Curso Técnico de Medición Multidimensional de la Pobreza y sus Aplicaciones

CEPAL, Naciones Unidas. 06 y el 15 de diciembre de 2010

Usos del análisis factorial para la

construcción y validación de escalas
José Manuel Roche (OPHI)
jose.roche@qeh.ox.ac.uk
Tabita, Kenya Rabiya, India Stéphanie, Madagascar Agathe, Madagascar Dalma, Kenya Ann-Sophia, Kenya Valérie, Madagascar
OBJETIVOS

• Revisar los diferentes usos del análisis factorial para la

construcción y validación de escalas.

• Discutir las ventajas y desventajas del análisis factorial para el .

diseño ad-hoc de indicadores sintéticos en cuanto a definición de
pesos, selección de dimensiones e indicadores, o para dar cuenta
del error de medición.

• Revisar en detalle como se utilizan estas técnicas para la

validación de escalas subjetivas.
ESQUEMA

• Análisis Factorial y en que contexto se utiliza

• Diferencia entre el Análisis Factorial Exploratorio y el

Análisis Factorial Confirmatorio

• Pasos, procedimientos y recomendaciones para el Análisis

Factorial Exploratorio

• Ventajas y desventajas del AFE y la construcción de índices

sintéticos

• Validación de escalas subjetivas

Qué es el análisis factorial y cuándo se utiliza?
Los métodos de análisis factorial son apropiados cuando contamos
con una gran cantidad de variables, ya que tienen un alto poder de
reducción de información y facilitan el diseño y agregación de
variables.

Se basan en el análisis de la interrelación de un larga lista de

indicadores o variables con miras a comprender la estructura
subyacente, haciendo posible reducirlo a un número manejable de
variables agregadas.

Frecuentemente es utilizado para calcular índices de estatus

socioeconómicos o en ocasiones como solución ad-hoc para la
agregación de variables.
 Ejemplo...
Índice de bienes (Wealth index)
(Rustein and Johnston 2004)

Una medida compuesta de el nivel de vida acumulado de un hogar

que es utilizado en las DHS y MICS

Como se mide?

Basado en un grupo de bienes y servicios capturados por las encuestas (e.g. tipo de piso,
refrigerador, vehiculo, facilidades sanitarias, hacinamiento, electricidad, etc.)

Los bienes y servicios de cada hogar para cuya informacion ha sido recolectada se
asignan un peso o puntaje factorial generado a travez de el metodo de analisis de
componentes pincipales.

El primer componente del analisis de componentes principales es interpretado como una
escala continua relativa a la riqueza. El puntaje estandarizado es usado para crear grupos
por quintiles.

El índice de riqueza (Wealth Index) es utilizado como una variable proxy para estudiar el
estatus de salido los derechos de los niños.
 No solo una solución ad-hoc
para la agregación de información!

Otros posibles usos:

• aporta información para comprender la estructura subyacente a los datos
(e.g. explorar los patrones o dimensiones)

• evitar redundancia
(e.g. reducir un largo numero de variables correlacionadas, agruparlas o seleccionar una que represente
varias)

• para la validación y evaluación de escalas de precepción subjetiva

(e.g. convergencia, discriminancia, consistencia interna)

• para medir variables no observadas o constructos teóricos

(e.g. da cuenta de el error de medición, bondad de ajuste)

• para ser incluido en modelos complejos

(e.g. analisis de regresión o ecuaciones múltiples estructurales)
 Ejemplos...
Social Interaction
(Factor 2)

Factor Analysis vs.

Economic conditions Fuzzy Sets Theory
(Factor 3)
(Lelli 2008)

Health
(Factor 6)
• Belgian Section of the
European Community
Household Panel

Psychological distress
(Factor 1) • 54 indicators classified into 7
categories

Shelter • The FA confirms the

(Factor 7)
underlying structure
Cultural life
(Factor 4)
• The first 7 factors are
retained for further analyses
Working conditions
(Factor 5)
 EVALUACIÓN PSICOMÉTRICA DE ESCALAS SUBJETIVAS
Tipo de evidencia Preguntas Fundamentales Tipo de Análisis
Pruebas de Confiabilidad
Consistencia Interna ¿Los indicadores de la escala miden niveles similares? Coeficiente de Alfa Cronbach

Mediciones sucesivas ¿La escala produce similares medidas bajo condiciones equivalentes? Múltiple Administración
Pruebas de Validez
¿La escala parece medir lo que se supone que quiere medir? Evaluación por parte de “expertos” en
Apariencia
desarrollo de escalas
¿El contenido de los ítems refleja la definición del constructo teórico? Evaluación por un grupo de expertos /
Contenido ¿Los entrevistados entienden las preguntas/términos en la misma forma? Entrevista cognitiva / Focus Group

¿La escala mide el número de constructos teóricos?

