Análisis factorial exploratorio en TFG: KMO, Bartlett y SPSS
Análisis factorial exploratorio en TFG: KMO, Bartlett y SPSS
Tienes un cuestionario de:
20 ítems.
Calculas el alfa de Cronbach.
Resultado:
α = .91.
Parece excelente.
Entonces surge una conclusión muy habitual:
“Como el alfa es alto, las 20 preguntas miden una única variable.”
No necesariamente.
Podrías tener:
20 ítems;
un alfa elevado;
y, aun así:
tres dimensiones diferentes dentro del cuestionario.
Por ejemplo, una escala de satisfacción laboral podría incluir:
satisfacción con el salario;
satisfacción con las relaciones;
satisfacción con las condiciones laborales.
Todos los ítems pueden estar relacionados.
Pero eso no significa que exista:
un único factor.
Cuando quieres estudiar cómo se agrupan los ítems y qué dimensiones subyacentes pueden existir aparece una técnica muy utilizada:
el análisis factorial exploratorio.
También lo encontrarás como:
AFE.
En inglés:
Exploratory Factor Analysis — EFA.
SPSS permite obtener dentro de este análisis:
KMO;
prueba de Bartlett;
comunalidades;
autovalores;
varianza explicada;
gráfico de sedimentación;
cargas factoriales;
soluciones rotadas.
IBM describe precisamente el análisis factorial como un procedimiento destinado a identificar factores subyacentes capaces de explicar el patrón de correlaciones observado entre diferentes variables.
Vamos a ver qué significa cada resultado y, sobre todo, cómo evitar los errores más frecuentes.
¿Qué es un análisis factorial exploratorio?
El AFE intenta encontrar una estructura más sencilla detrás de un conjunto de variables observadas.
Imagina que tienes 18 preguntas.
A simple vista:
18 variables diferentes.
Pero quizá esas preguntas se organizan alrededor de:
3 dimensiones.
Por ejemplo:
Factor 1
Autonomía laboral.
Factor 2
Relaciones interpersonales.
Factor 3
Condiciones de trabajo.
El análisis factorial estudia:
cómo correlacionan los ítems entre sí
para detectar grupos de variables que parecen compartir una dimensión subyacente.
Variable observada y factor latente
Este concepto es importante.
Variables observadas
Son las respuestas que realmente tienes.
Por ejemplo:
P1.
P2.
P3.
P4.
Factor latente
Es una dimensión teórica que no observas directamente.
Por ejemplo:
ansiedad.
No puedes abrir SPSS y ver:
“ansiedad = 7,42”
de manera directa.
La intentas medir mediante diferentes indicadores:
Me siento nervioso frecuentemente.
Tengo dificultad para relajarme.
Me preocupo excesivamente.
Si esos ítems muestran un patrón común:
pueden reflejar un factor relacionado con:
ansiedad.
¿Para qué sirve el AFE en un TFG?
Puede utilizarse cuando quieres investigar:
cuántas dimensiones aparecen en un conjunto de ítems;
qué preguntas se agrupan;
qué ítems representan mejor cada factor;
si aparecen preguntas problemáticas;
si algunos ítems cargan en varios factores;
si la estructura observada coincide aproximadamente con lo esperado.
Es especialmente frecuente en:
Psicología;
Educación;
Marketing;
ADE;
Sociología;
Ciencias Sociales;
Salud.
Pero no necesitas realizarlo en:
todos los TFG cuantitativos.
¿Tengo que hacer AFE si uso un cuestionario validado?
No automáticamente.
Supongamos que utilizas:
una escala ampliamente validada;
en castellano;
con la misma estructura;
sin modificar los ítems;
en una población razonablemente comparable.
Tu TFG pretende estudiar:
relación entre ansiedad y rendimiento.
Probablemente no necesitas convertir tu proyecto en:
una nueva validación psicométrica completa.
Puede bastar con utilizar:
las puntuaciones establecidas
y estudiar:
su fiabilidad en tu muestra cuando proceda.
Otra situación sería:
has creado un cuestionario;
has cambiado muchos ítems;
has traducido o adaptado sustancialmente una escala;
tu objetivo es estudiar la estructura del instrumento.
Ahí el análisis factorial puede adquirir mucha más importancia.
AFE no significa “validar completamente”
Este error debe quedar claro.
Hacer:
KMO.
Bartlett.
Varimax.
y obtener:
tres factores
no significa que:
“el cuestionario ya está validado.”
La validez de un instrumento puede requerir diferentes fuentes de evidencia:
contenido;
estructura interna;
relación con otras variables;
funcionamiento de los ítems;
fiabilidad.
El AFE estudia principalmente:
estructura interna.
No toda la validez.
AFE y V de Aiken no son lo mismo
Puedes recordarlo así:
V de Aiken
Trabaja con:
valoraciones de expertos.
Pregunta:
¿Los ítems parecen relevantes, claros y coherentes?
AFE
Trabaja con:
respuestas de participantes.
Pregunta:
¿Cómo se relacionan realmente los ítems entre sí?
Son etapas completamente diferentes.
Puedes tener:
V de Aiken alta
y después descubrir mediante AFE que:
la estructura no aparece como esperabas.
