Resumen de la Clase
¿Te sientes perdido entre la gran cantidad de datos de tu investigación para la tesis, maestría o doctorado? ¿Necesitas publicar en revistas científicas pero no sabes cómo simplificar y analizar tus resultados? ¡Este video es para ti! En esta guía completa sobre Análisis Factorial, aprenderás paso a paso cómo esta poderosa técnica estadística multivariante puede transformar la forma en que interpretas tus datos. Desde la preparación de los datos hasta la interpretación de los factores, descubrirás cómo reducir la complejidad, identificar dimensiones latentes, y validar tus instrumentos de medición. Exploraremos el Análisis Factorial Exploratorio (AFE) y el Análisis Factorial Confirmatorio (AFC), los conceptos clave como autovalores, varianza explicada, y cargas factoriales, y los métodos para determinar el número de factores como el Criterio de Kaiser y el Gráfico de Sedimentación (Scree Plot). Además, te mostraremos un ejemplo práctico con una encuesta sobre la satisfacción de estudiantes, ilustrando cómo aplicar el Análisis Factorial utilizando software estadístico como SPSS, R, Stata, y Python (mencionados en el video). 📥 Accede a los materiales del video aquí: 📌Descarga nuestra guía gratuita sobre Análisis Factorial aquí: https://drive.google.com/drive/folders/1FWo39rd03Hxo7Jg9nvqXPVPRDXph7qh8?usp=drive_link 📢 📌 Recursos adicionales: 🔗 Explora más contenido educativo 👉 https://www.facebook.com/share/g/19nDcr1J4a/ 🎓 Únete a la comunidad y accede a contenido exclusivo 👉 Hazte miembro aquí https://youtube.com/@AsesoriaProfeLuisa?si=IQqFRv2oBl9PVNnP/join 📌 No olvides suscribirte para más contenido sobre metodología de investigación y análisis de datos. ¡Dale like y comparte con otros investigadores! ÍNDICE 00:00 Introducción 01:17 ¿Por qué es tan importante el Análisis Factorial? 02:23 ¿Qué es el Análisis Factorial? 03:17 Conceptos claves que debes conocer 04:32 Pasos para realizar el Análisis Factorial 06:08 Ejemplo Práctico de Análisis Factorial 21:38 Aplicaciones del Análisis Factorial 22:27 Preguntas Frecuentes (FAQ) 28:17 Guía Descargable de Análisis Factorial 📷 Créditos de imágenes y videos: Vídeo de cottonbro studio: https://www.pexels.com/es-es/video/una-mujer-que-usa-su-computadora-portatil-al-aire-libre-2795167/ Vídeo de Mikhail Nilov: https://www.pexels.com/es-es/video/empresario-hombre-persona-cafe-6931294/ Vídeo de Kindel Media: https://www.pexels.com/es-es/video/gente-oficina-trabajando-hombres-6774633/ Vídeo de RDNE Stock project: https://www.pexels.com/es-es/video/marketing-hombre-gente-escritorio-7414128/ Vídeo de Kampus Production: https://www.pexels.com/es-es/video/persona-oficina-trabajando-negocio-8632189/ Vídeo de cottonbro studio: https://www.pexels.com/es-es/video/hombre-oficina-trabajando-negocio-6803586/ Vídeo de Ivan Samkov: https://www.pexels.com/es-es/video/manos-gente-ordenador-portatil-oficina-7252680/ Vídeo de ArtHouse Studio: https://www.pexels.com/es-es/video/hombre-persona-oficina-escritura-8478943/ Vídeo de João Adão: https://www.pexels.com/es-es/video/ordenador-codificando-programando-2516162/ Vídeo de Kampus Production: https://www.pexels.com/es-es/video/empresario-oficina-trabajando-monitor-8348732/ Vídeo de Anna Nekrashevich: https://www.pexels.com/es-es/video/persona-mujer-oficina-trabajando-7550639/ Vídeo de Pressmaster: https://www.pexels.com/es-es/video/un-hombre-en-un-microscopio-estudiando-una-muestra-y-registrandola-en-una-computadora-3209177/ Vídeo de Pavel Danilyuk: https://www.pexels.com/es-es/video/libros-oficina-ordenador-interior-4170245/ Vídeo de RDNE Stock project: https://www.pexels.com/es-es/video/persona-sentado-mirando-sofa-7821650/ Vídeo de RDNE Stock project: https://www.pexels.com/es-es/video/escrito-a-mano-mano-escritorio-boligrafo-7822031/ Vídeo de cottonbro studio: https://www.pexels.com/es-es/video/trabajando-tecnologia-ordenador-pantalla-6804121/ #AnalisisFactorial #AnalisisDeDatos #Tesis #Estadistica #AsesoriaProfeLuisa
Transcripción de la Clase
### Marcas de Tiempo - `[00:00]` te sientes abrumado por la cantidad de datos en tu investigación te preguntas Cómo extraer información valiosa y simplificar tus resultados para esa publicación que tanto anhelas las necesito para mi tesis entonces este video es para ti en los próximos minutos te revelaremos El poder del Análisis factorial una herramienta clave que transformará la forma en que analizas tus datos y te acercará a tus metas no - `[00:24]` te lo pierdas Hola a todos y bienvenidos de nuevo al Canal soy Luisa y hoy vamos a sumergirnos en un tema fundamental para cualquier investigador que aspire a la Excelencia el análisis factorial sea exactamente por lo que estás pasando la dedicación el esfuerzo y las horas invertidas en tu investigación merecen ser comunicados de la manera más clara y - `[00:46]` efectiva posible Y créeme dominar el análisis factorial es un paso crucial para lograrlo ya sea que estés trabajando en tu tesis de licenciatura maestría doctorado o en ese artículo científico que marcará la entender Cómo reducir la complejidad de tus datos y encontrar patrones ocultos es esencial el análisis factorial te ofrece precisamente eso la llave para desbloquear insign valiosos y presentar - `[01:12]` tus hallazgos de forma impactante antes de entrar en los detalles técnicos hablemos de Por qué deberías invertir tu tiempo en aprender sobre el análisis factorial imagina esta situación tienes una encuesta con decenas de preguntas y una gran cantidad de variables de medida en tu experimento Cómo encuentras el hilo conductor cómo identificas las dimensiones subyacentes que realmente explican tus resultados - `[01:38]` aquí es donde el análisis factorial brilla te permite simplificar datos complejos o sea reducir un gran número de variables a un conjunto más pequeño de factores identificar dimensiones latentes es decir descubrir constructos o conceptos que no se pueden medir directamente pero que influyen en tus variables adas por ejemplo satisfacción del cliente motivación calidad de vida validar instrumentos de - `[02:07]` medición asegurarte de que tus cuestionarios o pruebas realmente miden lo que pretenden medir generar nuevas hipótesis explorar relaciones inesperadas entre variables bien Ahora vamos a la definición en esencia el análisis factorial es una técnica estadística multivariante que busca explicar las correlaciones entre un conjun de variables observadas en término de un número menor de variables no observadas O factores piénsalo como encontrar los - `[02:38]` ingredientes comunes que hacen que ciertas variables se muevan juntas existen principalmente dos tipos de análisis factorial el análisis factorial exploratorio que se utiliza cuando no tienes una idea Clara de Cuántos factores subyacen a tus datos o cuáles son esos factores es una técnica más descriptiva y generadora de hipótesis y el análisis factorial confirmatorio que se utiliza cuando - `[03:05]` tienes una teoría o un modelo previo sobre la estructura factorial de tus datos y quieres probar si tus datos se ajustan a ese modelo es una técnica más inferencial y de validación para entender el análisis factorial hay algunos conceptos claves que necesitas tener claros el primero variables son las características