UNIVERSIDAD PÚBLICA DE EL ALTO

DIRECCIÓN DE POSGRADO
CENTRO DE ESTUDIOS Y FORMACIÓN DE POSGRADO E
INVESTIGACIÓN
“CEFORPI”

“APLICACIÓN DEL ANÁLISIS FACTORIAL CONFIRMATORIO A LA

INVESTIGACIÓN CIENTÍFICA”

MONOGRAFÍA PRESENTADA EN
OPCIÓN AL DIPLOMADO EN
ESTADÍSTICA APLICADA A LA
INVESTIGACIÓN CIENTÍFICA,
TÍTULO INTERMEDIO DE LA
MAESTRÍA EN INVESTIGACIÓN
CIENTÍFICA VERSIÓN X-
MODALIDAD VIRTUAL.
AUTOR: ERIK ERNESTO MUÑOZ ROYO

EL ALTO – BOLIVIA
2022
 ÍNDICE

INTRODUCCIÓN ............................................................................................................................ 1
CAPÍTULO 1: GENERALIDADES DE LA INVESTIGACIÓN................................................. 2
1.1. ANTECEDENTES DEL PROBLEMA ........................................................................... 2
1.2. OBJETIVOS ...................................................................................................................... 4
1.3. OBJETIVO GENERAL ................................................................................................... 4
1.4. OBJETIVO ESPECÍFICO ............................................................................................... 4
1.5. JUSTIFICACIÓN ............................................................................................................. 4
1.6. ENFOQUE METODOLÓGICO ..................................................................................... 4
CAPÍTULO 2: MARCO TEÓRICO ............................................................................................... 5
2.1. ANÁLISIS FACTORIAL ................................................................................................. 5
2.2. FACTOR ............................................................................................................................ 6
2.3. RESULTADOS DEL ANÁLISIS FACTORIAL ............................................................ 7
2.4. INFORMACIÓN QUE PROPORCIONA EL ANÁLISIS FACTORIAL ................... 8
2.5. ANÁLISIS FACTORIAL CONFIRMATORIO ............................................................ 9
2.6. FACTORES PRINCIPALES O COMUNES ............................................................... 11
2.7. NÚMERO DE FACTORES ........................................................................................... 12
2.8. CRITERIOS PARA VALORAR LA MAGNITUD DE LAS CORRELACIONES
VARIABLE-FACTOR ............................................................................................................... 12
2.9. NÚMERO MÍNIMO DE VARIABLES PARA DEFINIR UN FACTOR.................. 13
2.10. ANÁLISIS FACTORIAL Y COMPROBACIÓN DE LA VALIDEZ DE
CONSTRUCTO .......................................................................................................................... 13
2.11. ANÁLISIS FACTORIAL APLICANDO JAMOVI................................................. 16
2.12. ANÁLISIS FACTORIAL APLICANDO JAMOVI................................................. 16
CAPÍTULO 3: RESULTADOS DEL ANÁLISIS FACTORIAL CONFIRMATORIO ........... 19
3.1. INFORMACIÓN DESCRIPTIVA ..................................................................................... 19
3.2. INFORMACIÓN SOBRE LA FIABILIDAD .................................................................... 20
3.2. INFORMACIÓN DEL ANÁLISIS FACTORIAL CONFIRMATORIO ....................... 21
CAPÍTULO 4: CONCLUSIONES Y RECOMENDACIONES .................................................. 27
4.1 CONCLUSIONES ................................................................................................................. 27
4.2 RECOMENDACIONES ....................................................................................................... 28
BIBLIOGRAFÍA ............................................................................................................................. 29
 ÍNDICE DE FIGURAS

Figura 1: Gráfico del modelo ............................................................................................................ 26

 ÍNDICE DE TABLAS

Tabla 1: Estadísticos Descriptivos .................................................................................................. 19

Tabla 2: Estadísticas de Fiabilidad de Escala ................................................................................... 20
Tabla 3: De Pearson Correlaciones .................................................................................................. 20
Tabla 4: Ajuste del modelo - Prueba Chi cuadrado ......................................................................... 21
Tabla 5: Medidas de ajuste adicionales - Índices de ajuste ............................................................ 21
Tabla 6: Otras medidas de ajuste..................................................................................................... 21
Tabla 7: Estimaciones de parámetros - Cargas de los factores y R-cuadrado ................................ 22
Tabla 8: Varianzas de factores ......................................................................................................... 22
Tabla 9: Covarianzas de Factores ..................................................................................................... 22
Tabla 10: Varianzas de los residuos ................................................................................................. 23
Tabla 11: Covarianzas de los residuos ............................................................................................. 23
Tabla 12: Matriz de covarianzas implícitas ...................................................................................... 24
Tabla 13: Matriz de covarianzas de los residuos ............................................................................. 24
Tabla 14: Índices de Modificación - Cargas cruzadas ..................................................................... 25
Tabla 15: Covarianzas de los residuos ............................................................................................. 25
 1

INTRODUCCIÓN

La presente monografía es una investigación ponderable que inicia con la pregunta de

investigación ¿Cuál es el aporte de la aplicación del análisis factorial confirmatorio en la
investigación científica? El objetivo general que guío la investigación fue: Estudiar el análisis
factorial confirmatorio en la investigación científica con un enfoque de carácter cuantitativo.
Entre los objetivos específicos se tienen los siguientes:

 Identificar el marco conceptual más importante sobre las características del análisis
factorial confirmatorio.
 Presentar un caso práctico de aplicación del análisis factorial confirmatorio.
 Exponer las estadísticas descriptivas del caso práctico.
 Determinar las estadísticas de fiabilidad de la escala de medición.
 Determinar las cargas y covarianzas de los factores, y varianzas de los residuos.
 Evaluar la validez del constructo aplicando índices de ajuste.

La importancia del análisis factorial confirmatorio es que permite contrastar un modelo

construido con antelación, en dicho modelo el investigador establece a priori el conjunto total
de las relaciones entre los elementos que lo configuran.

La organización de la presente monografía, siguió la siguiente estructura capitular:

El capítulo 1, está referido a los a los antecedentes más relevantes del problema, objetivos de
la investigación, justificación, enfoque metodológico con un enfoque cuantitativo, sustentado
en un proceso deductivo que permite explicar la validez del constructo de investigación.
El capítulo 2, comprende las teorías y conceptos más importantes que permiten sustentar y a
su vez comprender la temática de investigación sobre el análisis factorial confirmatorio en la
investigación científica.
El capítulo 3, expone un caso práctico (Caso Hipotético) sobre el síndrome 'burnout' se
presenta la información estadística descriptiva, fiabilidad del diseño del instrumento y
análisis factorial confirmatorio.
En el epilogo, se determinan conclusiones y se proponen las recomendaciones más relevantes
de la investigación. En la parte final van las referencias bibliográficas y anexos.
 2

CAPÍTULO 1: GENERALIDADES DE LA INVESTIGACIÓN

El capítulo inicial está referido a los antecedentes más relevantes del problema, objetivos de
la investigación, justificación, enfoque metodológico con un enfoque cuantitativo, sustentado
en un proceso deductivo que permite explicar la validez del constructo de investigación.

1.1. ANTECEDENTES DEL PROBLEMA

Si bien el análisis factorial es una técnica multivariante, no es aconsejable omitir el estudio

de los estadísticos descriptivos univariados de los ítems. Como veremos más abajo en detalle,
la media de los ítems informa de la posición de los mismos. Su varianza nos indica hasta qué
punto las respuestas han sido homogéneas. Si las respuestas a un ítem presentan una
homogeneidad máxima (es decir, varianza de cero), ese ítem no aporta información a la
varianza común y debería ser eliminado (Mellenbergh, 2011). Por otra parte, la presencia de
este tipo de ítems tiende a producir matrices mal acondicionadas que no pueden ser
directamente analizadas. (Ferrando et al., 2022, p. 3)

La mayoría de las técnicas de análisis multivariante de la interdependencia tienen como

objetivo reducir la información redundante o excesiva que puede estar asociada a la recogida
de información con muchas variables. Estas técnicas, conocidas como métodos
multivariantes de reducción de la dimensión, operan bajo la lógica de la reducción, tratando
de descubrir un número menor de factores subyacentes, no observables, que representen al
conjunto de variables original con la menor pérdida de información posible. (López &
Gutiérrez, 2019, p.3)

