An lisis Factorial Escalas

Curso Técnico de Medición Multidimensional de la Pobreza y sus Aplicaciones
CEPAL, Naciones Unidas. 06 y el 15 de diciembre de 2010
Usos del análisis factorial para la
construcción y validación de escalas
José Manuel Roche (OPHI)
[email protected]
Tabita, Kenya
Rabiya, India
Stéphanie, Madagascar
Agathe, Madagascar
Dalma, Kenya
Ann-Sophia, Kenya
Valérie, Madagascar
OBJETIVOS
• Revisar los diferentes usos del análisis factorial para la
construcción y validación de escalas.
• Discutir las ventajas y desventajas del análisis factorial para el .
diseño ad-hoc de indicadores sintéticos en cuanto a definición de
pesos, selección de dimensiones e indicadores, o para dar cuenta
del error de medición.
• Revisar en detalle como se utilizan estas técnicas para la
validación de escalas subjetivas.
ESQUEMA
• Análisis Factorial y en que contexto se utiliza
• Diferencia entre el Análisis Factorial Exploratorio y el
Análisis Factorial Confirmatorio
• Pasos, procedimientos y recomendaciones para el Análisis
Factorial Exploratorio
• Ventajas y desventajas del AFE y la construcción de índices
sintéticos
• Validación de escalas subjetivas
Qué es el análisis factorial y cuándo se utiliza?
Los métodos de análisis factorial son apropiados cuando contamos
con una gran cantidad de variables, ya que tienen un alto poder de
reducción de información y facilitan el diseño y agregación de
variables.
Se basan en el análisis de la interrelación de un larga lista de
indicadores o variables con miras a comprender la estructura
subyacente, haciendo posible reducirlo a un número manejable de
variables agregadas.
Frecuentemente es utilizado para calcular índices de estatus
socioeconómicos o en ocasiones como solución ad-hoc para la
agregación de variables.
Ejemplo...
Índice de bienes (Wealth index)
(Rustein and Johnston 2004)
Una medida compuesta de el nivel de vida acumulado de un hogar
que es utilizado en las DHS y MICS
Como se mide?
Basado en un grupo de bienes y servicios capturados por las encuestas (e.g. tipo de piso,
refrigerador, vehiculo, facilidades sanitarias, hacinamiento, electricidad, etc.)
Los bienes y servicios de cada hogar para cuya informacion ha sido recolectada se
asignan un peso o puntaje factorial generado a travez de el metodo de analisis de
componentes pincipales.
El primer componente del analisis de componentes principales es interpretado como una
escala continua relativa a la riqueza. El puntaje estandarizado es usado para crear grupos
por quintiles.
El índice de riqueza (Wealth Index) es utilizado como una variable proxy para estudiar el
estatus de salido los derechos de los niños.
No solo una solución ad-hoc
para la agregación de información!
Otros posibles usos:
• aporta información para comprender la estructura subyacente a los datos
(e.g. explorar los patrones o dimensiones)
• evitar redundancia
(e.g. reducir un largo numero de variables correlacionadas, agruparlas o seleccionar una que represente
varias)
• para la validación y evaluación de escalas de precepción subjetiva
(e.g. convergencia, discriminancia, consistencia interna)
• para medir variables no observadas o constructos teóricos
(e.g. da cuenta de el error de medición, bondad de ajuste)
• para ser incluido en modelos complejos
(e.g. analisis de regresión o ecuaciones múltiples estructurales)
Ejemplos...
Social Interaction
(Factor 2)
Economic conditions
(Factor 3)
Factor Analysis vs.
Fuzzy Sets Theory
(Lelli 2008)
Health
(Factor 6)
• Belgian Section of the
European Community
Household Panel
Psychological distress
(Factor 1)
Shelter
(Factor 7)
• 54 indicators classified into 7
categories
• The FA confirms the
underlying structure
Cultural life
(Factor 4)
• The first 7 factors are
retained for further analyses
Working conditions
(Factor 5)
EVALUACIÓN PSICOMÉTRICA DE ESCALAS SUBJETIVAS
Tipo de evidencia
Preguntas Fundamentales
Tipo de Análisis
Pruebas de Confiabilidad
Consistencia Interna
¿Los indicadores de la escala miden niveles similares?
