La confusión entre el Análisis Factorial Confirmatorio (AFC o CFA) y el Análisis de Componentes Principales (PCA o ACP) es uno de los malentendidos más persistentes en la metodología psicológica. A pesar de que llevan décadas coexistiendo en los manuales y de que sus diferencias son conceptualmente claras, siguen utilizándose de forma intercambiable en un porcentaje sorprendente de artículos publicados. Parte del problema es que SPSS agrupa ambos bajo el menú "Reducción de dimensiones", lo que contribuye a la idea de que son variantes de lo mismo. No lo son.
La diferencia fundamental es conceptual, no técnica. El PCA es un método de reducción de datos que busca encontrar combinaciones lineales de las variables observadas que capturen la máxima varianza posible. No asume un modelo subyacente: simplemente transforma tus variables en un conjunto más pequeño de componentes que retienen la mayor parte de la información original. El CFA, en cambio, parte de un modelo teórico explícito que especifica qué variables observadas deberían agruparse bajo qué factores latentes, y evalúa si los datos se ajustan a ese modelo. Mientras que el PCA te dice cómo se organizan tus datos, el CFA te dice si tus datos son compatibles con la estructura teórica que has propuesto.
Cuándo usar cada técnica
El PCA es apropiado en situaciones puramente exploratorias donde no tienes hipótesis previas sobre la estructura de tus datos y tu objetivo principal es reducir un gran número de variables a un conjunto manejable de componentes. Es útil, por ejemplo, cuando estás construyendo un cuestionario nuevo y quieres ver cómo se agrupan los ítems de forma empírica, sin imponer ninguna estructura predefinida. Sin embargo, incluso en este contexto exploratorio, muchos metodólogos prefieren el Análisis Factorial Exploratorio (AFE o EFA), que a diferencia del PCA sí asume un modelo de variables latentes y distingue entre varianza común y varianza específica.
La diferencia entre PCA y AFE puede parecer técnica, pero tiene consecuencias prácticas. El PCA incluye toda la varianza de cada variable (incluyendo la varianza de error) en la solución, lo que tiende a inflar las cargas factoriales y a producir soluciones que parecen más limpias de lo que realmente son. El AFE, al estimar las comunalidades y separar la varianza común de la varianza específica y de error, produce estimaciones más honestas de las relaciones entre las variables observadas y los factores latentes. Si tu objetivo es identificar constructos latentes (como dimensiones de personalidad o factores de un cuestionario), el AFE es conceptualmente más apropiado que el PCA.
El CFA, por su parte, se usa cuando ya tienes una teoría sobre la estructura factorial y quieres ponerla a prueba con datos nuevos. Es el paso natural después de un AFE: exploras la estructura con una primera muestra y la confirmas con una segunda. También es la herramienta fundamental para evaluar la validez de constructo de un cuestionario adaptado de otro idioma o cultura: si el cuestionario original tiene tres factores, el CFA te permite verificar si esa misma estructura se mantiene en tu muestra.
Errores comunes y consideraciones prácticas
El error más grave que se comete con el CFA es usarlo como herramienta exploratoria. Algunos investigadores especifican un modelo de CFA, obtienen un mal ajuste, y empiezan a modificar el modelo basándose en los índices de modificación hasta que el ajuste es aceptable. Esto es problemático porque los índices de modificación son sugerencias basadas en los datos, no en la teoría, y seguirlos sistemáticamente capitaliza el error muestral y produce modelos que no se replicarán en muestras nuevas. Si tu modelo de CFA no se ajusta a los datos, la respuesta no es modificarlo hasta que ajuste, sino reconsiderar tu teoría o realizar un AFE para explorar qué estructura sugieren realmente los datos.
En cuanto al ajuste del CFA, es importante evaluar múltiples índices y no depender de un solo criterio. El chi-cuadrado es el test formal de ajuste, pero es muy sensible al tamaño muestral y rechaza modelos razonables con muestras grandes. Los índices de ajuste más utilizados son el CFI (Comparative Fit Index, que debería estar por encima de 0.95 para buen ajuste), el RMSEA (Root Mean Square Error of Approximation, idealmente por debajo de 0.06) y el SRMR (Standardized Root Mean Square Residual, idealmente por debajo de 0.08). Estos puntos de corte, propuestos por Hu y Bentler (1999), son orientativos y no deberían aplicarse de forma mecánica, pero son una referencia útil.
Antes de enviarlo: haber corrido un ACP y llamarlo análisis factorial es de las cosas que un revisor metodológico detecta en la primera lectura, junto con los índices de ajuste reportados a medias. Si ya tienes el manuscrito escrito, pásalo por el Revisor Q1: es una pre-revisión gratuita estilo Reviewer 2 que te dice qué van a objetarte de tu estructura factorial mientras todavía puedes cambiarla.
Recomendaciones finales
Si estás construyendo un cuestionario o explorando la estructura de un conjunto de datos, usa AFE (preferiblemente con extracción de ejes principales o máxima verosimilitud, no PCA) y aplica una rotación apropiada (oblicua si esperas que los factores estén correlacionados, que es lo habitual en psicología). Si estás confirmando una estructura teórica o validando un instrumento existente, usa CFA con lavaan en R, Mplus, o el módulo AMOS de SPSS. Y en cualquier caso, reporta suficiente información para que el lector pueda evaluar la calidad de tu solución: cargas factoriales, varianza explicada, comunalidades, índices de ajuste (en CFA), y la justificación teórica de la estructura propuesta.