¿Se pueden defender los constructos descubiertos? (desarrollo inicial)  Análisis Factorial Exploratorio (AFE)
¿Se confirman los constructos teóricos?  Análisis Factorial Confirmatorio (AFE)
Factorial
(Prueba de hipótesis)

¿La estructura es comparable entre los grupos relevantes?  with covariate DIF
(Item invariance)
Constructo ¿Las variables que deberían correlacionar con la escala lo hacen?
¿Las variables que no deberían correlacionar con la escala no lo hacen? Correlación, ANOVA, t-test
(Convergencia y Discriminancia)

Criterio Concurrente ¿Los puntajes de las escalas representan los entrevistados adecuadamente con
(grupos-conocidos o instruments- características conocidas? Correlación, ANOVA, t-test
conocidos) ¿Las categorizaciones basadas en nuevas escalas se relacionan bien con
aquellas basadas en medidas estandarizadas previas?

¿Los puntajes de las escalas predicen adecuadamente el comportamiento

Predictivo futuro o las actitudes de los respondientes? Correlación, ANOVA, t-test

Fuente: Adaptado de Abell et al. (2009) Developing and validating rapid assessment instruments, OUP.
 Análisis Factorial Exploratorio
(Abell et al. 2009, Brown 2006)

Una tipia función de un modelo factorial con un factor:

χ ij = λiξ j + δ ij donde xij, es el puntaje estandarizado del ith item para la persona jth ;
ξ j es la variable latente de la persona jth cuya escala es normalmente fijada con media = 0
Y varianza =1; λi, es la contribución factorial de la persona i; δi j residuo parte no explicada
por el modelo (error de medición)

Una típica función para un modelo factorial con tres modelos:

χ ij = λ1iξ1 j + λ2iξ 2 j + λ3iξ 3 j + δ ij

La función generalizada seria:

χ ij = λ1iξ1 j + λ2iξ 2 j + ...λdiξ dj + δ ij
donde xij, es el puntaje estandarizado del ith item para la persona fjth ; ξ dj es la variable latente para la persona
jth en factor d cuya escala es normalmente fijada con media =0 y varianza=1; λid, es la contribución factorial del
item i en el factor d; δi j residual parte no explicada por el modelo (error de medición)
 Ejemplos...
Medición de exclusión (Klasen 2000)
Comparar una medida de pobreza basada en el consumo con una medida
compuesta creada de depravaciones usando la encuesta de hogares de Sur
África
Variables y pesos de acuerdo al PCA

Quintil Gasto 0.36

Ventaja
Combustible para cocinar 0.35 ‘Cubre empíricamente las comunalidades
entre componentes individuales y basa los
Facilidad sanitaria 0.34
pesos en las relaciones empíricas entre las
Bienes durables 0.34 privaciones medidas en las capacidades
individuales’ p 39
Agua 0.33

Educación 0.28 Desventaja

Seguridad 0.01 ‘La desventaja de este enfoque es que
Malnutrición 0.15 implicitamente asume que solo los
componentes con fuerte correlación entre
Satisfacción 0.16 si son relevantes’

Transporte 0.20
Análisis Factorial Confirmatorio
(Abell et al. 2009, Brown 2006)

