525
|
0.866
|
0.082
|
0.060
|
20.86
|
6
|
.125
|
0.000
|
|
Escalar
|
7477
|
549
|
0.866
|
0.082
|
0.059
|
13.2
|
30
|
.001
|
0.000
|
|
Universidad
|
|
|
|
|
|
|
|
|
|
Configuracional
|
8075
|
519
|
0.853
|
0.013
|
0.063
|
|
|
|
|
|
Métrica
|
8170
|
525
|
0.852
|
0.018
|
0.063
|
95
|
6
|
<.0001
|
0.001
|
|
Escalar
|
8359
|
549
|
0.848
|
0.018
|
0.062
|
284
|
30
|
<.0001
|
0.005
|
Estimación de
la confiabilidad de las puntuaciones
La confiabilidad de las puntuaciones derivadas obtenidas
al aplicar un instrumento de medición en una muestra implica que, al ser
replicado el proceso de recolección de datos, los resultados serán semejantes
pues las puntuaciones deben presenta un mínimo error de medición (Brennan,
2001). En esta investigación dicha propiedad se estimó mediante el coeficiente
de omega de McDonald (Dunn et al., 2014).
Sijtsma (2009) establece que el clásico coeficiente alfa
de Cronbach a pesar de ser muy utilizado en la investigación psicométrica, en
la medida que muchas veces se le considera como una estimación del límite
inferior de la confiabilidad, Además indica que el problema del coeficiente
alfa es que tiende a subestimar dicho límite, por lo cual también se reporta el
coeficiente omega de McDonald. Además, se reportan los intervalos al 95 % de
confianza (Romano et al., 2010). Finalmente, y siguiendo las recom3endaciones
en congruencia con los estándares de la AERA, APA y NCME (2014) se calculó el
error estándar de medida.
A fin de establecer la pertinencia de aplicar el
coeficiente alfa de Cronbach como estimación de la confiabilidad, se procedió a
evaluar el modelo de medición que sustentaban las puntuaciones derivadas:
El modelo de medición de ítems tau-equivalentes (Cho y
Kim, 2014; Dunn et al., 2014; Trizano-Hermosilla
y Alvarado, 2016; Zhang y Yuan, 2016), asume
que, todos los ítems de la prueba tienen la misma puntuación verdadera, o
cargas de factores iguales en todos los elementos en un modelo factorial, lo
que es requisito para aplicar el coeficiente alfa (Cronbach, 1951). Si se viola
este supuesto, el valor de la verdadera confiabilidad puede ser subestimado
(Graham, 2006; Raykov, 1997) en una cantidad que puede variar entre 6 y 11.1%
según la gravedad de la violación (Green y Yang, 2009). Como indican Teo y Fan
(2013) por lo general los datos no cumplen con esta suposición.
El modelo de medición de ítems paralelos, es el más
restrictivo para medir la consistencia interna, pues asume que todos los ítems
presentan iguales, medias, varianzas y varianzas de error.
El modelo de medición de ítems congenérico es el menos
restrictivo de los modelos de medición de manera que en los ítems, las
varianzas y las varianzas de error pueden ser diferentes, por ello es adecuado
para un constructo unidimensional, en la medida que no utiliza suposiciones
poco realistas sobre los ítems (Jöreskog y Sörbom, 1979). Por ello se
recomienda aplicar el coeficiente ω de McDonald (Dunn et al., 2014).
Los resultados (Ver tabla 5) indican que el modelo de
medición tau-equivalente mostró ser el que alcanzaba un mejor ajuste (χ2[256] =
17373, p < .001; CFI = .955; RMSEA = .013, IC 95% [.012, .014) y, tomando
como referencias las variaciones mínimas en el CFI (ΔCFI = -.010), RMSEA
(ΔRMSEA = .001) respecto al modelo congenérico, puede concluirse que las cargas
factoriales son estadísticamente similares y por lo tanto el uso del
coeficiente α está justificado, por lo que adicionalmente se puede aplicar el
coeficiente ω de McDonald (Dunn et al., 2014;
Jöreskog y Sörbon, 1979; McDonald, 1999; Trizano-Hermosilla
y Alvarado, 2016).
