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

7 0. es decir que si estos tres ítems se encontraran midiendo lo mismo.0 a. Por convención.cl 20080721 .1 0.95 Muy alto. posible indicador de redundancia entre los items 1 1 dacarras@gmail.8 100.4 0. los tamaños de alpha se leen igual que los coeficientes de correlación: rpearson PEQUEÑO 0 0.4 0.3 0.5 0. es que ésta es una escala que presenta alta consistencia interna.2 38.7 0.APUNTES: 01 análisis de confiabilidad y validez Case Processing Summary Cases Valid Excludeda Total N 1340 850 2190 % 61. lo están haciendo de manera muy similar.3 0.2 0.8 0. Listwise deletion based on all v ariables in the procedure. Reliabi lity Statistics Cronbach's Alpha Based on St andardized Items .5 0.6 0.2 0.8 0.6 0.916 N of Items 3 En términos generales.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. lo que nos señalan estos resultados.9 Cronbach’s Alpha 0 0.1 0.917 Cronbach's Alpha .

y cuales son las correlaciones ítem-total de los ítems.876 0. Spearman. de la Teoría Clásica de la Medición.824 0.916 0. existían – y existen – diferentes instrumentos que reclaman medir atributos similares. dacarras@gmail.cl 20080721 . llamada variable latente. y ninguno me ha refutado estas ideas. y solo la piensen en términos didácticos – por ahora. si se observa la matriz de correlaciones de un conjunto de medidas. era que en la época de los test de inteligencia. prefiero que desestimen la calidad de esta información hasta que no se encuentre debidamente documentada. No basta solo con medidas que posean consistencia interna2 Ahora. propuso el análisis factorial para evaluar dimensionalidad de medidas. El problema al cual se enfrentaba Spearman. de forma directa. puede ser “explicada” por una variable no observable. 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. y todas estas miden lo mismo. no obstante he cruzado un par de ideas como esta con algunos profesores.876 0. o el mismo atributo. de la cual se producen todos estos procedimientos. que alpha se obtendría si se eliminara el ítem. Esto se diagrama usualmente de la siguiente manera: 2 Lamentablemente esta historia que he creado aun no la puedo documentar debidamente con referencias.917 3 Esto nos permite observar la confiabilidad interna de la escala (α=0.835 0. una línea). o más de un vector.e.834 0. 2. 3.916). No obstante.883 0. entonces podría ser posible modelar todas estas correlaciones y condensarlas en un vector (i. Análisis Factorial y dimensionalidad El análisis factorial. lo que permite evaluar es si un conjunto de medidas observadas.APUNTES: 01 análisis de confiabilidad y validez Los resultados obtenidos. la cual no ha sido evaluada con un ningún reactivo de forma particular. De esta forma. el numero de ítems que la componen. para esta selección de los mismos.

0 3. el factor que indica a la variable latente de interés.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.00 2. como un modelamiento de datos.5 2.cl 20080721 . para estas preguntas. no adhiero a la idea de que “la variable latente” produce la matriz de correlaciones.0 5. 2001). una cosa es lo que se ocupa para explicar (la variable latente como explanans). es decir por una interpretación heurística de los resultados.f). es decir. y no por una interpretación absoluta (Darlington. No obstante.0 1.5 4. cruzados por identidad religiosa son los siguientes: 7. El análisis factorial. dacarras@gmail.5 6. pueden ser modelados a su vez. los resultados descriptivos de estas tres preguntas. mediante la medida de diferentes reactivos. En términos meta teóricos la distinción.5 3. Veamoslo con un ejemplo. mi impresión con usuario. que nos entrega como producto. que en conjunto. es si un conjunto de medidas observadas convergen o no en este vector. es reducir medidas observadas en medidas que se encuentren altamente relacionadas. por esta variable latente. explanans y explanandum (Cornejo. 3 La descripción del analisis factorial.APUNTES: 01 análisis de confiabilidad y validez Cada uno de los factores se produce. sino que dada una matriz de correlaciones. que permitan finalmente hacer más interpretable los resultados (wikiversity).5 1.0 2. s. es decir un constructo como es el de nivel de identidad grupal.00 3. es un procedimiento de modelamiento de datos3. como el explanandum). se puede utilizar a la variable latente para explicar esos resultados.00 Value Label catolico practicante catolico observ ante catolico nominal N 583 414 116 Como puede observarse.0 6. y otra lo que se quiere explicar (la matriz de correlaciones de diferentes medias. El propósito general del análisis factorial. y por otro lado.0 4. es que el analisis factorial se produce por los datos observados. no hay muchas diferencias sustantivas entre los 3 items.5 5. En otras palabras. la creación de esta misma escala esta dirigida a evaluar una variable latente particular. que tienen esta cantidad de participantes por grupo: Between-Subjects Factors Reli6b Solo católicos 1. pudiera ser matemáticamente poco correcta.