δ1 δ 2 δ 3 δ4 δ5 δ6 δ7 δ8 δ9 Items 1-3:
x ij = λ1iξ1 j + 0ξ 2 j + 0ξ 3 j + δ ij
x1 x2 x3 x4 x5 x6 x7 x8 x9 x ij = λ1iξ1 j + δ ij
λ1 λ2 λ3 λ4 λ5 λ6 λ7 λ8 λ9
Items 4-6:
ξ1 ξ2 ξ3
ψ1 ψ2 x ij = 0ξ1 j + λ2iξ 2 j + 0ξ 3 j + δ ij
x ij = λ2iξ 2 j + δ ij
ψ3
Name Parameter Type Description
Lambda-Y λx Regression Factor Loading Items 7-9:
Delta δ
Variance-
Covariance
Error variance and
covariance
x ij = 0ξ1 j + 0ξ 2 j + λ3iξ 3 j + δ ij
Psi ψ
Variance – Factor variance x ij = λ3iξ 3 j + δ ij
Covariance and covariance

Xi (Ksi) ξ Factor
Endogenous
variable
x represents the item or exogenous (observed) variable
Path digrama para un AFE?
(dos factores con rotacion oblicua)
Mas comunes indices de bondad de ajuste
(Abell et al. 2009, Bryne 2010, Brown 2006)

Chi-Square χ
2

El mas comun indice de bondad de ajuste el cual evalua la significancia de la deiferencia entre la matris
de varianza-covarianza observada y la estimada. Valores bajos indican buen bondad de ajueste. Tiende
a rechazar la hipotesis nula para muestras largas.

Root mean square residual (RMR)

También una medida absoluta de ajuste que refleja la discrepancia entre covarianza observada y
estimada. Es mas confiable que el chi-squeare. Es mas confiable con muestras largas. Toma valores
entre 0 y 1, donde 0.0 indica perfecta bondad de ajuste. Un valor de 0.05 o menor sugiere buen ajuste.

Root mean square error of approximation (RMSEA)

Este índice incorpora una función de penalidad para poca parsimoneidad del modelo al tomar en cuenta
el numero de parámetros estimados. El índice Un valor de 0.05 o menor sugiere una bondad razonable.

Comparative Fit Index (CIF)

Este índice evalúa la bondad de ajuste del modelo en contra de la ‘independencia’ del modelo en el cual
la covarianza entre los indicadores es fijada a cero. Un valor debajo de 0.95 es un excelente fit.

Tucker-Lewis index (TLI)

Evalúa el valor del chi-square en su grado de libertad en el modelo propuesto, relativo a la misma
cantidad en la hipótesis nula. Un valor debajo de 0.90 es una bondad de ajuste aceptable.
Pasos, procedimientos y recomendaciones
para el Análisis Factorial Exploratorio
(Ver: Brown 2006 The Common Factor Model and EFA)

1. Selección de indicadores y unidad de análisis

2. Selección del método de extracción

3. Decisión sobre el número de factores a retener

4. Selección del método de rotación

5. Interpretación y evaluación del la calidad de la solución

Monitoring Inequality Examples...
between social groups
(Roche 2008)

Foco: Indicadores seleccionados

Condiciones de la Vivienda
(la capacidad de ‘estar bien protegido’ -
‘being well sheltered’)
Contexto: Venezuela
Data: Encuesta de Hogares (2001)
Censo (‘71, ‘81, ‘90, 2001)
Sistema sanitario (Sewage system)
Agua (Water)
Electricidad (Electricity)
Combustible (Fuel)

Pisos (Floors)

Techos (Roofs)

Paredes (Walls)

Hacinamiento (Housing
Overcrowding Index)
2. Selección del método de extracción
• Principal factor (pf): Las contribuciones (factor loading) son calculadas
usando el cuadrado de las correlacions múltiples como estimación de las
comunalidades. Es uno de los método mas comunes y es preferible
cuando no se desea sumir normalidad multivariable.

• Principal-component factor (pcf): Equivale al método de análisis de

componentes principales donde las comunalidad se asumen igual a 1.
Estrictamente no corresponde a un análisis factorial.

• Iterated principal factor (ipf): Estima las comunalidades de manera

iterativa.

