Análisis Factorial Confirmatorio (AFC): Guía Completa

Tienes la escala, tienes los datos y tienes una estructura teórica en la cabeza. Ahora un revisor, tu director o el tribunal quieren que demuestres que esa estructura se sostiene. Ahí entra el análisis factorial confirmatorio, y ahí es donde mucha gente se atasca: entre estimadores, índices de ajuste que se contradicen y modelos que no convergen. Esta guía te ordena todo el proceso, con los criterios exactos que espera quien va a revisar tu trabajo.

Qué es el análisis factorial confirmatorio

El análisis factorial confirmatorio (AFC, o CFA por sus siglas en inglés) es una técnica de la familia de los modelos de ecuaciones estructurales que pone a prueba una estructura de factores definida de antemano. En lugar de dejar que los datos sugieran cuántas dimensiones hay, tú especificas qué ítems miden qué factor y el modelo te dice si esa hipótesis encaja con los datos. Es decir, no exploras: confirmas o refutas una teoría de medida concreta.

Cada factor es una variable latente (algo que no se observa directamente, como la ansiedad o el burnout) que se manifiesta en varios ítems observados. El AFC estima en qué medida cada ítem carga sobre su factor, cuánto se correlacionan los factores entre sí y, sobre todo, si el modelo reproduce bien la matriz de covarianzas observada.

AFC frente a AFE: cuándo usar cada uno

La confusión más común es usar uno cuando toca el otro. La regla es sencilla y depende de si tienes o no una hipótesis previa sobre la estructura:

• Análisis factorial exploratorio (AFE): cuando no sabes cuántos factores hay ni qué ítems pertenecen a cada uno. Sirve para descubrir la estructura. Si estás en esta fase, empieza por la guía de análisis factorial exploratorio.
• Análisis factorial confirmatorio (AFC): cuando ya tienes una estructura hipotetizada (por teoría o por un AFE previo en otra muestra) y quieres ponerla a prueba.

El error de fondo suele ser conceptual: mucha gente confunde el AFC con el análisis de componentes principales (PCA), que no es un modelo de medida latente. Si tienes dudas, la diferencia está explicada en AFC frente a PCA. Un apunte crítico: hacer un AFE y un AFC sobre la misma muestra y presentarlo como validación cruzada es un error que un revisor con formación psicométrica detecta enseguida. Si vas a confirmar, hazlo en una muestra independiente.

El flujo de trabajo de un AFC

Todo AFC bien hecho recorre las mismas cinco etapas, en este orden:

1. Especificar el modelo: declarar qué ítems cargan sobre qué factor y qué factores se correlacionan.
2. Elegir el estimador: la decisión que más gente se salta y que más problemas causa (lo vemos abajo).
3. Estimar y comprobar convergencia: que el modelo converja y no dé estimaciones imposibles (varianzas negativas, las llamadas cargas de Heywood).
4. Evaluar el ajuste: con varios índices, no con uno solo.
5. Interpretar y reportar: cargas estandarizadas, fiabilidad de cada factor y ajuste global.

Los índices de ajuste que miran los revisores

Aquí es donde se juega la aceptación. La chi-cuadrado (χ²) casi siempre sale significativa con muestras grandes, así que nadie la usa sola para decidir. Se reportan varios índices y se valora el conjunto. Estos son los umbrales de referencia consolidados en psicología (Hu y Bentler, 1999):

Dos matices que marcan la diferencia entre un reporte de tesis y uno de nivel Q1: primero, estos umbrales son orientativos, no leyes; con modelos complejos o muestras pequeñas, el RMSEA se infla artificialmente y conviene interpretarlo con cautela. Segundo, reporta siempre el intervalo de confianza del RMSEA, no solo el valor puntual. Un revisor exigente lo pedirá.

Qué estimador usar (y por qué importa con ítems Likert)

Esta es la decisión técnica que más gente ignora y la que más rechazos causa en psicometría. El estimador por defecto en casi todos los programas es máxima verosimilitud (ML), que asume que tus variables son continuas y normales. Pero los ítems de una escala Likert de 4 o 5 puntos no son continuos: son ordinales. Usar ML con datos ordinales sesga las cargas y el ajuste.

• ML: válido si tus indicadores son verdaderamente continuos y aproximadamente normales.
• MLR (ML robusto): corrige por no normalidad; buena opción con escalas de 5 o más categorías razonablemente distribuidas.
• WLSMV: el estándar cuando tratas los ítems como ordinales (4 o menos categorías, o distribuciones asimétricas). Usa correlaciones policóricas. Es lo que espera ver un revisor de una revista de psicometría.

Justificar el estimador en una sola frase del método (por qué WLSMV en lugar de ML, por ejemplo) te ahorra una ronda de revisión entera.

Cuánta muestra necesitas

No hay un número mágico, pero sí referencias defendibles. La regla vieja de "10 casos por ítem" está desfasada; lo que importa es la calidad del modelo: cargas altas y factores bien definidos necesitan menos muestra. Como orientación práctica, por debajo de N = 150 el AFC se vuelve inestable salvo con cargas muy altas; entre 200 y 300 es un terreno cómodo para modelos sencillos; y para modelos complejos o estimación WLSMV conviene apuntar más alto. Si necesitas fijar el tamaño antes de recoger datos, mira cómo calcular el tamaño muestral.

Cómo hacerlo: R, SPSS AMOS y JASP

El AFC se puede hacer en varios programas; la lógica es idéntica, cambia la interfaz.

R con lavaan es la opción gratuita y más flexible. La especificación es transparente:

library(lavaan)

modelo <- '
  Ansiedad =~ i1 + i2 + i3 + i4
  Depresion =~ i5 + i6 + i7 + i8
'

ajuste <- cfa(modelo, data = datos, estimator = "WLSMV", ordered = TRUE)
summary(ajuste, fit.measures = TRUE, standardized = TRUE)

Tienes el tutorial completo, línea a línea, en AFC en R con lavaan paso a paso. SPSS AMOS es la vía gráfica: dibujas el modelo de medida y AMOS estima; cómoda si no programas, pero de pago y menos flexible con datos ordinales. JASP ofrece un módulo de SEM con interfaz de menús y sintaxis lavaan por debajo, ideal si quieres resultados rápidos sin escribir todo el código.

Los errores que hacen que te devuelvan el AFC

• Usar ML con ítems ordinales sin justificarlo.
• Reportar solo la χ² (que casi siempre sale significativa) o, al revés, ignorarla del todo.
• Interpretar un modelo que no ha convergido o que tiene varianzas negativas como si fuera válido.
• Correlacionar errores entre ítems para "mejorar el ajuste" sin justificación teórica (modificación post hoc que un revisor huele enseguida).
• Confundir el AFC con un PCA o hacer AFE y AFC en la misma muestra.
• No reportar la fiabilidad de cada factor. El AFC confirma la estructura; la fiabilidad (alfa u omega) es un paso aparte que también te van a pedir.

Cómo reportarlo en APA 7

Un reporte completo incluye, en este orden: el estimador y por qué; los índices de ajuste con el intervalo de confianza del RMSEA; la tabla de cargas factoriales estandarizadas; las correlaciones entre factores; y la fiabilidad de cada dimensión. La plantilla exacta de párrafo y tabla, lista para copiar, está en cómo reportar un AFC en APA 7.

El análisis factorial confirmatorio es, bien hecho, una de las pruebas más sólidas de que tu instrumento mide lo que dice medir. Mal hecho, es una de las secciones que más rondas de revisión genera. La diferencia casi nunca está en el software: está en el estimador, en interpretar el conjunto de índices y en reportar con honestidad lo que hiciste.