AFE y alfa de Cronbach tampoco son lo mismo
Alfa
Estudia:
consistencia interna.
AFE
Estudia:
estructura dimensional.
Ejemplo:
15 ítems.
α = .90.
Pero el AFE muestra:
tres factores.
No existe contradicción.
Los ítems pueden estar bastante relacionados globalmente y, al mismo tiempo, formar:
subdimensiones.
Por eso un alfa alto no demuestra:
unidimensionalidad.
AFE vs análisis factorial confirmatorio
Otra diferencia fundamental.
Exploratorio
No impones completamente desde el inicio una estructura cerrada.
Preguntas:
¿Qué estructura parece aparecer en los datos?
Confirmatorio
Partes de un modelo concreto.
Por ejemplo:
Factor 1:
ítems 1-5.
Factor 2:
ítems 6-10.
Factor 3:
ítems 11-15.
Y evalúas:
hasta qué punto los datos son compatibles con ese modelo.
El AFC utiliza técnicas y criterios diferentes.
No son dos nombres para lo mismo.
Si ya sé la estructura, ¿debo hacer AFE?
Depende del objetivo.
Si estás validando una escala cuya estructura teórica ya está muy definida:
puede tener más sentido realizar:
un análisis confirmatorio.
Si estás:
explorando un nuevo instrumento;
adaptándolo sustancialmente;
investigando una estructura poco conocida,
el AFE puede tener mayor sentido.
No utilices AFE únicamente porque:
SPSS lo tiene en el menú.
Análisis factorial vs componentes principales
Esta diferencia genera muchísimo lío.
SPSS permite seleccionar:
Componentes principales
como método de extracción.
Pero:
análisis de componentes principales — ACP
y:
análisis factorial común
no son exactamente lo mismo.
ACP
Busca reducir un conjunto de variables a un número menor de componentes que expliquen la variabilidad total.
Análisis factorial
Busca modelar principalmente la varianza compartida entre las variables a partir de factores latentes.
Pueden producir resultados parecidos en determinadas situaciones.
Pero conceptualmente:
no son idénticos.
¿Por qué tantos TFG llaman análisis factorial a un ACP?
Porque SPSS incluye ambos procedimientos dentro del mismo menú.
Y durante muchos años ha sido extremadamente frecuente:
seleccionar componentes principales
rotación Varimax
y llamarlo:
“análisis factorial.”
Si tu objetivo es estudiar:
constructos latentes,
puede resultar más coherente considerar métodos de factores comunes como:
factorización de ejes principales.
IBM permite seleccionar diferentes métodos de extracción y muestra, por ejemplo, la factorización de ejes principales dentro del procedimiento Factor.
Antes de hacer AFE: ¿los datos son adecuados?
No basta con meter:
20 preguntas
en SPSS
y pulsar:
Aceptar.
Primero conviene estudiar si:
las correlaciones presentan una estructura apropiada.
Aquí aparecen dos nombres muy conocidos:
KMO
y:
Bartlett.
¿Qué es KMO?
KMO significa:
Kaiser-Meyer-Olkin.
Es una medida de adecuación para el análisis factorial.
De forma conceptual compara:
las correlaciones entre variables
con:
sus correlaciones parciales.
En un conjunto adecuado para análisis factorial interesa que exista:
una estructura de correlaciones compartidas suficientemente clara.
IBM explica que KMO estudia precisamente si las correlaciones parciales entre las variables son pequeñas.
¿Qué valores puede tomar KMO?
Su valor se encuentra entre:
0
y:
En términos generales:
cuanto mayor:
mejor adecuación para obtener una estructura factorial clara.
Encontrarás referencias orientativas como:
KMO | Interpretación orientativa |
< .50 | Problemático |
.50-.59 | Bajo |
.60-.69 | Mediocre/aceptable con cautela |
.70-.79 | Adecuado |
.80-.89 | Bueno |
≥ .90 | Muy elevado |
No conviertas estos puntos en:
leyes absolutas.
Un KMO de:
.69
no es radicalmente diferente de:
.70.
El número debe interpretarse junto a:
tamaño de muestra;
correlaciones;
ítems;
estructura;
resultados factoriales.
Ejemplo
Resultado:
KMO = .86
Puedes escribir:
La medida KMO mostró una adecuada relación entre las variables para proceder con el análisis factorial (KMO = .86).
Sin exagerar.
No necesitas decir:
“El KMO demuestra que el cuestionario es válido.”
No demuestra eso.
¿Qué es el KMO individual?
SPSS también puede mostrar:
la matriz anti-imagen.
En su diagonal aparecen medidas de adecuación para:
cada variable individual.
Puede ocurrir:
KMO general = .80.
Pero un ítem concreto presenta:
una medida individual muy baja.
Eso puede indicar que:
esa variable no encaja bien con las demás.
IBM señala que las medidas individuales de adecuación aparecen precisamente en la diagonal de la matriz de correlaciones anti-imagen.
¿Qué es la prueba de Bartlett?
Su nombre completo es:
prueba de esfericidad de Bartlett.
Pregunta, de forma simplificada:
¿La matriz de correlaciones se parece demasiado a una matriz identidad?
Una matriz identidad tendría:
1
en la diagonal
y:
aproximadamente 0 entre las distintas variables.