• Maximum-likelihood factor (ml): Permite evaluación estadística para

evaluar que tan bien la solucion factorial es capaz de reproducir la
relación entre los indicadores de la data originaria. Asume normalidad
multivariable.
3. Decisión sobre el número de factores a retener
 Kaiser Criterion (Guttman, 1954): los factores que tengan un
eigenvalue de 1.0 o mayor; con el razonamiento de que un factor no debe
explicar menos que la varianza equivalente que hubiera explicado una sola
de las variables incluidas en el análisis.
3. Decisión sobre el número de factores a retener
 Análisis del Scree Plot (Cattell, 1966): se identifican se identifica el
punto de inflexión en la curva del scree plot para selección un grupo
reducido de factores que eigenvalues significativamente superiores a los
demás.

Scree plot of eigenvalues after factor

6
4
Eigenvalues
2
0

0 5 10 15
Number
3. Decisión sobre el número de factores a retener
 Análisis paralelo (Horn, 1965): los factores a extraer deben dar cuenta
de mas varianza que la que es esperada de manera aleatoria.
6 4
Parallel Analysis
Eigenvalues
2 0

0 5 10 15
Factor

Factor Analysis Parallel Analysis

3. Decisión sobre el número de factores a retener
 Juicio teórico: : En la práctica los distintos métodos pueden llevar a
conclusiones contradictorias por lo cual es importante que también se
tome en cuenta el juicio teórico del analista. En ocasiones la teoría puede
indicar el número de factores que es relevante extraer y el analista puede
estar interesado en comprobar que los ítems convergen en los factores en
los que teóricamente se esperarían que lo hicieran y que a su vez su peso
en los otros factores es relativamente bajo. Este es el procedimiento que
se suele seguir en procesos de validación de escalas. En otras ocasiones
el analista puede estar más interesado en explorar la data para lo cual
intentará diferentes extracciones guiadas por los métodos anteriores y
procurará identificar si el número de factores extraído es teoréticamente
defendible.
4. Selección del método de rotación
Los factores son una solución ortogonal que implica independencia (no correlación) .
Los factores pueden ser rotados para facilitar interpretación, lo que en la practica es
distribuir la varianza entre los factores.

Como resultado aumentamos la contribución de algunos indicadores en algunos

factores mientras disminuye su contribución en otros factores. EL TOTAL DE LA
VARIANZA EXPLICADA POR LOS FACTORES SE MANTIENE CONSTANTE.

90˚
90˚ 90˚
130
˚

Rotación Ortogonal Rotación Oblicua

(e.g. Varimax) (promax or oblimin)

La decisión del método esta normalmente basada en la teoría (seria de esperar

que las dimensiones estén correlacionadas?) No hay una solución única!
Monitoring Inequality Ejemplo...
between social groups
(Roche 2008)

Unrotated, Varimax-rotated common components matrix

Unrotated VARIMAX-rotated
Component Component
1 2 3 1 2 3
Sewage 0.734 0.120 -0.010 0.518 0.418 0.331
Water 0.565 0.435 0.144 0.695 0.100 0.190
Electricity 0.420 0.529 0.138 0.687 -0.014 0.061
Fuel used for cooking 0.401 0.495 -0.088 0.620 0.147 -0.087
Floors 0.752 -0.208 -0.310 0.226 0.752 0.297
Roofs 0.597 -0.312 -0.595 0.018 0.897 0.070
Walls 0.692 -0.228 0.345 0.258 0.250 0.721
Housing Overcrowding Index 0.495 -0.513 0.513 -0.064 0.101 0.870
Extraction Method: Principal Component Analysis. 3 components extracted.
VARIMAX: Rotation converged in 4 iterations.
Oblimin: Rotation converged in 9 iterations.
5. Interpretación y evaluación del la
calidad de la solución

• Chequear si la solución tiene sentido y es interpretable

• Eliminar los factor que están poco definidos
• Eliminar los ítems que se comportan erráticamente (idealmente
deberían tener alta contribución en un factor y baja contribución
en los otros)
• De ser necesario el proceso puede ser iterativo corriendo nuevos
análisis hasta obtener una solución satisfactoria
• Si se pretende proponer una conclusión teórica, conviene replicar
el análisis en otras bases de dato y llevar a cabo un Análisis
Factorial Confirmatorio
Monitoring Inequality Ejemplo...
between social groups
(Roche 2008)

Sewage
Sewage system
system (X
(X11))

Water
Water (X
(X22))
Services
Services
Electricity
Electricity (X
(X33))

