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

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.cl 20080721 . lo están haciendo de manera muy similar. es que ésta es una escala que presenta alta consistencia interna. Listwise deletion based on all v ariables in the procedure.916 N of Items 3 En términos generales.7 0.7 0.4 0.8 0. lo que nos señalan estos resultados.6 0.8 100.APUNTES: 01 análisis de confiabilidad y validez Case Processing Summary Cases Valid Excludeda Total N 1340 850 2190 % 61.6 0.4 0.3 0.2 38.2 0. Reliabi lity Statistics Cronbach's Alpha Based on St andardized Items .9 Cronbach’s Alpha 0 0.1 0.917 Cronbach's Alpha .1 0.5 0. es decir que si estos tres ítems se encontraran midiendo lo mismo. posible indicador de redundancia entre los items 1 1 dacarras@gmail. los tamaños de alpha se leen igual que los coeficientes de correlación: rpearson PEQUEÑO 0 0.5 0.8 0. Por convención.0 a.95 Muy alto.3 0.

APUNTES: 01 análisis de confiabilidad y validez Los resultados obtenidos.876 0. y ninguno me ha refutado estas ideas. existían – y existen – diferentes instrumentos que reclaman medir atributos similares.883 0.917 3 Esto nos permite observar la confiabilidad interna de la escala (α=0. 3.876 0. y cuales son las correlaciones ítem-total de los ítems. prefiero que desestimen la calidad de esta información hasta que no se encuentre debidamente documentada. de la Teoría Clásica de la Medición. el numero de ítems que la componen. dacarras@gmail. de la cual se producen todos estos procedimientos.e.cl 20080721 . 2. de forma directa. Spearman. si se observa la matriz de correlaciones de un conjunto de medidas.834 0. o el mismo atributo.824 0. Esto se diagrama usualmente de la siguiente manera: 2 Lamentablemente esta historia que he creado aun no la puedo documentar debidamente con referencias. lo que permite evaluar es si un conjunto de medidas observadas. puede ser “explicada” por una variable no observable. que alpha se obtendría si se eliminara el ítem.835 0. 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 0.916). Análisis Factorial y dimensionalidad El análisis factorial. El problema al cual se enfrentaba Spearman. la cual no ha sido evaluada con un ningún reactivo de forma particular. entonces podría ser posible modelar todas estas correlaciones y condensarlas en un vector (i. llamada variable latente. o más de un vector. una línea). era que en la época de los test de inteligencia. No basta solo con medidas que posean consistencia interna2 Ahora. para esta selección de los mismos. De esta forma. no obstante he cruzado un par de ideas como esta con algunos profesores. y todas estas miden lo mismo. y solo la piensen en términos didácticos – por ahora.916 0. propuso el análisis factorial para evaluar dimensionalidad de medidas. No obstante.

que permitan finalmente hacer más interpretable los resultados (wikiversity).0 4. pueden ser modelados a su vez.00 Value Label catolico practicante catolico observ ante catolico nominal N 583 414 116 Como puede observarse.0 3. es si un conjunto de medidas observadas convergen o no en este vector.5 5. 2001). y otra lo que se quiere explicar (la matriz de correlaciones de diferentes medias. es reducir medidas observadas en medidas que se encuentren altamente relacionadas.f).0 6. el factor que indica a la variable latente de interés.0 2. es decir un constructo como es el de nivel de identidad grupal. como el explanandum). es decir por una interpretación heurística de los resultados. En otras palabras. no hay muchas diferencias sustantivas entre los 3 items. se puede utilizar a la variable latente para explicar esos resultados. pudiera ser matemáticamente poco correcta.5 3.0 5.5 6. la creación de esta misma escala esta dirigida a evaluar una variable latente particular. como un modelamiento de datos. que en conjunto. mi impresión con usuario. El análisis factorial.APUNTES: 01 análisis de confiabilidad y validez Cada uno de los factores se produce. Veamoslo con un ejemplo. sino que dada una matriz de correlaciones.5 1.5 4. El propósito general del análisis factorial. es que el analisis factorial se produce por los datos observados. es un procedimiento de modelamiento de datos3.5 2. los resultados descriptivos de estas tres preguntas. No obstante. es decir. y no por una interpretación absoluta (Darlington. mediante la medida de diferentes reactivos.0 1. 3 La descripción del analisis factorial. cruzados por identidad religiosa son los siguientes: 7.00 2. por esta variable latente. En términos meta teóricos la distinción. y por otro lado. una cosa es lo que se ocupa para explicar (la variable latente como explanans).00 3.0 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. no adhiero a la idea de que “la variable latente” produce la matriz de correlaciones. dacarras@gmail. que tienen esta cantidad de participantes por grupo: Between-Subjects Factors Reli6b Solo católicos 1. para estas preguntas.cl 20080721 . que nos entrega como producto. s. explanans y explanandum (Cornejo.

