Saltar al contenido
Volver a los resultados

Análisis Factorial

Propuesto por
Louis Leon Thurstone
Año
1931
Tipo
Method
Familia
dimension-reduction

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El análisis factorial es una técnica estadística para identificar dimensiones latentes (no observadas) subyacentes a variables observadas, desarrollada por Louis Leon Thurstone en la década de 1930 y formalizada por Jöreskog (1969).

El análisis factorial exploratorio (AFE) descubre estructuras factoriales desconocidas a partir de los datos; el análisis factorial confirmatorio (AFC) pone a prueba las relaciones hipotetizadas entre variables observadas y latentes. Esencial en psicometría (desarrollo de pruebas), investigación organizacional (medición de constructos como el estilo de liderazgo) y biomedicina (identificación de subtipos de enfermedades), el análisis factorial reduce la dimensionalidad al tiempo que revela la organización conceptual en datos multivariados.

La intuición detrás del método

Las variables observadas (ítems de cuestionario, mediciones) son a menudo manifestaciones de constructos latentes subyacentes (inteligencia, gravedad de la depresión, clima organizacional) que no se pueden medir directamente. El análisis factorial asume que las correlaciones entre variables observadas reflejan factores latentes compartidos. Las matemáticas descomponen una matriz de correlación en varianza común (explicada por los factores) y varianza única (error y efectos específicos del ítem). El análisis factorial exploratorio pregunta: ¿qué estructura latente explica mejor estas correlaciones? El análisis factorial confirmatorio pregunta: ¿una estructura teóricamente propuesta se ajusta a los datos? Esto permite a los investigadores medir conceptos abstractos, validar instrumentos de evaluación y comprender la organización dimensional en conjuntos de datos complejos.

Historia

Charles Spearman (1904) introdujo el análisis factorial para explicar las correlaciones positivas entre habilidades mentales (inteligencia general 'g'). Louis Leon Thurstone (1931) lo amplió a múltiples factores y desarrolló métodos de rotación (centroide, ejes principales). El análisis factorial confirmatorio y el modelado de ecuaciones estructurales de Karl Jöreskog (1969) revolucionaron la prueba de hipótesis en modelos de variables latentes. El criterio de Kaiser (Kaiser, 1960) estandarizó la extracción de factores basada en autovalores. Los desarrollos modernos incluyen la teoría de respuesta al ítem (Rasch, 1960), métodos de estimación robustos (estimación libre de distribución) y análisis factorial multigrupo/multinivel para comparar estructuras entre poblaciones o datos anidados.

Cuándo usarlo

Utilizar el AFE al explorar la estructura dimensional de un nuevo constructo de medición, refinar escalas o comprender las relaciones entre variables observadas sin teoría a priori. Evaluación psicológica: selección de ítems para un nuevo cribado de depresión, escala de evaluación del liderazgo. Biomédica: identificación de subtipos de enfermedades a partir de correlaciones de síntomas. Utilizar el AFC al validar escalas desarrolladas previamente, probar modelos de medición teóricos o comparar estructuras factoriales rivales. Común en psicología: confirmar el modelo unidimensional frente al multidimensional de un constructo. También utilizar el AFC como la parte de medición de modelos de ecuaciones estructurales más amplios que vinculan variables latentes con resultados.

Limitaciones y consideraciones

  • Los resultados del AFE dependen de la muestra; la estructura factorial puede no replicarse en una nueva muestra. Siempre validar los hallazgos mediante validación cruzada o utilizar análisis factorial confirmatorio en una muestra independiente.
  • Asume relaciones lineales entre variables y factores; los efectos no lineales o umbrales no se detectan.
  • La interpretación es subjetiva: estructuras de autovalores y rotaciones similares pueden arrojar interpretaciones diferentes. Múltiples soluciones pueden ajustarse igualmente bien a los datos.
  • Requiere muestras grandes para estimaciones estables: regla general n > 5 × variables; muestras pequeñas (n < 100) producen factores inestables e irreplicables.
  • El AFC asume que el modelo de medición es correcto a priori; si la estructura real difiere, las medidas de ajuste del modelo pueden no detectar la especificación incorrecta (mínimos locales, modelos equivalentes).

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Reducción de la dimensionalidad: muchas variables observadas se comprimen en menos factores latentes interpretables, simplificando el análisis y la comunicación.
  • Revela constructos latentes: permite la medición de conceptos abstractos (inteligencia, personalidad, cultura organizacional) que no se pueden observar directamente.
  • Base estadística para el desarrollo de pruebas: respalda la evidencia de validez para evaluaciones psicológicas y educativas; el AFC valida formalmente los modelos de medición.
  • Flexible: acomoda datos binarios, ordinales y continuos; maneja datos faltantes mediante máxima verosimilitud de información completa (FIML) en el AFC.
  • Se extiende a modelos complejos: base para el modelado de ecuaciones estructurales que vinculan variables latentes con resultados, permitiendo pruebas de mediación y moderación.

