Dialnet
Dialnet
Dialnet
RESUMEN
ABSTRACT
The objective of this research is to demonstrate the importance of the statistical technique
of Exploratory Factor Analysis (EFA). The methodology used was through the KMO test
1
Doctorando de Estadística y Matemática Aplicada, Universidad Nacional de Tumbes,
[email protected]
2
Doctorando de Estadística y Matemática Aplicada, Universidad Nacional de Tumbes,
[email protected]
Vol. 5, Núm. CININGEC2020 (2020)
903
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
(Kaiser, Meyer and Olkin), applicability of the factor analysis of the variables studied, by
means of the Bartlett test of sphericity, as well as the percentage of explained variance,
polychoric matrices and components of main factors. The database shows 27 variables,
in order to achieve a better model, only 18. The results achieved, where the measurement
scale is on the Likert scale, determined that the best model, based on the highest
accumulated variance, was that of four factors with a percentage of 51%.
Key words: exploratory factor analysis, Bartlett's, licker, KMO, varimax.
INTRODUCCIÓN
La Técnica del análisis factorial exploratorio, es una de las técnicas multivariante, que
influye en realizar la búsqueda para poder reducir la dimensión de los datos, se utiliza
para varios propósitos, todos ellos encaminados a explicar un fenómeno o constructo
desde un menor número de variables llamados factores. Este método se puede utilizar en
variables continuas que son la mayoría generalmente, así mismo lo puede realzar en
variables dicotómica (Khan, 2006).
El AFE tiene como objetivo definir la estructura subyacente de un conjunto de datos,
analizando las interrelaciones o correlaciones entre variables, ya sean estos ítems o
preguntas de una prueba, respuesta o encuesta entre muchas otras. Las variables
analizadas son agrupadas en conjunto de componentes o factores, los cuales vendrían
siendo la estructura subyacente. Este método AFE busca componentes o factores que
expliquen la mayor parte de varianza total.
El estadístico Francis Galton (1889) comienza la realización de este método AFE, bajo
un concepto estadístico de correlación y regresión hacia la media, propuso el concepto de
rasgo latente para revelar por qué unos conjuntos de variables se correlacionaban unas
con otras. Cada factor se encarga de agrupar a los ítems que se encuentran
intercorrelacionados, y a su vez al mismo tiempo, comparativamente independientes de
los conjuntos “factores” de ítems restantes (Khan, 2006).
904
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
Las siglas AFE puede hacer referencia a un determinado número de conjunto de técnicas
estadísticas como también a un método único de interdependencia (Khan, 2006), que se
emplea con el propósito de reducir la dimensión de un gran número de indicadores
operativos en un número inferior de variables conceptuales (Blalock, 1966). Esto
compone una técnica frecuentemente utilizada en las ciencias sociales.
El desarrollo básico de este método AFE se debe atribuir a otro estadístico como lo fue
Carl Pearson (1901), ya que desarrolló el coeficiente de correlación y bosquejó, principios
en que se fundamenta el análisis factorial de ejes principales.
El objetivo de este trabajo es demostrar un AFE observando las diferencias en cuanto a
las medidas de adecuación muestral KMO, test de esfericidad de Bartlett, porcentaje de
varianza explicada, Matrices policórica y componentes de factores principales. Para esto
se trabajará un base de datos en escala de lickert mediante el programa estadístico r-
estudio.
METODOLOGÍA.
Para poder desarrollar un AFE se recomienda que la matriz sea rectangular, o sea tener
más registros que variables esto con el fin de asegurar un menor error de muestreo. Si la
trabaja con muestras pequeñas probabilidad aumenta de que las correlaciones varíen de
una muestra respecto a otra, y así mismo se obtiene factores inestables y los resultados
sean engañosos, por este motivo siempre se recomienda muestras mayores a 300 registros
(Blalock, 1966).
También debe existir multicolinealidad que es la que indica la relación de dependencia
lineal fuerte entre más de dos variables y esta debe ser métrica. En el AFE utilizaremos
método de rotación ortogonal varimax, ya que este método es el más utilizado en las
ciencias sociales, tiene como finalidad maximizar la suma de las varianzas de las cargas
factoriales de cada una de las variables.