Si las variables apenas se relacionan:
¿qué factores comunes vas a encontrar?
Muy pocos.
IBM indica que Bartlett contrasta precisamente si la matriz de correlaciones es una matriz identidad; si lo fuera, el modelo factorial sería inadecuado.
¿Qué queremos obtener en Bartlett?
Habitualmente:
p < .05.
Esto permite rechazar la hipótesis de:
matriz identidad.
Ejemplo:
χ²(190) = 1.243,57.
p < .001.
Puedes escribir:
La prueba de esfericidad de Bartlett resultó significativa, χ²(190) = 1243,57, p < .001, indicando que las correlaciones existentes permitían considerar la aplicación del análisis factorial.
No escribas p = .000
SPSS puede mostrar:
.000.
Pero eso no significa:
p = exactamente cero.
Escribe:
p < .001.
KMO y Bartlett responden a preguntas diferentes
KMO
¿Existe suficiente varianza compartida en relación con las correlaciones parciales?
Bartlett
¿La matriz presenta correlaciones distintas de una identidad?
Necesitas interpretar:
ambos.
No digas:
“KMO y Bartlett = .82.”
Son estadísticos diferentes.
Ejemplo completo
KMO:
.88.
Bartlett:
χ²(276) = 1.824,32.
p < .001.
Redacción:
La adecuación de los datos para el análisis factorial se examinó mediante la medida KMO y la prueba de esfericidad de Bartlett. Se obtuvo un KMO de .88 y Bartlett resultó significativo, χ²(276) = 1824,32, p < .001, apoyando la aplicación del análisis factorial.
Suficiente.
¿Cuántos participantes necesito?
Esta es una de las preguntas más difíciles.
Encontrarás reglas como:
5 participantes por ítem.
10 por ítem.
N mínimo 100.
N mínimo 200.
No deberías presentar ninguna como:
ley universal.
La muestra necesaria depende también de:
número de factores;
número de ítems por factor;
magnitud de las cargas;
comunalidades;
calidad de los datos;
método de estimación.
Una estructura con:
cargas muy claras
puede resultar más estable que otra con:
muchas cargas pequeñas,
incluso con tamaños de muestra similares.
No diseñes un AFE únicamente con la regla 10:1
Ejemplo:
20 ítems.
Regla:
10 × 20 = 200.
Entonces escribes:
Necesito exactamente 200.
Eso es demasiado simplificado.
Puedes utilizar reglas heurísticas como orientación inicial.
Pero si el AFE es central en tu estudio:
la justificación debería ser más sólida.
Ítems Likert y análisis factorial
Muchísimos cuestionarios utilizan:
1-5
o:
1-7.
Esto plantea cuestiones metodológicas.
El procedimiento clásico de SPSS trabaja habitualmente con:
correlaciones de Pearson.
Pero los ítems Likert individuales son:
ordinales.
Cuando:
existen pocas categorías;
las distribuciones son muy asimétricas;
el instrumento requiere un estudio psicométrico riguroso,
puede resultar más apropiado considerar:
correlaciones policóricas
y métodos adecuados a datos ordinales.
Para un TFG básico quizá tu universidad utilice:
SPSS + Pearson
por tradición metodológica.
Pero no deberías afirmar que esa es:
la única forma posible.
Paso 1: revisar la matriz de correlaciones
Antes de interpretar factores:
mira si los ítems guardan relaciones razonables.
Si prácticamente todas las correlaciones son:
.01
.03
-.02
.04
difícilmente aparecerá:
una estructura común clara.
En el extremo contrario:
si dos ítems correlacionan:
.99
pueden ser casi duplicados.
El análisis factorial necesita:
relaciones.
Pero no:
variables idénticas.
Paso 2: KMO y Bartlett
Ya lo hemos visto.
Un resultado razonable podría ser:
KMO = .84.
Bartlett:
p < .001.
Eso permite continuar.
Pero no garantiza:
que la solución final vaya a ser buena.
Paso 3: elegir el método de extracción
Este paso se ignora mucho.
SPSS ofrece diferentes métodos.
Entre ellos:
componentes principales;
ejes principales;
máxima verosimilitud;
mínimos cuadrados;
otros procedimientos.
No selecciones:
lo que venga por defecto
sin saber qué estás haciendo.
Factorización de ejes principales
También conocida como:
Principal Axis Factoring.
Puede resultar apropiada cuando el objetivo es estudiar:
factores latentes basados en la varianza común.
IBM muestra este procedimiento como una de las opciones disponibles dentro del análisis factorial.
Máxima verosimilitud
Otra alternativa.
Tiene ventajas cuando se cumplen determinados supuestos y puede permitir:
determinados contrastes y estimaciones.
Pero puede ser más sensible a:
características distributivas.
No necesitas elegirla porque:
“suena más estadística.”
¿Qué son los autovalores?
También encontrarás:
eigenvalues.
Un autovalor refleja aproximadamente cuánta variabilidad explica un componente o factor dentro de la solución correspondiente.
Ejemplo:
Factor 1:
λ = 5,4.
Factor 2:
λ = 2,8.
Factor 3:
λ = 1,5.
Los primeros factores explican:
más.
Pero llega la gran pregunta:
¿cuántos factores mantengo?
