O que é exploratory graph analysis?

Investigar o número de fatores ou dimensões latentes que fundamentam os dados multivariados é um aspecto importante na construção e validação de instrumentos em psicologia. É também um dos primeiros passos na análise de dados psicológicos, pois pode desempenhar um papel crucial na implementação de novas análises e conclusões extraídas dos dados.

Determinar o número de fatores também é relevante na construção de teorias psicológicas, pois algumas áreas (por exemplo, personalidade e inteligência) dependem muito da identificação de estruturas latentes para entender a organização dos traços humanos.

Desde a década de 1960, várias técnicas foram desenvolvidas para estimar o número de dimensões subjacentes em dados psicológicos, como a análise paralela (PA; Horn, 1965), a regra K1 (Kaiser, 1960) e o teste scree (Cattell, 1966). Simulação.

Recentemente, Golino e Epskamp (2017) propuseram uma abordagem alternativa, a Exploratory Graph Analysis (EGA), para identificar as dimensões dos construtos psicológicos.

A Exploratory Graph Analysis faz parte de uma nova área chamada psicometria de rede que se concentra na estimativa de modelos de rede não direcionados (Epskamp et al., 2017). A EGA combina o modelo GGM com um algoritmo de agrupamento para redes ponderadas (Walktrap; Pons & Latapy, 2006) para avaliar a dimensionalidade dos itens em construtos psicológicos. O algoritmo usa “caminhadas aleatórias – random walks” de um nó para outro. Isso acontece por meio das arestas.

De modo detalhado, o procedimento primeiramente, estima a matriz de correlação das variáveis ​​observáveis; então passa a usar a estimação LASSO para obter a matriz de covariância inversa esparsa, com o parâmetro de regularização definido via EBIC sobre 100 valores diferentes. Na última etapa, o algoritmo walktrap (Pons & Latapy, 2005) é usado para encontrar o número de subgrafos densos da matriz de correlação parcial. Veja o gráfico gerado.

Observamos no gráfico que o número de subgráficos densos identificados (ou seja, clusters em uma rede ponderada não direcionada) é igual ao número de fatores latentes em um determinado conjunto de dados. É importante notar que o EGA é capaz de estimar o número de dimensões subjacentes aos dados e mostrar claramente quais itens pertencem a cada dimensão.

—

Gostou desse conteúdo? Precisa aprender Análise de dados? Faça parte da Psicometria Online Academy: a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).

Referência

Golino, H., Shi, D., Christensen, A. P., Garrido, L. E., Nieto, M. D., Sadana, R., Thiyagarajan, J. A., & Martinez-Molina, A. (2020). Investigating the performance of exploratory graph analysis and traditional techniques to identify the number of latent factors: A simulation and tutorial. Psychological Methods, 25(3), 292–320. https://doi.org/10.1037/met0000255

Como citar este post

França, A. (2022, 28 de março). O que é exploratory graph analysis? Blog Psicometria Online. https://www.blog.psicometriaonline.com.br/o-que-e-exploratory-graph-analysis/