Coeficiente de Alfa Cronbach
Mediciones sucesivas
¿La escala produce similares medidas bajo condiciones equivalentes?
Múltiple Administración
Apariencia
Contenido
Pruebas de Validez
¿La escala parece medir lo que se supone que quiere medir?
¿El contenido de los ítems refleja la definición del constructo teórico?
¿Los entrevistados entienden las preguntas/términos en la misma forma?
Evaluación por parte de “expertos” en
desarrollo de escalas
Evaluación por un grupo de expertos /
Entrevista cognitiva / Focus Group
¿La escala mide el número de constructos teóricos?
Factorial
¿Se pueden defender los constructos descubiertos? (desarrollo inicial) Análisis Factorial Exploratorio (AFE)
¿Se confirman los constructos teóricos? (Prueba de hipótesis)
Análisis Factorial Confirmatorio (AFE)
¿La estructura es comparable entre los grupos relevantes? with covariate DIF
(Item invariance)
Constructo
(Convergencia y Discriminancia)
¿Las variables que deberían correlacionar con la escala lo hacen?
¿Las variables que no deberían correlacionar con la escala no lo hacen?
Correlación, ANOVA, t-test
Criterio Concurrente
(grupos-conocidos o instrumentsconocidos)
¿Los puntajes de las escalas representan los entrevistados adecuadamente con
características conocidas?
¿Las categorizaciones basadas en nuevas escalas se relacionan bien con
aquellas basadas en medidas estandarizadas previas?
Correlación, ANOVA, t-test
Predictivo
¿Los puntajes de las escalas predicen adecuadamente el comportamiento
futuro o las actitudes de los respondientes?
Correlación, ANOVA, t-test
Fuente: Adaptado de Abell et al. (2009) Developing and validating rapid assessment instruments, OUP.
Análisis Factorial Exploratorio
(Abell et al. 2009, Brown 2006)
Una tipia función de un modelo factorial con un factor:
χ ij = λiξ j + δ ij
donde xij, es el puntaje estandarizado del ith item para la persona jth ;
ξ j es la variable latente de la persona jth cuya escala es normalmente fijada con media = 0
Y varianza =1; λi, es la contribución factorial de la persona i; δi j residuo parte no explicada
por el modelo (error de medición)
Una típica función para un modelo factorial con tres modelos:
χ ij = λ1iξ1 j + λ2iξ 2 j + λ3iξ 3 j + δ ij
La función generalizada seria:
χ ij = λ1iξ1 j + λ2iξ 2 j + ...λdiξ dj + δ ij
donde xij, es el puntaje estandarizado del ith item para la persona fjth ; ξ dj es la variable latente para la persona
jth en factor d cuya escala es normalmente fijada con media =0 y varianza=1; λid, es la contribución factorial del
item i en el factor d; δi j residual parte no explicada por el modelo (error de medición)
Ejemplos...
Medición de exclusión (Klasen 2000)
Comparar una medida de pobreza basada en el consumo con una medida
compuesta creada de depravaciones usando la encuesta de hogares de Sur
África
Variables y pesos de acuerdo al PCA
Quintil Gasto
0.36
Ventaja
Combustible para cocinar
0.35
Facilidad sanitaria
0.34
Bienes durables
0.34
‘Cubre empíricamente las comunalidades
entre componentes individuales y basa los
pesos en las relaciones empíricas entre las
privaciones medidas en las capacidades
individuales’ p 39
Agua
0.33
Educación
0.28
Desventaja
Seguridad
0.01
Malnutrición
0.15
Satisfacción
0.16
‘La desventaja de este enfoque es que
implicitamente asume que solo los
componentes con fuerte correlación entre
si son relevantes’
Transporte
0.20
Análisis Factorial Confirmatorio
(Abell et al. 2009, Brown 2006)
δ1 δ 2 δ 3
δ4 δ5 δ6
δ7 δ8 δ9
Items 1-3:
x1 x2 x3
x4 x5 x6
x7 x8 x9
x ij = λ1iξ1 j + δ ij
λ2 λ3
λ1
ξ1
λ4
ψ1
λ7
λ5 λ6
ξ2
ψ2
λ8 λ9
ξ3
Parameter
Items 4-6:
x ij = 0ξ1 j + λ2iξ 2 j + 0ξ 3 j + δ ij
x ij = λ2iξ 2 j + δ ij
ψ3
Name
x ij = λ1iξ1 j + 0ξ 2 j + 0ξ 3 j + δ ij
Type
Description
Lambda-Y
λx
Regression
Factor Loading
Items 7-9:
Delta
δ
VarianceCovariance
Error variance and
covariance
x ij = 0ξ1 j + 0ξ 2 j + λ3iξ 3 j + δ ij
Psi
ψ
Variance –
Covariance
Factor variance
and covariance
x ij = λ3iξ 3 j + δ ij
Xi (Ksi)
ξ
Factor
Endogenous
variable
x
represents the item or exogenous (observed) variable
Path digrama para un AFE?
