Hispanopedia Wiki
Articulo de referencia

Análisis factorial exploratorio

Modelo de análisis factorial exploratorio En estadística multivariante , el análisis factorial exploratorio ( AFE ) es un método estadístico utilizado para descubrir la estructu...

Hispanopedia WikiContenido en espanolLectura gratuita
Modelo de análisis factorial exploratorio

En estadística multivariante , el análisis factorial exploratorio ( AFE ) es un método estadístico utilizado para descubrir la estructura subyacente de un conjunto relativamente grande de variables . El AFE es una técnica dentro del análisis factorial cuyo objetivo principal es identificar las relaciones subyacentes entre las variables medidas. [ 1 ] Los investigadores lo utilizan comúnmente al desarrollar una escala (una escala es un conjunto de preguntas utilizadas para medir un tema de investigación particular) y sirve para identificar un conjunto de constructos latentes subyacentes a una batería de variables medidas. [ 2 ] Debe utilizarse cuando el investigador no tiene una hipótesis a priori sobre los factores o patrones de las variables medidas. [ 3 ] Las variables medidas son cualquiera de los diversos atributos de las personas que pueden observarse y medirse. Ejemplos de variables medidas podrían ser la altura, el peso y la frecuencia cardíaca de un ser humano. Por lo general, los investigadores tendrían un gran número de variables medidas, que se supone que están relacionadas con un número menor de factores "no observados". Los investigadores deben considerar cuidadosamente el número de variables medidas que se incluirán en el análisis. [ 2 ] Los procedimientos EFA son más precisos cuando cada factor está representado por múltiples variables medidas en el análisis.

El AFE se basa en el modelo de factores comunes. [ 1 ] En este modelo, las variables manifiestas se expresan como una función de factores comunes, factores únicos y errores de medición. Cada factor único influye en una sola variable manifiesta y no explica las correlaciones entre ellas. Los factores comunes influyen en más de una variable manifiesta, y las "cargas factoriales" son medidas de la influencia de un factor común sobre una variable manifiesta. [ 1 ] Para el procedimiento AFE, nos interesa principalmente identificar los factores comunes y las variables manifiestas relacionadas.

El AFE asume que cualquier indicador/variable medida puede estar asociado con cualquier factor. Al desarrollar una escala, los investigadores deben usar primero el AFE antes de pasar al análisis factorial confirmatorio . [ 4 ] El AFE es esencial para determinar los factores/constructos subyacentes para un conjunto de variables medidas; mientras que el análisis factorial confirmatorio permite al investigador probar la hipótesis de que existe una relación entre las variables observadas y su (s) factor(es)/constructo(s) latente(s) subyacente(s) . [ 5 ] El AFE requiere que el investigador tome una serie de decisiones importantes sobre cómo realizar el análisis porque no hay un método establecido.

Procedimientos de ajuste

Los procedimientos de ajuste se utilizan para estimar las cargas factoriales y las varianzas únicas del modelo ( las cargas factoriales son los coeficientes de regresión entre ítems y factores y miden la influencia de un factor común sobre una variable medida). Existen varios métodos de ajuste para el análisis factorial, sin embargo, hay poca información sobre todas sus fortalezas y debilidades, y muchos ni siquiera tienen un nombre exacto que se utilice de forma consistente. El análisis factorial de ejes principales (PAF) y la máxima verosimilitud (ML) son dos métodos de extracción que se recomiendan generalmente. En general, ML o PAF ofrecen los mejores resultados, dependiendo de si los datos se distribuyen normalmente o si se ha violado el supuesto de normalidad. [ 2 ]

Máxima verosimilitud (ML)

El método de máxima verosimilitud tiene muchas ventajas, ya que permite a los investigadores calcular una amplia gama de índices de bondad de ajuste del modelo, probar la significación estadística de las cargas factoriales, calcular correlaciones entre factores y calcular intervalos de confianza para estos parámetros. [ 6 ] ML es la mejor opción cuando los datos tienen una distribución normal porque “permite el cálculo de una amplia gama de índices de bondad de ajuste del modelo [y] permite probar la significación estadística de las cargas factoriales y las correlaciones entre factores, así como calcular intervalos de confianza”. [ 2 ]

Factorización de ejes principales (PAF)

Se denomina factorización de ejes principales porque el primer factor explica la mayor varianza común posible, el segundo factor la siguiente mayor varianza, y así sucesivamente. La factorización de ejes principales (FAP) es un procedimiento descriptivo, por lo que se recomienda usarla cuando el enfoque se centra únicamente en la muestra y no se planea generalizar los resultados más allá de ella. Una desventaja de la FAP es que proporciona un rango limitado de índices de bondad de ajuste en comparación con la máxima verosimilitud (ML) y no permite el cálculo de intervalos de confianza ni pruebas de significancia.