Este trabajo desarrolla el análisis factorial exploratorio con el software estadístico r-
studio, en una data que se propone observar el Constructo “Perfil Sicológico del joven
adulto” aplicado a 610 jóvenes de la ciudad de Guayaquil, desde diferentes teorías
sicológicas para describir al hombre.
Este test tiene 4 dimensiones: human: humanismo (tiene 9 ítems), materia: materialismo
(tiene 9 ítems), cognitivo: cognitivo (tiene 6 ítems) y cogemoc: cognitivo emocional
(tiene 3 ítems).
905
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
906
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
Esta base de datos cumple con lo indicado para un análisis factorial exploratoria, porque
podemos observar que posee más de 300 participantes lo resultados útiles y relativamente
estables tal como lo indica (Tabachnick y Fidell, 2001).
Tabla 2. Nombre de las variables y dimensión de la Base de datos
[1] 610 27
Fuente: Elaborado por los autores
En la tabla 2 con esas funciones también se puede observamos los 27 nombres de las variables y
la dimensión de los datos en estudio.
Vamos a determinar bajo tres criterios estadísticos (correlaciones policóricas, la prueba
de esfericidad de Bartlett y la prueba KMO), si es posible proceder a un análisis factorial
y explicaremos el porqué del mismo.
Comenzaremos por elaborar la matriz de correlación policórica para determinar si existen
altas o bajas correlaciones, para realizar este paso necesitamos instalar en el r-studio el
paquete psych y ejecutar los siguientes códigos.
Tabla 3. Funciones para visualizar ventana emergente de matriz policórica
> library(psych)
> r.poly=polychoric(test)
> r.poly
> R=r.poly$rho Número de filas.
> View(R)
Fuente: Elaborado por los autores
907
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
HUMAN1 1.00000 0.17259 0.31657 0.19459 0.43859 0.26280 0.105823 0.306919 0.348961 0.057080 0.328954 0.300425
COGNITIVO1 0.17259 1.00000 -0.01577 -0.07268 0.02776 0.18151 0.426529 0.001243 0.096859 0.416573 0.028674 0.082005
MATERIA1 0.31657 -0.01577 1.00000 0.39883 0.64690 0.16838 0.241684 0.632092 0.148865 0.136213 0.587110 0.302594
MATERIA2 0.19459 -0.07268 0.39883 1.00000 0.30652 -0.00960 0.070409 0.351455 -0.019232 0.043031 0.327270 0.096697
HUMAN2 0.43859 0.02776 0.64690 0.30652 1.00000 0.24465 0.202935 0.523063 0.265504 0.109462 0.457316 0.480651
HUMAN3 0.26280 0.18151 0.16838 -0.00960 0.24465 1.00000 0.151295 0.195969 0.387663 0.176647 0.218556 0.317018
COGNITIVO2 0.10582 0.42653 0.24168 0.07041 0.20294 0.15129 1.000000 0.222391 0.085179 0.564790 0.278821 0.175207
MATERIA3 0.306919 0.001243 0.632092 0.351455 0.523063 0.195969 0.222391 1.000000 0.177943 0.132145 0.499320 0.361831
HUMAN4 0.348961 0.096859 0.148865 -0.019232 0.265504 0.387663 0.085179 0.177943 1.000000 0.070725 0.094488 0.414554
COGNITIVO3 0.057080 0.416573 0.136213 0.043031 0.109462 0.176647 0.564790 0.132145 0.070725 1.000000 0.259093 0.123644
MATERIA4 0.328954 0.028674 0.587110 0.327270 0.457316 0.218556 0.278821 0.499320 0.094488 0.259093 1.000000 0.281006
