Smith y Asociados [15] han abogado por el uso de construcciones homogneas.

Ellos
afirman que los modelos oblicuos y jerrquicos producen variables latentes que no
representan construcciones homogneas. Adems de esto, como es sealado por Gignac
[14] los modelos de alta organizacin suponen que los efectos del factor de ms alto nivel
(i.e., g) no son directos, sino que son mediados por factores de nivel grupal. Finalmente,
como tambin seala Gignac [14], los modelos oblicuos sugieren que la covariancia entre
factores es multidimensional. Esto significa que, si varios factores estn relacionados,
entonces su variacin puede ser dividida en componentes nicos y en comunes ortogonales
(i.e., el componente comn del par y los dos nicos componentes). En el caso de un modelo
jerrquico, este componente comn es el mismo por todos los pares factoriales. En el caso
de los modelos oblicuos este componente comn difiere de cada par. Por lo tanto, la
covariancia de un modelo oblicuo con n nmero de factores puede ser dividida en un
modelo ortogonal con n! (2X(n-2)!) factores (e. g., el modelo de Ward y Asociados [13],
con cinco factores oblicuos , es equivalente al modelo con 15 factores ortogonales).
A pesar de que los modelos jerrquicos sugieren que la ejecucin de sub-pruebas es
unidimensional, con efectos de mayor orden mediados por procesos de orden menor, los
modelos de la arquitectura cognitiva tambin postulan mltiples procesos que determinan el
comportamiento observado. Por ejemplo, Franzen [16] sugiere que la ejecucin de pruebas
neuropsicolgicas est determinada por factores relacionados al estimulo, procesamiento y
respuesta. Shiffrin y Scheneider [17] declaran que los procesos automticos y controlados
son usados en conjunto en todas las tareas. Barrett y Kurzban [18] han declarado que los
procesos mentales consisten de mltiples sistemas especializados, en lugar de un nico
propsito general. Anderson y Asociados [19], han postulado cuatro procesos cognitivos
que operan durante la solucin de simples problemas aritmticos para dar cuenta de las
activaciones ocurridas en mltiples reas cerebrales. Estudios de posibilidades relacionadas
con eventos han sido interpretados han sido interpretados como la manifestacin de la
operacin de mltiples subsistemas cognitivos- Como se sealo previamente, Milberg y
Asociados [3] describen un nmero de distintos procesos que podran limitar la ejecucin
de una nica sub-prueba del WAIS-R. Como ilustran estos ejemplos, es prctica comn
teorizar mltiples determinantes de ejecucin de tareas simples. Es posible que cada
proceso cognitivo sea sujeto de variaciones independientes entre individuos, aunque

tambin existe la posibilidad de que un nico factor produzca diferencias individuales en

estos mltiples procesos.
El presente estudio evalu la hiptesis de que la ejecucin en cualquier test mental
conlleva mltiples procesos cognitivos [21]. Si esto es as, entonces podra esperarse que
modelos estructurales que incluyen saturaciones factoriales mltiples en cada una de las
sub-pruebas del WAIS-IV debieran proveer un marco mejor que aquellos con una estructura
simple. Con el propsito de probar esta hiptesis, los modelos con saturaciones factoriales
de todas las sub-pruebas han sido evaluados. Estos modelos multidimensionales fueron
comparados con varios modelos previamente propuestos para dar cuenta de las
correlaciones

entre

las

sub-pruebas

del

WAIS-IV. Dado

que

estos

modelos

multidimensionales tienen un gran nmero de parmetros sueltos/libres/independientes

{free}, fue puesto un nfasis particular en generalizar los parmetros estimados para nuevos
datos.

Mtodo
Participantes
Este estudio utiliz los datos presentados por la muestra de estandarizacin del WAIS-IV.
Tres muestras fueron tomadas, consistentes en los datos de individuos entre los 20 y 54
aos de edad (Tablas A.3 hasta A.7, n=1000), individuos entre los 16 y 19 aos (Tablas A.1
y A.2, n=400), e individuos entre 55 y 69 aos (Tablas A.8 y A.9, n=400). El
editor/publicista{publisher} seala que la muestra fue estratificada para hacerla coincidir
con la poblacin de los Estados Unidos basada en variables demogrficas de edad, sexo,
nivel educativo, raza/etnicidad y regin geogrfica.
Anlisis
Tres modelos de la estructura/estructurales del WAIS-IV obtenidos de la literatura
especializada/bibliografa {literature is a little bit ambiguous} fueron comparados con
varios modelos que tuvieron mltiples cargas factoriales ortogonales por cada sub-prueba.
La muestra referente al grupo de 20 a 54 aos de los datos estandarizados del WAIS-IV fue

