Colapsar categorías a menudo es más ventajoso que modelar datos escasos: investigaciones en el marco CFA

Cuando los cuestionarios incluyen escalas de Likert, los ítems respaldados por relativamente pocos encuestados pueden resultar de características de los examinados o de los constructos en estudio. Los investigadores pueden colapsar categorías para aumentar el tamaño de la muestra de celdas; sin embargo, los efectos de esta práctica no han sido investigados de manera sistemática. Se simuló una escala ordinal de cinco puntos donde los datos incluían pocas respuestas en categorías extremas. Se aplicaron diferentes estimadores a datos de categorías distribuidas escasamente y colapsadas; se manipularon características como el tamaño de la muestra, el número de categorías, el número de ítems que incluyen datos escasos y el porcentaje de datos escasos. Colapsar categorías fue ventajoso para ULSMV y WLSMV, produciendo tasas de convergencia más altas, estimaciones más precisas de parámetros y errores estándar, y tasas de rechazo del test chi-cuadrado cercanas al nivel nominal. Con muchas categorías de respuesta (por ejemplo, ≥5), tratar los datos escasos como continuos y usar MLMV puede servir como una alternativa, especialmente cuando un pequeño porcentaje de los ítems totales contiene bajas frecuencias de celda.