APUNTES: 01 análisis de confiabilidad y validez

Análisis de Confiabilidad y Validez
Resumen Se describe parte de la historia de la generación de las medidas de confiabilidad, y de los analisis factoriales. Se describe los procedimientos de analisis de los mismos para el paquete estadístico SPSS mediante el uso de Syntax, y se indican los criterios básicos de uso de ambos analisis con ejemplos. En particular, se utiliza el indicador de grado de identidad grupal religioso, utilizando los resultados del estudio “DIPUC: Jovenes, Cultura y Religion, 2007”, y la variable conservadurismo del mismo estudio. Finalmente, se resumen los diferentes criterios de retención y rechazo de items, bajo el marco de construcción de instrumentos para variables latentes de la teoría clásica de la medición.

1. Confiabilidad de las medidas En términos generales, la confiabilidad de las medidas producidas por instrumento consiste en que estas sean similares entre sí en diferentes momentos, de modo que cualquier variación observada en las medidas sea producto por un cambio en el atributo medido; y no por un factor diferente a este. La idea general de la confiabilidad de los instrumentos, en teoría clásica de la medición es considerar el “transient error”, que consiste en las variaciones de los resultados observados sobre un constructo, cuando se replica la medida en el tiempo, sobre un mismo sujeto (Schmidt, Le & Ilies, 2003). Existen, diferentes medidas de confiabilidad que se producen como coeficientes de correlacion, como por ejemplo: Coeficiente de estabilidad: Correlación entre dos medidas separadas en el tiempo Coeficiente de equivalencia: Correlación entre dos pruebas, aplicadas sobre el mismo grupo, que están basadas en el mismo contenido. Las estrategias anteriores de evaluación de confiabilidad, están basadas en poder administrar el instrumento dos veces; o tener dos formas “equivalentes” del instrumento y aplicarlas una sola vez. La pregunta entonces, es como calcular un indicador de confiabilidad, para medidas que se producen en una sola aplicación. ¿Cómo se obtiene un indicador de confiabilidad para una sola aplicación? Una de las formas de obtención de este indicador, consiste en el procedimiento del “splits half reliability”, o confiabilidad de las dos mitades. Se compara la correlación del conjunto de ítems de una prueba, por ejemplo, considerando los pares versus los impares.

dacarras@gmail.cl 20080721

APUNTES: 01 análisis de confiabilidad y validez El otro indicador de confiabilidad interna es el coeficiente Alpha; que fue diseñado por Cronbach, y resulta ser un indicador que es similar al promedio de todas las “splits halfs” para una prueba1. Cronbach (1951), introduce este método, debido a que el anterior posee una debilidad; los indicadores de splits half, no son independientes de las mitades elegidas; de hecho, dependiendo de cómo sea la selección de ambas mitades hay variabilidad entre los coeficientes producidos. Una manera más general de visualizar este aspecto, es que si uno tomara dos mitadas de items de una prueba, y los items “mas difíciles” quedasen acumulados en una de las mitades y no distribuidos en forma pareja; entonces, esto afectaría al coeficiente; debido a la composición de las mitades formadas (Cronbach, 1943).

Veamos como opera con un ejemplo.
Tomaremos primero como ejemplo, uno de las escalas más fiables que se encuentran en el instrumento DIPUC 2007, la escala de identidad religiosa. Considerando que el indicador alpha de consistencia interna, esta basado en la comparación de mitades, mediante el uso de correlación; existe una relación entre la matriz de correlaciones para los ítems, y los indicadores de confiabilidad. Si 3 ítems, estuvieran evaluando lo mismo, o al menos no pueden diferenciarse de evaluar un mismo atributo, esta condición podrá observarse mediante las correlaciones que presentan estos ítems. Tabla 1: Matriz de correlaciones de los ítems, escala identidad Religiosa DIPUC 2007
a Correlati ons

Idenrel1 ¿Cuánto te identif icas con esa religión? Idenrel1 ¿Cuánto te identif icas con esa religión? Idenrel2 ¿Cuán comprometido te sientes con esa religión? Pearson Correlation Sig. (2-tailed) Pearson Correlation Sig. (2-tailed) ,782** ,000 ,780** ,000 1

Idenrel2 ¿Cuán comprometi do te sientes con esa religión? ,782** ,000 1

Idenrel3 ¿Cuán importante es para ti esa religión? ,780** ,000 ,795** ,000

Idenrel3 ¿Cuán Pearson Correlation importante es para t i esa Sig. (2-tailed) religión? **. Correlation is signif icant at the 0.01 lev el (2-tailed). a. Listwise N=1340

,795** ,000

1

Los resultados observados por el análisis de confiabilidad realizado son los siguientes:

1

Nótese, que estos métodos de comparación son para instrumentos, que producen más de 2 valores (escalas de 3 o más niveles). Para el caso de ítems de respuestas dicotómicas (V ó F, si ó no, éxito o fracaso), se utilizan los coeficientes de Kuder Richardson, abreviados como KR 20 o KR21 según la variación de la formula (Manzi & San Martin, 2007).

dacarras@gmail.cl 20080721

1 0.7 0.3 0.8 100.8 0.1 0.0 a.4 0.95 Muy alto. Reliabi lity Statistics Cronbach's Alpha Based on St andardized Items .5 0.6 0. Listwise deletion based on all v ariables in the procedure.2 38. es que ésta es una escala que presenta alta consistencia interna.2 0.4 0. posible indicador de redundancia entre los items 1 1 dacarras@gmail. lo que nos señalan estos resultados.5 0.8 0.917 Cronbach's Alpha .9 MEDIO GRANDE Criterios de Aceptacion de confiabilidad No aceptable No aceptable No aceptable No aceptable No aceptable No aceptable Exploratorio Bueno y Aceptable Bueno Excelente IDEAL (muy difícil de obtener) Criterios de Aceptacion según Wikiversity OK Bueno Muy bueno Excelente <0.2 0.7 0. es decir que si estos tres ítems se encontraran midiendo lo mismo.APUNTES: 01 análisis de confiabilidad y validez Case Processing Summary Cases Valid Excludeda Total N 1340 850 2190 % 61.cl 20080721 .916 N of Items 3 En términos generales.9 Cronbach’s Alpha 0 0. los tamaños de alpha se leen igual que los coeficientes de correlación: rpearson PEQUEÑO 0 0.3 0. Por convención. lo están haciendo de manera muy similar.6 0.