Regla del autovalor mayor que 1
Es probablemente el criterio más famoso.
Conservas:
factores con λ > 1.
También se conoce como:
criterio de Kaiser.
Es sencillo.
Pero puede:
sobrestimar
o:
subestimar
el número correcto de factores en determinadas situaciones.
Por tanto, no debería ser necesariamente:
tu única decisión.
Scree plot
En castellano:
gráfico de sedimentación.
Representa:
los autovalores
según:
el número de factor.
Buscas una zona donde la caída fuerte empieza a:
aplanarse.
Como una montaña:
que se convierte en llanura.
Ese punto puede ayudarte a identificar:
cuántos factores resultan relevantes.
IBM permite solicitar el scree plot directamente dentro del procedimiento Factor.
Ejemplo
Autovalores:
5,8.
3,2.
2,1.
1,1.
0,9.
0,8.
0,7.
El gráfico puede mostrar:
una gran caída después del tercer factor.
Podría apoyar:
3 factores.
Pero el gráfico contiene:
un componente interpretativo.
Dos investigadores podrían no identificar exactamente:
el mismo “codo.”
Análisis paralelo
Esta es una herramienta especialmente interesante.
Compara:
los autovalores de tus datos
con:
los que aparecerían en datos generados aleatoriamente con características equivalentes.
Un factor se mantiene cuando su autovalor observado supera:
el valor de referencia de los datos aleatorios,
según el procedimiento utilizado.
La investigación metodológica considera el análisis paralelo una alternativa más sólida que depender únicamente de la regla de autovalor > 1.
Ejemplo de análisis paralelo
Tus datos:
Factor 1:
5.20.
Factor 2:
2.70.
Factor 3:
1.45.
Factor 4:
1.18.
Datos aleatorios:
Factor 1:
1.40.
Factor 2:
1.32.
Factor 3:
1.25.
Factor 4:
1.20.
Comparación:
Factor 1:
5.20 > 1.40 → mantener.
Factor 2:
2.70 > 1.32 → mantener.
Factor 3:
1.45 > 1.25 → mantener.
Factor 4:
1.18 < 1.20 → no mantener.
Resultado:
3 factores.
¿SPSS hace análisis paralelo automáticamente?
El procedimiento factorial estándar de SPSS ofrece:
autovalores;
scree plot;
extracción;
rotación;
pero el análisis paralelo puede requerir:
procedimientos adicionales;
sintaxis;
otras herramientas;
jamovi;
R.
Si tu TFG es básico y tu universidad únicamente exige:
Kaiser + scree plot,
sigue la metodología exigida.
Pero conviene conocer que existen:
criterios mejores que depender únicamente de λ > 1.
¿Qué criterio utilizo entonces?
Idealmente:
no uno solo.
Puedes combinar:
teoría;
análisis paralelo;
scree plot;
interpretabilidad;
autovalores;
número suficiente de ítems por factor.
Estudios actuales de construcción de escalas utilizan precisamente combinaciones de análisis paralelo, scree plot y coherencia teórica para decidir cuántos factores retener.
No elijas el número de factores únicamente porque coincide con tu teoría
Esperabas:
3 factores.
El análisis muestra claramente:
No deberías obligar a SPSS a sacar:
3
únicamente porque:
“era mi hipótesis.”
Puedes explorar diferentes soluciones.
Pero debes explicar:
cómo tomaste la decisión.
Tampoco dejes que SPSS decida toda la teoría
SPSS muestra:
4 factores.
El cuarto contiene únicamente:
dos preguntas sin relación conceptual.
¿Significa que acabas de descubrir un nuevo constructo?
No necesariamente.
La solución necesita:
interpretabilidad teórica.
La estadística y la teoría deben dialogar.
¿Qué son las comunalidades?
Las comunalidades indican qué proporción de la variabilidad de cada variable queda representada por:
los factores comunes retenidos.
Ejemplo:
Ítem 1:
h² = .72.
Una parte bastante alta de su variabilidad queda representada.
Ítem 2:
h² = .18.
Muy poca.
Ese segundo ítem puede estar:
mal representado por la solución.
¿Qué comunalidad se considera buena?
Encontrarás reglas:
.30.
.40.
.50.
No utilices ninguna como:
frontera universal.
Una comunalidad baja puede indicar:
un ítem problemático.
Pero antes de eliminarlo revisa:
relevancia teórica;
carga factorial;
contenido;
tamaño muestral;
estructura global.
No conviertas:
h² < .30
en:
“borrar automáticamente.”
¿Qué son las cargas factoriales?
Las cargas indican:
qué relación tiene un ítem con un factor.
Podemos pensar en ellas de manera aproximada como:
la fuerza con la que una variable está asociada al factor.
Ejemplo:
Ítem | Factor 1 | Factor 2 |
P1 | .78 | .10 |
P2 | .74 | .15 |
P3 | .69 | .19 |
P4 | .12 | .81 |
P5 | .18 | .76 |
P1-P3:
Factor 1.
P4-P5:
Factor 2.
Muy claro.
¿Qué carga es suficiente?
Otra pregunta sin una frontera universal.
Puedes encontrar:
.30.
.40.
.50.
Como referencias.
