Bootstrap-Parameter- und Anpassungsschätzungen mit Nichtnormalität für Strukturgleichungsmodelle

Kontext:

Im Rahmen der Modellierung von Strukturgleichungen habe ich nach dem Mardia-Test eine Nichtnormalität, aber univariate Indizes für Schiefe und Kurtosis liegen unter 2,0.

Fragen:

• Sollten Parameterschätzungen (Koeffizientenschätzungen) mithilfe von Bootstrapping (1000 Replikate) mit vorspannungskorrigierten Methoden bewertet werden?
• Sollte anstelle des traditionellen Chi-Quadrat-Tests die Bootstrap-Version von Bollen-Stine verwendet werden?

Das Folgende sind nur einige Punkte:

• Wenn Sie von der Normalität abweichen, ist Bootstrapping oft eine gute Idee.
• Sie erwähnen die Verwendung von "1000" -Replikaten. Das Erhöhen der Anzahl von Replikaten erhöht die Rechenzeit und -genauigkeit. Daher legen Sie manchmal beim ersten Einrichten Ihres Modells die Anzahl der Replikate auf einer Ebene fest, die relativ schnell ausgeführt werden kann. Für Ihr endgültiges Modell, das Sie melden, möchten Sie möglicherweise die Anzahl der Replikate auf 10.000 oder mehr erhöhen.
• Wenn die Abweichung Ihrer Daten von der Normalität gering ist, sind Koeffizienten- und Modellanpassungstests, bei denen Normalität angenommen wird, häufig eine vernünftige Annäherung. Insbesondere wenn Sie eine große Stichprobe haben, wie dies häufig bei der Modellierung von Strukturgleichungen der Fall ist, sind Annahme-Tests, die einen signifikanten Test mit der Nullhypothese als Normalität durchführen, häufig überempfindlich, um zu entscheiden, ob Methoden beibehalten werden sollen, die Normalität annehmen. Ich würde den tatsächlichen Indizes der Nichtnormalität wie Schiefe und Kurtosis mehr Aufmerksamkeit schenken (oder wenn Ihre Intuition ausreichend trainiert ist, überprüfen Sie die Histogramme der Variablen).
• Wenn die Abweichung von der Normalität gering ist, würde ich erwarten, dass sowohl Standard- als auch Bootstrap-Ansätze ähnliche Ergebnisse liefern. Wenn Sie zeigen, dass Ihre Ergebnisse für solche Analyseentscheidungen robust sind, können Sie mehr Vertrauen in Ihre Ergebnisse gewinnen.