o atributos que has medido en tu investigación factores - `[03:30]` las variables latentes o constructos subyacentes que explican la variabilidad en tus variables observadas cargas factoriales o factor loadings indican la fuerza y la dirección de la relación entre una variable observada y un factor un valor alto sugiere que la variable está fuertemente relacionada con ese factor el autovalor o invalue mide la cantidad de varianza total explicada por - `[03:59]` cada Factor los factores con autovalores mayores a uno suelen considerarse significativos se puede pensar en un autovalor como la fuerza o la importancia de un factor para explicar la variabilidad en los datos la varianza explicada es el porcentaje de la varianza total de las variables observadas que es explicada por los factores No te preocupes si estos términos te suenan un poco técnicos al - `[04:26]` principio con la práctica y los ejemplos que veremos se volverán serán mucho más claros ahora veamos los pasos generales que seguirías para llevar a cabo un análisis factorial primer paso preparación de los datos asegurarte de que tus datos son adecuados para el análisis por ejemplo el tamaño de la muestra ausencia de valores atípicos extremos El segundo paso Selección del - `[04:50]` tipo de análisis factorial es decir decidir si necesitas un afe o un afc según tus objetivos y el estado de tu teoría tercer paso extracción de factores utilizar un método para determinar Cuántos factores subyacen a tus datos por ejemplo análisis del gráfico de sedimentación o criterio de Kaiser en el cuarto paso hacemos rotación de factores Este paso es opcional pero muy común - `[05:20]` significa simplificar la interpretación de los factores haciendo que las variables tengan cargas altas en un factor y bajas en los demás hay diferentes métodos de rotación como el ortogonal y el oblicuo El quinto paso interpretación de los factores asignar nombres significativos a los factores en función de las variables que tienen cargas altas en ellos El sexto paso evaluación del - `[05:48]` ajuste del modelo Este paso se utiliza especialmente en afc y indica determinar si el modelo factorial propuesto se ajusta bien a los datos cada uno de estos pasos tiene sus propias consideraciones y técnicas específicas pero esta es la hoja de ruta general que seguirás para que todo esto cobre vida veamos un ejemplo práctico imaginemos que has realizado una encuesta para - `[06:13]` medir la satisfacción de los estudiantes en un programa universitario tu encuesta tiene 10 preguntas que evalúan diferentes aspectos como la calidad de los profesores las instalaciones el apoyo administrativo etcétera veamos el escenario una está interesada en comprender los factores subyacentes que contribuyen a la satisfacción de sus estudiantes en un programa específico y se aplicó la encuesta de 10 preguntas a una muestra - `[06:40]` de estudiantes la encuesta está diseñada para potencialmente agruparse en tres factores que mencionamos calidad académica recursos e infraestructura y apoyo estudiantil en las instrucciones de la encuesta se debe indicar por favor indica tu nivel de acuerdo con las siguientes afirmaciones utilizando la siguiente escala desde uno totalmente en desacuerdo hasta cinco Totalmente de acuerdo en la pantalla vemos las - `[07:08]` preguntas que aplicaremos y en la descripción del video te dejo un enlace donde está diseñada la encuesta y puedes descargarla vamos a aplicar el primer paso preparación de los datos cálculo del tamaño de la muestra para este ejemplo vamos a calcular un tamaño de muestra basado en la recomendación de tener al menos 10 10 observaciones por variable con 10 preguntas que son las - `[07:32]` variables un tamaño de muestra mínimo sería de 100 estudiantes sin embargo para obtener resultados más robustos decidimos encuestar a 250 estudiantes del programa en la recolección de datos se administró la encuesta a los 250 estudiantes quienes respondieron a cada una de las 10 preguntas utilizando la escala de uno totalmente desacuerdo a cinco Totalmente de acuerdo a continuación se muestra un ejemplo - `[07:58]` parcial de cómo podrían lucir los datos recopilados en una hoja de cálculo o en un software estadístico cada fila representa la respuesta de un estudiante a las 10 preguntas que son de las p1 a p10 en la verificación de los datos se revisaron los datos para identificar posibles errores de entradas valores perdidos que podrían requerir imputación o exclusión dependiendo de su cantidad y - `[08:22]` patrón y valores atípicos extremos que podrían influir en los resultados del análisis asum Dios que en este ejemplo los datos están limpios vamos al segundo paso Selección del tipo de análisis factorial dado que el objetivo es explorar las dimensiones subyacentes de la satisfacción de los estudiantes en este programa específico y no tenemos una teoría predefinida y sólida sobre - `[08:47]` Cuántos factores esperar o qué preguntas cargarán en cada factor seleccionaremos el análisis factorial exploratorio las siglas ae vamos al tercer paso extracción de factores se utiliza un software estadístico por ejemplo spss se elige el método de extracción componentes principales en otro de nuestros videos hemos explicado este método con más detalle Aunque otros métodos como máxima verosimilitud son - `[09:14]` comunes componentes principales es un buen Punto de partida para la exploración inicial hacemos la determinación del número de factores se examinan los autovalores obtenidos en la salida del Software aquí en pantalla estamos mostrando Cuál es el resultado y se aplican las siguientes técnicas el criterio de Kaiser que es una de las reglas prácticas más simples y comúnmente utilizadas en el análisis - `[09:38]` factorial exploratorio para decidir Cuántos factores subyacentes deben retenerse para representar adecuadamente los datos en esencia el criterio de Kaiser Establece que solo deben retenerse aquellos factores que tengan un autovalor mayor que 1.0 los factores con autovalores menores a un se consideran que no se explica una cantidad sufici de varianza en los datos y por lo tanto no deberían ser incluidos - `[10:03]` en la solución factorial final la aplicación del criterio de Kaiser es bastante directa y se basa en la salida del Análisis factorial que proporciona el software estadístico primero se realiza el análisis factorial exploratorio utilizando un software estadístico como sps r stata python para realizar el afe en tus datos después se examina la tabla de autovalores el software generará una tabla que incluye - `[10:30]` los autovalores asociados a cada factor extraído como la que vemos en pantalla los factores se listan típicamente en orden descendente de sus autovalores luego se identifican los autovalores mayores que uno se revisa la la columna de autovalor en la tabla y se cuentan Cuántos factores tienen un autovalor superior a uno por último se retiene ese número de factores el número de factores - `[10:55]` que contaste en El Paso anterior es la cantidad de factores que el criterio de Kaiser sugiere retener para la interpretación En nuestro ejemplo observamos que los factores 1 2 y 3 tienen autovalores mayores a uno que son 4.25 1.80 y 1.15 respectivamente el factor 