usada para la estimacin de parmetros y dos muestras adicionales fueron usadas para una
validacin cruzada con valores de parmetros fijos a los estimados obtenidos de la muestra
sealada.
Las matrices de correlacin incluyeron las 15 sub-pruebas completas del WAIS-IV. Para
cada muestra, los valores presentados fueron combinados al aplicar primero la z
transformada de Fisher, despus promediando todos estos valores para cada par de subpruebas en una muestra, y al final se tom la transformacin inversa para producir el
promedio de los valores r. Todas las correlaciones fueron positivas y todos los valores
presentados se basaron en el mismo nmero de participantes (i.e., 200) para que as estos
factores no fueran considerados al promediar los valores r.
Todos los anlisis fueron hechos con el procedimiento SAS CALIS [22] usando la
configuracin dada. Todos los factores latentes fueron igualados a 1 (a excepcin de
aquellos definidos por una estructura jerrquica) como recomiendan Anderson y Gerbing
[23]. Modelos comparativos incluyeron el modelo presentado en la figura 5.2 del manual de
WAIS [11] (referido subsecuentemente en las Tablas como Weschler 2008), el modelo
presentado en la figura 3 de Benson y Asociados [12] (Benson 2010), y el modelo
presentado en la figura 4 de Ward y asociados [13] (Ward 2011). Estos son los modelos con
el mejor ajuste estadstico presentado por cada autor para las 15 sub-pruebas del WAIS-IV.
Los modelos de Wechler [11], y de Benson y Asociados [12] son modelos jerrquicos,
mientras que el de Ward y Asociados [13] es un modelo oblicuo. El modelo Wechler [11]
tiene cuatro factores de primer orden (i.e., comprensin verbal, razonamiento perceptivo,
memoria activa, y velocidad de procesamiento), y un factor g de segundo orden. Tanto
Benson et al. (2010)] como Ward et al. (2011) describen sus modelos como versiones del
modelo Cattel-Horn.Carroll (CHC) con cinco factores de primer orden (i.e., habilidad
cristalizada, procesamiento visual, flujo de razonamiento, memoria activa o a corto plazo, y
velocidad de procesamiento). El modelo de Benson y asociados [12] tiene un factor g de
segundo orden mientras que el modelo de Ward y asociados [13] estima una correlacin
entre cada par de estos factores. Modelos adicionales fueron evaluados con 1, 2, 3, 4, 5 y 6
factores ortogonales (4,5 y 6 como independientes) que tiene cargas factoriales por cada
factor en cada escala. Tres modelos finales fueron evaluados: estos fueron una modificacin

del modelo de Benson y asociados [12] que representa el factor general como un factor
jerarquizado [14] sin relacin con los otros factores (i.e., todos los factores son de primer
orden); Jerarquizado CHC, un modelo inicial con este modelo jerarquizado con
modificaciones aadidas, sugerido por el ndice de Diagnstico CALIS (CHC modificado),
y un modelo inicial con los 6 factores ortogonales que fue modificado de acuerdo a estos
ndices de diagnsticos ( modificacin de independiente 6).
Las modificaciones de los dos modelos como es sugerido por los ndices de Diagnstico
CALIS (i.e., CHC modificado, y la independiente 6 modificada) fueron hechas en etapas
con una nica medida cambiada {weight: dado su valor de medida cre que sera ms
adecuado el sustantivo que peso} y los resultados subsecuentemente evaluados previo a
la siguiente modificacin. Cada etapa consisti en aadir la nica saturacin factorial
sugerida por el multiplicador de Lagrange de ms amplio rango, con el propsito de que
ste fue proyectado para resultar en un cambio significativo en la estadstica de chicuadrado (X) (p<0.005). Si ninguna adicin fue indicada por el multiplicador de Lagrange
entonces el ms pequeo cambio en la estadstica X proyectado por el test de Wald fue
descartado con el motivo de que esto no resultara en un cambio significativo de en las
estadsticas de X. Este proceso continu si los cambios reales en la estadstica de X y los
criterios de diagnstico concordaban con el mismo criterio.
Los ndices de ajuste incluidos son chi-cuadrado (X), la bondad/mejora {goodness: no
tiene mucho sentido} del ndice de ajuste (GFI), la bondad/mejora equilibrada del ndice de
ajuste (AGFI), la estandarizacin del error promedio/medio{mean} de la raz cuadrada
(RMSEA), el criterio de informacin Akaike (AIC), el ndice de ajuste comparativo de
Bentler (CFI). Estos ndices fueron seleccionados para proveer una comparacin con
estudios previos. Estos ndices difieren en cmo manejan con el intercambio entre modelos
de precisin y de complejidad. El hecho de que haya habido una proliferacin de tales
ndices comprueba la dificultad de equiparar precisin y complejidad. Este problema de
evaluacin modelada es tambin manejado con el uso de la validacin cruzada [24]. La
validacin cruzada en el presente estudio us las cargas/saturaciones {loadings} para cada
factor/factorial en cada sub-prueba como estimado de las correlaciones del grupo de 20 a 54
aos. Estos fueron aplicados de manera separada a las matrices de correlacin de los