688 85.cl 20080721 . nos permite mostrar como un solo factor explica gran parte de la varianza observada (el conjunto de desviaciones observadas de los puntajes).224 . El modelo de análisis factorial utilizado para los siguientes resultados es un análisis factorial exploratorio. y nos indican que gran parte de la varianza observada puede ser “explicada” por el factor extraído.458 93. Total Variance Explained Initial Eigenv alues % of Variance Cumulativ e % 85.698 .000 Extraction Sums of Squared Loadings Total % of Variance Cumulativ e % 2.356 78.796 .5). 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? . utilizando el tipo de extracción “principal axis factoring” y el método de rotación “varimax”.680 Extraction . es explicada por un solo factor. dacarras@gmail.525 Factor 1 2 3 Total 2.146 6.525 78. 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 .792 Extraction Method: Principal Axis Factoring. La siguiente tabla nos indica que al menos 85% de la varianza de las preguntas.768 .571 . Las comunalidades observadas son altas (sobre 0.696 .APUNTES: 01 análisis de confiabilidad y validez Para el caso de nuestra escala de identidad al realizar un análisis factorial.206 Extraction Method: Principal Axis Factoring.688 7.854 100.

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

510 0. El caso de Conservadurismo: Análisis de confiabilidad no siempre se suficiente En términos generales.280 0.739 Cronbach's Alpha .443 1 0.346 0. interpretar tres preguntas que apuntan hacia lo mismo en una misma dirección b. conserva6 Cuando las cosas están bien.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.311 0.135 0. Un caso más complicado. Listwise deletion based on all v ariables in the procedure. no obstante no todos los grupos de ítems que pretenden medir una misma cosa se comportan de esta forma.196 0.8 2. 6.151 0.216 0. .220 0.411 1 0. 2. sino pseudo continuos (1.350 0..369 0.9.cl 20080721 . no hay para qué cambiarlas.311 0.8.338 0.. y que ha presentado buenos resultados.527 0. producir análisis de regresión.4.135 0. Esto funciona así con una escala que fue construida sin grandes problemas.346 0. conserva4 Este país tiene problemas porque todos los días están tratando de cambiar algo.2 100.151 0. 1. 3.2. conserva5 Este país estaría mejor si se valorara cómo se hacían las cosas en el pasado.7).280 1 dacarras@gmail.527 1 0. 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. es el caso de la escala de Conservadurismo.6..510 0.220 0. 1.350 0.443 0. 4. pues los valores de esta variable ya no son solo discretos (1.APUNTES: 01 análisis de confiabilidad y validez La variable producida ahora nos permite dos cosas: a.216 0..7. conserva3 Nuestro país estaría mucho mejor si se le diera más importancia a la religión. conserva2 Las nuevas ideas y estilos de vida están debilitando nuestra sociedad.411 0. 1 0.369 0.0 a. 7).196 0. Reliabi lity Statistics Cronbach's Alpha Based on St andardized Items .338 1 0. aprovechando la varianza y continuidad producida por la pro mediación de medidas Likert. 6.

495 . si la escala se encuentra bien compuesta son las correlaciones item-test.711 .489 .58 Scale Variance if Item Deleted 42. no hay para qué cambiarlas. el análisis factorial con rotación de “principal axis factoring” busca estimar los factores que explican la matriz de correlaciones libres de error. si las hubiera. Dimensionalidad de la escala de Conservadurismo: ¿2 factores? El análisis factorial exploratorio. trata de entregar la menor cantidad de factores que explican la mayor cantidad de varianza para una matriz de correlaciones en particular. 1994).013 42.909 Al observar las correlaciones ítem test.cl 20080721 .569 . En otras palabras. conserva6 Cuando las cosas están bien.749 Item-Total Statistics conserva1 Este país tendría muchos menos problemas si se fortaleciera más la familia.307 Squared Multiple Correlation .411 . 5. Scale Mean if Item Deleted 18. A diferencia del análisis factorial de componentes principales.561 .287 . Lo siguiente a observar. sin excluir el error (Kline.270 . con respecto a las correlaciones observadas.62 19.674 .895 41.290 .695 . sirve para identificar.239 39.4 entre sí.130 Cronbach's Alpha if Item Deleted .441 .3 con los otros 3 ítems que presentan correlaciones sobre 0.17 19.671 .698 . cuantas variables latentes se pueden producir para un conjunto de datos observados. conserva5 Este país estaría mejor si se valorara cómo se hacían las cosas en el pasado. que modela el conjunto de componentes que explican toda la variación de una matriz de correlaciones. dacarras@gmail. Corrected Item-Total Correlation . que hemos realizado.610 36. y estimar estos mismos factores para una población general.APUNTES: 01 análisis de confiabilidad y validez Hay al menos 3 ítems. En particular es el ítem que presenta menor correlación ítem-test.76 20.914 36.358 . conserva2 Las nuevas ideas y estilos de vida están debilitando nuestra sociedad. hay un ítem en particular que es menos homogéneo al conjunto de los otros ítems.44 20.14 20. conserva4 Este país tiene problemas porque todos los días están tratando de cambiar algo. que correlacionan bajo 0. conserva3 Nuestro país estaría mucho mejor si se le diera más importancia a la religión.