En muchos estudios:
cargas ≥ .40
se consideran suficientemente relevantes para interpretación.
Pero depende de:
muestra;
disciplina;
instrumento;
número de factores;
teoría.
Estudios recientes de validación utilizan .40 como criterio práctico, pero lo combinan con comunalidades, cargas cruzadas y coherencia teórica, no como una regla automática.
Ítem con carga baja
Ejemplo:
P7:
Factor 1 = .19.
Factor 2 = .14.
Factor 3 = .20.
No parece representar claramente:
ninguno.
Puede ser candidato a:
revisión.
Pero pregunta:
¿es un ítem teóricamente imprescindible?
¿está mal redactado?
¿pertenece a otra dimensión?
¿Qué son las cargas cruzadas?
En inglés:
cross-loadings.
Ocurre cuando un mismo ítem carga de forma importante en:
más de un factor.
Ejemplo:
P8:
Factor 1 = .56.
Factor 2 = .52.
¿A qué factor pertenece?
No está claro.
Ese ítem puede:
mezclar dos conceptos;
estar redactado de forma demasiado amplia;
reflejar un contenido compartido.
Ejemplo
Ítem:
Estoy satisfecho con el apoyo de mis compañeros y con mis condiciones laborales.
Contiene:
dos ideas.
Puede relacionarse con:
Factor 1:
relaciones.
y:
Factor 2:
condiciones.
La carga cruzada tiene:
sentido.
Quizá el problema está en:
el ítem.
No elimines todas las cargas cruzadas sin pensar
Un constructo real puede tener:
dimensiones relacionadas.
Los ítems pueden compartir contenido.
La decisión debe valorar:
diferencia entre cargas;
teoría;
claridad;
objetivo del instrumento.
¿Qué es la rotación?
La solución inicial puede resultar:
difícil de interpretar.
La rotación reorganiza matemáticamente los factores para conseguir:
una estructura más clara.
No crea:
nuevos datos.
Busca facilitar:
interpretación.
IBM ofrece diferentes métodos como:
Varimax;
Direct Oblimin;
Quartimax;
Equamax;
Promax.
Varimax
Es una rotación:
ortogonal.
Asume factores:
no correlacionados.
Busca que cada variable tenga:
cargas altas en pocos factores
y bajas en otros.
Puede producir una solución muy sencilla de interpretar.
Pero existe una pregunta conceptual:
¿realmente crees que tus dimensiones no están relacionadas?
Ejemplo
Escala psicológica:
ansiedad.
depresión.
estrés.
¿Es razonable asumir correlación exactamente:
0
entre esas dimensiones?
Probablemente no siempre.
Entonces una rotación oblicua puede tener:
más sentido.
Oblimin
Es una rotación:
oblicua.
Permite que los factores:
correlacionen.
IBM identifica Direct Oblimin precisamente como una rotación no ortogonal.
Promax
También permite:
factores correlacionados.
Puede ser útil en soluciones con muchas variables y suele utilizarse en estudios de:
constructos psicológicos y sociales.
IBM la incluye igualmente entre las rotaciones oblicuas disponibles.
¿Varimax u Oblimin?
No elijas:
Varimax
porque:
“es la que usa todo el mundo.”
Pregunta:
¿los factores podrían relacionarse teóricamente?
Si sí:
una rotación oblicua puede resultar más realista.
Si existe una razón clara para considerarlos independientes:
puedes valorar una ortogonal.
Ejemplo
Constructo:
calidad de servicio.
Factores:
atención;
confianza;
rapidez.
Probablemente puedan estar relacionados.
Un participante que valora muy bien:
la atención
también puede valorar positivamente:
confianza.
Imponer correlación cero quizá sea demasiado fuerte.
Pattern matrix y Structure matrix
Cuando utilizas rotación oblicua SPSS puede mostrar:
Pattern Matrix
y:
Structure Matrix.
No son exactamente lo mismo.
La matriz de patrón suele ser especialmente importante para decidir:
qué variable carga principalmente en cada factor.
La matriz de estructura incorpora:
las correlaciones entre factores.
Si utilizas:
Oblimin o Promax,
no interpretes automáticamente la misma tabla que usarías con Varimax.
¿Qué tabla aparece con Varimax?
Normalmente tendrás una:
Rotated Component Matrix
o matriz equivalente según el método.
Con un verdadero análisis factorial común puede hablarse de:
matriz factorial rotada.
Lo importante es:
saber qué método de extracción y rotación aplicaste.
¿Qué es la varianza explicada?
SPSS puede mostrar:
qué porcentaje de variabilidad explica cada factor.
Ejemplo:
Factor 1:
31 %.
Factor 2:
18 %.
Factor 3:
12 %.
Total:
61 %.
Eso significa que la solución retenida representa:
una parte importante de la variabilidad compartida/analizada según el método utilizado.
Pero cuidado:
no existe un porcentaje universal como:
“60 % = válido.”
La cantidad esperable depende muchísimo de:
la disciplina
y:
el tipo de variables.
Ciencias Sociales vs medidas físicas
En algunas ciencias sociales los constructos pueden ser:
mucho más complejos.
La varianza explicada puede ser:
más modesta.
No deberías importar un umbral de:
otra disciplina
sin contexto.
¿Cómo nombrar los factores?
