Tema 7: Análisis Factorial Exploratorio (AFE)

T7: Análisis Factorial Exploratorio (AFE)

Tema 7. AFE.

1. Aspectos
2. Fases del AFE
básicos

1. Aspectos básicos
¿Qué es el AFE?

Es una técnica que se utiliza para determinar la VALIDEZ de CONSTRUCTO, es decir, para
estudiar la ESTRUCTURA INTERNA del test

(en cuántos factores se agrupan las variables estudiadas, correlaciones obtenidas, …)

UTILIDAD del AFE  reducir el conjunto de ítems a factores (agrupaciones de ítems)

(Por ejemplo…)

ESCALA de ANSIEDAD Agrupar esos 70 ítems

¿Qué permite el AFE?
70 ítems en 3 factores

La importancia de los factores se fundamenta en el principio de parsimonia

Si tenemos un test de 65 ítems, no sería efectivo estudiar particularmente los 65 ítems uno por
uno, es aquí donde se consigue apreciar la utilidad de los factores. Esos ítems (variables)
cuando se agrupan, conforman subconstructos (factores) dentro del constructo principal (por
ej., ansiedad fisiológica, ansiedad cognitiva, ansiedad cdtual, como factores del constructo
principal: la ansiedad)

Siguiendo el ejemplo anterior: será más efectivo y cómodo, analizar de forma particular y
rigurosa 5 factores, que 70 ítems

2. Fases del AFE

Son 4…

(1) PREPARACIÓN, (2) FACTORIZACIÓN, (3) ROTACIÓN e (4) INTERPRETACIÓN

A continuación se profundizará en cada una de ellas

Tema 7: Análisis Factorial Exploratorio (AFE)

PREPARACIÓN

La primera fase se basa en la PREPARACIÓN de 3 ASPECTOS

MUESTRA

Preparación de... ÍTEMS

ANÁLISIS PREVIOS

PREPARACIÓN de MUESTRA

-Se deberá escoger una MUESTRA REPRESENTATIVA, para ello se deberá contemplar el
objetivo del instrumentos de evaluación

 Si el instrumento evalúa cdta patológica, entonces se escogerá población clínica; si

el instrumento evalúa cdta “normal” (intimidad), se escogerá población “normal”

-La muestra deberá estar conformada por un MÍN. de 200 PARTICIPANTES

Teniendo ese mínimo de 200 suj. muestrales, se accede a otro mínimo de 3-4 ítems / factor

[Nota: si no se tienen 200 suj. como muestra, el mínimo de 3-4 ítems / factor no es válido]

PREPARACIÓN de los ÍTEMS

-VALIDEZ de CONTENIDO = los ítems deberán cubrir los atributos del constructo a medir,
deberán ser relevantes para evaluar dicho constructo

Ítems válidos en contenido = ítems que se relacionan con el constructo que deseamos medir

Los ítems no deberán ser irrelevantes en contenido, es decir, si evaluamos ansiedad, el ítem no
puede preguntar por asertividad en el círculo familiar, por ej.

(Repaso de temas anteriores  Recordando la VALIDEZ de CONTENIDO)

Operacionalización del Los ítems deberán cubrir

constructo a medir esos atributos,
"Queremos medir un desencadenados del
constructo 'x'" constructo 'x'
Descomponemos ese
constructo en una serie de
atributos =VALIDEZ de CONTENIDO
Tema 7: Análisis Factorial Exploratorio (AFE)

-Antes de pasar de esta fase 1 de preparación, los ítems deberán ser ANALIZADOS

Análisis de dificultad (índice ‘p’ de dificultad), discriminación (índice ‘r’ de discriminación),

contenido (análisis cualitativo), …

(Estos análisis se han visto en temas anteriores)

 Se ELIMINARÁN…

Ítems redundantes, aunque aportan consistencia interna, provocan problemas

al AFE

Ítems irrelevantes, que solo aporten ruido

ANÁLISIS PREVIOS

Partimos de que nosotros como investigadores, queremos obtener factores a partir de los
ítems de nuestro test

Para saber si podemos factorizar (agrupar nuestros ítems en factores) o no, deberemos realizar
los 2 siguientes análisis…

Los ítems (variables) pueden llegar a correlacionar por puro azar

Si los ítems llegan a correlacionar por azar y no por contenido racional,
llegaríamos a tener una matriz de ítems llena de ruido (ítems irrelevantes)

El test de esfericidad de Barlett determinará si hay correlaciones debidas al azar o

no

TEST de ESFERICIDAD de Nomenclatura: χ2[grados de libertad] = [valor de la χ2] ; probabilidad

BARLETT Ej. χ266 = 1765; p < 0,001

¿Cómo se interpreta el test de esfericidad de Barlett?

 p menor que 0,001 (p < 0,001) = las correlaciones no se deben al azar, la matriz
podrá factorizarse
 p mayor que 0,001 (p > 0,001) = las correlaciones se deben al azar, son nulas, la
matriz de ítems si se factoriza, expondrá factores sin sentido