A medida que se incrementa el número de variables que intervienen en las técnicas

multivariantes, se crea la necesidad también mayor de conocer a profundidad tanto la
estructura como las interrelaciones de las variables. El análisis factorial, es una técnica
especialmente adecuada para analizar las pautas de relaciones complejas y
multidimensionales encontradas por los investigadores del campo de las ciencias de la
administración. (Mejía, 2017, p. 9)
 3

En el análisis factorial, los valores teóricos (los factores) se forman para maximizar su
explicación de la serie de variables entera, y no para predecir una variable dependiente. Si
hiciéramos una analogía con las técnicas de dependencia, cada una de las variables
(originales) observadas sería una variable dependiente, que es una función de una serie de
factores (dimensiones) subyacentes y latentes que están compuestas por todas las otras
variables. Por tanto, cada variable es predicha por todas las demás. Por el contrario, se puede
considerar cada factor (valor teórico) como una variable dependiente que es una función del
conjunto entero de las variables observadas. (Mejía, 2017, p. 10)

El análisis factorial se ha convertido en uno de los procedimientos estadísticos multivariantes

más utilizados en la investigación aplicada en una gran variedad de campos de aplicación
(por ejemplo, la psicología, la educación, la sociología, la salud pública, entre otros). La
principal intención del análisis factorial es determinar el número y la naturaleza de las
variables latentes o factores que explican la variación y covariación entre un conjunto de
medidas observadas, comúnmente conocidas como indicadores. (Fernández, 2015, p. 2)

Es posible que el investigador quiera probar las hipótesis que implican cuestiones tales como
qué variables deberían ser agrupadas en un factor o el número exacto de factores. En estos
casos, se requiere un análisis factorial que adopte un enfoque confirmatorio --es decir, valorar
hasta qué punto los datos se ajustan a la estructura esperada. La perspectiva confirmatoria
del análisis factorial está radicada en las ecuaciones estructurales. (Mejía, 2017, p. 11)

El análisis factorial es una técnica utilizada para descubrir agrupaciones de variables de tal
forma que las variables de cada grupo están altamente correlacionadas, y los grupos están
relativamente incorrelacionados. De este modo se consigue reducir un número de variables
intercorrelacionadas a un número inferior de factores no correlacionados, que permiten
explicar la mayor parte de variabilidad de cada una de las variables. (Montoya Suárez, 2007,
p. 1)

Con los antecedentes antes mencionados se plantea la pregunta ¿Cuál es el aporte de la

aplicación del análisis factorial confirmatorio en la investigación científica?
 4

1.2. OBJETIVOS
1.3. OBJETIVO GENERAL

Estudiar el análisis factorial confirmatorio en la investigación científica con un enfoque de

carácter cuantitativo.

1.4. OBJETIVO ESPECÍFICO

 Identificar el marco conceptual más importante sobre las características del análisis
factorial confirmatorio.
 Presentar un caso práctico de aplicación del análisis factorial confirmatorio.
 Exponer las estadísticas descriptivas del caso práctico.
 Determinar las estadísticas de fiabilidad de la escala de medición.
 Determinar las cargas y covarianzas de los factores, y varianzas de los residuos.
 Evaluar la validez del constructo aplicando índices de ajuste.

1.5. JUSTIFICACIÓN

La importancia del análisis factorial confirmatorio es que permite contrastar un modelo

construido con antelación, en dicho modelo el investigador establece a priori el conjunto total
de las relaciones entre los elementos que lo configuran. El análisis factorial está asociado a
la psicometría, permite evaluar la validez de un instrumento, respecto a la medición de los
factores postulados. Es así que viene a ser un proceso de confirmación estadística, se parte
de un modelo teórico creado con la literatura existente sobre el fenómeno estudiado, mediante
el trabajo de investigación lo contrastamos para conocer su grado de validez.

1.6. ENFOQUE METODOLÓGICO

La presente investigación se realizó con el enfoque cuantitativo que “se fundamenta más en
un proceso deductivo (Describir, analiza, explicar la validez del constructo)”, es decir, se
determinaron las estadísticas descriptivas, estadísticas de fiabilidad de la escala de medición,
cargas y covarianzas de los factores, varianzas de los residuos con el propósito de evaluar la
validez del constructo aplicando índices de ajuste.
 5

CAPÍTULO 2: MARCO TEÓRICO

El presente capítulo está referido a las teorías y conceptos más importantes que permiten
sustentar y a su vez comprender la temática de investigación sobre el análisis factorial
confirmatorio en la investigación científica.

2.1. ANÁLISIS FACTORIAL

El análisis factorial es el nombre genérico de aquellos métodos estadísticos multivariantes

que se enfocan en definir la estructura subyacente en una matriz de datos. Normalmente,
incluye el tratar el problema de cómo analizar la estructura de las interrelaciones
(correlaciones) entre un gran número de variables (por ejemplo, las puntuaciones de prueba,
artículos de prueba, respuestas de cuestionarios) con la definición de una serie de
dimensiones subyacentes comunes, conocidas como factores. Con el análisis factorial, podrá
identificar, en principio, las dimensiones separadas de la estructura y entonces determinar el
grado en que se justifica cada variable por cada dimensión.(Mejía, 2017, p. 9)
El análisis factorial es una técnica de reducción de datos que sirve para encontrar grupos
homogéneos de variables a partir de un conjunto numeroso de variables. Esos grupos
homogéneos se forman con las variables que correlacionan mucho entre sí y procurando,
inicialmente, que unos grupos sean independientes de otros. Cuando recogemos un gran
número de variables de forma simultánea, como por ejemplo en un cuestionario de
satisfacción laboral, podemos estar interesados en averiguar si las preguntas del cuestionario
se agrupan de alguna forma característica. Aplicando un análisis factorial a las respuestas de
los sujetos podemos encontrar grupos de variables con significado común y conseguir de esta
manera reducir el número de dimensiones necesarias para explicar las respuestas de los
sujetos. (Skoczenski & Norcia, 2002, p. 1)
Se encarga de analizar la varianza común a todas las variables. Partiendo de una matriz de
correlaciones, trata de simplificar la información que ofrece. Se opera con las correlaciones
elevadas al cuadrado r² (coeficientes de determinación), que expresan la proporción de
varianza común entre las variables.
En cada casilla de la matriz de correlaciones se refleja la proporción de varianza común a dos
ítems o variables, excepto en la diagonal principal (donde cada ítem coincide consigo
mismo). Si se desea analizar exclusivamente la varianza compartida habrá que eliminar los
 6

unos de la matriz de correlaciones y poner en su lugar la proporción de varianza que cada

ítem tiene en común con todos los demás. En el Análisis Factorial, por tanto, caben dos
enfoques:
1. Analizar toda la varianza (común y no común). En este caso utilizamos los unos de la
matriz de correlaciones. El método más usual es el de Análisis de Componentes Principales.
2. Analizar sólo la varianza común. En este caso, se substituyen los unos de la diagonal por
estimaciones de la varianza que cada ítem tiene en común con los demás (y que se denominan
Comunalidades). Para la estimación de las comunalidades no hay un cálculo único, existen
diversos procedimientos (correlaciones múltiples de cada ítem con todos los demás,
coeficientes de fiabilidad si cada variable es un test). El procedimiento por el que se
sustituyen los unos por las comunalidades se denomina Análisis de Factores Comunes.
Los dos enfoques caben bajo la denominación genérica de Análisis Factorial, aunque es el
Análisis de Factores Comunes al que con más propiedad se le aplica la denominación de
Análisis Factorial. Ambos enfoques dan resultados similares y se interpretan de manera casi
idéntica. (De la Fuente, 2011, p.2-3)
Las bibliografías consultadas coinciden en que el análisis factorial es una técnica de
reducción de datos cuya función es encontrar grupos homogéneos de variables a partir de
conjuntos numerosos de variables. El propósito general de esta técnica es encontrar la manera
de condensar la información contenida en una serie de variables originales en una serie más
pequeña de dimensiones compuestas. El análisis factorial es una técnica multivariante que
pretende explicar un número de variables a partir de una combinación lineal de estas en un
número menor de variables latentes o factores. (Detrinidad, 2016, p. 15)