688 85.APUNTES: 01 análisis de confiabilidad y validez Para el caso de nuestra escala de identidad al realizar un análisis factorial.146 6. dacarras@gmail. es explicada por un solo factor. nos permite mostrar como un solo factor explica gran parte de la varianza observada (el conjunto de desviaciones observadas de los puntajes).688 7.cl 20080721 .792 Extraction Method: Principal Axis Factoring.000 Extraction Sums of Squared Loadings Total % of Variance Cumulativ e % 2.224 .796 .525 78.854 100.5). Total Variance Explained Initial Eigenv alues % of Variance Cumulativ e % 85. 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? .458 93.696 . Las comunalidades observadas son altas (sobre 0.356 78.698 . La siguiente tabla nos indica que al menos 85% de la varianza de las preguntas. y nos indican que gran parte de la varianza observada puede ser “explicada” por el factor extraído. El modelo de análisis factorial utilizado para los siguientes resultados es un análisis factorial exploratorio.571 .680 Extraction . utilizando el tipo de extracción “principal axis factoring” y el método de rotación “varimax”.206 Extraction Method: Principal Axis Factoring. 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 .768 .525 Factor 1 2 3 Total 2.

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

739 Cronbach's Alpha .151 0. conserva3 Nuestro país estaría mucho mejor si se le diera más importancia a la religión.196 0.6.411 1 0.280 1 dacarras@gmail.135 0. El caso de Conservadurismo: Análisis de confiabilidad no siempre se suficiente En términos generales. 1.510 0.346 0.220 0. Reliabi lity Statistics Cronbach's Alpha Based on St andardized Items .135 0.443 1 0.2. 2.411 0.338 1 0. conserva2 Las nuevas ideas y estilos de vida están debilitando nuestra sociedad.216 0.280 0.338 0. 3.369 0..8 2.510 0.4. 1 0. Listwise deletion based on all v ariables in the procedure.9. 6.527 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.350 0. 6.2 100.311 0.cl 20080721 . 4..220 0. no obstante no todos los grupos de ítems que pretenden medir una misma cosa se comportan de esta forma. conserva6 Cuando las cosas están bien.151 0. interpretar tres preguntas que apuntan hacia lo mismo en una misma dirección b. .369 0. 7).0 a.7).196 0. conserva5 Este país estaría mejor si se valorara cómo se hacían las cosas en el pasado.346 0.APUNTES: 01 análisis de confiabilidad y validez La variable producida ahora nos permite dos cosas: a.216 0.527 1 0.311 0. aprovechando la varianza y continuidad producida por la pro mediación de medidas Likert.. producir análisis de regresión.350 0. Esto funciona así con una escala que fue construida sin grandes problemas. Un caso más complicado.7. sino pseudo continuos (1. pues los valores de esta variable ya no son solo discretos (1.. conserva4 Este país tiene problemas porque todos los días están tratando de cambiar algo.8. 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 % 97.443 0. 1. es el caso de la escala de Conservadurismo. no hay para qué cambiarlas. y que ha presentado buenos resultados.

