Scipediacontent at 14:31, 2 April 2020

2020-04-02T14:31:50Z

Scipediacontent at 14:12, 2 April 2020

2020-04-02T14:12:28Z

Show changes

Scipediacontent: Scipediacontent moved page Draft Content 305160963 to Sastre-Riba et al 2019a

2020-04-02T11:20:16Z

Scipediacontent moved page Draft Content 305160963 to Sastre-Riba et al 2019a

Scipediacontent: Created page with "Pulsa aquí para ver la versión en Español (ES) ==== Abstract ==== The a..."

2020-04-02T11:11:27Z

Created page with "<span style="color:#FFFFFF; background:#ffffcc"><span id="article_es"></span>Pulsa aquí para ver la versión en Español (ES)</span> ==== Abstract ==== The a..."

Show changes

@@ Line 64: / Line 64: @@
 ) Latent profile analysis (LPA) using APS-R subscales, transformed into z scores, was performed to analyse whether there were discrete groups (classes) showing similar profiles. LPA models had to be compared in order to establish the optimal number of classes (i.e., class numbering). First, a 1-class model had to be evaluated. Then latent classes were added till the most suitable class solution was found. Several adjustment indexes, including likelihood ratios were considered to establish the best model. The Akaike Information Criterion (AIC) (Akaike, 1987), the Bayesian Information Criterion (BIC) (Schwarz, 1978), and the sample-size adjusted BIC (ssaBIC) (Sciove, 1987) were analysed to have a better adjustment when lower values were reached. We attended to the Lo-Mendell-Rubin’s likelihood ratio test (LRT) (Lo, Mendell, & Rubin, 2001).
-The likelihood ratios of the k-1 and k class models examine the null hypothesis of no statistically significant difference. Therefore, a p<0.05 suggests that the k class model provides a more accepted solution model than the k 1 class model. In addition, values of statistical significance (p>gt;gt;0.05) indicate that the solution (k-1) should be favoured with regards to its precision in reflecting the data. Then, it is possible to assess if the number of classes selected is appropriate by means of the bootstrapped parametric likelihood ratio test.
+The likelihood ratios of the k-1 and k class models examine the null hypothesis of no statistically significant difference. Therefore, a p<0.05 suggests that the k class model provides a more accepted solution model than the k 1 class model. In addition, values of statistical significance (p>0.05) indicate that the solution (k-1) should be favoured with regards to its precision in reflecting the data. Then, it is possible to assess if the number of classes selected is appropriate by means of the bootstrapped parametric likelihood ratio test.
 We also tested for the standardized measure of entropy. This value ranges from 0 to 1 and it measures the relative accuracy in participants’ classification. A higher value in this parameter reflects that the groups found are more separated (Ramaswamy, DeSarbo, Reibstein, & Robinson, 1993).
@@ Line 285: / Line 285: @@
 ) Análisis de clases latentes (ACL) usando las subescalas de la APS-R, trasformadas en puntuaciones z, para analizar si había grupos discrecionales (clases), que mostraran perfiles semejantes. Los modelos del ACL se comparan con el fin de establecer el número óptimo de clases (por ejemplo, la numeración de clases). Primeramente, el modelo de una clase es evaluado. A continuación, se añaden clases latentes hasta que se alcanza la solución más indicada. Diferentes índices de ajuste, incluyendo la razón de verosimilitud, son considerados para establecer el mejor modelo. El Criterio de Información Akaike («Akaike Information Criterion», AIC) (Akaike, 1987), el criterio de Información Bayesiano («Bayesian Information Criterion», BIC) (Schwarz, 1978) y el criterio de ajuste del tamaño muestral del BIC («sample size adjusted BIC», ssaBIC) (Sciove, 1987) son analizados y muestran un mayor ajuste cuando se alcanzan valores inferiores. Se atendió al test de la razón de verosimilitud de Lo-Mendell-Rubin (LRT) (Lo, Mendell, & Rubin, 2001).
-Las ratios de verosimilitud de los modelos de clase de k-1 y k examinan la hipótesis nula de que no existen diferencias estadísticamente significativas. Por lo tanto, una p<lt;lt;0.05 sugiere que el modelo de k clases tiene una solución más aceptada que el modelo de clases k-1. Además, los valores de significación estadística (p>gt;gt;0.05) indican que la solución (k-1) debería de escogerse como más indicada a la hora de reflejar de manera más precisa los datos. Por lo tanto, es posible medir si el número de clases seleccionadas es adecuado mediante el test de remuestreo paramétrico de la razón de verosimilitud. También se analizó la medida estandarizada de entropía. Este valor oscila entre 0 y 1 y mide la precisión relativa alcanzada en la clasificación de los participantes. Un valor más alto en este parámetro refleja que los grupos encontrados se encuentran más separados (Ramaswamy, DeSarbo, Reibstein, & Robinson, 1993).
+Las ratios de verosimilitud de los modelos de clase de k-1 y k examinan la hipótesis nula de que no existen diferencias estadísticamente significativas. Por lo tanto, una p<0.05 sugiere que el modelo de k clases tiene una solución más aceptada que el modelo de clases k-1. Además, los valores de significación estadística (p>0.05) indican que la solución (k-1) debería de escogerse como más indicada a la hora de reflejar de manera más precisa los datos. Por lo tanto, es posible medir si el número de clases seleccionadas es adecuado mediante el test de remuestreo paramétrico de la razón de verosimilitud. También se analizó la medida estandarizada de entropía. Este valor oscila entre 0 y 1 y mide la precisión relativa alcanzada en la clasificación de los participantes. Un valor más alto en este parámetro refleja que los grupos encontrados se encuentran más separados (Ramaswamy, DeSarbo, Reibstein, & Robinson, 1993).
