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

APUNTES: 01 análisis de confiabilidad y validez Case Processing Summary Cases Valid Excludeda Total N 1340 850 2190 % 61.7 0.8 100.2 0. los tamaños de alpha se leen igual que los coeficientes de correlación: rpearson PEQUEÑO 0 0.917 Cronbach's Alpha . es decir que si estos tres ítems se encontraran midiendo lo mismo. lo que nos señalan estos resultados.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 <0.8 0.95 Muy alto.5 0. Listwise deletion based on all v ariables in the procedure.9 Cronbach’s Alpha 0 0.4 0.2 0.6 0.3 0. es que ésta es una escala que presenta alta consistencia interna. lo están haciendo de manera muy similar. Reliabi lity Statistics Cronbach's Alpha Based on St andardized Items .916 N of Items 3 En términos generales.2 38.5 0.3 0.1 0. posible indicador de redundancia entre los items 1 1 dacarras@gmail.cl 20080721 .8 0.4 0.6 0.1 0.7 0. Por convención.0 a.

e. una línea). y cuales son las correlaciones ítem-total de los ítems.824 0. El problema al cual se enfrentaba Spearman. de la Teoría Clásica de la Medición.876 0. que alpha se obtendría si se eliminara el ítem. si se observa la matriz de correlaciones de un conjunto de medidas. para esta selección de los mismos.883 0. No obstante. llamada variable latente.cl 20080721 .917 3 Esto nos permite observar la confiabilidad interna de la escala (α=0. de forma directa.834 0. puede ser “explicada” por una variable no observable. no obstante he cruzado un par de ideas como esta con algunos profesores. era que en la época de los test de inteligencia. Spearman. el numero de ítems que la componen. y ninguno me ha refutado estas ideas. No basta solo con medidas que posean consistencia interna2 Ahora.APUNTES: 01 análisis de confiabilidad y validez Los resultados obtenidos. 2. existían – y existen – diferentes instrumentos que reclaman medir atributos similares. o más de un vector. 3.835 0. la cual no ha sido evaluada con un ningún reactivo de forma particular. o el mismo atributo. entonces podría ser posible modelar todas estas correlaciones y condensarlas en un vector (i. propuso el análisis factorial para evaluar dimensionalidad de medidas. 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. Esto se diagrama usualmente de la siguiente manera: 2 Lamentablemente esta historia que he creado aun no la puedo documentar debidamente con referencias. y solo la piensen en términos didácticos – por ahora. Análisis Factorial y dimensionalidad El análisis factorial.916).916 0. De esta forma. dacarras@gmail.876 0. prefiero que desestimen la calidad de esta información hasta que no se encuentre debidamente documentada. lo que permite evaluar es si un conjunto de medidas observadas. de la cual se producen todos estos procedimientos.

mediante la medida de diferentes reactivos.0 6.00 2.5 5. como un modelamiento de datos. En otras palabras. por esta variable latente. pueden ser modelados a su vez. No obstante. El análisis factorial. es decir. que nos entrega como producto. no adhiero a la idea de que “la variable latente” produce la matriz de correlaciones. mi impresión con usuario.0 1. es decir un constructo como es el de nivel de identidad grupal. En términos meta teóricos la distinción. la creación de esta misma escala esta dirigida a evaluar una variable latente particular. es que el analisis factorial se produce por los datos observados.00 Value Label catolico practicante catolico observ ante catolico nominal N 583 414 116 Como puede observarse. una cosa es lo que se ocupa para explicar (la variable latente como explanans). 3 La descripción del analisis factorial. explanans y explanandum (Cornejo.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. y no por una interpretación absoluta (Darlington.5 3. s. el factor que indica a la variable latente de interés. los resultados descriptivos de estas tres preguntas.APUNTES: 01 análisis de confiabilidad y validez Cada uno de los factores se produce. no hay muchas diferencias sustantivas entre los 3 items. que en conjunto.0 4.5 6. es un procedimiento de modelamiento de datos3. 2001).5 1. se puede utilizar a la variable latente para explicar esos resultados.0 2. es decir por una interpretación heurística de los resultados. pudiera ser matemáticamente poco correcta. Veamoslo con un ejemplo. para estas preguntas.0 3.5 2. que permitan finalmente hacer más interpretable los resultados (wikiversity).0 5. y otra lo que se quiere explicar (la matriz de correlaciones de diferentes medias. El propósito general del análisis factorial. como el explanandum).5 4. dacarras@gmail. sino que dada una matriz de correlaciones. cruzados por identidad religiosa son los siguientes: 7. es reducir medidas observadas en medidas que se encuentren altamente relacionadas.cl 20080721 .f). que tienen esta cantidad de participantes por grupo: Between-Subjects Factors Reli6b Solo católicos 1. es si un conjunto de medidas observadas convergen o no en este vector.00 3. y por otro lado.

