Eduardo Manzanares Medina
César Merino Soto
Universidad de San Martín de Porres
X CONGRESO NACIONAL DE ESTUDIANTES Y PROFESIONALES DE PSICOLOGÍA. Desarrollo del Capital Humano: Investigación y Estrategias de Intervención, del
6 al 8 de noviembre de 2013, Lima, Perú
ANÁLISIS SEM DEL INVENTARIO DE DEPRESIÓN ESTADO/RASGO EN
ADOLESCENTES
¿QUÉ ES EL IDER?
• Inventario de Depresión Estado-Rasgo (Ritterband y Spielberger, 1996; Spielberger, Agudelo y Buela-Casal, 2008)
• Breve, auto-reporte; facilita la detección rápida y diferenciada de los síntomas depresivos.
• Distinción entre estado y rasgo.
• Inicialmente en adultos; posteriormente, probado en adolescentes.
• Satisfactorias propiedades psicométricas en estudios latinoamericanos: Colombia (Agudelo, 2009; Ocampo, 2007) y Chile (Vera-Villarroel et ál., 2008).
Modelo original (bidimensional):
• Items (+) e ítems (-) en dos factores relacionados(Eutimia y Distimia), tanto para Estado como paraRasgo.
INTERPRETACIÓN DEL IDER
1 2 3 4 5 6 7 8 9 10
E D AD
1 2 3 4 5 6 7 8 9 10
Modelo unidimensional
• Justifica un solo puntaje interpretativo.
DOS PUNTAJES INTERPRETABLES UN PUNTAJE INTERPRETABLE
VALIDACIÓN FACTORIAL IDER:¿Se halla lo mismo en participantes adolescentes?
País Estudio N Factores Análisis
Colombia Ocampo (2007)300 universitarios
300 adolescentes
2
2
PCA
PCA
Chile Vera-Villarroel, et al. (2008) 300 2 PCA
Colombia Agudelo (2009) 298 2 EFA
PerúMerino, Pflucker & Riaño-
Hernández (2013)314 2 EFA
Sí, sin embargo pueden existir sesgos debido a problemas influenciados por:•Diferentes métodos de extracción, y rotación:•PCA, rotación varimax, promax, gráfico scree test.
•Error de medición incluido en análisis exploratorios.•Efecto del método.•No evaluación de replicabilidad.
VALIDACIÓN FACTORIAL DEL IDER:¿Se halla lo mismo en participantes adolescentes?
RACIONALIDAD DEL PRESENTE ESTUDIO
•Motivación práctica y teórica para iniciar su validación:•Práctica: Posibilidades de su uso en contextos clínicos
y escolares• Diferenciar e identificar adolescentes en riesgo• Instrumentación a profesionales de salud mental• Monitoreo de intervenciones
• Teórica: definición de constructos• Hallar el modelo de medición más apropiado.
•Resultados como línea base desde SEM
MÉTODO
METODO:Participantes
Sexo
= 49 (43.4%)
= 64 (56.6%)
EdadMin = 10Max = 17M = 13.79DE = 2.06
GradoPrimaria (5Tto y 6to)21 alumnos = 18.5%
Secundaria92 alumnos = 91.5%
Criterios de inclusión• Asistencia regular• Presentes el día de la evaluación• Aceptación voluntaria
• Colegio de gestión estatal• Distrito de San Isidro• Población de primaria y secundaria
METODO:Instrumento
• Inventario de Depresión Estado-Rasgo• Dos aspectos: ESTADO (10 ÍTEMS), RASGO (10 ÍTEMS)• Dos contenidos: EUTIMIA, DISTIMIA
1. Me siento bien
2. Estoy apenado(a)
3. Estoy decaído(a), desalentado(a)
4. Estoy animado(a)
5. Me siento desdichado/a, sin suerte
6. Estoy hundido/a, abatido(a)
7. Estoy contento(a)
8. Estoy triste
9. Estoy entusiasmado(a)
10. Me siento enérgico(a)
1. Disfruto de la vida
2. Me siento desgraciado(a), infeliz
3. Me siento pleno(a), satisfecho
4. Me siento dichoso/a
5. Tengo esperanzas sobre el futuro
6. Estoy decaído(a), desalentado(a)
7. No tengo ganas de nada
8. Estoy hundido(a), abatido(a)
9. Estoy triste
10. Me siento enérgico(a)
E
D
ESTADO RASGO
D
E
METODO:Procedimiento
•Método: Modelamiento de Ecuaciones Estructurales (CFA)
•Matriz: correlaciones policóricas
•Función de ajuste: Maximum Likehood
•Ajuste Satorra-Bentler•Indices de ajuste:
•Relativo : CFI, NNFIT
•Absoluto : SRMR, RMSEA
•Software : EQS 6.2
•Consistencia interna:
•Alfa e intervalos de confianza (método Fisher)
•Coeficiente Rho
PROCEDIMIENTO:Modelos (ejemplo: RASGO)
AD
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
E D
1 2 3 4 5 6 7 8 9 10
E D
AD
1 2 3 4 5 6 7 8 9 10
E D
Unidimensional Bidimensional ortogonal
Bidimensional oblicuoBi-factor
RESULTADOS
ANÁLISIS DISTRIBUCIONAL DE ÍTEMS
EUTIMIA DISTIMIA0
.1.2
.3.4
Den
sity
