Vida

Cómo utilizar el análisis factorial confirmatorio

Escrito por damon verial Google | Traducido por laura de alba
Cómo utilizar el análisis factorial confirmatorio

El análisis factorial confirmatorio relaciona las variables para refutar o confirmar las hipótesis.

Burke/Triolo Productions/Brand X Pictures/Getty Images

El análisis factorial confirmatorio es una forma especial de análisis factorial en la que el investigador usa su modelo como base para los factores finales. Su propósito es confirmar o refutar el modelo del investigador. Para completar un análisis factorial confirmatorio, el investigador debe desarrollar un modelo y las hipótesis correspondientes antes de realizar el análisis de los datos. Este modelo relaciona las variables de interés entre ellas; las hipótesis deben posicionar qué tan fuertemente están relacionadas estas variables. La meta final de un análisis factorial confirmatorio es confirmar o refutar estas hipótesis y el modelo en sí observando cómo se conforman en el resultado del análisis. Aunque el análisis factorial confirmatorio puede parecer complicado al principio, es un proceso bastante sencillo y lineal de hecho.

Nivel de dificultad:
Difícil

Otras personas están leyendo

Necesitarás

  • Software estadístico (como R, SAS o SPSS)

Lista completaMinimizar

Instrucciones

  1. 1

    Enlista las variables entre estudio. Éstas son las variables que intentas y que puedes medir verdaderamente. Sé claro sobre el número total de variables. Por ejemplo, si estás interesado en los rasgos de personalidad de personas con diferentes estilos de apego, estos rasgos de personalidad serán tus variables.

  2. 2

    Crea factores para tu modelo. Estos factores deben ser similares en categorías, de forma que cada variable pueda estar conectada a un factor en tu modelo. El número de factores también debe de ser menor (regularmente mucho menor) que el número de variables. El número de factores y sus significados son las primeras dos hipótesis de tu análisis factorial confirmatorio. En nuestro ejemplo, los autores propuestos podrían ser los estilos de apego: seguro, ansioso y evitativo.

  3. 3

    Posiciona qué variables ajustan en cada factor. En esencia, necesitas categorizar las variables en factores. Esta es tu tercera hipótesis en el análisis. Por ejemplo, las variables (rasgos de personalidad) "preocupón" y "sospechoso" probablemente entrarían en el factor "ansioso". Usa lo que sabes sobre los estilos de apego para determinar qué variables coinciden con qué estilo (es decir, ajustan con cada factor).

  4. 4

    Postula las relaciones entre los factores. La hipótesis principal a la que debes llegar es si los factores están correlacionados o no correlacionados. En nuestro ejemplo, no deberían estar correlacionados.

  5. 5

    Recolecta los datos. Por ejemplo, los datos de encuestas se pueden utilizar para recolectar los rasgos de personalidad y los estilos de apego de un grupo de personas.

  6. 6

    Acomoda los datos en una matriz de correlación.

  7. 7

    Ingresa la matriz de correlación y el número de factores en un algoritmo de análisis factorial. Esto se hace de la misma forma en que lo harías para un análisis factorial exploratorio. De hecho, las mecánicas de los procesos son las mismas; únicamente la preparación y la interpretación son significativamente diferentes. El resultado debe ser una solución factorial sin rotación.

  8. 8

    Rota la solución. Si teorizaste que los factores están correlacionados, usa una rotación oblicua. De otra forma, usa una rotación ortogonal. En nuestro ejemplo, se debe utilizar una rotación ortogonal.

  9. 9

    Confirma si los factores de la solución rotada coinciden con los factores de tu hipótesis. Si no lo hacen, es probablemente porque tu hipótesis en lo que tiene que ver con los factores es incorrecta y debe ser ajustada. Por ejemplo, si descubres que la variable "preocupón" entra en el factor "evitativo", debes reconsiderar tu modelo.

  10. 10

    Comprueba la bondad del ajuste de la solución. El software de análisis factorial no siempre ofrece cálculos de distribución X2 para bondad del ajuste, pero puedes utilizar un índice de bondad de ajuste (GFI, por sus siglas en inglés) en su lugar. Si el GFI es mayor que 0,9, la solución coincide bien con tu modelo. Si el GFI es menor que 0,9, la hipótesis de tu modelo es probablemente incorrecta. Si deseas ajustar tu modelo, debes intentar ajustar el número de factores y cómo estableces las hipótesis acerca de la correlación de los factores.

Más galerías de fotos

comentarios

Filtrar por:
  • Mostrar todos
  • Artículos
  • Galerías de fotos
  • Videos
Ordenar:
  • Más relevante
  • Más popular
  • Más reciente

No se encuentran artículos disponibles

No se encuentran slideshows disponibles

No se encuentran videos disponibles

Copyright © 1999-2014 Demand Media, Inc. Acerca de

El uso de este sitio constituye la aceptación de los términos y política de privacidad de eHow. Ad Choices es-US

Demand Media