y nos indican que gran parte de la varianza observada puede ser “explicada” por el factor extraído.796 .146 6.206 Extraction Method: Principal Axis Factoring.688 85.698 . es explicada por un solo factor.696 .458 93. 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? .688 7. Las comunalidades observadas son altas (sobre 0.cl 20080721 .525 Factor 1 2 3 Total 2.854 100.571 . La siguiente tabla nos indica que al menos 85% de la varianza de las preguntas. dacarras@gmail.5).356 78. El modelo de análisis factorial utilizado para los siguientes resultados es un análisis factorial exploratorio.525 78. Total Variance Explained Initial Eigenv alues % of Variance Cumulativ e % 85.680 Extraction . El syntax de este analisis es el siguiente: syntax FACTOR /VARIABLES idenrel1 idenrel2 idenrel3 /MISSING LISTWISE /ANALYSIS idenrel1 idenrel2 idenrel3 /PRINT INITIAL EXTRACTION ROTATION /PLOT EIGEN ROTATION /CRITERIA MINEIGEN(1) ITERATE(25) /EXTRACTION PAF /CRITERIA ITERATE(25) /ROTATION VARIMAX /METHOD=CORRELATION . utilizando el tipo de extracción “principal axis factoring” y el método de rotación “varimax”.000 Extraction Sums of Squared Loadings Total % of Variance Cumulativ e % 2.792 Extraction Method: Principal Axis Factoring.768 .APUNTES: 01 análisis de confiabilidad y validez Para el caso de nuestra escala de identidad al realizar un análisis factorial.224 . nos permite mostrar como un solo factor explica gran parte de la varianza observada (el conjunto de desviaciones observadas de los puntajes).

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

interpretar tres preguntas que apuntan hacia lo mismo en una misma dirección b. El caso de Conservadurismo: Análisis de confiabilidad no siempre se suficiente En términos generales. 1. es el caso de la escala de Conservadurismo.216 0.8 2.. conserva5 Este país estaría mejor si se valorara cómo se hacían las cosas en el pasado.411 1 0.7.6.4.. Esto funciona así con una escala que fue construida sin grandes problemas. no hay para qué cambiarlas.2 100.311 0.510 0.. pues los valores de esta variable ya no son solo discretos (1.350 0.350 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.APUNTES: 01 análisis de confiabilidad y validez La variable producida ahora nos permite dos cosas: a.280 1 dacarras@gmail.369 0.. conserva6 Cuando las cosas están bien. conserva4 Este país tiene problemas porque todos los días están tratando de cambiar algo.135 0. 2. y que ha presentado buenos resultados.338 1 0. aprovechando la varianza y continuidad producida por la pro mediación de medidas Likert.346 0.9. Reliabi lity Statistics Cronbach's Alpha Based on St andardized Items . sino pseudo continuos (1.220 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.151 0. no obstante no todos los grupos de ítems que pretenden medir una misma cosa se comportan de esta forma.151 0. Listwise deletion based on all v ariables in the procedure. 7). .443 1 0.527 1 0. 6. 6.527 0. 4.8. 3.135 0.216 0.369 0. 1 0.510 0.cl 20080721 .2.7).196 0.739 Cronbach's Alpha .338 0.311 0.196 0. producir análisis de regresión.411 0. Un caso más complicado. 1.0 a.280 0.443 0. conserva2 Las nuevas ideas y estilos de vida están debilitando nuestra sociedad.220 0.346 0. conserva3 Nuestro país estaría mucho mejor si se le diera más importancia a la religión.

