Please enable JavaScript.
Coggle requires JavaScript to display documents.
El análisis factorial exploratorio de los ítems - Coggle Diagram
El análisis factorial exploratorio de los ítems
¿Cuándo aplicamos Análisis Factorial Exploratorio y cuándo Confirmatorio
CLASICA:Nos dice que es mejor utilizar el AFE para "constrír" teoría, y cuando el intrumento evaluado no sea conocido y sea nuevo, ayudando a identificar los factores latentes ; AFC es para confirmar la teoria, permite probar la estructura hipotetizada y si se ajusta adecuadamente a los datos
ACTUAL: En la actualidad existen dos tendencias. La primera, se recomienda seguir el "construir- confirmas" del AFE Y AFC , siempre que el tamaño de la muestra lo permita. Se divide la muestra aleatoriamente en dos submuestras y explorar ambas con cada tipo de análisis factorial
La segunda tendencia, se cuestiona pues se plantea que se tiene una serie de problemas
¿Cómo se seleccionan los ítems más adecuados para construir el test?
Recomendación clásica:
Primero definir el constructo a medir y a partir de eso seleccionar los ítems de forma que cubran todo los aspectos relevantes en esa definición, guiandose de ciertos criterios ya establecidos
Recomendación actual: sigue vigente la recomendación clásica, pero se incorporo nuevas recomendaciones como la eliminación de redundancia que vienen a depurar aún más el proceso de selección de ítems, pues genera más varianza que la que la explicada; su distribución aproximarnos al supuesto de continuidad para su fácil análisis.
¿Qué tamaño de muestra mínimo necesito? ¿Qué aspectos de su composición hay que considerar?
CLASICA: Enfoque 1) Varios autores sugieren un tamaño mínimo que van de 50 y 400 sujetos, 50 ( siendo la más deficiente) y 1000 ( excelente). Va entonces de 200 casos o más (menos clínicas) es suficiente para análisis descriptivos y psicométricos de ítems, pero se recomiendan llegar 500 o más.
Enfoque 2) defensa de la proporciones ítems, lo basico seria 10 veces por items o “regla de los 10”.
ACTUAL: El tamaño muestral interactúa con el diseño, naturaleza de los datos, matriz, el número de ítems, homogeneidad y la comunalidad, Es de importancia en el AFE para alcanzar el mismo nivel de precisión y estabilidad
Tipo de datos y matriz de asociación.
CLASICA: Dirigida a la matriz de correlaciones de Pearson como matriz de input, esta es adecuada para evaluar la relación lineal entre dos variables continuas y de distribución normal.
Estas recomendaciones clásicas han sido ignoradas pues no es siempre la opción adecuada analizar la matriz de correlaciones producto-momento de Pearson, además la imposibilidad de analizar otro tipo de matriz por el SPSS
ACTUAL: En la actualidad se sigue recomendando revisar las dis-tribuciones de los ítems como paso previo, pero ahora además es posible usar otro tipo de matrices de asociación si es conveniente: policórica (para ítems politómicos) o te-tracórica, (en caso de ítems dicotómicos).
Si la muestra es pequeña (200 sujetos) y las distribuciones son adecuadas se recomienda factorizar la matriz de correlaciones de Pearson.
Adecuación de los datos al Análisis Factorial
Cómo se selecciona el número de factores más adecuado?
CLASICA: Utilizar la regla de Kaiser: seleccionaremos factores con valores mayores que 1 de la matriz como alternativa computacionalmente eficaz a las opciones más adecuadas, pero computacionalmente mucho menos eficien-tes basadas en AFE y en rotaciones oblicuas.
ACTUAL: Kaiser es la más desaconsejada de todas las opciones posibles uno de los inconvenientes es en que el número de factores que identifica está en relación directa con el número de ítems que se analicen en este caso porque la subjetividad que entraña resulta difícilmente programable
se recomienda con insistencia que la decisión acerca del número de factores se tome tras considerar: 1) varios criterios objetivos, y siempre teniendo en cuenta 2) la interpretabilidad de la solución encontrada y 3) la teoría de partida estos parten de una lógica diferente al AP. Todos ellos se basan en la evaluación de las correlaciones residuales.
¿Qué tipo de rotación de factores y qué criterio de asignación de ítems a los factores debemos emplear?
CLÁSICA:Thurstone sugirió que los factores fueran rotados en un espacio multidimensional para conseguir la solución con la mejor estructura simple. La rotación factorial puede ser ortogonal u oblicua.
ACTUAL: Donde hay un uso mayoritario de la rotación ortogonal, a utilizar cada vez más la rotación oblicua. La rotación oblicua es capaz de presentar estructuras más claras, simples e interpretables y también utilizarla independientemente del modelo teórico del que se parta. Aunque, si las correlaciones entre factores fueran consistentemente bajas (por debajo de .30 ó .20), se propone repetir el análisis utilizando una solución ortogonal.
¿Cuándo aplicamos Análisis Factorial y cuándo Componentes Principales?
CLÁSICA: Era razonable aplicar CP cuando 1) el número de ítems por factor era alto, y 2) los ítems contenían poco error de medida, ya que en estas condiciones particula-res la solución obtenida por un procedimiento u otro eran virtualmente equivalentes.
ACTUAL: Hoy día la eficiencia computacional del ACP frente al AFE ya no es tal. Disponemos de nuevas opciones de esti-mación de factores (como el método de factorización ULS del que luego nos ocuparemos) que hacen posible la aplica-ción del AFE en condiciones en que antes era imposible.