Seleccionar el número apropiado de factores

Al seleccionar cuántos factores incluir en un modelo, los investigadores deben tratar de equilibrar la parsimonia (un modelo con relativamente pocos factores) y la plausibilidad (que haya suficientes factores para explicar adecuadamente las correlaciones entre las variables medidas). [ 7 ]

La sobrefactorización se produce cuando se incluyen demasiados factores en un modelo y puede llevar a los investigadores a proponer constructos con poco valor teórico.

El subfactoreo se produce cuando se incluyen muy pocos factores en un modelo. Si no se incluyen suficientes factores, es probable que se produzca un error sustancial. Las variables medidas que se asocian a un factor no incluido en el modelo pueden asociarse erróneamente a factores que sí están incluidos, alterando así las cargas factoriales reales. Esto puede dar lugar a soluciones rotadas en las que dos factores se combinan en uno solo, ocultando la verdadera estructura factorial.

Existen diversos procedimientos diseñados para determinar el número óptimo de factores a retener en el análisis factorial exploratorio (AFE). En términos generales, la mayoría de los procedimientos existentes abordan la determinación del número apropiado de factores (1) mediante el análisis de los patrones de los valores propios de la matriz de covarianza, o (2) tratándolo como un problema de selección de modelos. [ 8 ] Los enfoques existentes incluyen: la regla de autovalor mayor que uno de Kaiser (1960) (o regla K1), [ 9 ] el gráfico de sedimentación de Cattell (1966) , [ 10 ] el criterio de estructura muy simple de Revelle y Rocklin (1979), [ 11 ] técnicas de comparación de modelos, [ 12 ] el factor de aceleración y las coordenadas óptimas de Raiche, Roipel y Blais (2006), [ 13 ] el parcial promedio mínimo de Velicer (1976), [ 14 ] el análisis paralelo de Horn (1965) y los datos de comparación de Ruscio y Roche (2012). [ 15 ] Estudios recientes de simulación que evalúan la robustez de tales técnicas sugieren que las últimas cinco pueden ayudar mejor a los profesionales a modelar datos de manera juiciosa. [ 15 ] Estas cinco técnicas modernas ahora son fácilmente accesibles mediante el uso integrado del software IBM SPSS Statistics (SPSS) y R (R Development Core Team, 2011). Véase Courtney (2013) [ 16 ] para obtener orientación sobre cómo llevar a cabo estos procedimientos para datos continuos, ordinales y heterogéneos (continuos y ordinales).

Con excepción del criterio de estructura muy simple de Revelle y Rocklin (1979), las técnicas de comparación de modelos y el promedio parcial mínimo de Velicer (1976), todos los demás procedimientos se basan en el análisis de valores propios. El valor propio de un factor representa la cantidad de varianza de las variables explicada por ese factor. Cuanto menor sea el valor propio, menos contribuye ese factor a explicar la varianza de las variables. [ 1 ]

A continuación se ofrece una breve descripción de cada uno de los nueve procedimientos mencionados anteriormente.

Regla de Kaiser (1960) sobre valores propios mayores que uno (K1 o criterio de Kaiser)

El criterio de Kaiser, que lleva el nombre del psicólogo estadounidense Henry Felix Kaiser , determina el número de factores calculando los autovalores de la matriz de correlación y contando cuántos de estos autovalores son mayores que 1. [ 9 ] Este número es la cantidad de factores que se incluirán en el modelo. Una desventaja de este procedimiento es que es bastante arbitrario (por ejemplo, un autovalor de 1,01 se incluye mientras que un autovalor de 0,99 no). Este procedimiento a menudo conduce a la sobrefactorización, y a veces a la infrafactorización, y se considera ampliamente subóptimo en comparación con métodos más modernos. [ 2 ] Se ha creado una variación del criterio K1 para disminuir la gravedad de los problemas del criterio, donde un investigador calcula intervalos de confianza para cada autovalor y retiene solo los factores cuyo intervalo de confianza completo es mayor que 1,0. [ 17 ] [ 18 ]

Gráfico de sedimentación de Cattell (1966)

Salida de SPSS del gráfico de sedimentación

Calcule los valores propios de la matriz de correlación y represente gráficamente los valores de mayor a menor. Examine la gráfica para determinar la última caída sustancial en la magnitud de los valores propios. El número de puntos representados antes de la última caída es el número de factores que se incluirán en el modelo. [ 10 ] Este método ha sido criticado debido a su naturaleza subjetiva (es decir, no existe una definición objetiva clara de lo que constituye una caída sustancial). [ 19 ] Dado que este procedimiento es subjetivo, Courtney (2013) no lo recomienda. [ 16 ]

