Sei sulla pagina 1di 13

Psychosocial Intervention

ISSN: 1132-0559
pi@cop.es
Colegio Oficial de Psiclogos de Madrid
Espaa

Herrero, Juan
El Anlisis Factorial Confirmatorio en el estudio de la Estructura y Estabilidad de los Instrumentos de
Evaluacin: Un ejemplo con el Cuestionario de Autoestima CA-14
Psychosocial Intervention, vol. 19, nm. 3, 2010, pp. 289-300
Colegio Oficial de Psiclogos de Madrid
Madrid, Espaa

Disponible en: http://www.redalyc.org/articulo.oa?id=179817507009

Cmo citar el artculo


Nmero completo
Sistema de Informacin Cientfica
Ms informacin del artculo Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal
Pgina de la revista en redalyc.org Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
El Anlisis Factorial Confirmatorio en el estudio de la
Estructura y Estabilidad de los Instrumentos de Evaluacin:
Un ejemplo con el Cuestionario de Autoestima CA-14

Confirmatory Factor Analysis in the study of the Structure


and Stability of Assessment Instruments: An example with the
Self-Esteem Questionnaire (CA-14)
Juan Herrero
Universidad de Oviedo - Espaa

Resumen. Este trabajo presenta un estudio de la estructura factorial y la estabilidad del Cuestionario de
Autoestima CA-14 utilizando la tcnica del Anlisis Factorial Confirmatorio. El trabajo pretende ilustrar y
guiar en las posibilidades que ofrece esta tcnica, prestando especial atencin a los requisitos que deben
cumplir los datos, los mtodos de estimacin sugeridos en la literatura cientfica, los ndices de ajuste ms
adecuados para evaluar los modelos y otras circunstancias que se deben tener en cuenta a la hora de esti-
mar modelos de Anlisis Factorial Confirmatorio. En el trabajo se presentan adems diversas estrategias
metodolgicas en la implementacin de esta tcnica: correlacin de errores residuales, imposicin de cons-
tricciones o equivalencias en los parmetros de un modelos, modelos multigrupo, etc.
Palabras clave: anlisis factorial confirmatorio, anlisis multigrupo, autoestima, poblacin general adul-
ta.

Abstract. This research presents a study of the factor structure and temporal stability of the Self-Esteem
Questionnaire (CA-14) using Confirmatory Factor Analysis (CFA) techniques. The paper pretends to offer
a potential guide to researchers, paying special attention to data requirements, estimation methods suggest-
ed in the literature, recommended fit indices and other circumstances that need to be taken into account
when estimating CFA models. Also, various methodological strategies are shown during the implementa-
tion of CFA models: correlated errors, use of parameter constraints, multigroup analysis, etc.
Keywords: Confirmatory Factor Analysis, multigroup anlysis, self-esteem, adult general population.

Introduccin que juega cada elemento en el conjunto global de esa


estructura (varianza total explicada por los factores,
Cuando se analiza la estructura estadstica de las res- varianza explicada de cada factor y saturacin de los
puestas a un cuestionario, es comn utilizar la tcnica tems en los factores, fundamentalmente).
del anlisis factorial exploratorio. En este tipo de tcni-
ca el investigador no precisa establecer a priori cul es
la estructura de los datos; son los propios datos, en fun- Anlisis factorial exploratorio vs confirmatorio
cin de unos criterios empricos, quienes muestran su
estructura. Este tipo de tcnica es muy til cuando el Existe otro acercamiento que permite al investigador
investigador desconoce de antemano qu tipo de estruc- mayor flexibilidad al establecer sus hiptesis sobre la
tura puede esperar de las respuestas de los sujetos que estructura del constructo (Bentler, 2007). Esta tcnica, el
componen la muestra. Una situacin, sin embargo, que anlisis factorial confirmatorio, permite contrastar un
no es nada deseable ya que el investigador ha debido modelo construido con antelacin, en el que el investi-
operativizar adecuadamente un constructo en funcin de gador establece a priori el conjunto total de las relacio-
una teora slida y, por tanto, es muy probable que nes entre los elementos que lo configuran. A diferencia
pueda anticipar la estructura del constructo. La mayora del factorial exploratorio, en el factorial confirmatorio
de los investigadores, por tanto, utilizan esta tcnica se supone que el investigador es capaz de aventurar a
para confirmar empricamente la estructura conceptual priori la estructura de los datos -preferiblemente en fun-
que han establecido de antemano y para conocer el papel cin de una teora bien establecida- y slo precisa con-
firmar que esa estructura puede tambin obtenerse
empricamente. Tcnicamente, ambas estrategias persi-
guen un nico objetivo: explicar las covarianzas o
La correspondencia sobre este artculo puede dirigirse a Juan
Herrero. Despacho 211. Departamento de Psicologa. Plaza Feijoo s/n.
33003 Oviedo. E-mail: olaizola@uniovi.es correlaciones entre un conjunto de variables observadas

Copyright 2010 by the Colegio Oficial de Psiclogos de Madrid Intervencin Psicosocial


ISSN: 1132-0559 - DOI: 10.5093/in2010v19n3a9 Vol. 19, n. 3, 2010 - pp. 289-300
290 ANLISIS FACTORIAL CONFIRMATORIO

o medidas a travs de un conjunto reducido de variables buena parte (varianza explicada) las correlaciones
latentes o factores (Bollen, 1989, p. 226). entre los tems. En el anlisis exploratorio, los factores
Para ilustrar la lgica subyacente al Anlisis Factorial dependen de la comunalidad entre los tems, que son
Confirmatorio es preciso introducir previamente el con- bsicamente la cantidad de varianza explicada que una
cepto de Factor Latente que se utiliza en el Anlisis combinacin de los restantes tems ejerce sobre un
Confirmatorio. Utilizar un Cuestionario de Autoestima tem en particular; en este caso, los aspectos comunes
de 14 tems, que es una versin abreviada de un cuestio- que se observan en los 14 tems se representan grfica-
nario publicado previamente (CA-17, Gracia, Herrero y mente por una flecha que va desde SELF a cada una de
Musitu, 2002) para ejemplificar los conceptos funda- las variables que componen este factor. En este caso,
mentales de esta tcnica (ver tambin Herrero y Gracia, todos los tems comparten algo de la autoestima global
2007, para un ejemplo de Anlisis Confirmatorio con y por tanto todos tienen una flecha que los conecta con
diferentes variables). Esta versin abreviada evala la el factor. La direccin de la flecha indica que es el fac-
autoestima en poblacin adulta en torno a cuatro aspec- tor quien genera las puntuaciones en el tem y no vice-
tos: fsico, emocional, familiar y social. versa. Ello quiere decir que cada tem mide adecuada-
Desde el punto de vista del Anlisis Factorial mente el factor al que pertenece en el grado en que su
Confirmatorio, la puntuacin de cada sujeto en cada relacin con el factor es mayor. As, la varianza total de
tem est generada por una variable no observada (el las respuestas a un tem -digamos, el tem 1- est com-
Factor Latente) que explica la variabilidad de las pun- puesta por la varianza que comparte con el factor
tuaciones en el tem. Previsiblemente, el Factor SELF -la flecha entre tem V1 y SELF- y la varianza
Latente nunca explicar de forma totalmente satisfac- que no comparte con el factor -la flecha entre El y el
toria la variabilidad de las respuestas del tem. A esta tem V1. La versin estandarizada de uno y otro valor
parte no explicada por el factor se le denomina error de se conoce como saturacin y error, respectivamente.
medida (E). La suma de todas las saturaciones al cuadrado -la
Supongamos, en el caso ms simple, que la estruc- correlacin al cuadrado de cada tem con el factor-
tura del CA-14 refleja un nico factor de autoestima indica la cantidad total de varianza explicada de cada
general (SELF en la figura 1). Este nico factor da factor (el eigenvalue de cada factor). Alternativamente,
cuenta de las relaciones entre los 14 tems; es decir, de uno menos el error al cuadrado indica la proporcin de
sus correlaciones o covarianzas. Por tanto, la parte que varianza no explicada por el factor.
estos 14 tems comparten entre s puede atribuirse a la Una ventaja inicial del anlisis confirmatorio frente
existencia de una estructura latente -en este caso, con- al exploratorio es que separa de la varianza de cada
figurada en torno a un slo factor- que explica en tem la parte de la varianza explicada por el factor y la
parte que no explica el factor para, posteriormente,
Figura 1, Modelo 1: Un solo factor de autoestima para los 14 tems 1
diferenciar ambas variables y calcular sus coeficientes
y varianzas por separado. De este modo, una vez iden-
tificado el error, trabaja slo con la parte de la puntua-
cin del tem que se considera representa a la autoesti-
ma. Este tipo de factores estn por tanto libres de error
de medida.
Por otra parte, el espacio terico que posibilita el
anlisis confirmatorio en la interpretacin del error es
muy flexible. As, la parte de varianza que no explica
el factor general SELF del tem V1 - El-, puede deber-
se a una pluralidad de circunstancias. Entre las circuns-
tancias que explican esta variacin se pueden distin-
guir aquellas que tienen que ver con la naturaleza del
cuestionario y aquellas que tienen que ver con la natu-
raleza del concepto que intenta representar ese cuestio-
nario.
1. Circunstancias que tienen que ver con la natura-
leza del cuestionario. Este tipo de circunstancias
representa la conceptualizacin ms restrictiva
del error y tiende a explicar el error en funcin de
las caractersticas del cuestionario o del tem. Por
ejemplo, Bollen (1989) ha sealado que el error
puede deberse a que los indicadores proceden de
la misma fuente o a que existen sesgos en las res-
puestas al cuestionario. As, mostrar acuerdo-des-
acuerdo en tems formulados de forma negativa

