You are on page 1of 22

ANÁLISIS FACTORIAL

Validez de
Constructo
Dimensiones

Las dimensiones de un instrumento revelan:


• qué reactivos son consistentes entre sí y
• si hay un grupo de reactivos consistentes uno con otro.

La interpretación adecuada de los puntajes de un


instrumento aporta información sobre su validez, que
depende de la coincidencia entre su estructura interna
teórica y su estructura interna observada.
Análisis
Diferencias Factorial
entre Análisis
AFC y AFE (Análisis FactorialFactorial
Exploratorio)
Exploratorio Confirmatorio
Se tiene una o ninguna hipótesis sobre Se cuenta con una hipótesis de la
la dimensionalidad de un instrumento. dimensionalidad de un instrumento,
tanto respecto del número de
dimensiones o factores, como de la
relación entre los reactivos y el factor y
entre los factores.
Permite examinar la dimensionalidad. Permite examinar la dimensionalidad,
validez y confiabilidad, evaluar validez
convergente y discriminante.

Se utiliza más por la accesibilidad y Se requieren softwares especializados o


facilidad del uso de software con los que adicionales para SPSS.
se realiza, por ejemplo: SPSS.

Se usa en la primera fase del desarrollo Se usa tanto en la primera fase como en
de un instrumento. las posteriores del desarrollo del
instrumento.
AFC
Permite evaluar una hipótesis sobre un modelo y probar si
es consistente con los datos obtenidos.
Basados en la teoría o en previos AFEs, también es posible
evaluar modelos de medición alternativos.
• Procedimiento de AFC
- Paso 1. Especificación del modelo de medición
- Paso 2. Cálculos
- Paso 3. Interpretación y reporte de los resultados.
- Paso 4. Modificación del modelo y re-análisis (si es
necesario).
Procedimiento de AFC con AMOS

Ejemplo:
La Escala de Autenticidad (Wood, Linley, Maltby, Baliousis y Joseph,
2008) refiere el grado en que una persona se conoce a sí misma y
actúa en consecuencia.

Opciones de respuesta: De 1 (No me describe en absoluto)


a 7 (Me describe muy bien)

12 reactivos
N = 550
• Se basa en tres dimensiones:
• Auto-conocimiento
Grado en que una persona se entiende a sí misma.
Conozco como realmente me siento internamente.
• Vida auténtica
Grado en que una persona se comporta y expresa emociones de una manera
que refleja honestamente la percepción que tiene de sí misma. Es mejor ser
uno mismo que popular.
• Aceptación de las influencias externas
Grado en que una persona entiende que otra puede influir en su vida y
conformarse con esa influencia.
Estoy fuertemente influenciada por la opinión de los demás.
1º Especificación del modelo de medición

Traducir el modelo hipotético a un esquema o figura que


represente o especifique el modelo, en un software
(AMOS/SPSS, SAS, EQS, LISREL, MPlus o SmartPLS), para
que sea traducido a ecuaciones estadísticas.
Especificar:
1. Número de dimensiones, factores o variables latentes.
2. Relación entre reactivos y factores. (Cada reactivo
“carga” sólo en un factor)
3. Asociaciones potenciales entre factores. El programa
estimará la precisa asociación.
Modelos de medición
Modelos reflexivos
La variable latente causa las variables
observadas.

Ejemplo: Test de inteligencia


Si una persona es inteligente, tiene una
mayor probabilidad de obtener una
respuesta correcta en un reactivo. Por lo
tanto, su nivel de inteligencia predirá el
puntaje en el reactivo. La variable latente
(inteligencia) es el predictor; la variable
medida (test) es el resultado.

Las flechas parten del constructo hacia todos


los reactivos de la escala. 9
1º Especificación del modelo de medición
Modelo de un factor Modelo de tres factores con un
factor de segundo orden
• 2º Cálculos

Fase 1. Obtener la varianzas reales de los reactivos y las covarianzas entre los reactivos
Ejemplo:

Para la Escala de Autenticidad se calculan 12 varianzas (una por reactivo) y 66 covarianzas (combinaciones de
cada par de reactivos: 66 = 12(12-1)/2).

Fase 2. Obtener los estimados de los parámetros y pruebas inferenciales.


• Las varianzas y covarianzas se usan para estimar los valores de los parámetros.
• Hay muchos tipos de parámetros. Los de mayor interés son los parámetros reactivo-factor y factor-factor:
• Carga factorial para cada reactivo.
• Correlaciones entre los factores.
• Carga factorial para los factores de primer orden y carga factorial para el(los) de segundo orden.
• 2º Cálculos

• Fase 3. Obtener varianzas y covarianzas implicadas


• La estimación de la carga factorial de un reactivo se basa en las
varianzas y covarianzas de todos los reactivos. El programa
tiene que balancear y calcular una enorme cantidad de
información, por lo que no siempre los estimados son buenas
representaciones de cada elemento de información.
• Si el modelo hipotetizado es bueno, las varianzas y covarianzas
implicadas serán similares a las reales; si el modelo es pobre,
los valores discreparán.
• 2º Cálculos