4 tiene un autovalor de 0.80 que es menor que uno al igual que todos los - `[11:17]` factores siguientes por lo tanto según el criterio de Kaiser se retendrán tres factores a continuación se aplica la próxima técnica el gráfico de sedimentación bien conocido como scrip plot es una representación gráfica de los autovalores asociados a cada factor extraído en un análisis factorial exploratorio Es una herramienta visual muy útil para complementar el criterio de Kaiser y ayudarte a decidir Cuántos - `[11:44]` factores subyacentes son significativos y deben ser retenidos la mayoría de los programas estadísticos sps r datata python generan automáticamente el gráfico de sedimentación como parte de la salida del análisis factorial exploratorio Generalmente encontrarás una opción para solicitar este gráfico al configurar el análisis la clave para interpretar el gráfico de sedimentación es Buscar un punto en la Gráfica donde - `[12:09]` la pendiente de la línea cambia bruscamente formando una especie de codo este codo indica el punto donde la disminución de los autovalores se vuelve mucho más gradual factores a la izquierda del codo los factores que se encuentran a la izquierda del codo incluido el factor en el punto del codo suelen considerarse los factores importantes o significativos Estos factores explican - `[12:34]` una porción sustancial de la varianza en los datos factores a la derecha del codo los factores que se encuentran a la derecha del codo tienen autovalores mucho más pequeños y la disminución entre ellos es relativamente suave Estos factores se consideran que explican una cantidad muy pequeña de varianza adicional y a menudo se interpretan Como ruido o varianza específica de las - `[12:57]` variables individuales en nuestro ejemplo se identifica un codo después del Tercer factor esto significa que los tres primeros puntos correspondientes a los factores 1 2 y TR estarían en la parte de la Gráfica con una pendiente pronunciada y a partir del cuarto punto factor cuatro la línea se volvería mucho más plana esto sugiere que los tres primeros factores son los más - `[13:20]` importantes y que los factores posteriores contribuyen muy poco a la explicación de la varianza por lo tanto el gráfico de sedimentación también apoya la decisión de retener tres factores por último aplicaremos la varianza explicada acumulada para medir la representatividad de los factores para entender la varianza explicada acumulada primero debemos comprender Qué es la varianza en el análisis de datos Y - `[13:46]` cómo se relaciona con el análisis factorial en términos generales la varianza mide la dispersión o la variabilidad de un conjunto de datos en el contexto del Análisis factorial cada variable original en tu conjunto de datos tiene una cierta cantidad de varianza el objetivo del AF es encontrar un número menor de factores que puedan explicar la mayor parte de esta varianza - `[14:09]` original cada factor que se extrae en el AF explica una cierta proporción de la varianza total de las variables originales esta proporción se indica como el porciento de varianza para cada factor en la tabla de autovalores un factor con un porcentaje de varianza más alto es más importante por que representa una mayor parte de la variabilidad presente en los datos - `[14:33]` originales en nuestro ejemplo el factor uno Explica el 42,5 por de la varianza total el factor 2 Explica el 18 por y el factor 3 Explica el 11,5 por. esto significa que el factor uno por sí solo captura una parte considerable de la información contenida en las 10 preguntas originales la varianza explicada acumulada se calcula suma sumando los porcentajes de varianza - `[15:00]` explicada por cada factor en orden secuencial nos indica el porcentaje total de la varianza original que es explicado por un número determinado de factores en nuestra tabla de ejemplo el primer factor Explica el 42,5 de la varianza acumulada los dos primeros factores explican el 42,5 más el 18 por que es igual a un 60,5 de la varianza - `[15:26]` acumulada los tres primeros factores explican el 42,5 + el 18 + El 11,5 que es igual al 72 por de la varianza acumulada el objetivo de reducir la dimensionalidad con el afe es simplificar los datos sin perder Demasiada información la varianza explicada acumulada nos ayuda a evaluar Cuánta información o sea varianza se retiene al considerar un número - `[15:54]` específico de factores cuanto mayor sea el porcentaje de varianza explicada formulada por un conjunto de factores mejor representarán esos factores los datos originales la pregunta de Qué constituye un porcentaje razonable de varianza explicada acumulada no tiene una respuesta única y universal depende mucho del campo de estudio la complejidad de los constructos que se están midiendo y la naturaleza de los - `[16:20]` datos sin embargo Existen algunas pautas generales especialmente en las Ciencias Sociales primero umbral común un umbral que a menudo se considera aceptable es que los factores retenidos expliquen al menos del 50% al 60 de la varianza total porcentaje deseable un porcentaje superior al 70 se considera muy bueno y sugiere que los factores retenidos representan una porción sustancial de la - `[16:50]` información original contexto específico en algunas áreas de investigación exploratoria o cuando se estudian constructos muy complejos un porcentaje ligeramente menor por ejemplo alrededor del 40 al 50% podría considerarse aceptable si los factores resultantes son teóricamente significativos e interpretables en nuestro ejemplo el hecho de que los tres primeros factores explican el 72 por de la varianza total se considera un porcentaje razonable y - `[17:21]` bastante bueno en muchas áreas de las ciencias sociales esto sugiere que estos tres factores capturan una porción importante de la variabilidad en las respuestas de los estudiantes a las 10 preguntas de la encuesta factores que influyen en el porcentaje de la varianza explicada el número de variables con un mayor número de variables a menudo se necesita un mayor número de factores - `[17:45]` para explicar un porcentaje similar de varianza la fuerza de las relaciones entre variables si las variables están fuertemente correlacionadas es más probable que un número menor de factores explique una mayor proporción de la varianza naturaleza del constructo algunos constructos son inherentemente más complejos y multifacéticos lo que puede requerir más factores para representarlos adecuadamente basándonos en estos criterios decidimos retener tres - `[18:14]` factores para el análisis el factor uno calidad académica son las preguntas relacionadas con la calidad de los profesores y el plan de estudios factor dos recursos e infraestructura son las preguntas sobre las instalaciones la biblioteca y los recursos tecnológicos y factor tres apoyo estudiantil son las preguntas sobre la atención administrativa y la orientación vamos al cuarto paso - `[18:42]` rotación de factores para facilitar la interpretación aplicamos una rotación barimax ortogonal asumiendo que los factores subyacentes a la satisfacción de los estudiantes podrían no estar fuertemente correlacionados el software estadístico genera una matriz de car factorial rotado y aquí vemos en pantalla el