Esta pesquisa introduz uma estrutura de avaliação pós-seleção para análise fatorial parcialmente exploratória (PEFA) usando aproximação variacional regularizada com priors spike and slab. O método recupera estruturas de carga e números de fatores convertendo soluções convergentes em modelos de covariância por meio de seleção dura ou macia.
- Deriva graus de liberdade e diagnósticos de ajuste absoluto incluindo RMSEA, SRMR, CFI e TLI.
- Calcula critérios relativos como AIC, BIC e ELBO para comparação de modelos.
- Propõe uma regra de ganho livre de escala com uma guarda de queda sustentada para determinar o número de fatores.
- Simulações mostram que os índices absolutos rastreiam a recuperação de carga enquanto a regra de ganho recupera com precisão a dimensionalidade verdadeira.
A estrutura ajuda os usuários a avaliar o ajuste do modelo e selecionar números de fatores de forma mais robusta, conforme demonstrado pelo desempenho melhorado em relação aos modelos confirmatórios em um exemplo de PID-5 de 100 itens.