2.2. FACTOR

En realidad, los factores no existen, lo que existe de cada sujeto es una suma de sus respuestas
a una serie de ítems o preguntas, una combinación lineal de variables (ítem a + ítem b + ítem
c + …). Las sumas totales de ítems son distintas para cada sujeto, o pueden serlo, la varianza
de los totales nos expresa la diversidad que existe entre los sujetos. Si hay ‘n’ factores, se
interpreta que el instrumento original se puede descomponer en ‘n’ instrumentos (cada uno
 7

compuesto por todos los ítems), aunque en cada instrumento los ítems tienen un peso
específico distinto según sea su relación con el factor.
Si encontramos, por ejemplo, tres factores, esto quiere decir que podemos descomponer el
instrumento original en tres instrumentos; cada uno está compuesto por todos los ítems, pero
en cada instrumento los ítems tienen un peso específico distinto según sea su relación con
cada factor. Las nuevas puntuaciones son las puntuaciones factoriales o factor scores.
Los pesos pueden ser grandes o pequeños, positivos o negativos. Generalmente, en cada
factor hay ítems con pesos grandes y otros próximos a cero; los ítems que más pesan en cada
factor son los que lo definen.
La varianza (diversidad) de todas las nuevas medidas equivale a la varianza de la medida
original (no a toda, pero sí a la máxima que es posible explicar); estos factores indican las
fuentes de varianza; si hay diferencias en la medida original es porque las hay en estas nuevas
puntuaciones. El análisis factorial se reduce a la búsqueda de estos pesos para localizar
medidas distintas a partir de las variables originales, y de manera que, a poder ser, entre todas
las nuevas medidas agoten o expliquen toda la varianza presente en las variables originales.
(De la Fuente, 2011, P.3-4)

2.3. RESULTADOS DEL ANÁLISIS FACTORIAL

El análisis factorial nos indica cómo tienden a agruparse los ítems o variables. Examinando
el contenido conceptual de los ítems que pertenecen al mismo factor podemos comprender
qué factores [o constructos] subyacentes explican las correlaciones entre los ítems. Puede
suceder que, por ejemplo, en una escala de actitud hacia el estudio, descubramos que los
ítems se agrupan en torno a estos tres factores: 1º nivel de aspiraciones, 2º gusto por el
estudio, por saber más, 3º nivel de competitividad. Y como todos los ítems están relacionados
con estos tres factores (con unos más y con otros menos), por eso explicamos las relaciones
entre los ítems.
Típicamente cuando hay factores claros (y no siempre los hay), los ítems con correlaciones
más altas con un factor determinado tienen correlaciones claras entre sí (significativas,
mayores que con otros ítems, no necesariamente grandes) y más bajas o muy bajas con otros.
El resultado es análogo a un sociograma de ítems: los ítems del mismo factor se eligen entre
 8

sí y tienden a rechazar a los mismos ítems (en vez de elecciones y rechazos habría que hablar
de mayor o menor relación). La información del análisis factorial es muy matizada porque
nos indica el grado (correlación) de cada ítem o variable con cada factor.
Los factores equivalen a constructos hipotéticos o conceptos subyacentes o latentes (no
observables directamente) deducidos de las correlaciones entre las variables. El análisis
factorial de un instrumento de medición ayuda a establecer la validez de constructo de lo que
estamos midiendo, en el sentido de que nos analiza la estructura del constructo que estamos
pretendiendo medir (dedicamos después un apartado específico a la relación entre análisis
factorial y validez de constructo). También tiene que ver con la fiabilidad en el sentido de
que nos dice hasta qué punto podemos interpretar el constructo como unidimensional. La
interpretación no es siempre clara y en principio es preferible ver los resultados del análisis
factorial más como descriptivos que como explicativos. (Morales, 2011, p. 5-6)

2.4. INFORMACIÓN QUE PROPORCIONA EL ANÁLISIS FACTORIAL

La información fundamental que nos da el análisis factorial es la siguiente:

1. Número de nuevas ‘medidas’ o factores, lo que se busca es que entre todos los factores (o
nuevas medidas) se explique la mayor proporción de varianza posible. No suelen extraerse
todos los factores posibles, sino solamente los que explican al menos más varianza que
cualquiera de las variables tomada aisladamente; aun así, con frecuencia no suele merecer la
pena interpretar todos los factores encontrados (sobre el número de factores tratamos
después).
2. El peso o correlación de cada variable (ítem) con cada factor (matriz factorial), los factores
se consideran definidos por los ítems que tienen en él los pesos mayores. Para que un ítem
se considere que pertenece a un factor, o dicho con más propiedad, que lo define o explica
suficientemente, debe tener en él una correlación razonablemente alta (.30 o más) y no
tenerlas mayores en otro factor. Un factor debe estar definido al menos por tres ítems para
que merezca la pena tenerlo en cuenta.
3. La proporción de varianza que explica cada factor, para calcular esta proporción de
varianza:
 9

1º se suman los pesos de cada columna previamente elevados al cuadrado (Σr²); es lo

que se denomina autovalor (y también eigenvalue o raíz característica); equivale a la
varianza del factor.
2º se divide esta suma por el número de ítems (Σr²/k); esta operación se hace con cada
columna o factor y ya tenemos la proporción de varianza explicada por ese factor.
4. La proporción de varianza explicada por todos los factores, para esto se suman todas las
proporciones anteriores (ΣΣr²/k). Se puede calcular también la proporción de varianza que
explica cada factor con respecto a la varianza explicada por todos. Así la proporción de
varianza explicada por el primer factor con Σr² /k1 respecto al total de varianza explicada por
todos los factores sería igual a: ΣΣr² /k
5. La puntuación de cada sujeto en cada factor (puntuaciones factoriales), en la práctica es
normal prescindir de estas puntuaciones; la puntuación de cada sujeto en cada factor se
reduce a la suma de las variables que mejor definen el factor (equivale a ponderar los ítems
por 1 o por 0 según definan o no el factor); este punto lo explicamos más adelante al tratar
de las puntuaciones directas y de las puntuaciones factoriales.
6. Análisis adicionales, se puede hacer otros muchos análisis a partir de cada factor. (Morales,
2011, p. 6)

2.5. ANÁLISIS FACTORIAL CONFIRMATORIO

Cuando el investigador tiene suficientes conocimientos previos para formular hipótesis

concretas sobre la relación entre indicadores y dimensiones latentes, su interés se centra en
contrastar estas hipótesis. Por ejemplo, al traducir o adaptar cuestionarios ya desarrollados
sabemos qué ítems deberían medir qué dimensiones. El modelo de análisis factorial
confirmatorio corrige las deficiencias inherentes a la perspectiva exploratoria y conduce a
una mayor concreción de las hipótesis que deben ser contrastadas. (Batista-Foguet et al.,
2004, p. 4)
En concreto, un factor (también llamado variable latente, variable subyacente o constructo)
es una variable no observable que influye en más de una medida observada y que da cuenta
de las correlaciones entre estas medidas observadas. El análisis factorial intenta una
modelación más parsimoniosa de la covariación entre un conjunto de indicadores debido a
 10

que el número de factores o constructos es menor que el número de variables observadas (es
más parsimoniosa, porque es distinto incluir como parámetros independientes aquellos
asociados al nivel educativo, el puesto de trabajo y el ingreso, que en este caso serían tres
parámetros, mientras que si se incluyera el factor de estatus socioeconómico, que se mide
mediante estas tres variables observadas, sólo se estaría incluyendo un parámetro)
(Fernández, 2015, p. 3)

El análisis factorial confirmatorio supone establecer como hipótesis previa a) el número de

factores, b) qué factores están relacionados o son independientes y c) con qué factor o
factores están relacionadas (pesos) cada una de las variables (Long, 1983; Stapleton, 1997a);
al menos se especifican el número de factores y qué pesos tienen las variables en los factores.
En las ciencias sociales no es fácil especificar con precisión el valor de las correlaciones con
cada factor por lo que el Análisis Factorial Confirmatorio no es siempre útil a no ser que los
valores propuestos como hipótesis sean muy genéricos (correlación alta, moderada, cero,
Kline, 1994:11). Lo más habitual es utilizar el análisis exploratorio, aunque la intención sea
confirmatoria aunque esta práctica no es siempre necesariamente la más recomendable.
El análisis factorial confirmatorio requiere pruebas complementarias de bondad de ajuste,
para confirmar si la estructura obtenida coincide con la estructura propuesta como hipótesis.
Algunas de estas pruebas se basan en el χ2 (hay también otras pruebas, Kline, 1994:159) y
se ven muy afectadas por el número de sujetos. Para que las pruebas de ajuste sean fiables
hace falta una muestra de al menos 100 sujetos si se trata solamente de dos factores y muchos
más (al menos N = 500) si se trata de modelos más complejos (Kline, 1994:95); el número
de sujetos también debe ser grande con respecto al número de variables (20:1). En general
todos estos métodos no son del todo fiables por lo que deben utilizarse con prudencia.
Una recomendación que puede verse en muchos autores es que el análisis factorial
confirmatorio debe utilizarse con cautela y solamente si hay hipótesis muy específicas
basadas en estudios previos, y con más razón en muestras pequeñas (Gorsuch, 1986b) y con
claros fundamentos teóricos que permitan al investigador especificar de antemano el modelo
exacto de estructura factorial que desea confirmar (Long, 1983; Stapleton, 1997a). Cuando
las especificaciones propias del análisis factorial confirmatorio no están seriamente
justificadas (substantively motivated, Long, 1983) lo razonable es decantarse por el análisis
 11