HUMAN5 0.300425 0.082005 0.302594 0.096697 0.480651 0.317018 0.175207 0.361831 0.414554 0.123644 0.281006 1.000000
COGNITIVO4 0.102235 0.520707 0.152863 0.011906 0.124249 0.226366 0.415090 0.178332 0.095379 0.434901 0.147560 0.200490
MATERIA5 0.223896 0.038299 0.593269 0.398426 0.381933 0.072147 0.160797 0.493819 0.086576 0.093548 0.450104 0.234336
HUMAN6 0.247688 0.058190 0.369510 0.164337 0.532203 0.250175 0.125357 0.507317 0.270905 0.066939 0.199741 0.611520
MATERIA6 0.265233 0.074740 0.594905 0.411677 0.441540 0.180924 0.263439 0.610942 0.150461 0.200193 0.538897 0.336997
HUMAN7 0.297302 0.061510 0.292369 0.124010 0.502518 0.281590 0.131016 0.233872 0.319701 0.094210 0.176718 0.494606
COGNITIVO5 0.077822 0.462137 0.150290 0.064678 0.119158 0.087026 0.399450 0.177010 0.039395 0.429355 0.230650 0.080899
HUMAN8 0.266947 0.046892 0.234917 0.052422 0.407236 0.265328 0.052849 0.202675 0.302860 0.063049 0.123878 0.364269
MATERIA8 0.220542 0.007289 0.530334 0.400328 0.451633 0.097044 0.150541 0.492710 0.122409 0.097824 0.461091 0.230005
HUMAN9 0.251480 0.080035 0.266440 0.192828 0.359712 0.275957 0.129355 0.207565 0.327958 0.104109 0.135744 0.450706
COGNITIVO6 0.024351 0.509380 -0.055816 -0.133356 -0.08748 0.115858 0.273393 -0.031701 0.025095 0.350936 0.042592 0.030266
MATERIA9 0.26993 0.11002 0.45614 0.21874 0.37932 0.21021 0.19945 0.45368 0.18529 0.19008 0.36912 0.31300
COGEMOC1 0.03082 0.36396 0.03643 0.18344 -0.00154 -0.04251 0.31692 0.04302 -0.07540 0.25011 0.05685 -0.06601
MATERIA7 0.15085 -0.13048 0.44928 0.44943 0.34234 -0.01318 0.16214 0.40523 0.01117 0.08469 0.42104 0.11609
COGEMOC3 -0.13048 0.08960 -0.12436 0.03956 -0.17335 -0.11635 0.07995 -0.03103 -0.10847 0.05131 -0.04839 -0.08363
COGEMOC2 -0.01468 0.23363 -0.06398 0.19888 -0.00105 -0.06429 0.17953 0.00736 -0.01661 0.23376 0.00789 0.00600
908
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
COGNITIV MATERIA MATERIA COGNITIV MATERIA COGNITIV MATERIA COGEMO MATERIA COGEMO COGEMO
HUMAN6 HUMAN7 HUMAN8 HUMAN9
O4 5 6 O5 8 O6 9 C1 7 C3 C2
HUMAN1 0.10223 0.22390 0.24769 0.26523 0.29730 0.07782 0.26695 0.22054 0.25148 0.02435 0.26993 0.03082 0.15085 -0.13048 -0.01468
COGNITIVO1 0.52071 0.03830 0.05819 0.07474 0.06151 0.46214 0.04689 0.00729 0.08003 0.50938 0.11002 0.36396 -0.13048 0.08960 0.23363
MATERIA1 0.15286 0.59327 0.36951 0.59490 0.29237 0.15029 0.23492 0.53033 0.26644 -0.05582 0.45614 0.03643 0.44928 -0.12436 -0.06398
MATERIA2 0.01191 0.39843 0.16434 0.41168 0.12401 0.06468 0.05242 0.40033 0.19283 -0.13336 0.21874 0.18344 0.44943 0.03956 0.19888
HUMAN2 0.12425 0.38193 0.53220 0.44154 0.50252 0.11916 0.40724 0.45163 0.35971 -0.08748 0.37932 -0.00154 0.34234 -0.17335 -0.00105
HUMAN3 0.22637 0.07215 0.25017 0.18092 0.28159 0.08703 0.26533 0.09704 0.27596 0.11586 0.21021 -0.04251 -0.01318 -0.11635 -0.06429
COGNITIVO2 0.41509 0.16080 0.12536 0.26344 0.13102 0.39945 0.05285 0.15054 0.12935 0.27339 0.19945 0.31692 0.16214 0.07995 0.17953