participantes de 16 a 19 aos, y de 55 a 69 aos. Solo los efectos de la escala especfica

(errores) fueron estimados en la evaluacin de modelos con validacin cruada, as como en
el caso del modelo NULL, que tambin fue incluido.
[]

Discusin

Los modelos que describen las sub-pruebas como funciones multidimensionales de factores
no-relacionados proveen un mejor ajuste para las correlaciones del WAIS-IV que los
modelos que describen las sub-pruebas como funciones unidimensionales de factores
correlativos. Esto era cierto tanto para la muestra del WAIS-IV en la cual los parmetros
sueltos/libres/independientes eran estimados, como tambin para las dos muestras de
poblaciones alternativas de las cuales estos estimados fueron generalizados. Aunque dan
cuenta de mejores correlaciones para el WAIS-IV, estos modelos de sub-pruebas
multidimensionales tambin tienen ms parmetros sueltos/independientes.
Los modelos con parmetros sueltos pueden producir resultados espurios debido a la
saturacin de datos [25]. Los ndices de ajuste adaptados para un nmero de parmetros
estimados han sido propuestos como una forma para maneja este asunto. Sin embargo, la
continua proliferacin de estos ndices da cuenta del hecho de que una manera clara para
equilibrar la reduccin en la prediccin de errores con un nmero de parmetros estimados
{non sequitur: la oracin est incompleta en el original y no tiene sentido}. Ya que la
saturacin ocurre cuando los parmetros dan cuenta de un cambio en la variacin de datos,
el mejor tipo de evluacin es a travs de la validacin cruzada [24, 26]. De todos los
modelos en el presente estudio, slo las variaciones residuales fueron estimadas para una
validacin cruzada, as la saturacin factorial no podra ser ajustada a cambios de variacin
en los datos de la prueba. En el presente estudio los modelos fueron comparados en
trminos de la generalizacin de los parmetros estimados de las muestras del grupo de 20
a 54 aos a aquellas muestras de los grupos de 16 a 19 y de 55 a 69 aos. Estos representan

lo que Mosier [24] refiere a la generalizacin de validez ya que las nuevas muestras
representaban diferentes poblaciones en vez de una muestra adicional de la misma
poblacin referida. La generalizacin de modelos multidimensionales

