Revista Argentina de Ciencias del Comportamiento, 2010, Vol.

2, N°1, 58-66

Revista Argentina de
ISSN 1852-4206
www.psyche.unc.edu.ar/racc Ciencias del Comportamiento
(RACC)

Análisis Factorial Exploratorio: Bases Conceptuales y Metodológicas

Pérez, Edgardo R.*a y Medrano, Leonardo a
a
Facultad de Psicología, Universidad Nacional de Córdoba, Córdoba, Argentina.

Artículo de Revisión
Resumen Abstract
En el presente trabajo se realiza una revisión de los fundamentos y Exploratory Factor Analysis: Conceptual and Methodological Basis.
principales procedimientos del análisis factorial exploratorio, un método The present work reviews the foundations and principal procedures of
esencial para la construcción, adaptación y validación de tests psicológicos. exploratory factor analysis conceived as an essential method for the
El artículo se presenta considerando las principales decisiones estratégicas construction, adjustment and validation of psychological tests. The article,
que debe tomar el investigador durante la implementación del método. Se first, considers the principal strategic decisions that researcher’s must make
discuten además las distintas opciones conceptuales y metodológicas que se during the implementation of this methodology. Additionally, this work
plantean en cada fase de la aplicación del Análisis Factorial Exploratorio. presents discussions regarding different conceptual and methodological
considerations that exploratory factor analysis presents in each phase of
methodology’s application.

Palabras claves: Key Words:

Análisis Factorial Exploratorio; Test Psicológicos; Métodos de Extracción Exploratory Factor Analysis; Psychological Tests; Extraction Methods.
Recibido el 19 de Junio de 2009; Recibido la revisión el 24 de Septiembre
de 2009; Aceptado el 27 de Septiembre de 2009

1. Introducción
En términos generales, el análisis factorial (ítems, por ejemplo) que se correlacionan fuertemente
exploratorio (AFE) es el nombre genérico con que se entre sí, y cuyas correlaciones con las variables de otros
designa a un conjunto de métodos estadísticos agrupamientos (factores) son menores. Aunque las
multivariados de interdependencia cuyo propósito variables utilizadas generalmente son continuas,
principal es el de identificar una estructura de factores también es posible utilizar este método en variables
subyacentes a un conjunto amplio de datos. El término dicotómicas (Khan, 2006).
AFE puede hacer referencia tanto a un conjunto de Según Kline (2000), mediante el AFE la
técnicas estadísticas como a un método único de variabilidad de las puntuaciones de un conjunto de
interdependencia (Khan, 2006), que se emplea con el variables es explicada por un número más reducido de
objeto de reducir un gran número de indicadores dimensiones o factores. De este modo, por ejemplo, una
operativos en un número inferior de variables gran cantidad de ítems de tests puede reducirse a un
conceptuales (Blalock, 1966). Si bien constituye una número pequeño de factores o dimensiones (aptitud
técnica ampliamente utilizada en ciencias sociales, verbal, extraversión, por ejemplo) que confieran un
posee especial relevancia en el campo de la psicometría. significado teórico a la medición. Cada uno de estos
En efecto, el paso decisivo para verificar la estructura factores agrupa a los ítems intecorrelacionados que son,
interna de cualquier escala, así como para seleccionar y al mismo tiempo, relativamente independientes de los
otorgar significado teórico a un conjunto inicial de restantes conjuntos (factores) de ítems.
ítems de un test es el AFE (Martínez Arias, 1995). Este Como otras técnicas estadísticas, el AFE se inicia
método multivariado permite agrupar las variables con los trabajos de Galton (1889) quien propuso el

*
Enviar correspondencia a: Dr. Edgardo R.. Pérez.
E-mail: [email protected]

