The poor fit of model fit for selecting number of factors in exploratory factor analysis for scale evaluation

Este preprint empírico de 2020 examina el desempeño de índices de bondad de ajuste al seleccionar el número de factores en análisis factorial exploratorio (AFE) para evaluación de escalas psicométricas. Los autores analizan mediante simulación Monte Carlo el comportamiento de seis índices de bondad de ajuste —RMSEA (raíz del error cuadrático medio de aproximación), SRMR (raíz estandarizada del residual cuadrático medio), CFI (índice de ajuste comparativo), TLI (índice de Tucker-Lewis) y sus versiones basadas en pruebas de equivalencia RMSEAt y CFIt— en el contexto de residuos correlacionados e imperfectación del modelo, usando datos de la Escala de Afecto Positivo y Negativo (N = 1000). Los resultados indican que todos los índices excepto SRMR son excesivamente sensibles a residuos correlacionados y error no específico, conduciendo a sobrefactorización. Se concluye que no es recomendable usar índices de bondad de ajuste para seleccionar el número de factores en evaluación de escalas.

Puntos clave

• ["Los índices de bondad de ajuste estándar (RMSEA, CFI, TLI) son excesivamente sensibles a residuos correlacionados y especificación imperfecta del modelo en análisis factorial exploratorio."]
• ["El SRMR fue el único índice que consistentemente seleccionó el número correcto de factores, aunque investigaciones previas sugieren limitaciones en su uso con datos categóricos."]
• ["En contextos de evaluación de escalas con residuos correlacionados, los índices de bondad de ajuste producen soluciones que tienden a sobrefactorizar, sobrestimando el número de factores reales."]
• ["Los valores de corte recomendados convencionalmente para índices de bondad de ajuste no son apropiados específicamente en contextos de análisis factorial exploratorio."]

Para quién: Estudiantes de grado y posgrado, psicólogos e investigadores que realizan análisis factorial exploratorio para validar escalas psicométricas, particularmente quienes seleccionan el número de factores basándose en índices de bondad de ajuste.