|
Tabla 5
Comparación de los
modelos de medición
|
|
|
|
|
|
|
RMSEA
IC 95&
|
|
|
|
X2
|
GL
|
RMSEA
|
LOW
|
UP
|
CFI
|
|
Modelo tau equivalente
|
17373
|
256
|
0.013
|
0.012
|
0.014
|
0.955
|
|
Modelo congenérico
|
18411
|
252
|
0.014
|
0.013
|
0.015
|
0.965
|
|
Modelo paralelo
|
20152
|
259
|
0.062
|
0.052
|
0071
|
0.902
|
|
|
|
|
|
|
|
|
La estimación de la confiabilidad de las puntuaciones
mediante los coeficientes α y ω indican que en el total del ARS a total
presentan un valor de α = .946 con IC 95% [0.943 – 0.948] y un valor de ω =
.947 con IC 95% [0.945 – 0.949], en tanto que en el análisis de cada uno de los
factores se encuentra que las confiabilidades α y ω son similares fluctuando
entre 0.796 y 0.948, por lo que pueden clasificarse como altas (De Vellis,
2012).
|
Tabla 6
Análisis
de las estimaciones de confiabilidad del cuestionario ARS
|
|
ritc
|
Cronbach α
|
α IC 95
|
McDonald ω
|
ω IC 95%
|
|
Factor 1
|
0.914
|
0.910 – 0.918
|
0.912
|
0.908 – 0.916
|
|
Factor 2
|
0.796
|
0.786 – 0.806
|
0.803
|
0.793 – 0.812
|
|
Factor 3
|
0.853
|
0.846 – 0.860
|
0.855
|
0.848 – 0.862
|
|
Total ARS
|
0.946
|
0.943 – 0.948
|
0.947
|
0.945 – 0.949
|
Análisis
comparativo por sexo y por tipo de universidad
Con la finalidad de establecer la existencia de
diferencias estadísticas significativas, se compararon los puntajes del ARS,
por factores y total de acuerdo con el sexo de los participantes y el tipo de
universidad de procedencia, a través de la U de Mann Whitney (Siegel y
Castellan, 2012).
En la comparación por sexo (Ver tabla 7) los resultados
indican que, en el puntaje total se encuentran diferencias estadísticas
significativas por sexo (U = 1231666, Z = 13.43,p < .0001, r = .222)
encontrándose que el mayor rango promedio corresponde a los varones (RP =
2043.43) respecto a las mujeres (RP = 1572.57), la misma tendencia se da en los
tres factores que conforman el Cuestionario ARS.
|
Tabla 7
Análisis comparativo del ARS por sexo
|
|
|
Varón
n
= 1996
|
Mujer
n
= 1662
|
|
|
|
|
|
Variable
|
RP
|
RP
|
U
|
Z
|
p
|
.r
|
|
Factor
1
|
2035.55
|
1582.04
|
1247391
|
12.94
|
<.0001
|
.214
|
|
Factor
2
|
2040.68
|
1575.88
|
1237167
|
13.28
|
<.0001
|
.220
|
|
Factor
3
|
2017.91
|
1603.22
|
1282605
|
11.849
|
<.0001
|
.196
|
|
Total
ARS
|
2043.43
|
1572.57
|
1231666
|
13.43
|
<.0001
|
.222
|
|
Nota: RP = Rango Promedio, r =
r de Rosenthal
|
En lo que respecta a la comparación por tipo de
universidad de procedencia, en la tabla 8, los resultados indican que en el
puntaje total, se encuentran diferencias estadísticas significativas por tipo
de universidad de procedencia (U = 1523848, Z = -4.183, p < .0001, r = .069)
encontrándose que el mayor rango promedio corresponde a los alumnos de
universidad particular (RP = 1910.01) respecto a los alumnos de universidad
estatal (RP = 1763.27), la misma tendencia se da en los factores 2 y 3.
Mientras que en el caso del factor 1 no existen diferencias estadísticas
significativas.
|
Tabla 8
Análisis comparativo del ARS por tipo de universidad
|
|
|
Estatal
n
= 2007
|
Particular
n = 1651
|
|
|
|
|
|
Variable
|
RP
|
RP
|
U
|
Z
|
p
|
.r
|
|
Factor
1
|
1842.25
|
1814.00
|
1631184
|
0.806
|
.420
|
.013
|
|
Factor
2
|
1766.09
|
1906.58
|
1529513
|
-4.011
|
<.0001
|
.066
|
|
Factor
3
|
1647.51
|
2050.73
|
1291531
|
-11.505
|
<.0001
|
.190
|
|
Total
ARS
|
1763.27
|
1910.01
|
1523848
|
-4.183
|
<.0001
|
.069
|
|
Nota: RP = Rango Promedio, r
= r de Rosenthal
|
A continuación, se presentan los baremos en rangos
percentiles del Cuestionario ARS, en la Tabla 9 se detalla la distribución de
los puntajes tomando en cuenta cada uno de los factores y el puntaje total
considerando la variable sexo, mientras que en la Tabla 10 se presentan los
resultados clasificados por tipo de universidad.