factorial exploratorio, aunque la intención del investigador tenga en principio un carácter

confirmatorio. Algunos investigadores hacen en primer lugar un análisis exploratorio y
confirman después la estructura factorial con un análisis factorial confirmatorio en una nueva
muestra.
Aun así, en muchas situaciones lo recomendable puede ser el análisis factorial confirmatorio,
como cuando una vez hecha una escala o test se desea verificar si se mantiene la misma
estructura en una muestra distinta (Costello y Osborne, 2005). Henson y Roberts (2006) en
una revisión de 60 análisis factoriales publicados en cuatro buenas revistas que publican con
frecuencia estos análisis encuentran que en un tercio de los análisis factoriales exploratorios
estaba justificado haber hecho preferentemente un análisis factorial confirmatorio; para estos
autores un criterio razonable para utilizar el análisis factorial confirmatorio es que el
instrumento 1) no sea de nueva creación y 2) que se conozca ya la estructura factorial
obtenida en otras muestras. (Morales, 2011, p. 9-10)

2.6. FACTORES PRINCIPALES O COMUNES

En primer lugar, hay que tener clara la diferencia entre Componentes Principales y Factores
Comunes.
a) Con el análisis de Componentes Principales analizamos toda la varianza, común y no
común (ponemos los unos en la diagonal de la matriz de correlaciones) y con el análisis de
Factores Comunes sólo se analiza la varianza compartida (estimaciones de la comunalidad
en la diagonal). En el análisis de Factores Comunes (como Maximum Likelihod) los factores
van explicando sucesivamente la máxima proporción de varianza en la población, no en la
muestra. El término Análisis Factorial se refiere en rigor solamente al análisis de Factores
Comunes aunque es habitual utilizarlo para designar al análisis de Componentes Principales.
b) La estructura factorial que resulta en ambos tipos de análisis es más o menos la misma 1)
cuando las variables (ítems) son muchas (unas 20, o incluso menos; Nunnally (1978:418-
419) recomienda el análisis de Componentes Principales siempre que dispongamos de unas
20 variables) y 2) cuando hay una estructura factorial clara. Podemos considerar que existe
una estructura factorial clara cuando los ítems que definen un factor tienen pesos de .50 o
 12

más en este factor y menores en los demás. En la práctica y en la mayoría de los análisis, los
resultados vienen a ser los mismos (Morales, 2011, p. 10-11)

2.7. NÚMERO DE FACTORES

En el análisis factorial confirmatorio, el investigador especifica el número de factores y el

patrón de relación entre el indicador y las cargas factoriales de antemano, así como otros
parámetros. El factor de solución pre-especificado se evalúa en términos de lo bien que este
reproduce la matriz de varianzas y covarianzas de la muestra en las variables medidas.
(Fernández, 2015, p. 3)

2.8. CRITERIOS PARA VALORAR LA MAGNITUD DE LAS CORRELACIONES

VARIABLE-FACTOR

Los pesos o cargas (loading o weights en inglés) de las variables que definen un factor son
y se interpretan como los coeficientes de correlación de cada variable con cada factor.
Podríamos valorar estos coeficientes como cualquier otro coeficiente de correlación (con N
= 100 una correlación de .20 más o menos ya es estadísticamente significativa), pero estos
coeficientes tienen unos errores típicos mayores que los coeficientes normales, por lo que
debemos valorarlos con criterios más estrictos. Aunque no hay un valor óptimo de referencia,
hay que distinguir entre significación estadística y relevancia práctica. Desde el punto de
vista de la relevancia suele considerarse un valor en torno a .30 como mínimo (explicaría
aproximadamente el 10% de la varianza); en torno a .40 ya es más relevante, y valores en
torno a .50 son ya de clara relevancia práctica y definen bien el factor; estas orientaciones
pueden encontrarse en muchos autores (como Hair y otros, 1999).
El tamaño de la muestra y el número de variables (ítems) también son datos que hay que
tener en cuenta para valorar estos coeficientes. En general a mayor número de sujetos los
coeficientes pueden ser menores, aunque no inferiores a .30 para tenerlos en cuenta como
representativos de un factor (Kline, 1994:52) o entre .30 y .35 (Spector, 1992, Costello y
Osborne, 2005).
Un criterio puede ser éste: con N = 100, podemos considerar valores relevantes los que están
en torno a .50, con N = 200 nos bastan valores de .40 y con 300 sujetos .30 es suficiente;
 13

estos valores son orientativos (pueden verse criterios más específicos en Hair y otros,
1999:100). Si un ítem tiene pesos no pequeños (en torno a .30 o poco más) en más de un
factor (crossloader), posiblemente lo mejor es suprimirlo cuando se está preparando un
instrumento y se busca una estructura clara.

También tiene que ver el número de variables: a mayor número de variables y factores, serán
aceptables valores menores. Cuando hay muchos factores, los ítems o variables que definen
los últimos factores deben tener pesos mayores para ser tenidos en cuenta. En factores rotados
oblicuos los pesos suelen ser menores; hay autores que sugieren un .20 como mínimum, pero
.30 parece un mínimo aceptable. (Morales, 2011, p. 15)

2.9. NÚMERO MÍNIMO DE VARIABLES PARA DEFINIR UN FACTOR

Los factores se consideran bien definidos cuando al menos tres variables tienen en él sus
mayores pesos (Kim y Mueller, 1994; Costello y Osborne, 2005). Si concebimos un factor
como un constructo subyacente que explica las correlaciones entre los ítems, no tiene sentido
hablar de un factor formado por un solo ítem: esto querría decir que ese ítem no se relaciona
de manera especial con los demás factores (o grupos de variables). Al menos hacen falta dos
variables para poder hablar de algo común. Un factor sólido vendría definido por unos 5
ítems con pesos de .50 o más en el factor. (Morales, 2011, p. 16)

2.10. ANÁLISIS FACTORIAL Y COMPROBACIÓN DE LA VALIDEZ DE

CONSTRUCTO

Ya hemos indicado que el análisis factorial ayuda a establecer la validez de constructo; de

hecho, el análisis factorial suele proponerse como uno de los métodos de validación de
constructo (Nunnally, 1978:112; Stapleton, 1997a). Hay que distinguir dos usos del análisis
factorial en el contexto de la validez: 1º El análisis factorial del instrumento, en el que los
ítems son la unidad de análisis.

El análisis factorial del instrumento:

 14

a) El mero hecho de hacer un análisis factorial no prueba la validez de constructo, no se puede

aducir que se ha validado un instrumento (expresión común, aunque muy impropia) por el
simple hecho de hacer un análisis factorial.
b) El análisis factorial sí nos permite comprobar (o con más propiedad nos ayuda a apreciar)
si estamos midiendo lo que decimos que medimos, 1) al clarificar los aspectos que subyacen
a una serie de variables (los factores), 2) qué variables o ítems definen cada factor y 3) cómo
estos factores están relacionados entre sí. El análisis factorial clarifica la estructura del
instrumento y del constructo tal como lo hemos concebido y pretendemos medirlo. El
exponer la estructura interna de las variables nos permite examinar el significado de lo que
estamos midiendo y nos puede sugerir revisiones del instrumento y mejorarlo.
Este tipo de confirmación de la validez tiene más que ver con la validez lógica o aparente
que con la experimental en sentido propio; el significado de lo que medimos hay que
corroborarlo con criterios externos.
c) No podemos concluir del hecho de encontrar varios factores que la escala es
multidimensional (Nunnally y Bernstein, 1994:316); es decir que mide constructos distintos
y bien diferenciados. Los diversos factores son compatibles con un claro significado único y
de clara interpretación de toda la escala, de manera análoga a como los ítems con
formulaciones distintas son expresiones legítimas del mismo rasgo común. Con frecuencia
los factores agrupan a los ítems con formulaciones muy parecidas y las diferencias
conceptuales entre factores no son muy distintas a las lógicas y pretendidas diferencias entre
los ítems. Otras veces los factores, algunos al menos, reflejan peculiaridades en la
formulación de los ítems, como la formulación a favor o en contra del objeto de la actitud.
En estos casos puede ser incluso impropio hablar de subconstructos. Siempre hay que hacer
una valoración racional sobre el significado de los factores.
d) Es útil examinar las correlaciones entre factores. Los ítems de un factor pueden tener una
correlación con el total (en el análisis de ítems) semejante a la del resto de los ítems del
mismo factor y sin embargo diferenciarse mucho de los otros factores; en este caso se puede
plantear como hipótesis que no miden el mismo rasgo que se pretende medir con todos los
ítems. En este sentido el análisis factorial (y la mera inspección de la matriz de correlaciones
entre los ítems) puede complementar la información del análisis de ítems.
 15