Fuel
Fuel (X
(X44))
Housing
Housing
Floors
Floors (X
(X55)) Adequacy
Adequacy

Roof
Roof (X
(X66)) Structure
Structure
Wall
Wall (X
(X77))

Housing
Housing Space
Space
Overcrowding
Overcrowding Index
Index (X
(X88)) and
and Density
Density

HAI =1/ 3( X1 + X 2 + X 3 + X 4) +1/ 3( X 5 + X 6 + X 7) +1/ 3( X 8)

Quizás el análisis de la adecuación de la vivienda debiera observar estos
diferentes niveles, y no centrarse no solo en un indicador sintético general.
Capabilities and Groups Inequalities Ejemplo...
(Roche 2009)
1 1

0.95
0.95
0.9
0.9
0.85

0.8 0.85

0.75
0.8
0.7
CS 0.75 CS
0.65 UC UC
UL UL
0.6 UM 0.7 UM
Hsoc1 Hsoc2 US US
Hsoc1 Hsoc2
HSoc3 HSoc4 UR HSoc3 HSoc4 UR
HSoc5 HSoc5
HSoc6 HSoc6
Overall housing adequacy Housing Services

1
0.95

0.9 0.925

0.9
0.8
0.875

0.7 0.85

0.825
0.6

0.8
0.5 CS CS
UC 0.775 UC
UL UL
0.4 UM 0.75 UM
Hsoc1 Hsoc2 US Hsoc1 US
HSoc3 HSoc4 Hsoc2
UR HSoc3 UR
HSoc5 HSoc4
HSoc5
HSoc6 HSoc6

Housing structure Space and density

Capabilities and Groups Inequalities Ejemplo...
(Roche 2009)
Adj. R-Squared for different models
Overall Space and
Services Structure
Adequacy Density
(HSI) (HTI)
(HAI) (HDI)
Model 1: Income and constant only
Y = c + λ1 X 1 + e 15.1% 4.8% 15.1% 6.2%

Model 2: Income, demographic factors and

constant
20.4% 8.5% 16.5% 19.9%
Y = c + λ1 X 1 + β 3 Z 3 + e

Model 3: Income, Hsoc, demographic factors

and constant
25.0% 10.0% 21.7% 21.2%
Y = c + λ1 X 1 + β 1 Z 1 + β 3 Z 3 + e

Model 4: Income, Hsoc, ZXT, ZXR,

demographic factors and constant
32.1% 28.8% 28.6% 21.8%
Y = c + λ1 X 1 + β1 Z 1 + β 2 Z 2 + β 3 Z 3 + e

Model 5: Income, Hsoc, ZXT, ZXR, other

occupational variables (EcoAct, SecInf,
SecPub), demographic factors and constant 34.0% 33.6% 29.8% 22.2%
Y = c + λ1 X 1 + β1 Z 1 + β 2 Z 2 + β 3 Z 3 + e
EVALUACIÓN PSICOMÉTRICA DE ESCALAS SUBJETIVAS
Las escalas psicométricas procuran medir un
Dimensionalidad de las escalas
constructo (i.e. percepción de autonomía) usando (Abell et al., 2009)
múltiples ítems. Escalas con múltiple-ítems son
generalmente mas validas que escalas con un
solo ítem. La teoría de medición de trasfondo es Dimensión
que los ítems contienen un componente ‘real’ y Uni Multi
un ‘ruido’ (error de medición). Múltiples ítems
Uni Mas simple Peor Posible
permiten disminuir el error de medición e
identificar consistencia entre los ítems – en Items
ocasiones el ítems puede estar midiendo algo Multi Mas común Mas complejo
diferente a lo que el investigador se propone
(Treiman 2009).