Este paso no lo hace realmente SPSS.
SPSS te dice:
P1, P2, P3
cargan juntos.
Pero tú debes interpretar:
qué tienen en común.
Ejemplo:
P1:
Me siento escuchado por mi responsable.
P2:
Mi responsable tiene en cuenta mis opiniones.
P3:
Puedo hablar fácilmente con mi responsable.
Podrías nombrar:
Apoyo del supervisor.
El nombre surge:
del contenido.
No del número:
Factor 1.
No inventes nombres atractivos sin mirar los ítems
Factor:
P1:
salario.
P2:
horario.
P3:
vacaciones.
Nombre:
Bienestar emocional profundo.
No encaja.
Quizá represente:
condiciones laborales.
La interpretación tiene que volver siempre a:
los ítems.
Cada factor necesita suficientes indicadores
Un factor formado por:
un único ítem
suele ser difícil de defender como:
factor latente.
Dos ítems también pueden resultar:
muy débiles
dependiendo del contexto.
Una estructura con:
varios ítems claros por factor
suele ser más interpretable y estable.
No mantengas un factor únicamente porque:
su autovalor fue 1,03
si contiene:
una pregunta.
Ejemplo completo
Cuestionario:
18 ítems.
N:
KMO:
.87.
Bartlett:
p < .001.
Análisis paralelo:
3 factores.
Rotación:
Promax.
Resultado:
Factor 1
P1 .81.
P2 .78.
P3 .74.
P4 .69.
P5 .66.
Factor 2
P6 .84.
P7 .79.
P8 .71.
P9 .67.
P10 .61.
Factor 3
P11 .80.
P12 .75.
P13 .68.
P14 .63.
Cuatro ítems restantes:
cargas bajas o cruzadas.
Ahora tienes una estructura bastante interpretable.
¿Qué hago con los cuatro ítems problemáticos?
No los borres todos de golpe.
Revisa individualmente.
P15
Carga:
.22.
Quizá no mide:
ningún factor.
P16
Carga:
.55 y .52.
Problema:
carga cruzada.
P17
Carga:
.44
pero es teóricamente fundamental.
Puede necesitar:
revisión.
P18
Carga:
-.70.
Quizá:
ítem invertido.
Antes de eliminarlo:
comprueba codificación.
Los ítems invertidos pueden crear problemas
Imagina:
1 = totalmente en desacuerdo.
5 = totalmente de acuerdo.
Ítems positivos:
Estoy satisfecho.
Ítem invertido:
Detesto mi trabajo.
Si no recodificaste adecuadamente:
puede comportarse de forma opuesta.
Antes del análisis factorial:
revisa:
todos los ítems invertidos.
¿Qué hago después de eliminar un ítem?
Normalmente:
vuelves a ejecutar el análisis.
¿Por qué?
Porque al eliminar una variable pueden cambiar:
KMO;
cargas;
factores;
varianza;
comunalidades.
No elimines:
cinco ítems simultáneamente
y:
des después por buena la tabla inicial.
Pero cuidado con eliminar hasta conseguir “una tabla bonita”
Este riesgo es importante.
Ejecutas.
Borras.
Ejecutas.
Borras.
Ejecutas.
Borras.
Hasta que:
todo carga perfecto.
Puedes terminar adaptando excesivamente el instrumento a:
una sola muestra.
La estructura podría no replicarse:
en otra.
Las decisiones deben combinar:
estadística
y:
teoría.
Exploración no es confirmación
Has encontrado:
3 factores
en la misma muestra que utilizaste para descubrirlos.
Eso es:
evidencia exploratoria.
Lo ideal para una validación fuerte sería comprobar posteriormente la estructura en:
otra muestra
mediante análisis confirmatorio.
En un TFG quizá no tengas recursos para hacerlo.
No pasa nada.
Simplemente no presentes:
un AFE
como:
confirmación definitiva.
¿Puedo dividir mi muestra?
Si tienes una muestra suficientemente grande:
puedes utilizar:
una parte para AFE
y:
otra para AFC.
Eso ofrece una evaluación más independiente.
Pero dividir una muestra pequeña puede dejar:
dos grupos insuficientes.
No lo hagas automáticamente.
¿Cómo hacer AFE en SPSS?
La ruta general actual es:
Analizar → Reducción de dimensión → Factor.
IBM documenta esa misma ruta en SPSS Statistics.
Selecciona:
los ítems que quieras analizar.
Después revisa varias opciones.
En “Descriptivos”
Puedes solicitar:
KMO;
Bartlett;
matriz anti-imagen;
matriz de correlaciones.
IBM incluye todas esas opciones dentro del apartado descriptivo del análisis factorial.
En “Extracción”
Debes seleccionar:
el método.
Por ejemplo:
Factorización de ejes principales.
También puedes solicitar:
gráfico de sedimentación.
No dejes automáticamente:
“Componentes principales”
si tu intención real es:
modelar factores latentes.
En “Rotación”
Puedes elegir:
Varimax.
Oblimin.
Promax.
La decisión debe seguir:
la relación teórica entre factores.
En “Opciones”
Puedes ordenar:
cargas por tamaño
y:
suprimir valores muy pequeños.
Por ejemplo:
no mostrar:
cargas < .30.