Aplicaciones

  • Desarrollo de pruebas psicológicas: construcción y validación de escalas clínicas (depresión, ansiedad), inventarios de personalidad (Big Five) y pruebas de aptitud cognitiva; establecimiento de evidencia de validez.
  • Investigación organizacional: medición de constructos como satisfacción laboral, compromiso organizacional, estilo de liderazgo; confirmación de la naturaleza multidimensional de conceptos complejos.
  • Evaluación de la calidad de vida: reducción de muchos ítems relacionados con la salud a dimensiones interpretables (funcionamiento físico, mental, social) para la medición de resultados.
  • Evaluación educativa: desarrollo de evaluaciones curriculares, establecimiento de la validez de exámenes de ingreso a la universidad, reducción de conjuntos de ítems preservando la cobertura conceptual.
  • Investigación biomédica: identificación de fenotipos de enfermedades distintos a partir de correlaciones de síntomas/marcadores genéticos (endotipos), reducción de datos genómicos de alta dimensionalidad a dimensiones latentes interpretables.

Cómo funciona

Cómo funciona

1

Realizar un análisis factorial exploratorio o confirmatorio mediante la recopilación de datos sobre múltiples variables observadas (típicamente >5) de una muestra suficientemente grande (regla general: n > 5 × número de variables, o un mínimo absoluto de n ≥ 100; idealmente n > 200). Para el AFE: recopilar datos sin hipótesis previa sobre la estructura factorial; las variables deben estar razonablemente intercorrelacionadas (verificar la matriz de correlación; correlaciones < 0.3 sugieren factores improbables). Evaluar la adecuación muestral: la prueba de Kaiser-Meyer-Olkin (KMO) compara la magnitud de las correlaciones con las correlaciones parciales; KMO > 0.6 aceptable, > 0.7 bueno. La prueba de esfericidad de Bartlett debe ser significativa (p < 0.05), lo que indica que las correlaciones difieren de la matriz de identidad. Para el AFC: especificar una estructura factorial hipotetizada a priori basándose en la teoría y la investigación previa.

2

Para el análisis factorial exploratorio: extraer factores utilizando el análisis de ejes principales (PAF) o la máxima verosimilitud (ML). Criterio de Kaiser: retener factores con autovalores > 1. Gráfico de sedimentación (scree plot): graficar los autovalores en orden decreciente; retener factores antes del codo (punto de rendimiento decreciente). Análisis paralelo: comparar los autovalores con los de datos aleatorios; retener factores que superen el punto de referencia aleatorio. Rotar factores (varimax = ortogonal/no correlacionados, oblimin = oblicuo/correlacionados) para mejorar la interpretabilidad y lograr una estructura simple (cada variable carga fuertemente en un factor). Informar las cargas factoriales (correlaciones entre variables y factores): típicamente |carga| > 0.4 se considera saliente; cargas > 0.7 fuertes. Calcular las comunalidades: proporción de la varianza de cada variable explicada por los factores; comunalidades bajas (<0.3) sugieren un ajuste deficiente para esa variable. Para el análisis factorial confirmatorio: ajustar el modelo hipotetizado utilizando software de modelado de ecuaciones estructurales (SEM). Informar los índices de ajuste del modelo: CFI (Índice de Ajuste Comparativo) > 0.95, TLI (Índice de Tucker-Lewis) > 0.95, RMSEA (Error Cuadrático Medio de Aproximación) < 0.06, SRMR (Residuo Cuadrático Medio Estandarizado) < 0.08 (Hu & Bentler, 1999).

3

En el AFE, identificar factores latentes examinando qué variables cargan alto en cada factor; interpretar el factor conceptualmente basándose en el contenido de las variables. Por ejemplo, si los ítems sobre tristeza, desesperanza y anhedonia cargan >0.6 en un factor, etiquetarlo como 'depresión'. Informar la varianza explicada por los factores: la suma de las cargas al cuadrado dividida por el número de variables × 100% da la varianza por factor; el total entre factores indica el ajuste general. Fiabilidad dentro de cada factor: calcular el alfa de Cronbach (≥0.70 aceptable, ≥0.80 bueno) en las variables que cargan en ese factor. En el AFC, examinar las cargas factoriales estandarizadas (todas deben ser > 0.4, idealmente > 0.6); las cargas no significativas sugieren que los ítems miden mal el constructo. Índices de ajuste del modelo: cumplir todos los criterios (CFI > 0.95, RMSEA < 0.06) respalda el modelo propuesto. Los índices de modificación sugieren rutas alternativas; sin embargo, la manipulación del modelo basada en datos (post hoc) compromete la validez del modelo; utilizar muestras de validación cruzada para probar modelos modificados. Informar la varianza explicada por la variable latente para cada variable observada (R²).