que modela el conjunto de componentes que explican toda la variación de una matriz de correlaciones.APUNTES: 01 análisis de confiabilidad y validez Hay al menos 3 ítems. Lo siguiente a observar. el análisis factorial con rotación de “principal axis factoring” busca estimar los factores que explican la matriz de correlaciones libres de error.489 . conserva4 Este país tiene problemas porque todos los días están tratando de cambiar algo.4 entre sí.569 . conserva2 Las nuevas ideas y estilos de vida están debilitando nuestra sociedad.270 . sirve para identificar.698 . En particular es el ítem que presenta menor correlación ítem-test. 5. A diferencia del análisis factorial de componentes principales.411 .3 con los otros 3 ítems que presentan correlaciones sobre 0. si las hubiera. con respecto a las correlaciones observadas. trata de entregar la menor cantidad de factores que explican la mayor cantidad de varianza para una matriz de correlaciones en particular.695 .441 .013 42. cuantas variables latentes se pueden producir para un conjunto de datos observados.358 .62 19.495 . hay un ítem en particular que es menos homogéneo al conjunto de los otros ítems.914 36. dacarras@gmail. 1994). si la escala se encuentra bien compuesta son las correlaciones item-test.287 .895 41. En otras palabras.239 39.58 Scale Variance if Item Deleted 42. sin excluir el error (Kline.307 Squared Multiple Correlation .cl 20080721 .711 . Scale Mean if Item Deleted 18.44 20.14 20. que hemos realizado. Dimensionalidad de la escala de Conservadurismo: ¿2 factores? El análisis factorial exploratorio.674 .130 Cronbach's Alpha if Item Deleted . conserva3 Nuestro país estaría mucho mejor si se le diera más importancia a la religión. Corrected Item-Total Correlation .671 .76 20.610 36.290 . no hay para qué cambiarlas. conserva5 Este país estaría mejor si se valorara cómo se hacían las cosas en el pasado.17 19. y estimar estos mismos factores para una población general.749 Item-Total Statistics conserva1 Este país tendría muchos menos problemas si se fortaleciera más la familia. conserva6 Cuando las cosas están bien.909 Al observar las correlaciones ítem test. que correlacionan bajo 0.561 .

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

conserva6 Cuando las cosas están bien.210103 0.251567 0. a 0. centrados en los ámbitos de prioridad de los valores conservadores.092402 2 0.24902 0.673781 0.APUNTES: 01 análisis de confiabilidad y validez Lo que nos muestra este grafico.759441 0. conserva2 Las nuevas ideas y estilos de vida están debilitando nuestra sociedad. conserva4 Este país tiene problemas porque todos los días están tratando de cambiar algo. es que ítems que poseen buenos factor loading sobre un factor. Para este tipo de casos. Con los tres últimos ítems.434063 Rotation converged in 3 iterations. La matriz rotada de factor loading.581899 0. centrados en el componente del cambio. conserva3 Nuestro país estaría mucho mejor si se le diera más importancia a la religión. el estilo de vida y la religión.363208 0. no hay para qué cambiarlas. sugiere dos factores para estos 6 ítems.634404 0. 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.cl 20080721 . dacarras@gmail. y los tres primeros ítems. es donde entra el criterio.114065 0. como lo son la familia.577021 0. Rotation Method: Varimax with Kaiser Normalization. Extraction Method: Principal Axis Factoring. básicamente se posicionan sobre el factor en el espacio factorial.