MATERIA3 0.17833 0.49382 0.50732 0.61094 0.23387 0.17701 0.20268 0.49271 0.20756 -0.03170 0.45368 0.04302 0.40523 -0.03103 0.00736
HUMAN4 0.09538 0.08658 0.27091 0.15046 0.31970 0.03939 0.30286 0.12241 0.32796 0.02510 0.18529 -0.07540 0.01117 -0.10847 -0.01661
COGNITIVO3 0.43490 0.09355 0.06694 0.20019 0.09421 0.42935 0.06305 0.09782 0.10411 0.35094 0.19008 0.25011 0.08469 0.05131 0.23376
MATERIA4 0.14756 0.45010 0.19974 0.53890 0.17672 0.23065 0.12388 0.46109 0.13574 0.04259 0.36912 0.05685 0.42104 -0.04839 0.00789
HUMAN5 0.20049 0.23434 0.61152 0.33700 0.49461 0.08090 0.36427 0.23001 0.45071 0.03027 0.31300 -0.06601 0.11609 -0.08363 0.00600
COGNITIVO4 1.00000 0.19250 0.17474 0.18926 0.18269 0.44050 0.12943 0.11391 0.15731 0.50533 0.23085 0.21520 -0.01334 0.07979 0.22095
MATERIA5 0.19250 1.00000 0.43341 0.63140 0.28451 0.13488 0.11954 0.43238 0.28908 -0.00487 0.44216 -0.02348 0.34017 0.03610 0.02765
HUMAN6 0.17474 0.43341 1.00000 0.42909 0.55712 0.10116 0.36763 0.28781 0.38607 -0.01819 0.26800 -0.08656 0.09590 -0.03561 -0.02399
MATERIA6 0.18926 0.63140 0.42909 1.00000 0.31964 0.24050 0.17616 0.50999 0.25909 0.03037 0.54700 0.01688 0.42649 0.01381 0.02092
HUMAN7 0.18269 0.28451 0.55712 0.31964 1.00000 0.17989 0.41388 0.21197 0.35010 0.02542 0.23240 -0.09625 0.04963 -0.13557 0.04279
COGNITIVO5 0.44050 0.13488 0.10116 0.24050 0.17989 1.00000 0.08175 0.20368 0.08541 0.26259 0.12747 0.35809 0.13643 0.08014 0.23916
HUMAN8 0.12943 0.11954 0.36763 0.17616 0.41388 0.08175 1.00000 0.14419 0.28170 0.01050 0.20237 -0.05547 0.05239 -0.23263 0.03583
MATERIA8 0.11391 0.43238 0.28781 0.50999 0.21197 0.20368 0.14419 1.00000 0.30431 -0.10186 0.37520 0.17083 0.50691 -0.06621 0.10740
HUMAN9 0.15731 0.28908 0.38607 0.25909 0.35010 0.08541 0.28170 0.30431 1.00000 -0.03325 0.20262 0.02503 0.12424 -0.06335 0.07463
COGNITIVO6 0.50533 -0.00487 -0.01819 0.03037 0.02542 0.26259 0.01050 -0.10186 -0.03325 1.00000 0.19637 0.19552 -0.26215 0.05466 0.18505
MATERIA9 0.23085 0.44216 0.26800 0.54700 0.23240 0.12747 0.20237 0.37520 0.20262 0.19637 1.00000 0.05652 0.20101 -0.05012 -0.10737
COGEMOC1 0.21520 -0.02348 -0.08656 0.01688 -0.09625 0.35809 -0.05547 0.17083 0.02503 0.19552 0.05652 1.00000 0.16362 0.18189 0.31460
MATERIA7 -0.01334 0.34017 0.09590 0.42649 0.04963 0.13643 0.05239 0.50691 0.12424 -0.26215 0.20101 0.16362 1.00000 0.02467 0.12340
COGEMOC3 0.07979 0.03610 -0.03561 0.01381 -0.13557 0.08014 -0.23263 -0.06621 -0.06335 0.05466 -0.05012 0.18189 0.02467 1.00000 0.06943
COGEMOC2 0.22095 0.02765 -0.02399 0.02092 0.04279 0.23916 0.03583 0.10740 0.07463 0.18505 -0.10737 0.31460 0.12340 0.06943 1.00000
El test de esfericidad de Bartlett permite nos permite evaluar la hipótesis nula que asegura
que las variables no están correlacionadas, para lo cual debemos comparar la matriz de
909
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
intercorrelación de los datos conseguidos con una matriz de identidad en la que todos los
términos de la diagonal son unidades y los demás términos con valores numéricos ceros.
