Los puntos clave no están disponibles para este artículo en este momento.
La teoría de generalizabilidad proporciona un marco integral para determinar cómo múltiples fuentes de error de medición afectan las puntuaciones de las evaluaciones psicológicas y usar esa información para mejorar dichas evaluaciones. Aunque los diseños de teoría de generalizabilidad tradicionalmente han sido analizados utilizando procedimientos de análisis de varianza (ANOVA), los mismos análisis pueden ser replicados y ampliados utilizando modelos de ecuaciones estructurales. Recopilamos datos de múltiples ocasiones de inventarios que miden numerosas dimensiones de la personalidad, autoconcepto y respuestas socialmente deseables para comparar componentes de varianza, coeficientes de generalizabilidad, coeficientes de confiabilidad y proporciones de puntuación del universo y varianza de error de medición utilizando modelado de ecuaciones estructurales frente a técnicas de ANOVA. Además, aplicamos técnicas de modelado de ecuaciones estructurales a métricas de variables latentes de respuesta continua y derivamos intervalos de confianza basados en Monte Carlo para esos índices tanto en puntuaciones observadas como en métricas de variables latentes de respuesta continua. Los resultados para las puntuaciones observadas estimadas utilizando modelado de ecuaciones estructurales y procedimientos de ANOVA raramente variaron. Las diferencias en la confiabilidad entre las puntuaciones crudas y las métricas de variables latentes de respuesta continua fueron mucho mayores para escalas con respuestas dicotómicas, lo que resalta el valor de realizar análisis en ambas métricas para evaluar las ganancias que podrían lograrse al aumentar las opciones de respuesta. Proporcionamos pautas detalladas para aplicar las técnicas demostradas utilizando modelado de ecuaciones estructurales y software estadístico basado en ANOVA.
Vispoel et al. (Jue,) estudiaron esta cuestión.