d) Si partimos de manera explícita y bien fundamentada de una estructura hipotética sobre la

estructura del constructo (número y composición de los factores) el análisis factorial
confirmatorio puede confirmarnos (o no) nuestra hipótesis (Stapleton, 1997b), pero este
análisis no debe utilizarse sin una buena justificación.
e) Se pueden utilizar (y se utilizan de hecho con frecuencia) los factores como medidas
independientes en otros estudios; algunos factores pueden discriminar entre tipos de sujetos,
o tener correlaciones distintas con otros criterios y ser por lo tanto de utilidad distinta.
Si utilizamos las puntuaciones factoriales, se trata de escalas factoriales en sentido propio; si
(lo que es más frecuente) nos limitamos a sumar a los sujetos sus respuestas a los ítems que
mejor definen cada factor (equivale a ponderar los ítems 1 ó 0) el término apropiado es el de
escalas basadas en el análisis factorial (factor-based scales, Kim y Mueller, 1994).
f) Tenemos una base empírica más clara para considerar la escala como pluridimensional, es
decir, que distintos ítems miden con claridad subconstructos o distintos aspectos del mismo
rasgo, si los distintos factores;
1º Tienen una fiabilidad (α) aceptable (sumando a los sujetos sus respuestas a los ítems que
definen cada factor)
2º Correlacionan de manera claramente distinta con otros criterios. Aquí hay que hacer una
valoración de todos los datos para decidir si se puede hablar de un único rasgo; también puede
suceder que el rasgo inicial esté mal definido y haya que diferenciar conceptos e instrumentos
(para no confundir, como ejemplo hipotético, asertividad y agresividad, o competitividad y
motivación de logro, etc.). Es oportuno recordar que los rasgos, tal como los
conceptualizamos y medimos, admiten niveles de complejidad.
La pluridimensionalidad que nos puede mostrar el análisis factorial (y también la
complejidad meramente conceptual) es compatible con una interpretación unidimensional de
todo el instrumento que puede medir un rasgo más general (pero bien definido) y que a la
vez puede descomponerse para medir aspectos más específicos del mismo constructo (de
manera análoga a cómo podemos contar naranjas y manzanas por separado, o juntar
manzanas y naranjas y contar frutas).
Tanto la escala compuesta por todos los ítems como las subescalas formadas por los factores
pueden tener tanto una fiabilidad aceptable como una validez suficientemente apoyada
empíricamente. El uso de algunos factores como escalas distintas depende de su utilidad y
 16

oportunidad en cada situación; de hecho, es frecuente ver utilizados estos factores como
instrumentos independientes en numerosas investigaciones. (Morales, 2011, p. 17-19)

2.11. ANÁLISIS FACTORIAL APLICANDO JAMOVI

Es un procedimiento que puede utilizarse como técnica de análisis exploratoria (Análisis

Factorial Exploratorio), o confirmatoria, para contrastar la hipotética estructura subyacente a
un conjunto de datos (Análisis Factorial Confirmatorio). la tendencia reciente en el estudio
del análisis factorial considera que el estudio de la dimensionalidad de los ítems puede
situarse entre dos perspectivas que se sitúan en los polos de un continuo en función de las
restricciones impuestas a los datos; exploratoria y confirmatoria. En la primera se obtendrá
una descripción de la estructura interna de los datos, en la segunda se imponen restricciones
al modelo para contrastar estadísticamente hipótesis referidas a la dimensionalidad. El
contexto de investigación delimitará el tipo de acercamiento más apropiado; entre ambos
extremos existe una tercera vía conocida como ESEM.
Jamovi ofrece tres opciones generales para estudiar la dimensionalidad de los datos: Análisis
de componentes principales (Principal Component analysis), análisis factorial exploratorio
(Exploratory Factor analysis) y análisis factorial confirmatorio (Confirmatory Factor
analysis). (Elosua & Egaña, 2020, p. 65-66)

2.12. ANÁLISIS FACTORIAL APLICANDO JASP

El análisis factorial confirmatorio, como técnica de evaluación de posibles modelos basados

en teorías, es una de las herramientas metodológicas más utilizadas, siendo frecuente su
aplicación en las Ciencias del Comportamiento en cuestiones tan variadas como la evaluación
psicométrica de instrumentos o la validación de constructos entre otros ejemplos (Joreskog,
1969). Entre todos los programas que resuelven satisfactoriamente un análisis de este tipo,
nos vamos a centrar en la utilización del software JASP (JASP Team, 2020). Describiendo
brevemente su uso para esta técnica. Antes de comenzar con el procedimiento de Análisis
Factorial Confirmatorio conviene determinar si nuestras variables se ajustan o no al
presupuesto básico de normalidad multivariada (Mardia, 1970), y para ello ejecutamos el
procedimiento SEM del JASP.
 17

El estadístico de bondad de ajuste clásico sigue una distribución χ2, con los mismos grados
de libertad que el modelo, y que permite contrastar la hipótesis de que el modelo se ajusta
bien a los datos observados. El resultado del estadístico indica si existe una discrepancia
significativa entre la matriz reproducida y la correspondiente a los datos originales. Para
aceptar el modelo se debe de tener que la probabilidad p de χ2 >0.05, en caso contrario el
modelo debería ser rechazado. No obstante, con el nuevo criterio de Benjamin et al. (2017)
el criterio anterior se sustituye por 0,005.

Este estadístico suele citarse entre su problemática al estar influenciado por el tamaño de la
muestra, de forma tal que tiende a rechazar modelos que en la realidad se ajustan muy bien a
los datos observados. Y con tamaños muestrales muy pequeños ocurre lo contrario, no detecta
bien las discrepancias aceptando modelos que no se ajustan a los datos. Por otra parte, en
modelos complejos (sobreajuste), se tiende a aceptar la Ho frente a H1. Y finalmente decir,
que el estadístico χ2 depende del método de estimación elegido; no será el mismo resultado
con ML (Maximum Likelihood), GLS (Generalized Least Squares) o DWLS (Diagonally
weighted least squares).

Una solución que encontramos frecuentemente para este problema, es usar como
complemento al estadístico anterior el cociente χ2 /GL (Chi-cuadrado normado), que se
acepta que debería estar entre 1-3 para aceptar el ajuste del modelo Hu & Bentler (1995),
aunque algunos autores empiezan a considerarlo para valores menor a 5.

Dicho lo cual pasaremos a ver los resultados sobre todo fijándonos en los 4 indices básicos,
y que son los correspondientes a CFI, TLI, RMSEA y SRMR. Es una combinación de dos
índices de ajuste incremental (CFI y TLI) y dos de ajuste basados en las covarianzas del
modelo (RMSEA y SRMR) para sustentar la decisión de aceptar como válida la estructura
propuesta en los modelos de análisis factorial confirmatorio, basándonos en los criterios de
decisión en los referenciados por Bentler & Bonnet (1980) y Hu & Bentler (1995).
Entrando ya un poco más en materia diremos que:
 18