resultado los valores en negrita indican las cargas factoriales más altas para cada pregunta sugiriendo A qué factor - `[19:11]` pertenece principalmente cada variable en el quinto paso interpretación de los factores basándonos en las preguntas que tienen cargas factoriales altas en cada factor podemos asignarles nombres significativos factor uno calidad académica las preguntas con cargas altas en este factor son p1 calidad de la enseñanza p2 relevancia del plan de estudios p6 oportunidades de interacción p7 Claridad en la evaluación y p10 - `[19:41]` satisfacción general este factor parece representar las percepciones de los estudiantes sobre la calidad de la enseñanza y el contenido académico del programa el factor dos recursos e infraestructura las preguntas con cargas altas en este factor son p3 disponibilidad de recursos de aprendizaje p4 calidad de las instalaciones y p8 acceso a tecnologías este factor representa la satisfacción con los recursos físicos y tecnológicos - `[20:08]` disponibles para los estudiantes factor tres apoyo estudiantil las preguntas con cargas altas en este factor son p5 apoyo administrativo y p9 orientación y apoyo académico este factor refleja la satisfacción con el apoyo que reciben los estudiantes fuera del aula vamos al paso número seis evaluación del ajuste del modelo en el afe la evaluación del ajuste es menos formal que en el afc nos - `[20:35]` enfocamos en la interpretabilidad de los factores y la cantidad de varianza explicada en este ejemplo los tres factores identificados tienen una interpretación lógica y coherente con las preguntas de la encuesta los tres factores explican el 72 por de la varianza total en las respuestas de los estudiantes lo que sugiere que el modelo factorial es razonablemente bueno para - `[20:58]` representar los datos la conclusión del ejemplo a través del Análisis factorial exploratorio hemos podido reducir las 10 preguntas de la encuesta a tres factores subyacentes que explican la mayor parte de la variabilidad en la satisfacción de los estudiantes calidad académica recursos e infraestructura y apoyo estudiantil esta información puede ser muy útil para la universidad para identificar áreas de - `[21:23]` fortaleza y áreas que podrían necesitar mejoras en el programa Este ejemplo concreto ilustra Cómo se aplican los pasos del Análisis factorial en un escenario real Recuerda que los resultados pueden variar dependiendo de los datos recopilados lo fascinante del Análisis vectorial es su versatilidad se aplica en una amplia gama de disciplinas psicología para identificar dimensiones de la personalidad la inteligencia o las - `[21:49]` actitudes marketing para entender las preferencias de los consumidores y segmentar mercados Educación para evaluar la validez de pruebas cuestionarios y para identificar factores que influyen en el rendimiento académico ciencias de la salud para identificar factores de riesgo de enfermedades o para evaluar la calidad de vida negocios para analizar la satisfacción de los empleados o para identificar factores claves de éxito - `[22:18]` empresarial no importa cuál es tu campo de estudio es muy probable que el análisis factorial pueda ser una herramienta valiosa para tu investigación antes de terminar respondamos algunas preguntas frecuentes que suelen surgir sobre el análisis factorial primera pregunta qué software estadístico puedo utilizar excelente pregunta afortunadamente existen varias opciones de software potentes para realizar análisis factorial algunos de los más - `[22:45]` populares son spss que es una opción muy intuitiva y ampliamente utilizada especialmente en ciencias sociales ofrece menú desplegables fáciles de usar para realizar el análisis factorial exploratorio y confirmat es ideal para quienes están iniciando o prefieren una interfaz gráfica r es un lenguaje de programación y un entorno de software libre muy potente y flexible requiere un poco más de curva de - `[23:11]` aprendizaje pero ofrece una gran cantidad de paquetes y funciones para realizar análisis factoriales avanzados incluyendo visualizaciones personalizadas es la opción preferida para muchos investigadores que necesitan un control total sobre su análisis stata es otro software estadístico robusto muy utilizado en economía epidemiología y otras ciencias ofrece comandos directos y una interfaz gráfica siendo una opción Versátil para ambos tipos de análisis - `[23:38]` factorial python con librerías como skitt learn y factor analyzer python se ha convertido en una opción cada vez más popular para el análisis estadístico incluyendo el análisis factorial al igual que r ofrece una gran flexibilidad y la posibilidad de integrar el análisis con otras tareas de programación la elección del software dependerá de tus preferencias personales tu nivel de - `[24:01]` experiencia y las necesidades específicas de tu investigación próxima pregunta cuál es el tamaño de muestra adecuado Esta es una pregunta crucial y la respuesta no es única el tamaño de muestra adecuado para el análisis factorial depende de varios factores incluyendo la complejidad del modelo modelos con más factores o variables por factor Generalmente requieren muestras más grandes el número de variables una - `[24:27]` regla general es tener al menos cinco o 10 observaciones por cada variable que estés analizando sin embargo Esta es una guía muy básica y puede no ser suficiente en todos los casos la magnitud de las cargas factoriales cargas factoriales más altas permiten trabajar con muestras más pequeñas el grado de comunalidad la proporción de la varianza de cada variable explicada por los - `[24:51]` factores mayor comunalidad puede permitir muestras más pequeñas Aunque la regla de cinco o 10 observaciones por variable es muy buen Punto de partida algunos investigadores recomiendan tamaños de muestra absolutos por ejemplo al menos 200 o 300 participantes para obtener resultados más estables y confiables especialmente en el análisis factorial confirmatorio es importante revisar la literatura específica de tu campo para obtener - `[25:18]` recomendaciones más precisas próxima pregunta cómo interpreto las cargas factoriales negativas una carga factorial negativa simplemente indica una relación inversa entre la variable observada y el factor subyacente En otras palabras a medida que aumenta el valor del factor disminuye el valor de la variable o viceversa Por ejemplo si tienes un factor llamado ansiedad ante los exámenes y una variable como - `[25:45]` puntuación en el examen tiene una carga factorial negativa alta en ese factor esto significaría que a mayor ansiedad menor tiende a ser la puntuación en el examen la interpretación de una carga factorial negativa debe realizarse en el contexto del significado del factor y la variable No indica necesariamente un problema con el análisis sino simplemente la naturaleza de la relación - `[26:09]` entre ellos siguiente Pregunta cuándo debo usar afe y cuánd afc la elección entre análisis factorial exploratorio afe y análisis factorial confirmatorio afc depende principalmente del estado de tu conocimiento teórico sobre la estructura de tus datos análisis factorial exploratorio lo debes utilizar cuando no tienes una teoría Clara o hipótesis específicas