Intervencin Psicosocial Copyright 2010 by the Colegio Oficial de Psiclogos de Madrid


Vol. 19, n. 3, 2010 - pp. 289-300 ISSN: 1132-0559 - DOI: 10.5093/in2010v19n3a9
JUAN HERRERO 291

puede conllevar cierto error en la comprensin los tems en el factor fueran todas significativas. Sin
del tem. El hipottico tem, no me disgusta que embargo, este modelo de un solo factor global de auto-
hablen mal de mi, no est exento de dificultad de estima es uno de los posibles modelos que pueden
interpretacin y, por tanto, proporciona un espa- someterse a contrastacin emprica. Es conveniente
cio para el error; esto es, aquella parte de la res- que el investigador evale no slo un tipo de modelo
puesta al tem que no contesta realmente al tem. sino varios que pueden considerarse alternativos a su
Este error correlacionar, probablemente, con el propuesta terica, con el fin de conocer hasta qu
error en las respuestas a otro tipo de tems formu- punto los datos se ajustan mejor a su modelo propues-
lados de forma similar; por ejemplo, mis relacio- to que a otro conjunto de modelos alternativos.
nes sociales no son insatisfactorias (acuerdo/des-
acuerdo). De esta forma, la estimacin de la
correlacin de los errores puede incrementar la Modelos alternativos
capacidad del modelo para reflejar los datos rea-
les, identificando adems de forma ms precisa La figura 1 representa una conceptualizacin de la
las fuentes de variacin ajenas a los factores. En autoestima en trminos globales o unidimensionales.
otras palabras, controla la variacin en las pun- Este sera el caso, por ejemplo, del cuestionario de
tuaciones producida por el error de medida. Rosenberg (1965), en el que slo existe una dimensin
2. Circunstancias que tienen que ver con la natura- global para todos los tems, si bien existen referencias
leza del concepto. En general, siempre existe un en la literatura cientfica sobre su multidimensionali-
espacio para la teora en la interpretacin de los dad (Goldsmith, 1986). Este tipo de concepcin unidi-
trminos de error. El trmino de error puede mensional del self no es la nica y otros autores man-
representar aquella parte del tem que no tiene tienen modelos alternativos en los que se reconoce la
que ver con el constructo medido pero que contie- complejidad y multidimensionalidad del self (Marsh y
ne informacin valiosa para el investigador. Por Shavelson, 1985). Estas conceptualizaciones alternati-
ejemplo, un hipottico tem de consumo de sus- vas de la estructura de la autoestima se entienden en el
tancias como fumo marihuana con mis amigos, Anlisis Factorial Confirmatorio como modelos alter-
contiene informacin tanto sobre el consumo de nativos que habra que estimar y, si es posible, compa-
sustancias como sobre la actividad social del rar, para tratar de identificar el modelo que mejor des-
sujeto. Esto es, el tem contiene una parte relacio- cribe los datos.
nada con un hipottico factor de consumo de sus- Presento a continuacin algunos modelos alternati-
tancias y otra parte referida a otras circunstancias. vos que se derivan de las distintas concepciones teri-
La lgica que subyace en el anlisis confirmato- cas de la autoestima.
rio es la de eliminar esa fuente de variacin en la
configuracin del factor en el que satura el tem Figura 2. Modelo 2: 4 dimensiones de la autoestima sin corrrelacionar
pero, si es preciso, utilizarla para explicar algunas
relaciones en el modelo (modelos FASEM o no
estndar) (Bentler, 1993).
Otra ventaja que se ha sealado frecuentemente a
favor del anlisis confirmatorio es la posibilidad que
tiene el investigador para establecer relaciones entre los
factores (Bollen, 1989). En el acercamiento tradicional,
o ningn factor correlaciona -rotacin ortogonal- o
todos lo hacen -rotacin oblicua-, mientras que en el
acercamiento confirmatorio puede establecerse a priori
un conjunto de condiciones ms flexibles en torno a la
relacin entre los factores; por ejemplo, que dos correla-
cionen entre s y otros dos no estn correlacionados.
En cualquier caso, el anlisis factorial confirmatorio
siempre precisa de la existencia de una teora articula-
da que sirva de base para la elaboracin de un modelo
cuya contrastacin emprica se est analizando. Por
ello, es preciso que el modelo muestre un buen ajuste
a los datos y, adems, que los parmetros que compo-
nen el modelo muestren la direccin y significacin
previstas. En el caso especfico de la figura 1, espera-
ramos que, de ser correcto el modelo de un solo factor
global de la autoestima, el modelo presentar un buen
de ajuste a los datos y que, adems, las saturaciones de

Copyright 2010 by the Colegio Oficial de Psiclogos de Madrid Intervencin Psicosocial


ISSN: 1132-0559 - DOI: 10.5093/in2010v19n3a9 Vol. 19, n. 3, 2010 - pp. 289-300
292 ANLISIS FACTORIAL CONFIRMATORIO

En el modelo 2 la estructura de la autoestima est Figura 4. Modelo 4: Estructura de la autoestima con Factor de segundo
configurada por la existencia de 4 factores: fsico, orden
emocional, social y familiar. La caracterstica funda-
mental de este modelo es que los factores no muestran
ninguna relacin entre s, una circunstancia similar a la
rotacin ortogonal en el anlisis factorial tradicional.
Tampoco existe una estructura subyacente a estos fac-
tores, como podra ser una autoestima global o factor
de segundo orden. Una solucin similar al modelo 2 se
observa en el modelo 3.