-CFI (Comparative Fit Index): índice relativo frecuentemente usado y aconsejable por tener
uno de los mejores comportamientos (Tanaka, 1993), oscila entre 0 y 1, siendo el valor de .9
el mínimo requerido y el aconsejable .95, para defender el modelo.
-TLI (Turker-Lewis index): segundo índice relativo que usaremos y que mide la mejora de
ajuste que produce el modelo propuesto con respecto al modelo nulo, estando corregido para
tener en cuenta la complejidad del modelo. Se puede interpretar como un coeficiente de
fiabilidad. Los criterios son los mismos que para CFI.
-RMSEA (Root Mean Square Error of Approximation) y SRMR (Standarized Root Mean-
Square): medidas de cuantía de error del modelo, e indicadores de un buen ajuste con valores
inferiores a .05, siendo aceptables para valores alrededor de 0.06 (Browne & Cudeck, 1993).
Actualmente el valor se aconseja que vaya acompañado de su intervalo de confianza al 90%,
así como el grado de significación (p) para el cumplimiento de la Ho (p<0,05).
El RMSEA estima la discrepancia que habría entre la matriz de correlación poblacional y la
matriz reproducida por el modelo propuesto, también en la población. Estima hasta qué punto
el modelo estudiado es una aproximación razonable. Por otra parte, este índice es relativo a
los grados de libertad del modelo y, por tanto, puede penalizar a los modelos menos
parsimoniosos (complejidad).
El SRMR es la diferencia promedio entre las varianzas y covarianzas predichas y las
observadas en el modelo. Por lo tanto, un buen ajuste debería dar valores cercanos al 0,
considerando como buenos por debajo de .05 ya se considera un buen ajuste, y aceptables
por debajo de .06, aun cuando en la literatura podemos encontrar criterios como .08 o incluso
.10, pero que nosotros consideramos como no aconsejables.
En el ejemplo que estamos manejando, los índices relativos están bien, estando muy al límite
los índices basados en las covarianzas, sobre todo el SRMR, que podría aceptarse solo con
el criterio laxo de 0.08.
Si al final tuviésemos que dar un consejo a nuestro lectores sobre la simplificación a la hora
de usar estos indicadores de ajuste, seguiríamos la propuesta de Hu,L. & Bentler, P.M.
(1999): A la hora de recomendar combinaciones de medidas preferimos una combinación de
CFI> 0.95 y SRMR <0.08, y para solidificar aún más la evidencia agregaremos el RMSEA
<0.06. (Meobsuniov, 2020)
 19

CAPÍTULO 3: RESULTADOS DEL ANÁLISIS FACTORIAL CONFIRMATORIO

En el presente capítulo se expone un caso práctico (Caso Hipotético) sobre el síndrome 'burnout' se presenta la información estadística
descriptiva, fiabilidad del diseño del instrumento y análisis factorial confirmatorio.

3.1. INFORMACIÓN DESCRIPTIVA

En el presente acápite se expone los estadísticos descriptivos de 16 Items o variables.

Tabla 1: Estadísticos Descriptivos

Válido Ausente Media Desviación Típica Coeficiente de variación Asimetría Error Típico de la Asimetría Curtosis Error Típico de la Curtosis
bo01 204 0 1.446 1.229 0.850 1.188 0.170 0.908 0.339
bo02 204 0 2.054 1.175 0.572 0.281 0.170 -0.289 0.339
bo03 204 0 1.279 1.392 1.088 1.239 0.170 0.692 0.339
bo04 204 0 1.279 1.238 0.968 1.216 0.170 1.358 0.339
bo05 204 0 4.686 1.667 0.356 -0.981 0.170 -0.234 0.339
bo06 204 0 1.201 1.155 0.962 0.588 0.170 -0.425 0.339
bo07 204 0 5.152 1.479 0.287 -1.675 0.170 1.715 0.339
bo08 204 0 0.485 1.129 2.327 3.476 0.170 13.317 0.339
bo09 204 0 0.529 1.033 1.952 3.341 0.170 13.515 0.339
bo10 204 0 5.613 1.013 0.181 -2.980 0.170 8.537 0.339
bo11 204 0 5.426 1.101 0.203 -2.319 0.170 5.752 0.339
bo12 204 0 5.221 1.395 0.267 -1.940 0.170 2.966 0.339
bo13 204 0 3.510 2.584 0.736 -0.243 0.170 -1.783 0.339
bo14 204 0 0.627 1.434 2.286 2.386 0.170 4.788 0.339
bo15 204 0 0.544 0.989 1.818 2.467 0.170 7.047 0.339
bo16 204 0 5.387 1.272 0.236 -2.196 0.170 4.101 0.339
Fuente: Elaboración propia con Japs, 2022.
 20

3.2. INFORMACIÓN SOBRE LA FIABILIDAD

En el presente acápite se expone información sobre la fiabilidad de la escala de medición del instrumento mediante el Coeficiente Omega,
también se tienen las Correlaciones de Pearson analizando los 16 Items antes mencionados:

Tabla 2: Estadísticas de
Fiabilidad de Escala
ω de
McDonald

escala 0.691

Fuente: Elaboración propia con Jamovi, 2022.

Tabla 3: De Pearson Correlaciones
Variabl
bo01 bo02 bo03 bo04 bo05 bo06 bo07 bo08 bo09 bo10 bo11 bo12 bo13 bo14 bo15 bo16
e
1. bo01 R de Pearson —
2. bo02 R de Pearson 0.577 —
3. bo03 R de Pearson 0.480 0.545 —
4. bo04 R de Pearson 0.413 0.440 0.552 —
5. bo05 R de Pearson -0.054 -0.042 -0.083 -0.050 —
6. bo06 R de Pearson 0.426 0.457 0.587 0.543 -0.077 —
7. bo07 R de Pearson -0.170 -0.064 -0.026 -0.048 0.471 -0.099 —
8. bo08 R de Pearson 0.230 0.129 0.205 0.082 -0.089 0.208 -0.236 —
9. bo09 R de Pearson 0.116 0.114 0.232 0.076 -0.052 0.170 -0.230 0.695 —
10. bo10 R de Pearson -0.110 -0.260 -0.126 -0.149 0.392 -0.144 0.404 -0.154 -0.076 —
11. bo11 R de Pearson -0.028 -0.254 -0.194 -0.102 0.425 -0.184 0.465 -0.037 -0.143 0.568 —
12. bo12 R de Pearson -0.144 -0.070 -0.098 -0.087 0.379 -0.040 0.382 -0.025 -0.133 0.291 0.599 —
13. bo13 R de Pearson 0.060 0.010 0.278 0.197 -0.099 0.134 0.017 0.160 0.177 -0.058 -0.032 0.057 —
14. bo14 R de Pearson 0.207 0.351 0.452 0.339 -0.257 0.331 -0.238 0.219 0.273 -0.276 -0.292 -0.217 0.280 —
15. bo15 R de Pearson 0.152 0.136 0.218 0.060 -0.147 0.171 -0.252 0.644 0.666 -0.172 -0.146 -0.180 0.161 0.394 —
16. bo16 R de Pearson -0.042 -0.169 -0.164 0.053 0.336 -0.137 0.356 -0.217 -0.187 0.396 0.413 0.221 -0.008 -0.350 -0.270 —
Fuente: Elaboración propia con Japs, 2022.
 21

3.2. INFORMACIÓN DEL ANÁLISIS FACTORIAL CONFIRMATORIO

En el presente acápite se expone información sobre las métricas del análisis factorial confirmatorio. (Ver Anexos 1 al 3)

Tabla 4: Ajuste del modelo - Prueba Chi cuadrado

Modelo Χ² gl p
Modelo base 5671.738 91
Modelo factorial 121.951 73 < .001

Fuente: Elaboración propia con Japs, 2022.

Tabla 5: Medidas de ajuste adicionales - Índices de ajuste Tabla 6: Otras medidas de ajuste
Índice Valor Métrica Valor
Índice de Ajuste Comparativo (CFI) 0.991 Error cuadrático medio de aproximación (RMSEA) 0.057
Índice de Tucker-Lewis (TLI) 0.989 RMSEA 90 % IC límite inferior 0.039
Índice de ajuste no normalizado de Bentler-Bonett (NNFI) 0.989 RMSEA 90 % IC límite superior 0.075
Índice de ajuste normalizado de Bentler-Bonett (NFI) 0.978 Valor p de RMSEA 0.236
Índice de ajuste normalizado de parsimonia (PNFI) 0.785 Raíz estandarizada residual cuadrada media (SRMR) 0.072
Índice de ajuste relativo de Bollen (RFI) 0.973 N crítico de Hoelter (α = .05) 157.381
Índice de ajuste incremental de Bollen (IFI) 0.991 N crítico de Hoelter (α = .01) 174.134
Índice de no centralidad relativa (RNI) 0.991 Índice de bondad de ajuste (GFI) 0.990
Índice de ajuste de McDonald (IMF) 0.886
Fuente: Elaboración propia con Japs, 2022. Índice de validación cruzada esperado (ECVI)

Fuente: Elaboración propia con Japs, 2022.