|
Tabla 9
Baremos por sexo
|
|
|
VARÓN
|
MUJER
|
|
|
RP
|
F1
|
F2
|
F3
|
ARS
|
F1
|
F2
|
F3
|
ARS
|
RP
|
|
5
|
0 - 5
|
0 - 4
|
0 - 6
|
0 - 20
|
0 - 3
|
0 - 1
|
0 - 3
|
0 - 8
|
5
|
|
10
|
7
|
5
|
8
|
23
|
4
|
3
|
5
|
14
|
10
|
|
15
|
8
|
6
|
9
|
26
|
5
|
4
|
6
|
16
|
15
|
|
20
|
9
|
7
|
10
|
28
|
6
|
5
|
7
|
18
|
20
|
|
25
|
10
|
|
11
|
30
|
7
|
5
|
8
|
22
|
25
|
|
30
|
11
|
8
|
|
33
|
8
|
6
|
9
|
25
|
30
|
|
35
|
12
|
9
|
12
|
35
|
9
|
7
|
10
|
28
|
35
|
|
40
|
13
|
|
13
|
37
|
10
|
|
11
|
30
|
40
|
|
45
|
15
|
10
|
14
|
39
|
11
|
8
|
12
|
33
|
45
|
|
50
|
16
|
11
|
15
|
42
|
12
|
9
|
13
|
36
|
50
|
|
55
|
18
|
|
|
44
|
13
|
|
13
|
38
|
55
|
|
60
|
19
|
12
|
16
|
47
|
15
|
10
|
14
|
40
|
60
|
|
65
|
21
|
13
|
17
|
49
|
16
|
11
|
15
|
42
|
65
|
|
70
|
22
|
14
|
18
|
52
|
18
|
12
|
16
|
45
|
70
|
|
75
|
24
|
15
|
19
|
56
|
20
|
12
|
17
|
47
|
75
|
|
80
|
26
|
16
|
21
|
59
|
21
|
13
|
18
|
50
|
80
|
|
85
|
27
|
17
|
22
|
64
|
23
|
14
|
19
|
53
|
85
|
|
90
|
30
|
18
|
24
|
70
|
25
|
15
|
20
|
56
|
90
|
|
95
|
33
|
20
|
26
|
77
|
27
|
17
|
22
|
64
|
95
|
|
99
|
34 A +
|
21 A +
|
26 A +
|
78 A +
|
28 A +
|
18 A +
|
23 A +
|
65 A +
|
99
|
|
M
|
17.30
|
11.45
|
15.29
|
44.04
|
13.44
|
9.03
|
12.63
|
35.10
|
M
|
|
DE
|
8.66
|
4.94
|
6.07
|
17.69
|
7.78
|
4.62
|
5.76
|
16.32
|
DE
|
|
Nota: RP = Rango Percentil, M =
Media, DE = Desviación Estándar
|
|
Tabla 10
Baremos por tipo de universidad
|
|
|
ESTATAL
|
PARTICULAR
|
|
|
RP
|
F1
|
F2
|
F3
|
ARS
|
F1
|
F2
|
F3
|
ARS
|
RP
|
|
5
|
3
|
2
|
5
|
12
|
5
|
3
|
5
|
14
|
5
|
|
10
|
5
|
4
|
6
|
17
|
6
|
4
|
7
|
19
|
10
|
|
15
|
6
|
5
|
7
|
20
|
7
|
5
|
9
|
23
|
15
|
|
20
|
7
|
6
|
8
|
24
|
8
|
6
|
10
|
26
|
20
|
|
25
|
9
|
7
|
9
|
26
|
9
|
7
|
11
|
28
|
25
|
|
30
|
10
|
7
|
10
|
29
|
10
|
|
12
|
31
|
30
|
|
35
|
11
|
8
|
|
31
|
11
|
8
|
|
33
|
35
|
|
40
|
13
|
|
11
|
34
|
|
9
|
13
|
35
|
40
|
|
45
|
14
|
9
|
12
|
37
|
12
|
0
|
14
|
37
|
45
|
|
50
|
16
|
10
|
|
39
|
13
|
10
|
15
|
39
|
50
|
|
55
|
17
|
|
13
|
41
|
14
|
11
|
16
|
42
|
55
|
|
60
|
18
|
11
|
14
|
43
|
16
|
12
|
17
|
44
|
60
|
|
65
|
20
|
|
15
|
45
|
17
|
12
|
18
|
47
|
65
|
|
70
|
21
|
12
|
16
|
48
|
19
|
13
|
19
|
50
|
70
|
|
75
|
22
|
13
|
17
|
50
|
21
|
14
|
20
|
54
|
75
|
|
80
|
23
|
14
|
18
|
52
|
24
|
16
|
21
|
59
|
80
|
|
85
|
25
|
15
|
19
|
56
|
27
|
17
|
23
|
65
|
85
|
|
90
|
26
|
16
|
20
|
59
|
31
|
19
|
24
|
70
|
90
|
|
95
|
28
|
17
|
22
|
65
|
33
|
21
|
27
|
78
|
95
|
|
99
|
29 A +
|
18 A +
|
22 A +
|
65 A +
|
33 A +
|
21 A +
|
28 A +
|
79 A +
|
99
|
|
M
|
15.41
|
9.93
|
12.97
|
38.31
|
15.72
|
10.86
|
15.43
|
42.01
|
M
|
|
DS
|
8.08
|
4.54
|
5.47
|
16.13
|
8.97
|
5.36
|
6.49
|
19.15
|
DS
|
|
Nota: RP = Rango Percentil, M =
Media, DE = Desviación Estándar
|
Discusión
El propósito de la presente
investigación fue aplicar el modelo ESEM al Cuestionario de Adicción a las
Redes Sociales (ARS). En líneas generales, los resultados están en concordancia