58
59 Pérez, E. R. & Medrano, L. / RACC, 2010, Vol. 2, N°1, 58-66

concepto de rasgo latente para explicar por qué un Según la teoría de Thurstone, las actividades de las
conjunto de variables se encontraban relacionadas. personas dependen de un cierto número atributos o
Según este autor, el hecho de que dos variables se factores que intervienen en diferente combinación y que
encuentran relacionadas entre sí proviene del hecho que pueden ser determinados objetivamente mediante el uso
ambas variables poseen algo en común y algo que las del AFE. Los trabajos empíricos de Thurstone
diferencia. De esta manera, la varianza total de una condujeron al descubrimiento de un conjunto de
variable se debe a factores que comparte con las otras factores implicados en el campo de las aptitudes y la
variables (comunalidad) y a factores específicos de la personalidad.
variable (especificidad). A partir de esta idea se sostiene Con el correr de los años numerosos autores en
la lógica del AFE, vale decir, si un conjunto de diferentes países retomaron la tarea de desarrollar la
variables se encuentran correlacionadas entre sí, estas técnica del AFE. Entre ellos cabe destacar los trabajos
relaciones recíprocas se deben a que poseen un factor o de Stephenson, Vermon y Eysenck en Inglaterra;
rasgo latente en común, y además, dicho factor explica Kelley, Hottelling, Cattell y Horn en Norteamérica;
en parte la varianza de las variables o indicadores Meili en Alemania y Rimoldi en Argentina (Yela,
medidos (Blalock, 1966). Teniendo esto en 1996). No obstante, más allá de los desarrollos y
consideración, Galton (1889) afirmó que debía reformulaciones la lógica del AFE continúa siendo la
desarrollarse una técnica que permitiera descubrir estos misma, en efecto, se considera la existencia de una serie
factores o variables latentes subyacentes. de variables subyacentes inobservables, pero medibles a
También podría atribuirse a Pearson (1901) el partir del uso de múltiples indicadores observables. De
desarrollo de los principios básicos del AFE, ya que esta manera, quizás el principal valor de este método
desarrolló el coeficiente de correlación y bosquejó los resida en que permite reemplazar un gran número de
principios en que se basa el análisis factorial de ejes indicadores de escaso significado teórico, por un
principales. Sin embargo existe un consenso general en número menor de variables conceptualmente
considerar a Spearman (1904) como el creador del significativas (Blalock, 1966).
AFE. Este psicólogo británico empleó el AFE con el fin
2. Supuestos del análisis factorial
de estudiar las correlaciones entre diferentes pruebas de
habilidades, las cuales se presuponía que reflejaban un Antes de emprender un AFE debe verificarse el
factor subyacente de inteligencia. Los estudios de cumplimiento de una serie de supuestos estadísticos
Spearman fueron formalizados en la teoría bifactorial exigentes, cuya violación puede conducir a resultados
de la inteligencia según la cual se postulaba la equívocos. Específicamente, Martínez Arias (1999)
existencia de un factor general de inteligencia señala que antes de realizar un AFE deben evaluarse
(comunalidad de las pruebas), que se encontraba tres supuestos principales: la normalidad, linealidad y
conectado de manera parcial con otras habilidades multicolinealidad de las puntuaciones. Sumado a ello
mentales específicas (figura 1). los resultados del AFE y de los análisis estadísticos
destinados a evaluar los supuestos anteriormente
mencionados, pueden verse distorsionados por la
existencia de casos con puntuaciones marginales
(outliers uni y multivariados), por ello se recomienda en
primer lugar llevar a cabo un análisis de exploración
inicial de los datos con el objeto de detectar la
existencia de casos atípicos o con valores extremos.
Los casos atípicos son aquellos que presentan
valores extremos en una variable o en una combinación
de variables, lo que los hace diferir del comportamiento
del resto de la muestra (Uriel y Aldas, 2005). Aunque
no todos los casos atípicos son necesariamente
Figura 1. Teoría Bifactorial de la Inteligencia de Spearman problemáticos, pueden convertirse en observaciones que
(Adaptado de Cohen y Swerdlik, 2006). distorsionen los resultados. Para visualizar el impacto
que pueden generar los casos atípicos o marginales en
A partir de la década del ´30 el AFE es retomado el AFE, simplemente debe considerarse que este
por Thurstone (1947) quien consolida las bases método parte de una matriz de correlaciones entre
metodológicas y propone una reformulación del mismo. variables, y que dichas correlaciones se estiman en base
 Pérez, E. R. y Medrano, L. / RACC, 2010, Vol. 2, N°1, 58-66 60