para nuevas

poblaciones da cuenta de una fuerte evidencia de que un ajuste superior de estos modelos
no es debido a un ssobreajuste.
Se dice que el sobreajuste sucede cuando los parmetros dan cuenta de la variacin
aleatoria de los datos [27]. Hay varias fuentes de variacin aleatoria al modelar la estructura
de las habilidades cognitivas. Estas incluyen errores al probar la ejecucin de un individuo
dado, errores de muestreo dentro de las poblaciones de las cuales se han estimado los
parmetros, errores al probar poblaciones alternativas, y errores asociados con las muestras
de las pruebas. Los ndices de ajuste y la validacin cruzada lidian con el error de la
estimacin de parmetros asociados con muestras de tamao finito. Los ejemplos incluyen
la variacin debida a la credibilidad de pruebas casi perfectas y a las diferencias
cambiantes entre las estadsticas de la muestra y las estadsticas de la poblacin de que fue
tomada. Si se utilizara un modelo en un rango amplio de individuos, entonces las
diferencias entre las estadsticas de la poblacin con las que fueron estimados los
parmetros y estas otras poblaciones, representan una potencial fuente de sobreajuste. Esto
es, los parmetros del modelo pueden ser dirigidos a caractersticas idiosincrticas de una
poblacin especfica. Con pruebas como el WAIS-IV, las estadsticas de segundo orden
(i.e., las correlaciones de las sub-pruebas) estn siendo modeladas. El uso previsto de
instrumentos tales como el WAIS-IV incluye un amplio rango de individuos en trminos de
edad y habilidades [11]. Consecuentemente es deseable mostrar que los modelos
generalizan a travs de estas poblaciones. El presente estudio excluy el sobreajuste debido
a estos primeros tres factores al incluir evaluaciones de las muestras, tanto de jvenes como
de mayor edad, que aquella usadas para estimacin de parmetros. Consecuentemente, el
ajuste superior de modelos multidimensionales tiene amplia generalidad a travs de
poblaciones usadas para la estandarizacin.
Los parmetros de modelo podran ser tambin modificados a caractersticas especficas
de la muestra particular que es usada para estimar parmetros. Mientras que la meta de
muchos estudios es determinar la estructura de las habilidades humanas [12], los modelos

obtenidos pueden ser delimitados por la muestra particular de la prueba modelada. En el

presente estudio, el modelo con seis saturaciones factoriales en todas las sub-pruebas dio el
mejor ajueste en todos los ndices de cada prueba. Las 15 sub-pruebas disponibles del
WAIS-IV no proveen suficientes grados de libertad para evaluar un modelo de siete
factores con saturacin en todas las sub-pruebas. Sin embargo, no hay razn para excluir la
posibilidad de que ms de seis factores puedan ser tiles en la modelacin de habilidades
humanas. Por lo tanto, el presente estudio est limitado en trminos de la complejidad del
modelo de habilidades que podra ser evaluado. La forma en que las habilidades fueron
probadas en distintas sub-pruebas podra tambin ser un problema. Por ejemplo, el WAISIV no incluye pruebas del lapso/capacidad de la memoria no-verbal (e.g., [28]). No hay
duda de que muchos otros tipos de tests podran ser incluidos. Actualmente no est claro
cmo la omisin de dichas pruebas podra sesgar las estimaciones de la estructura de las
habilidades humanas (o, alternativamente, cmo la generalidad de los modelos podra ser
delimitada). De todas las cuestiones del muestre el impacto de las probar de muestras es el
ms difcil de evaluar.
Algunos investigadores desechan el hecho de que los modelos fallan/falsifican/
equivocan la prueba de hiptesis nula de X. Por ejemplo, al discutir sus resultados,
Benson y asociados [12] declaran que ambos modelos fallaron/equivocaron la prueba
de ajuste perfecto de hiptesis nula de X. Esto no significa que todos los aspectos de
cualquier modelo sean falsos. Al contrario, este descubrimiento simplemente refuta la
afirmacin de que todos los aspectos de cualquier modelo son consistentes con los datos.
Mientras existen varias razones que podran ser ofrecidas para esta actitud, es importante
apreciar el hecho de que los modelos generalmente proveen una cantidad/monto incompleta
de datos. El hecho de que el valor de X para el modelo de seis factores ortogonales no fue
importante, no indica que este sea el modelo verdadero, as como es probable que haya
otros modelos que tambin podran no diferir de manera significativa. La suposicin de
que, de hecho, hay un modelo verdadero puede ser ficticia [25]. En lugar de esto, la
preocupacin debera estar puesta en la precisin y la habilidad de nuestros modelos para
generalizar una amplia variedad de circunstancias diferentes [29].