sobre Cuántos factores subyacen en tus variables o cuáles son esos factores o - `[26:43]` cuando estás en las primeras etapas de la investigación y quieres explorar la estructura subyacente de un conjunto de variables o cuando estás desarrollando un nuevo instrumento de medición y necesitas identificar las dimensiones que mides o cuando quieres reducir la dimension alidad de un gran conjunto de variables en resumen afe es más adecuado para descubrir la estructura factorial - `[27:05]` de tus datos debes utilizar análisis factorial confirmatorio afc cuando tienes una teoría o modelo previo bien definido sobre la estructura factorial de tus datos por ejemplo basado en investigaciones previas o un marco teórico o cuando quieres probar si tus datos se ajustan a un modelo factorial específico o cuando estás validando un instrumento de medición existente y quieres confirmar su - `[27:30]` estructura factorial o cuando quieres comparar diferentes modelos factoriales para ver cuál se ajusta mejor a tus datos en resumen el afc se utiliza para probar y confirmar una estructura factorial previamente especificada Felicidades has llegado al final de este video y ahora tienes una comprensión sólida de los fundamentos del Análisis factorial espero que te sientas más seguro y motivado para - `[27:56]` aplicar esta poderosa herramienta en tu propia investigación recuerda dominar el análisis factorial no solo te ayudará a analizar tus datos de manera más efectiva sino que también fortalecerá tu capacidad para publicar en revistas de alto impacto y en última instancia te abrirá las puertas a mejores oportunidades laborales en el ámbito académico o profesional Y por último descarga nuestra guía gratuita que - `[28:18]` ofrece un recurso adicional un paso a paso y una hoja de trucos sobre el análisis factorial te dejo el enlace en la descripción y aquí arriba suscríbete al Canal si encontraste útil este video No olvides suscribirte Para no perderte futuros contenidos sobre investigación y análisis de datos deja un comentario tienes alguna pregunta o te gustaría que profundizándose - `[28:45]` [Música] al siguiente nivel te invito a unirte a mi comunidad de miembros del Canal allí podrás acceder a contenido exclusivo como cursos completos y chat en vivo donde podrás hacerme todas tus preguntas es una gran oportunidad para conectar contigo y con otros miembros de la comunidad ### Texto Completo Continuo te sientes abrumado por la cantidad de datos en tu investigación te preguntas Cómo extraer información valiosa y simplificar tus resultados para esa publicación que tanto anhelas las necesito para mi tesis entonces este video es para ti en los próximos minutos te revelaremos El poder del Análisis factorial una herramienta clave que transformará la forma en que analizas tus datos y te acercará a tus metas no te lo pierdas Hola a todos y bienvenidos de nuevo al Canal soy Luisa y hoy vamos a sumergirnos en un tema fundamental para cualquier investigador que aspire a la Excelencia el análisis factorial sea exactamente por lo que estás pasando la dedicación el esfuerzo y las horas invertidas en tu investigación merecen ser comunicados de la manera más clara y efectiva posible Y créeme dominar el análisis factorial es un paso crucial para lograrlo ya sea que estés trabajando en tu tesis de licenciatura maestría doctorado o en ese artículo científico que marcará la entender Cómo reducir la complejidad de tus datos y encontrar patrones ocultos es esencial el análisis factorial te ofrece precisamente eso la llave para desbloquear insign valiosos y presentar tus hallazgos de forma impactante antes de entrar en los detalles técnicos hablemos de Por qué deberías invertir tu tiempo en aprender sobre el análisis factorial imagina esta situación tienes una encuesta con decenas de preguntas y una gran cantidad de variables de medida en tu experimento Cómo encuentras el hilo conductor cómo identificas las dimensiones subyacentes que realmente explican tus resultados aquí es donde el análisis factorial brilla te permite simplificar datos complejos o sea reducir un gran número de variables a un conjunto más pequeño de factores identificar dimensiones latentes es decir descubrir constructos o conceptos que no se pueden medir directamente pero que influyen en tus variables adas por ejemplo satisfacción del cliente motivación calidad de vida validar instrumentos de medición asegurarte de que tus cuestionarios o pruebas realmente miden lo que pretenden medir generar nuevas hipótesis explorar relaciones inesperadas entre variables bien Ahora vamos a la definición en esencia el análisis factorial es una técnica estadística multivariante que busca explicar las correlaciones entre un conjun de variables observadas en término de un número menor de variables no observadas O factores piénsalo como encontrar los ingredientes comunes que hacen que ciertas variables se muevan juntas existen principalmente dos tipos de análisis factorial el análisis factorial exploratorio que se utiliza cuando no tienes una idea Clara de Cuántos factores subyacen a tus datos o cuáles son esos factores es una técnica más descriptiva y generadora de hipótesis y el análisis factorial confirmatorio que se utiliza cuando tienes una teoría o un modelo previo sobre la estructura factorial de tus datos y quieres probar si tus datos se ajustan a ese modelo es una técnica más inferencial y de validación para entender el análisis factorial hay algunos conceptos claves que necesitas tener claros el primero variables son las características o atributos que has medido en tu investigación factores las variables latentes o constructos subyacentes que explican la variabilidad en tus variables observadas cargas factoriales o factor loadings indican la fuerza y la dirección de la relación entre una variable observada y un factor un valor alto sugiere que la variable está fuertemente relacionada con ese factor el autovalor o invalue mide la cantidad de varianza total explicada por cada Factor los factores con autovalores mayores a uno suelen considerarse significativos se puede pensar en un autovalor como la fuerza o la importancia de un factor para explicar la variabilidad en los datos la varianza explicada es el porcentaje de la varianza total de las variables observadas que es explicada por los factores No te preocupes si estos términos te suenan un poco técnicos al principio con la práctica y los ejemplos que veremos se volverán serán mucho más claros ahora veamos los pasos generales que seguirías para llevar a cabo un análisis factorial primer paso preparación de los datos asegurarte de que tus datos son adecuados para el análisis por ejemplo el tamaño de la muestra ausencia de valores atípicos extremos El segundo paso Selección del tipo de análisis factorial es decir decidir si necesitas un afe o un afc según tus objetivos y el estado de tu teoría tercer paso extracción de factores utilizar un método para determinar Cuántos factores subyacen a tus datos por ejemplo análisis del gráfico de sedimentación o criterio de Kaiser en el cuarto paso hacemos rotación de factores Este paso es opcional pero muy común significa simplificar la interpretación de los factores haciendo que las variables tengan