探索性图分析：心理学研究中估计维度数量的新方法

正确维度数量的估计是心理测量学中的一个长期问题。已提出若干方法，如平行分析（PA）、Kaiser-Guttman特征值大于一规则、多重平均偏部分程序（MAP）、使用BIC和EBIC等拟合指数的最大似然方法，以及较少使用和研究的方法称为极简单结构（VSS）。本文引入一种估计维度数量的新方法，并通过模拟与上述传统技术进行比较。本文提出的方法称为探索性图分析（EGA），因为它基于使用EBIC指定正则化参数的图形lasso（graphical lasso）。维度数量通过使用walktrap（一种用于识别网络中社区的随机游走算法）来验证。总共模拟了32,000个数据集以拟合已知因子结构，数据集在不同标准间变化：因子数量（2和4）、题目数量（5和10）、样本量（100、500、1000和5000）以及因子间相关性（正交、0.20、0.50和0.70），形成64种不同条件。对于每个条件，使用lavaan模拟500个数据集。结果表明，在许多情况下，尤其在因子数为2时，EGA的表现与平行分析、EBIC、eBIC和Kaiser-Guttman规则相当。然而，当因子间相关性为0.7时，EGA是唯一能在四因子结构中正确估计维度数量的技术，在样本量为5,000观测时显示出100%的准确率。最后，将EGA用于估计真实数据集中的因子数量，以将其性能与模拟研究中测试的其他六种技术进行比较。