Bestimmung der Anzahl von Faktoren, wenn Populationsmodelle durch sparsame Modelle genau angenähert werden können

Trotz der Existenz vieler Methoden zur Bestimmung der Anzahl von Faktoren übertreffen keine der anderen unter allen Bedingungen. Diese Studie vergleicht die traditionelle parallele Analyse (TPA), die überarbeitete parallele Analyse (RPA), Kaisers Regel, das minimale durchschnittliche Partial, sequenzielle χ², sequenzielle Quadratwurzel des mittleren Quadrats der Annäherungsfehler, den vergleichenden Anpassungsindex und den Tucker-Lewis-Index unter einem realistischen Szenario in Verhaltensstudien, in denen Forscher ein schließendes, gut passendes sparsames Modell mit K Faktoren verwenden, um ein Populationsmodell zu approximieren, was zu einem trivialen Modell-Daten-Misfit führt. Die Ergebnisse zeigen, dass während die traditionelle und die RPA beide herausstechen, wenn es keine Populationsniveau-Misfits gibt, die Genauigkeit der RPA erheblich abnimmt, wenn ein K-Faktoren-Modell die Population genau annähern kann. TPA ist am wenigsten empfindlich gegenüber trivialen Misfits und führt zu der höchsten Genauigkeit unter den meisten Simulationsbedingungen. Diese Studie schlägt die Verwendung von TPA für die untersuchten Modelle vor. Die Ergebnisse implizieren auch, dass die RPA einer weiteren Überarbeitung bedarf, um einen Grad an Modell-Daten-Misfit zu berücksichtigen, der toleriert werden kann.