Si los resultados conseguidos de la comparación resultan significativos a un nivel p< .05,
se rechaza la hipótesis nula y se considera que las variables están intercorrelacionadas
para realizar el AFE (Everitt y Wykes, 2001).
Con los principios estadísticos mencionados y observando los resultados de la tabla 5,
donde la prueba de esfericidad con el Test de Bartlett que se aplicó, nos informa que el
p.value es muy pequeño, el software imprime un valor “casi cero” señalando
prácticamente que la probabilidad es muy pequeña. Entonces por ser inferior a “0.05”,
debemos rechazar la “Ho” la hipótesis nula, debido a que el determinante no es 1 por que
su p-valor que es muy bajo, debemos aceptar la “H1” la hipótesis alternativa.
La matriz de correlación es distinta de la matriz identidad, señalando que por encima y
por debajo de los “1” “diagonal principal” las correlaciones son distintas de cero, por lo
tanto indica que se pueden agrupar en factores.
Si podemos aplicar el siguiente paso de análisis factorial, porque existen variables que se
correlacionan de manera moderada se pueden agrupar en factores, existe poca
multicolinealidad, o sea una relación de dependencia lineal entre más de dos variables.
A continuación realizamos la valoración de KMO.
Tabla 6. Valor grupal de los ítems del indicar KMO.
> KMO(Kaiser-Meyer-Olkin)
> KMO(R)
Kaiser-Meyer-Olkin factor adequacy
Call: KMO(r = R)
Overall MSA = 0.87
Fuente: Elaborado por los autores
910
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
911
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
install.packages("paran")
library(paran)
>paran(test, iterations=5000,graph=TRUE,color=TRUE, width=100, height=100)
Fuente: Elaborado por los autores.
Tabla 9. Gráfico de Sedimentación.
912
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
913
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
914
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
Aquí podemos observar la gráfica de análisis de factores de la tabla 14 como cada ítem
se agrupan a cada Factor, con su respectivo valor del peso de carga factorial,
correspondiente que se indicó en el cuadro anterior.
➢ En el factor rm1 se agrupan (9) los ítems materia 1, materia 2, materia 3, materia 4,
materia 5, materia 6, materia 7, materia 8, materia 9.
➢ En el factor rm3 (9) human1, human2, human3, human4, human5, human6, human7,
human8, human9.
➢ En el factor rm2 (6) se agrupan cognitivo1, cognitivo2, cognitivo3, cognitivo4,
cognitivo5, cognitivo6.
➢ En el factor rm4 (2) se agrupan cogemoc1 y cogemoc2.
Ahora precedemos a crear el modelo de los 4 factores con sus respectivos ítems que nos
indicó el gráfico de sedimentación, con la ayuda del paquete lavan.
915
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
Tabla 15. Creación del modelo con 4 factores con cada ítem.