De esta forma. y solo la piensen en términos didácticos – por ahora.834 0. puede ser “explicada” por una variable no observable. entonces podría ser posible modelar todas estas correlaciones y condensarlas en un vector (i. era que en la época de los test de inteligencia. de la Teoría Clásica de la Medición. Esto se diagrama usualmente de la siguiente manera: 2 Lamentablemente esta historia que he creado aun no la puedo documentar debidamente con referencias. y todas estas miden lo mismo.cl 20080721 . No obstante. no obstante he cruzado un par de ideas como esta con algunos profesores. de la cual se producen todos estos procedimientos.883 0.917 3 Esto nos permite observar la confiabilidad interna de la escala (α=0. de forma directa. dacarras@gmail. existían – y existen – diferentes instrumentos que reclaman medir atributos similares. pueden ser documentados de la siguiente manera: Item-Total Statistics Corrected Item-Total Correlation Cronbach's Alpha if Item Deleted Reliability Statistics Cronbach's Alpha Based on Standardized Items varname items ¿Cuánto te identificas con Idenrel1 esa religión? ¿Cuán comprometido te Idenrel2 sientes con esa religión? ¿Cuán importante es para ti Idenrel3 esa religión? Cronbach's Alpha N of Items 0. la cual no ha sido evaluada con un ningún reactivo de forma particular. y cuales son las correlaciones ítem-total de los ítems.835 0. o más de un vector.916). lo que permite evaluar es si un conjunto de medidas observadas. Análisis Factorial y dimensionalidad El análisis factorial. para esta selección de los mismos. propuso el análisis factorial para evaluar dimensionalidad de medidas. que alpha se obtendría si se eliminara el ítem. y ninguno me ha refutado estas ideas. 3. 2. Spearman.876 0. El problema al cual se enfrentaba Spearman. llamada variable latente. si se observa la matriz de correlaciones de un conjunto de medidas. No basta solo con medidas que posean consistencia interna2 Ahora.824 0. el numero de ítems que la componen.APUNTES: 01 análisis de confiabilidad y validez Los resultados obtenidos.e.876 0.916 0. prefiero que desestimen la calidad de esta información hasta que no se encuentre debidamente documentada. o el mismo atributo. una línea).

que en conjunto.5 3. El propósito general del análisis factorial.00 2. y otra lo que se quiere explicar (la matriz de correlaciones de diferentes medias. No obstante. que permitan finalmente hacer más interpretable los resultados (wikiversity). cruzados por identidad religiosa son los siguientes: 7. no hay muchas diferencias sustantivas entre los 3 items. sino que dada una matriz de correlaciones. y por otro lado. mi impresión con usuario. es reducir medidas observadas en medidas que se encuentren altamente relacionadas. y no por una interpretación absoluta (Darlington. 2001).5 2. explanans y explanandum (Cornejo. por esta variable latente. no adhiero a la idea de que “la variable latente” produce la matriz de correlaciones.cl 20080721 . el factor que indica a la variable latente de interés.5 5.00 Value Label catolico practicante catolico observ ante catolico nominal N 583 414 116 Como puede observarse. los resultados descriptivos de estas tres preguntas.0 2. se puede utilizar a la variable latente para explicar esos resultados.APUNTES: 01 análisis de confiabilidad y validez Cada uno de los factores se produce. 3 La descripción del analisis factorial. Veamoslo con un ejemplo. es un procedimiento de modelamiento de datos3.0 4.5 6. s. como un modelamiento de datos. es decir un constructo como es el de nivel de identidad grupal. En términos meta teóricos la distinción. pueden ser modelados a su vez.f). es si un conjunto de medidas observadas convergen o no en este vector. como el explanandum). pudiera ser matemáticamente poco correcta. la creación de esta misma escala esta dirigida a evaluar una variable latente particular.0 3.0 1.0 5.5 1.5 4.0 catolico practicante catolico observante catolico nominal ¿Cuánto te identificas con esa religión? ¿Cuán comprometido te sientes con esa religión? ¿Cuán importante es para ti esa religión? Esto resultados son las medias observadas para los tres grupos de católicos. es que el analisis factorial se produce por los datos observados.00 3.0 6. que nos entrega como producto. que tienen esta cantidad de participantes por grupo: Between-Subjects Factors Reli6b Solo católicos 1. es decir. dacarras@gmail. para estas preguntas. En otras palabras. El análisis factorial. mediante la medida de diferentes reactivos. una cosa es lo que se ocupa para explicar (la variable latente como explanans). es decir por una interpretación heurística de los resultados.