con las investigaciones realizadas con ESEM (Marsh et al., 2014) en las cuales,
al comparar las soluciones alternativas, se reveló que, de manera consistente,
el modelo ESEM permite ajustar mejor los datos que el análisis factorial
confirmatorio tradicional (AFC), lo cual indica que es una representación más
realista en la medición de un constructo psicológico. Además, se pudo extender
el modelo básico de ESEM con una herramienta para analizar la invarianza de la
medición.
Los resultados han corroborado que el
AFC, como modelo psicométrico, es insuficiente debido a la suposición demasiado
restrictiva de que los ítems solo deberían cargar en sus factores
correspondientes, pero no en otros factores conceptualmente relevantes.
Tomando como referencia estudios
previos similares (Marsh et al., 2013; Schellenberg et al., 2014; Zhao et al.,
2015), se esperaba que el modelo ESEM superara las limitaciones relacionadas
con el AFC excesivamente restrictivo tanto en términos de la bondad de ajuste
como de las correlaciones entre factores (Maïano et al., 2013; Perera, 2015).
Los hallazgos corroboraron que estas
expectativas eran ciertas, pues el ESEM define mejor el ajuste de los ítems y
permite calcular correlaciones más parsimoniosas que el AFC, tal como han sido
reportados en investigaciones sobre el autoconcepto (Arens y Morin, 2016) y las
motivaciones académicas (Guay et al., 2015; Tóth-Király et al., 2017). y la
medición de la pasión (Tóth-Király et al., 2017).
En un nivel más práctico, en la
presente investigación también se ha demostrado la aplicabilidad de ESEM para
explorar las diferencias de medias latentes, siendo la primera opción las
pruebas de invarianza de medición. Una fortaleza particular de este enfoque es
la posibilidad de realizar una amplia gama de pruebas de invarianza,
especialmente si se basa en una taxonomía extendida (Marsh et al., 2009). Se ha
investigado la invarianza de la medición completa (es decir, carga de factor,
intercepto, singularidades, varianzas latentes-covarianzas y latentes
significa) en diferentes submuestras basadas en el sexo, la edad y su
combinación y encontró un fuerte apoyo para la equivalencia del Cuestionario de
Adicción a las Redes Sociales (ARS). Estos hallazgos están en correspondencia
con los resultados de diferentes variables en Marsh et al. (2013), que también
presentaban altos niveles de invarianza en el género y en los grupos de
idiomas, así como en el de Chamarro et al. (2015).
En general, el ESEM demostró ser un
modelo estadístico adecuado para realizar estudios psicométricos de los
instrumentos y de la invarianza factorial. Como el modelo ESEM es menos
restrictivo, siempre puede dar lugar a uno con un mejor ajuste. Sin embargo,
incluso si las cargas cruzadas rara vez están presentes en el modelo de
medición, ESEM aún proporciona estimaciones imparciales de parámetros en
términos de correlaciones de factores (Asparouhov et al., 2015).