sobre los 5 ítems retenidos.799 43.572 .601 Factor 1 2 3 4 5 6 Total 2.311 Factor 1 2 3 4 5 Total 2.742 .609 Por otro lado.012 62.572 .020 12.084 69.564 10. si operáramos bajo el criterio de correlación ítem test.393 9.000 Extraction Sums of Squared Loadings Total % of Variance Cumulativ e % 1.000 Extraction Sums of Squared Loadings Total % of Variance Cumulat iv e % 2. y nos quedáramos solo con los 5 primeros ítems. y rechazando el ítem 6 (conserva6) por baja correlación ítem test.cl 20080721 .531 . y porque su exclusión aumenta la dimensionalidad dacarras@gmail.740 7.533 83.813 92.441 Extraction Method: Principal Axis Factoring.529 .623 91.640 1.008 44. el resultado sería el siguiente: Factor Conservadurismo ítems conserva1 conserva2 conserva3 conserva4 conserva5 alpha 0.436 Extraction Method: Principal Axis Factoring.502 .734 0. Con el primer modelo de 2 factores. y 18% el segundo factor) de la varianza observada: Total Variance Explained Initial Eigenv alues % of Variance Cumulat iv e % 44. ¿Uno o dos factores de conservadurismo? Los análisis de confiabilidad de estos dos pares de tríos.916 38. es el “conservadurismo” a secas. Pero con el segundo modelo de un solo factor.081 . son los siguientes: Factor Ámbitos primordiales Cambio ítems conserva1 conserva2 conserva3 conserva4 conserva5 conserva6 alpha 0.802 23.750 Lo cual aumenta la confiabilidad interna de la escala.188 19.008 18.269 35.260 100. reteniendo los primeros 5 ítems.601 Rotation Sums of Squared Loadings Total % of Variance Cumulat iv e % 1.373 74.048 19.116 35.132 11.431 80.187 8.048 50.926 8. se explica cerca del 62% (44% el primer factor. Considerando que la variable latente de interés.332 43.813 100.311 38.269 .954 .APUNTES: 01 análisis de confiabilidad y validez 6.500 8. elegimos el segundo modelo.802 1. se explica cerca del 50% de la varianza: Total Variance Explained Initial Eigenv alues % of Variance Cumulativ e % 50.428 23.

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

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. dacarras@gmail.cl 20080721 .

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

1.Classroom behaviour o 14.3 Linearity o 15.1 Correlations  15.APUNTES: 01 análisis de confiabilidad y validez ANEXO :Exploratory factor analysis/Lecture notes From Wikiversity http://en.wikiversity.5. search Psychometric instrument development: Part I: Exploratory factor analysis by James Neill.5.1 Intelligence o 7.1.2 CFA = Confirmatory Factor Analysis  10 Data reduction  11 Steps  12 Garbage In .2 Personality o 7.4 Outliers o 15.cl 20080721 .5.5 Factorability  15.1 2-d  5.3 Measures of sampling adequacy o 15.1 Principal components (PC) dacarras@gmail.1 Some guidelines  13.2 Normality o 15.1 EFA = Exploratory Factor Analysis o 9.6 Summary  16 Extraction method o 16.2 Cluster o 5.1 Hierarchical  5.2 3-d  6 Factor analysis process  7 Examples of psychological factor structures o 7.1 Items  15 Assumption testing o 15.3 Essential facial features  8 Problems  9 Exploratory vs.1.1.2 Anti-image correlation matrix  15.1 Sample size  13. Confirmatory Factor Analysis o 9.1 LOM o 15.2 Comrey and Lee (1992)  14 Example factor analysis .Garbage Out  13 Assumption testing o 13. 2008 Contents [hide]  1 Notes  2 What is factor analysis?  3 Purposes  4 History  5 Conceptual models o 5.org/wiki/Exploratory_factor_analysis/Lecture_notes < Exploratory factor analysis Jump to: navigation.

1 Assumptions o 31.3 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.1 Two basic types o 23.APUNTES: 01 análisis de confiabilidad y validez 16.4 Rotation  32 Factor analysis in practice  33 See also Notes [edit] These lecture notes:  were converted from .2 Why rotate a factor loading matrix? o 23.3 Total variance explained  17 Communalities  18 Eigen values  19 Explained variance  20 How many factors?  21 Scree plot  22 Initial solution .  A family of techniques to examine linear correlations amongst variables.2 Principal axis factoring (PAF) 16.odp to mediawiki syntax..edu.2 Steps o 31. provide slide text only) To see an embedded version of this presenation:  Lecture . that is.3 Type of FA o 31.Unrotated factor structure  23 Rotation o 23.Exploratory factor analysis (ucspace.  Groups of related variables are called 'factors'.cl 20080721 .Condom use  31 Summary o 31.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.  subsequently copyedited and further wikified (ongoing)  do not yet include all: o images o additional notes (i. 1992)  30 Example .au)  Exploratory factor analysis (slideshare.  Involves empirical testing of theoretical data structures Purposes [edit] There are two main applications of factor analytic techniques.canberra. to:  reduce the number of variables. and  detect structure in the relationships between variables. o o dacarras@gmail. to classify variables.e.  Aim is to identify groups of variables which are relatively homogeneous.