Figura 3. Modelo 3: 4 dimensiones de la autoestima correlacionadas

el SELF. Sin embargo, las puntuaciones en cada una de


estas dimensiones no slo dependen del factor general
SELF sino que estn influidas por trminos de error o
residuales. As, cada dimensin o factor lleva asociada
un error (D) que expresa aquella parte de la varianza de
cada factor que no es explicada por el factor general
SELF. Una caracterstica importante de este modelo,
como ya se ha sealado, es que al tener en cuenta el
error asociado a cada indicador, los factores latentes
estn libres de error de medida, ya que estos errores son
Existe una estructura factorial con 4 factores que, a parmetros distintos a las variables a las que van asocia-
diferencia del modelo anterior, se relacionan todos dos. De este modo, el SELF as operativizado es un fac-
entre s formando un entramado de interrelaciones. tor global de autoestima libre de los errores de medida
Esta circunstancia es similar a la rotacin oblicua en el que tienen que ver con los indicadores.
anlisis factorial tradicional.
Finalmente, en el modelo 4 toda la relacin observa-
da en las dimensiones de la autoestima del modelo 3 es Mtodo
explicada por la existencia de un factor de segundo
orden (SELF). Estadsticamente, los modelos 3 y 4 son Participantes
muy similares y, en la prctica, es habitual encontrar
niveles equivalentes de ajuste en este tipo de modelos Una vez identificado el conjunto de modelos que se
con factores correlacionados (modelo 3) y factores de van a someter a contrastacin emprica, paso a presen-
segundo orden (modelo 4). Como ha sealado Bentler tar la muestra que se ha utilizado en los anlisis. Todos
(1993), al suponer una estructura factorial con todos los los participantes completaron el CA-14 en dos
factores relacionados entre s, lo que se est suponiendo momentos temporales separados por seis meses. Junto
indirectamente es la existencia de un factor latente que con el instrumento de autoestima, tambin se recab
explica, a su vez, esas relaciones. As, el modelo 4 repre- informacin sobre algunas variables como el sexo, la
senta una estructura en cuatro dimensiones que a su vez edad, el estado civil, la situacin laboral, nivel cultural
se organizan en una dimensin global o general del self. e ingresos familiares y algunas variables referidas al
Cada una de las dimensiones de primer orden del mode- bienestar bio-psico-social (Gracia, Herrero y Musitu,
lo fsica, emocional, social y familiar.- est influida por 2002, para un anlisis detallado).

Intervencin Psicosocial Copyright 2010 by the Colegio Oficial de Psiclogos de Madrid


Vol. 19, n. 3, 2010 - pp. 289-300 ISSN: 1132-0559 - DOI: 10.5093/in2010v19n3a9
JUAN HERRERO 293

El N final de participantes con datos completos en el para estimar un modelo, ya que ello depender de la
pase 1 y el pase 2 fue de N = 780 (ver Gracia y complejidad del modelo y de si se han realizado modi-
Herrero, 2004, para una presentacin ms detallada de ficaciones post-hoc en el mismo.
los participantes). El porcentaje de hombres fue ligera- Con respecto a la segunda parte de la pregunta, la
mente inferior al de mujeres (46%), con representacin gran mayora de los trabajos en esta rea de estudio
en todos los grupos de edad a partir de 18 aos (18-24, han optado por complementar los ndices de ajuste
22.5%; 25-49, 43.9%; 50-64, 25.2%; > 64, 8.4%). En basados en la significacin estadstica del 2 con otro
cuanto al estado civil, la mayora de los participantes conjunto de indicadores de ajuste de naturaleza varia-
estaba casado (49.1%) o soltero (43.1%). Ms de un 54 da. Debido a que, como se ha sealado repetidamente,
% de los participantes haban cursado Bachillerato. la utilizacin de grandes muestras aumenta la probabi-
lidad de rechazar la Ho siendo esta verdadera se han
ido proponiendo un conjunto de ndices de ajuste que
Anlisis. Algunas precauciones a tener en cuenta pretenden contestar a la pregunta de hasta qu punto es
adecuado un determinado modelo (Bentler, 1990;
Tamao de la muestra y bondad de ajuste del modelo Bolllen y Long, 1993; Hu y Bentler, 1998, 1999; Wi-
daman y Thompson, 2003; Yuan, 2005). La mayora de
La teora estadstica que sirve de base a los modelos estos ndices no son estadsticos y, por tanto, los pun-
de ecuaciones estructurales con variables latentes, de tos crticos ms all de los cuales un modelo es adecua-
los que el anlisis confirmatorio es un caso particular, do, son totalmente arbitrarios y adoptados por consen-
es de naturaleza asinttica. Esto quiere decir que las so en la comunidad cientfica.
conclusiones que se pueden extraer sobre los datos - Los paquetes estadsticos en la actualidad propor-
con respecto a la distribucin de los estadsticos de cionan una gran variedad de ndices de ajuste, incluso
ajuste y los errores estndar para los parmetros esti- cuando estos ya no se consideran apropiados en la lite-
mados- adquieren cierta confianza conforme N crece ratura cientfica (por ejemplo, NFI del EQS; GFS,
sin lmite. A pesar de que una muestra muy numerosa AGFS, en LISREL, etc). Esta abundancia de indicado-
permite conclusiones menos inciertas que una muestra res genera en ocasiones confusin al investigador,
pequea, la verdad es que no hay un lmite que indique mxime cuando alguno de estos ndices tienen tenden-
cundo una muestra es lo suficientemente grande como cia a sobrevalorar el ajuste de los modelos, pudiendo
para asegurar la confianza en la estimacin de los par- llevar a la falsa conclusin de que el modelo es adecua-
metros y el ajuste del modelo. El investigador interesa- do cuando no lo es. En la prctica, si un modelo pre-
do en la utilizacin de modelos de ecuaciones estructu- senta un buen ajuste a travs del CFI y del RMSEA
rales con variables latentes est atrapado en un doble conjuntamente, es muy poco probable que el modelo
vnculo ya que necesita una muestra numerosa para no sea adecuado a los datos. Estos ndices de ajuste
ganar confianza en la estimacin de los parmetros del son, por tanto, una buena gua en la bsqueda del
modelo pero, a la vez, la probabilidad de rechazar el modelo que mejor se ajusta a los datos.
modelo en esa muestra es alta - el poder estadstico de El CFI (Compartive Fit Index) fue desarrollado por
la prueba es muy elevado y detectar significacin Bentler (1992) a partir de un ndice previo (BFI) que
estadstica incluso en el caso de que las diferencias corrige para evitar que tome valores ms all del rango
sean triviales-. En otros trminos, el estadstico resul- 0-1. El CFI compara el 2 de dos modelos: un modelo
tante de comparar la semejanza entre la estructura de independiente que mantiene que no existe relacin
los datos de la muestra, por una parte, y la estructura entre las variables del modelo, y el modelo propuesto
que propone el modelo, por otra, se distribuye como 2 por el investigador. Esta comparacin se corrige por
que para grandes muestras tiende a rechazar Ho (que el los grados de libertad (gl) de uno y otro modelo. CFI
modelo es bueno). =((2 Modelo Independiente- gl)- (2 Modelo propues-
Esta circunstancia plantea la necesidad de responder to-gl)) / (2 Modelo Independiente- gl). Conforme el 2
a la pregunta de cundo el tamao de la muestra es del modelo propuesto disminuye, el numerador y el
adecuado y, de ser as, cmo calcular el ajuste del denominador se igualan, por lo que la situacin ideal
modelo sin depender del tamao de la muestra. Con es que ambos sean equivalentes (CFI = 1). Esto es, que
respecto a la primera parte de la pregunta, no existe un el 2 del modelo propuesto sea cero. En general, se
consenso en los investigadores en cuanto al nmero de considera que el CFI debe estar en torno a .95 para
sujetos necesarios para que las estimaciones del anli- considerar que el modelo se ajusta adecuadamente a
sis confirmatorio sean fiables. Ms que un N determi- los datos. Este valor, sin embargo, es relativo ya que,
nado, lo que s parece claro es que la fiabilidad del por ejemplo, en modelos de gran complejidad el 2
modelo depende mucho de su complejidad y del nme- siempre se alejar de cero, lo que hace disminuir el
ro de sujetos con que cuenta el investigador para con- CFI. La interpretacin del ndice CFI, por tanto, se
trastarlo (Jackson, 2003; Kline, 2005; Muthn y debe valorar conjuntamente con otros ndices y tenien-
Muthn, 2001). A este respecto no existe un acuerdo do en cuenta el tipo de modelo que se est analizando.
entre los investigadores sobre cul es el N adecuado El RMSEA (error de aproximacin) hace referencia