0 1 2 3 4 5v1
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
0.1
.2.3
.4
Den
sity
0 1 2 3 4 5v3
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
.1.1
5.2
.25
.3
Den
sity
0 1 2 3 4 5v4
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
0.1
.2.3
.4
Den
sity
0 1 2 3 4 5v5
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
.05
.1.1
5.2
.25
.3
Den
sity
0 1 2 3 4 5v10
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
0.1
.2.3
.4.5
Den
sity
0 1 2 3 4 5v2
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
0.1
.2.3
.4
Den
sity
0 1 2 3 4 5v6
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
0.1
.2.3
.4
Den
sity
0 1 2 3 4 5v7
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
0.1
.2.3
.4.5
Den
sity
0 1 2 3 4 5v8
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
0.1
.2.3
.4
Den
sity
0 1 2 3 4 5v9
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
RASGO
0.1
.2.3
Den
sity
0 1 2 3 4 5V1
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
.05
.1.1
5.2
.25
.3
Den
sity
0 1 2 3 4 5V4
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
.05
.1.1
5.2
.25
.3
Den
sity
0 1 2 3 4 5V7
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
.1.1
5.2
.25
.3.3
5
Den
sity
0 1 2 3 4 5V9
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
.05
.1.1
5.2
.25
.3
Den
sity
0 1 2 3 4 5V10
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimateESTADO
0.1
.2.3
.4
Den
sity
0 1 2 3 4 5V2
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
0.1
.2.3
.4.5
Den
sity
0 1 2 3 4 5V3
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
0.1
.2.3
.4
Den
sity
0 1 2 3 4 5V5
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
0.1
.2.3
.4.5
Den
sity
0 1 2 3 4 5V6
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
0.1
.2.3
.4.5
Den
sity
0 1 2 3 4 5V8
kernel = epanechnikov, bandwidth = 0.6000
Kernel density estimate
RESULTADOS:Ajuste de RASGO
ModeloSB-2
(gl)RMSEA(IC90%)
CFI SRMR
1 dimensión81.84(35)
0.10
(0.07, 0.13)0.85 0.17
2 Ortogonal53.27
(35)
0.06
(0.02, 0.10)0.94 0.17
2 Oblicuo32.55
(34)
0.00
(0.00, 0.06)1.00 0.07
Bi-factorNO
CONVERGE- - -
<0.05 >0.95 <0.05
AD
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
E D
1 2 3 4 5 6 7 8 9 10
E D
1 2 3 4 5 6 7 8 9 10
E D
AD
RESULTADOS:Modelo BIFACTORIAL EXPLORATORIO (RASGO)
1 2 3 4 5 6 7 8 9 10
E D
AD
.46 -.39 .47 .60 .48 -.49 -.49 -.36 -.24 .47
.20 .65 .28 .39 .31 .70 .53 .70 .62 .26
E : EutimiaD : DistimiaAD : Ánimo Depresivo
Método Schmid-Leiman (1975)
La magnitud de las cargas es mejor en el factor general
-.52
.85
RESULTADOS:Ajuste de ESTADO
ModeloSB-2
(gl)RMSEA(IC90%)
CFI SRMR
1 dimensión71.39(35)
0.09
(0.06, 0.12)0.92 0.09
2 Ortogonal62.26
(35)
0.08
(0.04, 0.11)0.947 0.23
2 Oblicuo45.41
(34)
0.05
(0.00, 0.09)0.97 0.09
Bi-factorNo
converge- - -
<0.05 >0.95 <0.05
AD
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
E D
1 2 3 4 5 6 7 8 9 10
E D
1 2 3 4 5 6 7 8 9 10
E D
AD
RESULTADOS:Modelo BIFACTORIAL EXPLORATORIO (ESTADO)
1 2 3 4 5 6 7 8 9 10
E D
AD
-.60 .63 .58 -.52 .37 .48 -.65 .71 -.30 -.35
.29 .33 .32 .55 .05 .16 .51 .34 .59 .36
E : EutimiaD : DistimiaAD : Ánimo Depresivo
La magnitud de las cargas es mejor en el factor general
Método Schmid-Leiman (1975)
-.67
.89
CONSISTENCIA INTERNA: alfa
Rasgo Estado
.rii .α .rii .α
EUTIMIA0.29 0.68 0.42 0.78
DISTIMIA0.48 0.82 0.26 0.64
TOTAL0.28 0.79 0.29 0.80
CONCLUSIONES
CONCLUSIONES
• El model bifactorial es razonable
• UN sola variable retiene contiene más varianza.
• El uso de dos puntajes no parece robusto en grupos de adolescentes.
• El puntaje total es más confiable que los puntajes subescala.
• Un solo puntaje parece recomendado cuando se use el IDER.
• Suficientemente confiable para propósitos de despistaje
PERSPECTIVAS
• Posible efecto del sesgo debido al fraseo negativo
• Confiabilidad por método factorial
• Teoría de Respuesta al ítem
• Replicabilidad del estudio: sexo, muestreo aleatorio
•Es bienvenida la colaboracón
Gracias
¿Preguntas?Más información:[email protected]
Recommended