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

cl 20080721 . sugiere dos factores para estos 6 ítems. no hay para qué cambiarlas.APUNTES: 01 análisis de confiabilidad y validez Lo que nos muestra este grafico.24902 0.759441 0. conserva4 Este país tiene problemas porque todos los días están tratando de cambiar algo. dacarras@gmail.251567 0.634404 0. conserva6 Cuando las cosas están bien. centrados en el componente del cambio. Rotated Factor Matrix(a) Factor 1 conserva1 Este país tendría muchos menos problemas si se fortaleciera más la familia. centrados en los ámbitos de prioridad de los valores conservadores. conserva3 Nuestro país estaría mucho mejor si se le diera más importancia a la religión. el estilo de vida y la religión. La matriz rotada de factor loading. conserva2 Las nuevas ideas y estilos de vida están debilitando nuestra sociedad. básicamente se posicionan sobre el factor en el espacio factorial.114065 0. como lo son la familia. a 0. es que ítems que poseen buenos factor loading sobre un factor.363208 0. y los tres primeros ítems.581899 0.434063 Rotation converged in 3 iterations. Extraction Method: Principal Axis Factoring. Con los tres últimos ítems. es donde entra el criterio. Rotation Method: Varimax with Kaiser Normalization.092402 2 0. conserva5 Este país estaría mejor si se valorara cómo se hacían las cosas en el pasado. Para este tipo de casos.577021 0.210103 0.673781 0.

373 74.813 100.188 19.734 0.048 19.533 83.742 .436 Extraction Method: Principal Axis Factoring.441 Extraction Method: Principal Axis Factoring. elegimos el segundo modelo.132 11.008 18. es el “conservadurismo” a secas.564 10. Considerando que la variable latente de interés.502 .020 12.623 91. si operáramos bajo el criterio de correlación ítem test.799 43.529 .084 69.000 Extraction Sums of Squared Loadings Total % of Variance Cumulat iv e % 2.802 23. y rechazando el ítem 6 (conserva6) por baja correlación ítem test.601 Rotation Sums of Squared Loadings Total % of Variance Cumulat iv e % 1.269 35.311 38. se explica cerca del 50% de la varianza: Total Variance Explained Initial Eigenv alues % of Variance Cumulativ e % 50.081 .187 8. Pero con el segundo modelo de un solo factor.APUNTES: 01 análisis de confiabilidad y validez 6.954 .048 50. y porque su exclusión aumenta la dimensionalidad dacarras@gmail.750 Lo cual aumenta la confiabilidad interna de la escala.609 Por otro lado.428 23. y 18% el segundo factor) de la varianza observada: Total Variance Explained Initial Eigenv alues % of Variance Cumulat iv e % 44.311 Factor 1 2 3 4 5 Total 2.531 .916 38. son los siguientes: Factor Ámbitos primordiales Cambio ítems conserva1 conserva2 conserva3 conserva4 conserva5 conserva6 alpha 0.572 .260 100.332 43.740 7.926 8.640 1.008 44. ¿Uno o dos factores de conservadurismo? Los análisis de confiabilidad de estos dos pares de tríos. se explica cerca del 62% (44% el primer factor.000 Extraction Sums of Squared Loadings Total % of Variance Cumulativ e % 1.802 1.813 92. y nos quedáramos solo con los 5 primeros ítems. sobre los 5 ítems retenidos.116 35.431 80. el resultado sería el siguiente: Factor Conservadurismo ítems conserva1 conserva2 conserva3 conserva4 conserva5 alpha 0.572 . reteniendo los primeros 5 ítems. Con el primer modelo de 2 factores.cl 20080721 .601 Factor 1 2 3 4 5 6 Total 2.269 .393 9.012 62.500 8.