Copyright 2010 by the Colegio Oficial de Psiclogos de Madrid Intervencin Psicosocial


ISSN: 1132-0559 - DOI: 10.5093/in2010v19n3a9 Vol. 19, n. 3, 2010 - pp. 289-300
294 ANLISIS FACTORIAL CONFIRMATORIO

a la cantidad de varianza no explicada por el modelo La multinormalidad de las variables es, por tanto, un
por grado de libertad. Se considera que RMSEA .05 requisito importante para el clculo de los parmetros
indica un buen ajuste a los datos si, adems, el interva- y ajuste de un modelo. Sin embargo, es bastante comn
lo de confianza al 90% (I.C.) se sita entre 0 y .05. que el investigador se encuentre con que las variables
Como ya he comentado, en la prctica es poco proba- observadas no sigan una distribucin multinormal
ble que el investigador encuentre un modelo poco ade- debido a que esta es una condicin relativamente exi-
cuado que cumpla los requisitos: CFI .95 y RMSEA gente. Como ha sealado Stevens (1992, p. 245), la
.05 (90% I.C., .00, .05). Se considera por tanto acon- normalidad de cada una de las variables por separado
sejable presentar estos dos ndices de ajuste junto con es una condicin necesaria pero no suficiente para que
el 2 del modelo propuesto, sus grados de libertad y la exista la normalidad multivariada (o multinormali-
probabilidad asociada. dad). Esto es, adems de que cada una de las variables
medidas muestre unos ndices de curtosis y simetra
normales, existen dos condiciones adicionales que
Estimacin del modelo y violacin del supuesto de deben cumplir las variables para ser multinormales: a)
multinormalidad de las variables cualquier combinacin lineal de las variables es tam-
bin normal, y; b) todos los conjuntos y subconjuntos
El clculo de los parmetros que componen el de variables tienen una distribucin normal. En la
modelo puede basarse, a su vez, en distintos mtodos prctica, conforme aumenta el nmero de variables
de estimacin, que consisten, bsicamente, en funcio- observadas con que trabaja el investigador la probabi-
nes a minimizar. De este modo, si de lo que se trata es lidad de que no exista normalidad multivariada aumen-
de minimizar la suma de los cuadrados estamos ta, ya que tambin lo hace el nmero posible de com-
hablando del mtodo de Mnimos Cuadrados, mientras binaciones entre las variables.
que otros mtodos, como Mxima Verosimilitud, tratan Existen varios procedimientos para paliar en parte
de minimizar una funcin algo ms compleja (Kaplan, este problema. Como han sealado West y colaborado-
2000; Olsson, Foss, Troye y Howell, 2000). Existe una res (1995), todos estos mtodos comparten un objetivo
extensa literatura sobre la idoneidad de los diferentes comn: proporcionar un 2 as como estimadores del
mtodos de estimacin. Una gran parte de los trabajos error asociado a cada parmetro que estn lo ms cerca
cientficos en este rea utilizan la estimacin por posible de sus valores reales. De lo contrario, tanto el
Mxima Verosimilitud (Bollen, 1989), cuyas propieda- grado de ajuste del modelo (que se basa en el 2) como
des han sido destacadas frecuentemente. La utilizacin la significacin estadstica de los parmetros del mode-
de la estimacin por Mxima Verosimilitud (a partir de lo (que se basan en el error de estimacin de cada par-
ahora, ML, del ingls Maximum Likelihood) descansa metro) pueden estar sesgados y no ser fiables. Ante
en un conjunto de condiciones con respecto a la natu- esta circunstancia, es prioritaria la contrastacin del
raleza de los datos. Entre estas condiciones destaca: a) modelo con procedimientos que aseguren que la des-
que se utiliza una muestra suficientemente grande para viacin de la multinormalidad se ha tenido en cuenta y
la estimacin de los parmetros; b) que las variables que tanto el 2 como los errores de estimacin se apro-
observadas son continuas, y; c) que las variables se ximan a sus valores reales en la poblacin.
distribuyen multinormalmente. Si estas condiciones no Aunque el estadstico no sigue una distribucin 2
se cumplen no hay garanta de que las propiedades de en condicin de no multinormalidad, se puede reesca-
la estimacin por ML se mantengan. lar o corregir para que se aproxime a ese tipo de dis-
El problema de la muestra ya ha sido analizado con tribucin. Esta es precisamente la estrategia que han
anterioridad. Con respecto a la continuidad de las seguido Satorra y Bentler (1990). Bsicamente, se
variables, la violacin de este supuesto es relativamen- calcula una constante que incorpora el grado de cur-
te asumible y slo adquiere notoriedad cuando, ade- tosis multivariada y se corrige el estadstico (2) por
ms, la distribucin de las variables no es multinormal esa constante. La misma estrategia se utiliza para el
(West, Finch y Curran, 1996; Lei y Lomax, 2005). clculo de los errores estndar. De este modo, el
Aunque con la violacin del supuesto de multinorma- mtodo de estimacin sigue siendo el mismo (ML,
lidad, el mtodo ML es relativamente robusto en el cl- pongamos por caso) pero con estimadores robustos
culo de los parmetros del modelo (coeficientes de que ya tienen en cuenta la desviacin de la multinor-
regresin o paths entre las variables, etc), no lo es en el malidad en las variables. No exige muestra adicional:
clculo del 2 y por tanto en el clculo de los ndices funciona adecuadamente con un N=200 y una ligera
de ajuste, ni en los errores estndar asociados a cada desviacin de la multinormalidad, y N=500 y una
parmetro del modelo (Bentler, 1993; Bollen, 1989; desviacin sustancial de la multinormalidad.
Kaplan, 2000; Marcoulides y Schumacher, 2001). En Habitualmente, este ndice de ajuste robusto es mayor
otras palabras, no es fiable ni en los ndices de ajuste que el CFI bajo teora normal (no robusto) ya que uti-
del modelo ni en la significacin estadstica de los liza para su clculo el 2 escalado, que suele ser
parmetros (para cuyo clculo contribuyen los errores menor que el 2 bajo teora normal. En otras palabras,
estndar). al tener en cuenta la naturaleza no multinormal de las