525 Factor 1 2 3 Total 2.688 85. Las comunalidades observadas son altas (sobre 0.APUNTES: 01 análisis de confiabilidad y validez Para el caso de nuestra escala de identidad al realizar un análisis factorial.688 7. El modelo de análisis factorial utilizado para los siguientes resultados es un análisis factorial exploratorio.458 93.792 Extraction Method: Principal Axis Factoring.854 100.696 .cl 20080721 .206 Extraction Method: Principal Axis Factoring.5). utilizando el tipo de extracción “principal axis factoring” y el método de rotación “varimax”.698 . Total Variance Explained Initial Eigenv alues % of Variance Cumulativ e % 85.525 78.571 . nos permite mostrar como un solo factor explica gran parte de la varianza observada (el conjunto de desviaciones observadas de los puntajes).796 .356 78. y nos indican que gran parte de la varianza observada puede ser “explicada” por el factor extraído.224 . La siguiente tabla nos indica que al menos 85% de la varianza de las preguntas. es explicada por un solo factor.146 6.680 Extraction . El syntax de este analisis es el siguiente: syntax FACTOR /VARIABLES idenrel1 idenrel2 idenrel3 /MISSING LISTWISE /ANALYSIS idenrel1 idenrel2 idenrel3 /PRINT INITIAL EXTRACTION ROTATION /PLOT EIGEN ROTATION /CRITERIA MINEIGEN(1) ITERATE(25) /EXTRACTION PAF /CRITERIA ITERATE(25) /ROTATION VARIMAX /METHOD=CORRELATION .000 Extraction Sums of Squared Loadings Total % of Variance Cumulativ e % 2. dacarras@gmail. Communalities Initial Idenrel1 ¿Cuánto t e identif icas con esa religión? Idenrel2 ¿Cuán comprometido te sientes con esa religión? Idenrel3 ¿Cuán importante es para ti esa religión? .768 .

Esta nos entrega los “factor loading” de cada uno de los ítems. Con todo esto. El syntax para esto puede ser: syntax compute idenrel = mean (Idenrel1.cl 20080721 . y crear una nueva variable que será interpretada como la variable latente.APUNTES: 01 análisis de confiabilidad y validez El scree Plot. a. En este ejemplo. dacarras@gmail. implica mayor identificación con el grupo. 1 f actors extracted. donde mayor puntaje. permite discriminar cuantos factores pueden explicar la matriz de correlaciones.876 .890 Extract ion Method: Principal Axis Factoring. permite realizar la prueba que propuso Catell (1966). 6 iterations required. en el output se produce la siguiente tabla: Factor Matrixa Factor 1 Idenrel1 ¿Cuánto te identif icas con esa religión? Idenrel2 ¿Cuán comprometido te sientes con esa religión? Idenrel3 ¿Cuán importante es para t i esa religión? . los cuales son similares a las correlaciones de cada uno de los ítems con el vector del factor. hay un solo factor a extraer. execute . sobre el factor.892 . Idenrel2. Idenrel3) . a partir de las primeras preguntas. que graficando los Eigen Values obtenidos por los vectores posibles del análisis. se interpreta mediante cuantos quiebres se observan o codos de las línea producida en el scree. podemos entonces computar un indicador de “nivel de identidad religiosa” a partir de estas preguntas. La cantidad de vectores a extraer. Y finalmente.

443 1 0. y que ha presentado buenos resultados.9. 3.135 0. no obstante no todos los grupos de ítems que pretenden medir una misma cosa se comportan de esta forma. El caso de Conservadurismo: Análisis de confiabilidad no siempre se suficiente En términos generales.151 0.369 0..346 0. Un caso más complicado.338 0.739 Cronbach's Alpha .527 0. producir análisis de regresión.7.510 0. 1.2. conserva2 Las nuevas ideas y estilos de vida están debilitando nuestra sociedad.8. aprovechando la varianza y continuidad producida por la pro mediación de medidas Likert.311 0.350 0..280 0.6. es el caso de la escala de Conservadurismo.443 0. pues los valores de esta variable ya no son solo discretos (1.346 0. 2. 6. 1 0.280 1 dacarras@gmail.4. conserva3 Nuestro país estaría mucho mejor si se le diera más importancia a la religión.196 0. conserva6 Cuando las cosas están bien. interpretar tres preguntas que apuntan hacia lo mismo en una misma dirección b. no hay para qué cambiarlas.8 2. Reliabi lity Statistics Cronbach's Alpha Based on St andardized Items .510 0.135 0. conserva4 Este país tiene problemas porque todos los días están tratando de cambiar algo.311 0..369 0..216 0.738 N of Items 6 Al observar la matriz de correlaciones de los ítems que componen esta escala se observa algo que llama la atención: Inter-Item Correlation Matrix conserva1 conserva2 conserva3 conserva4 conserva5 conserva6 conserva1 Este país tendría muchos menos problemas si se fortaleciera más la familia. Listwise deletion based on all v ariables in the procedure. conserva5 Este país estaría mejor si se valorara cómo se hacían las cosas en el pasado. 7).151 0.220 0. 6.350 0.196 0.527 1 0.220 0.cl 20080721 . sino pseudo continuos (1.7).411 1 0.APUNTES: 01 análisis de confiabilidad y validez La variable producida ahora nos permite dos cosas: a. . 4.338 1 0.411 0. Esto funciona así con una escala que fue construida sin grandes problemas. 1. al evaluar consistencia interna los ítems que componen a esta escala se observan buenos resultados: Case Processing Summary Cases Valid Excludeda Total N 2141 49 2190 % 97.216 0.0 a.2 100.

trata de entregar la menor cantidad de factores que explican la mayor cantidad de varianza para una matriz de correlaciones en particular. En otras palabras.895 41. el análisis factorial con rotación de “principal axis factoring” busca estimar los factores que explican la matriz de correlaciones libres de error.695 . si las hubiera.290 . que hemos realizado.17 19. dacarras@gmail. conserva6 Cuando las cosas están bien.76 20.APUNTES: 01 análisis de confiabilidad y validez Hay al menos 3 ítems. conserva2 Las nuevas ideas y estilos de vida están debilitando nuestra sociedad. 5.909 Al observar las correlaciones ítem test. conserva5 Este país estaría mejor si se valorara cómo se hacían las cosas en el pasado. hay un ítem en particular que es menos homogéneo al conjunto de los otros ítems. con respecto a las correlaciones observadas.711 .358 .14 20.569 . no hay para qué cambiarlas. sin excluir el error (Kline. que correlacionan bajo 0.130 Cronbach's Alpha if Item Deleted .610 36.698 . cuantas variables latentes se pueden producir para un conjunto de datos observados.561 . conserva4 Este país tiene problemas porque todos los días están tratando de cambiar algo.307 Squared Multiple Correlation . Dimensionalidad de la escala de Conservadurismo: ¿2 factores? El análisis factorial exploratorio. Scale Mean if Item Deleted 18.914 36.287 . y estimar estos mismos factores para una población general. Lo siguiente a observar.671 .cl 20080721 .013 42.441 . 1994).239 39.495 .58 Scale Variance if Item Deleted 42. que modela el conjunto de componentes que explican toda la variación de una matriz de correlaciones.62 19.44 20. sirve para identificar.674 .270 . si la escala se encuentra bien compuesta son las correlaciones item-test.749 Item-Total Statistics conserva1 Este país tendría muchos menos problemas si se fortaleciera más la familia. Corrected Item-Total Correlation . conserva3 Nuestro país estaría mucho mejor si se le diera más importancia a la religión.3 con los otros 3 ítems que presentan correlaciones sobre 0.411 .4 entre sí. En particular es el ítem que presenta menor correlación ítem-test. A diferencia del análisis factorial de componentes principales.489 .