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

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).cl 20080721 . así como la validez predictiva y la validez incremental. para lograr la validación de instrumentos. dacarras@gmail.

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

3 Linearity o 15.2 Comrey and Lee (1992)  14 Example factor analysis .3 Essential facial features  8 Problems  9 Exploratory vs.Garbage Out  13 Assumption testing o 13.2 Anti-image correlation matrix  15.2 3-d  6 Factor analysis process  7 Examples of psychological factor structures o 7.cl 20080721 .1 2-d  5.1.wikiversity.4 Outliers o 15. 2008 Contents [hide]  1 Notes  2 What is factor analysis?  3 Purposes  4 History  5 Conceptual models o 5.1 Items  15 Assumption testing o 15.3 Measures of sampling adequacy o 15.2 Personality o 7.5.1 Some guidelines  13.5.1 Correlations  15.5. Confirmatory Factor Analysis o 9.1 Hierarchical  5.1 Intelligence o 7.2 Normality o 15. search Psychometric instrument development: Part I: Exploratory factor analysis by James Neill.6 Summary  16 Extraction method o 16.1.Classroom behaviour o 14.2 CFA = Confirmatory Factor Analysis  10 Data reduction  11 Steps  12 Garbage In .1 LOM o 15.1 EFA = Exploratory Factor Analysis o 9.1.2 Cluster o 5.APUNTES: 01 análisis de confiabilidad y validez ANEXO :Exploratory factor analysis/Lecture notes From Wikiversity http://en.1.5 Factorability  15.1 Principal components (PC) dacarras@gmail.org/wiki/Exploratory_factor_analysis/Lecture_notes < Exploratory factor analysis Jump to: navigation.1 Sample size  13.

o o dacarras@gmail.cl 20080721 .  Aim is to identify groups of variables which are relatively homogeneous.3 Type of FA o 31.4 Rotation  32 Factor analysis in practice  33 See also Notes [edit] These lecture notes:  were converted from . provide slide text only) To see an embedded version of this presenation:  Lecture .Exploratory factor analysis (ucspace.1 Assumptions o 31.2 Principal axis factoring (PAF) 16. and  detect structure in the relationships between variables.odp to mediawiki syntax.  subsequently copyedited and further wikified (ongoing)  do not yet include all: o images o additional notes (i. that is. to classify variables..edu.APUNTES: 01 análisis de confiabilidad y validez 16.3 Total variance explained  17 Communalities  18 Eigen values  19 Explained variance  20 How many factors?  21 Scree plot  22 Initial solution . Factor analysis is commonly used in psychometric instrument development.2 Why rotate a factor loading matrix? o 23.Unrotated factor structure  23 Rotation o 23.net) What is factor analysis? [edit]  A multivariate statistical technique for identifying clusters of inter-correlated variables (or 'factors').Condom use  31 Summary o 31. to:  reduce the number of variables.canberra.1 Two basic types o 23.  Involves empirical testing of theoretical data structures Purposes [edit] There are two main applications of factor analytic techniques.2 Steps o 31.  Groups of related variables are called 'factors'.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.au)  Exploratory factor analysis (slideshare.e. 1992)  30 Example .  A family of techniques to examine linear correlations amongst variables.

relationships between the factors begin to define the relationships in the variables they represent (Goldberg & Digman..g.g.or is it one global factor (g)? .com/textbook/stfacan.. 12 items testing might actually tap only 3 underlying factors dacarras@gmail. A simple factor analytic model (2-d) .  Verbal  Mathematical  Interpersonal.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. often spanning periods of several months. e. . to develop:  Theory-e. factor analysis is a process by which large clusters and grouping of data are replaced and represented by factors in the equation. In present day.. Later on a mathematical foundation would be developed aiding in the process and contributing to the later popularity of the methodology. 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..html Thurstone (1931) -  Conceptual models [edit] Here are some visual ways of conceptualising factor analytic models: 2-d [edit] Hierarchical [edit] 1.g. 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. esp. determining the structure of personality  Practice-e.. related factors.. usage has thrived. etc. 1994). As variables are reduced to factors.personalityresearch. development of 10.000s+ of psychological screening & measurement tests  IQ -is it separate but multiple.cl 20080721 ." (from http://www.g.html) Terminology was introduced by http://www.statsoft.. 1994).. there was little widespread use due largely in part to the immense amount of hand calculations required to determine accurate results.org/papers/fehringer. e..