Intervencin Psicosocial Copyright 2010 by the Colegio Oficial de Psiclogos de Madrid


Vol. 19, n. 3, 2010 - pp. 289-300 ISSN: 1132-0559 - DOI: 10.5093/in2010v19n3a9
JUAN HERRERO 295

variables, el clculo del 2 es ms preciso y el ndice Si comparamos exclusivamente los modelos 3 y 4,


de ajuste mayor. cabe preguntarse: cul de los dos modelos es ms ade-
cuado? Ante esta pregunta existen dos tipos de res-
puestas: una respuesta basada en criterios exclusiva-
Resultados mente empricos y una respuesta de tipo conceptual o
terico.
Una vez presentada la tcnica del anlisis factorial a) Criterios empricos: Ambos modelos presentan
confirmatorio y analizadas sus ventajas y desventajas, un ajuste similar y puesto que no estn anidados,
as como la forma elegida para superar esas desventa- no se pueden comparar estadsticamente. Como
jas, pasamos a continuacin a exponer los resultados ya he avanzado, los modelos con factores correla-
obtenidos. Debido a que una preocupacin inicial en la cionados y los modelos con factores de segundo
literatura cientfica sobre modelos estructurales con orden que expliquen esas correlaciones suelen
variables latentes es precisamente la existencia y trata- presentar un ajuste similar. Si estuvieran anida-
miento de la no multinormalidad, se presenta una esti- dos, comprobaramos que el modelo 4 es preferi-
macin de la curtosis multivariada a partir del coefi- ble por su sencillez: tiene ms grados de libertad
ciente de Mardia (1970). Este estimador normalizado (2) y estos no le llevan a un incremento significa-
se puede utilizar para contrastar la hiptesis nula de tivo del 2 (el incremento es = 4.32 que para 2
que las variables se distribuyen multinormalmente, ya grados de libertad tiene una probabilidad asocia-
que en muestras suficientemente grandes este estima- da de p = .112). Sin embargo, estos modelos no
dor se distribuye de forma normal, con puntuaciones estn anidados y la eleccin debe basarse en otros
extremas positivas indicando curtosis multivariada criterios.
positiva y puntuaciones extremas negativas indicando b) Criterios conceptuales o tericos: En ltimo tr-
curtosis multivariada negativa. En nuestro caso, el esti- mino, la eleccin de un modelo frente a otro debe
mador es lo suficientemente grande (27.05) como para basarse en criterios tericos. De no ser as, la con-
rechazar la hiptesis de multinormalidad figuracin de los modelos estara guiada por la
En la tabla 1 se presentan los resultados del ajuste de obtencin de unos ndices de ajuste adecuados
los cuatro modelos analizados tericamente. En los que, quizs, fueran asociados a modelos sin nin-
cuatro anlisis se ha utilizado un mtodo de estimacin gn contenido terico. Si bien las cualidades
robusto para el clculo del 2 escalado y de los errores empricas de ambos modelos pueden considerar-
estndar, debido a los indicios razonables de no multi- se adecuadas, es preciso hacer una reflexin en
normalidad entre las variables. cuanto a sus implicaciones o cualidades tericas.
Los modelos 3 y 4 muestran un ajuste a los datos En primer lugar, suponer que existe una interco-
sensiblemente superior a los dos modelos previos. rrelacin entre factores sin aadir el por qu de
Estos dos modelos, cabe recordar, introducen la condi- esa intercorrelacin (modelo 3) conlleva una
cin de que las dimensiones de la autoestima estn menor apuesta terica que afirmar que esos fac-
interrelacionadas, bien sea permitiendo que correlacio- tores se relacionan porque comparten todos ellos
nen todas entre s (modelo 3) o generando un factor la cualidad de representar el SELF (modelo 4).
general de segundo orden (modelo 4). Si bien el ajuste En segundo lugar, el modelo de segundo orden es
de estos modelos dista de valores aceptables (CFI ms sencillo estadsticamente que el de primer
robusto = .90), la reduccin en el 2 en estos modelos orden y, por tanto, ms parsimonioso. Adems,
es considerable en comparacin con los modelos 1 y 2, toda vez que la literatura cientfica recoge la idea
lo que sugiere que las dimensiones de la autoestima de un self estructurado y jerrquico, el ajuste ade-
estn relacionadas. La inclusin de tres errores correla- cuado a los datos que presenta este modelo de
cionados en el modelo 4 produce una reduccin signi- segundo orden supone una confirmacin de la
ficativa del 2 que lleva al modelo a un ajuste adecua- existencia de esta estructura. En tercer lugar,
do. como veremos ms adelante, las saturaciones de
Tabla 1. ndices de ajuste para los modelos de la estructura factorial del CA-141

Modelo 2 df CFI RMSEA Satorra-Bentler 2 CFI Robusto RMSEA Robusto

Modelo 1 950.219 77 .55 .13 (.12, .13) 769.278 .56 .11 (.11, .12)
Modelo 2 479.904 77 .79 .09 (.08, .09) 405.736 .79 .08 (.07, .08)
Modelo 3 265.163 71 .90 .06 (.05, .07) 223.061 .90 .06 (.05, .06)
Modelo 4 268.965 73 .90 .06 (.05, .07) 227.385 .90 .05 (.05, .06)
Modelo 4 Modificado 177.848 70 .95 .05 (.04, .06) 151.480 .95 .04 (.03, .05)
Modelo 4 Modificado Pase 2 196.578 70 .93 .05 (.04, .06) 160.284 .94 .04 (.03, .05)
1
Se omite la probabilidad asociada a todos los 2 de la tabla que es p < .001

Copyright 2010 by the Colegio Oficial de Psiclogos de Madrid Intervencin Psicosocial


ISSN: 1132-0559 - DOI: 10.5093/in2010v19n3a9 Vol. 19, n. 3, 2010 - pp. 289-300
296 ANLISIS FACTORIAL CONFIRMATORIO