Los hallazgos obtenidos refuerzan la
noción de que los ítems de escala son indicadores imperfectos de sus
respectivos factores, por lo tanto, los modelos AFC y ESEM necesitan ser
contrastados sistemáticamente para tomar en cuenta un tipo de error de medición
sistemático relacionado con la naturaleza falible de los indicadores, que a su
vez ayuda a identificar una mejor representación de los datos.
El modelo ESEM presenta un futuro
prometedor, al igual que el modelo Bayesiano Modelado de Ecuaciones
Estructurales (BSEM; Muthén y Asparouhov, 2012), que se considera al ESEM en
términos de estimación libre de cargas cruzadas y darles un pequeño valor, recientemente
se han desarrollado algunas críticas (Stromeyer et al., 2015). La primera
preocupación de los autores fue que la presencia de cargas cruzadas debe
interpretarse como ruido de modelado que enmascara los ítems mal construidos y,
así, puede justificar el uso de un instrumento incorrecto. En el estudio,
algunas de estas cargas cruzadas fueron razonables y significativas en la
dirección esperada, mientras que otras no lo fueron, lo que sugiere la
necesidad de revisar algunos ítems para que presenten una mayor asociación con
su factor correspondiente. La segunda preocupación se refiere al hecho de que
las cargas cruzadas no deberían ser aceptadas teóricamente, de manera que los
investigadores deben crear ítems que se correspondan adecuadamente con el
constructo medido, es decir un ítem se debe construir sin estar asociado con
otro constructo, como Asparouhov et al. (2015) señala, los indicadores
cuidadosamente construidos probablemente presentan presentar al menos cierto
grado de asociaciones de puntuación verdadera con constructos que no se desean
medir. La tercera y última preocupación se refería a que las cargas cruzadas
son pequeñas, en algunos casos, cercanas a cero. Por lo tanto, no debe incluirse
en un modelo de medición, ya que estos solo reducen artificialmente las
correlaciones entre los factores.
Al utilizar el ESEM dentro del método
AFC (Morin et al., 2013), se puede convertir fácilmente el ESEM en una solución
dentro del marco estándar del AFC y realizar los análisis desarrollados en el
estudio. El ARS puede funcionar de manera diferente según sus diversas
propiedades, como la longitud, el número de elementos, el número de elementos
por factor o las correlaciones entre los factores (para más ejemplos, ver Marsh
et al., 2014). Los índices provienen de investigaciones con AFC, por lo que se
requieren estudios de simulación futuros para evaluar el funcionamiento de
estos valores de corte con ESEM y con diferentes estimadores. A pesar de estas
limitaciones, la investigación mostró que ESEM mantiene una sinergia con el AFE
y el AFC, que es efectiva en el análisis psicométrico de instrumentos
multidimensionales y que también puede complementarse con enfoques de modelado.
En líneas generales si uno sospecha la presencia de multidimensionalidad
derivada de la evaluación del constructo (Morin et al., 2016), es posible que
se viole la suposición restrictiva del AFC, y es necesario realizar la
comparación de los modelos AFC y ESEM. Además, este último es preferido por su
mayor bondad de ajuste, factores bien definidos por sus cargas objetivo y
correlaciones de factores significativamente reducidas. Sin embargo, si las
propiedades psicométricas son las mismas en la solución AFC, entonces ese
modelo es preferible, ya que es más parsimonioso. Sin embargo, se considera que
el ESEM es una opción viable y alternativa flexible al AFC.
Conclusiones
Del análisis de los resultados del
estudio, se puede concluir que:
a)
El
modelo ESEM es más eficiente al realizar análisis psicométricos de las pruebas
psicológicas que el Modelo AFC.
b)
Las
estimaciones del modelo ESEM son más adecuadas que las del modelo AFC.
c)
El
Cuestionario de Adicción a las Redes Sociales presenta puntajes invariantes en
función del sexo de los estudiantes universitarios.
d)
El
Cuestionario de Adicción a las Redes Sociales presenta puntajes invariantes con
respecto a la universidad de la que provienen.
e)
El ARS
se ajusta mejor al modelo de ítems tau equivalentes.
f)
Las
estimaciones de confiabilidad se pueden realizar con el coeficiente alpha de
Cronbach clásico (α) y el coeficiente omega de McDonald (ω).
g)
Las
estimaciones de la confiabilidad de los factores y del puntaje total son
elevadas, lo que indica que las puntuaciones obtenidas con el ARS son
consistentes.
h)
Las
puntuaciones de los factores 1, 2 y 3, así como el puntaje total, presentan
diferencias estadísticamente significativas a favor de los varones.
i)
Las
puntuaciones en los factores 2 y 3, así como el puntaje total, presentan
diferencias estadísticamente significativas a favor de los estudiantes
procedentes de universidades particulares.