Revelle y Rocklin (1979) estructura muy simple

El criterio VSS de Revelle y Rocklin (1979) operacionaliza esta tendencia evaluando hasta qué punto la matriz de correlación original se reproduce mediante una matriz de patrones simplificada, en la que solo se conserva la carga factorial más alta para cada ítem, estableciéndose todas las demás cargas en cero. El criterio VSS para evaluar el grado de replicación puede tomar valores entre 0 y 1, y es una medida de la bondad de ajuste de la solución factorial. El criterio VSS se obtiene a partir de soluciones factoriales que involucran un factor (k = 1) hasta un número máximo teórico de factores especificado por el usuario. Posteriormente, la solución factorial que proporciona el criterio VSS más alto determina el número óptimo de factores interpretables en la matriz. Para dar cabida a conjuntos de datos donde los ítems covarían con más de un factor (es decir, datos factorialmente más complejos), el criterio también puede llevarse a cabo con matrices de patrones simplificadas en las que se conservan las dos cargas factoriales más altas, estableciéndose el resto en cero (complejidad VSS máxima 2). Courtney tampoco recomienda VSS debido a la falta de investigación de simulación sólida sobre el rendimiento del criterio VSS. [ 16 ]

Técnicas de comparación de modelos

Seleccione el mejor modelo de entre una serie de modelos de diferente complejidad. Los investigadores utilizan medidas de bondad de ajuste para ajustar los modelos, comenzando con un modelo sin factores y aumentando gradualmente su número. El objetivo final es elegir un modelo que explique los datos significativamente mejor que los modelos más simples (con menos factores) y que los explique tan bien como los modelos más complejos (con más factores).

Existen diferentes métodos que se pueden utilizar para evaluar el ajuste del modelo: [ 2 ]

  • Estadístico de razón de verosimilitud: [ 20 ] Se utiliza para probar la hipótesis nula de que un modelo tiene un ajuste perfecto. Debe aplicarse a modelos con un número creciente de factores hasta que el resultado no sea significativo, lo que indica que el modelo no se rechaza como un buen ajuste de la población. Este estadístico debe usarse con un tamaño de muestra grande y datos con distribución normal. La prueba de razón de verosimilitud tiene algunas desventajas. Primero, cuando hay un tamaño de muestra grande, incluso pequeñas discrepancias entre el modelo y los datos resultan en el rechazo del modelo. [ 21 ] [ 22 ] [ 23 ] Cuando hay un tamaño de muestra pequeño, incluso grandes discrepancias entre el modelo y los datos pueden no ser significativas, lo que lleva a la subfactorización. [ 21 ] Otra desventaja de la prueba de razón de verosimilitud es que la hipótesis nula de ajuste perfecto es un estándar poco realista. [ 24 ] [ 25 ]
  • Índice de ajuste de error cuadrático medio de aproximación (RMSEA): El RMSEA es una estimación de la discrepancia entre el modelo y los datos por grado de libertad del modelo. Según las reglas generales, los valores menores de 0,05 constituyen un buen ajuste, los valores entre 0,05 y 0,08 constituyen un ajuste aceptable, los valores entre 0,08 y 0,10 constituyen un ajuste marginal y los valores mayores de 0,10 indican un ajuste deficiente. [ 25 ] [ 26 ] Una ventaja del índice de ajuste RMSEA es que proporciona intervalos de confianza que permiten a los investigadores comparar una serie de modelos con diferentes números de factores.
  • Criterios de información: Los criterios de información como el Criterio de Información de Akaike (AIC) o el Criterio de Información Bayesiano (BIC) [ 27 ] se pueden utilizar para equilibrar el ajuste del modelo con la complejidad del modelo y seleccionar un número óptimo de factores.
  • Errores de predicción fuera de muestra (PE): Utilizando la conexión entre las matrices de covarianza implícitas en el modelo y los pesos de regresión estandarizados, el número de factores se puede seleccionar utilizando errores de predicción fuera de muestra. [ 8 ] En otras palabras, el enfoque PE prueba la capacidad de un modelo factorial con k  factores para predecir puntuaciones en p  ítems en los encuestados no utilizados, utilizando la estructura de covarianza implícita en el modelo para derivar regresiones a nivel de ítem (por ejemplo, prediciendo el ítem i como una combinación lineal de todos los demás ítems, con coeficientes dados por la matriz de covarianza inversa), seleccionando el valor de k que mejor predice las puntuaciones de los ítems fuera de muestra. En un extenso estudio de simulación de 2022, Haslbeck y van Bork [ 8 ] encontraron que el método PE se compara favorablemente con los métodos existentes de mejor rendimiento (por ejemplo, análisis paralelo, análisis gráfico exploratorio, AIC).