Errores comunes

  • AFE basado en datos con muestras pequeñas: capitaliza el azar; la replicabilidad en una nueva muestra es pobre. Siempre realizar el AFE en una muestra exploratoria y validar en una muestra de reserva.
  • Extracción de factores basada únicamente en el criterio de Kaiser (autovalor > 1); el gráfico de sedimentación y el análisis paralelo proporcionan orientación adicional y a menudo sugieren menos factores.
  • Retención de factores ininterpretables: si un factor no se puede etiquetar conceptualmente o contiene cargas conceptualmente no relacionadas, considere eliminarlo en lugar de forzar la interpretación.
  • Errores de especificación del modelo AFC: la especificación incorrecta de la estructura factorial, la omisión de rutas teóricamente relevantes o la permisión de errores correlacionados sin justificación comprometen la validez.
  • Interpretación errónea de la magnitud de la carga factorial: las cargas son correlaciones, no regresiones; una carga de 0.5 explica solo el 25% de la varianza de la variable (R² = 0.5²).
  • Uso de rotación inapropiada: varimax (ortogonal) impone factores no correlacionados; oblimin (oblicuo) permite correlaciones. Elegir según la teoría; la rotación ortogonal a menudo no es realista.

Preguntas frecuentes

¿Cuál es la diferencia entre análisis factorial exploratorio y confirmatorio?

El análisis factorial exploratorio (AFE) descubre la estructura latente a partir de los datos sin teoría previa; se deja que los datos guíen cuántos factores y qué variables cargan en qué factores. Use AFE al investigar un nuevo constructo o escala. El análisis factorial confirmatorio (AFC) prueba una estructura factorial hipotetizada especificada antes del análisis basándose en la teoría y la investigación previa. El AFC proporciona pruebas formales de ajuste y es estadísticamente más riguroso. Práctica estándar: realizar AFE en una muestra de entrenamiento para proponer un modelo, luego validar con AFC en una muestra de prueba independiente (o usar validación cruzada). Nunca realice AFE en la misma muestra utilizada para la validación AFC.

¿Cuántos factores debo extraer? ¿Qué me dice el gráfico de sedimentación?

Múltiples criterios guían la extracción de factores: (1) Criterio de Kaiser (autovalor > 1) es tradicional pero a menudo sugiere demasiados factores. (2) Gráfico de sedimentación (scree plot): autovalores graficados en orden decreciente; retener factores antes del codo (punto donde comienzan los rendimientos decrecientes). El 'scree' es la pendiente después del codo. (3) Análisis paralelo: comparar autovalores empíricos con los de permutaciones aleatorias; retener solo factores que superen la línea de base aleatoria. El análisis paralelo es el más defendible estadísticamente. (4) Interpretabilidad: retener solo factores que pueda etiquetar y explicar conceptualmente. Diferentes criterios a menudo arrojan diferentes números; consulte múltiples métodos y la teoría.

¿Qué significa una carga factorial de 0.6 y en qué se diferencia de un coeficiente de fiabilidad?

Una carga factorial de 0.6 es la correlación entre una variable observada y un factor latente; indica que la variable contribuye a medir ese factor. La carga al cuadrado (0.6² = 0.36) es la proporción de la varianza de la variable explicada por el factor. Las cargas > 0.4 son mínimamente aceptables; > 0.6 son fuertes. Un coeficiente de fiabilidad (alfa de Cronbach, típicamente ≥0.70) mide la consistencia interna: el grado en que múltiples variables que miden el mismo constructo se correlacionan entre sí. La carga muestra la relación con el factor latente; el alfa muestra si las variables juntas miden consistentemente un constructo. Ambos importan: cargas altas y alfa alto juntos respaldan una dimensión latente homogénea.

¿Cómo manejo variables con bajas comunalidades?

La comunalidad es la proporción de la varianza de una variable explicada por todos los factores (suma de las cargas al cuadrado entre factores). Las comunalidades bajas (<0.3) sugieren que la variable está mal representada por los factores, ya sea porque: (1) mide un constructo único no capturado por el modelo factorial, (2) es poco fiable/ruidosa, o (3) la solución factorial es incorrecta. Opciones: eliminar la variable (simplificar el modelo si está justificado teóricamente), añadir factores (puede sobreajustar) o investigar si la variable pertenece genuinamente a la escala. Siempre examine el contenido del ítem; a veces, una baja comunalidad refleja un ítem mal redactado en lugar de un desajuste conceptual.

Métodos relacionados

Fuentes

  1. Thurstone, L. L. (1947). Multiple Factor Analysis. University of Chicago Press.

    Abrir referencia DOI
    Copiado.
  2. Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202.

    Abrir referencia DOI
    Copiado.
  3. Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151.

    Abrir referencia DOI
    Copiado.