 22

Tabla 7: Estimaciones de parámetros - Cargas de los factores y R-cuadrado

95% Intervalo de Confianza R-cuadrado
Factor Indicador Símbolo Estimar Error Típico valor Z p Inferior Superior R²
Agotamiento bo01 λ11 0.717 0.032 22.580 < .001 0.655 0.779 0.514
bo02 λ12 0.757 0.033 22.954 < .001 0.692 0.821 0.573
bo03 λ13 0.859 0.036 23.792 < .001 0.788 0.929 0.737
bo04 λ14 0.657 0.030 21.922 < .001 0.598 0.715 0.431
bo06 λ15 0.744 0.035 21.303 < .001 0.675 0.812 0.553
Cinismo bo08 λ21 0.897 0.029 30.958 < .001 0.840 0.954 0.805
bo09 λ22 0.904 0.028 31.903 < .001 0.848 0.959 0.817
bo15 λ23 0.871 0.029 30.128 < .001 0.815 0.928 0.759
EfiProf bo05 λ31 0.642 0.032 19.931 < .001 0.579 0.705 0.412
bo07 λ32 0.788 0.033 23.848 < .001 0.723 0.853 0.621
bo10 λ33 0.830 0.036 22.782 < .001 0.759 0.901 0.689
bo11 λ34 0.785 0.035 22.511 < .001 0.717 0.853 0.616
bo12 λ35 0.613 0.037 16.674 < .001 0.541 0.685 0.376
bo16 λ36 0.784 0.031 25.332 < .001 0.724 0.845 0.615

Fuente: Elaboración propia con Japs, 2022.

Tabla 8: Varianzas de factores
95% Intervalo de Confianza
Factor Estimar Error Típico valor Z p Inferior Superior
Agotamiento 1.000 0.000 1.000 1.000
Cinismo 1.000 0.000 1.000 1.000
EfiProf 1.000 0.000 1.000 1.000
Fuente: Elaboración propia con Japs, 2022.
Tabla 9: Covarianzas de Factores
95% Intervalo de Confianza
Estimar Error Típico valor Z p Lower Upper
Agotamiento ↔ Cinismo 0.454 0.026 17.727 < .001 0.404 0.504
Agotamiento ↔ EfiProf -0.340 0.025 -13.605 < .001 -0.389 -0.291
Cinismo ↔ EfiProf -0.565 0.028 -20.189 < .001 -0.619 -0.510
Fuente: Elaboración propia con Japs, 2022.
 23

Tabla 10: Varianzas de los residuos

95% Intervalo de Confianza
Indicador Estimar Error Típico valor Z p Inferior Superior
bo01 0.486 0.000 0.486 0.486
bo02 0.427 0.000 0.427 0.427
bo03 0.263 0.000 0.263 0.263
bo04 0.569 0.000 0.569 0.569
bo06 0.447 0.000 0.447 0.447
bo08 0.195 0.000 0.195 0.195
bo09 0.183 0.000 0.183 0.183
bo15 0.241 0.000 0.241 0.241
bo05 0.588 0.000 0.588 0.588
bo07 0.379 0.000 0.379 0.379
bo10 0.311 0.000 0.311 0.311
bo11 0.384 0.000 0.384 0.384
bo12 0.624 0.000 0.624 0.624
bo16 0.385 0.000 0.385 0.385
Fuente: Elaboración propia con Japs, 2022.

Tabla 11: Covarianzas de los residuos

95% Intervalo de Confianza
Estimar Error Típico valor Z p Inferior Superior
bo11 ↔ bo12 0.274 0.051 5.409 < .001 0.175 0.373
Fuente: Elaboración propia con Japs, 2022.
 24

Tabla 12: Matriz de covarianzas implícitas

bo01 bo02 bo03 bo04 bo06 bo08 bo09 bo15 bo05 bo07 bo10 bo11 bo12 bo16
1.000
0.542 1.000
0.615 0.650 1.000
0.471 0.497 0.564 1.000
0.533 0.563 0.638 0.488 1.000
0.292 0.308 0.350 0.267 0.303 1.000
0.294 0.310 0.352 0.269 0.305 0.811 1.000
0.283 0.299 0.340 0.260 0.294 0.782 0.787 1.000
-0.156 -0.165 -0.187 -0.143 -0.162 -0.325 -0.327 -0.316 1.000
-0.192 -0.203 -0.230 -0.176 -0.199 -0.399 -0.402 -0.388 0.506 1.000
-0.202 -0.214 -0.242 -0.185 -0.210 -0.420 -0.423 -0.408 0.533 0.654 1.000
-0.191 -0.202 -0.229 -0.175 -0.199 -0.398 -0.400 -0.386 0.504 0.619 0.652 1.000
-0.149 -0.158 -0.179 -0.137 -0.155 -0.311 -0.313 -0.302 0.394 0.483 0.509 0.755 1.000
-0.191 -0.202 -0.229 -0.175 -0.198 -0.397 -0.400 -0.386 0.503 0.618 0.651 0.616 0.481 1.000
Fuente: Elaboración propia con Japs, 2022.

Tabla 13: Matriz de covarianzas de los residuos

bo01 bo02 bo03 bo04 bo06 bo08 bo09 bo15 bo05 bo07 bo10 bo11 bo12 bo16
< .001
0.122 < .001
< .001 < .001 < .001
< .001 < .001 0.025 < .001
< .001 < .001 < .001 0.106 < .001
0.072 < .001 0.096 0.005 < .001 < .001
< .001 < .001 0.128 0.006 0.012 0.032 < .001
< .001 < .001 0.002 < .001 < .001 < .001 < .001 < .001
0.025 0.109 0.071 0.052 0.062 0.201 0.189 < .001 < .001
< .001 0.063 0.106 0.055 0.016 < .001 < .001 < .001 0.093 < .001
0.010 < .001 < .001 < .001 < .001 0.117 0.046 < .001 < .001 < .001 < .001
0.101 < .001 < .001 0.064 < .001 0.219 0.016 0.030 0.030 < .001 0.065 < .001
< .001 0.038 < .001 < .001 0.033 0.150 0.056 < .001 0.098 0.042 < .001 < .001 < .001
0.094 < .001 < .001 0.192 < .001 0.023 0.006 < .001 < .001 < .001 < .001 < .001 < .001 < .001
Fuente: Elaboración propia con Japs, 2022.
 25

Tabla 14: Índices de Modificación - Cargas cruzadas

Mod. Ind. EPC Tabla 15: Covarianzas de los residuos
EfiProf → bo15 19.128 -0.332 Mod. Ind. EPC
Cinismo → bo16 12.699 -0.262 bo15 ↔ bo16 19.866 -0.240
EfiProf → bo08 11.873 0.306 bo01 ↔ bo02 17.156 0.246
Cinismo → bo05 9.492 0.250 bo02 ↔ bo10 9.354 -0.204
Cinismo → bo03 9.247 0.186 bo08 ↔ bo11 7.782 0.246
Agotamiento → bo05 7.101 0.145 bo03 ↔ bo09 7.579 0.162
EfiProf → bo04 4.844 0.111 bo04 ↔ bo06 7.545 0.170
Agotamiento → bo10 4.157 -0.122 bo08 ↔ bo09 6.471 0.185
bo02 ↔ bo03 5.507 -0.177
Fuente: Elaboración propia con Japs, 2022. bo04 ↔ bo16 5.429 0.198
bo05 ↔ bo07 4.799 0.143
bo09 ↔ bo05 4.789 0.203
bo08 ↔ bo05 4.634 0.214
bo09 ↔ bo15 4.297 -0.159

Fuente: Elaboración propia con Japs, 2022.

 26

Figura 1: Gráfico del modelo

Fuente: Elaboración propia con Japs, 2022.