sugiere algo similar: Una manera un poco más radical de observar el efecto de esta convergencia o no de los ítems. producido es el siguiente: dacarras@gmail.APUNTES: 01 análisis de confiabilidad y validez Al aplicar este método sobre la escala de conservadurismo sucede lo siguiente: El scree test. en dimensionalidad. es realizar un análisis factorial sobre dos escalas.cl 20080721 . sugiere más de un factor. con una que sepamos que funciona bien. Por otro lado. El factor Plot. el factor Plot.

a 0. La matriz rotada de factor loading. es que ítems que poseen buenos factor loading sobre un factor.577021 0.114065 0.251567 0. Con los tres últimos ítems. como lo son la familia. centrados en los ámbitos de prioridad de los valores conservadores. dacarras@gmail.APUNTES: 01 análisis de confiabilidad y validez Lo que nos muestra este grafico. no hay para qué cambiarlas. conserva2 Las nuevas ideas y estilos de vida están debilitando nuestra sociedad. sugiere dos factores para estos 6 ítems. conserva5 Este país estaría mejor si se valorara cómo se hacían las cosas en el pasado. Rotated Factor Matrix(a) Factor 1 conserva1 Este país tendría muchos menos problemas si se fortaleciera más la familia. centrados en el componente del cambio. Para este tipo de casos. conserva4 Este país tiene problemas porque todos los días están tratando de cambiar algo. conserva3 Nuestro país estaría mucho mejor si se le diera más importancia a la religión. y los tres primeros ítems. básicamente se posicionan sobre el factor en el espacio factorial.210103 0.24902 0. Extraction Method: Principal Axis Factoring. conserva6 Cuando las cosas están bien.434063 Rotation converged in 3 iterations.634404 0. el estilo de vida y la religión. Rotation Method: Varimax with Kaiser Normalization.363208 0.092402 2 0.581899 0.673781 0.cl 20080721 .759441 0. es donde entra el criterio.

si operáramos bajo el criterio de correlación ítem test.441 Extraction Method: Principal Axis Factoring. es el “conservadurismo” a secas.500 8.393 9. Considerando que la variable latente de interés.916 38.311 Factor 1 2 3 4 5 Total 2.APUNTES: 01 análisis de confiabilidad y validez 6.572 . elegimos el segundo modelo.802 23. el resultado sería el siguiente: Factor Conservadurismo ítems conserva1 conserva2 conserva3 conserva4 conserva5 alpha 0.081 . reteniendo los primeros 5 ítems. se explica cerca del 62% (44% el primer factor.012 62.436 Extraction Method: Principal Axis Factoring.529 .020 12. y porque su exclusión aumenta la dimensionalidad dacarras@gmail. y nos quedáramos solo con los 5 primeros ítems. Pero con el segundo modelo de un solo factor.813 92.954 .623 91.cl 20080721 .008 18. ¿Uno o dos factores de conservadurismo? Los análisis de confiabilidad de estos dos pares de tríos.802 1.564 10.373 74.008 44.000 Extraction Sums of Squared Loadings Total % of Variance Cumulat iv e % 2.187 8.531 .813 100.502 . se explica cerca del 50% de la varianza: Total Variance Explained Initial Eigenv alues % of Variance Cumulativ e % 50.260 100.116 35.311 38. sobre los 5 ítems retenidos.084 69.269 .799 43.572 .428 23. y rechazando el ítem 6 (conserva6) por baja correlación ítem test.188 19.332 43.269 35.601 Factor 1 2 3 4 5 6 Total 2.740 7.048 19. son los siguientes: Factor Ámbitos primordiales Cambio ítems conserva1 conserva2 conserva3 conserva4 conserva5 conserva6 alpha 0.640 1.533 83.000 Extraction Sums of Squared Loadings Total % of Variance Cumulativ e % 1.601 Rotation Sums of Squared Loadings Total % of Variance Cumulat iv e % 1.132 11.048 50. Con el primer modelo de 2 factores.734 0.750 Lo cual aumenta la confiabilidad interna de la escala.742 . y 18% el segundo factor) de la varianza observada: Total Variance Explained Initial Eigenv alues % of Variance Cumulat iv e % 44.431 80.926 8.609 Por otro lado.