cada factor en el factor de segundo orden son de Como se puede apreciar en la tabla 2, los signos de
moderadas a relativamente elevadas; lo que supo- los coeficientes indican que a mayor puntuacin en el
ne un nuevo indicio de que, efectivamente, esta factor, mayor tambin es el nivel de autoestima, por lo
solucin de segundo orden est reflejando una que es de esperar que todos estos factores saturen posi-
estructura plausible de las respuestas de los suje- tivamente en el factor de segundo orden denominado
tos de la muestra al cuestionario. self o autoestima general. La ltima fila de la tabla
2 ilustra la informacin relativa al modelo de segundo
orden. Como se aprecia en esta tabla, las saturaciones
Valores y significacin estadstica de los coeficientes en el factor de segundo orden son de moderadas a altas
de regresin estimados (desde .49 para hasta .81). Adems, todos estos coefi-
cientes tienen una probabilidad de ser cero en la pobla-
El clculo de un modelo implica el clculo de los cin de p<.001, lo que lleva a afirmar con un razona-
parmetros que lo configuran as como su error estn- ble nivel de certeza que la estructura jerrquica del self
dar asociado, lo que posibilita realizar un contraste de no slo se ajusta bien a las respuestas de los sujetos al
la hiptesis de que el valor del parmetro es cero en la cuestionario CA-14 sino que, por las magnitudes
poblacin (Ho). El conjunto de parmetros del modelo observadas en las saturaciones en el factor general, la
lo componen tanto las varianzas como los coeficientes multidimensionalidad de la autoestima permite una
que expresan la relacin de unas variables con otras importante contribucin de cada dominio al self gene-
(Bentler, 1992, para un anlisis ms detallado). La ver- ral.
sin estandarizada de estos coeficientes equivale a un
coeficiente de regresin parcial, en el que se ha extra-
do el efecto que otras variables puedan tener en esa Algunas comprobaciones para verificar si el clculo
relacin. En el caso del anlisis confirmatorio, las rela- del modelo es adecuado
ciones entre las variables o indicadores y los factores
latentes tienen una lectura similar a las saturaciones El clculo de los modelos de ecuaciones estructura-
que se obtienen en el anlisis factorial exploratorio les con variables latentes conlleva la estimacin de
Se presentan a continuacin los coeficientes relati- numerosos parmetros y relaciones que conviene exa-
vos a las saturaciones de cada indicador (tem) en su minar en detalle para descubrir posibles anomalas en
factor, junto con su significacin estadstica as como el comportamiento de los datos que quizs pudieran
las saturaciones de cada factor en el factor de segundo invalidar los resultados. Si bien los resultados estelares
orden. El modelo postula que el coeficiente de regre- de este tipo de anlisis son los ndices de ajuste del
sin de un tem es cero para todos los factores excepto modelo y el clculo de las regresiones parciales entre
para uno, en el que satura. Esta circunstancia marca ya las variables observadas y latentes (McDonald y Ho,
una diferencia con el anlisis factorial exploratorio en 2002; Schreiber, Nora, Stage, Barlow y King, 2006), es
el que los tems saturan en todos los factores, si bien el conveniente examinar con atencin otros parmetros
coeficiente de regresin en alguno de ellos es muy cuyo comportamiento puede apuntar hacia la existen-
pequeo. Los resultados se presentan en la siguiente cia de problemas en la estimacin del modelo. Entre
tabla. estos parmetros que habitualmente no se analizan en

Tabla 2. Estructura factorial del CA-14. Los coeficientes son estandarizados

Fsico Emocional Familiar Social

Tengo poca resistencia fsica -.564


Tengo una salud excelente .583
Tengo partes de mi cuerpo que me gustara cambiar -.376
Me excito con facilidad -.639
Soy nervioso/a -.561
Soy equilibrado emocionalmente .441
Me cuesta controlarme -.685
Me siento querido en mi familia .868
Me siento feliz en mi familia .794
Mis relaciones familiares son insatisfactorias -.401
Mi ideas, consejos y opiniones son bien valoradas en mi familia .401
Pierdo fcilmente amigos -.654
En general, no se valora mi amistad -.586
Mis relaciones sociales son insatisfactorias -.638
Factor General de Segundo Orden .604 .527 .491 .811
R2 .364 .278 .241 .658

Intervencin Psicosocial Copyright 2010 by the Colegio Oficial de Psiclogos de Madrid


Vol. 19, n. 3, 2010 - pp. 289-300 ISSN: 1132-0559 - DOI: 10.5093/in2010v19n3a9
JUAN HERRERO 297

los trabajos que utilizan este tipo de tcnicas, destacan tems tipo Likert que van de muy en desacuerdo a muy
las varianzas y las covarianzas estandarizadas. As, por de acuerdo, por lo que alguno de los tems incurren en
ejemplo, es interesante comprobar que no existen una doble negacin. Este problema de comprensin
varianzas negativas (casos Heywood) ni que ninguna tambin es posible que afecte al tem me excito con
de las correlaciones entre los parmetros estimados facilidad, que quizs fue malinterpretado por algunos
excede a 1. De existir este tipo de circunstancias, los participantes. En principio esta explicacin basada en
resultados del modelo quedaran invalidados ya que el la semntica de los tems es plausible. Complementaria
modelo ofrece una solucin que no es posible -que a esta explicacin estara la segunda va: si los errores
una varianza sea negativa o que una correlacin exce- correlacionados pertenecen al modelo, tambin los
da 1. Los resultados del anlisis, no mostrados en este encontraremos con datos diferentes. En este sentido, el
trabajo, indican que no existe ningn problema adicio- pase 2 puede servir para contrastar esta idea.
nal en el clculo del modelo. Los resultados del modelo 4 modificado para los
datos del pase 2 sugieren un ajuste adecuado: (2, 73 =
196.578, CFI robusto = .94, RMSEA robusto = .04,
Modificacin post-hoc del modelo 4 I.C., .03, 05) muy similares a los ya comentados para
los datos del pase 1. Esto constituye una prueba adicio-
Como ya he mencionado, el modelo 4 incluye en su nal de que el modelo 4 modificado es un buen modelo.
versin final 3 errores correlacionados cuya estima-
cin permite que el modelo alcance un nivel de ajuste
a los datos adecuado. La inclusin de estos parmetros Anlisis de la Invarianza Factorial y estabilidad
en el modelo se ha realizado post-hoc: una vez estima- temporal del CA-14
do el modelo, el programa (en este caso EQS) indica
los parmetros que podran liberarse para mejorar el El clculo del modelo 4 modificado en los datos del
ajuste a travs de los ndices de modificacin del pase 2 es una aproximacin al estudio de la invarianza
modelo. Esto es, en el modelo inicial estos parmetros factorial: una misma estructura factorial se replica en
tienen un valor de cero pero los resultados sugieren dos pases. Afortunadamente, el Anlisis Confirmatorio
que se debern estimar libremente ya que ello mejora- permite un estudio mucho ms detallado de la inva-
r el ajuste final del modelo. Una de las crticas ms rianza factorial en dos muestras. En este caso, la hip-
comunes al Anlisis Confirmatorio es, precisamente, el tesis nula (Ho) afirma que el modelo es idntico para
hecho de que a menudo los investigadores incluyen las diferentes muestras y que ste, por tanto, reproduce
nuevos parmetros en el modelo con el mero razona- los datos de cada muestra utilizada en el anlisis con
miento de que mejoran el ajuste, pero sin una justifica- un grado razonable de precisin. Conjuntamente, en
cin terica slida. Al final de este proceso, se presen- este tipo de anlisis se somete a contrastacin estads-
tan modelos con una bajsima probabilidad de ser tica la igualdad de los coeficientes en cada una de las
replicados en muestras diferentes a las utilizadas para muestras o grupos. Por ejemplo, permite someter a
estimarlos: son trajes a medida de una muestra deter- contrastacin emprica la idea de que las saturaciones
minada con muy poca probabilidad de representar a la de cada tem sean idnticas en todas las muestras o que
poblacin. En ocasiones, sin embargo, los ndices de cada factor de primer orden sature con la misma mag-
modificacin permiten identificar algunos aspectos en nitud en el factor de segundo orden en todas las mues-
el modelo que el investigador no haya tenido en cuen- tras. Por ltimo, este tipo de anlisis ofrece un 2 gene-
ta y que pudieran justificarse tericamente. Slo en ral que expresa el grado en que el modelo se ajusta
este caso es recomendable utilizarlos para mejorar el simultneamente a los datos de las diferentes muestras;
ajuste. consecuentemente, es tambin posible el clculo de
En el caso que nos ocupa del modelo 4, se han ndices de ajuste que utilizan este 2.
incluido 3 errores correlacionados. Para analizar su De lo que se trata, por tanto, es de estimar el mismo
idoneidad seguir una doble va: justificar tericamen- modelo en dos muestras imponiendo a su vez algunas
te la inclusin de estos nuevos parmetros en el mode- condiciones que debe cumplir este modelo si existe
lo y tratar de replicar el modelo modificado con los una invarianza factorial. De entre las condiciones que
datos del segundo pase. Con respecto a la primera va, un investigador puede desear contrastar en un anlisis
los errores correlacionados se refieren a los siguientes confirmatorio en diferentes muestras, he seleccionado:
pares de tems: (Me excito con facilidad y Soy nervio- 1. Que las saturaciones en los factores sean iguales
so/a), (Mis relaciones familiares son insatisfactorias y en todas las muestras. Si las variables observadas
Mis relaciones sociales son insatisfactorias), y (Me estn midiendo los mismos factores en cada
siento querido en mi familia y Mis relaciones familia- muestra, las saturaciones deberan ser las mismas
res son insatisfactorias). Una explicacin terica ten- para cada muestra.
tativa sugiere que los errores correlacionados entre 2. Que los coeficientes entre los factores sean igua-
estos tems quizs tengan que ver con la dificultad de les en todas las muestras. En nuestro caso, que las
comprensin de los mismos. Cabe recordar que son saturaciones en el factor de segundo orden fueran

