Análisis factorial
| ||||||
El análisis factorial es técnica de análisis que frecuentemente se emplea en el campo del desarrollo y validación de tests, permite explorar como se estructuran los factores o variables latentes a partir de respuestas a los ítems de un test.
Sumario
Características
Para obtener escalas de medición adecuadas, los y las investigadoras han recurrido a la técnica conocida como análisis factorial, que permite identificar la estructura que subyace a los ítems de una escala de medición. Esta técnica explora como es que un Factor Latente, que también podríamos llamar variable no observada explican el patrón de respuestas que se dan a los reactivos o ítems de un test.
Análisis factorial y el análisis de componentes principales
Al revisar la literatura en torno al desarrollo y validación de instrumentos se puede percibir que entre académicos hay cierta confusión en torno al uso indiscriminado del Análisis Factorial (AF) y el Análisis de Componentes Principales (ACP). Este uso indiscriminado puede deberse a que durante mucho tiempo los recursos tecnológicos dificultaban la aplicación del AF y para compensarlo incluían al ACP. Si bien, ambas técnicas son similares, pues reducen los ítems a dimensiones más pequeñas (factores y componentes), también presentan algunas diferencias específicas que conducen a resultados muy diferentes.
En el AF se busca identificar cuantos y como se estructuran los factores (variables latentes), estos factores explicarían la varianza común del grupo de ítems analizados. Por el contrario, en el ACP, se pretende determinar cuantos componentes son necesarios para resumir las puntuaciones de un grupo de variables observadas, es decir, explicar la mayor cantidad de varianza observada. Otra diferencia es que mientras en el AF las variables observadas son consideradas como las variables dependientes, en ACP estas son las independientes.
Análisis factorial exploratorio y confirmatorio
Una vez establecida la diferencia en AF y ACP es necesario realizar una nueva diferencia entre el Análisis Factorial Exploratorio (AFE) y el Análisis Factorial Confirmatorio (AFC). Ambos análisis han sido considerados como dos partes de un proceso continuo. El AFE busca determinar cuántos factores integran nuestra escala, mientras que el AFC se caracteriza por confirmar esos factores, pero también determinar como se relacionan los factores y los ítems de la escala. Otra forma de definirlos es que el AFE “construye” la teoría mientras que el AFC la confirmaría.
Elementos del AF
Tamaño de la muestra
Este es uno de los tópicos más discutidos no sólo en el AF también en el análisis de datos en general. Determinar cuál es el tamaño muestral adecuado para el análisis es una discusión que parece no tener fin, las recomendaciones clásicas es que a mayor número de ítems mayor debería ser la cantidad de participantes en nuestra muestra, siendo un mínimo de 200 lo más recomendado.
Sin embargo, las recomendaciones clásicas tienden a carecer de un fundamento claro, hoy en día se debe tomar en cuenta muchos elementos para determinar cuantos participantes son necesarios, tales como el número de ítems por factor, la matriz empleada para el análisis e inclusive cuantas opciones de respuesta tienen los ítems. Así, estudios que emplean simulaciones bajo estas condiciones han determinado que 300 participantes como mínimo es una cifra adecuada.
Número de ítems a incluir en el análisis y en cada factor
Con respecto al número de ítems a incluir en el análisis, estos deben ser seleccionados desde la teoría, sin embargo, hay que señalar que estos no deben ser redundantes, pues esto ocasionaría que estos ítems compartan la varianza y por tanto haya mala estimación. Por tanto, se debe ser cuidadoso de seleccionar únicamente aquellos ítems que realmente representen el constructo que estamos tratando de evaluar. Por otro lado, se recomienda tener por lo menos tres ítems por cada factor, sin embargo, esta cantidad puede modificarse en función de la matriz empleada y del tamaño muestral.
Matriz empleada
En los diseños clásicos del AF hay una suposición de que las variables se encuentran relacionadas de manera y lineal, además presentan índices de normalidad adecuada por lo que la matriz de Correlación de Pearson era la típicamente usada. Hoy en día se sugiere tomar en cuenta el supuesto de normalidad y el formato de repuesta de los ítems. Aunado a lo anterior el desarrollo de nuevas herramientas para el desarrollo de AF ha conducido a emplear nuevas técnicas como la matriz de correlaciones policóricas y tetracóricas, sin embargo, ambas matrices precisan un tamaño muestral superior en comparación con la matriz de Pearson.
Estimación de factores
Los métodos de estimación más comúnmente empleados son 2:
- Máxima verosimilitud: Este método es el más común de emplear debido a sus ventajas frente otros métodos como la capacidad de contraste del ajuste y cuantificación de los errores. Sin embargo, este método requiere el cumplimiento de la normalidad de los datos, contar con escalas continuas y emplear la matriz de correlación de Pearson.
- Mínimos cuadrados ordinarios. En realidad este método se refiere a una familia de métodos de estimación. Estos métodos han demostrado ser robustos ante el incumplimiento de los supuestos de normalidad y linealidad. Del mismo modo, su aplicación en conjunto con la matriz policórica han demostrado ser eficiente.
Rotación de ítems
Este paso se refiere a rotar continuamente la matriz para encontrar una solución que sea simple y consistente. Los métodos más usados hoy en día son la rotación ortogonal, de manera más especifica el criterio varimax y la rotación oblicua en su método oblimin directo. Hoy en día este último es el método más recomendado por presentar estructura más fiables y consistentes.
Factores a retener
El elemento crucial de este análisis es la formación de factores, pero ¿cómo sabemos cuantos factores deberíamos tener en nuestra escala? La recomendación clásica era seguir la regla de Kaiser, que se refiere a mantener autovalores superiores a 1, sin embargo, este método tiende a causar una sobrestimación de los factores. Hoy en día se sugiere seguir las recomendaciones del análisis paralelo y otros métodos similares, pero también se sugiere tomar en cuenta la interpretabilidad de los resultados y la teoría de base.
Finalmente es necesario destacar que el AFC tiende a ser estimado mediante los modelos de ecuaciones estructurales (SEM) por lo que el proceso para llevarlo a cabo debería realizarse con base en los criterios elaborados para estos modelos.
Fuente
- Por: Marcoantonio Villanueva Bustamante. Licenciado en Psicología, egresado de la Facultad de Psicología de la UNAM, México. Doctor en Psicología por la UFRO, Chile. Actualmente, es investigador independiente que forma parte de diversos equipos de investigación en México y Chile. Disponble en https://www.definicionabc.com/general/analisis-factorial.php
