El análisis factorial exploratorio de los ítems: una guía práctica, revisada y actualizada / Exploratory Item Factor Analysis: A practical guide revised and updated

El Análisis Factorial Exploratorio es una de las técnicas más usadas en el desarrollo, validación y adaptación de instrumentos de medida psicológicos. Su uso se extendió durante los años 60 y ha ido creciendo de forma exponencial al ritmo que el avance de la informática ha permitido. Los criterios empleados en su uso, como es natural, también han evolucionado. Pero los investigadores interesados en asuntos sustantivos que utilizan rutinariamente esta técnica permanecen en muchos casos ignorantes de todo ello. En las últimas décadas numerosos trabajos han denunciado esta situación. La necesidad de actualizar los criterios clásicos para incorporar aquellos más adecuados es una necesidad urgente para hacer investigación de calidad. En este trabajo se revisan los criterios clásicos y, según el caso, se sustituyen o se complementan con otros más actuales. El objetivo es ofrecer al investigador aplicado interesado una guía actualizada acerca de cómo realizar un Análisis Factorial Exploratorio consonante con la psicometría post-Little Jiffy. Esta revisión y la guía con las recomendaciones correspondientes se han articulado en cuatro grandes bloques: 1) el tipo de datos y la matriz de asociación, 2) el método de estimación de factores, 3) el número de factores a retener, y 4) el método de rotación y asignación de ítems. Al final del artículo hemos incluido una versión breve de la guía

Exploratory Factor analysis is one of the techniques used in the development, validation and adaptation of psychological measurement instruments. Its use spread during the 1960s and has been growing exponentially thanks to the advancement of information technology. The criteria used, of course, have also evolved. But the applied researchers, who use this technique as a routine, remain often ignorant of all this. In the last few decades numerous studies have denounced this situation. There is an urgent need to update the classic criteria. The incorporation of the most suitable criteria will improve the quality of our research. In this work we review the classic criteria and, depending on the case, we also propose current criteria to replace or complement the former. Our objective is to offer the interested applied researcher updated guidance on how to perform an Exploratory Item Factor Analysis, according to the "post-Little Jiffy" psychometrics. This review and the guide with the corresponding recommendations have been articulated in four large blocks: 1) the data type and the matrix of association, 2) the method of factor estimation, 3) the number of factors to be retained, and 4) the method of rotation and allocation of items. An abridged version of the complete guide is provided at the end of the article

Leader charisma and affective team climate: the moderating role of the leader's influence and interaction.

In this study, we evaluate the role of leader charisma in fostering positive affective team climate and preventing negative affective climate. The analysis of a longitudinal database of 137 bank branches by means of hierarchical moderated regression shows that leader charisma has a stronger effect on team optimism than on team tension. In addition, the leader's influence and the frequency of leader-team interaction moderate the relationship between charisma and affective climate. However, whereas the leader's influence enhances the relationship between leader charisma and positive affective climate, the frequency of interaction has counterproductive effects.

Leader charisma and affective team climate: the moderating role of the leader’s influence and interaction / Carisma del líder y clima afectivo de los equipos de trabajo: el rol moderador de la influencia del líder y su interacción con el equipo

In this study, we evaluate the role of leader charisma in fostering positive affective team climate and preventing negative affective climate. The analysis of a longitudinal database of 137 bank branches by means of hierarchical moderated regression shows that leader charisma has a stronger effect on team optimism than on team tension. In addition, the leader’s influence and the frequency of leader-team interaction moderate the relationship between charisma and affective climate. However, whereas the leader’s influence enhances the relationship between leader charisma and positive affective climate, the frequency of interaction has counterproductive effects (AU)

En el presente estudio se evalúa el rol del carisma del líder a la hora de potenciar un clima afectivo positivo y prevenir o reducir un clima afectivo negativo. La muestra consta de 137 oficinas bancarias medidas en dos momentos temporales. Los análisis de regresión jerárquica moderada realizados muestran que el carisma del líder tiene un efecto más fuerte sobre el optimismo del equipo que sobre la tensión. Además, la influencia del líder y la frecuencia de sus interacciones con el equipo modulan la relación entre carisma y clima afectivo. Sin embargo, mientras que la influencia del líder potencia la relación entre el carisma del líder y un clima afectivo favorable, la frecuencia de las interacciones tiene un efecto contraproducente (AU)

Evaluación de matrices multirrasgo-multiocasión a través de modelos factoriales aditivos y multiplicativos / Analysis of multitrait-multiocassion data: additive and multiplicative models

En el presente estudio se ha evaluado la adecuación diferencial de ciertos modelos factoriales aditivos (AFC general, AFC-MI y AFC-UC) y multiplicativos (PD-H y PD-C) en el análisis de matrices multirrasgo-multiocasión (MRMO), en las que cabe esperar efectos de método multiplicativos. Para ello un total de 18 matrices MRMO han sido analizadas mediante el programa LISREL 8 (Jöreskog y Sörbom, 1993). Por otra parte se ha evaluado el grado de similitud o divergencia de las conclusiones derivadas de los distintos modelos que muestran soluciones satisfactorias. Los resultados han mostrado que ambos tipos de modelos, especialmente los modelos AFC-UC y PD-C suelen resultar adecuados, llegando a conclusiones similares, principalmente por lo que se refiere a la estabilidad temporal de las medidas y a la validez discriminante de los rasgos (AU)

The present study evaluates which kind of models, additive or multiplicative, can better conform to empirical multitrait-multioccasion data (MTMO, in which multiplicative method effects are expected, Three additive models (general CFA, CTUM and CTCU) and two versions of the multiplicative Direct product model (HDP and CDP) are tested. Conclusions derived from the models that showed satisfactory solutions are also compared A set of 18 MTMO matrices are analyzed by means of LISREL 8 (Jöreskog and Sörbom, 1993).Results show that both kinds of models, specially the CTCU and the CDP models, can fit the same data. Conclusions that can be inferred from the different models that fit the data are similar, specially for the stability of the measures and the discriminant validity (AU)

Comportamiento del modelo de respuesta graduada en función del número de categorías de la escala / Effects of the scale number of categories on the Muraki Graded Response Model

En el presente estudio se evalúa el modo en que la variación del número de categorías de respuesta en escalas ordinales afecta al comportamiento del modelo de respuesta graduada en la versión propuesta por Muraki (1990). Dicho comportamiento es evaluado mediante el programa Parscale 3.2 (Muraki y Bock, 1998) a partir de un conjunto de datos simulados - unidimensionales y bidimensionales - y mediante una muestra empírica. En general los resultados muestran que, cuando los datos son unidimensionales, el mejor ajuste se consigue entre 4 y 6 categorías, estimándose satisfactoriamente el parámetro Θ . Cuando los datos son bidimensionales es necesario un mínimo de 6 categorías para lograr un ajuste satisfactorio, siendo las estimaciones de Θ una estimación del promedio de los dos factores subyacentes (AU)

Effects that variation in the number of categories in ordinal scales has on the Graded Response Model (as proposed by Muraki (1990)) are evaluated by means of Parscale 3.2 (Muraki and Bock, 1998). Two sets of simulated data (unidimensional and bidimensional) and an empirical data set are analyzed. General results show that when data are unidimensional, the best goodness of fit indices are achieved between 4 and 6 categories. Satisfactory estimates of parameter Θ are also obtained. When data are bidimensional 6 categories are needed as a minimum to achieve satisfactory fit indices. In this case, Θ estimates represent the average between the two latent factors (AU)