Análisis Factorial Exploratorio (AFE): Guía Completa con Ejemplos

El análisis factorial exploratorio (AFE) es una de las técnicas multivariantes más utilizadas en la investigación psicológica, y con razón. Cuando un investigador desarrolla un cuestionario nuevo o adapta uno existente a otra población, necesita, tras haber evaluado la validez de contenido de los ítems con herramientas como la calculadora de V de Aiken, una herramienta que le permita descubrir la estructura subyacente de las respuestas, es decir, identificar cuántas dimensiones o factores laten detrás de un conjunto de ítems. El AFE cumple exactamente esa función: analiza las correlaciones entre variables observadas para identificar agrupaciones que sugieran la existencia de constructos latentes no medidos directamente.

Sin embargo, la aparente sencillez de realizar un AFE en cualquier programa estadístico oculta una serie de decisiones metodológicas que pueden influir drásticamente en los resultados. La elección del método de extracción, el criterio para determinar el número de factores, el tipo de rotación y la interpretación de las cargas factoriales son pasos donde las decisiones inadecuadas pueden llevar a soluciones factoriales artificiales o difíciles de replicar. Comprender la lógica detrás de cada una de estas decisiones es lo que separa un AFE riguroso de un ejercicio mecánico de clics en un menú de software.

Antes de empezar: requisitos previos

Antes de lanzar un AFE hay que verificar que los datos cumplen ciertas condiciones. La primera es el tamaño muestral. Aunque la regla clásica de "al menos 10 participantes por ítem" sigue citándose con frecuencia, la investigación metodológica reciente ha demostrado que lo relevante no es la ratio sujetos-ítems sino las comunalidades de los ítems y la claridad de la estructura factorial. Con comunalidades altas (superiores a .60) y factores bien definidos (al menos 3-4 ítems con cargas altas por factor), muestras de 100-150 participantes pueden ser suficientes. Con comunalidades bajas y una estructura difusa, ni siquiera 500 participantes garantizan una solución estable. En la práctica, la recomendación de aspirar a un mínimo de 200-300 participantes sigue siendo sensata como punto de partida.

La adecuación de la matriz de correlaciones se evalúa mediante dos pruebas clásicas: el test de esfericidad de Bartlett y la medida de adecuación muestral de Kaiser-Meyer-Olkin (KMO). El test de Bartlett contrasta la hipótesis nula de que la matriz de correlaciones es una matriz identidad, es decir, que las variables no están correlacionadas entre sí. Si no se rechaza esta hipótesis, el AFE carece de sentido porque no hay correlaciones que explicar. El KMO, por su parte, evalúa en qué medida las correlaciones parciales entre variables son pequeñas, lo cual indica que las correlaciones observadas se deben a factores comunes. Valores de KMO superiores a .80 se consideran buenos, y por debajo de .60 sugieren que el AFE puede no ser apropiado para esos datos.

Otro aspecto que conviene evaluar es la naturaleza de las variables. Si los ítems tienen formato de respuesta ordinal con pocas categorías (escalas Likert de 4 o 5 puntos, por ejemplo), utilizar la matriz de correlaciones de Pearson puede infraestimar las asociaciones reales entre ítems. En estos casos es preferible trabajar con la matriz de correlaciones policóricas, que estima las correlaciones como si las variables subyacentes fueran continuas. Programas como R (con el paquete psych) o FACTOR permiten esta opción, mientras que SPSS solo trabaja con correlaciones de Pearson de forma nativa.

Decisiones clave: extracción y número de factores

El método de extracción determina cómo se estiman los factores a partir de la matriz de correlaciones. Los dos métodos más recomendados en la literatura actual son el de ejes principales (principal axis factoring) y el de mínimos cuadrados ordinarios o ponderados. El análisis de componentes principales (ACP), aunque frecuentemente confundido con el AFE, no es técnicamente un método de análisis factorial porque no distingue entre varianza común y varianza específica. El ACP busca componentes que maximicen la varianza total explicada, mientras que el AFE busca factores que expliquen la varianza compartida entre las variables. Esta diferencia, aparentemente técnica, tiene consecuencias prácticas: el ACP tiende a sobreestimar las cargas factoriales, especialmente cuando las comunalidades son bajas.

Determinar cuántos factores retener es probablemente la decisión más crítica de todo el proceso, y lamentablemente es donde más errores se cometen. El criterio de Kaiser (retener factores con autovalores mayores que 1) sigue siendo el más utilizado por defecto en la mayoría de programas estadísticos, pero la investigación metodológica ha demostrado repetidamente que tiende a sobreestimar el número de factores, especialmente con muchas variables. El gráfico de sedimentación (scree plot) es una alternativa visual que busca el "codo" donde la curva de autovalores se aplana, pero su interpretación es subjetiva y puede variar entre analistas.

Los métodos más recomendados actualmente son el análisis paralelo de Horn y el método MAP (Minimum Average Partial) de Velicer. El análisis paralelo compara los autovalores obtenidos en los datos reales con los autovalores esperados en matrices de datos aleatorios del mismo tamaño. Solo se retienen los factores cuyos autovalores reales superan a los aleatorios. Este método ha demostrado consistentemente una mayor precisión que el criterio de Kaiser en estudios de simulación. El método MAP, por su parte, busca el número de componentes que minimiza la correlación parcial promedio entre las variables después de extraer los factores. Lo ideal es triangular varios métodos y buscar convergencia, en lugar de confiar ciegamente en uno solo.