cargas altas en un factor y bajas en los demás hay diferentes métodos de rotación como el ortogonal y el oblicuo El quinto paso interpretación de los factores asignar nombres significativos a los factores en función de las variables que tienen cargas altas en ellos El sexto paso evaluación del ajuste del modelo Este paso se utiliza especialmente en afc y indica determinar si el modelo factorial propuesto se ajusta bien a los datos cada uno de estos pasos tiene sus propias consideraciones y técnicas específicas pero esta es la hoja de ruta general que seguirás para que todo esto cobre vida veamos un ejemplo práctico imaginemos que has realizado una encuesta para medir la satisfacción de los estudiantes en un programa universitario tu encuesta tiene 10 preguntas que evalúan diferentes aspectos como la calidad de los profesores las instalaciones el apoyo administrativo etcétera veamos el escenario una está interesada en comprender los factores subyacentes que contribuyen a la satisfacción de sus estudiantes en un programa específico y se aplicó la encuesta de 10 preguntas a una muestra de estudiantes la encuesta está diseñada para potencialmente agruparse en tres factores que mencionamos calidad académica recursos e infraestructura y apoyo estudiantil en las instrucciones de la encuesta se debe indicar por favor indica tu nivel de acuerdo con las siguientes afirmaciones utilizando la siguiente escala desde uno totalmente en desacuerdo hasta cinco Totalmente de acuerdo en la pantalla vemos las preguntas que aplicaremos y en la descripción del video te dejo un enlace donde está diseñada la encuesta y puedes descargarla vamos a aplicar el primer paso preparación de los datos cálculo del tamaño de la muestra para este ejemplo vamos a calcular un tamaño de muestra basado en la recomendación de tener al menos 10 10 observaciones por variable con 10 preguntas que son las variables un tamaño de muestra mínimo sería de 100 estudiantes sin embargo para obtener resultados más robustos decidimos encuestar a 250 estudiantes del programa en la recolección de datos se administró la encuesta a los 250 estudiantes quienes respondieron a cada una de las 10 preguntas utilizando la escala de uno totalmente desacuerdo a cinco Totalmente de acuerdo a continuación se muestra un ejemplo parcial de cómo podrían lucir los datos recopilados en una hoja de cálculo o en un software estadístico cada fila representa la respuesta de un estudiante a las 10 preguntas que son de las p1 a p10 en la verificación de los datos se revisaron los datos para identificar posibles errores de entradas valores perdidos que podrían requerir imputación o exclusión dependiendo de su cantidad y patrón y valores atípicos extremos que podrían influir en los resultados del análisis asum Dios que en este ejemplo los datos están limpios vamos al segundo paso Selección del tipo de análisis factorial dado que el objetivo es explorar las dimensiones subyacentes de la satisfacción de los estudiantes en este programa específico y no tenemos una teoría predefinida y sólida sobre Cuántos factores esperar o qué preguntas cargarán en cada factor seleccionaremos el análisis factorial exploratorio las siglas ae vamos al tercer paso extracción de factores se utiliza un software estadístico por ejemplo spss se elige el método de extracción componentes principales en otro de nuestros videos hemos explicado este método con más detalle Aunque otros métodos como máxima verosimilitud son comunes componentes principales es un buen Punto de partida para la exploración inicial hacemos la determinación del número de factores se examinan los autovalores obtenidos en la salida del Software aquí en pantalla estamos mostrando Cuál es el resultado y se aplican las siguientes técnicas el criterio de Kaiser que es una de las reglas prácticas más simples y comúnmente utilizadas en el análisis factorial exploratorio para decidir Cuántos factores subyacentes deben retenerse para representar adecuadamente los datos en esencia el criterio de Kaiser Establece que solo deben retenerse aquellos factores que tengan un autovalor mayor que 1.0 los factores con autovalores menores a un se consideran que no se explica una cantidad sufici de varianza en los datos y por lo tanto no deberían ser incluidos en la solución factorial final la aplicación del criterio de Kaiser es bastante directa y se basa en la salida del Análisis factorial que proporciona el software estadístico primero se realiza el análisis factorial exploratorio utilizando un software estadístico como sps r stata python para realizar el afe en tus datos después se examina la tabla de autovalores el software generará una tabla que incluye los autovalores asociados a cada factor extraído como la que vemos en pantalla los factores se listan típicamente en orden descendente de sus autovalores luego se identifican los autovalores mayores que uno se revisa la la columna de autovalor en la tabla y se cuentan Cuántos factores tienen un autovalor superior a uno por último se retiene ese número de factores el número de factores que contaste en El Paso anterior es la cantidad de factores que el criterio de Kaiser sugiere retener para la interpretación En nuestro ejemplo observamos que los factores 1 2 y 3 tienen autovalores mayores a uno que son 4.25 1.80 y 1.15 respectivamente el factor 4 tiene un autovalor de 0.80 que es menor que uno al igual que todos los factores siguientes por lo tanto según el criterio de Kaiser se retendrán tres factores a continuación se aplica la próxima técnica el gráfico de sedimentación bien conocido como scrip plot es una representación gráfica de los autovalores asociados a cada factor extraído en un análisis factorial exploratorio Es una herramienta visual muy útil para complementar el criterio de Kaiser y ayudarte a decidir Cuántos factores subyacentes son significativos y deben ser retenidos la mayoría de los programas estadísticos sps r datata python generan automáticamente el gráfico de sedimentación como parte de la salida del análisis factorial exploratorio Generalmente encontrarás una opción para solicitar este gráfico al configurar el análisis la clave para interpretar el gráfico de sedimentación es Buscar un punto en la Gráfica donde la pendiente de la línea cambia bruscamente formando una especie de codo este codo indica el punto donde la disminución de los autovalores se vuelve mucho más gradual factores a la izquierda del codo los factores que se encuentran a la izquierda del codo incluido el factor en el punto del codo suelen considerarse los factores importantes o significativos Estos factores explican una porción sustancial de la varianza en los datos factores a la derecha del codo los factores que se encuentran a la derecha del codo tienen autovalores mucho más pequeños y la disminución entre ellos es relativamente suave Estos factores se consideran que explican una cantidad muy pequeña de varianza adicional y a menudo se interpretan Como ruido o varianza específica de las variables individuales en nuestro ejemplo se identifica un codo después del Tercer factor esto significa que los tres primeros puntos correspondientes a los factores 1 2 y TR estarían en la parte de la Gráfica con una pendiente pronunciada y a