Coordenada óptima y factor de aceleración

En un intento por superar la debilidad subjetiva de la prueba de scree de Cattell (1966), [ 10 ] [ 28 ] presentaron dos familias de soluciones no gráficas. El primer método, denominado coordenada óptima (CO), intenta determinar la ubicación del scree midiendo los gradientes asociados con los valores propios y sus coordenadas precedentes. El segundo método, denominado factor de aceleración (FA), se refiere a una solución numérica para determinar la coordenada donde la pendiente de la curva cambia más abruptamente. Ambos métodos han superado al método K1 en simulación. [ 15 ] En el estudio de Ruscio y Roche (2012), [ 15 ] el método CO fue correcto el 74,03% de las veces rivalizando con la técnica PA (76,42%). El método FA fue correcto el 45,91% de las veces con una tendencia a la subestimación. Los métodos OC y AF, generados mediante coeficientes de correlación de Pearson, fueron revisados ​​en el estudio de simulación de Ruscio y Roche (2012). Los resultados sugirieron que ambas técnicas funcionaron bastante bien con categorías de respuesta ordinales de dos a siete (C = 2-7) y datos cuasicontinuos (C = 10 o 20). Dada la precisión de estos procedimientos en la simulación, se recomiendan ampliamente para determinar el número de factores a retener en el EFA. Es uno de los 5 procedimientos modernos recomendados por Courtney. [ 16 ]

Prueba parcial promedio mínima (MAP) de Velicer

La prueba MAP de Velicer (1976) [ 14 ] “implica un análisis completo de componentes principales seguido del examen de una serie de matrices de correlaciones parciales” (p.  397). La correlación al cuadrado para el Paso “0” (véase la Figura 4) es la correlación al cuadrado promedio fuera de la diagonal para la matriz de correlación no parcializada. En el Paso 1, se eliminan el primer componente principal y sus elementos asociados. Posteriormente, se calcula la correlación al cuadrado promedio fuera de la diagonal para la matriz de correlación subsiguiente para el Paso 1. En el Paso 2, se eliminan los dos primeros componentes principales y se vuelve a calcular la correlación al cuadrado promedio fuera de la diagonal resultante. Los cálculos se realizan para k menos un pasos (k representa el número total de variables en la matriz). Finalmente, se alinean las correlaciones al cuadrado promedio para todos los pasos y el número de paso que resultó en la correlación parcial al cuadrado promedio más baja determina el número de componentes o factores a retener (Velicer, 1976). Mediante este método, los componentes se mantienen siempre que la varianza en la matriz de correlación represente varianza sistemática, en contraposición a la varianza residual o de error. Aunque metodológicamente similar al análisis de componentes principales, la técnica MAP ha demostrado ser bastante eficaz para determinar el número de factores a retener en múltiples estudios de simulación. [ 15 ] [ 29 ] Sin embargo, en una minoría muy pequeña de casos, MAP puede sobreestimar enormemente el número de factores en un conjunto de datos por razones desconocidas. [ 30 ] Este procedimiento está disponible a través de la interfaz de usuario de SPSS. Véase Courtney (2013) [ 16 ] para obtener orientación. Este es uno de sus cinco procedimientos modernos recomendados.

Análisis paralelo

Para realizar la prueba PA, los usuarios calculan los valores propios de la matriz de correlación y grafican los valores de mayor a menor, y luego grafican un conjunto de valores propios aleatorios. El número de valores propios antes de los puntos de intersección indica cuántos factores incluir en su modelo. [ 21 ] [ 31 ] [ 32 ] Este procedimiento puede ser algo arbitrario (es decir, un factor que justo cumple con el umbral se incluirá y uno que esté justo por debajo no). [ 2 ] Además, el método es muy sensible al tamaño de la muestra, y PA sugiere más factores en conjuntos de datos con tamaños de muestra más grandes. [ 33 ] A pesar de sus limitaciones, este procedimiento funciona muy bien en estudios de simulación y es uno de los procedimientos recomendados por Courtney. [ 16 ] PA se ha implementado en varios programas estadísticos de uso común como R y SPSS.

Datos comparativos de Ruscio y Roche

En 2012, Ruscio y Roche [ 15 ] introdujeron el procedimiento de datos comparativos (CD) en un intento por mejorar el método PA. Los autores afirman que "en lugar de generar conjuntos de datos aleatorios, que solo tienen en cuenta el error de muestreo , se analizan múltiples conjuntos de datos con estructuras factoriales conocidas para determinar cuál reproduce mejor el perfil de autovalores para los datos reales" (p.  258). La fortaleza del procedimiento radica en su capacidad para incorporar no solo el error de muestreo, sino también la estructura factorial y la distribución multivariada de los ítems. El estudio de simulación de Ruscio y Roche (2012) [ 15 ] determinó que el procedimiento CD superó a muchos otros métodos destinados a determinar el número correcto de factores a retener. En ese estudio, la técnica CD, utilizando correlaciones de Pearson, predijo con precisión el número correcto de factores el 87,14% de las veces. Sin embargo, el estudio simulado nunca incluyó más de cinco factores. Por lo tanto, la aplicabilidad del procedimiento CD para estimar estructuras factoriales más allá de cinco factores aún no se ha probado. Courtney incluye este procedimiento en su lista de recomendaciones y proporciona pautas que muestran cómo se puede llevar a cabo fácilmente desde la interfaz de usuario de SPSS. [ 16 ]

En 2023, Goretzko y Ruscio propusieron el Bosque de Datos de Comparación como una extensión del enfoque CD. [ 34 ]