En otras palabras.909 Al observar las correlaciones ítem test. trata de entregar la menor cantidad de factores que explican la mayor cantidad de varianza para una matriz de correlaciones en particular. que modela el conjunto de componentes que explican toda la variación de una matriz de correlaciones.411 .239 39. Lo siguiente a observar. si las hubiera.307 Squared Multiple Correlation .569 .695 . 5. cuantas variables latentes se pueden producir para un conjunto de datos observados.914 36. conserva5 Este país estaría mejor si se valorara cómo se hacían las cosas en el pasado.610 36. Scale Mean if Item Deleted 18.44 20. dacarras@gmail. conserva3 Nuestro país estaría mucho mejor si se le diera más importancia a la religión.698 . que hemos realizado.76 20.58 Scale Variance if Item Deleted 42.489 . conserva2 Las nuevas ideas y estilos de vida están debilitando nuestra sociedad.287 .17 19.358 . y estimar estos mismos factores para una población general.561 . Dimensionalidad de la escala de Conservadurismo: ¿2 factores? El análisis factorial exploratorio.cl 20080721 . A diferencia del análisis factorial de componentes principales. el análisis factorial con rotación de “principal axis factoring” busca estimar los factores que explican la matriz de correlaciones libres de error. hay un ítem en particular que es menos homogéneo al conjunto de los otros ítems.APUNTES: 01 análisis de confiabilidad y validez Hay al menos 3 ítems.495 .3 con los otros 3 ítems que presentan correlaciones sobre 0.895 41.130 Cronbach's Alpha if Item Deleted . con respecto a las correlaciones observadas. no hay para qué cambiarlas. En particular es el ítem que presenta menor correlación ítem-test.62 19. sirve para identificar.013 42.4 entre sí.14 20.671 .290 . conserva4 Este país tiene problemas porque todos los días están tratando de cambiar algo.711 .270 . que correlacionan bajo 0. Corrected Item-Total Correlation . conserva6 Cuando las cosas están bien. si la escala se encuentra bien compuesta son las correlaciones item-test.749 Item-Total Statistics conserva1 Este país tendría muchos menos problemas si se fortaleciera más la familia.441 . sin excluir el error (Kline.674 . 1994).

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

a 0. básicamente se posicionan sobre el factor en el espacio factorial.577021 0. centrados en los ámbitos de prioridad de los valores conservadores. Para este tipo de casos. conserva5 Este país estaría mejor si se valorara cómo se hacían las cosas en el pasado. conserva6 Cuando las cosas están bien. no hay para qué cambiarlas. Rotation Method: Varimax with Kaiser Normalization.210103 0. y los tres primeros ítems. es donde entra el criterio. conserva2 Las nuevas ideas y estilos de vida están debilitando nuestra sociedad. Con los tres últimos ítems. como lo son la familia. Extraction Method: Principal Axis Factoring. centrados en el componente del cambio.581899 0.673781 0.251567 0.634404 0. dacarras@gmail.434063 Rotation converged in 3 iterations.114065 0.759441 0. conserva4 Este país tiene problemas porque todos los días están tratando de cambiar algo.cl 20080721 .092402 2 0. La matriz rotada de factor loading. el estilo de vida y la religión. Rotated Factor Matrix(a) Factor 1 conserva1 Este país tendría muchos menos problemas si se fortaleciera más la familia. es que ítems que poseen buenos factor loading sobre un factor. sugiere dos factores para estos 6 ítems. conserva3 Nuestro país estaría mucho mejor si se le diera más importancia a la religión.363208 0.24902 0.APUNTES: 01 análisis de confiabilidad y validez Lo que nos muestra este grafico.