a la media o promedio de los valores de dichas caso de existir desviaciones del patrón lineal se reduce
variables. Como señala Pagano (1998) la media es un significativamente la magnitud de los coeficientes de
estadístico sensible a los valores extremos, es decir que correlación. Este supuesto puede ser evaluado
un valor lejano de la tendencia central provoca grandes examinando visualmente los diagramas matriciales de
desplazamientos en la media. Por consiguiente, si la dispersión. Si se observa que los puntos se organizan a
media se ve distorsionada también serán afectadas las lo largo de una linea recta, puede mantenerse el
correlaciones entre las variables, y por ende, el AFE. supuesto de linealidad de las relaciones (Hair,
Existen diferentes métodos para detectar casos Anderson, Tatham y Black, 1999). Para una evaluación
atípicos o extremos univariados, uno de los más estadística de este supuesto puede realizarse una
utilizados consiste en calcular las puntuaciones típicas Estimación Curvilínea (Curve Estimation) por medio de
de cada variable y considerar como potenciales casos análisis de regresión múltiple. Ésta técnica fue
atípicos aquellos que presenten puntajes Z fuera del introducida en la psicología por Cohen (1978), y
rango ±3 (Tabachnick y Fidell, 2001). Una consiste en evaluar la naturaleza de la relación entre las
aproximación alternativa puede ser la inspección visual variables adicionando potencias (lineales, cuadráticas o
de los gráficos de caja y bigotes (box plots), los cuales cúbicas) a la ecuación de regresión y observando si
presentan los valores atípicos como puntos aislados en dichas potencias mejoran significativamente la
los extremos de los bigotes. Dado que aún trabajando predicción o no. En caso de no obtener resultados
con datos univariados se pueden generar combinaciones significativos utilizando funciones lineales y sí
atípicas multivariadas, se recomienda utilizar el obtenerlos utilizando funciones cuadráticas, se puede
procedimiento de distancia Mahalanobis (D²) para la concluir que no existe una relación lineal entre las
búsqueda de casos atípicos multivariados. Mediante variables.
este procedimiento es posible detectar los casos atípicos Finalmente, se recomienda realizar un diagnóstico
multivariados designando como tales a aquellos casos de multicolinealidad entre las variables o ítems con el
que superen el umbral de significación de p< .001(Uriel objeto de identificar correlaciones elevadas o
y Aldas, 2005). redundantes. Aunque la técnica de AFE exige
Una vez que se ha examinado la existencia de casos intercorrelación entre las variables, si estas son
atípicos, generalmente se procede a verificar el supuesto superiores o iguales a .90 es probable que se debilite el
de normalidad de las variables. Si bien el procedimiento análisis y se obtenga una solución factorial poco estable
estadístico habitualmente utilizado para evaluar la (Martínez Arias, 1999). Para evaluar la
normalidad de una distribución es el uso de pruebas de multicolinealidad simplemente puede observarse la
contrastes de bondad de ajuste, como los estadísticos matriz de correlación atendiendo a la existencia de
Shapiro-Wilk y Kolmorogov-Smirnof, tal como señala valores iguales o superiores a .90. Un análisis más
Pérez (2004) dichos estadísticos resultan demasiado preciso de la colinealidad puede realizarse mediante los
sensibles a pequeñas desviaciones de la normalidad índices de tolerancia y su recíproco, la inflación de la
cuando se trabaja con muestras de gran tamaño. Por varianza (VIF). Dichas medidas indican el grado en que
ello, no resulta recomendable utilizar los estadísticos de cada variable se encuentra explicada por las otras
contraste como único método de evaluación de la variables. Valores pequeños de tolerancia (inferiores a
normalidad. Un método alternativo consiste en estimar .10) y elevados de VIF (superiores a 10) denotan una
los índices de asimetría y curtosis, considerando que los alta colinealidad.
valores dentro del umbral ±1,5 indican variaciones Además del cumplimiento de los supuestos
leves de la normal y en consecuencia resultan estadísticos requeridos por el AFE, existen algunas
adecuados para realizar el AFE (George y Mallery, exigencias adicionales de gran importancia para este
2001). Otra aproximación alternativa es el análisis análisis. Dado que el AFE se basa en la matriz de
visual de los gráficos q-q plot, los cuales proporcionan intercorrelaciones y no se utiliza como prueba de
un linealización de la distribución normal y permiten hipótesis estadística, es esencial que la muestra sea de
determinar si los datos recabados se ajustan gran tamaño para asegurar un menor error de muestreo.
razonablemente a una distribución normal. De hecho si se trabaja con muestras pequeñas aumenta
El supuesto de linealidad de las relaciones resulta la probabilidad de que las correlaciones varíen de una
fundamental en el AFE, ya que los valores del muestra a otra, se obtengan factores inestables y los
coeficiente de correlación sólo pueden interpretarse resultados sean engañosos (Blalock, 1966). El análisis
cuando el patrón de relaciones entre las variables es factorial debe conducirse empleando muestras grandes,
lineal (Batista Foguet y Gallart, 2000). De hecho, en el de aproximadamente 300 participantes, para obtener
61 Pérez, E. R. & Medrano, L. / RACC, 2010, Vol. 2, N°1, 58-66

resultados útiles y relativamente estables (Tabachnick y supuestos debe seleccionarse un método de extracción
Fidell, 2001). Se debería contar idealmente con 10 de factores. Si bien existen varios disponibles en los
participantes por variable (ítem en el caso de tests), y programas informáticos usuales de análisis estadístico
como mínimo con cinco por ítem (Nunnally y (SPSS, por ejemplo), en la práctica los métodos más
Bernstein, 1995). Sumado a ello, cuando se trata de usados en el análisis factorial exploratorio son dos:
muestras muy grandes se recomienda conducir un Componentes Principales y Ejes (o Factores)
análisis factorial diferenciado para cada sexo (Kline, Principales (Khan, 2006). Es necesario realizar algunas
2000). acotaciones previas que nos permitan comprender las
Luego de administrar el test a la muestra de diferencias esenciales entre ambos métodos. Tal como
investigación, y antes de emprender el análisis factorial afirmamos precedentemente, el análisis factorial es un
debe determinarse si los ítems están suficientemente método analítico de condensación de la varianza total
interrelacionados para que este método pueda aplicarse de respuesta a las variables (ítems en el caso de un test
provechosamente (Comrey, 1973). Existen algunas psicológico). Esta varianza tiene tres elementos
pruebas estadísticas que pueden emplearse con esa principales: a) la varianza común (o comunalidad), que
finalidad, y las más utilizadas son el test de esfericidad es la proporción de varianza de las variables que es
de Bartlett y la medida de adecuación muestral de explicada por los factores comunes; b) la varianza
Kaiser-Mayer-Olikin (KMO). El test de esfericidad de específica, que es el porcentaje de varianza particular de
Bartlett permite evaluar la hipótesis nula que afirma que cada variable; y, c) la varianza de error, que es el
las variables no están correlacionadas, para lo cual porcentaje de varianza no explicada, atribuible al error
compara la matriz de intercorrelación de los datos de medición. El método de componentes principales
recabados con una matriz de identidad en la que todos explica la mayor cantidad de varianza posible en los
los términos de la diagonal son unidades y los demás datos observados. Por consiguiente, este método analiza
términos son ceros. Si los resultados obtenidos de dicha la varianza total asociada a las variables, incluyendo la
comparación resultan significativos a un nivel p< .05, varianza específica y la varianza de error.
se rechaza la hipótesis nula y se considera que las El método de ejes principales, en cambio, solo
variables están los suficientemente intercorrelacionadas contempla la varianza que las variables tienen en común
para realizar el AFE (Everitt y Wykes, 2001). Dado que o covarianza, excluyendo a la varianza específica y la
esta prueba puede mostrar resultados significativos a atribuible al error de medida (Tabachnick y Fidell,
pesar de no existir correlaciones considerables entre las 2001). El método de componentes principales es más
variables, se recomienda la utilización adicional de la fácil de interpretar que el de ejes principales y tal vez en
medida KMO. Este índice es un promedio de los eso radique su mayor popularidad, particularmente
términos de la diagonal de la matriz de correlación de cuando se analiza un conjunto grande de ítems para
anti-imagen, la cual contiene los valores negativos de desarrollar nuevas escalas o inventarios (Merenda,
los coeficientes de correlación parcial de las variables. 1997). Si el análisis factorial se emplea para obtener
La lógica del índice KMO es que si las variables una solución teórica no contaminada por la varianza de
comparten factores comunes, los coeficientes de error y específica, el método de ejes principales es la
correlación parcial deben ser pequeños y por ende los alternativa más adecuada (Tabachnick y Fidell, 2001).
valores de la diagonal de la matriz deben ser elevados, No obstante, cuando los tests poseen confiabilidades
es decir, si es elevada la proporción de coeficientes adecuadas, las diferencias entre las soluciones
grandes en la matriz existe mayor interrelación entre las factoriales obtenidas por cada método suelen ser poco
variables (Sierra Bravo, 1981). El KMO se interpreta de importantes (Kline, 2000). Un ejemplo de esta
manera semejante a los coeficientes de confiabilidad, afirmación puede observarse claramente en la tabla 1,
vale decir, con un rango de 0 a 1 y considerando como en la cual se presentan las salidas obtenidas al realizar
adecuado un valor igual o superior a .70, el cual sugiere un AFE de una Escala de Autoeficacia para el
una interrelación satisfactoria entre los ítems (Hair, et Rendimiento en Ingresantes Universitarios (Medrano,
al, 1999). Sólo después de haber verificado los 2009). Los valores de la matriz de componentes se
supuestos y exigencias del análisis es lícito utilizar el obtuvieron utilizando como método de extracción el
AFE en sus diferentes variantes. método de Componentes Principales, mientras que los
valores de la matriz de factor se obtuvieron utilizando el
3. Métodos de extracción y determinación del
método de Ejes Principales. Finalmente en la última
número factores
columna se presentan los valores alfa de Cronbach (α)
Después de verificarse el cumplimiento de los de la escala si el ítem es eliminado. Por ello dichos
 Pérez, E. R. y Medrano, L. / RACC, 2010, Vol. 2, N°1, 58-66 62