Determina si las correlaciones obtenidas son suficientemente “fuertes” para

poder proceder a la factorización

Sus valores oscilan entre el 0 y 1

¿Cómo se interpreta el índice KMO?
Índice KMO
 Valores inferiores a 0,70 = correlaciones insuficientes
Valores entre 0,70 – 0,79 = correlaciones suficientes
Valores superiores a 0,80 = correlaciones ideales
Tema 7: Análisis Factorial Exploratorio (AFE)

FACTORIZACIÓN

Pasada la fase 1 de preparación, llegamos a esta fase 2 con la certeza de que nuestros ítems
correlacionan correctamente entre sí (correlaciones fuertes que no se deben al azar)

Pero ahora la pregunta es: “En la fase 1 hemos concluido que podemos factorizar, pero, ¿cómo
obtenemos esos factores?”

Esta segunda fase da respuesta a esta última cuestión

MATRIZ de CORRELACIONES

Partimos de una tabla donde se representan las correlaciones entre todos los ítems de nuestro
instrumento de evaluación, denominada matriz de correlaciones

Hay 3 tipos de matrices de correlaciones

1) Matriz de correlaciones OBSERVADA = aquí se representan las correlaciones

obtenidas por las respuestas de los suj. (datos obtenidos en la administración del test)

2) Matriz de correlaciones REPRODUCIDA = propuesta de agrupación factorial que el

ordenador nos predice/propone1

El ordenador predecirá un modelo factorial para nuestro instrumento

3) Matriz de correlaciones RESIDUALES = aquí se exponen las “correlaciones de error”

que podemos obtener mediante nuestro modelo (agrupación) de factores

Si nuestro modelo es apropiado, las correlaciones en esta matriz reflejarán

valores pequeños

[ Cuantos ↓ residuos en esta matriz, mejor predecirá 2 nuestro modelo ]

(sigue )

1
Ejemplo aclaratorio
Nosotros acabamos 2do de bachillerato con unas notas ‘x’ = matriz de correlaciones observadas
El ordenador, según nuestras notas en bachiller, predecirá nuestras notas en la universidad = matriz de
datos reproducida
La probabilidad de error que podemos obtener en nuestra predicción hecha en ordenador (que el
modelo factorial elaborado en el ordenador no prediga bien) = matriz de correlaciones residuales

2
¿Por qué debe predecir nuestro modelo? Si nos llega a consulta una pareja con problemas, si le
pasamos el PAIR-R, nuestro instrumento tiene que poder predecir la relación entre ambos (qué grado de
intimidad tienen, …) para que nos facilite nuestra intervención en el caso como profesionales
Tema 7: Análisis Factorial Exploratorio (AFE)

ESTIMACIÓN de FACTORES

Llegados a este punto debemos responder a la pregunta de “¿cuántos factores deberemos

extraer de nuestras variables (ítems)?”

En primer lugar se nos presentan 2 MÉTODOS que subyacerán a dicho número de factores…

Método que intenta maximizar la probabilidad de respuestas observadas

Mét. de máxima verosimilitud
MV En otras palabras, este método lo que intenta es que el número de factores se
adapten lo mejor posible a la población estudiada

Método que intenta minimizar lo máximo posible los residuales, de tal forma que
Método de mínimos cuadrados no la diferencia entre la matriz de correlaciones observadas y reproducida sea
ponderados mínima
ULS
Intenta que los residuos sean lo más cercanos a cero

A la hora de determinar el nº de factores se mantendrá el principio de parsimonia, la llamada

navaja de Ockham3

Mediante este principio mantenemos que la solución factorial (nº de factores) más sencilla,
será la elegida para explicar nuestro constructo

PROBLEMAS que nos podemos encontrar

-Si el número de factores es exagerado (más de los necesarios), los resultados serán
difíciles de interpretar

Al haber factores de más, puede que cada factor esté conformado por pocos ítems, y
por lo tanto ser dimensiones débiles teóricamente (contenido trivial o insustancial)

-Si el número de factores es escaso (menos de los necesarios), se estarán creando

variables latentes que no podrán ser sustentadas teóricamente

Al no contemplarse dichas variables, el instrumento (su interpretación) no dará

respuesta teórica a ciertos aspectos del constructo evaluado

3
Guillermo de Ockham (1280-1349), filósofo escolástico. Principio de parsimonia o navaja de Ockham:
“en igualdad de condiciones, la explicación más sencilla suele ser la más probable”
Tema 7: Análisis Factorial Exploratorio (AFE)

¿CÓMO hallar el nº ideal de factores? RECOMENDACIONES

-Ante posibles incertidumbres a la hora de determinar el nº de factores, basarse

siempre en CRITERIOS OBJETIVOS (véase a continuación)

!  El nº de factores adecuado será siempre el que consiga menores residuos

entre las matrices observadas y reproducidas

-Si, a pesar de la contemplación de criterios objetivos, la incertidumbre se mantiene,

tomar decisiones en base al marco teórico y en la corriente ideológica perseguida

PROCEDIMIENTOS para DETERMINAR el Nº de FACTORES

Métodos tr
Recomendación clásica
Regla Kaiser
“Retener tantos factores como autovalores mayores que I” (?)