partir del cuarto punto factor cuatro la línea se volvería mucho más plana esto sugiere que los tres primeros factores son los más importantes y que los factores posteriores contribuyen muy poco a la explicación de la varianza por lo tanto el gráfico de sedimentación también apoya la decisión de retener tres factores por último aplicaremos la varianza explicada acumulada para medir la representatividad de los factores para entender la varianza explicada acumulada primero debemos comprender Qué es la varianza en el análisis de datos Y cómo se relaciona con el análisis factorial en términos generales la varianza mide la dispersión o la variabilidad de un conjunto de datos en el contexto del Análisis factorial cada variable original en tu conjunto de datos tiene una cierta cantidad de varianza el objetivo del AF es encontrar un número menor de factores que puedan explicar la mayor parte de esta varianza original cada factor que se extrae en el AF explica una cierta proporción de la varianza total de las variables originales esta proporción se indica como el porciento de varianza para cada factor en la tabla de autovalores un factor con un porcentaje de varianza más alto es más importante por que representa una mayor parte de la variabilidad presente en los datos originales en nuestro ejemplo el factor uno Explica el 42,5 por de la varianza total el factor 2 Explica el 18 por y el factor 3 Explica el 11,5 por. esto significa que el factor uno por sí solo captura una parte considerable de la información contenida en las 10 preguntas originales la varianza explicada acumulada se calcula suma sumando los porcentajes de varianza explicada por cada factor en orden secuencial nos indica el porcentaje total de la varianza original que es explicado por un número determinado de factores en nuestra tabla de ejemplo el primer factor Explica el 42,5 de la varianza acumulada los dos primeros factores explican el 42,5 más el 18 por que es igual a un 60,5 de la varianza acumulada los tres primeros factores explican el 42,5 + el 18 + El 11,5 que es igual al 72 por de la varianza acumulada el objetivo de reducir la dimensionalidad con el afe es simplificar los datos sin perder Demasiada información la varianza explicada acumulada nos ayuda a evaluar Cuánta información o sea varianza se retiene al considerar un número específico de factores cuanto mayor sea el porcentaje de varianza explicada formulada por un conjunto de factores mejor representarán esos factores los datos originales la pregunta de Qué constituye un porcentaje razonable de varianza explicada acumulada no tiene una respuesta única y universal depende mucho del campo de estudio la complejidad de los constructos que se están midiendo y la naturaleza de los datos sin embargo Existen algunas pautas generales especialmente en las Ciencias Sociales primero umbral común un umbral que a menudo se considera aceptable es que los factores retenidos expliquen al menos del 50% al 60 de la varianza total porcentaje deseable un porcentaje superior al 70 se considera muy bueno y sugiere que los factores retenidos representan una porción sustancial de la información original contexto específico en algunas áreas de investigación exploratoria o cuando se estudian constructos muy complejos un porcentaje ligeramente menor por ejemplo alrededor del 40 al 50% podría considerarse aceptable si los factores resultantes son teóricamente significativos e interpretables en nuestro ejemplo el hecho de que los tres primeros factores explican el 72 por de la varianza total se considera un porcentaje razonable y bastante bueno en muchas áreas de las ciencias sociales esto sugiere que estos tres factores capturan una porción importante de la variabilidad en las respuestas de los estudiantes a las 10 preguntas de la encuesta factores que influyen en el porcentaje de la varianza explicada el número de variables con un mayor número de variables a menudo se necesita un mayor número de factores para explicar un porcentaje similar de varianza la fuerza de las relaciones entre variables si las variables están fuertemente correlacionadas es más probable que un número menor de factores explique una mayor proporción de la varianza naturaleza del constructo algunos constructos son inherentemente más complejos y multifacéticos lo que puede requerir más factores para representarlos adecuadamente basándonos en estos criterios decidimos retener tres factores para el análisis el factor uno calidad académica son las preguntas relacionadas con la calidad de los profesores y el plan de estudios factor dos recursos e infraestructura son las preguntas sobre las instalaciones la biblioteca y los recursos tecnológicos y factor tres apoyo estudiantil son las preguntas sobre la atención administrativa y la orientación vamos al cuarto paso rotación de factores para facilitar la interpretación aplicamos una rotación barimax ortogonal asumiendo que los factores subyacentes a la satisfacción de los estudiantes podrían no estar fuertemente correlacionados el software estadístico genera una matriz de car factorial rotado y aquí vemos en pantalla el resultado los valores en negrita indican las cargas factoriales más altas para cada pregunta sugiriendo A qué factor pertenece principalmente cada variable en el quinto paso interpretación de los factores basándonos en las preguntas que tienen cargas factoriales altas en cada factor podemos asignarles nombres significativos factor uno calidad académica las preguntas con cargas altas en este factor son p1 calidad de la enseñanza p2 relevancia del plan de estudios p6 oportunidades de interacción p7 Claridad en la evaluación y p10 satisfacción general este factor parece representar las percepciones de los estudiantes sobre la calidad de la enseñanza y el contenido académico del programa el factor dos recursos e infraestructura las preguntas con cargas altas en este factor son p3 disponibilidad de recursos de aprendizaje p4 calidad de las instalaciones y p8 acceso a tecnologías este factor representa la satisfacción con los recursos físicos y tecnológicos disponibles para los estudiantes factor tres apoyo estudiantil las preguntas con cargas altas en este factor son p5 apoyo administrativo y p9 orientación y apoyo académico este factor refleja la satisfacción con el apoyo que reciben los estudiantes fuera del aula vamos al paso número seis evaluación del ajuste del modelo en el afe la evaluación del ajuste es menos formal que en el afc nos enfocamos en la interpretabilidad de los factores y la cantidad de varianza explicada en este ejemplo los tres factores identificados tienen una interpretación lógica y coherente con las preguntas de la encuesta los tres factores explican el 72 por de la varianza total en las respuestas de los estudiantes lo que sugiere que el modelo factorial es razonablemente bueno para representar los datos la conclusión del ejemplo a través del Análisis factorial exploratorio hemos podido reducir las 10 preguntas de la encuesta a tres factores subyacentes que explican la mayor parte de la variabilidad en la satisfacción de los estudiantes calidad académica recursos e infraestructura y apoyo estudiantil esta información puede ser muy útil para la universidad para identificar