Copyright 2010 by the Colegio Oficial de Psiclogos de Madrid Intervencin Psicosocial


ISSN: 1132-0559 - DOI: 10.5093/in2010v19n3a9 Vol. 19, n. 3, 2010 - pp. 289-300
298 ANLISIS FACTORIAL CONFIRMATORIO

equivalentes en las diferentes muestras. Es decir, Relajando esas equivalencias entre el pase 1 y 2 se
que la estructura de segundo orden sea igual a tra- mejora an ms el modelo tal y como se observa en la
vs de las muestras. reduccin del 2. En este punto debo hacer notar que la
3. Que las covarianzas (las correlaciones en su ver- reduccin del 2 conlleva una mejora del CFI y
sin estandarizada) de los errores asociados a los RMSEA que no se aprecia en la tabla porque afecta al
indicadores sean iguales entre las muestras. tercer decimal. Este ltimo modelo puede considerarse
Se ha calculado el modelo 4 modificado en dos como un modelo final de la invarianza factorial del
muestras simultneamente (ver tabla 3), estableciendo CA-14 a travs del tiempo. Analizando en este ltimo
las siguientes constricciones al modelo: modelo la magnitud de los coeficientes sin estandarizar
a) Las saturaciones de cada tem en su factor es correspondientes a las tres equivalencias no impuestas,
igual en las dos muestras se observa que en el pase 2 un tem presenta una satu-
b) Las saturaciones de cada factor en el factor gene- racin mayor (Mi ideas, consejos y opiniones son bien
ral es igual en las dos muestras valoradas en mi familia), as como que dos factores de
c) Las correlaciones entre los errores asociados a los primer orden (familiar y emocional) presentan tambin
indicadores (E) son iguales en las dos muestras. en este pase saturaciones mayores. Ms all de estas

Tabla 3. ndices de ajuste para los modelos d la invarianza factorial y estabilidad del CA-141

Modelo 2 df CFI RMSEA Satorra-Bentler 2 CFI Robusto RMSEA Robusto

Dos Pases Inicial 2.374.985 341 .65 .09 (.09, .09) 2.012.477 .65 .08 (.08, .08)
Es y Ds correlacionadas 731.941 323 .93 .04 (.04, .05) 612.901 .94 .04 (.03, .04)
Saturaciones y correlaciones iguales 669.276 333 .94 .04 (.03, .04) 561.924 .95 .03 (.03, .04)
Modelo Final 652.653 330 .95 .04 (.03, .04) 548.144 .95 .03 (.03, .04)

1 Se omite la probabilidad asociada a todos los 2 de la tabla que es p < .001

En la tabla 3 se presentan los resultados de varios pequeas diferencias, sin embargo, la estructura facto-
modelos estimados para el estudio de la invarianza fac- rial del CA-14 muestra un alto grado de invarianza en
torial. El primer modelo no impone ninguna igualdad y dos muestras. Cuando se repite el anlisis de la inva-
deja libre la estimacin de todos los parmetros en los rianza en grupos de hombres y mujeres, la estructura
dos pases. Es un modelo con un ajuste muy pobre (CFI del CA-14 es equivalente para ambos, sin excepciones.
robusto = .65). Por qu? Bsicamente porque no tiene Con respecto a la estabilidad de la autoestima (eva-
en cuenta que las fuentes de error a las respuestas del luada a partir de su factor general o de segundo orden)
cuestionario son las mismas en los dos pases y, por el propio modelo de la invarianza factorial permite
tanto, debern ser estimadas por el modelo. Esto sim- estimar la regresin entre el factor de segundo orden en
plemente quiere decir que se debe estimar como par- pase 1 y pase 2. El coeficiente estimado es de = .799,
metro del modelo las correlaciones entre los errores del p < .001, lo que sugiere que el factor general de auto-
mismo tem a lo largo del tiempo (E1 en el pase 1 y E1 estima es muy estable a los seis meses en la muestra
en el pase 2, etc.). Lo mismo se aplica para los residua- analizada.
les de los factores de primer orden (D1 en el primer El coeficiente de autorregresin -esto es, la regre-
pase y D1 en el segundo pase). Aadiendo la correla- sin de una variable sobre s misma en dos momentos
cin de los errores asociados a los tems y a los facto- temporales- depende tanto de los cambios intraindivi-
res de primer orden, el ajuste mejora sustancialmente duales como interindividuales. As, este coeficiente
(CFI robusto=.94) y puede considerarse un buen puede ser elevado si; a) existe un elevado nivel de
modelo. Es esto suficiente? No. Podra aadirse la cambio intraindividual en gran parte de los individuos
condicin de que puesto que los tems son los mismos de la muestra, b) si existe un elevado cambio intraindi-
y la estructura tambin a los seis meses, las saturacio- vidual en pocos individuos de la muestra, y; c) si los
nes deberan ser iguales (por ejemplo, del tem 1 en su cambios intraindividuales son pequeos en relacin
factor tanto en el pase 1 como en el pase 2, etc.) tanto con la magnitud de las diferencias interindividuales.
para los tems como para los factores de primer orden. En otras palabras, la estabilidad refleja una pluralidad
Por tanto, a este modelo se debe aadir que las satu- de circunstancias, como que todos los individuos cam-
raciones de los tems y de los factores de primer orden bien en la misma direccin y magnitud (a), que muy
son iguales en los dos pases. Este ltimo modelo mejo- pocos individuos cambien (b), o que los cambios regis-
ra an ms el ajuste (CFI robusto=.95, RMSEA robus- trados en los individuos, si bien importantes, sean
to = .03, I.C., .03, .04). Sin embargo, los resultados mucho menos marcados que las diferencias registradas
muestran que la invarianza no es completa, ya que entre los individuos. Desde este punto de vista, se
existen tres equivalencias que no se pueden mantener. puede afirmar que el coeficiente de estabilidad sinteti-

Intervencin Psicosocial Copyright 2010 by the Colegio Oficial de Psiclogos de Madrid