• Fase 4. Obtener los índices del ajuste del modelo


• Se evalúan las discrepancia entre las varianzas y covarianzas
reales y las implicadas (o reproducidas).
• Calcula índices de ajuste y de modificación.
• Si la comparación entre los valores reales y los implicados
revela grandes discrepancias, el ajuste será “pobre”. Pero si el
ajuste es “bueno”, el modelo de medición hipotetizado
reflejará adecuadamente el patrón real de respuestas en la
escala.
• Los índices de modificación indican las formas en que el
modelo puede mejorarse.
• Estas potenciales modificaciones traerán al modelo más cerca
de la estructura que verdaderamente subyace a los reactivos
de la escala (como fueron respondidos por la muestra).
• 3º Interpretación y reporte de los resultados

Dependiendo de algunos resultados, se podría:


• Examinarse otros resultados.
• Concluir el análisis y reportar los resultados.
• Modificar el modelo hipotetizado y volver a correr el análisis
• 3º Interpretación y reporte de los resultados

Bondad de ajuste absoluto: Determina el grado en que el modelo general predice la matriz de
correlaciones. Estadístico-radio de verosimilitud Chi-cuadrado. El modelo tiene un ajuste aceptable
si los valores de Chi-cuadrado/gl son de 2 a 3 y con límites de hasta 5.

El Índice de bondad de ajuste (GFI) evalúa si el modelo debe ser ajustado. Entre más se acerque a
cero indica un mal ajuste. Se Espera que sea mayor a 0,90, aunque es más aceptado mayor a
0,95.

El Error de Aproximación Cuadrático Medio (RMSEA), representa el ajuste anticipado con el valor
total de la población y ya no con el de la muestra. Si RMSEA es menor o igual a 0,05 indica un
error de aproximación del modelo con la realidad.
3º Interpretación y reporte de los resultados

• Medidas de ajuste incremental del modelo: estas medidas comparan el modelo


propuesto con algún otro existente, llamado generalmente modelo nulo.
- El índice No normalizado de ajuste (NNFI), o índice Tucker Lewis (TLI). El rango de este
va de entre 0 y 1, siendo recomendables los valores superiores o iguales a 0,9.
- El índice normado de ajuste (NFI), compara el modelo propuesto y el modelo nulo
considerando un valor aceptable si es mayor a 0,90.

• Medidas de ajuste de parsimonia: estas relacionan la calidad de ajuste del modelo con
el número de coeficientes estimados necesarios para conseguir el nivel de ajuste.
• El Índice de ajuste normado de parsimonia (PNFI) relaciona los constructos con la
teoría que los sustenta. Entre más cerca esté de 1.0 es mayor su relación45.
• El Criterio de información de Akaike (AIC) es una medida comparativa entre modelos
con diferente número de constructos. Los valores cercanos a 0 indican un mejor ajuste
y una mayor parsimonia, teniendo que el modelo es mejor por ser una medida
comparativa.
• 4º Índices de modificación y re-análisis (si es necesario)

Con frecuencia, los resultados del AFC llevan a


reconsiderar el modelo hipotetizado.
Hay que examinar los índices de modificación para
encontrar indicios sobre las revisiones que pueden
hacerse.
Debe dudarse de ejecutar muchas modificaciones en el
AFC, porque eso implica que se carece de una base
conceptual clara.
Otros usos:
Comparar modelos

• Puede compararse un o más modelos multidimensionales con uno


unidimensional. La pregunta es cuál es la mejor representación de la
verdadera estructura interna de un instrumento.
Ejemplo:
La Escala de Autoestima de Rosenberg puede ajustarse a un modelo
bidimensional o a uno unidimensional.
Mediante el AFC se puede evaluar cuál es más consistente con las
respuestas del instrumento.
Ejemplo:
Escala de ansiedad en la interacción.
En este modelo cada reactivo es afectada por un término de error
único que representa el efecto del error aleatorio de las respuestas.

n= 107
χ2(90)= 224.30, p<.05
CFI =.78
RMSEA =.12
Se modificó el modelo para agregar 6 parámetros (las asociaciones
entre los términos de error de los reactivos).

χ2(84) = 122.76, p. < 05


CFI= .94
RMSEA= 0.07
EJEMPLO ESCALA DE SATISFACCIÓN CON LOS
ROLES DE LA VIDA

El Modelo 1: Análisis Factorial Confirmatorio (AFC) Unifactorial elaborado mediante un Modelo de Clústeres Independientes
(MCI).
El Modelo 2: AFC-MCI de tres factores.
El Modelo 3 consistió en un AFC-MCI con tres factores de primer orden y un factor de segundo orden que representa el
constructo Satisfacción Global con los Roles de Vida.
Modelo 3 Al nivel de los ítems, los resultados
también fueron positivos ya que todos
presentaron una elevada carga factorial (λ
≥ .50), elevada fiabilidad (R2 ≥ .25) y todas
las trayectorias fueron estadísticamente
significativas (p < .001). El factor de
segundo orden Satisfacción Global con los
Roles de Vida, presentó una asociación
fuerte y estadísticamente significativa (p <
.001) con los tres factores de primer
orden, permitiendo también explicar un
porcentaje relevante de la varianza de
estos: Satisfacción con el Rol de Trabajo (β
= .39, R2 = .15), Satisfacción con el Rol de
Ocio (β = .69, R2 = .48) y Satisfacción con
el Rol Familiar (β = .30, R2 = .30).