(dos factores con rotacion oblicua)
Mas comunes indices de bondad de ajuste
(Abell et al. 2009, Bryne 2010, Brown 2006)
Chi-Square χ
2
El mas comun indice de bondad de ajuste el cual evalua la significancia de la deiferencia entre la matris
de varianza-covarianza observada y la estimada. Valores bajos indican buen bondad de ajueste. Tiende
a rechazar la hipotesis nula para muestras largas.
Root mean square residual (RMR)
También una medida absoluta de ajuste que refleja la discrepancia entre covarianza observada y
estimada. Es mas confiable que el chi-squeare. Es mas confiable con muestras largas. Toma valores
entre 0 y 1, donde 0.0 indica perfecta bondad de ajuste. Un valor de 0.05 o menor sugiere buen ajuste.
Root mean square error of approximation (RMSEA)
Este índice incorpora una función de penalidad para poca parsimoneidad del modelo al tomar en cuenta
el numero de parámetros estimados. El índice Un valor de 0.05 o menor sugiere una bondad razonable.
Comparative Fit Index (CIF)
Este índice evalúa la bondad de ajuste del modelo en contra de la ‘independencia’ del modelo en el cual
la covarianza entre los indicadores es fijada a cero. Un valor debajo de 0.95 es un excelente fit.
Tucker-Lewis index (TLI)
Evalúa el valor del chi-square en su grado de libertad en el modelo propuesto, relativo a la misma
cantidad en la hipótesis nula. Un valor debajo de 0.90 es una bondad de ajuste aceptable.
Pasos, procedimientos y recomendaciones
para el Análisis Factorial Exploratorio
(Ver: Brown 2006 The Common Factor Model and EFA)
1. Selección de indicadores y unidad de análisis
2. Selección del método de extracción
3. Decisión sobre el número de factores a retener
4. Selección del método de rotación
5. Interpretación y evaluación del la calidad de la solución
Monitoring Inequality
between social groups
Examples...
(Roche 2008)
Foco:
Condiciones de la Vivienda
(la capacidad de ‘estar bien protegido’ ‘being well sheltered’)
Contexto: Venezuela
Data:
Encuesta de Hogares (2001)
Censo (‘71, ‘81, ‘90, 2001)
Indicadores seleccionados
Sistema sanitario (Sewage system)
Agua (Water)
Electricidad (Electricity)
Combustible (Fuel)
Pisos (Floors)
Techos (Roofs)
Paredes (Walls)
Hacinamiento (Housing
Overcrowding Index)
2. Selección del método de extracción
•
Principal factor (pf): Las contribuciones (factor loading) son calculadas
usando el cuadrado de las correlacions múltiples como estimación de las
comunalidades. Es uno de los método mas comunes y es preferible
cuando no se desea sumir normalidad multivariable.
•
Principal-component factor (pcf): Equivale al método de análisis de
componentes principales donde las comunalidad se asumen igual a 1.
Estrictamente no corresponde a un análisis factorial.
•
Iterated principal factor (ipf): Estima las comunalidades de manera
iterativa.
•
Maximum-likelihood factor (ml): Permite evaluación estadística para
evaluar que tan bien la solucion factorial es capaz de reproducir la
relación entre los indicadores de la data originaria. Asume normalidad
multivariable.
3. Decisión sobre el número de factores a retener
Kaiser Criterion (Guttman, 1954): los factores que tengan un
eigenvalue de 1.0 o mayor; con el razonamiento de que un factor no debe
explicar menos que la varianza equivalente que hubiera explicado una sola
de las variables incluidas en el análisis.
