Has ajustado el modelo, lavaan (o Mplus, o AMOS) te ha devuelto media pantalla de índices, las cargas convergen... y entonces te bloqueas ante el folio en blanco. ¿Qué índices de ajuste se reportan exactamente? ¿Va el chi-cuadrado aunque salga significativo? ¿Cargas estandarizadas o sin estandarizar? Esta guía responde esas preguntas con una plantilla de párrafo y una tabla que puedes adaptar directamente a tu manuscrito.
Da igual el software: el análisis factorial confirmatorio (AFC) se reporta igual en APA 7 lo hayas corrido en R con lavaan, en Mplus, en JASP o en AMOS. La salida tiene otro aspecto en cada programa, pero lo que la sección de resultados necesita es idéntico: especificación del modelo, estimador y su justificación, índices de ajuste global, cargas estandarizadas y, si reespecificaste, qué cambiaste y por qué.
Qué exige APA 7 en un reporte de AFC
La 7.ª edición del manual de la APA no dedica un apartado al AFC, pero las normas de publicación en revistas de psicología y psicometría han consolidado un estándar claro. Un reporte completo incluye, en este orden: (1) el modelo que pones a prueba y su justificación teórica; (2) el estimador empleado — ML, MLR o WLSMV — y por qué es el adecuado para tus datos; (3) los índices de ajuste global con sus puntos de corte; (4) la tabla de cargas factoriales estandarizadas con su significación; y (5) cualquier reespecificación del modelo, declarada de forma transparente. Omitir cualquiera de estos elementos es la vía rápida a un "major revision".
El error de base más frecuente es el estimador. Si tus ítems son tipo Likert de pocas categorías (cuatro o cinco puntos), tratarlos como continuos con máxima verosimilitud (ML) clásica ya no se acepta en muchas revistas Q1: lo correcto es un estimador para variables ordinales, WLSMV (mínimos cuadrados ponderados con media y varianza ajustadas). Si los datos son continuos pero no normales, se usa ML robusto (MLR), que devuelve el chi-cuadrado escalado de Satorra-Bentler. Indica el estimador y la razón, aunque sea en una frase.
Qué índices de ajuste reportar y con qué puntos de corte
No reportes los quince índices que escupe el programa: elige bien y sé consistente. El estándar de facto, basado en Hu y Bentler (1999), es reportar un índice incremental (CFI o TLI), un índice de error de aproximación (RMSEA con su intervalo de confianza del 90 %) y un índice residual (SRMR). El chi-cuadrado se reporta siempre, pero no decide por sí solo: con muestras grandes casi siempre sale significativo aunque el modelo sea bueno, así que no rechaces el modelo solo porque p < .05.
Una advertencia que conviene interiorizar: estos valores son orientativos, no umbrales sagrados. Marsh, Hau y Wen (2004) demostraron que aplicar los cortes de Hu y Bentler como reglas mecánicas penaliza modelos correctos en ciertas condiciones. Reporta el conjunto de índices, interprétalos en bloque y, si alguno queda en zona gris, discútelo en lugar de esconderlo.
Párrafo de resultados: plantilla con valores reales
El siguiente párrafo muestra el formato estándar para un modelo de dos factores correlacionados. Los símbolos estadísticos van en cursiva y los valores entre corchetes son los que sustituyes por los tuyos:
«Se realizó un análisis factorial confirmatorio para contrastar la estructura de [N] factores de la [escala] mediante estimación [de máxima verosimilitud robusta (MLR) / de mínimos cuadrados ponderados con media y varianza ajustadas (WLSMV)] en [lavaan (R) / Mplus], adecuada para el carácter [no normal / ordinal] de los ítems. El modelo hipotetizado mostró un ajuste [bueno / aceptable] a los datos, χ²([gl]) = [valor], p [< .001 / = .xxx], χ²/gl = [x,xx], CFI = [.xxx], TLI = [.xxx], RMSEA = [.xxx], IC 90 % [.xxx, .xxx], SRMR = [.xxx]. Todas las cargas factoriales estandarizadas fueron estadísticamente significativas (p < .001) y oscilaron entre [.xx] y [.xx], superando el umbral de [.40 / .50]. La correlación entre los factores [Nombre F1] y [Nombre F2] fue [r = .xx]. [Si reespecificaste: A partir de los índices de modificación y con justificación teórica, se permitió correlacionar los errores de los ítems [x] e [y], ambos redactados en [forma negativa / términos somáticos], lo que mejoró el ajuste sin alterar la estructura factorial.]»
