Dos formas fáciles de interpretar las famosas cargas factoriales

Two easy ways to interpret the famous factor loads

Sr. Director:

He leído con gran interés un artículo recientemente publicado en Gaceta Sanitaria11. Vega Martínez MDC, Frías Osuna A, Del Pino Casado R. Validez y confiabilidad de la escala de sentido de coherencia en estudiantes de grado de enfermería de una universidad española. Gac Sanit. 2018; piiS0213-9111:30088-98, http://dx.doi.org/10.1016/j.gaceta.2018.02.009 [Epub ahead of print].
https://doi.org/10.1016/j.gaceta.2018.02...
, en el que se utiliza un modelo factorial para validar un instrumento de medida autoinformado y el punto de corte que una carga factorial (λ) sea superior a 0,30 para conservar un ítem en un factor. Por tanto, resulta oportuno complementar los hallazgos de tan interesante publicación.

Utilizar el análisis factorial como una técnica de validación de instrumentos autoinformados es una práctica ampliamente extendida. De acuerdo con una búsqueda realizada por el autor de esta carta en Google Académico®, en los últimos diez años se han publicado 15.400 documentos acerca de validaciones de instrumentos en las que se ha utilizado análisis factorial. Pese a ello, una de las grandes dificultades para los profesionales de la salud es la comprensión de estos modelos y sus elementos; como es el caso, de la λ expresando con frecuencia que supera el valor de 0,30 y quedándose con ese entendimiento. Por ende, la presente carta tiene como propósito explicar dos formas sencillas de interpretar las famosas cargas factoriales.

Es bueno preguntarse por qué los investigadores prefieren una λ>0,30, tal como recomiendan diversos autores22. Kline P. An easy guide to factor analysis. New York: Routledge; 1994. p. 194.-33. Costello AB, Osborne JW. Best practices in exploratory factory analysis: four recommendations for getting the most from your analysis. Pract Assess Res Eval. 2005;10:1-9.. La respuesta subyace en la elevación al cuadrado de ese valor44. Morales P. El Análisis factorial en la construcción e interpretación de tests, escalas y cuestionarios. Madrid: Universidad Pontificia Comillas; 2013 (Consultado el 20/3/2019.) Disponible en: http://web.upcomillas.es/personal/peter/investigacion/AnalisisFactorial.pdf
http://web.upcomillas.es/personal/peter/...
, que convierte la carga factorial en una proporción de varianza explicada por el factor con respecto al ítem22. Kline P. An easy guide to factor analysis. New York: Routledge; 1994. p. 194.; entonces, 0,30 equivale a decir que el 9% de la varianza del ítem es explicada por el factor (este concepto también se denomina «comunalidad»). En otras palabras, si usted tiene gripe (factor), 9 de sus 100 estornudos (ítem) a la semana son explicados por la gripe; un porcentaje pequeño que sugiere la existencia de otras razones de su estornudo, como alergias u otras enfermedades. No obstante, si 64 de sus 100 estornudos (λ=0,802) son a causa de la gripe, entonces un antigripal debe disminuir la cantidad de estornudos. Por tal razón, la primera forma de interpretar las cargas factoriales es mediante su lógica de varianza explicada.

Otra manera de entender las cargas factoriales es mediante su lógica de dependencia entre el ítem con el factor (lógica de regresión estadística)55. Keith TZ. Multiple regression and beyond: an introduction to multiple regression and structural equation modeling. New York: Routledge; 2014. p. 592.. Si por cada unidad que aumente el factor, la carga del ítem aumentará en el valor que presente (por ejemplo, 0,80), entonces convierta la unidad del factor en una decena (1 multiplicado por 10), y por tanto el ítem representaría 8 unidades (0,80 multiplicado por 10). De esta forma, se revela el peso del ítem en la escala, porque de cada 10 puntos que se incrementen en la escala, el ítem se incrementará en 8 puntos. En otras palabras, si tiene una presión arterial de 120/80 y esta se aumenta en 10 puntos, entonces el bombeo de su corazón se incrementará en ocho pulsaciones por minuto.

En conclusión, se espera que esta carta aclare el panorama a profesionales de la salud no expertos en temas estadísticos y les brinde información para interpretar la carga factorial desde su propio valor, evitando así el uso de puntos de corte que pueden resultar poco informativos si no se interpretan a la luz del contexto de investigación.

Bibliografía

  • 1
    Vega Martínez MDC, Frías Osuna A, Del Pino Casado R. Validez y confiabilidad de la escala de sentido de coherencia en estudiantes de grado de enfermería de una universidad española. Gac Sanit. 2018; piiS0213-9111:30088-98, http://dx.doi.org/10.1016/j.gaceta.2018.02.009 [Epub ahead of print].
    » https://doi.org/10.1016/j.gaceta.2018.02.009
  • 2
    Kline P. An easy guide to factor analysis. New York: Routledge; 1994. p. 194.
  • 3
    Costello AB, Osborne JW. Best practices in exploratory factory analysis: four recommendations for getting the most from your analysis. Pract Assess Res Eval. 2005;10:1-9.
  • 4
    Morales P. El Análisis factorial en la construcción e interpretación de tests, escalas y cuestionarios. Madrid: Universidad Pontificia Comillas; 2013 (Consultado el 20/3/2019.) Disponible en: http://web.upcomillas.es/personal/peter/investigacion/AnalisisFactorial.pdf
    » http://web.upcomillas.es/personal/peter/investigacion/AnalisisFactorial.pdf
  • 5
    Keith TZ. Multiple regression and beyond: an introduction to multiple regression and structural equation modeling. New York: Routledge; 2014. p. 592.

  • Financiación

    Ninguna.

Fechas de Publicación

  • Publicación en esta colección
    10 Feb 2020
  • Fecha del número
    Nov-Dec 2019
Sociedad Española de Salud Pública y Administración Sanitaria (SESPAS) Barcelona - Barcelona - Spain
E-mail: gs@elsevier.com