Finalmente el objetivo de evaluar empíricamente la confiabilidad y dimensionalidad de un conjunto de ítems. que constructo pudiera estar siendo evaluado).048 0. conserva5) .cl 20080721 . se presento el caso. 1 o más factores para un mismo conjunto de ítems) Interpretabilidad de los factores (i. Durante e l proceso de análisis de escalas nos encontraremos con altas que presentan buenos niveles de Alpha (0. y unidmensionalidad. Esta supone que los ítems que convergen en un mismo factor. execute . conserva3. y lo que consistentemente aumenta también la confiabilidad del indicador a producir. no decide por si solo. conserva2. con respecto al constructo de interés (i. es decir la convergencia de las 5 medidas en una sola dimensión factorial. RELIABILITY /VARIABLES= conserva1 conserva2 conserva3 conserva4 conserva5 /SCALE('ALL VARIABLES') ALL/MODEL=ALPHA /STATISTICS=DESCRIPTIVE SCALE CORR /SUMMARY=TOTAL . cuantas variables latentes a considerar. la variable latente). son buenas medidas directas para evaluar la variable latente de interés. y que sin embargo no son unidimensionales. dacarras@gmail.e. Por otro lado.e. y puede que a pesar de presentar medidas altamente correlacionadas.7). durante el proceso de selección y retención de ítems de un instrumento. no estén evaluando un mismo constructo. el indicador sería el siguiente: Compute del indicador conservadurismo alpha Variance Explained (Initial EigenValues) 50. De esta forma. es decir.APUNTES: 01 análisis de confiabilidad y validez de la escala. FACTOR /VARIABLES conserva1 conserva2 conserva3 conserva4 conserva5 /MISSING LISTWISE /ANALYSIS conserva1 conserva2 conserva3 conserva4 conserva5 /PRINT INITIAL EXTRACTION ROTATION /PLOT EIGEN ROTATION /CRITERIA MINEIGEN(1) ITERATE(25) /EXTRACTION PAF /CRITERIA ITERATE(25) /ROTATION VARIMAX /METHOD=CORRELATION . de cómo el análisis factorial.750 syntax compute conserv = mean (conserva1. conserva4. el cual sería nuestro constructor de interés. la validez en términos de que un conjunto de ítems se encuentre “evaluando lo mismo” mediante la prueba de análisis factorial. la cual ojalá se encuentre libre de contaminación con respecto a otros constructos. tratando de mostrar como la confiablidad no es necesariamente lo mismo que la dimensionalidad de los resultados. Conclusión Se han revisado los análisis de confiabilidad de los ítems de nivel de identificación. y de conservadurismo. responde a la producción de escalas que presenten alta o aceptable confiabilidad.e. y que esta selección se sirve de diferentes criterios: Confiabilidad de los items seleccionados Correlaciones ítem test Factor Loadings Estructura factorial (i.

así como la validez predictiva y la validez incremental.APUNTES: 01 análisis de confiabilidad y validez Nos quedan pendientes los temas de matrices de validez convergente y discriminate de mediante la matriz de multirazgo y multi método Campbell & Fiske (1959). para lograr la validación de instrumentos.cl 20080721 . dacarras@gmail.

(1994). Psychometrika.W. & San Martin. 1. (2001).psych. The scree test for the number of factors. Vigotski y Maturana: Tres voces. An easy guide to Factor Analysis. Remus Ilies (2003). L. Vol. D. 16 (2). Cronbach.8. (1959). No. dacarras@gmail. Marzo-Mayo). Psychological Methods. Multivariate Behavioral Research. (1966). Disponible en: http://www. Piaget. Cronbach. D. Santiago. P. "Beyond alpha: An empirical examination of the effects of different sources of measurement error on reliability estimates for measures of individual-differences constructs. Darlington. 245-76. Coefficient alpha and the internal structure of tests.T. J. On estimates of test reliability. Vol. (1943). Kline. 485-494. Cátedra impartida al Programa de Magister de Psicología de la Pontificia Universidad Católica de Chile. R.APUNTES: 01 análisis de confiabilidad y validez Referencias Frank L. Campbell. y Fiske.f.". Psykhe. (1951). Londres: Routledge.cl 20080721 . Cattell. 56. E. (s. 34 (4). Huy Le. R. Convergent and discriminant validation by the multitraitmultimethod matrix.) Factor Analysis. 297-334. J. Chile.edu/Darlington/factor. 81-105.B. Schmidt. J. Manzi. 10. Psychological Bulletin. dos constructivismos. (2) 87-96.cornell. Extraído el 21 de Julio de 2008. (2007. The Journal of Educational Psychology. 2. C. L.htm Cornejo. Construcción de instrumentos de medición en psicología y educación.

1 Principal components (PC) dacarras@gmail.5.1 2-d  5.5.6 Summary  16 Extraction method o 16.1 Items  15 Assumption testing o 15.3 Essential facial features  8 Problems  9 Exploratory vs.2 Cluster o 5.wikiversity.2 CFA = Confirmatory Factor Analysis  10 Data reduction  11 Steps  12 Garbage In .1.1 Some guidelines  13.1 LOM o 15.5.2 Normality o 15.1 EFA = Exploratory Factor Analysis o 9.cl 20080721 .org/wiki/Exploratory_factor_analysis/Lecture_notes < Exploratory factor analysis Jump to: navigation.1 Intelligence o 7.4 Outliers o 15.2 Anti-image correlation matrix  15.5 Factorability  15.3 Linearity o 15. Confirmatory Factor Analysis o 9.Garbage Out  13 Assumption testing o 13.1.2 Comrey and Lee (1992)  14 Example factor analysis .Classroom behaviour o 14.1.1 Correlations  15. 2008 Contents [hide]  1 Notes  2 What is factor analysis?  3 Purposes  4 History  5 Conceptual models o 5. search Psychometric instrument development: Part I: Exploratory factor analysis by James Neill.APUNTES: 01 análisis de confiabilidad y validez ANEXO :Exploratory factor analysis/Lecture notes From Wikiversity http://en.2 3-d  6 Factor analysis process  7 Examples of psychological factor structures o 7.3 Measures of sampling adequacy o 15.2 Personality o 7.1 Sample size  13.1.1 Hierarchical  5.