> library(lavaan)
> # Creando el modelo con 4 factores
> modelo <- 'MR1 = ~ MATERIA1+MATERIA6+MATERIA3+MATERIA5+MATERIA4+MATERIA8+MATERI
A7+MATERIA9+MATERIA2
+ MR3 = ~ HUMAN5+HUMAN7+HUMAN8+HUMAN6+HUMAN4+HUMAN9+HUMAN2+HUMAN3+HUMAN
1
+ RM2= ~ COGNITIVO1+COGNITIVO4+COGNITIVO6+COGNITIVO3+COGNITIVO2+COGNITIVO5
+ MR4= ~ COGEMOC2+COGEMOC1
+'
> modelo
[1] "RC1 = ~ MATERIA1+MATERIA6+MATERIA3+MATERIA5+MATERIA4+MATERIA8+MATERIA7+MAT
ERIA9+MATERIA2\nRC3 = ~ HUMAN5+HUMAN7+HUMAN8+HUMAN6+HUMAN4+HUMAN9+HUMAN2+
HUMAN3+HUMAN1\nRC2= ~ COGNITIVO1+COGNITIVO4+COGNITIVO6+COGNITIVO3+COGNITIVO2+C
OGNITIVO5\nRC4= ~ COGEMOC2+COGEMOC1\n"
Fuente: Elaborado por los autores
Una vez creado el modelo en la tabla 15, procedemos a ver la validez del mismo con las
métricas Chi Cuadrado, SRMR, RMSEA, TLI, CFI, GFI, AGFI de este trabajo en desarr
ollos, para esto aplicamos la función que se denota fit <- cfa(modelom, data = test,order
ed = TRUE) > summary(fit, fit.measures = TRUE)
Tabla 16. Creación de validez y summary de los métricas del modelo con 4 factores.
916
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
917
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
Los triángulos que se encuentran en la línea azul, hasta la altura del 1, son los factores
principales que el r-studio a determinado mediante esta gráfica.
918
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
explicado con 3 y 5 factores. Con el fin de determinar cuál de los constructos tiene un
valor más elevado en la varianza acumulada.
919
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
Para realizar esta búsqueda de las correlaciones ítem subtest, procederemos a agrupar los
factores con sus respectivos ítems, para luego identificar los valores que estén inferiores
a 65 %.
Tabla 21. Creación de factores y validación de Subtest-Test, o Factor-Test
#Factor 1
M1=test[,3];M6=test[,16];M3=test[,8];M5=test[,14];M4=test[,11];M8=test[,20];M7=test[,25];M
2=test[,4];M9=test[,23]
fact1=data.frame(M1,M2,M3,M4,M5,M6,M7,M8,M9)
fact1
#Factor 3
H5=test[,12];H7=test[,17];H6=test[,15];H2=test[,5];H8=test[,19];H4=test[,9];H9=test[,21];H3=t
est[,6];H1=test[,1]
fact3=data.frame(H1,H2,H3,H4,H5,H6,H7,H8,H9)
fact3
#Factor 2
C1=test[,2];C4=test[,13];C6=test[,22];C3=test[,10];C2=test[,7];C5=test[,18]
fact2=data.frame(C1,C2,C3,C4,C5,C6)
fact2
#Factor 4
CG2=test[,27];CG1=test[,24]
fact4=data.frame(CG2,CG1)
fact4
Validación Subtest-Test, o Factor-Test
> subtest1=rowSums(fact1)
> subtest2=rowSums(fact2)
> subtest3=rowSums(fact3)
> subtest4=rowSums(fact4)
> Sum.total=rowSums(test)
> subtest=data.frame(subtest1,subtest2,subtest3,subtest4)
> Subtest.test=cor(subtest,Sum.total)
> Subtest.test
[,1]
subtest1 0.8172652
subtest2 0.5556505
subtest3 0.7632489
920
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
subtest4 0.2938496
Fuente: Elaborado por los autores
> item.subtest1=cor(subtest1,fact1)
> item.subtest1
M1 M2 M3 M4 M5 M6 M7 M8 M9
[1,] 0.7784453 0.5929772 0.7316904 0.6898506 0.7081716 0.7782545 0.6202129 0.698842 0.5985382
> item.subtest2=cor(subtest2,fact2)
> item.subtest2
C1 C2 C3 C4 C5 C6
[1,] 0.72795 0.6897825 0.7084406 0.7388601 0.6793456 0.6506587
> item.subtest3=cor(subtest3,fact3)
> item.subtest3
H1 H2 H3 H4 H5 H6 H7 H8 H9
[1,] 0.5473282 0.6899352 0.5429947 0.5877526 0.7258917 0.6983558 0.6851765 0.595622 0.5930344
> item.subtest4=cor(subtest4,fact4)
> item.subtest4
CG2 CG1
[1,] 0.804215 0.7996168
Fuente: Elaborado por los autores
921
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
Fuente: Elaborado por los autores Fuente: Elaborado por los autores
922
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
Una vez analizado otros modelos, se determinó observando la tabla 24 que el mejor
modelo fue de (4) factores, debido a que se obtuvo una varianza acumulada del 51% con
los coeficientes que se muestran en la siguiente tabla 25.
