TEORIE E TECNICHE DEI TEST B BONFIGLIO 35-39

Quando è opportuno utilizzare la correlazione tetracorica nell’analisi fattoriale?. Quando gli item sono dicotomici e si vuole stimare la relazione tra variabili latenti continue. Quando gli item sono su scala Likert e distribuiti normalmente. Quando le variabili sono tutte continue e simmetriche. Quando si analizza la varianza specifica degli item.

Che cosa indica un valore di MSAi inferiore a .50 per un item?. Che l’item ha una distribuzione normale perfetta. Che l’item presenta eccessiva ridondanza con altri item. Che l’item non è adatto all’analisi fattoriale per scarsa adeguatezza campionaria. Che l’item è altamente correlato con tutti gli altri item.

Quale problema si verifica quando un item presenta effetto pavimento?. La varianza è molto bassa e la correlazione con altri item è attenuata. L’item diventa automaticamente ridondante. La distribuzione si uniforma e la correlazione aumenta. La media dell’item è troppo alta e sovrastima la comunalità.

Qual è la logica di rotazione dei fattori nell’ambito dell’estrazione?. Semplificare la struttura per facilitare l’interpretazione. Ottenere una soluzione con il minimo numero di item. Eliminare i fattori meno significativi. Ordinare i fattori in base alla varianza spiegata.

Qual è la differenza principale tra PCA (analisi delle componenti principali) e PFA (analisi fattoriale per assi principali) secondo il testo?. PCA si basa su ipotesi teoriche, PFA è puramente statistico. PCA considera tutta la varianza, PFA solo quella comune. PFA si usa per dati dicotomici, PCA per dati. continui PFA considera la varianza specifica, PCA la ignora.

In cosa consiste la logica dell’estrazione dei fattori principali (PFA)?. Spiegare la varianza condivisa, scartando la specifica e l’errore. Individuare le variabili più rappresentative per ciascun fattore. Ridurre i fattori a un unico fattore generale. Spiegare tutta la varianza, inclusa quella specifica.

Per quale motivo la somma degli autovalori è maggiore nella structure matrix rispetto alla pattern matrix in una rotazione obliqua?. Perché include anche le componenti indirette dovute alla correlazione tra fattori. Perché la structure matrix somma anche le comunalità residue. Perché nella pattern matrix gli autovalori non sono calcolabili. Perché la rotazione obliqua forza una sovrapposizione tra i fattori.

In un'analisi fattoriale con rotazione obliqua, quale affermazione descrive correttamente la differenza tra la pattern matrix e la structure matrix?. La pattern matrix mostra le saturazioni dirette, mentre la structure matrix include anche le correlazioni tra i fattori. La pattern matrix serve per rotazioni ortogonali, la structure matrix per rotazioni oblique. La pattern matrix si usa solo con la PCA, la structure matrix con la PAF. La pattern matrix mostra solo le saturazioni principali, la structure matrix mostra le saturazioni minori.

Qual è il vantaggio principale dell'uso di una rotazione obliqua rispetto a una ortogonale?. Produce risultati indipendenti dalla teoria sottostante. Permette di modellare costrutti psicologici intercorrelati, riflettendo strutture più realistiche. È utile solo quando si hanno più di tre fattori estratti. Genera una struttura sempre interpretabile senza necessità di rimozione di item.

Cosa indica l’indice di complessità fattoriale di Hoffman in un’analisi fattoriale?. Indica in quanti fattori ciascun item mostra saturazioni rilevanti. Valuta la precisione delle saturazioni nel modello obliquo. Misura l’adeguatezza della matrice di correlazione. Serve per confrontare la varianza spiegata tra modelli ortogonali e obliqui.

Quale tra le seguenti affermazioni descrive correttamente il significato della rotazione procrustea in CFA (Analisi Fattoriale Confermativa)?. Consente di confrontare una matrice empirica con una teorica imponendo una sovrapposizione. Serve per determinare il numero ottimale di fattori da estrarre. Ottimizza direttamente la bontà dell’adattamento del modello CFA. Stima nuove saturazioni fattoriali vincolate ai dati osservati.

In un modello bifattoriale, ogni item: Satura su un fattore generale e su uno specifico. È vincolato a non saturare su nessun fattore generale. Satura su due fattori generali distinti. Satura esclusivamente su un fattore specifico.

Cosa indica un valore CFI superiore a .95 nella CFA (Analisi Fattoriale Confermativa)?. Un buon adattamento del modello ai dati. Un’elevata correlazione tra item osservati. La presenza di fattori di secondo ordine. La necessità di modificare la struttura del modello.

Quale tra i seguenti indici di bontà di adattamento è più sensibile alla numerosità campionaria?. Il test chi-quadro (χ²). L'RMSEA (Root Mean Square Error of Approximation). Lo SRMR (Standardized Root Mean Residual). Il CFI (Comparative Fit Index).

Quali sono le principali differenze tra l’uso della rotazione dei fattori nell’EFA (Analisi Fattoriale Esplorativa) e l’approccio strutturato della CFA (Analisi Fattoriale Confermativa)?. La CFA impone rotazioni oblique per rispettare le ipotesi teoriche sui fattori. Nell’EFA i fattori si ricavano dai dati e si utilizzano rotazioni (es. PROMAX), nella CFA la struttura è ipotizzata a priori e non si ruotano i fattori. La CFA usa la rotazione ortogonale per mantenere l'indipendenza tra i fattori. Entrambe richiedono rotazione per interpretare i fattori in modo coerente.

Qual è la funzione della Parallel Analysis nella fase esplorativa dell’analisi fattoriale?. Confrontare gli autovalori osservati con quelli ottenuti da dati casuali simulati. Misurare la coerenza interna dei fattori estratti. Determinare la dimensionalità ottimale usando la varianza spiegata. Valutare la significatività della matrice di correlazione.