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

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

social scientists.” Rummell http://www.APUNTES: 01 análisis de confiabilidad y validez Essential facial features [edit] Six orthogonal factors. Its technical vocabulary includes strange terms such as eigenvalues.g. rotate. and communality. loadings. and the sum is the major cost of factor analysis: most laymen. Add to this the fact that students do not ordinarily learn factor analysis in their formal training. Its results usually absorb a dozen or so pages in a given report.(e.. represent 76.5 % of the total variability in facial recognition (in order of importance):  upper-lip  eyebrow-position  nose-width  eye-position  eye/eyebrow-length  face-width.hawaii. 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 . variables which have low loadings) dacarras@gmail.Tabachnick & Fidell (2001) “It is mathematically complicated and entails diverse and numerous considerations in application.g. simple structure. leaving little room for a methodological introduction or explanation of terms.(e. items which don’t load cleanly on a single factor) o irrelevant variables .HTM Exploratory vs. items which are highly correlated are unnecessary) o unclear variables . and policy-makers find the nature and significance of the results incomprehensible.g. 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” .edu/powerkills/UFA.(e.cl 20080721 . orthogonal..

.g.Garbage Out [edit] Assumption testing [edit] Sample size [edit] Some guidelines [edit]  Min. Persistent ↔ easily frustrated dacarras@gmail. Easily upset ↔ contented 8.disruptive 10.  300 = good. Cannot concentrate ↔ can concentrate 2. Control ↔ no control 9.cl 20080721 .. I should have at least 100 cases (1:5)  Ideal N > 20 cases per variable o e. which is based on the Victorian Quality Schools Project (google search). Perseveres ↔ lacks perseverance 4. Patient ↔ demanding 7.Classroom behaviour [edit]  Based on Francis Section 5.  15 classroom behaviours of high-school children were rated by teachers using a 5point scale. Curious & enquiring ↔ little curiousity 3.APUNTES: 01 análisis de confiabilidad y validez Steps [edit]  Test assumptions  Select type of analysis  Extraction (PC/PAF)  Rotation (Orthogonal/Oblique)  Determine no. if I have 20 variables.g. I would ideally have at least 400 cases (1:20)  Total N > 200 preferable Comrey and Lee (1992) [edit]  50 = very poor.  100 = poor. Items [edit] 1. if I have 20 variables. Easily excited ↔ not easily excited 6.  Task: Identify groups of variables (behaviours) that are strongly inter-related & represent underlying factors. 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 . Irritable ↔ even-tempered 5.6. Relates warmly to others ↔ provocative.  500 = very good  1000+ = excellent Example factor analysis .  200 = fair. N > 5 cases per variable o e.

5 should be excluded from the analysis -they lack sufficient correlation with other variables Measures of sampling adequacy [edit]  Quickest method. garbage out Anti-image correlation matrix [edit]  Anti-image: Medium effort.g.e.. 15.. 13. Difficult ↔ easy Restless ↔ relaxed Lively ↔ settled Purposeful ↔ aimless Cooperative ↔ disputes Assumption testing [edit] LOM [edit]  All variables must be suitable for correlational analysis.30 -if not.e.. check scatterplots) Outliers [edit]  FA is sensitive to outlying cases  Bivariate outliers(e.3  Check the anti-image matrix for diagonals over . i. it is important to check there are linear relations amongst the variables (i. they should be ratio/metric data or at least Likert data with several interval levels. Mahalanobis' distance)  Identify outliers. then remove or transform Factorability [edit]  It is important to check the factorability of the correlation matrix (i. check scatterplots)  Multivariate outliers (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. reconsider doing an FA-remember garbage in. but least reliable  Global diagnostic indicators . 12.5  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 .e. 14.. how suitable is the data for factor analysis?)  Check correlation matrix for correlations over . 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 .correlation matrix is factorable if: dacarras@gmail.g.APUNTES: 01 análisis de confiabilidad y validez 11.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. leaves out unique variance) Total variance explained [edit]  Often there is little difference in the solutions for the two procedures.5 Summary [edit]  Are there several correlations > .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.cl 20080721 .5) show that the factors extracted explain most of the variance in the variables being analysed  Low communalities (< .5?  Is Bartlett's test significant?  Is KMO > .3?  Are the anti-image matrix diagonals > .APUNTES: 01 análisis de confiabilidad y validez   Bartlett's test of sphericity is significant and/or Kaiser-Mayer Olkin (KMO) measure of sampling adequacy > .  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 (> .e.5 to .

