Validez nomológica¡Hola maravillosa comunidad!
Casi he terminado mis análisis, pero necesito verificar la validez nomológica de mi escala de medición. He leído sobre el tema, pero no entiendo cómo hacerlo en JMP Pro 16.
Me gustaría hacer una mesa como la del anexo.¿Usted me podría ayudar por favor?
¡Muchos gracias!
Nataly 
AnalíticaRe: validez nomológicaHola Nataly,
Creo que deberá proporcionar más información sobre su análisis. Supongo que el ejemplo que ha adjuntado es de un modelo de ecuación estructural. Pero sería útil si pudiera explicar de dónde vino y cómo lo que está tratando de hacer se relaciona con esto.
Saludos,
Phil
Re: validez nomológicaHola Nataly,
Como indicó Phil, sería útil tener más claridad sobre los análisis que realizó. A partir de una pregunta anterior que hizo, supongo que se ajusta a un modelo de análisis factorial confirmatorio (AFC) con 3 variables latentes (las subescalas de su escala de medición).
En términos generales, una forma efectiva de probar la validez convergente y discriminante de su escala es ajustar otro CFA usando su escala y también un par de otras escalas que deberían y no deberían covariar con la suya. Su CFA debe tener tantas variables latentes (LV) como crea que mide su escala más los LV de las otras escalas, y todos los LV deben covariar. Luego, después de ajustar el modelo, en el menú del triángulo rojo encontrará "Evaluar modelo de medición", que mostrará la confiabilidad de sus indicadores y sus subescalas. También mostrará una "Matriz de validez de construcción" junto con una visualización de la matriz. Su objetivo es mostrar que las entradas diagonales en esa matriz son más grandes que los valores anteriores y a la derecha de ellos. La razón es que los valores diagonales son la varianza promedio extraída por los LV de los indicadores y los valores arriba y a la derecha representan la varianza compartida a través de los LV. Desea asegurarse de que sus LV (subescalas) tengan más varianza en común con sus propios indicadores que con los otros LV, y esto se evidencia al tener valores más grandes en la diagonal. También puede examinar los valores por debajo de la diagonal, que son simplemente las correlaciones entre los LV; aquellos que hipotetiza que se correlacionen con los LV de su escala deberían mostrar esas asociaciones y aquellos que hipotetiza que no se correlacionan con los LV de su escala también deben mostrar ese patrón.
Aquí hay un ejemplo donde las variables latentes (todas menos Reputación) están bien definidas y tienen una buena validez convergente y discriminante:
Hay una explicación más detallada de la opción Evaluar modelo de medición en esta presentación de video que comienza en el minuto 31: https://community.jmp.com/t5/Discovery-Summit-Americas-2020/ABCs-of-Structural-Equations-Models-2020-US-45MP-590/ta-p/281529
HTH,
~ Laura