valores deben considerarse de forma inversa, a mayor resultados y la elección de uno u otro dependerá de la
α, menor consistencia interna aporta el ítem. distribución de datos recabados, siendo el método de
Ejes Principales el recomendado cuando se viola el
Tabla 1. supuesto de normalidad multivariada y el método de
Comparación del Método de Componentes Principales y el MP cuando se respeta dicho supuesto (Costello y
Método de Ejes Principales considerando la confiabilidad de
Osborne, 2005).
los ítems (valores α de Cronbach).
La extracción del número correcto de factores es
Ítems de la Escala Matriz de Matriz de α una de las decisiones más problemáticas del análisis
EAR-I Componentes Factor
Aprobar el Ingreso Universitario .81 .75 .94
factorial (Cattell, 1966). El empleo de un único criterio
Aprobar con un promedio superior a 5 .88 .84 .93
puede llevar a sobrestimar o subestimar el número real
Aprobar con un promedio superior a 6 .94 .94 .92
de factores y, por ese motivo, se recomienda emplear un
Aprobar con un promedio superior a 7 .93 .93 .92
conjunto de criterios para identificar el número de
Aprobar con un promedio superior a 8 .91 .89 .92
factores subyacentes en las escalas psicológicas. Si la
Aprobar con un promedio superior a 9 .81 .76 .94
alternativa es extraer más factores o menos (sobre y
sub-extracción), la sobre-extracción es menos riesgosa
α = valor de alfa si el ítems es eliminado
puesto que conduce a menos error en la medición
Como puede observarse aquellos ítems que aportan (Reise, Waller y Comrey, 2000). No obstante, la
menor consistencia interna a la escala, lo cual indica decisión acerca del número de factores a extraer debería
que son menos confiables, muestran mayores sustentarse siempre en evidencia empírica. Un método
diferencias en los valores obtenidos en cada método de muy empleado, y que aparece por defecto en el
extracción. Por el contrario, los ítems más confiables programa SPSS, es la regla Kaiser de extracción de
prácticamente no presentan variaciones entre los factores con autovalores (eigenvalues) superiores a 1
métodos de extracción. Estos resultados avalan la (Kaiser, 1960). El cuadrado de la correlación entre una
afirmación de Kline (2000), en efecto las diferencias variable y un factor es la proporción de varianza
entre las soluciones factoriales obtenidas por cada explicada por esa variable. Si se suman todos los
método son mínimas cuando las escalas presentan una cuadrados de los pesos factoriales de las variables en un
confiabilidad elevada. No obstante, algunos autores factor (columna de la matriz factorial) obtenemos el
sugieren que a pesar de obtenerse resultados similares el autovalor de ese factor, que expresa la magnitud de
método de Componentes Principales no es del todo varianza explicada por ese factor. El punto de corte de 1
recomendable ya que se trata de un método de se fija porque las variables están estandarizadas con la
reducción de datos y no de una técnica de AFE, y por varianza igual a 1 y sería inadecuado interpretar un
que al no discriminar entre la varianza común y factor que explique menos varianza que la explicada por
específica tiende a inflar los valores de la matriz de una variable particular (Kahn, 2006). Si dividimos el
componentes (Costello y Osborne, 2005). autovalor de un factor por el número de variables y
Otro método de extracción de factores que cabe multiplicamos ese valor por 100 obtenemos el
considerar es el método de Máxima Probabilidad (MP) porcentaje de varianza explicada por ese factor
o también denominado Método de Máxima particular. El inconveniente principal de esta regla es
Verosimilitud (maximum likelihood). Aunque el que generalmente conduce a la extracción de
método de MP es menos utilizado en el análisis demasiados factores, particularmente en tests con
factorial exploratorio (Kahn, 2006), numerosos autores muchos ítems (50 o más). Otro criterio de extracción es
coinciden en señalarlo como la mejor elección cuando el porcentaje de varianza explicada por la estructura
los datos presentan una distribución normal factorial obtenida (varianza acumulada de los factores
multivariada (Byrne, 2001; Costello y Osborne, 2005). extraídos en conjunto). En este caso se recomienda que
El principal beneficio del método de MP es que permite la solución factorial explique, al menos, un 50% de la
estimar la significación estadística de los pesos variabilidad total del respuesta al test (Merenda, 1997).
factoriales y generar intervalos de confianza de los El porcentaje de explicación de varianza puede ser una
mismos. No obstante, cuando la distribución de los condición necesaria, pero en la práctica es un criterio
datos se aleja de una distribución normal multivariada poco decisivo, puesto que podemos tener varias
se sugiere no usar MP, quizás por ello en la práctica sea soluciones factoriales alternativas con porcentajes
uno de los métodos de extracción menos utilizado adecuados de varianza explicada, y, por consiguiente,
(Kahn, 2006). En síntesis, los métodos de Ejes no sabremos por cual optar. En todo caso, la regla
Principales y MP son los que proporcionan mejores Kaiser y el porcentaje de varianza explicada son
63 Pérez, E. R. & Medrano, L. / RACC, 2010, Vol. 2, N°1, 58-66