Convergencia de múltiples pruebas

Una revisión de 60 artículos de revistas realizada por Henson y Roberts (2006) encontró que ninguno utilizó múltiples técnicas modernas en un intento de encontrar convergencia, como los procedimientos PA y MAP (mínimo promedio parcial) de Velicer (1976). El estudio de simulación de Ruscio y Roche (2012) demostró la ventaja empírica de buscar la convergencia. Cuando los procedimientos CD y PA coincidieron, la precisión del número estimado de factores fue correcta el 92,2% de las veces. Ruscio y Roche (2012) demostraron que cuando pruebas adicionales coincidieron, la precisión de la estimación podría incrementarse aún más. [ 16 ]

Estudios recientes de simulación en el campo de la psicometría sugieren que las técnicas de análisis paralelo, promedio parcial mínimo y datos comparativos pueden mejorarse para diferentes situaciones de datos. Por ejemplo, en estudios de simulación, el rendimiento de la prueba de promedio parcial mínimo, cuando se trata de datos ordinales, puede mejorarse utilizando correlaciones policóricas, en lugar de correlaciones de Pearson. Courtney (2013) [ 16 ] detalla cómo cada uno de estos tres procedimientos puede optimizarse y llevarse a cabo simultáneamente desde la interfaz de SPSS.

Rotación de factores

La rotación factorial es un paso comúnmente empleado en el AFE, utilizado para facilitar la interpretación de las matrices factoriales. [ 35 ] [ 36 ] [ 37 ] Para cualquier solución con dos o más factores, existe un número infinito de orientaciones de los factores que explicarán los datos igualmente bien. Dado que no existe una solución única, un investigador debe seleccionar una sola solución entre las infinitas posibilidades. El objetivo de la rotación factorial es rotar los factores en el espacio multidimensional para llegar a una solución con la mejor estructura simple, donde la estructura simple se refiere a una matriz factorial con m columnas en la que: [ 35 ]

  1. Cada fila (que denota las cargas de un solo elemento en todos los m factores) contiene al menos un cero.
  2. Cada columna (que indica las cargas de todos los ítems en un solo factor) contiene al menos m ceros.
  3. Todos los pares de columnas (es decir, factores) tienen varias filas (es decir, ítems) con una carga cero en una columna pero no en la otra (es decir, todos los pares de factores tienen varios ítems que pueden diferenciar los factores).
  4. Si m ≥ 4, todos los pares de columnas deben tener varias filas con ceros en ambas columnas.
  5. Todos los pares de columnas deben tener pocas filas con cargas distintas de cero en ambas columnas (es decir, debe haber pocos elementos con cargas cruzadas).

Existen dos tipos principales de rotación de factores: la rotación ortogonal y la rotación oblicua .

Rotación ortogonal

Las rotaciones ortogonales obligan a que los factores sean perpendiculares entre sí y, por lo tanto, no correlacionados . Una ventaja de la rotación ortogonal es su simplicidad y claridad conceptual, aunque presenta varias desventajas. En las ciencias sociales, suele existir una base teórica para esperar que los constructos estén correlacionados; por consiguiente, las rotaciones ortogonales pueden no ser muy realistas, ya que no permiten esta correlación. Además, dado que las rotaciones ortogonales requieren que los factores no estén correlacionados, es menos probable que produzcan soluciones con una estructura simple. [ 2 ]

La rotación Varimax es una rotación ortogonal de los ejes factoriales para maximizar la varianza de las cargas al cuadrado de un factor (columna) sobre todas las variables (filas) en una matriz factorial, lo que tiene el efecto de diferenciar las variables originales por factor extraído. Cada factor tenderá a tener cargas grandes o pequeñas para cualquier variable en particular. Una solución Varimax produce resultados que facilitan al máximo la identificación de cada variable con un solo factor. Esta es la opción de rotación ortogonal más común. [ 2 ]

La rotación Quartimax es una rotación ortogonal que maximiza las cargas al cuadrado para cada variable en lugar de para cada factor. Esto minimiza el número de factores necesarios para explicar cada variable. Este tipo de rotación suele generar un factor general en el que la mayoría de las variables se cargan en un grado alto o medio. [ 38 ]

La rotación equimax es un compromiso entre los criterios varimax y quartimax.

Rotación oblicua

Las rotaciones oblicuas permiten correlaciones entre factores. Una ventaja de la rotación oblicua es que produce soluciones con una mejor estructura simple cuando se espera que los factores estén correlacionados, y produce estimaciones de las correlaciones entre factores. [ 2 ] Estas rotaciones pueden producir soluciones similares a las de la rotación ortogonal si los factores no están correlacionados entre sí.