# Factors
Factor1 =~ lambda_1_1*bo01 + lambda_1_2*bo02 + lambda_1_3*bo03 + lambda_1_4*bo04 + lambda_1_5*bo06
Factor2 =~ lambda_2_1*bo08 + lambda_2_2*bo09 + lambda_2_3*bo15
Factor3 =~ lambda_3_1*bo05 + lambda_3_2*bo07 + lambda_3_3*bo10 + lambda_3_4*bo11 + lambda_3_5*bo12 +
lambda_3_6*bo16

# Residual Correlations
bo11 ~~ bo12
 27

CAPÍTULO 4: CONCLUSIONES Y RECOMENDACIONES

4.1 CONCLUSIONES
Entre las conclusiones más relevantes se tienen:

 En los estadísticos descriptivos de los 16 Items, se observan diferentes valores en la

media, desviación típica, coeficiente de variación, asimetría y curtosis, se aprecia la
existencia de volatilidad en unos Items más que otros.
 El Coeficiente Omega (ω) de McDonald establece un 0,691 de fiabilidad de la escala
de medición del instrumento, exponiendo un adecuado nivel de consistencia interna
sobre la información obtenida en los 16 Items analizados. Las correlaciones de
Pearson presentan correlaciones positivas y negativas.
 En el análisis factorial confirmatorio en un inicio presenta el cociente de la prueba
Chi cuadrado del Modelo Factorial (121,951/73) alcanzando 1,657 que está entre los
valores 1 a 3, lo cual significa que se debe proceder con el modelo factorial
confirmatorio. Las cargas factoriales en la mayoría de los Items están entre 0,70 a
0,90 lo cual determina un R-cuadrado entre 0,51 a 0,81 (Varianza explicada
significativa) en cada Items, con p-valores < 0,001.
 La covarianza entre el factor Agotamiento y Cinismo es de 0,454, Agotamiento y
Eficiencia Profesional es de -0,340, Cinismo y Eficiencia Profesional es de -0,565.
Se procedió a la reespecificación del modelo estableciendo la covarianza de los
residuos de los Items Bo11 y Bo12 en 0,560 para mejorar los índices de ajuste.
 Entre los índices de ajuste más relevantes se tiene:
 Índice de Ajuste Comparativo (CFI) 0,991 > 0,95
 Error cuadrático medio de aproximación (RMSEA1) 0,075 < 0,080
 Raíz estandarizada residual cuadrada media (SRMR) 0,072 < 0,080
 Índice de bondad de ajuste (GFI) 0.990 > 0,95

1
Error cuadrático medio de aproximación Robust (Determinado con R Studio).
 28

La evaluación de los parámetros del modelo permitió determinar los índices de ajuste
los cuales cumplen con niveles aceptables, es así que se cumple con la validez del
constructo síndrome 'burnout', estando el modelo representado por los tres factores:
Agotamiento, Cinismo y Eficiencia Profesional, por tanto, dichos factores explican
su influencia sobre el estrés laboral.

4.2 RECOMENDACIONES
Entre las recomendaciones más relevantes se tienen:

 Se recomienda a los investigadores el iniciar la investigación sobre el análisis

factorial confirmatorio con los estadísticos descriptivos, seguidamente se debe
determinar la fiabilidad de la escala de medición del instrumento, exponiendo un
adecuado nivel de consistencia interna sobre la información obtenida.
 Se recomienda a los investigadores llevar a cabo el análisis factorial confirmatorio
para reducir los datos y proceder con una modelación más parsimoniosa de la
covariación entre un conjunto de indicadores, estableciendo la consistencia del
modelo factorial confirmatorio.
 Se recomienda a los investigadores evaluar los índices de ajuste para probar la validez
del constructo, identificando los factores que permiten explicar su influencia sobre el
fenómeno sujeto a estudio.
 Se recomienda a los investigadores y público lector realizar el análisis factorial
confirmatorio aplicando los softwares Jamovi y Jasp como técnica de evaluación de
posibles modelos basados en teorías para contrastar la hipotética estructura
subyacente a un conjunto de datos.
 Se recomienda al público lector tomar en cuenta la presente “Aplicación del análisis
factorial confirmatorio a la investigación científica” como un referente académico a
nivel nacional.
 29

BIBLIOGRAFÍA

Batista-Foguet, J. M., Coenders, G., & Alonso, J. (2004). [Confirmatory factor analysis. Its
role on the validation of health related questionnaires]. Medicina Clinica, 122
Suppl(Supl 1), 21–27. http://www.ncbi.nlm.nih.gov/pubmed/14980156

De la Fuente, S. (2011). Análisis Factorial PASO A PASO. Universidad Autonoma, 1–34.

http://www.fuenterrebollo.com/Economicas/ECONOMETRIA/MULTIVARIANTE/F
ACTORIAL/analisis-factorial.pdf

Detrinidad, E. (2016). Análisis Factorial Exploratorio y Confirmatorio aplicado al modelo

de secularización propuesto por Inglehart-Norris. Periodo 2010-2014 (Estudio de caso
España, Estados Unidos, Alemania, Holanda) WSV. Universidad de Granada, 81.
https://masteres.ugr.es/moea/pages/curso201516/tfm1516/detrinidad_barquero_tfm/!

Elosua, P., & Egaña, M. (2020). Psicometría aplicada: Guía para el análisis de datos y
escalas con jamovi. https://web-argitalpena.adm.ehu.es/pdf/USPDF201508.pdf

Fernández, A. (2015). Aplicación del análisis factorial confirmatorio a un modelo de

medición del rendimiento académico en lectura. Revista de Ciencias Económicas,
33(2), 39–65.

Ferrando, P. J., Lorenzo-Seva, U., Hernández-Dorado, A., & Muñiz, J. (2022). Decalogue
for the Factor Analysis of Test Items. Psicothema, 34(1), 7–17.
https://doi.org/10.7334/psicothema2021.456

López, M., & Gutiérrez, L. (2019). Cómo realizar e interpretar un análisis factorial
exploratorio utilizando SPSS. REIRE Revista d Innovaci� i Recerca En Educaci�,
12 (2), 1–14. https://doi.org/10.1344/reire2019.12.227057

Mejía, J. (2017). Las ciencias de la administración y el análisis multivariante. Tomo II.

Meobsuniov. (2020). No Title. Metodología Observacional.

http://meobsuniovi.blogspot.com/2020/04/introduccion-la-uso-de-jasp-para.html

Montoya Suárez, O. (2007). Application of the factorial analysis to the investigation of

markets. Case of study. Scientia et Technica, 3(35), 281–286.
 30

http://dialnet.unirioja.es/servlet/articulo?codigo=4804281&info=resumen&idioma=E
NG

Morales, P. (2011). El Análisis Factorial en la construcción e interpretación de tests ,

escalas y cuestionarios.

Skoczenski, a M., & Norcia, a M. (2002). Capítulo 20 Análisis factorial : El

procedimiento Análisis factorial. SPSS Manual, 13(6), 537–541.
http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&dopt=Ci
tation&list_uids=12430838
 31

ANEXOS
 32

Anexo 1
Codificación de variables
Item Detalle Medida
Género Nominal
bo01 01. Estoy emocionalmente agotado por mi trabajo Escala
bo02 02. Estoy "consumido" al final de un día de trabajo Escala
03. Estoy cansado cuando me levanto por la mañana y tengo que afrontar
bo03 otro día en mi trabajo Escala
bo04 04. Trabajar todo el día es una tensión para mi Escala
bo05 05. Puedo resolver de manera eficaz los problemas que surgen en mi trabajo Escala
bo06 06. Siento que estoy "quemado" por el trabajo Escala
bo07 07. Contribuyo efectivamente a lo que hace mi organización Escala
bo08 08. He perdido interés por mi trabajo desde que empecé en este puesto Escala
bo09 09. He perdido entusiasmo por mi trabajo Escala
bo10 10. En mi opinión soy bueno en mi puesto Escala
bo11 11. Me estimula conseguir objetivos en mi trabajo Escala
bo12 12. He conseguido muchas cosas valiosas en este puesto Escala
bo13 13. Quiero simplemente hacer mi trabajo y no ser molestado Escala
bo14 14. Me he vuelto más cínico respecto a la utilidad de mi trabajo Escala
bo15 15. Dudo de la trascendencia y valor de mi trabajo Escala
16. En mi trabajo, tengo la seguridad que soy eficaz en la finalización de las
bo16 cosas Escala
 33

Anexo 2
Estadísticos Descriptivos
bo01 bo02 bo03 bo04 bo05 bo06 bo07 bo08 bo09 bo10 bo11 bo12 bo13 bo14 bo15 bo16
Válido 204 204 204 204 204 204 204 204 204 204 204 204 204 204 204 204
Ausente 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Media 1.446 2.054 1.279 1.279 4.686 1.201 5.152 0.485 0.529 5.613 5.426 5.221 3.510 0.627 0.544 5.387
Desviación Típica 1.229 1.175 1.392 1.238 1.667 1.155 1.479 1.129 1.033 1.013 1.101 1.395 2.584 1.434 0.989 1.272
Mínimo 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 1.000 0.000 0.000 0.000 0.000 0.000 0.000
Máximo 5.000 5.000 5.000 6.000 6.000 5.000 6.000 6.000 6.000 6.000 6.000 6.000 6.000 6.000 6.000 6.000

bo01
34
35
36
37
38
39
40
41
 42

Anexo 3
Indices de ajuste RStudio
43
44
45