Detalles de estilo que los revisores comprueban: los símbolos (p, χ², r, β) van en cursiva; las siglas (CFI, RMSEA, WLSMV) y las etiquetas de los factores, no. Los coeficientes acotados entre −1 y 1 (cargas, CFI, RMSEA, correlaciones) se escriben sin cero inicial: .957, no 0.957.
La tabla de cargas estandarizadas en formato APA 7
Aquí el error número uno es reportar las cargas sin estandarizar (la métrica original de los ítems) en lugar de la solución completamente estandarizada — std.all en lavaan, STDYX en Mplus —, que es la interpretable y comparable. La tabla debe llevar la carga estandarizada, su error estándar o su significación, y conviene añadir el R² de cada ítem (proporción de varianza explicada por el factor).
¿Necesitas que tu AFC pase la revisión a la primera?
Soy doctor en psicología y ejecuto la psicometría completa de tu cuestionario: AFE, AFC, fiabilidad e invarianza de medida. Modelo en lavaan/Mplus, tablas y texto APA 7 listos para pegar. Presupuesto cerrado en 24 h.
Pídeme un diagnóstico gratis →Los cinco errores más frecuentes que devuelven los revisores
Después de revisar decenas de manuscritos con AFC, estos son los problemas que aparecen una y otra vez:
1. Decidir el ajuste solo con el chi-cuadrado. O bien rechazan un modelo bueno porque χ² salió significativo (algo esperable con N grande), o bien declaran ajuste excelente sin reportar RMSEA ni SRMR. Reporta siempre el bloque de índices y razónalo en conjunto.
2. Reportar cargas sin estandarizar. Las cargas en la métrica original no son interpretables ni comparables entre ítems. La tabla debe llevar la solución completamente estandarizada (std.all / STDYX). Es el error que más rápido delata que el autor copió la salida sin entenderla.
3. Omitir el intervalo de confianza del RMSEA. El RMSEA puntual dice poco sin su IC 90 %. Un RMSEA de .06 con intervalo [.02, .10] indica una incertidumbre enorme que cambia la conclusión. APA 7 valora explícitamente los intervalos de confianza, y aquí son obligados.
4. Reespecificar el modelo a ciegas con los índices de modificación. Liberar correlaciones entre errores solo porque el índice de modificación es alto, sin justificación teórica, es data dredging. Si correlacionas errores, explica por qué tiene sentido (ítems con redacción casi idéntica, formulación inversa, contenido somático solapado) y declara que el modelo final es parcialmente exploratorio.
5. Ignorar los casos Heywood. Una carga estandarizada por encima de 1, una varianza de error negativa o una correlación entre factores mayor que 1 son señales de que el modelo está mal especificado o la muestra es insuficiente. No los maquilles: diagnostícalos y coméntalos. Un revisor con oficio los detecta en la primera tabla.
¿Ya hiciste el AFE? Cuándo toca el AFC
El AFC no sustituye al exploratorio: lo confirma. Si estás desarrollando un instrumento nuevo o explorando su estructura en una población distinta, primero va el análisis factorial exploratorio; el AFC entra cuando ya tienes una estructura hipotetizada — de un AFE previo o de la teoría — y quieres ponerla a prueba. Muchas revistas Q1 esperan ambos: AFE en una submuestra de calibración y AFC en una submuestra de validación cruzada (típicamente con N > 400 para partir la muestra). Si dudas entre AFC y análisis de componentes principales, la diferencia no es cosmética: lo aclaro en AFC frente a ACP.
Checklist antes de enviar el manuscrito
Antes de pulsar «enviar» a la revista, verifica que tu sección de resultados incluye: el modelo contrastado y su justificación; el estimador (ML, MLR o WLSMV) con su motivo; χ² con grados de libertad y valor de p; el bloque CFI/TLI, RMSEA con IC 90 % y SRMR; la tabla de cargas estandarizadas con significación y, preferiblemente, R²; las correlaciones entre factores y la fiabilidad compuesta (omega); y, si reespecificaste, qué cambiaste y con qué justificación teórica.
Si tu instrumento se administra a más de un grupo (sexo, país, momento temporal) y quieres comparar medias o estructuras entre ellos, el siguiente paso es la invarianza de medida: sin ella, comparar puntuaciones entre grupos no es defendible. Y si estás preparando la validación completa de un cuestionario — del AFE al AFC pasando por fiabilidad e invarianza —, en mi consultoría estadística te acompaño en todo el proceso. Los detalles, en el servicio de validación de cuestionarios.