RESULTADOS
En el desarrollo del trabajo que fue aplicar un Análisis Factorial exploratorio con los
instrumentos citados para cada uno de los análisis propuestos mediante las medidas de
adecuación muestral KMO, test de esfericidad de Bartlett, porcentaje de varianza
acumulada, validación de la correlación de matrices policórica, peso de cargas factoriales
por ítem, método de rotación varimax, gráfico de sedimentación para la determinación de
componentes de factores principales, también con el análisis de los indicadores, lo mismo
con las métricas Chi Cuadrado, SRMR, RMSEA, TLI, CFI, GFI, AGFI, validación item-
subtest, factor-tes. Se pudo determinar mediante el AFE, que el mejor encontrado fue el
que presentaba una varianza acumulada de 51%, el cual se compone de 4 factores
principales, donde el mayor peso en cuanto a porcentaje de la varianza se encuentra
ubicado en el primer factor MR1 con un 20 %, el segundo MR2, tercero MR3 y el cuarto
factor MR4, que obtuvieron valores porcentuales de 15 %,12 % y 5 % respectivamente.
Para obtener ese mayor valor de la varianza acumulada de los 4 factores principales, se
consideró eliminar a 9 ítems que tenían una baja correlación respecto a su factor de la
base de datos que en su principio presentaba 27 ítems, teniendo así una nueva base de
datos con 18 ítems, esto se determinó mediante el del AFE.
Se indica que en su mayoría de variables excepto 1, se agrupaban con nombres similares
al mismo factor, esto debido por la carga del peso factorial que representaba
individualmente. Análisis factorial, se puede aplicar en cualquier campo, cuando el
estudio lo que requiere es reducir factores o identificar los factores principales de cada
variable.
CONCLUSIONES
En el AFE estos indicadores han demostrado mediante el trabajo desarrollado que se
puede aplicar en cualquier campo, cuando el estudio lo que requiere es reducir variables
y poder identificar los factores principales, esto sirve de gran ayuda para facilitar el
trabajo del investigador cuando tiene un número cantidad de variables. El AFE se puede
aplicar a datos que presenten escale de Likert, dicotómica o de tasa y razón.
923
JOURNAL OF SCIENCE AND RESEARCH E-ISSN: 2528-8083
REFERENCIAS BIBLIOGRÁFICAS.
Abridged ACRA scale of learning strategies for Escala de estrategias de aprendizaje
ACRA-Abreviada para alumnos universitarios Jesús de la Fuente Arias *,
Fernando Justicia Justicia . (2003), (January)
Alonso, A. (2008). Técnicas de análisis multivariante de datos. (I. Capella & M. Diego,
Eds.) (Primera). Madrid-España: PEARSON PRENTICE HALL.
Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating
the use of exploratory factor analysis in psychological research. Psychological
Methods, 4(3), 272–299. http://doi.org/10.1037/1082 UNEMI 2017
Hair, J. F., Black, W. C., & Babin, B. J. (2010). Multivariate Data Analysis: A Global
Perspective. Pearson Education.
Hair, Anderson, R., Tatham, R., & Black, W. (2008). Análisis Multivariante. (A. Otero,
Ed.) (Quinta). Madrid-España: Prentice Hall Iberia.
Kaiser, H.F. (1958). The varimax criterion for analytic rotation in factor analysis.
Psychometrika, 23, 187-200.
Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomas Marco, I. (2014).
El análisis factorial exploratorio de los ítems
924