3. Decisión sobre el número de factores a retener
Análisis del Scree Plot (Cattell, 1966): se identifican se identifica el
punto de inflexión en la curva del scree plot para selección un grupo
reducido de factores que eigenvalues significativamente superiores a los
demás.
0
2
Eigenvalues
4
6
Scree plot of eigenvalues after factor
0
5
10
Number
15
3. Decisión sobre el número de factores a retener
Análisis paralelo (Horn, 1965): los factores a extraer deben dar cuenta
de mas varianza que la que es esperada de manera aleatoria.
0
Eigenvalues
2
4
6
Parallel Analysis
0
5
10
Factor
Factor Analysis
Parallel Analysis
15
3. Decisión sobre el número de factores a retener
Juicio teórico: : En la práctica los distintos métodos pueden llevar a
conclusiones contradictorias por lo cual es importante que también se
tome en cuenta el juicio teórico del analista. En ocasiones la teoría puede
indicar el número de factores que es relevante extraer y el analista puede
estar interesado en comprobar que los ítems convergen en los factores en
los que teóricamente se esperarían que lo hicieran y que a su vez su peso
en los otros factores es relativamente bajo. Este es el procedimiento que
se suele seguir en procesos de validación de escalas. En otras ocasiones
el analista puede estar más interesado en explorar la data para lo cual
intentará diferentes extracciones guiadas por los métodos anteriores y
procurará identificar si el número de factores extraído es teoréticamente
defendible.
4. Selección del método de rotación
Los factores son una solución ortogonal que implica independencia (no correlación) .
Los factores pueden ser rotados para facilitar interpretación, lo que en la practica es
distribuir la varianza entre los factores.
Como resultado aumentamos la contribución de algunos indicadores en algunos
factores mientras disminuye su contribución en otros factores. EL TOTAL DE LA
VARIANZA EXPLICADA POR LOS FACTORES SE MANTIENE CONSTANTE.
90˚
90˚
90˚
130
˚
Rotación Ortogonal
(e.g. Varimax)
Rotación Oblicua
(promax or oblimin)
La decisión del método esta normalmente basada en la teoría (seria de esperar
que las dimensiones estén correlacionadas?) No hay una solución única!
Monitoring Inequality
between social groups
Ejemplo...
(Roche 2008)
Unrotated, Varimax-rotated common components matrix
Sewage
Water
Electricity
Fuel used for cooking
Floors
Roofs
Walls
Housing Overcrowding Index
Unrotated
Component
1
2
3
0.734 0.120 -0.010
0.565 0.435 0.144
0.420 0.529 0.138
0.401 0.495 -0.088
0.752 -0.208 -0.310
0.597 -0.312 -0.595
0.692 -0.228 0.345
0.495 -0.513 0.513
VARIMAX-rotated
Component
1
2
3
0.518 0.418 0.331
0.695 0.100 0.190
0.687 -0.014 0.061
0.620 0.147 -0.087
0.226 0.752 0.297
0.018 0.897 0.070
0.258 0.250 0.721
-0.064 0.101 0.870
Extraction Method: Principal Component Analysis. 3 components extracted.
VARIMAX: Rotation converged in 4 iterations.
Oblimin: Rotation converged in 9 iterations.
5. Interpretación y evaluación del la
calidad de la solución
•
Chequear si la solución tiene sentido y es interpretable
•
Eliminar los factor que están poco definidos
•
Eliminar los ítems que se comportan erráticamente (idealmente
deberían tener alta contribución en un factor y baja contribución
en los otros)
•
De ser necesario el proceso puede ser iterativo corriendo nuevos
análisis hasta obtener una solución satisfactoria
•
Si se pretende proponer una conclusión teórica, conviene replicar
el análisis en otras bases de dato y llevar a cabo un Análisis
Factorial Confirmatorio
Monitoring Inequality
between social groups
Ejemplo...