La ventaja de un modelo con ejecucin de sub-pruebas determinadas por factores

mltiples es uno de los descubrimientos clave de este estudio. El modelo resumido en la
Tabla 4 fue producido por la modificacin de una versin jerarquizada del modelo de
Benson y asociados [12] generalizada a las muestras de prueba encaja los datos de
entrenamiento mejor que los tres modelos de comparacin tomados de la literatura existente
{esta oracin est bien rara en el original}. Algunos de los factores ortogonales resultantes
pueden ser interpretados aproximadamente de la misma manera como los factores
originales de Benson y asociados [12], con la excepcin de que se cargaron en sub-pruebas
mltiples. El patrn de estas mltiples cargas/saturaciones en muchos casos tiene sentido
intuitivo. Por ejemplo, la sub-prueba de cancelacin requiere que los examinados busquen
una matriz para uno de los dos objetivos definidos por una conjuncin de caractersticas
visuales. Las cargas/saturaciones en la Tabla 4 para esta sub-prueba estn en los factores
asociados con la velocidad de procesamiento, la memoria activa y el procesamiento visual.
Adems del factor de la velocidad de procesamiento identificado en el modelo de Benson y
asociados [12], la memoria activa est implicada en la medida en que los examinados deben
almacenar/memorizar la funcin de las instrucciones y los objetivos en la memoria activa.
De hecho, hay evidencia experimental sobre el rol de la memoria activa en la bsqueda
visual (e.g., [30]).

Adems de esto, la sub-prueba de cancelacin requiere que las

caractersticas visuales de mltiple dimensin/multidimensionales sean identificadas,

sugiriendo un papel para el procesamiento visual. Cabran de esperar limitaciones de
cualquiera de estos tres factores para delimitar la ejecucin. Como ilustra este ejemplo, la
conceptualizacin de la ejecucin por modeles con una estructura simple puede ser muy
sencillas/simple.
El modelo resumido en la Tabla 5, producido al mejorar el modelo de seis factores
ortogonales, encuadra/ajusta los datos usados para estimar valores de parmetro mejor que
todos los modelos, a excepcin del modelo de seis factores ortogonales, del cual este deriva
y se generaliz mejor para la muestra antigua. Hay alguna correspondencia entre las
cargas/saturaciones de este modelo y los factores identificados en los modelos de
comparacin. Sin embargo, todos estos factores, con excepcin del factor general, tiene
cargas/Saturaciones con signos mezclados. Podra haber varias explicaciones para esto.
Este patrn puede ser un resultado de indeterminacin factorial/factores de indeterminacin

y puede ser eliminado por cierta rotacin de las cargas/saturaciones factoriales.

Alternativamente esto puede reflejar una relacin opuesta real entre diferentes modulos de
procesamiento neural de la informacin, como fue propuesto, por ejemplo, por Grossberg
[31]. La indeterminacin factorial puede ser la explicacin ms posible (i.e., hay muchos
modelos con un ajuste equivalente). El modelado de datos simulados al usar mtodos
similares a los reportados por McFarland [32] produce un patrn de resultados similar a
aquel en la Tabla 5 (hallazgos inditos del autor), usando seis factores no-relacionados con
pesos/medidas positivas en las 15 pruebas. A pesar de que el total de los seis factores
simulados fue de igual magnitud, fueron contabilizadas ms variaciones por un nico factor
general y los otros cinco factores tuvieron pesos/medidas con valores negativos y positivos
de igual forma. Este patrn puede ser una caracterstica de los actuales factores del anlisis
de algoritmos antes que de procesos de generacin de datos.
Aunque los modelos presentados en las figuras 4 y 5 son ms simples en el sentido de
que tienen factores inconexos, son conceptualmente complejos. En particular, es poco
probable que mdicos practicantes pudieran encontrar fcilmente varios de los factores de
la Tabla 5 relacionados a su prctica. Sin embargo, estos resultados demuestra que nuevas
mejoras en las capacidades de modelado son posibles. Modelos como los de Benson y
asociados [12] y los de Ward y asociados[13], aunque son conceptualmente simples, no son
los mejores. Incluso su simplicidad conceptual puede ser engaosa, ya que, como fue
discutido al principio, los factores jerrquicos y oblicuos son complejos. La versin
jerarquizada del modelo de Benson y asociados[12] supera esta problema. A pesar de esto,
puede ser muy simple/sencillo el ajuste dado en los datos de los modelos presentados en las
figuras 4 y 5. Conceptualmente no es difcil apreciar que la ejecucin dada en una subprueba pueda tener mltiples determinantes. Por ejemplo, Milberg y asociados [3] han
descrito los mltiples procesos que podran limitar la ejecucin en una nica sub-prueba del
WAIS-R. La aplicacin de un enfoque de varios procesos puede llevar a mejores modelos
de habilidades humanas.