procedimientos complementarios pero no esenciales en inspeccionar el gráfico de izquierda a derecha hasta

la mayoría de los casos. localizar el punto de inflexión en que los autovalores
El criterio de extracción de factores más empleado dejan de formar una pendiente y comienzan a generar
en la actualidad es el denominado scree test o gráfica una caída de poca inclinación. Esta caída se representa
scree (Cattell, 1966). El scree test es una representación en la línea punteada y se denomina criterio de contraste
gráfica de la magnitud de los autovalores y ayuda a de caída (Hair, et al. 1999). Como puede apreciarse, si
identificar el número óptimo de factores que se deberían bien la regla Kaiser indicaba la existencia de 12 factores
extraer. En el eje vertical u ordenada se representan los (línea entrecortada), el scree test sugiere que solamente
autovalores, y en el horizontal o abscisa, el número de ocho de ellos deberían ser interpretados puesto que la
factores. Sobre la gráfica resultante se traza una línea caída o declive de la gráfica se interrumpe a partir del
recta base a la altura de los últimos autovalores (los más noveno autovalor. El scree test es confiable en la
pequeños) y aquellos que queden por encima de esa mayoría de los casos, pero algunas veces resulta
línea base indicarán el número de factores a retener. dificultoso determinar el número exacto de factores con
Cattell (1966) denominó a esta gráfica “scree” por su un mero examen visual del gráfico, en especial cuando
parecido al perfil de la falda de una montaña, donde los los factores son numerosos o existen varios cambios de
residuos rocosos de la base son comparables a los dirección en la pendiente.
factores irrelevantes de la solución, metafóricamente no Horn (1965) propuso otro método, el análisis
sólidos. El scree test es un procedimiento con un paralelo, que parece ser una de las mejores alternativas
componente de subjetividad pero se ha verificado la para decidir el número de factores a extraer. El análisis
adecuada confiabilidad del mismo (Kline, 2000). En paralelo genera autovalores de una matriz de datos
general, el punto de corte para el número de factores a aleatorios pero con el mismo número de variables y
extraer está determinado por el primer cambio de casos que la matriz original. Si bien el análisis paralelo
pendiente en la gráfica. Los autovalores residuales se no puede desarrollarse directamente desde los
ubican a la derecha del gráfico, formando una planicie programas estadísticos usuales (SPSS, SAS, por
de poca inclinación. En cambio, los autovalores que ejemplo), Thompson y Daniel (1996) desarrollaron una
explican la mayor parte de la varianza se ubican en la sintaxis que puede ejecutarse de manera sencilla desde
parte izquierda formando una fuerte pendiente (figura SPSS. En el análisis paralelo se comparan en una tabla
2). el autovalor de cada factor en los datos reales con el
autovalor correspondiente de los datos aleatorios. Para
decidir el número de factores a extraer se identifica el
autovalor de los datos reales con magnitud superior al
autovalor de los datos simulados. Si, por ejemplo, el
tercer autovalor de los datos reales tiene una magnitud
de 3.131 y el tercer valor de los datos simulados 2.431,
y el cuarto autovalor es superior en los datos simulados,
deben interpretarse tres factores. La lógica del
procedimiento es que solamente deben interpretarse los
factores reales que explican más varianza que los
aleatorios (Kahn, 2006).
4. Rotación e interpretación de los factores
El resultado inicial del análisis factorial es una
matriz factorial no rotada, es decir la matriz de
correlaciones de las variables con los factores. Esta
matriz factorial inicial es difícil de interpretar y, en casi
todos los casos donde se extrae más de un factor, es
Figura 2. Gráfico de Sedimentación (Scree Test)
indispensable obtener una matriz adicional de factores
rotados (Carroll, 1953). Por consiguiente, luego de
En la figura 2 se presenta el gráfico de
extraer los factores iniciales, estos son sometidos a un
sedimentación obtenido del AFE del Inventario de
procedimiento denominado rotación (cuando hay más
Autoeficacia para Inteligencias Múltiples (Pérez,
de un factor en la solución). El término rotación
Beltramino y Cupani, 2003). En general, se recomienda
proviene de la representación gráfica y geométrica del
 Pérez, E. R. y Medrano, L. / RACC, 2010, Vol. 2, N°1, 58-66 64