Recomendaciones
a)
Realizar
estudios de otros constructos psicológicos, operacionalizados mediante pruebas
psicológicas, aplicando el modelo ESEM para evaluar sus propiedades
psicométricas.
b)
Promover
la inclusión del estudio de la metodología ESEM en el currículo tanto de pre
como post grado, de manera que los estudiantes tengan formas alternativas de
analizar los datos psicométricos.
c)
Elaborar
un diagnóstico sobre cómo se presenta la adicción a las redes sociales en los
estudiantes universitarios, de modo que se puedan proponer programas de
prevención.
d)
Promover
la investigación sobre la adicción a las redes sociales en universitarios en
relación con otros constructos psicológicos, a fin de profundizar los trabajos
en esta área.
Referencias
American Educational
Research Association (AERA), American Psychological Association (APA), &
National Council of Measurement in Education (NCME). (2014). Standards for educational and
psychological testing.
AERA.
Alarcón,
R. (2008). Métodos y
diseños de investigación del comportamiento. Universidad Ricardo Palma.
American
Psychiatric Association (2014). DSM-5.
Manual diagnóstico y estadístico de los trastornos mentales. Editorial Médica Panamericana.
Arens, A. K. y Morin, A. J. S. (2016).
Examination of
the structure and grade-related differentiation of multidimensional
self-concept instruments for children using ESEM. J. Exp. Educ., 84,
330–355. https//:doi.org/10.1080/00220973.2014.999187
Asparouhov, T. & Muthén, B.
(2009). Exploratory structural equation modeling. Structural Equation Modeling, 16, 397-438. https//:doi.org/1080/10705510903008204
Asparouhov, T., Muthén, B., and Morin,
A. J. S. (2015). Bayesian Structural Equation Modeling with cross-loadings and
residual covariances: comments on Stromeyer et al. J. Manage. 41, 1561–
1577. https://doi/org/ 10.1177/0149206315591075
Brennan, R.L. (2001). An essay on the
history and future of reliability from the perspective of replications. Journal of Educational
Measurement, 38(4),
295-317. https://doi.org/10.1111/j.1745-3984.2001.tb01129.x
Carballo, J.L., Perez-Jover, M.V.,
Espada, J.P., Orgiles, M., & Piqueras, J.A. (2012). Psychometric properties
of a Multidimensional Scale of Social Expression to assess social skills in the
Internet context. Psicothema, 24, 121-126.
Chamarro, A., Penelo, E., Fornieles,
A., Oberst, U., Vallerand, R. J., and Fernández- Castro, J. (2015).
Psychometric properties of the Spanish version of the Passion Scale. Psicothema,
27, 402–409. https://doi.org/10.7334/psicothema2015.80
Chen, F. F. (2007). Sensitivity of
Goodness of Fit Indexes to Lack of Measurement Invariance. Structural
Equation Modeling: A Multidisciplinary Journal. 14(3).464-504. https://doi.org/10.1080/10705510701301834
Cheung, G. W. & Rensvold, R. B.
(2002). Evaluating goodness of-fit indexes for testing measurement invariance. Structural Equation
Modeling, 9(2),
233-255.
Cho E. & Kim S. (2014). Cronbach's
coefficient alpha: well-known but poorly understood. Organizational Research.
Methods. 18(2), 207–230. https://doi.org/10.1177/1094428114555994
Cronbach, L. J. (1951). Coefficient
alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/BF02310555
Cupani, M., Vaiman, M., María Laura Font, M. L.,
Pizzichini, F. y Saretti, B. (2012). Análisis
factorial confirmatorio del neo-ffi utilizando parcelización de ítems y método
Bootstrap. Avaliação
Psicológica, 11(2),159-168.
De Vellis, (2012). Scale development, Theory
and applications.
SAGE.
Dunn, T.J., Baguley T, & Brunsden,
V. (2014). From alpha to Omega: A practical solution to the pervasive problema
of internal consistency estimation. British Journal of Psychology, (3). 399- 412. https://doi.org/10.1111/bjop.12046
Escurra, M. y Salas, E. (2014). Construcción y validación del
cuestionario de adicción a las redes sociales. Liberabit, 20(1), 73-91.
Fuente,
A., Herrero, J. & Gracia, E. (2010). Internet y apoyo social: Sociabilidad
online y ajuste psicosocial en la sociedad de la información. Acción Psicológica, 7(1), 9-15.
