Desempenho dos Estimadores para Análise Fatorial Confirmatória de Variáveis Ordinais com Dados Faltantes

Dados faltantes e indicadores ordinais são comuns em pesquisas aplicadas envolvendo construtos latentes. Infelizmente, os indicadores ordinais violam a suposição de linearidade para a CFA convencional que é rotineiramente utilizada para fornecer evidências de validade estrutural para instrumentos de medição. Embora o estimador de máxima verossimilhança robusto (MLR) possa lidar tanto com dados faltantes quanto com não normalidade, ele é geralmente inadequado para indicadores ordinais. Métodos de estimação categórica, como o método de mínimos quadrados ponderados com média e variância ajustadas (WLSMV), ou MLR ou máxima verossimilhança (ML) que tratam adequadamente os indicadores ordinais como categóricos (MLR-CAT ou ML-CAT, respectivamente), têm sido recomendados para variáveis dependentes ordinais. No entanto, o desempenho desses estimadores categóricos na presença de dados faltantes não foi examinado empiricamente. O presente estudo investiga sistematicamente os desempenhos relativos de WLSMV, MLR, MLR-CAT e ML-CAT sob diferentes condições de quantidade e mecanismo de dados faltantes, tamanho da amostra, nível de distribuição dos indicadores e número de categorias de indicadores. Os resultados geralmente favorecem o MLR-CAT, desde que o tamanho da amostra não seja muito pequeno (>200), o que resultaria em problemas de convergência.