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

social scientists. and communality. 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” . loadings.(e. Its technical vocabulary includes strange terms such as eigenvalues. 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.HTM Exploratory vs. rotate.g. items which don’t load cleanly on a single factor) o irrelevant variables .cl 20080721 .(e.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. variables which have low loadings) dacarras@gmail. Its results usually absorb a dozen or so pages in a given report. simple structure. orthogonal.g..g. and the sum is the major cost of factor analysis: most laymen. and policy-makers find the nature and significance of the results incomprehensible.Tabachnick & Fidell (2001) “It is mathematically complicated and entails diverse and numerous considerations in application.APUNTES: 01 análisis de confiabilidad y validez Essential facial features [edit] Six orthogonal factors.edu/powerkills/UFA. Add to this the fact that students do not ordinarily learn factor analysis in their formal training. items which are highly correlated are unnecessary) o unclear variables .hawaii.. represent 76. leaving little room for a methodological introduction or explanation of terms.” Rummell http://www.

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

13.cl 20080721 ...correlation matrix is factorable if: dacarras@gmail.e. but least reliable  Global diagnostic indicators . 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. then remove or transform Factorability [edit]  It is important to check the factorability of the correlation matrix (i. 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 . garbage out Anti-image correlation matrix [edit]  Anti-image: Medium effort. how suitable is the data for factor analysis?)  Check correlation matrix for correlations over . check scatterplots) Outliers [edit]  FA is sensitive to outlying cases  Bivariate outliers(e.. Mahalanobis' distance)  Identify outliers.3  Check the anti-image matrix for diagonals over . reconsider doing an FA-remember garbage in.e.5 should be excluded from the analysis -they lack sufficient correlation with other variables Measures of sampling adequacy [edit]  Quickest method.. they should be ratio/metric data or at least Likert data with several interval levels. i. 12.30 -if not.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 .g.g. it is important to check there are linear relations amongst the variables (i. 15.e.. Difficult ↔ easy Restless ↔ relaxed Lively ↔ settled Purposeful ↔ aimless Cooperative ↔ disputes Assumption testing [edit] LOM [edit]  All variables must be suitable for correlational analysis. check scatterplots)  Multivariate outliers (e. 14.APUNTES: 01 análisis de confiabilidad y validez 11.

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 > .5 to .  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 (> .3?  Are the anti-image matrix diagonals > .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) 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.APUNTES: 01 análisis de confiabilidad y validez   Bartlett's test of sphericity is significant and/or Kaiser-Mayer Olkin (KMO) measure of sampling adequacy > . 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 > .e.

Rotation [edit] Two basic types [edit]  Orthogonal (Varimax): Minimises factor covariation. each factor tries “selfishly― to grab maximum unexplained variance.. poss.  Look for point where additional factors fail to add appreciably to the cumulative explained variance. Seek to explain maximum variance using fewest factors. Second factor extracted:  orthogonal to first factor .e. 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.  Stop extracting factors when they no longer represent useful/meaningful clusters of variables  Keep checking/clarifying the meaning of each factor and its items. 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.APUNTES: 01 análisis de confiabilidad y validez How many factors? [edit] A subjective process .  In the initial solution.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.cl 20080721 . allows correlations between factors. produces factors which are uncorrelated  Oblique (Oblimin): allows factors to covary. sum of squared rs for each variable) Initial solution .  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. Scree plot [edit]  A bar graph of Eigen Values  Depicts the amount of variance explained by each factor.  Rotation of the FL matrix helps to find a more interpretable factor structure. they are difficult to interpret.  All variables will tend to load strongly on the 1st factor  Factors are made up of linear combinations of the variables (max.seeks to maximize its own eigen value (i.

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

few intermediate values. PAF  PC for data reduction e. 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. 3. 4..40). 2. Each variable loads strongly on only one factor (strong is > +.poor Example .APUNTES: 01 análisis de confiabilidad y validez Factor loadings & item selection [edit] A factor structure is most interpretable when: 1.63 .70 .very good  > .fair  > .cl 20080721 .Condom use [edit]  The Condom Use Self-Efficacy Scale (CUSES) was administered to 447 multicultural college students.55 . 1992) [edit] Loadings:  > . Factor loading guidelines (Comrey & Lee.  PC FA with a varimax rotation.  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. more = greater reliability.  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. Most loadings are either high or low.excellent  > . Each factor shows 3 or more strong loadings.g.45 . These elements give a 'simple' factor structure.good  > .32 .

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

Sign up to vote on this title
UsefulNot useful