Se utilizan comúnmente varios procedimientos de rotación oblicua. La rotación oblicua directa es el método estándar. La rotación promax se observa con frecuencia en la literatura antigua debido a su facilidad de cálculo en comparación con la rotación oblicua. Otros métodos oblicuos incluyen la rotación quartimin directa y la rotación ortoblíquida de Harris-Kaiser. [ 2 ]

Solución sin rotación

El software común de análisis factorial puede generar una solución sin rotación. Esto se refiere al resultado de un análisis factorial de ejes principales sin rotación adicional. La denominada solución sin rotación es, de hecho, una rotación ortogonal que maximiza la varianza de los primeros factores. Esta solución tiende a generar un factor general con cargas para la mayoría de las variables. Esto puede ser útil si muchas variables están correlacionadas entre sí, como lo revelan uno o varios autovalores dominantes en un gráfico de sedimentación .

La utilidad de una solución sin rotación se puso de manifiesto en un metaanálisis de estudios sobre diferencias culturales. Este reveló que muchos estudios publicados sobre diferencias culturales habían arrojado resultados de análisis factorial similares, pero con rotaciones diferentes. La rotación factorial había enmascarado la similitud entre los resultados de distintos estudios y la existencia de un factor general fuerte, mientras que las soluciones sin rotación eran mucho más similares. [ 39 ] [ 40 ]

Interpretación de factores

Las cargas factoriales son valores numéricos que indican la fuerza y ​​la dirección de un factor sobre una variable medida. Indican la intensidad con la que el factor influye en la variable medida. Para identificar los factores en el modelo, los investigadores deben examinar el patrón factorial para determinar qué ítems tienen una alta carga en cada factor y, posteriormente, identificar las características comunes de dichos ítems. [ 2 ] Estas características comunes determinarán el significado del factor. La interpretación se ha considerado durante mucho tiempo una parte importante, aunque compleja, del proceso analítico. [ 41 ]

Sin embargo, si bien el análisis factorial exploratorio es una herramienta poderosa para descubrir estructuras subyacentes entre variables, es crucial evitar depender de él sin una teorización adecuada. La crítica de Armstrong [ 42 ] destaca que el AFE, cuando se realiza sin un marco teórico, puede conducir a interpretaciones erróneas. Por ejemplo, en un estudio de caso hipotético que involucra el análisis de diversas propiedades físicas de metales, los resultados del AFE no lograron identificar los verdaderos factores subyacentes, sino que produjeron un modelo "sobrefactorizado" que oscureció la simplicidad de las relaciones entre las variables observadas. De manera similar, los ítems de encuesta mal diseñados pueden conducir a estructuras factoriales espurias. [ 43 ]