APUNTES: 01 análisis de confiabilidad y validez 16.2 Why rotate a factor loading matrix? o 23.Condom use  31 Summary o 31.  Involves empirical testing of theoretical data structures Purposes [edit] There are two main applications of factor analytic techniques.  Groups of related variables are called 'factors'.3 Total variance explained  17 Communalities  18 Eigen values  19 Explained variance  20 How many factors?  21 Scree plot  22 Initial solution .edu.4 Rotation  32 Factor analysis in practice  33 See also Notes [edit] These lecture notes:  were converted from .odp to mediawiki syntax.net) What is factor analysis? [edit]  A multivariate statistical technique for identifying clusters of inter-correlated variables (or 'factors'). Factor analysis is commonly used in psychometric instrument development.3 Type of FA o 31.1 Two basic types o 23.Unrotated factor structure  23 Rotation o 23.Exploratory factor analysis (ucspace. to classify variables.canberra.cl 20080721 .au)  Exploratory factor analysis (slideshare. provide slide text only) To see an embedded version of this presenation:  Lecture .  A family of techniques to examine linear correlations amongst variables.1 Assumptions o 31. and  detect structure in the relationships between variables.  subsequently copyedited and further wikified (ongoing)  do not yet include all: o images o additional notes (i. to:  reduce the number of variables. that is. o o dacarras@gmail. 1992)  30 Example .3 Orthogonal versus oblique rotations  24 Factor structure  25 How do I eliminate items?  26 How many items per factor?  27 Interpretability  28 Factor loadings & item selection  29 Factor loading guidelines (Comrey & Lee.  Aim is to identify groups of variables which are relatively homogeneous..e.2 Steps o 31.2 Principal axis factoring (PAF) 16.

related factors. As variables are reduced to factors. 1994).. In present day." (from http://www.g. development of 10..APUNTES: 01 análisis de confiabilidad y validez History [edit]  Invented by Spearman (1904)  Usage was hampered by onerousness of hand calculation  Since the advent of computers.  Verbal  Mathematical  Interpersonal. 12 items testing might actually tap only 3 underlying factors dacarras@gmail.cl 20080721 .. e.html) Terminology was introduced by http://www.000s+ of psychological screening & measurement tests  IQ -is it separate but multiple.org/papers/fehringer. factor analysis is a process by which large clusters and grouping of data are replaced and represented by factors in the equation.or is it one global factor (g)? . esp.g.statsoft. there was little widespread use due largely in part to the immense amount of hand calculations required to determine accurate results. 1994). the power of super computers makes the use of factor analysis a simplistic process compared to the 1900's when only the devoted researchers could use it to accurately attain results (Goldberg & Digman. In the early stages of the process' development. .or is it hierarchically structured?  "Introduced and established by Pearson in 1901 and Spearman three years thereafter.. relationships between the factors begin to define the relationships in the variables they represent (Goldberg & Digman.g.. to develop:  Theory-e. Later on a mathematical foundation would be developed aiding in the process and contributing to the later popularity of the methodology.html Thurstone (1931) -  Conceptual models [edit] Here are some visual ways of conceptualising factor analytic models: 2-d [edit] Hierarchical [edit] 1.. etc.. usage has thrived.personalityresearch. e..g. A simple factor analytic model (2-d) .com/textbook/stfacan.. determining the structure of personality  Practice-e. often spanning periods of several months..

.  Verbal  Mathematical  Interpersonal. to reduce complexity in the data. factors? e. or 5.g. i. Figure 2. 2003) (gif/html). 3-d [edit] 1.or is it hierarchically structured? Personality [edit] Personality – does it consist of 2..APUNTES: 01 análisis de confiabilidad y validez 2.1 (DeCoster.or is it one global factor (g)? . 16. etc. 3...  A major purpose of factor analysis is data reduction.? . to distinguish between clusters. e. the “Big 5”?  Neuroticism  Extraversion  Agreeableness  Openness  Conscientiousness dacarras@gmail.e. etc. 1998) (pdf) Cluster [edit] 1.... Factor analysis uses correlations among many items to search for common clusters.g..cl 20080721 . and to identify and eliminate irrelevant or indistinct (overlapping) items. Figure 3 (Clemants & Moore.Exploratory factor analysis is a tool to help a researcher ‘throw a hoop’ around clusters of related items. by identifying underlying (latent) clusters of association.. Examples of psychological factor structures [edit] Intelligence [edit] IQ – does intelligence consist of separate factors. Factor analysis process [edit]  FA can be conceived of as a method for examining a matrix of correlations in search of clusters of highly correlated variables.

Problems [edit] Problems with factor analysis include:  Mathematically complicated  Technical vocabulary  Results usually absorb a dozen or so pages  Students do not ordinarily learn factor analysis  Lay people find the results incomprehensible “The very power of FA to create apparent order from real chaos contributes to its somewhat tarnished reputation as a scientific tool” .g.cl 20080721 .. simple structure.hawaii.edu/powerkills/UFA. and communality. Its technical vocabulary includes strange terms such as eigenvalues. loadings. orthogonal. and policy-makers find the nature and significance of the results incomprehensible.APUNTES: 01 análisis de confiabilidad y validez Essential facial features [edit] Six orthogonal factors. items which are highly correlated are unnecessary) o unclear variables . items which don’t load cleanly on a single factor) o irrelevant variables . and the sum is the major cost of factor analysis: most laymen..g.g.(e. Confirmatory Factor Analysis [edit] EFA = Exploratory Factor Analysis [edit]  explores & summarises underlying correlational structure for a data set CFA = Confirmatory Factor Analysis [edit]  tests the correlational structure of a data set against a hypothesised structure and rates the 'goodness of fit' Data reduction [edit]  Simplifies data by revealing a smaller number of underlying factors  Helps to eliminate: o redundant variables .(e. Add to this the fact that students do not ordinarily learn factor analysis in their formal training. rotate. variables which have low loadings) dacarras@gmail. social scientists.(e. Its results usually absorb a dozen or so pages in a given report.Tabachnick & Fidell (2001) “It is mathematically complicated and entails diverse and numerous considerations in application.” Rummell http://www. represent 76. leaving little room for a methodological introduction or explanation of terms.HTM Exploratory vs.5 % of the total variability in facial recognition (in order of importance):  upper-lip  eyebrow-position  nose-width  eye-position  eye/eyebrow-length  face-width.