análisis factorial; en efecto, los factores pueden matriz factorial se modifica y es más sencilla de
representarse como ejes de referencia y los pesos interpretar, debido al incremento de las correlaciones
factoriales (correlaciones) de cada variable indicarse en positivas extremas (bajas y altas), aproximándose a la
los ejes correspondientes. La rotación se realiza para estructura simple ideal que mencionamos. Los
que la solución factorial se aproxime a lo que se procedimientos analíticos de rotación han reemplazado
denomina estructura simple, vale decir que cada item a los geométricos por su sencillez (las ejecutan los
tenga una correlación lo más próxima a 1 que sea programas informáticos) y objetividad (es más difícil
posible con uno de los factores y correlaciones alcanzar resultados idénticos entre varios investigadores
próximas a 0 con los restantes factores. El investigador cuando se rota gráficamente). Las correlaciones entre
rota los factores con la finalidad de eliminar las un ítem y un factor deberían ser de .35, al menos, y no
correlaciones negativas importantes y reducir el número debería existir una correlación superior a .30 de esa
de correlaciones de cada ítem en los diversos factores. variable con otro factor para obtener una solución
Naturalmente, nunca encontramos en los datos aproximada a la estructura simple. De no ser así
empíricos estructuras simples sino una solución estaríamos reteniendo ítems complejos, así como
aproximada a ese concepto teórico. Las rotaciones soluciones factoriales insatisfactorias y difíciles de
pueden ser ortogonales u oblicuas y dos métodos muy interpretar.
empleados son Varimax (Kaiser, 1958) y Promax Tabla 2.
(Gorsuch, 1983), respectivamente, aunque hay otros Rotación Promax de la escala PANAS, comparación de los
disponibles en los programas estadísticos (SPSS, por coeficientes de la matriz no rotada, de configuración y de
ejemplo). Las soluciones provistas por los métodos de estructura.
rotación oblicua son más congruentes con la estructura Matriz Factorial Matriz de Matriz de
no Rotada Configuración. Estructura
de las variables psicológicas que, en general, se Escala
Factor 1 Factor 2 Factor 1 Factor2 Factor 1 Factor 2
encuentran intercorrelacionadas. La ortogonalidad PA/AS
absoluta es sólo teórica y, a los fines prácticos, se Afligido .44 .22 .48 .12 .47 .10
intepreta que una solución es ortogonal cuando todas las Culpable .53 .05 .53 -.06 .53 -.08
correlaciones entre los factores son inferiores a .32. Asustado .78 .28 .83 .11 .82 .08
Tabachnick y Fidell (2001) proponen realizar una Irritable .52 -.05 .50 -.16 .50 -.18
rotación oblicua inicial como filtro (Promax, por Avergonzado .57 .05 .56 -.07 .56 -.09
ejemplo), y obtener la matriz de correlación entre los Nervioso .67 .20 .70 .05 .70 .03
factores. Si observamos alguna correlación superior a Intranquilo .70 .04 .69 -.12 .69 -.14
.32 entre los factores deberíamos escoger una rotación Temeroso .79 .23 .82 .05 .82 .02
oblicua, y en caso contrario, una ortogonal. Siguiendo Fuerte -.27 .52 -.13 .57 -.15 .57

estas recomendaciones, Medrano (2009) realizó un AFE Entusiasmado -.14 .70 .04 .71 .02 .71
Orgulloso -.16 .64 .01 .66 -.02 .66
de la Escala de Afectividad Positiva y Negativa
Inspirado -.08 .60 .08 .61 .06 .60
(PANAS). Al solicitar en primera instancia una rotación
Resuelto -.40 .46 -.28 .54 -.29 .55
Promax se observó que los factores subyacentes
Atento -.08 .68 .09 .69 .07 .68
presentaban una correlación inversa de r = -.33. En
Activo -.27 .67 -.10 .71 -.12 .71
función de ello se continuó con la rotación oblicua
Promax. Los resultados obtenidos se presentan en la Debe considerarse que si hemos empleado una
tabla 2. rotación oblicua (promax, por ejemplo) no obtendremos
Las rotaciones colocan a las variables más cerca de sólo una matriz rotada (como en la rotación ortogonal)
los factores diseñados para explicarlas, concentran la sino dos, que se denominan matriz de estructura y de
varianza de las variables en menos factores y, en configuración. En la matriz de estructura se presentan
general, proporcionan un medio para facilitar la las correlaciones de cada variable con el factor o
interpretación de la solución factorial obtenida (Kaiser, coeficientes estructurales. En cambio, en la matriz de
1958). En la actualidad existen varios algoritmos configuración los coeficientes observados son análogos
ejecutables en los paquetes estadísticos que generan la a los coeficientes beta del análisis de regresión múltiple.
matriz rotada sin recurrir a procedimientos gráficos de Los coeficientes de configuración indican la
rotación (Thompson, 2004). Con estas operaciones importancia relativa de cada factor para explicar el
algebraicas (multiplicación de los coeficientes no puntaje individual en cada variable, controlando los
rotados por un conjunto de constantes derivadas restantes factores. La mayoría de los investigadores
mediante funciones trigonométricas) la estructura de la
65 Pérez, E. R. & Medrano, L. / RACC, 2010, Vol. 2, N°1, 58-66

