Parámetro bootstrap y estimaciones de ajuste con no normalidad para modelos de ecuaciones estructurales

Contexto:

Dentro del contexto del modelado de ecuaciones estructurales, tengo una no normalidad según la prueba de Mardia, pero los índices univariados de asimetría y curtosis son inferiores a 2.0.

Preguntas:

• ¿Deben evaluarse las estimaciones de parámetros (estimaciones de coeficientes) utilizando bootstrapping (1000 repeticiones) con métodos con corrección de sesgo?
• En lugar de la prueba tradicional de chi-cuadrado, ¿se debe usar la versión de arranque de Bollen-Stine?

Los siguientes son solo algunos puntos:

• Si se aleja de la normalidad, a menudo es una buena idea hacer bootstrapping.
• Menciona el uso de "1000" réplicas. Aumentar el número de réplicas aumenta el tiempo de cálculo y la precisión. Por lo tanto, a veces, al configurar su modelo por primera vez, establecerá el número de réplicas en un nivel que sea relativamente rápido de ejecutar. Sin embargo, para su modelo final que informe, es posible que desee aumentar el número de réplicas a 10,000 o más.
• Si la desviación de sus datos de la normalidad es leve, entonces las pruebas de ajuste de coeficientes y modelos que suponen normalidad son a menudo una aproximación razonable. En particular, cuando tiene una muestra grande, como suele ser el caso con el modelado de ecuaciones estructurales, las pruebas de suposición que realizan una prueba significativa con la hipótesis nula ya que la normalidad a menudo son demasiado sensibles con el fin de decidir si persisten con los métodos que suponen la normalidad. Prestaría más atención a los índices reales de no normalidad, como los valores de asimetría y curtosis (o si su intuición está suficientemente entrenada, consulte los histogramas de las variables).
• Si la desviación de la normalidad es leve, esperaría que tanto los enfoques estándar como los de arranque deberían dar resultados similares. Demostrar que sus resultados son sólidos para tales decisiones analíticas puede brindarle una mayor confianza en sus resultados.