g. Control ↔ no control 9. Items [edit] 1.. I would ideally have at least 400 cases (1:20)  Total N > 200 preferable Comrey and Lee (1992) [edit]  50 = very poor..Garbage Out [edit] Assumption testing [edit] Sample size [edit] Some guidelines [edit]  Min. Relates warmly to others ↔ provocative.Classroom behaviour [edit]  Based on Francis Section 5.  15 classroom behaviours of high-school children were rated by teachers using a 5point scale. Cannot concentrate ↔ can concentrate 2. if I have 20 variables.6. I should have at least 100 cases (1:5)  Ideal N > 20 cases per variable o e. Curious & enquiring ↔ little curiousity 3. if I have 20 variables. Irritable ↔ even-tempered 5.  300 = good. N > 5 cases per variable o e. which is based on the Victorian Quality Schools Project (google search).cl 20080721 .  Task: Identify groups of variables (behaviours) that are strongly inter-related & represent underlying factors. Persistent ↔ easily frustrated dacarras@gmail. of factors  Identify which items belong in each factor  Drop items as necessary and repeat steps 3 to 4  Name and define factors  Examine correlations amongst factors  Analyse internal reliability Garbage In .  100 = poor.APUNTES: 01 análisis de confiabilidad y validez Steps [edit]  Test assumptions  Select type of analysis  Extraction (PC/PAF)  Rotation (Orthogonal/Oblique)  Determine no. Easily upset ↔ contented 8.  500 = very good  1000+ = excellent Example factor analysis . Patient ↔ demanding 7.g.disruptive 10. Perseveres ↔ lacks perseverance 4. Easily excited ↔ not easily excited 6.  200 = fair.

i.5 should be excluded from the analysis -they lack sufficient correlation with other variables Measures of sampling adequacy [edit]  Quickest method.e. Normality [edit]  FA is robust to assumptions of normality(if the variables are normally distributed then the solution is enhanced) Linearity [edit]  Because FA is based on correlations between variables. they should be ratio/metric data or at least Likert data with several interval levels.correlation matrix is factorable if: dacarras@gmail.cl 20080721 . garbage out Anti-image correlation matrix [edit]  Anti-image: Medium effort.30 -if not. Mahalanobis' distance)  Identify outliers. how suitable is the data for factor analysis?)  Check correlation matrix for correlations over .e. check scatterplots) Outliers [edit]  FA is sensitive to outlying cases  Bivariate outliers(e.g. reasonably accurate  Examine the diagonals on the anti-image correlation matrix to assess the sampling adequacy of each variable  Variables with diagonal anti-image correlations of less that .5  Check measures of sampling adequacy (MSAs)  Bartlett's  KMO Correlations [edit]  The most manual and time consuming but thorough and accurate way to examine the factorability of a correlation matrix is simply to examine each correlation in the correlation matrix  Take note whether there are SOME correlations over . 12. reconsider doing an FA-remember garbage in. it is important to check there are linear relations amongst the variables (i... 13. but least reliable  Global diagnostic indicators .e. 14. check scatterplots)  Multivariate outliers (e.g. Difficult ↔ easy Restless ↔ relaxed Lively ↔ settled Purposeful ↔ aimless Cooperative ↔ disputes Assumption testing [edit] LOM [edit]  All variables must be suitable for correlational analysis..3  Check the anti-image matrix for diagonals over . then remove or transform Factorability [edit]  It is important to check the factorability of the correlation matrix (i. 15...APUNTES: 01 análisis de confiabilidad y validez 11.

5?  Is Bartlett's test significant?  Is KMO > .e.3?  Are the anti-image matrix diagonals > .5 Summary [edit]  Are there several correlations > .  It's a good idea to check your solution using both techniques  If you get a different solution between the two methods try to work out why and decide on which solution is more appropriate Communalities [edit]  The proportion of variance in each variable which can be explained by the factors  Communality for a variable = sum of the squared loadings for the variable on each of the factors  Communalities range between 0 and 1  High communalities (> .5) mean there is considerable variance unexplained by the factors extracted  May then need to extract MORE factors to explain the variance Eigen values [edit]  EV = sum of squared correlations for each factor  EV = overall strength of relationship between a factor and the variables  Successive EVs have lower values  Eigen values over 1 are 'stable' Explained variance [edit]  A good factor solution is one that explains the most variance with the fewest factors  Realistically happy with 50-75% of the variance explained dacarras@gmail. leaves out unique variance) Total variance explained [edit]  Often there is little difference in the solutions for the two procedures.APUNTES: 01 análisis de confiabilidad y validez   Bartlett's test of sphericity is significant and/or Kaiser-Mayer Olkin (KMO) measure of sampling adequacy > .cl 20080721 .6?(depends on whose rule of thumb) Extraction method [edit] There are two main approaches to EFA based on:  Analysing only shared variancePrinciple Axis Factoring (PAF)  Analysing all variancePrinciple Components (PC) Principal components (PC) [edit]  More common  More practical  Used to reduce data to a set of factor scores for use in other analyses  Analyses all the variance in each variable Principal axis factoring (PAF) [edit]  Used to uncover the structure of an underlying set of p original variables  More theoretical  Analyses only shared variance(i.5) show that the factors extracted explain most of the variance in the variables being analysed  Low communalities (< .5 to .