.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.APUNTES: 01 análisis de confiabilidad y validez How many factors? [edit] A subjective process .  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.  Stop extracting factors when they no longer represent useful/meaningful clusters of variables  Keep checking/clarifying the meaning of each factor and its items. Rotation [edit] Two basic types [edit]  Orthogonal (Varimax): Minimises factor covariation. Scree plot [edit]  A bar graph of Eigen Values  Depicts the amount of variance explained by each factor. they are difficult to interpret.  In the initial solution.cl 20080721 .  Rotation of the FL matrix helps to find a more interpretable factor structure. 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.seeks to maximize its own eigen value (i. each factor tries “selfishly― to grab maximum unexplained variance. allows correlations between factors.  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. dacarras@gmail... Second factor extracted:  orthogonal to first factor .e. poss. produces factors which are uncorrelated  Oblique (Oblimin): allows factors to covary. sum of squared rs for each variable) Initial solution . Seek to explain maximum variance using fewest factors.  Look for point where additional factors fail to add appreciably to the cumulative explained variance.

then re-run.32 then go with oblique rotation (>10% shared variance between factors) Factor structure [edit] Factor structure is most interpretable when: 1.  However.40 are generally OK) How do I eliminate items? [edit] A subjective process.  There may be more than one good solution! e.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.if >.4)  Size of cross loadings (max=. before deciding which/if any items to eliminate next  Number of items already in the factor How many items per factor? [edit]  Bare min.APUNTES: 01 análisis de confiabilidad y validez Why rotate a factor loading matrix? [edit]  After rotation.  Be guided by theory and common sense in selecting factor structure. o 2 factor model of personality o 5 factor model of personality o 16 factor model of personality dacarras@gmail.. 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. = 3  Max. but consider:  Size of main loading (min=.cl 20080721 . Most factor loadings are either high or low with few of intermediate value (Loadings of > +. Each variable loads strongly on only one factor 2. 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 . watch out for 'seeing what you want to see' when factor analysis evidence might suggest a different solution.g. = 2  Recommended min. = 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.

4.fair  > .45 . These elements give a 'simple' factor structure. more = greater reliability.63 . Factor loading guidelines (Comrey & Lee. 3.70 .excellent  > .Condom use [edit]  The Condom Use Self-Efficacy Scale (CUSES) was administered to 447 multicultural college students.good  > . Each variable loads strongly on only one factor (strong is > +. Each factor shows 3 or more strong loadings.40).g.APUNTES: 01 análisis de confiabilidad y validez Factor loadings & item selection [edit] A factor structure is most interpretable when: 1.  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.32 .55 . 2.  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. Most loadings are either high or low.cl 20080721 .poor Example . 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. 1992) [edit] Loadings:  > .very good  > .. PAF  PC for data reduction e.  PC FA with a varimax rotation. few intermediate values.

g.look for > 1  % of variance explained  Inspect scree plot  Communalities  Interpretability  Theoretical reason dacarras@gmail.cl 20080721 . 5. 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.. for 2. 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. of factors to extract?  Inspect EVs . most researchers. 4.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. 6. 3. e.

Sign up to vote on this title
UsefulNot useful