reteniendo los primeros 5 ítems.802 1. Pero con el segundo modelo de un solo factor.373 74.441 Extraction Method: Principal Axis Factoring. y 18% el segundo factor) de la varianza observada: Total Variance Explained Initial Eigenv alues % of Variance Cumulat iv e % 44. elegimos el segundo modelo.954 .926 8.000 Extraction Sums of Squared Loadings Total % of Variance Cumulat iv e % 2.188 19.529 .533 83.601 Factor 1 2 3 4 5 6 Total 2.428 23.813 100. sobre los 5 ítems retenidos. son los siguientes: Factor Ámbitos primordiales Cambio ítems conserva1 conserva2 conserva3 conserva4 conserva5 conserva6 alpha 0.020 12.813 92. Con el primer modelo de 2 factores.572 . se explica cerca del 50% de la varianza: Total Variance Explained Initial Eigenv alues % of Variance Cumulativ e % 50.cl 20080721 .269 35. el resultado sería el siguiente: Factor Conservadurismo ítems conserva1 conserva2 conserva3 conserva4 conserva5 alpha 0.APUNTES: 01 análisis de confiabilidad y validez 6. es el “conservadurismo” a secas.802 23.311 38. y rechazando el ítem 6 (conserva6) por baja correlación ítem test.048 19.601 Rotation Sums of Squared Loadings Total % of Variance Cumulat iv e % 1.116 35. si operáramos bajo el criterio de correlación ítem test.393 9. ¿Uno o dos factores de conservadurismo? Los análisis de confiabilidad de estos dos pares de tríos. y nos quedáramos solo con los 5 primeros ítems.734 0.531 .084 69.572 .564 10.332 43.502 .431 80.623 91. Considerando que la variable latente de interés.187 8.750 Lo cual aumenta la confiabilidad interna de la escala.008 44.640 1.000 Extraction Sums of Squared Loadings Total % of Variance Cumulativ e % 1.311 Factor 1 2 3 4 5 Total 2.609 Por otro lado. y porque su exclusión aumenta la dimensionalidad dacarras@gmail.799 43.500 8.008 18.132 11.269 .081 .048 50.740 7.742 .012 62.436 Extraction Method: Principal Axis Factoring. se explica cerca del 62% (44% el primer factor.260 100.916 38.

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

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

B. (2) 87-96. dacarras@gmail. D. Extraído el 21 de Julio de 2008.W. 56. Chile. Huy Le. & San Martin. L.APUNTES: 01 análisis de confiabilidad y validez Referencias Frank L. (2007. C.T. Vol. An easy guide to Factor Analysis. Cronbach. Coefficient alpha and the internal structure of tests. 1. L. D. Manzi.cornell. Psychometrika. 485-494.8.". dos constructivismos. J. 34 (4).htm Cornejo.cl 20080721 . Kline. Vol. Schmidt. Disponible en: http://www. y Fiske. Marzo-Mayo). Cátedra impartida al Programa de Magister de Psicología de la Pontificia Universidad Católica de Chile. Cattell. 81-105. (s. Construcción de instrumentos de medición en psicología y educación. "Beyond alpha: An empirical examination of the effects of different sources of measurement error on reliability estimates for measures of individual-differences constructs. Remus Ilies (2003). E. 245-76. The scree test for the number of factors. Cronbach. Vigotski y Maturana: Tres voces. (2001). Psykhe. Psychological Methods. Campbell. Multivariate Behavioral Research. (1959). P. 297-334.psych. On estimates of test reliability. (1994). (1966). Psychological Bulletin. 2.edu/Darlington/factor. Santiago. J. R. R. (1951). No. 16 (2). The Journal of Educational Psychology. (1943).) Factor Analysis. Convergent and discriminant validation by the multitraitmultimethod matrix. 10.f. Piaget. Londres: Routledge. Darlington. J.