Rotation [edit] Two basic types [edit]  Orthogonal (Varimax): Minimises factor covariation...  All variables will tend to load strongly on the 1st factor  Factors are made up of linear combinations of the variables (max. considering:  Theory -what is predicted/expected?  Eigen Values > 1? (Kaiser's criterion)  Scree Plot -where does it drop off?  Interpretability of last factor?  Try several different solutions?  Factors must be able to be meaningfully interpreted & make theoretical sense?  Aim for 50-75% of variance explained with 1/4 to 1/3 as many factors as variables/items. dacarras@gmail.. Second factor extracted:  orthogonal to first factor . poss.  1st factor explains the most variance  Last factor explains the least amount of variance  Factor loadings (FLs) indicate the relative importance of each item to each factor.APUNTES: 01 análisis de confiabilidad y validez How many factors? [edit] A subjective process . each factor tries “selfishly― to grab maximum unexplained variance. Seek to explain maximum variance using fewest factors.cl 20080721 .  Rotation of the FL matrix helps to find a more interpretable factor structure. produces factors which are uncorrelated  Oblique (Oblimin): allows factors to covary.  Stop extracting factors when they no longer represent useful/meaningful clusters of variables  Keep checking/clarifying the meaning of each factor and its items. sum of squared rs for each variable) Initial solution . allows correlations between factors.  In the initial solution.seeks to maximize its own eigen value (i.e.  Look for point where additional factors fail to add appreciably to the cumulative explained variance. Scree plot [edit]  A bar graph of Eigen Values  Depicts the amount of variance explained by each factor. tries to gobble up as much of the remaining unexplained variance as possible)  Vectors = lines of best fit  Seldom see a simple unrotated factor structure  Many variables will load on 2 or more factors  Some variables may not load highly on any factors  Until the FLs are rotated. they are difficult to interpret.Unrotated factor structure [edit] 1st factor extracted:  best possible line of best fit through the original variables  seeks to explain maximum overall variance  a single summary of the main variance in set of items  Each subsequent factor tries to maximise the amount of unexplained variance which it can explain.

 There may be more than one good solution! e.APUNTES: 01 análisis de confiabilidad y validez Why rotate a factor loading matrix? [edit]  After rotation. o 2 factor model of personality o 5 factor model of personality o 16 factor model of personality dacarras@gmail.g.3?)  Meaning of item (face validity)  Contribution it makes to the factor  Eliminate 1 variable at a time. Each factor has two or more strong loadings 3. Most factor loadings are either high or low with few of intermediate value (Loadings of > +. the vectors (lines of best fit) are rearranged to optimally go through clusters of shared variance  Then the FLs and the factor they represent can be more readily interpreted  A rotated factor structure is simpler & more easily interpretable  each variable loads strongly on only one factor  each factor shows at least 3 strong loadings  all loading are either strong or weak.32 then go with oblique rotation (>10% shared variance between factors) Factor structure [edit] Factor structure is most interpretable when: 1. then re-run.40 are generally OK) How do I eliminate items? [edit] A subjective process. = 2  Recommended min. Each variable loads strongly on only one factor 2. watch out for 'seeing what you want to see' when factor analysis evidence might suggest a different solution. no intermediate loadings Orthogonal versus oblique rotations [edit]  Think about purpose of factor analysis  Try both  Consider interpretability  Look at correlations between factors in oblique solution .  Be guided by theory and common sense in selecting factor structure. = 3  Max. but consider:  Size of main loading (min=.  However.4)  Size of cross loadings (max=..cl 20080721 . before deciding which/if any items to eliminate next  Number of items already in the factor How many items per factor? [edit]  Bare min.if >. = unlimited  More items o -> greater reliability o -> more 'roundedness' o -> Law of diminishing returns  Typically = 4 to 10 is reasonable Interpretability [edit]  You must be able to understand and interpret a factor if you're going to extract it.

Each variable loads strongly on only one factor (strong is > +.40).very good  > . 3. Each factor shows 3 or more strong loadings. Most loadings are either high or low. computing composite scores for another analysis (uses all variance)  PAF for theoretical data exploration (uses shared variance)  Try both ways -are solutions different? dacarras@gmail.g.  PC FA with a varimax rotation. These elements give a 'simple' factor structure. few intermediate values.cl 20080721 .APUNTES: 01 análisis de confiabilidad y validez Factor loadings & item selection [edit] A factor structure is most interpretable when: 1.  FA analyses and summarises correlations amongst items  These common clusters (the factors) can be used as summary indicators of the underlying construct Assumptions [edit]  5+ cases per variables (ideal is 20 per)  N > 200  Outliers  Factorability of correlation matrix  Normality enhances the solution Steps [edit]  Communalities  Eigen Values & % variance  Scree Plot  Number of factors extracted  Rotated factor loadings  Theoretical underpinning Type of FA [edit]  PC vs.32 .poor Example .good  > .63 .fair  > . more = greater reliability. 2.45 .excellent  > . 1992) [edit] Loadings:  > .55 .  Three distinct factors were extracted: o 'Appropriation' o 'Sexually Transmitted Diseases' o 'Partners' Disapproval' Summary [edit]  Factor analysis is a family of multivariate correlational data analysis methods for summarising clusters of covariance.Condom use [edit]  The Condom Use Self-Efficacy Scale (CUSES) was administered to 447 multicultural college students. 4. PAF  PC for data reduction e..70 . Factor loading guidelines (Comrey & Lee.

g. 5. 3. try out each combination of  PC-varimax  PC-oblimin  PAF-varimax  PAF-oblimin The above methods would then be commonly tried out on a range of possible/likely factors. for 2.. 6. and 7 factors  Try different numbers of factors  Try orthogonal & oblimin solutions  Try eliminating poor items  Conduct reliability analysis  Check factor structure across sub-groups if sufficient data  You will probably come up with a different solution from someone else! No. of factors to extract?  Inspect EVs .APUNTES: 01 análisis de confiabilidad y validez Rotation [edit]  Rotation  orthogonal -perpendicular vectors  oblique -angled vectors  Try both ways -are solutions different? Factor analysis in practice [edit] To find a good solution.cl 20080721 .look for > 1  % of variance explained  Inspect scree plot  Communalities  Interpretability  Theoretical reason dacarras@gmail. e. most researchers. 4.

Sign up to vote on this title
UsefulNot useful