Graham J. M. (2006). Congeneric and
(essentially) tau-equivalent estimates of score reliability what they are and
how to use them. Educational
and Psychological Measurement, 66(6),
930–944. https://doi.org/10.1177/0013164406288165
Green S. B., & Yang Y. (2009).
Reliability of summed item scores using structural equation modeling: an
alternative to coefficient Alpha. Psychometrika, 74(1), 155–167. https://doi.org/10.1007/s11336-008-9099-3
Guay, F., Morin, A. J. S., Litalien,
D., Valois, P., and Vallerand, R. J. (2015). Application of exploratory
structural equation modeling to evaluate the academic motivation scale. J. Exp. Educ., 83, 51–82. https://doi.org/10.1080/00220973.2013.876231
Jöreskog, K. G., & Sörbom, D.
(1979). Advances in factor analysis and structural equation models. Abt Books.
Lozares,
C. (1996). La teoría de las redes sociales. Papers, 48, 103-126.
Maïano, C., Morin, A. J. S.,
Lanfranchi, M. C., and Therme, P. (2013). The Eating Attitudes Test-26
revisited using exploratory structural equation modeling. J. Abnorm. Child.
Psychol., 41, 775–788. https://doi.org/10.1007/s10802-013-9718-z
Marsh, H. W., Liem, G. A. D., Martin,
A. J., Morin, A. J. S. y Nagengast, B. (2011). Measurement fruitfulness of
exploratory structural equation modelling (ESEM) in addressing key substantive
issues in motivation and engagement research. Journal of Psychoeducational
Assessment, 29, 322-346. https://doi.org/10.1080/09243453.2013.812568
Marsh, H. W., Morin, A. J. S., Parker,
P., and Kaur, G. (2014). Exploratory structural equation modeling: an
integration of the best features of exploratory and confirmatory factor
analysis. Annu. Rev. Clin. Psychol., 10, 85–110. https://doi.org/10.1146/annurev-clinpsy-032813-153700
Marsh, H.W., Muthén, B., Asparouhov,
T., Lüdtke, O., Robitzsch, A., Morin, A. J. S., et al. (2009). Exploratory
structural equation modeling, integrating CFA and EFA: application to
students´s evaluations of university teaching. Struct. Equat. Model., 16,
439–476. https://doi.org/10.1080/10705510903008220
Meattle, J. (2007). Top-50websities-Ranked
by Unique Visitors: Digg.com, Facebook, Flickr sky rocketing. http://blog.compete/2007/10/30/top-50-websites-domans-digg-youtube-flickr-facebook/
Milfont, T. L. & Fischer, R.
(2010). Testing measurement invariance across groups: Applications in
cross-cultural research. International
Journal of Psychological Research, 3, 112-131. https://doi.org/10.21500/20112084.857
Morin, A. J. S., Marsh, H. W., and
Nagengast, B. (2013). “Exploratory structural equation modeling” in Hancock, G.
R., & Mueller, R. O. (Eds.). (2013). Structural equation modeling: A
second course (2nd ed.). Charlotte, NC: Information Age Publishing, Inc.
Morin, A. J. S., Maïano, C.,White, R.
L., Owen, K. B., Tracey, D., Mascret, N., et al. (2016). English validation of
the short form of the Physical Self-Inventory (PSIS). Psychol. Sport Exerc.,
27, 180–194. https://doi.org/10.1016/j.psychsport.2016.08.016
Orihuela, M. (2008). Internet: La hora de las redes
sociales, Nueva Revista 119, 57-62. http://mccd.udc.es/orihuela/documentos/nueva_revista_08.pdf
Ostini, R. & Nering, M. L. (2010).
Handbook of
Polytomous ítem response theory models. Taylor & Francis Group
Palacios,
p., Arias, V. y Arias B. (2014). Las actitudes hacia las matemáticas:
construcción y validación de un instrumento para su medida. Revista de Psicodidáctica, 19(1), 67-91.
Perera, H. N. (2015). The internal
structure of responses to the trait emotional intelligence questionnaire-short
form: an exploratory structural equation modeling approach. J. Pers. Assess., 97, 411–423. https://doi.org/0.1080/00223891.2015.1014042
Ponce,
F. (2015). Análisis exploratorio de modelos de ecuaciones estructurales sobre
la escala de resiliencia de Connor y Davidson (cd-risc) en Chile y España. Salud & Sociedad, 3(6),
septiembre-diciembre. 238-247.