(Roche 2008)
Sewage
Sewage system
system (X
(X11))
Water
Water (X
(X22))
Services
Services
Electricity
Electricity (X
(X33))
Fuel
Fuel (X
(X44))
Housing
Housing
Adequacy
Adequacy
Floors
Floors (X
(X55))
Roof
Roof (X
(X66))
Structure
Structure
Wall
Wall (X
(X77))
Housing
Housing
Overcrowding
Overcrowding Index
Index (X
(X88))
Space
Space
and
and Density
Density
HAI =1/ 3( X1 + X 2 + X 3 + X 4) +1/ 3( X 5 + X 6 + X 7) +1/ 3( X 8)
Quizás el análisis de la adecuación de la vivienda debiera observar estos
diferentes niveles, y no centrarse no solo en un indicador sintético general.
Ejemplo...
Capabilities and Groups Inequalities
(Roche 2009)
1
1
0.95
0.95
0.9
0.9
0.85
0.8
0.85
0.75
0.8
0.7
CS
UC
UL
0.65
0.6
UM
Hsoc1 Hsoc2
0.75
0.7
US
HSoc3 HSoc4
HSoc5
CS
UC
UL
UM
Hsoc1 Hsoc2
UR
HSoc6
Overall housing adequacy
1
US
HSoc3 HSoc4
HSoc5
UR
HSoc6
Housing Services
0.95
0.925
0.9
0.9
0.8
0.875
0.7
0.85
0.825
0.6
0.8
0.5
CS
UC
UL
UM
0.4
Hsoc1 Hsoc2
US
HSoc3 HSoc4
HSoc5
UR
HSoc6
Housing structure
CS
UC
UL
UM
0.775
0.75
Hsoc1
Hsoc2
US
HSoc3
HSoc4
HSoc5
UR
HSoc6
Space and density
Capabilities and Groups Inequalities
Ejemplo...
(Roche 2009)
Adj. R-Squared for different models
Overall
Services Structure
Adequacy
(HSI)
(HTI)
(HAI)
Space and
Density
(HDI)
Model 1: Income and constant only
Y = c + λ1 X 1 + e
Model 2: Income, demographic factors and
constant
Y = c + λ1 X 1 + β 3 Z 3 + e
Model 3: Income, Hsoc, demographic factors
and constant
Y = c + λ1 X 1 + β 1 Z 1 + β 3 Z 3 + e
Model 4: Income, Hsoc, ZXT, ZXR,
demographic factors and constant
Y = c + λ1 X 1 + β1 Z 1 + β 2 Z 2 + β 3 Z 3 + e
Model 5: Income, Hsoc, ZXT, ZXR, other
occupational variables (EcoAct, SecInf,
SecPub), demographic factors and constant
Y = c + λ1 X 1 + β1 Z 1 + β 2 Z 2 + β 3 Z 3 + e
15.1%
4.8%
15.1%
6.2%
20.4%
8.5%
16.5%
19.9%
25.0%
10.0%
21.7%
21.2%
32.1%
28.8%
28.6%
21.8%
34.0%
33.6%
29.8%
22.2%
EVALUACIÓN PSICOMÉTRICA DE ESCALAS SUBJETIVAS
Las escalas psicométricas procuran medir un
constructo (i.e. percepción de autonomía) usando
múltiples ítems. Escalas con múltiple-ítems son
generalmente mas validas que escalas con un
solo ítem. La teoría de medición de trasfondo es
que los ítems contienen un componente ‘real’ y
un ‘ruido’ (error de medición). Múltiples ítems
permiten disminuir el error de medición e
identificar consistencia entre los ítems – en
ocasiones el ítems puede estar midiendo algo
diferente a lo que el investigador se propone
(Treiman 2009).