Vol. 19, n. 3, 2010 - pp. 289-300 ISSN: 1132-0559 - DOI: 10.5093/in2010v19n3a9
JUAN HERRERO 299

za de alguna manera el cambio relativo en las puntua- Hu, L. y Bentler, P. M. (1998). Fit indices in covari-
ciones de cada individuo, teniendo adems en cuenta ance structure modeling: Sensitivity to underpara-
las diferencias con los dems individuos; por tanto, la meterized model misspecification. Psychological
estabilidad no es equivalente a la ausencia de cambio Methods, 3, 424-453.
sino, ms bien, a la estabilidad en el cambio. Queda Hu, L., y Bentler, P. M. (1999). Cutoff criteria for fit
fuera de este trabajo un anlisis ms detallado de aque- indexes in covariance structure analysis:
llos sujetos que vieron aumentada o disminuida su Conventional criteria versus new alternatives.
autoestima global a lo seis meses. Structural Equation Modeling, 6, 1-55.
Jackson, D. L. (2003). Revisiting sample size and
number of parameter estimates: Some support for
Referencias the N:q hypothesis. Structural Equation Modeling,
10, 128-141.
Bentler, P. M. (1990). Comparative fit indexes in struc- Kaplan, D. (2000). Structural equation modeling:
tural models. Psychological Bulletin, 107, 238-246. Foundations and extensions. Thousand Oaks, CA:
Bentler, P. M. (1992). On the fit of models to coari- Sage.
ances and methodology to the Bulletin. Kline, R. (2005). Principles and practices of structur-
Psychological Bulletin, 101, 400-404. al equation modeling (2nd ed.). New York:
Bentler, P. M. (1993). EQS. Structural Equations Guilford.
Program Manual. Los Angeles: BMDP Statitical Lei, M., y Lomax, R. G. (2005). The effect of varying
Software Inc. degrees of nonnormality in structural equation mod-
Bentler, P. M. (2000). Rites, wrongs, and gold in model eling. Structural Equation Modeling, 12, 1-27.
testing. Structural Equation Modeling, 7, 82-91. Marcoulides, G. A. y Schumacker, R. E. (2001). New
Bentler, P. M. (2007). Can scientifically useful developments and techniques in structural equation
hypotheses be tested with correlations? American modeling. Mahwah, NJ: Lawrence Erlbaum
Psychologist, 62, 772-782. Associates.
Bollen, K. A. y Long, J. S. (1993). Testing structural Mardia, K. V. (1970). Measures of multivariate skew-
equation models. Newbury Park, CA: Sage. ness and kurtosis with applications. Biometrika, 57,
Bollen, K. A. (1989). Structural equations with latent 519-530.
variables. New York: John Wiley y Sons. Marsh, H. W., y Shavelson, R. J. (1985). Self-concept:
Bollen, K. A. (2000). Modeling strategies: In search of the its multifaceted, hierarchical structure. Educational
holy grail. Structural Equation Modeling, 7, 74-81. Psychologist, 20, 107-125.
Cole, D. A., Maxwell, S. E., Arvey, R. y Salas, E. McDonald, R. P., y Ho, M. (2002). Principles and prac-
(1993). Multivariate group comparisons of variable tice in reporting structural equation analysis.
systems: MANOVA and structural equation model- Psychological Methods, 7, 6482.
ing. Psychological Bulletin, 114, 174-184. Muthn, L. K. y Muthn, B. O. (2001). Mplus Users
Goldsmith, R. E. (1986). Dimensionality of the Guide. Los Angeles: Muthn y Muthn.
Rosenberg Self-Esteem Scale. Journal of Social Olsson, U. H., Foss, T., Troye, S. V., Howell, R. D.
Behavior and Personality, 1, 253-264. (2000). The performance of ML, GLS, and WLS
Gracia, E. y Herrero, J. (2006). La comunidad como estimation in structural equation modeling under
fuente de apoyo social: evaluacin e implicaciones conditions of misspecification and nonnormality.
en los mbitos individual y comunitario. Revista Structural Equation Modeling, 7, 557-595.
Latinoamericana de Psicologa, 38, 327-342. Rosenberg, M. (1965). Society and the adolescent
Gracia, E. y Herrero, J. (2004). Determinants of social self-image. Princeton, NJ: Princeton University
integration in the community: An exploratory analy- Press.
sis of personal, interpersonal and situational vari- Satorra, A. y Bentler, P. M. (1990). Model conditions
ables. Journal of Community and Applied Social for asymptotic robustnes in the analysis of linear
Psychology, 14, 1-15. relation. Computational Statistics y Data Analysis,
Gracia, E., Herrero, J., y Musitu, G. (2002). 10, 235-249.
Evaluacin de recursos y estresores psicosociales Schreiber, J. B., Nora, A., Stage, F. K., Barlow, E. A. y
en la comunidad. Madrid: Sntesis. King, J. (2006). Reporting structural equation model-
Herrero, J. y Gracia, E. (2007). Measuring perceived ing and confirmatory factor analysis results: A review.
community support: Factorial structure, longitudi- Journal of Educational Research, 99, 323-337.
nal invariance and predictive validity of the PCSQ Stevens, J. (1992). Applied multivariate statistics for
(Perceived Community Support Questionnaire). the social sciences. Hillsdale, NJ: Earlbaum.
Journal of Community Psychology, 35, 197-217. Tomarken, A. J., y Waller, N. G. (2003). Potential
Herrero, J. y Gracia, E. (2004). Predicting social inte- problems with well fitting models. Journal of
gration in the community among college students. Abnormal Psychology, 112, 578-598.
Journal of Community Psychology, 32, 707-720. West, S. G., Finch, J. F. y Curran, P. J. (1995). Struc-

Copyright 2010 by the Colegio Oficial de Psiclogos de Madrid Intervencin Psicosocial


ISSN: 1132-0559 - DOI: 10.5093/in2010v19n3a9 Vol. 19, n. 3, 2010 - pp. 289-300
300 ANLISIS FACTORIAL CONFIRMATORIO

tural equations models with non-normal variables. ing the null model for incremental fit indices in
En R. H. Hoylr (Ed.), Structural equation modeling: structural equation modeling. Psychological Me-
Concepts, issues, and applications. Thousand Oaks, thods, 8, 16-37.
CA: Sage Yuan, K. H. (2005). Fit indices versus test statistics.
Widaman, K. F. y Thompson, J. S. (2003). On specify- Multivariate Behavioral Research, 40, 115-148.
Manuscrito Recibido: 19/04/2010
Revisin Recibida: 17/09/2010
Manuscrito Aceptado: 29/09/2010

Apndice. Medias, desviaciones tpicas y correlaciones de los tems del CA-14 en el primer pase

tem Media D.T. 1 2 3 4 5 6 7 8 9 10 11 12 13 14

1 2.56 1.01 -
2 3.23 .89 -.35 -
3 3.04 1.17 .18 -.20 -
4 3.15 .98 .07 -.02 .10 -
5 3.42 1.09 .12 -.13 .16 .47 -
6 3.39 .87 -.09 .20 -.21 -.22 -.20 -
7 2.65 .95 .18 -.15 .17 .44 .33 -.33 -
8 4.05 .77 -.05 .19 -.14 -.06 -.07 .27 -.14 -
9 4.16 .79 -.07 .14 -.12 -.02 -.05 .25 -.11 .70 -
10 2.21 1.04 .03 -.06 .05 .08 .10 -.08 .12 -.31 -.35 -
11 3.54 .86 -.11 .14 -.08 .01 -.08 .22 -.14 .41 .33 -.20 -
12 1.97 .78 .20 -.14 .12 .12 .09 .16 .24 -.24 -.23 .18 -.17 -
13 2.28 .85 .17 -.14 .13 .08 .10 -.10 .21 -.18 -.13 .20 -.16 .40 -
14 2.28 .84 .19 -.14 .18 .10 .13 -.21 .27 -.25 -.18 .29 -.19 .41 .37 -

Intervencin Psicosocial Copyright 2010 by the Colegio Oficial de Psiclogos de Madrid


Vol. 19, n. 3, 2010 - pp. 289-300 ISSN: 1132-0559 - DOI: 10.5093/in2010v19n3a9

Potrebbero piacerti anche