Abstract We examine the controversial practice of using parcels of items as manifest variables in structural equation modeling (SEM) procedures. After detailing arguments pro and con, we conclude that the unconsidered use of parcels is never warranted, while, at the same time, the considered use of parcels cannot be dismissed out of hand. In large part, the decision to parcel or not depends on one's philosophical stance regarding scientific inquiry (e.g., empiricist vs. pragmatist) and the substantive goal of a study (e.g., to understand the structure of a set of items or to examine the nature of a set of constructs). Prior to creating parcels, however, we recommend strongly that investigators acquire a thorough understanding of the nature and dimensionality of the items to be parceled. With this knowledge in hand, various techniques for creating parcels can be utilized to minimize potential pitfalls and to optimize the measurement structure of constructs in SEM procedures. A number of parceling techniques are described, noting their strengths and weaknesses.

The factor analysis literature includes a range of recommendations regarding the minimum sample size necessary to obtain factor solutions that are adequately stable and that correspond closely to population factors.A fundamental misconception about this issue is that the minimum sample size, or the minimum ratio of sample size to the number of variables, is invariant across studies.In fact, necessary sample size is dependent on several aspects of any given study, including the level of communality of the variables and the level of overdetermination of the factors.The authors present a theoretical and mathematical framework that provides a basis for understanding and predicting these effects.The hypothesized effects are verified by a sampling study using artificial data.Results demonstrate the lack of validity of common rules of thumb and provide a basis for establishing guidelines for sample size in factor analysis.

The goals of both exploratory and confirmatory factor analysis are described and procedural guidelines for each approach are summarized, emphasizing the use of factor analysis in developing and refining clinical measures. For exploratory factor analysis, a rationale is presented for selecting between principal components analysis and common factor analysis depending on whether the research goal involves either identification of latent constructs or data reduction. Confirmatory factor analysis using structural equation modeling is described for use in validating the dimensional structure of a measure. Additionally, the uses of confirmatory factor analysis for assessing the invariance of measures across samples and for evaluating multitrait-multimethod data are also briefly described. Suggestions are offered for handling common problems with item-level data, and examples illustrating potential difficulties with confirming dimensional structures from initial exploratory analyses are reviewed.

This study investigated the utility of confirmatory factor analysis (CFA) and item response theory (IRT) models for testing the comparability of psychological measurements. Both procedures were used to investigate whether mood ratings collected in Minnesota and China were comparable. Several issues were addressed. The first issue was that of establishing a common measurement scale across groups, which involves full or partial measurement invariance of trait indicators. It is shown that using CFA or IRT models, test items that function differentially as trait indicators across groups need not interfere with comparing examinees on the same trait dimension. Second, the issue of model fit was addressed. It is proposed that person-fit statistics be used to judge the practical fit of IRT models. Finally, topics for future research are suggested.

A taxonomy of covariance structure models for rep resenting multitrait-multimethod data is presented. Us ing this taxonomy, it is possible to formulate alternate series of hierarchically ordered, or nested, models for such data. By specifying hierarchically nested models, significance tests of differences between competing models are available. Within the proposed framework, specific model comparisons may be formulated to test the significance of the convergent and the discriminant validity shown by a set of measures as well as the ex tent of method variance. Application of the proposed framework to three multitrait-multimethod matrices al lowed resolution of contradictory conclusions drawn in previously published work, demonstrating the utility of the present approach.

This article examines effects of sample size and other design features on correspondence between factors obtained from analysis of sample data and those present in the population from which the samples were drawn. We extend earlier work on this question by examining these phenomena in the situation in which the common factor model does not hold exactly in the population. We present a theoretical framework for representing such lack of fit and examine its implications in the population and sample. Based on this approach we hypothesize that lack of fit of the model in the population will not, on the average, influence recovery of population factors in analysis of sample data, regardless of degree of model error and regardless of sample size. Rather, such recovery will be affected only by phenomena related to sampling error which have been studied previously. These hypotheses are investigated and verified in two sampling studies, one using artificial data and one using empirical data.

Two alternative methods for parceling questionnaire items for use in confirmatory analyses are presented. The first method requires that parcels must (a) pass a minimum standard of reliability and (b) provide indications of unidimensionality to be retained for analysis. The second method requires that parcels be equally representative of the multiple aspects of a domain. The parcels may then serve as adequate indicators for the general construct. The latter method is consistent with the rationale underlying aggregation of measures, a procedure currently recommended for improving the psychometric properties of behavioral measures of personality. The two methods for parceling and a comparison are illustrated with an empirical example.

Objectives. This study assessed the prevalence of AIDS stigma and misinformation about HIV transmission in 1997 and 1999 and examined trends in stigma in the United States during the 1990s. Methods. Telephone surveys with national probability samples of English-speaking adults were conducted in the period 1996 to 1997 (n = 1309) and in 1998 to 1999 (n = 669). Findings were compared with results from a similar 1991 survey. Results. Overt expressions of stigma declined throughout the 1990s, with support for its most extreme and coercive forms (e.g., quarantine) at very low levels by 1999. However, inaccurate beliefs about the risks posed by casual social contact increased, as did the belief that people with AIDS (PWAs) deserve their illness. In 1999, approximately one third of respondents expressed discomfort and negative feelings toward PWAs. Conclusions. Although support for extremely punitive policies toward PWAs has declined, AIDS remains a stigmatized condition in the United States. The persistence of discomfort with PWAs, blame directed at PWAs for their condition, and misapprehensions about casual social contact are cause for continuing concern and should be addressed in HIV prevention and education programs. (Am J Public Health. 2002;92:371–377)

Charting change in behavior as a function of age and investigating longitudinal relations among constructs are primary goals of developmental research. Traditionally, researchers rely on a single measure (e.g., scale score) for a given construct for each person at each occasion of measurement, assuming that measure reflects the same construct at each occasion. With multiple indicators of a latent construct at each time of measurement, the researcher can evaluate whether factorial invariance holds. If factorial invariance constraints are satisfied, latent variable scores at each time of measurement are on the same metric and stronger conclusions are warranted. In this paper we discuss factorial invariance in longitudinal studies, contrasting analytic approaches and highlighting strengths of the multiple-indicator approach to modeling developmental processes.

We examined the life-span development of self-esteem and tested whether self-esteem influences the development of important life outcomes, including relationship satisfaction, job satisfaction, occupational status, salary, positive and negative affect, depression, and physical health. Data came from the Longitudinal Study of Generations. Analyses were based on 5 assessments across a 12-year period of a sample of 1,824 individuals ages 16 to 97 years. First, growth curve analyses indicated that self-esteem increases from adolescence to middle adulthood, reaches a peak at about age 50 years, and then decreases in old age. Second, cross-lagged regression analyses indicated that self-esteem is best modeled as a cause rather than a consequence of life outcomes. Third, growth curve analyses, with self-esteem as a time-varying covariate, suggested that self-esteem has medium-sized effects on life-span trajectories of affect and depression, small to medium-sized effects on trajectories of relationship and job satisfaction, a very small effect on the trajectory of health, and no effect on the trajectory of occupational status. These findings replicated across 4 generations of participants--children, parents, grandparents, and their great-grandparents. Together, the results suggest that self-esteem has a significant prospective impact on real-world life experiences and that high and low self-esteem are not mere epiphenomena of success and failure in important life domains.