Error Items Constructo

Teórico
e Mi vida tiene un claro sentido o propósito
Sentido
e He descubierto un sentido satisfactorio de la vida del a
vida

e Tengo una clara idea de lo que le da sentido a mi vida

 Eg. Gagne et al 2009: The Motivation at Work Scale

External
regulation External:
1. Because this job affords me a certain standard of
living
2. Because it allows me to make a lot of money
Introjected 3. I do this job for the paycheck
regulation
Introjected:
1. Because I have to be the best in my job, I have to be
a “winner”
Scale 2. Because my work is my life and I don’t want to fail
Identified
Relative
regulation
Autonomy
3. Because my reputation depends on it

Identified:
1. I chose this job because it allows me to reach my life
Integrated goals
regulation 2. Because this job fulfills my career plans
3. Because this job fits my personal values

Intrinsic
Intrinsic
1. Because I enjoy this work very much
Regulation 2. Because I have fun doing my job
3. For the moments of pleasure that this job brings me

The stem is “Using the scale below, please indicate for each of the
Continuum following statements to what degree they presently correspond to one of
the reasons for which you are doing this specific job” and is
accompanied by the scale 1= not at all; 2= very little; 3 = a little; 4 =
moderately; 5 = strongly; 6 = very strongly; 7= exactly.
 Típico proceso de desarrollo de escalas subjetivas
Prueba piloto en muestras pequeñas
Evaluación de la validad de contenido junto a una rigurosa validación
(consulta a expertos, (AFE, Cronbach alfa ,
Diseño de ítems candidatos validación convergente)
entrevista cognitivas, grupos focales,,etc)

Largo número de Una lista mas Se eliminan los

ítems reducida y ítems débiles
refinada de ítems

Las escalas son adaptadas Las escalas finales son incorporadas en Test sucesivos con listas acortadas
a múltiples contextos e idiomas Encuestas de Hogares con muestras pequeñas
(muestras largas o pequeñas) (muestras largas y representativas) (AFC y criterio concurrente)

Escalas
Escalas Análisis de mayor validas y
comparables alcance confiables
Internac.
 EVALUACIÓN PSICOMÉTRICA DE ESCALAS SUBJETIVAS
Tipo de evidencia Preguntas Fundamentales Tipo de Análisis
Pruebas de Confiabilidad
Consistencia Interna ¿Los indicadores de la escala miden niveles similares? Coeficiente de Alfa Cronbach

Mediciones sucesivas ¿La escala produce similares medidas bajo condiciones equivalentes? Múltiple Administración
Pruebas de Validez
¿La escala parece medir lo que se supone que quiere medir? Evaluación por parte de “expertos” en
Apariencia
desarrollo de escalas
¿El contenido de los ítems refleja la definición del constructo teórico? Evaluación por un grupo de expertos /
Contenido ¿Los entrevistados entienden las preguntas/términos en la misma forma? Entrevista cognitiva / Focus Group

¿La escala mide el número de constructos teóricos?

¿Se pueden defender los constructos descubiertos? (desarrollo inicial)  Análisis Factorial Exploratorio (AFE)
¿Se confirman los constructos teóricos?  Análisis Factorial Confirmatorio (AFE)
Factorial
(Prueba de hipótesis)

¿La estructura es comparable entre los grupos relevantes?  with covariate DIF
(Item invariance)
Constructo ¿Las variables que deberían correlacionar con la escala lo hacen?
¿Las variables que no deberían correlacionar con la escala no lo hacen? Correlación, ANOVA, t-test
(Convergencia y Discriminancia)

Criterio Concurrente ¿Los puntajes de las escalas representan los entrevistados adecuadamente con
(grupos-conocidos o instruments- características conocidas? Correlación, ANOVA, t-test
conocidos) ¿Las categorizaciones basadas en nuevas escalas se relacionan bien con
aquellas basadas en medidas estandarizadas previas?

¿Los puntajes de las escalas predicen adecuadamente el comportamiento

Predictivo futuro o las actitudes de los respondientes? Correlación, ANOVA, t-test

Fuente: Adaptado de Abell et al. (2009) Developing and validating rapid assessment instruments, OUP.
Validación convergente del ítem: Kendall Tau b correlations
Las escalas correlacionan como es de espera con los ítems en cuanto a signo e
intensidad?

Consistencia interna de la escala:

Alfa de Cronbach (Cronbach 1955)
Psicólogos ponen atención en la confiabilidad:
Los indicadores en la escala producen
similares puntajes?

Economistas piensan en términos de robustes:

La escala produce ordenamientos similares?