interpretan la matriz de configuración debido a su supuestamente miden un mismo constructo de una

mayor facilidad de interpretación (Tabachnick y Fidell, manera estrictamente empírica, es decir, que el AFE no
2001), pero se recomienda atender a ambas matrices exige una especificación previa del modelo teórico. En
para una interpretación más adecuada de los resultados general los usuarios del AFE se limitan a hipotetizar el
(Thompson, 2004). número de factores que se esperan obtener y si éstos
La tarea final del análisis factorial es interpretar y estarán o no relacionados (Pérez-Gil, Chacón Moscoso
denominar los factores. Esto se logra examinando en la y Moreno Rodríguez, 2000). En consecuencia, el uso
matriz rotada (siempre que se trate de más de un factor) exclusivo del AFE supone una aproximación débil a la
el patrón de correlaciones bajas y altas de cada variable definición o validación de un constructo. Como señala
con los distintos factores y, en especial, utilizando el Byrne (2001) el AFE debe complementarse con un
conocimiento teórico que se posea acerca de las análisis factorial confirmatorio (AFC) posterior. En
variables incluidas en el análisis. En el ejemplo efecto, el empleo exclusivo del AFE puede conducirnos
presentado en la tabla 2, se observa que el factor 1 a obtener estructuras meramente empíricas,
presenta correlaciones más elevadas con ítems tales dependientes de las muestras e ítems seleccionados, y
como: temeroso, asustado, nervioso y culpable, por lo no replicables con facilidad.
cual dicho factor podría interpretarse como “Afecto El AFC constituye una aproximación
Negativo”. Por otra parte, el segundo factor presenta complementaria al AFE, y apropiada cuando los
correlaciones elevadas con ítems tales como: investigadores poseen cierto conocimiento de la
entusiasmado, atento, activo y orgulloso, en función de estructura teórica subyacente. De esta manera, en base a
lo cual podría interpretarse este segundo factor como criterios teóricos y empíricos se postulan a priori las
“Afecto Positivo”. relaciones entre las variables observables y latentes para
En general, se recomienda que cada factor debe posteriormente evaluar la significación estadística de las
poseer, al menos, cuatro ítems con correlaciones iguales mismas y el ajuste del modelo propuestos a los datos
o superiores a .40 para ser interpretado, y que se debe recabados (Batista Foguet y Gallart, 2000). Más allá de
atender a las correlaciones ítem-factor más elevadas las diferencias matemáticas y estadísticas entre el AFE
para inferir el nombre de cada factor (Glutting, 2002). y el AFC, la principal diferenciación radica en que la
Cuando la rotación realizada ha sido oblicua es posible aproximación confirmatoria no se da en el vacío, sino
continuar el análisis factorial, y obtener “factores de que se encuentra inserta en una teoría que dirige la
factores”. En otros términos, podemos realizar un definición del constructo. Esta aproximación va de la
análisis factorial y extraer factores oblicuos de primer teoría a los hechos, y por ello constituye una
orden para después analizar factorialmente la matriz de aproximación más fuerte a la definición o validación de
correlación entre los factores y derivar factores de un constructo. En la actualidad, aún cuando los
segundo orden o superior. procedimientos del AFC se encuentran muy
desarrollados, todavía se utiliza el AFE con fines
5. Conclusiones
confirmatorios (Pérez-Gil, Chacón Moscoso y Moreno
En el presente artículo, se ha revisado Rodríguez, 2000). Cabe destacar que el AFE, aunque
sintéticamente algunos de los pasos y decisiones críticas constituye una técnica válida con fines exploratorios,
en el desarrollo de un AFE, tales como los supuestos llevará a resultados azarosos y poco estables si se
requeridos, los métodos de extracción de factores, los desconoce el constructo que se pretende validar o
criterios para determinar el número de factores y los definir, ya que este procedimiento depende
métodos de rotación e interpretación de factores. Cabe completamente de las circunstancias y datos recabados.
señalar que, en general, el análisis factorial exploratorio En este sentido Eynseck afirmó que, el análisis
constituye el procedimiento estadístico más clásico y factorial es un buen servidor pero un mal amo.
conocido para examinar la relación existente entre un
Referencias
conjunto de variables observables y factores
subyacentes inobservables. De esta manera, este método Aloyo, V.J., Batista Foguet, J. M. B. y Gallart, G. C. (2000).
de interdependencia permite identificar a partir de las Modelos de Ecuaciones Estructurales. Madrid: La
relaciones entre las variables observables la existencia Muralla, S.A.
de factores subyacentes de considerable valor teórico. Blalock, H. M. (1966). Estadística Social. México: Fondo de
Cultura Económica
No obstante, cabe señalar una importante limitación del
Byrne, B. M. (2001). Structural equation modeling with
AFE. Como se señaló anteriormente esta técnica supone AMOS: Basic concepts, applications, and programming.
delimitar un amplio número de indicadores que Mahwah, NJ: Lawrence Erlbaum.
 Pérez, E. R. y Medrano, L. / RACC, 2010, Vol. 2, N°1, 58-66 66