Esto mejora:
legibilidad.
Pero recuerda:
ocultar una cifra en la tabla
no significa que:
haya desaparecido estadísticamente.
Ejemplo de output
Primera tabla:
KMO and Bartlett's Test.
Después:
Communalities.
Después:
Total Variance Explained.
Después:
Scree Plot.
Después:
matriz de cargas.
Dependiendo de la rotación:
Rotated Factor Matrix;
Pattern Matrix;
Structure Matrix.
No pegues:
todas las tablas
sin explicar.
¿Qué tablas deberían aparecer en el TFG?
Puede bastar con:
Tabla 1
KMO y Bartlett.
Tabla 2
Cargas factoriales de la solución final.
Tabla 3
Varianza explicada/factores cuando sea relevante.
El scree plot:
puede incluirse como figura.
No necesitas mostrar:
cada output intermedio
si no aporta información.
Tabla limpia de cargas
Ejemplo:
Ítem | F1 | F2 | F3 |
P1 | .81 | ||
P2 | .78 | ||
P3 | .72 | ||
P4 | .83 | ||
P5 | .76 | ||
P6 | .68 | ||
P7 | .80 | ||
P8 | .74 | ||
P9 | .69 |
Puedes suprimir visualmente:
cargas muy pequeñas
si explicas el criterio utilizado.
Esto es mucho más legible que:
una captura completa de SPSS.
Cómo redactarlo en metodología
Ejemplo:
La estructura interna del instrumento se exploró mediante análisis factorial exploratorio. Previamente se evaluó la adecuación de los datos utilizando la medida Kaiser-Meyer-Olkin y la prueba de esfericidad de Bartlett. La extracción se realizó mediante factorización de ejes principales y se aplicó una rotación oblicua Promax, al considerarse teóricamente plausible la existencia de correlación entre los factores. El número de factores se determinó considerando conjuntamente el análisis paralelo, el gráfico de sedimentación y la interpretabilidad teórica de la solución.
Esto ya permite entender:
qué hiciste
y:
por qué.
Cómo redactar los resultados
Ejemplo:
Los datos mostraron una adecuada factorizabilidad, con un valor KMO de .86 y una prueba de esfericidad de Bartlett estadísticamente significativa, χ²(153) = 1264,42, p < .001. El análisis paralelo y la inspección del gráfico de sedimentación apoyaron una solución de tres factores. Tras aplicar rotación Promax, los ítems presentaron una estructura interpretable y las cargas principales se situaron mayoritariamente por encima de .40.
Después:
presentas la tabla.
No escribas únicamente:
KMO = .80 y Bartlett = .000, por tanto todo es válido.
Eso no interpreta:
la estructura.
KMO y Bartlett solo responden:
si tiene sentido plantear factoración.
No dicen:
cuántos factores;
qué ítems;
qué cargas.
Ejemplo de Psicología
Escala:
conductas de estudio.
30 ítems.
AFE encuentra:
4 factores:
planificación;
procrastinación;
autorregulación;
persistencia.
Después puedes calcular:
fiabilidad
para:
cada subescala,
si corresponde.
No calcules necesariamente:
un alfa único para los 30 ítems.
Ejemplo de Marketing
Cuestionario:
percepción de una marca.
Factores:
confianza;
calidad percibida;
identificación;
intención de compra.
Si un ítem de:
intención de compra
carga principalmente en:
confianza,
necesitas revisar:
su redacción
y:
tu modelo teórico.
Ejemplo de Educación
Escala:
competencia digital docente.
Factores:
creación de contenidos;
comunicación;
evaluación;
seguridad digital.
AFE puede ayudar a estudiar:
si las preguntas se organizan de esa forma
en tu muestra.
Ejemplo de Turismo
Cuestionario:
imagen de destino.
Factores posibles:
naturaleza;
patrimonio;
gastronomía;
servicios.
Los nombres finales deben basarse en:
el contenido real de los ítems.
No únicamente:
en lo que esperabas encontrar.
Error frecuente 1: alfa alto = un solo factor
Incorrecto.
Error 2: hacer AFE para cualquier encuesta
Solo tiene sentido cuando existe una lógica de:
variables relacionadas/factores latentes.
Error 3: confundir ACP y AFE
No son exactamente lo mismo.
Error 4: utilizar Varimax siempre
Los factores pueden correlacionar.
Error 5: interpretar únicamente KMO y Bartlett
Eso es solo el principio.
Error 6: autovalor >1 como criterio único
Puede producir soluciones incorrectas.
Error 7: ignorar el scree plot
Aporta información sobre:
retención factorial.
Error 8: ignorar análisis paralelo
Es una herramienta especialmente útil para decidir el número de factores.
Error 9: eliminar ítems únicamente por una cifra
Incluye:
teoría y contenido.
Error 10: mantener cargas cruzadas enormes sin comentarlas
Puede existir ambigüedad estructural.
Error 11: borrar ítems hasta conseguir el resultado esperado
Puedes sobreajustar el instrumento.
Error 12: no volver a ejecutar después de eliminar variables
La solución cambia.
Error 13: nombrar factores sin revisar los ítems
El nombre debe representar:
su contenido.
Error 14: llamar validación completa a un AFE
Es una fuente de evidencia.