Nr
α =
1+ r (N – 1)
(Treiman 2009)
N: número de items
r : promedio de la correlación entre items
 El Sentido de la Vida
El cuestionario del Sentido de la Vida
(Steger et al, 2006, ‘Meaning in Life questionnaire’)

Sentido: El sentido que tenemos, y el significado que sentimos en

relación a la naturaleza de nuestro ser y existencia

Mi vida tiene un claro sentido o propósito.

He descubierto un sentido satisfactorio de la vida
Tengo una clara idea de lo que le da sentido a mi vida

Versión corta de la escala ‘presencia de sentido’, que mide si una

persona percibe que da sentido a su vida y si esto se traduce en un
satisfactorio y claro propósito de vida
 Necesidades Psicológicas Básicas
3 sub-escalas (Deci and Ryan 2000)

Autonomía: Determinación autónoma, libertad de expresarse, autenticidad

Siento que soy libre de decidir cómo quiero vivir mi vida

En general siento que puedo expresar libremente mis ideas y opiniones
Siento que en toda situación diaria puedo ser honesto/a conmigo mismo

Competencia: Apreciación externa, sentido de logro, auto-eficacia

La gente que conozco me dice que soy capaz/hábil en lo que hago

La mayor parte del tiempo siento que cumplo en las cosas que hago
En general me siento muy capaz

Relacionamiento con otros: Interacción social, amistad, relación con otros

Me llevo bien con las personas con las que tengo contacto
Considero cercanas a las personas con las que me relaciono.
La gente que me rodea se preocupa por mí
ANALISIS FACTORIAL EXPLORATORIO

Factor
1 2 3 4

mv3_a My life has a clear meaning or purpose .759

mv3_b I have found a satisfactory meaning in life .920
mv3_c I have a clear sense of what gives meaning to my life .780
mv4_a I feel free to decide for myself how to lead my life .659
mv4_b I generally feel free to express my ideas and opinions .974
mv4_c I feel like I can pretty much be honest with myself in daily situations .632
mv5_a People I know tell me I am competent/capable at what I do .740
mv5_b Most of the time I feel a sense of accomplishment from what I do .843
mv5_c I generally feel very capable .820
mv6_a I get along well with people I come into contact with .638
mv6_b I consider myself close to the people I regularly interact with .928
mv6_c People in my life care about me .641

Chronbach’s Alpha .878 .845 .859 .809

Note: Only items with a loading higher than .300

ANALISIS FACTORIAL CONFIRMATORIO

X2(48)=231.41, p=.000, RMR=.013, RMSEA=.045, CFI=.986, TLI=.981

 Validación de las escalas de bienestar
psicológico y subjetivo con los datos de Chile
Factorial: El análisis factorial exploratorio muestra que los ítems convergen
y discriminan entre si de acuerdo a los cuatro constructos a evaluar
(sentido de la vida, autonomía, competencia, y relación social con otros).

Confiabilidad: Alta consistencia interna (Cronbach’s α), correlación interna

entre los ítems en cada escala y correlación entre las clases.

Estructura: Análisis Factorial Confirmatorio – la bondad de ajuste

confirma la estructura de los constructos teóricos.

Comparabilidad across groups: invariancia factorial para genero y grupos

de edad.

Concurrencia de criterio: correlación esperada con otros instrumentos

 Fortalezas
 Solución ad-hoc con alto poder de
reducción de dato
 Da cuenta sistemáticamente del error de
medición (basado en una teoría de
medición)
 Permite identificar relevantes
dimensiones subyacentes a los datos
 Reduce el riesgo de contar varias veces
atributos que están altamente
correlacionados mientras toma en cuenta
sistemáticamente el error de medición
 Los puntajes factoriales pueden ser
guardados y usados en futuros análisis
para inferencia o modelaje (o
alternativamente incorporado
directamente en modelos de ecuaciones
estructurales)
 Contribuyen a la validación sistemática
de escalas subjetivas
Debilidades
 El puntaje factorial final es de difícil
interpretación
 La agregación y pesos puede variar
cada vez que una nueva data es
considerada, dificultando la
comparación temporal o entre
diferentes contextos.
 No hay una solución única de
agregación (depende del la elección
del método de extracción y de
rotación)
 La validez de los constructos
identificados depende de la
relevancia teórica de los indicadores
elegidos
 Dificultad para trabajar con escalas
ordinales.