1 Intelligence o 7.5.4 Outliers o 15.1 Hierarchical  5.3 Essential facial features  8 Problems  9 Exploratory vs.1 2-d  5.1 EFA = Exploratory Factor Analysis o 9.APUNTES: 01 análisis de confiabilidad y validez ANEXO :Exploratory factor analysis/Lecture notes From Wikiversity http://en.2 Personality o 7.Classroom behaviour o 14.2 Comrey and Lee (1992)  14 Example factor analysis .wikiversity.1.3 Measures of sampling adequacy o 15.1.2 Normality o 15.1 Principal components (PC) dacarras@gmail.1 Sample size  13.5.1. search Psychometric instrument development: Part I: Exploratory factor analysis by James Neill.1.org/wiki/Exploratory_factor_analysis/Lecture_notes < Exploratory factor analysis Jump to: navigation.1 LOM o 15.Garbage Out  13 Assumption testing o 13.5.cl 20080721 .1 Correlations  15. Confirmatory Factor Analysis o 9.5 Factorability  15.2 Anti-image correlation matrix  15.1 Some guidelines  13.2 3-d  6 Factor analysis process  7 Examples of psychological factor structures o 7.2 CFA = Confirmatory Factor Analysis  10 Data reduction  11 Steps  12 Garbage In .1 Items  15 Assumption testing o 15.3 Linearity o 15.2 Cluster o 5.6 Summary  16 Extraction method o 16. 2008 Contents [hide]  1 Notes  2 What is factor analysis?  3 Purposes  4 History  5 Conceptual models o 5.

canberra.3 Type of FA 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.  A family of techniques to examine linear correlations amongst variables. 1992)  30 Example . o o dacarras@gmail. provide slide text only) To see an embedded version of this presenation:  Lecture . that is.  Groups of related variables are called 'factors'.Condom use  31 Summary o 31. Factor analysis is commonly used in psychometric instrument development.Unrotated factor structure  23 Rotation o 23.2 Steps o 31.2 Principal axis factoring (PAF) 16.au)  Exploratory factor analysis (slideshare.  Aim is to identify groups of variables which are relatively homogeneous.3 Total variance explained  17 Communalities  18 Eigen values  19 Explained variance  20 How many factors?  21 Scree plot  22 Initial solution .Exploratory factor analysis (ucspace.  subsequently copyedited and further wikified (ongoing)  do not yet include all: o images o additional notes (i.1 Assumptions o 31. and  detect structure in the relationships between variables.4 Rotation  32 Factor analysis in practice  33 See also Notes [edit] These lecture notes:  were converted from . to:  reduce the number of variables. to classify variables.edu.odp to mediawiki syntax.net) What is factor analysis? [edit]  A multivariate statistical technique for identifying clusters of inter-correlated variables (or 'factors').e.cl 20080721 .2 Why rotate a factor loading matrix? o 23.  Involves empirical testing of theoretical data structures Purposes [edit] There are two main applications of factor analytic techniques.APUNTES: 01 análisis de confiabilidad y validez 16.

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

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

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

 200 = fair.  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.  500 = very good  1000+ = excellent Example factor analysis .g. Patient ↔ demanding 7. Relates warmly to others ↔ provocative.. which is based on the Victorian Quality Schools Project (google search). 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 . Easily upset ↔ contented 8.  100 = poor.. Perseveres ↔ lacks perseverance 4.6.  300 = good. I should have at least 100 cases (1:5)  Ideal N > 20 cases per variable o e.Classroom behaviour [edit]  Based on Francis Section 5. I would ideally have at least 400 cases (1:20)  Total N > 200 preferable Comrey and Lee (1992) [edit]  50 = very poor. Persistent ↔ easily frustrated dacarras@gmail.Garbage Out [edit] Assumption testing [edit] Sample size [edit] Some guidelines [edit]  Min. Irritable ↔ even-tempered 5. Easily excited ↔ not easily excited 6.cl 20080721 . N > 5 cases per variable o e. Curious & enquiring ↔ little curiousity 3. Items [edit] 1.g. if I have 20 variables.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. Cannot concentrate ↔ can concentrate 2. Control ↔ no control 9.disruptive 10.