Véase también

Referencias

  1. 1 2 3 4 Norris, Megan; Lecavalier, Luc (17 de julio de 2009). "Evaluación del uso del análisis factorial exploratorio en la investigación psicológica de la discapacidad del desarrollo". Journal of Autism and Developmental Disorders . 40 (1): 8– 20. doi : 10.1007/s10803-009-0816-2 . PMID 19609833. S2CID 45751299 .  
  2. 1 2 3 4 5 6 7 8 9 10 11 12 Fabrigar, Leandre R.; Wegener, Duane T.; MacCallum, Robert C.; Strahan, Erin J. (1 de enero de 1999). "Evaluación del uso del análisis factorial exploratorio en la investigación psicológica" (PDF) . Métodos psicológicos . 4 (3): 272– 299. doi : 10.1037/1082-989X.4.3.272 .
  3. ↑ Finch, JF; West, SG (1997). "La investigación de la estructura de la personalidad: modelos estadísticos". Journal of Research in Personality . 31 (4): 439– 485. doi : 10.1006/jrpe.1997.2194 .
  4. ↑ Worthington, Roger L.; Whittaker, Tiffany A J. (1 de enero de 2006). "Investigación sobre el desarrollo de escalas: un análisis de contenido y recomendaciones para las mejores prácticas". The Counseling Psychologist . 34 (6): 806– 838. doi : 10.1177/0011000006288127 . S2CID 146284440 . 
  5. ↑ Suhr, DD (2006). ¿Análisis factorial exploratorio o confirmatorio? (págs. 1-17). Cary: SAS Institute.
  6. ↑ Cudeck, R.; O'Dell, LL (1994). "Aplicaciones de estimaciones de error estándar en análisis factorial no restringido: pruebas de significancia para cargas factoriales y correlaciones". Psychological Bulletin . 115 (3): 475– 487. doi : 10.1037/0033-2909.115.3.475 . PMID 8016288 . 
  7. ↑ Fabrigar, Leandre R.; Wegener, Duane T. (12 de enero de 2012). Análisis factorial exploratorio . Oxford: Oxford University Press. ISBN 978-0-19-973417-7.
  8. 1 2 3 Haslbeck, Jonas MB; van Bork, Riet (febrero de 2024). "Estimación del número de factores en el análisis factorial exploratorio mediante errores de predicción fuera de la muestra" . Métodos Psicológicos . 29 (1): 48– 64. doi : 10.1037/met0000528 . ISSN 1939-1463 . PMID 36326634 .  
  9. 1 2 Kaiser, HF (1960). "La aplicación de computadoras electrónicas al análisis factorial". Educational and Psychological Measurement . 20 : 141–151 . doi : 10.1177/001316446002000116 . S2CID 146138712 . 
  10. 1 2 3 Cattell, RB (1966). La prueba de sedimentación para el número de factores. Investigación conductual multivariada, I, 245-276.
  11. ↑ Revelle, W.; Rocklin, T. (1979). "Procedimiento alternativo de estructura muy simple para estimar el número óptimo de factores interpretables". Multivariate Behavioral Research . 14 (4): 403– 414. doi : 10.1207/s15327906mbr1404_2 . PMID 26804437 . 
  12. ↑ Fabrigar, Leandre R.; Wegener, Duane T.; MacCallum, Robert C.; Strahan, Erin J. (1999). "Evaluación del uso del análisis factorial exploratorio en la investigación psicológica". Métodos Psicológicos . 4 (3): 272– 299. doi : 10.1037/1082-989X.4.3.272 .
  13. ↑ Raiche, G., Roipel, M., & Blais, JG|Soluciones no gráficas para la prueba de sedimentación de Cattell. Ponencia presentada en la Reunión Anual Internacional de la Sociedad Psicométrica, Montreal|fecha=2006|Recuperado el 10 de diciembre de 2012 de "Copia archivada" (PDF) . Archivado (PDF) del original el 21-10-2013 . Recuperado el 03-05-2013 .{{cite web}}: CS1 mantenimiento: copia archivada como título ( enlace )
  14. 1 2 Velicer, WF (1976). "Determinación del número de componentes a partir de la matriz de correlaciones parciales". Psychometrika . 41 (3): 321– 327. doi : 10.1007/bf02293557 . S2CID 122907389 . 
  15. 1 2 3 4 5 6 7 Ruscio, J.; Roche, B. (2012). "Determinación del número de factores a retener en un análisis factorial exploratorio utilizando datos comparativos de una estructura factorial conocida". Evaluación Psicológica . 24 (2): 282– 292. doi : 10.1037/a0025697 . PMID 21966933 . 
  16. 1 2 3 4 5 6 7 8 9 Courtney, MGR (2013). Determinación del número de factores a retener en el AFE: Uso del SPSS R-Menu v2.0 para realizar estimaciones más juiciosas. Practical Assessment, Research and Evaluation , 18(8). Disponible en línea: "Copia archivada" . Archivado del original el 17 de marzo de 2015. Recuperado el 8 de junio de 2014 .{{cite web}}: CS1 mantenimiento: copia archivada como título ( enlace )
  17. ↑ Larsen, R.; Warne, RT (2010). "Estimación de intervalos de confianza para valores propios en el análisis factorial exploratorio" . Behavior Research Methods . 42 (3): 871– 876. doi : 10.3758/BRM.42.3.871 . PMID 20805609 . 
  18. ↑ Warne, RT; Larsen, R. (2014). "Evaluación de una modificación propuesta de la regla de Guttman para determinar el número de factores en un análisis factorial exploratorio". Psychological Test and Assessment Modeling . 56 : 104–123 .
  19. ↑ Kaiser, HF (1970). "Un pequeño jiffy de segunda generación". Psychometrika . 35 (4): 401– 415. doi : 10.1007/bf02291817 . S2CID 121850294 . 
  20. ↑ Lawley, DN (1940). La estimación de las cargas factoriales mediante el método de máxima verosimilitud. Actas de la Real Sociedad de Edimburgo, 60A, 64-82.
  21. 1 2 3 Humphreys, LG; Montanelli, RG Jr (1975). "Una investigación del criterio de análisis paralelo para determinar el número de factores comunes". Multivariate Behavioral Research . 10 (2): 193– 205. doi : 10.1207/s15327906mbr1002_5 .