No toda la validación.
Error 15: realizar AFE con una muestra diminuta sin advertirlo
La estructura puede ser:
muy inestable.
Error 16: ignorar la naturaleza ordinal de los ítems
Puede afectar a:
la elección del método.
Error 17: pegar el output completo
Presenta únicamente:
lo necesario.
Checklist antes de realizar AFE
Comprueba:
Tengo una razón metodológica para estudiar la estructura.
Los ítems pretenden reflejar factores latentes.
Tengo una muestra razonable para el análisis.
He revisado valores perdidos.
He comprobado ítems invertidos.
He examinado correlaciones.
He calculado KMO.
He revisado Bartlett.
Sé qué método de extracción utilizo.
No confundo ACP y AFE.
He decidido cómo determinar el número de factores.
He revisado el scree plot.
He considerado análisis paralelo.
Sé por qué utilizo Varimax, Oblimin o Promax.
He revisado comunalidades.
He revisado cargas principales.
He identificado cargas cruzadas.
Las decisiones sobre ítems incluyen criterios teóricos.
He vuelto a ejecutar el análisis tras cambios importantes.
No presentaré el AFE como validación total.
Preguntas frecuentes
¿Qué es un análisis factorial exploratorio?
Es una técnica que analiza las relaciones existentes entre variables observadas con el objetivo de identificar un número menor de factores subyacentes que pueda explicar el patrón de correlaciones.
¿Qué significa AFE?
Análisis Factorial Exploratorio.
¿Para qué sirve KMO?
Ayuda a evaluar la adecuación del patrón de correlaciones para realizar un análisis factorial.
¿Qué significa un KMO alto?
Indica una mejor adecuación relativa del conjunto de variables para encontrar una estructura factorial.
¿Qué significa Bartlett significativo?
Indica que existen correlaciones suficientes para rechazar la hipótesis de que la matriz sea una matriz identidad.
¿Bartlett tiene que ser menor de .05?
Habitualmente se busca un resultado significativo cuando se evalúa la factorizabilidad mediante esta prueba.
¿KMO y Bartlett demuestran que el cuestionario es válido?
No. Solo aportan información preliminar sobre la adecuación de los datos para aplicar el análisis factorial.
¿Qué es una comunalidad?
Es una medida de cuánto de la variabilidad de un ítem queda representado por los factores retenidos.
¿Qué son las cargas factoriales?
Son coeficientes que representan la relación de los ítems con los factores.
¿Qué significa que un ítem cargue en dos factores?
Que presenta una carga cruzada y su asignación a una única dimensión puede resultar ambigua.
¿Qué es Varimax?
Es una rotación ortogonal que mantiene los factores sin correlación y facilita una estructura de cargas más simple.
¿Qué es Oblimin?
Es una rotación oblicua que permite correlación entre los factores.
¿Qué es Promax?
Otra rotación oblicua que permite que los factores estén correlacionados.
¿Qué es el scree plot?
Es el gráfico de sedimentación de los autovalores y puede ayudar a identificar el número de factores que conviene retener.
¿Qué es el análisis paralelo?
Compara los autovalores observados con autovalores obtenidos a partir de datos aleatorios y ayuda a decidir cuántos factores conservar.
¿Es mejor que utilizar solo autovalores superiores a 1?
La literatura metodológica recomienda no depender únicamente del criterio de Kaiser y considera el análisis paralelo una herramienta especialmente útil para decidir la retención de factores.
¿SPSS hace AFE?
Sí. El procedimiento se encuentra en:
Analizar → Reducción de dimensión → Factor.
¿Tengo que usar SPSS?
No. También pueden utilizarse herramientas como:
jamovi;
R;
JASP;
u otros programas adecuados.
¿AFE y componentes principales son lo mismo?
No. El ACP se orienta principalmente a reducción dimensional de la varianza observada, mientras que el análisis factorial común intenta representar factores latentes responsables de la varianza compartida.
¿AFE y alfa de Cronbach son lo mismo?
No. Alfa estudia consistencia interna; AFE estudia estructura dimensional.
¿AFE y AFC son lo mismo?
No. El AFE explora una posible estructura, mientras que el AFC evalúa un modelo factorial previamente especificado.
¿Tengo que hacer AFE en un cuestionario validado?
No automáticamente. Depende de si tu objetivo consiste en estudiar de nuevo la estructura del instrumento, del tipo de adaptación realizada y de las características de la investigación.
La regla más importante
No hagas un análisis factorial para conseguir:
una tabla con muchos números.
Hazlo únicamente si necesitas responder:
¿qué estructura existe detrás de estos ítems?
Y cuando lo hagas:
no mires solamente:
KMO.
No mires solamente:
Bartlett.
No mires solamente:
autovalores.
No mires solamente:
cargas.
La decisión correcta surge de combinar:
datos
estructura estadística
contenido de los ítems
teoría.
Porque SPSS puede decirte que:
P3, P7, P11 y P14
cargan juntos.
Pero SPSS no sabe:
qué significan esas preguntas.
Esa última parte sigue correspondiendo al investigador.
Y precisamente ahí está la diferencia entre:
ejecutar un análisis factorial
y:
entender realmente lo que has encontrado.
Comentarios