Mediante una representación gráfica, cuando la curva cambia de tendencia se

Gráfico de sedimentación deja de extraer factores
También se pueden extraer factores mediante la base teórica

“Jamovi te dice cuántos factores tienes en el test”

Combinación entre los 2 métodos anteriores
Análisis paralelo
Mucho más objetivo

CRITERIOS OBJETIVOS para DETERMINAR el Nº de FACTORES

También llamados índices de ajuste = índices que indicarán qué modelo factorial es mejor

(a continuación )
Tema 7: Análisis Factorial Exploratorio (AFE)

Tiene que ser simétrica, normal (aproximadamente) y con una media en torno a 0
Una campana de Gauss con media cero
Distribución de los
residuales
¿Cómo no tiene que ser? Asimétrica y descentrada
Si la distribución es asimétrica, puede indicar necesidad de más factores

Indica el error de medida

¿Cómo se interpreta?
RMCR / RMSA
Cuanto ↓ sea la RMCR, mejor predecirá el modelo
Raíz media cuadrática
residual
Valores por encima de 0,08 = inaceptables
Valores entre 0,05 – 0,08 = aceptables
Valores por debajo de 0,05 = excelentes

GFI
Sus valores oscilan entre 0 y 1
Índice gamma de bondad
Se deben obtener valores por encima del 0,95
de ajuste

Mide la MEJORA del ajuste del modelo propuesto en 2 aspectos…

-El modelo propuesto en comparación con un modelo nulo de 0 factores
Coeficiente NNFI -El modelo propuesto en comparación con un modelo que se ajuste
(Índice Tuker-Lewis) correctamente

El valor del coeficiente NNFI tiene que ser ↑0,85

[Repaso a la estimación de factores  Nota personal]

Viéndolo todo en perspectiva…

Los métodos “subyacentes” serán los que determinarán cómo enfocaremos la estimación de
factores

¿Queremos un modelo que se adapte lo mejor posible a la población? Método de

verosimilitud (MV)

¿Nuestro objetivo es evitar el error a toda costa? Método de mínimos cuadrados

ponderados (ULS)

A partir de estos métodos, estableceremos los procedimientos para determinar el nº de

factores

Regla Kaiser + gráfico de sedimentación  métodos tradicionales

Análisis paralelo  el que actualmente se utiliza (+ objetivo)

Tema 7: Análisis Factorial Exploratorio (AFE)

Para estar seguros de obtener una correcta solución factorial, se analizarán los criterios obj.

Distribución de residuales, RMCR/RMSA, índ. GFI, coeficiente NNFI (Tuker-Lewis)

ROTACIÓN

A partir de la factorización (fase 3) obtendremos una MATRIZ FACTORIAL, en la cual se

presentarán las relaciones entre los ítems y los factores

Las relaciones ítem-factor determinarán a qué factor pertenece cada ítem

Ejemplo de matriz factorial

El análisis paralelo propone 2 factores, se exponen las relaciones con 3 ítems

Factor 1 Factor 2
Ítem 1 0,012 0,784
Ítem 2 0,678 -0,435
Ítem 3 0,956 0,023

Según las cargas factoriales, la matriz factorial indica lo siguiente…

El ítem 1 pertenece al factor 2

Los ítems 2 y 3 pertenecen al factor 1

Debido a que la mayoría de resultados obtenidos por el AFE no son tan fáciles de interpretar
como el ejemplo anterior, lo que se hará en esos casos es ROTAR

ROTAR = transformar la matriz factorial para que podamos determinar a qué factor pertenece
cada ítem

En este punto se presentan 2 TIPOS de rotaciones

Este tipo de rotación parte del supuesto que los factores son INDEPENDIENTES
entre sí, es decir, que no tienen nada que ver
R. ORTOGONAL
POCO REALISTA

Este tipo de rotación parte del supuesto de que los factores NO son
INDEPENDIENTES entre sí, es decir, que tienen relación entre sí
R. OBLICUA
MÁS ACORDE a la REALIDAD
Tema 7: Análisis Factorial Exploratorio (AFE)

INTERPRETACIÓN

En la última fase lo que obtendremos mediante el AFE será lo siguiente…

Ítem a

Factor 1 Ítem b

Ítem c

Ítem d

Ansiedad Factor 2 Ítem e

Ítem f

Ítem

Factor 3 Ítem

Ítem

La INTERPRETACIÓN únicamente consistirá en dar un nombre y una base teórica a cada factor,
para su posterior interpretación