Rotación e interpretación

Una vez extraídos los factores, la rotación facilita su interpretación al redistribuir la varianza explicada entre ellos. La decisión principal aquí es si permitir que los factores estén correlacionados entre sí (rotación oblicua) o forzar su independencia (rotación ortogonal). En psicología, donde los constructos medidos suelen estar relacionados entre sí (ansiedad y depresión, por ejemplo, o las diferentes dimensiones de la personalidad), la rotación oblicua es generalmente más apropiada. Las rotaciones oblicuas más utilizadas son Promax y Oblimin directo, mientras que Varimax es la rotación ortogonal más común.

Una estrategia pragmática que muchos metodólogos recomiendan es comenzar siempre con una rotación oblicua. Si las correlaciones entre factores resultan ser despreciables (inferiores a .15 o .20 en valor absoluto), la solución oblicua convergerá con la ortogonal y se puede reportar esta última por simplicidad. Pero si hay correlaciones sustanciales entre factores, forzar una rotación ortogonal distorsionaría la solución y ocultaría relaciones reales entre las dimensiones medidas.

La interpretación de la solución rotada se basa en las cargas factoriales, que indican la fuerza de la relación entre cada ítem y cada factor. Convencionalmente, se consideran significativas las cargas superiores a .30 o .40, aunque el umbral exacto depende del tamaño muestral y del contexto. Los ítems con cargas altas en un solo factor y bajas en los demás son los más fáciles de interpretar. Los ítems con cargas cruzadas (cargas sustanciales en más de un factor) pueden indicar que el ítem es ambiguo o que mide aspectos de varios constructos simultáneamente. La decisión de eliminar estos ítems o mantenerlos depende de consideraciones teóricas y prácticas que van más allá de la estadística.

Reportar los resultados correctamente

Un informe completo de AFE debe incluir varios elementos. Primero, la justificación de las decisiones tomadas: por qué se eligió ese método de extracción, qué criterios se usaron para determinar el número de factores (y los resultados de cada criterio), y qué tipo de rotación se aplicó y por qué. Segundo, los indicadores de adecuación muestral (KMO y Bartlett). Tercero, la varianza total explicada por la solución factorial. Cuarto, la tabla de cargas factoriales rotadas, indicando claramente qué ítems cargan en cada factor. Y quinto, las comunalidades de cada ítem, que informan sobre qué proporción de su varianza es explicada por los factores extraídos.

Un aspecto que a menudo se descuida es la necesidad de replicación. Un AFE realizado en una sola muestra puede producir una solución específica de esos datos que no se sostenga en muestras independientes. La práctica recomendada es dividir la muestra en dos mitades (si el tamaño lo permite), realizar el AFE en una mitad y verificar la estructura mediante un análisis factorial confirmatorio en la otra. Cuando esto no es posible por limitaciones muestrales, al menos conviene ser transparente sobre la naturaleza exploratoria de los resultados y la necesidad de confirmación posterior. El AFE es una herramienta para generar hipótesis sobre la estructura de un instrumento, no para confirmarlas. Esta distinción, fundamental pero frecuentemente ignorada, marca la diferencia entre un uso adecuado y un uso abusivo de la técnica.

Cómo reportar los resultados del AFE en formato APA 7

Los revisores en psicología y ciencias de la salud esperan que los resultados de un análisis factorial exploratorio sigan las convenciones de la 7.ª edición de APA, y una sección de resultados que omita los elementos esperados es uno de los motivos más frecuentes de una solicitud de revisión. Un informe completo en formato APA indica, en este orden: el método de extracción y la rotación utilizados; la medida de Kaiser-Meyer-Olkin (KMO) y la prueba de esfericidad de Bartlett; los criterios usados para decidir el número de factores y qué indicó cada uno; la varianza total explicada; y una tabla de cargas factoriales. Los símbolos estadísticos como χ², p, r y h² se escriben en cursiva; KMO y las etiquetas de los factores, no. Para el detalle específico del reporte del AFE (con la tabla de cargas y un ejemplo completo redactado), sigue la guía de cómo reportar un AFE en APA 7.

Un párrafo de resultados con estas convenciones se lee, para una solución de dos factores, así: «Los ocho ítems se sometieron a un análisis factorial exploratorio mediante factorización de ejes principales con rotación Promax (oblicua). La medida de Kaiser-Meyer-Olkin indicó una adecuación muestral apropiada, KMO = .89, y la prueba de esfericidad de Bartlett, χ²(28) = 1.742,6, p < .001, confirmó que las correlaciones eran suficientemente altas para el análisis factorial. El análisis paralelo y la prueba MAP de Velicer convergieron en dos factores, que en conjunto explicaron el 58,4% de la varianza. El ítem i4 presentó carga cruzada en ambos factores (.48 y .42) y se marcó para revisión. Los factores, denominados Ansiedad y Depresión, mostraron una correlación moderada, r = .42».

La matriz de cargas se presenta como tabla: el número de tabla (p. ej., Tabla 1) aparece sobre un título en cursiva y mayúsculas iniciales, como Matriz de configuración de los ocho ítems tras rotación Promax; los ítems ocupan la columna izquierda y los factores forman el resto de columnas. Una nota general bajo la tabla recoge los métodos de extracción y rotación y el umbral por debajo del cual se suprimieron las cargas (habitualmente .30). Resaltar en negrita la carga dominante de cada ítem y añadir una última columna con las comunalidades (h²) facilita mucho la lectura. Tras reportar la estructura, conviene incluir la fiabilidad de cada factor; nuestra calculadora de alfa de Cronbach permite obtener el coeficiente con su intervalo de confianza. Si quieres una plantilla trabajada, nuestra guía sobre cómo reportar resultados en APA 7 detalla tablas y estadísticos paso a paso, y el servicio de validación de cuestionarios cubre todo el recorrido del AFE al AFC.