Raykov, T. (1997). Estimation of
composite reliability for congeneric measures. Applied Psychological Measurement, 21, 173-184. https://doi.org/10.1177/01466216970212006
Razali, N. y Wah, Y. (2011). Power
comparisons of Shapiro-Wilk, Kolmogorov- Smirnov, Lilliefors and
Anderson-Darling tests. Journal
of Statistical Modeling and Analytics, 2(1), 21-33. https://www.nrc.gov/docs/ml1714/ml17143a100.pdf
Reyna,
C., Ortiz, M. V. y Revilla, R. G. (2014). Modelo de ecuaciones estructurales
exploratorio del general decisionmaking style inventory. Revista de Psicología, 23(1), 33-39. https://doi.org/10.5354/0719-
0581.2014.32872
Romano, J. L., Kromrey, J. D. &
Hibbard, S. T. (2010). A
Monte Carlo study of eight confidence interval methods for coefficient alpha. Educational and
Psychological Measurement,
70(3), 376-393. https://doi.org/10.1177/0013164409355690
Samejima, F. (1969). Estimation of
Latent Ability Using a Response Pattern of Graded Scores. Psychometric Monograph, 17. Richmond, VA:
Psychometric Society. http://www.psychometrika.org/journal/online/MN17.pdf
Samejima, F. (1972). A General Model
for Free-Response Data. Psychometric
Monograph, 18. Richmond,
VA: Psychometric Society. http://www.psychometrika.org/journal/online/MN18.pdf
Samejima, F. (1996). Evaluation of
mathematical models for ordened polichotomous response. Behaviormetrika, 23(1). 17-35.
Sánchez,
H. y Reyes, C. (2015). Metodología
y Diseños en la Investigación Científica. Business
Support Aneth S.R.L.
Schellenberg, B. J., Gunnell, K. E.,
Mosewich, A. D., and Bailis, D. S. (2014). Measurement, invariance of the
passion scale across three samples: an ESEM Approach. Meas. Phys. Educ.
Exerc. Sci.
18, 242–258. https://doi.org/0.1080/1091367X.2014.942453
Siegel, S., Castellan, N.J. (2012). Estadística no paramétrica aplicada a
las Ciencias de la conducta.
Trillas.
Sijtsma, K. (2009). On the use, the
misuse, and the very limited usefulness of Cronbach's alpha. Psychometrika, 4(1), 107-120. https://doi.org/10.1007/s11336-008-9101-0
Stromeyer, W. R., Miller, J. W.,
Sriramachandramurthy, R., and DeMartino, R. (2015). The prowess and pitfalls of
Bayesian Structural Equation Modeling: important considerations for management
research. J. Manage. 41, 491–520. https://doi.org/10.1177/0149206314551962
Thurstone, L. L. (1947).
Multiple-factor analysis. Chicago: The University Chicago Press Teo T. &
Fan X. (2013). Coefficient alpha and beyond: issues and alternatives for
educational research. Asia
Pacific Educational Researcher. 22(2), 209–213. https://doi.org/10.1007/s40299-013-0075- z
Tóth-Király I, Bõthe B, Rigó A and
Orosz G (2017a) An Illustration of the Exploratory Structural
Equation Modeling (ESEM) Framework on
the Passion Scale. Front. Psychol. 8,1968. https://doi.org/10.3389/fpsyg.2017.01968
Tóth-Király, I., Orosz, G., Dombi, E.,
Jagodics, B., Farkas, D., and Amoura, C. (2017b). Crosscultural comparative
examination of the academic motivation scale using exploratory structural
equation modeling. Pers. Indiv. Differ. 106, 130–135. https://doi.org/10.1016/j.paid.2016.10.048
Trizano-Hermosilla, I. & Alvarado, J. M. (2016). Best Alternatives to
Cronbach's Alpha Reliability in Realistic Conditions: Congeneric and
Asymmetrical Measurements. Frontiers in Psychology, 7, 769. https://doi.org/10.3389/fpsyg.2016.00769
Van der Linden, W. J. & Hambleton,
R. K. (1997). Handbook
of modern item response theory. Springer-Verlag.
Zhang, Z. & Yuan, K. (2016).
Robust Coefficients Alpha and Omega and Confidence intervals with outlying
observations and missing data: Methods and Software. Educational and
Psychological Measurement 76(3), 1–25. https://doi.org/10.1177/0013164415594658
Zhao,
Y., St-Louis, A., and Vallerand, R. J. (2015). On the validation of the passion
scale in Chinese. Psychol.Well Being 5, 1–12. https://doi.org/10.1186/s13612-015-0031-1