 ) Cálculo del efecto de los miembros de clases latentes en las subescalas de la APS-R y la PNPS-12 por medio del análisis multivariado de la covarianza (MANCOVA). Se utilizaron el género y la edad como covariables. Como indicador del tamaño del efecto se utilizó el eta cuadrado parcial (2). Se utilizaron los paquetes estadísticos SPSS 22.0 (IBM Corp Released, 2013) y Mplus 7.4 (Muthén and Muthén, 1998-2015).
@@ Line 297: / Line 297: @@
 .2. Identificación de los perfiles latentes de perfeccionismo
-Se analizaron cuatro soluciones de clases latentes. Los valores de bondad de ajuste para los diferentes modelos computados se muestran en la Tabla 3. El valor de entropía de las diferentes soluciones fue <lt;lt;0.90. El índice p de LMR-A para el modelo de dos clases reveló que había una mejora que fue estadísticamente significativa en comparación con el modelo de una clase. A continuación, la comparación entre el modelo de dos clases y el modelo de tres clases reveló unos valores de AIC, BIC, ssaBIC y, además, un valor p marginal significativo de LMR-A-LT (0,054) en el caso del modelo de tres clases, indicando, por lo tanto, que se debía priorizar el modelo de tres clases. El modelo de cuatro clases mostró valores de p no significativos en el LMR-A y valores de AIC, BIC y ssaBIC similares al modelo de tres clases. Por ello, se escogió el modelo de tres clases como el más indicado. Para las clases 1, 2 y 3, las diferentes medias de pertenencia a la clase fueron las siguientes: 0,928, 0,936, 0,85 y 0,90. Estos valores indican una adecuada discriminación.
+Se analizaron cuatro soluciones de clases latentes. Los valores de bondad de ajuste para los diferentes modelos computados se muestran en la Tabla 3. El valor de entropía de las diferentes soluciones fue <0.90. El índice p de LMR-A para el modelo de dos clases reveló que había una mejora que fue estadísticamente significativa en comparación con el modelo de una clase. A continuación, la comparación entre el modelo de dos clases y el modelo de tres clases reveló unos valores de AIC, BIC, ssaBIC y, además, un valor p marginal significativo de LMR-A-LT (0,054) en el caso del modelo de tres clases, indicando, por lo tanto, que se debía priorizar el modelo de tres clases. El modelo de cuatro clases mostró valores de p no significativos en el LMR-A y valores de AIC, BIC y ssaBIC similares al modelo de tres clases. Por ello, se escogió el modelo de tres clases como el más indicado. Para las clases 1, 2 y 3, las diferentes medias de pertenencia a la clase fueron las siguientes: 0,928, 0,936, 0,85 y 0,90. Estos valores indican una adecuada discriminación.
 Atendiendo al modelo de 3 clases, un 14.59% (n=20) se asignó en la clase 1 (CL1), la clase 2 (CL2) comprendió un 44,52% (n=61) y la clase 3 (CL3) un 40,87% (n=56) de los participantes. La Clase 1, denominada «Perfeccionismo Insano», reveló puntuaciones altas en la subescala de Discrepancia y bajas en el resto. Los participantes de la Clase 2, identificada como «Perfeccionismo Sano», mostraron unas puntuaciones más elevadas en Altos Estándares y en Orden. Los participantes en la Clase 3, denominada «No Perfeccionismo», revelaron unas puntuaciones bajas en todos los dominios del perfeccionismo. La Figura 1 refleja los tres perfiles de perfeccionismo.
@@ Line 303: / Line 303: @@
 .3. Validación de los perfiles de clases latentes de perfeccionismo
-Los valores del MANCOVA indicaron un efecto significativo para los perfiles latentes de grupo [?Wilk=0,131, F(10, 256)=45,029; p<lt;lt;0,001]. La media y la desviación típica, así como los valores p y el tamaño del efecto para la solución de 3 clases latentes se muestran en la Tabla 4. Atendiendo a las puntuaciones de Discrepancia, no se encontraron diferencias estadísticamente significativas en los perfiles latentes. Se encontraron diferentes configuraciones de asociaciones con el perfeccionismo positivo y negativo de la PNPS-12. En concreto, los perfeccionistas «Sanos» puntuaron más alto, comparados con otras clases latentes, en Altos Estándares, Orden y Perfeccionismo Positivo.
+Los valores del MANCOVA indicaron un efecto significativo para los perfiles latentes de grupo [?Wilk=0,131, F(10, 256)=45,029; p<0,001]. La media y la desviación típica, así como los valores p y el tamaño del efecto para la solución de 3 clases latentes se muestran en la Tabla 4. Atendiendo a las puntuaciones de Discrepancia, no se encontraron diferencias estadísticamente significativas en los perfiles latentes. Se encontraron diferentes configuraciones de asociaciones con el perfeccionismo positivo y negativo de la PNPS-12. En concreto, los perfeccionistas «Sanos» puntuaron más alto, comparados con otras clases latentes, en Altos Estándares, Orden y Perfeccionismo Positivo.
 ====4. Discusión y conclusiones====

← Older revision	Revision as of 11:20, 2 April 2020
(No difference)

Sastre-Riba et al 2019a - Revision history

Scipediacontent at 14:31, 2 April 2020

Scipediacontent at 14:12, 2 April 2020

Scipediacontent: Scipediacontent moved page Draft Content 305160963 to Sastre-Riba et al 2019a

Scipediacontent: Created page with "Pulsa aquí para ver la versión en Español (ES) ==== Abstract ==== The a..."