áreas de fortaleza y áreas que podrían necesitar mejoras en el programa Este ejemplo concreto ilustra Cómo se aplican los pasos del Análisis factorial en un escenario real Recuerda que los resultados pueden variar dependiendo de los datos recopilados lo fascinante del Análisis vectorial es su versatilidad se aplica en una amplia gama de disciplinas psicología para identificar dimensiones de la personalidad la inteligencia o las actitudes marketing para entender las preferencias de los consumidores y segmentar mercados Educación para evaluar la validez de pruebas cuestionarios y para identificar factores que influyen en el rendimiento académico ciencias de la salud para identificar factores de riesgo de enfermedades o para evaluar la calidad de vida negocios para analizar la satisfacción de los empleados o para identificar factores claves de éxito empresarial no importa cuál es tu campo de estudio es muy probable que el análisis factorial pueda ser una herramienta valiosa para tu investigación antes de terminar respondamos algunas preguntas frecuentes que suelen surgir sobre el análisis factorial primera pregunta qué software estadístico puedo utilizar excelente pregunta afortunadamente existen varias opciones de software potentes para realizar análisis factorial algunos de los más populares son spss que es una opción muy intuitiva y ampliamente utilizada especialmente en ciencias sociales ofrece menú desplegables fáciles de usar para realizar el análisis factorial exploratorio y confirmat es ideal para quienes están iniciando o prefieren una interfaz gráfica r es un lenguaje de programación y un entorno de software libre muy potente y flexible requiere un poco más de curva de aprendizaje pero ofrece una gran cantidad de paquetes y funciones para realizar análisis factoriales avanzados incluyendo visualizaciones personalizadas es la opción preferida para muchos investigadores que necesitan un control total sobre su análisis stata es otro software estadístico robusto muy utilizado en economía epidemiología y otras ciencias ofrece comandos directos y una interfaz gráfica siendo una opción Versátil para ambos tipos de análisis factorial python con librerías como skitt learn y factor analyzer python se ha convertido en una opción cada vez más popular para el análisis estadístico incluyendo el análisis factorial al igual que r ofrece una gran flexibilidad y la posibilidad de integrar el análisis con otras tareas de programación la elección del software dependerá de tus preferencias personales tu nivel de experiencia y las necesidades específicas de tu investigación próxima pregunta cuál es el tamaño de muestra adecuado Esta es una pregunta crucial y la respuesta no es única el tamaño de muestra adecuado para el análisis factorial depende de varios factores incluyendo la complejidad del modelo modelos con más factores o variables por factor Generalmente requieren muestras más grandes el número de variables una regla general es tener al menos cinco o 10 observaciones por cada variable que estés analizando sin embargo Esta es una guía muy básica y puede no ser suficiente en todos los casos la magnitud de las cargas factoriales cargas factoriales más altas permiten trabajar con muestras más pequeñas el grado de comunalidad la proporción de la varianza de cada variable explicada por los factores mayor comunalidad puede permitir muestras más pequeñas Aunque la regla de cinco o 10 observaciones por variable es muy buen Punto de partida algunos investigadores recomiendan tamaños de muestra absolutos por ejemplo al menos 200 o 300 participantes para obtener resultados más estables y confiables especialmente en el análisis factorial confirmatorio es importante revisar la literatura específica de tu campo para obtener recomendaciones más precisas próxima pregunta cómo interpreto las cargas factoriales negativas una carga factorial negativa simplemente indica una relación inversa entre la variable observada y el factor subyacente En otras palabras a medida que aumenta el valor del factor disminuye el valor de la variable o viceversa Por ejemplo si tienes un factor llamado ansiedad ante los exámenes y una variable como puntuación en el examen tiene una carga factorial negativa alta en ese factor esto significaría que a mayor ansiedad menor tiende a ser la puntuación en el examen la interpretación de una carga factorial negativa debe realizarse en el contexto del significado del factor y la variable No indica necesariamente un problema con el análisis sino simplemente la naturaleza de la relación entre ellos siguiente Pregunta cuándo debo usar afe y cuánd afc la elección entre análisis factorial exploratorio afe y análisis factorial confirmatorio afc depende principalmente del estado de tu conocimiento teórico sobre la estructura de tus datos análisis factorial exploratorio lo debes utilizar cuando no tienes una teoría Clara o hipótesis específicas sobre Cuántos factores subyacen en tus variables o cuáles son esos factores o cuando estás en las primeras etapas de la investigación y quieres explorar la estructura subyacente de un conjunto de variables o cuando estás desarrollando un nuevo instrumento de medición y necesitas identificar las dimensiones que mides o cuando quieres reducir la dimension alidad de un gran conjunto de variables en resumen afe es más adecuado para descubrir la estructura factorial de tus datos debes utilizar análisis factorial confirmatorio afc cuando tienes una teoría o modelo previo bien definido sobre la estructura factorial de tus datos por ejemplo basado en investigaciones previas o un marco teórico o cuando quieres probar si tus datos se ajustan a un modelo factorial específico o cuando estás validando un instrumento de medición existente y quieres confirmar su estructura factorial o cuando quieres comparar diferentes modelos factoriales para ver cuál se ajusta mejor a tus datos en resumen el afc se utiliza para probar y confirmar una estructura factorial previamente especificada Felicidades has llegado al final de este video y ahora tienes una comprensión sólida de los fundamentos del Análisis factorial espero que te sientas más seguro y motivado para aplicar esta poderosa herramienta en tu propia investigación recuerda dominar el análisis factorial no solo te ayudará a analizar tus datos de manera más efectiva sino que también fortalecerá tu capacidad para publicar en revistas de alto impacto y en última instancia te abrirá las puertas a mejores oportunidades laborales en el ámbito académico o profesional Y por último descarga nuestra guía gratuita que ofrece un recurso adicional un paso a paso y una hoja de trucos sobre el análisis factorial te dejo el enlace en la descripción y aquí arriba suscríbete al Canal si encontraste útil este video No olvides suscribirte Para no perderte futuros contenidos sobre investigación y análisis de datos deja un comentario tienes alguna pregunta o te gustaría que profundizándose [Música] al siguiente nivel te invito a unirte a mi comunidad de miembros del Canal allí podrás acceder a contenido exclusivo como cursos completos y chat en vivo donde podrás hacerme todas tus preguntas es una gran oportunidad para conectar contigo y con otros miembros de la comunidad ---