Error
e
Dimensionalidad de las escalas
(Abell et al., 2009)
Dimensión
Uni
Multi
Uni
Mas simple
Peor Posible
Multi
Mas común
Mas complejo
Items
Items
Constructo
Teórico
Mi vida tiene un claro sentido o propósito
e
He descubierto un sentido satisfactorio de la vida
e
Tengo una clara idea de lo que le da sentido a mi vida
Sentido
del a
vida
Eg. Gagne et al 2009: The Motivation at Work Scale
External
regulation
External:
1. Because this job affords me a certain standard of
living
2. Because it allows me to make a lot of money
3. I do this job for the paycheck
Introjected
regulation
Identified
regulation
Integrated
regulation
Intrinsic
Regulation
Continuum
Scale
Relative
Autonomy
Introjected:
1. Because I have to be the best in my job, I have to be
a “winner”
2. Because my work is my life and I don’t want to fail
3. Because my reputation depends on it
Identified:
1. I chose this job because it allows me to reach my life
goals
2. Because this job fulfills my career plans
3. Because this job fits my personal values
Intrinsic
1. Because I enjoy this work very much
2. Because I have fun doing my job
3. For the moments of pleasure that this job brings me
The stem is “Using the scale below, please indicate for each of the
following statements to what degree they presently correspond to one of
the reasons for which you are doing this specific job” and is
accompanied by the scale 1= not at all; 2= very little; 3 = a little; 4 =
moderately; 5 = strongly; 6 = very strongly; 7= exactly.
Típico proceso de desarrollo de escalas subjetivas
Diseño de ítems candidatos
Largo número de
ítems
Las escalas son adaptadas
a múltiples contextos e idiomas
(muestras largas o pequeñas)
Escalas
comparables
Internac.
Evaluación de la validad de contenido
(consulta a expertos,
entrevista cognitivas, grupos focales,,etc)
Una lista mas
reducida y
refinada de ítems
Las escalas finales son incorporadas en
Encuestas de Hogares
(muestras largas y representativas)
Análisis de mayor
alcance
Prueba piloto en muestras pequeñas
junto a una rigurosa validación
(AFE, Cronbach alfa ,
validación convergente)
Se eliminan los
ítems débiles
Test sucesivos con listas acortadas
con muestras pequeñas
(AFC y criterio concurrente)
Escalas
validas y
confiables
EVALUACIÓN PSICOMÉTRICA DE ESCALAS SUBJETIVAS
Tipo de evidencia
Preguntas Fundamentales
Tipo de Análisis
Pruebas de Confiabilidad
Consistencia Interna
¿Los indicadores de la escala miden niveles similares?
Coeficiente de Alfa Cronbach
Mediciones sucesivas
¿La escala produce similares medidas bajo condiciones equivalentes?
Múltiple Administración
Apariencia
Contenido
Pruebas de Validez
¿La escala parece medir lo que se supone que quiere medir?
¿El contenido de los ítems refleja la definición del constructo teórico?
¿Los entrevistados entienden las preguntas/términos en la misma forma?
Evaluación por parte de “expertos” en
desarrollo de escalas
Evaluación por un grupo de expertos /
Entrevista cognitiva / Focus Group
¿La escala mide el número de constructos teóricos?
Factorial
¿Se pueden defender los constructos descubiertos? (desarrollo inicial) Análisis Factorial Exploratorio (AFE)
¿Se confirman los constructos teóricos? (Prueba de hipótesis)
Análisis Factorial Confirmatorio (AFE)
¿La estructura es comparable entre los grupos relevantes? with covariate DIF
(Item invariance)
Constructo
(Convergencia y Discriminancia)
¿Las variables que deberían correlacionar con la escala lo hacen?
¿Las variables que no deberían correlacionar con la escala no lo hacen?
Correlación, ANOVA, t-test
Criterio Concurrente
(grupos-conocidos o instrumentsconocidos)
¿Los puntajes de las escalas representan los entrevistados adecuadamente con
características conocidas?
¿Las categorizaciones basadas en nuevas escalas se relacionan bien con
aquellas basadas en medidas estandarizadas previas?
Correlación, ANOVA, t-test
Predictivo
¿Los puntajes de las escalas predicen adecuadamente el comportamiento
futuro o las actitudes de los respondientes?
Correlación, ANOVA, t-test
Fuente: Adaptado de Abell et al. (2009) Developing and validating rapid assessment instruments, OUP.
Validación convergente del ítem: Kendall Tau b correlations
Las escalas correlacionan como es de espera con los ítems en cuanto a signo e
intensidad?
Consistencia interna de la escala:
Alfa de Cronbach (Cronbach 1955)
Psicólogos ponen atención en la confiabilidad:
Los indicadores en la escala producen
similares puntajes?
Economistas piensan en términos de robustes:
La escala produce ordenamientos similares?