g. how suitable is the data for factor analysis?)  Check correlation matrix for correlations over .e.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 .30 -if not.e. it is important to check there are linear relations amongst the variables (i. Difficult ↔ easy Restless ↔ relaxed Lively ↔ settled Purposeful ↔ aimless Cooperative ↔ disputes Assumption testing [edit] LOM [edit]  All variables must be suitable for correlational analysis.5 should be excluded from the analysis -they lack sufficient correlation with other variables Measures of sampling adequacy [edit]  Quickest method. i. Mahalanobis' distance)  Identify outliers. 14. check scatterplots) Outliers [edit]  FA is sensitive to outlying cases  Bivariate outliers(e. 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 .cl 20080721 . 13. 15.3  Check the anti-image matrix for diagonals over .. 12. check scatterplots)  Multivariate outliers (e..correlation matrix is factorable if: dacarras@gmail. they should be ratio/metric data or at least Likert data with several interval levels.. then remove or transform Factorability [edit]  It is important to check the factorability of the correlation matrix (i.g.e... reconsider doing an FA-remember garbage in.APUNTES: 01 análisis de confiabilidad y validez 11. 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. but least reliable  Global diagnostic indicators . garbage out Anti-image correlation matrix [edit]  Anti-image: Medium effort.

 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 (> .cl 20080721 .5?  Is Bartlett's test significant?  Is KMO > .5) show that the factors extracted explain most of the variance in the variables being analysed  Low communalities (< .5 to .e.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.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 > .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 > .

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

APUNTES: 01 análisis de confiabilidad y validez Why rotate a factor loading matrix? [edit]  After rotation. Most factor loadings are either high or low with few of intermediate value (Loadings of > +. = 2  Recommended min.g.32 then go with oblique rotation (>10% shared variance between factors) Factor structure [edit] Factor structure is most interpretable when: 1.cl 20080721 .40 are generally OK) How do I eliminate items? [edit] A subjective process. but consider:  Size of main loading (min=. 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. before deciding which/if any items to eliminate next  Number of items already in the factor How many items per factor? [edit]  Bare min.  However. no intermediate loadings Orthogonal versus oblique rotations [edit]  Think about purpose of factor analysis  Try both  Consider interpretability  Look at correlations between factors in oblique solution .  Be guided by theory and common sense in selecting factor structure. = 3  Max. o 2 factor model of personality o 5 factor model of personality o 16 factor model of personality dacarras@gmail. Each factor has two or more strong loadings 3.4)  Size of cross loadings (max=. = 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.if >.  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.. then re-run. watch out for 'seeing what you want to see' when factor analysis evidence might suggest a different solution. Each variable loads strongly on only one factor 2.

excellent  > . more = greater reliability.  PC FA with a varimax rotation.32 .45 . Each variable loads strongly on only one factor (strong is > +. Most loadings are either high or low.40). 3. These elements give a 'simple' factor structure.good  > .  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. 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.Condom use [edit]  The Condom Use Self-Efficacy Scale (CUSES) was administered to 447 multicultural college students.g.poor Example .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. few intermediate values. 1992) [edit] Loadings:  > .cl 20080721 .fair  > .55 . Factor loading guidelines (Comrey & Lee. 2. Each factor shows 3 or more strong loadings. PAF  PC for data reduction e.70 . 4.very good  > .63 .

6. 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..look for > 1  % of variance explained  Inspect scree plot  Communalities  Interpretability  Theoretical reason dacarras@gmail. 4. e.cl 20080721 . try out each combination of  PC-varimax  PC-oblimin  PAF-varimax  PAF-oblimin The above methods would then be commonly tried out on a range of possible/likely factors. for 2. most researchers. 3.g.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. of factors to extract?  Inspect EVs .