  22. ↑ Hakstian, AR; Rogers, WT; Cattell, RB (1982). "El comportamiento de las reglas de número de factores con datos simulados". Multivariate Behavioral Research . 17 (2): 193– 219. doi : 10.1207/s15327906mbr1702_3 . PMID 26810948 . 
  23. ↑ Harris, ML; Harris, CW (1 de octubre de 1971). "Una estrategia de interpretación del análisis factorial". Educational and Psychological Measurement . 31 (3): 589– 606. doi : 10.1177/001316447103100301 . S2CID 143515527 . 
  24. ↑ Maccallum, RC (1990). "La necesidad de medidas alternativas de ajuste en el modelado de estructuras de covarianza". Multivariate Behavioral Research . 25 (2): 157– 162. doi : 10.1207/s15327906mbr2502_2 . PMID 26794477 . 
  25. 1 2 Browne, MW; Cudeck, R. (1992). "Formas alternativas de evaluar el ajuste del modelo". Sociological Methods and Research . 21 (2): 230– 258. doi : 10.1177/0049124192021002005 . S2CID 120166447 . 
  26. ↑ Steiger, JH (1989). EzPATH: Un módulo suplementario para SYSTAT y sygraph. Evanston, IL: SYSTAT
  27. ↑ Neath, AA, & Cavanaugh, JE (2012). El criterio de información bayesiano: antecedentes, derivación y aplicaciones. Wiley Interdisciplinary Reviews: Computational Statistics, 4(2), 199-203.
  28. ^ Raiche, Roipel y Blais (2006)
  29. ↑ Garrido, LE, Abad, FJ, y Ponsoda, V. (2012). Una nueva perspectiva del análisis paralelo de Horn con variables ordinales. Psychological Methods. Publicación anticipada en línea. doi : 10.1037/a0030005
  30. ↑ Warne, RT; Larsen, R. (2014). "Evaluación de una modificación propuesta de la regla de Guttman para determinar el número de factores en un análisis factorial exploratorio". Psychological Test and Assessment Modeling . 56 : 104–123 .
  31. ↑ Horn, John L. (1 de junio de 1965). "Una justificación y prueba para el número de factores en el análisis factorial". Psychometrika . 30 ( 2): 179– 185. doi : 10.1007/BF02289447 . PMID 14306381. S2CID 19663974 .  
  32. ↑ Humphreys, LG; Ilgen, DR (1 de octubre de 1969). "Nota sobre un criterio para el número de factores comunes". Medición educativa y psicológica . 29 (3): 571– 578. doi : 10.1177/001316446902900303 . S2CID 145258601 . 
  33. ↑ Warne, RG; Larsen, R. (2014). "Evaluación de una modificación propuesta de la regla de Guttman para determinar el número de factores en un análisis factorial exploratorio". Psychological Test and Assessment Modeling . 56 : 104–123 .
  34. ↑ Goretzko, David; Ruscio, John (15 de junio de 2023). "El bosque de datos comparativos: un nuevo enfoque de datos comparativos para determinar el número de factores en el análisis factorial exploratorio" . Behavior Research Methods . 56 (3): 1838–1851 . doi : 10.3758/s13428-023-02122-4 . ISSN 1554-3528 . PMC 10991039. PMID 37382813 .   
  35. 1 2 Browne, Michael W. (enero de 2001). "Una visión general de la rotación analítica en el análisis factorial exploratorio". Multivariate Behavioral Research . 36 (1): 111– 150. doi : 10.1207/S15327906MBR3601_05 . S2CID 9598774 . 
  36. ↑ Sass, Daniel A.; Schmitt, Thomas A. (29 de enero de 2010). "Una investigación comparativa de los criterios de rotación dentro del análisis factorial exploratorio". Multivariate Behavioral Research . 45 (1): 73– 103. doi : 10.1080/00273170903504810 . PMID 26789085. S2CID 6458980 .  
  37. ↑ Schmitt, Thomas A.; Sass, Daniel A. (febrero de 2011). "Criterios de rotación y prueba de hipótesis para el análisis factorial exploratorio: implicaciones para las cargas de patrones factoriales y las correlaciones interfactoriales". Educational and Psychological Measurement . 71 (1): 95– 113. doi : 10.1177/0013164410387348 . S2CID 120709021 . 
  38. ↑ Neuhaus, Jack O; Wrigley, C. (1954). "El método Quartimax". British Journal of Statistical Psychology . 7 (2): 81– 91. doi : 10.1111/j.2044-8317.1954.tb00147.x .
  39. ↑ Fog, A. (2020). "Una prueba de la reproducibilidad de la agrupación de variables culturales". Investigación transcultural . 55 : 29–57 . doi : 10.1177/1069397120956948 . S2CID 224909443 . 
  40. ↑ "Examinando los factores en el cuestionario TIMSS australiano de 2015 para estudiantes de 4.º grado sobre actitudes hacia la ciencia utilizando análisis factorial exploratorio (AFE)" . Investigación académica norteamericana . 3 .
  41. ↑ Copeland, Herman A. (marzo de 1935). "Una nota sobre "Los vectores de la mente"." . Psychological Review . 42 (2): 216– 218. doi : 10.1037/h0057026 . ISSN 1939-1471 . 
  42. ↑ Armstrong, J. Scott (diciembre de 1967). "Derivación de la teoría mediante el análisis factorial o Tom Swift y su máquina eléctrica de análisis factorial". The American Statistician . 21 (5): 17– 21. doi : 10.1080/00031305.1967.10479849 . hdl : 1721.1/47256 .
  43. ↑ Maul, Andrew (3 de abril de 2017). "Repensando los métodos tradicionales de validación de encuestas". Measurement: Interdisciplinary Research and Perspectives . 15 (2): 51– 69. doi : 10.1080/15366367.2017.1348108 .
  • Buenas prácticas en el análisis factorial exploratorio: Cuatro recomendaciones para sacar el máximo provecho de su análisis. http://pareonline.net/pdf/v10n7.pdf
  • Wikiversidad: Análisis factorial exploratorio. http://en.wikiversity.org/wiki/Exploratory_factor_analysis
  • Tucker y MacCallum: Análisis factorial exploratorio. pdf