Nr
α =
1+ r (N – 1)
N: número de items
r : promedio de la correlación entre items
(Treiman 2009)
El Sentido de la Vida
El cuestionario del Sentido de la Vida
(Steger et al, 2006, ‘Meaning in Life questionnaire’)
Sentido: El sentido que tenemos, y el significado que sentimos en
relación a la naturaleza de nuestro ser y existencia
Mi vida tiene un claro sentido o propósito.
He descubierto un sentido satisfactorio de la vida
Tengo una clara idea de lo que le da sentido a mi vida
Versión corta de la escala ‘presencia de sentido’, que mide si una
persona percibe que da sentido a su vida y si esto se traduce en un
satisfactorio y claro propósito de vida
Necesidades Psicológicas Básicas
3 sub-escalas (Deci and Ryan 2000)
Autonomía: Determinación autónoma, libertad de expresarse, autenticidad
Siento que soy libre de decidir cómo quiero vivir mi vida
En general siento que puedo expresar libremente mis ideas y opiniones
Siento que en toda situación diaria puedo ser honesto/a conmigo mismo
Competencia: Apreciación externa, sentido de logro, auto-eficacia
La gente que conozco me dice que soy capaz/hábil en lo que hago
La mayor parte del tiempo siento que cumplo en las cosas que hago
En general me siento muy capaz
Relacionamiento con otros: Interacción social, amistad, relación con otros
Me llevo bien con las personas con las que tengo contacto
Considero cercanas a las personas con las que me relaciono.
La gente que me rodea se preocupa por mí
ANALISIS FACTORIAL EXPLORATORIO
Factor
1
mv3_a My life has a clear meaning or purpose
.759
mv3_b I have found a satisfactory meaning in life
.920
mv3_c I have a clear sense of what gives meaning to my life
.780
2
3
4
mv4_a I feel free to decide for myself how to lead my life
.659
mv4_b I generally feel free to express my ideas and opinions
.974
mv4_c I feel like I can pretty much be honest with myself in daily situations
.632
mv5_a People I know tell me I am competent/capable at what I do
.740
mv5_b Most of the time I feel a sense of accomplishment from what I do
.843
mv5_c I generally feel very capable
.820
mv6_a I get along well with people I come into contact with
.638
mv6_b I consider myself close to the people I regularly interact with
.928
mv6_c People in my life care about me
.641
Chronbach’s Alpha
.878
.845
Note: Only items with a loading higher than .300
.859
.809
ANALISIS FACTORIAL CONFIRMATORIO
X2(48)=231.41, p=.000, RMR=.013, RMSEA=.045, CFI=.986, TLI=.981
Validación de las escalas de bienestar
psicológico y subjetivo con los datos de Chile
Factorial: El análisis factorial exploratorio muestra que los ítems convergen
y discriminan entre si de acuerdo a los cuatro constructos a evaluar
(sentido de la vida, autonomía, competencia, y relación social con otros).
Confiabilidad: Alta consistencia interna (Cronbach’s α), correlación interna
entre los ítems en cada escala y correlación entre las clases.
Estructura: Análisis Factorial Confirmatorio – la bondad de ajuste
confirma la estructura de los constructos teóricos.
Comparabilidad across groups: invariancia factorial para genero y grupos
de edad.
Concurrencia de criterio: correlación esperada con otros instrumentos
Fortalezas
Solución ad-hoc con alto poder de
reducción de dato
Da cuenta sistemáticamente del error de
medición (basado en una teoría de
medición)
Permite identificar relevantes
dimensiones subyacentes a los datos
Reduce el riesgo de contar varias veces
atributos que están altamente
correlacionados mientras toma en cuenta
sistemáticamente el error de medición
Los puntajes factoriales pueden ser
guardados y usados en futuros análisis
para inferencia o modelaje (o
alternativamente incorporado
directamente en modelos de ecuaciones
estructurales)
Contribuyen a la validación sistemática
de escalas subjetivas
Debilidades
El puntaje factorial final es de difícil
interpretación
La agregación y pesos puede variar
cada vez que una nueva data es
considerada, dificultando la
comparación temporal o entre
diferentes contextos.
No hay una solución única de
agregación (depende del la elección
del método de extracción y de
rotación)
La validez de los constructos
identificados depende de la
relevancia teórica de los indicadores
elegidos
Dificultad para trabajar con escalas
ordinales.