Carroll, J.B. (1953). An analytic solution for approximating Nunnally, J. y Bernstein, I. (1995) Teoría Psicométrica.
simple structure in factor analysis. Psychometrika, 18, México: Mc Graw Hill.
79-87. Pagano, R. (1998). Estadística para las ciencias del
Cattell, R. (1966). The Scree Test for the number of factors. Comportamiento. México: Thompson.
Multivariate Behavioral Research. 1, 141-161 Pearson, K. (1901).On lines and planes of closest fit to
Cohen, J. (1978). Partialed products are interactions; systems of point in space. Philosophical Magazine, 6,
partialed powers are curve components. Psychological 559-572
Bulletin, 85, 858-866. Pérez, C. (2004). Técnicas de Análisis Multivariante de
Comrey, A. L. (1973) A first course in factor analysis. Nueva Datos. Aplicaciones con SPSS. Madrid: Pearson
York: Academic Press. Education.
Costello, A.B. y Osborne, J.W. (2005). Best Practices in Pérez, E.; Beltramino, C. y Cupani, M. (2003). Inventario de
Exploratory Factor Analysis: Four Recommendations Autoeficacia para Inteligencias Múltiples. Fundamentos
for Getting the Most From your Analysis. Practical Teóricos y Psicométricos. Revista Evaluar, 3, 35-60.
Assessment, Research & Evaluation, 10 (7), 1-9 Pérez-Gil, J.; Chacón Moscoso, S. y Moreno Rodriguez, R.
Everitt, B. S. y Wykes, T. (2001). Diccionario de Estadística (2000). Validez de Constructo: el uso del análisis
para Psicólogos. España: Ariel. factorial exploratorio-confirmatorio para obtener
Galton, F. (1889). 2ature Inheritance. Londres: Macmillan. evidencias de validez. Psicothema, 12 (2), 442-446
Gardner, R. (2003). Estadística para Psicología Usando Reise, S., Waller, N. y Comrey, A. (2000). Factor analysis
SPSS. México: Pearson Education and scale revision. Practical Assessment, 12, 287-297.
George, D. y Mallery, M. (2003). Using SPSS for Windows Sierra Bravo, R. (1981). Análisis Estadístico y Modelos
step by step: a simple guide and reference. Boston, MA: Matemáticos. Madrid: Paraninfo.
Allyn & Bacon. Spearman, C. (1904). General Intelligence, objectively
Glutting, J. (2002). Some psychometric properties of a determined and measured. American Journal of
system to measure ADHD. Measurement and Psychology, 15, 201-270.
Evaluation in Counseling and Development. 34, 194- Tabachnick, B. y Fidell, L. (2001). Using multivariate
209. statistics. New York: Harper & Row.
Gorsuch, R. L. (1983). Factor analysis. Hillsdale, NJ: Thompson, B. (2004). Exploratory and confirmatory factor
Lawrence Erlbaum.. analysis. Washington, DC: American Psychological
Hair, J.F.; Anderson, R.E.; Tatham, R.L. y Black, W. (1999). Association.
Análisis Multivariante. Madrid: Prentice Hall. Thompson, B. y Daniel, L. G. (1996). Factor analytic
Horn, J. (1965). A rationale and test for the number the evidence for the construct validity of scores: An
factors in factor analysis. Psychometrika, 30, 179-185. historical overview and some guidelines. Educational
Kahn, J. H. (2006). Factor analysis in Counseling Psychology and Psychological Measurement, 56, 197-208.
research, training and practice. The Counseling Thurstone, L.L. (1947). Multiple factor analysis. Chicago:
Psychologist, 34, 1-36. University of Chicago Press
Kaiser, H.F. (1958). The varimax criterion for analytic Uriel, E. y Aldas, J. (2005). Análisis Multivariante Aplicado.
rotation in factor analysis. Psychometrika, 23, 187-200. España: Thomson.
Kaiser, H.F. (1960).The application of electronic computers Yela, M. (1996). Los Test y el Análisis Factorial.
to factor analysis. Educational and Psychological Psicothema, 8, 73-88.
Measurement, 20, 141-151.
Kline, P. (2000). Handbook of Psychological Testing.
London: Routledge.
Martinez Arias, M. R. (1999). El análisis multivariante en la
investigación científica. Madrid: La Muralla.
Martínez Arias, R. (1995). Psicometría. Madrid: Síntesis
Psicológica
Medrano, L. (2009). Adaptación de la Escala de Afectividad
Positiva y 2egativa (PA2AS) en Universitarios
Cordobeses. Estudios de Estructura y Consistencia
Interna. Artículo enviado para su publicación.
Medrano, L. (2009). Adaptación de la Escala de Autoeficacia
para el Rendimiento en Ingresantes Universitarios
(EAR-I). Artículo enviado para su publicación.
Merenda, P. (1997). A guide to the proper use of Factor
Analysis in the conduct and reporting of research:
pitfalls to avoid. Measurement and evaluation in
counseling and evaluation, 30, 156-163.