Análisis factorial exploratorio para validar tu instrumento (2026): KMO, Bartlett, rotación y cargas

El análisis factorial exploratorio responde una pregunta concreta de tu capítulo metodológico: ¿los ítems que escribiste realmente se agrupan en las dimensiones que tú supusiste? Es la evidencia estándar de validez de constructo, se resuelve en una corrida de SPSS y su reporte cabe en un párrafo. Lo difícil no es correrlo: es justificar las cuatro decisiones que tomas en el camino.

Este es el paso al que llegas después de diseñar tu instrumento y aplicar la prueba piloto, cuando tu asesora te dice «necesitas demostrar validez de constructo». La guía de validez y confiabilidad te dice qué es y por qué el análisis factorial es el método que le corresponde; esta te dice cómo se hace.

Qué hace y qué no hace

Un análisis factorial exploratorio busca, dentro de la matriz de correlaciones entre tus ítems, grupos de ítems que se mueven juntos. Cada grupo se interpreta como un factor: una dimensión latente que explica por qué esos ítems correlacionan entre sí.

Es exploratorio porque no le impones una estructura: dejas que los datos digan cuántas dimensiones hay y qué ítem pertenece a cuál. Su contraparte, el análisis factorial confirmatorio, sí parte de una estructura definida de antemano y evalúa si los datos la sostienen. La regla práctica para una tesis: si construiste el instrumento o lo adaptaste sustancialmente, empiezas por el exploratorio; si estás replicando un instrumento ya validado en tu población, corresponde el confirmatorio.

Lo que el análisis factorial no hace es decirte si tu instrumento mide lo correcto. Te dice si es internamente coherente en su estructura. La correspondencia entre los factores encontrados y tu marco teórico la argumentas tú.

Antes de correr nada: los dos filtros de entrada

Hay dos pruebas que deciden si tus datos son factorizables. Si alguna falla, el análisis no procede y presentarlo de todos modos es un error que un comité detecta.

KMO (Kaiser-Meyer-Olkin)

Mide la adecuación muestral: qué tan fuertes son las correlaciones parciales entre tus ítems. Los rangos de referencia provienen de Kaiser (1974) y siguen siendo el criterio de lectura en la literatura actual:

Para calibrar: un estudio de validación de un cuestionario sobre escritura académica e inteligencia artificial publicado en BMC Medical Education en 2026, con 252 estudiantes, reportó KMO = 0.930. Otro sobre expectativas laborales de personal de enfermería, publicado en BMC Nursing en 2025 con 262 encuestas, reportó KMO = 0.953. Esos son los valores que se ven en trabajos publicados; tu tesis no tiene que llegar ahí, pero por debajo de 0.60 conviene revisar el instrumento antes que el análisis.

Prueba de esfericidad de Bartlett

Contrasta si tu matriz de correlaciones es distinguible de una matriz identidad, es decir, de un escenario donde ningún ítem correlaciona con ningún otro. Necesitas que salga significativa (p < .05): esa es la buena noticia, al revés que en la prueba de normalidad. Se reporta con su chi cuadrada y sus grados de libertad; el estudio de enfermería citado arriba informó χ²(703) = 6545.798, p < .001.

La ruta en SPSS

1. Analizar → Reducción de dimensiones → Factor.
2. Pasa todos los ítems de la escala al cuadro Variables. Ítems, no puntajes de dimensión.
3. En Descriptivos, marca KMO y prueba de esfericidad de Bartlett y también Matriz de correlaciones.
4. En Extracción, elige el método y el criterio de retención. Marca Gráfico de sedimentación.
5. En Rotación, elige varimax u oblicua según el apartado siguiente, y marca Solución rotada.
6. En Opciones, activa Ordenar por tamaño y Suprimir valores pequeños con el umbral que hayas fijado (0.40 o 0.50). Esto hace que la matriz rotada se lea sola.
7. Acepta y trabaja sobre tres tablas: KMO y Bartlett, varianza total explicada y matriz de factores rotados.

Las cuatro decisiones que tienes que justificar

1. Método de extracción

SPSS trae por defecto componentes principales, y es lo que usa buena parte de la literatura aplicada —el estudio de enfermería citado, por ejemplo, empleó componentes principales con rotación varimax y normalización Kaiser—. La alternativa, factorización de ejes principales o máxima verosimilitud, es preferible cuando tu objetivo es identificar factores latentes y no solo reducir dimensiones. El propio estudio de 2026 sobre escritura académica reconoce como limitación no haber usado máxima verosimilitud y lo recomienda para trabajos futuros. Elige, y escribe por qué.

2. Cuántos factores conservar

El criterio automático de SPSS es el de Kaiser: conservar los factores con autovalor mayor que 1. Es el más usado y el más criticado, porque tiende a sobreestimar el número de factores. Por eso la práctica sólida combina criterios:

• Autovalor > 1 (Kaiser), como punto de partida.
• Gráfico de sedimentación: se conservan los factores anteriores al punto donde la curva se aplana.
• Varianza explicada: en ciencias sociales se suele buscar que la solución conjunta explique al menos el 50 %. Los dos estudios citados alcanzaron 77.99 % con cinco factores y 62.21 % con seis, respectivamente. Un criterio complementario que aplicó el segundo fue conservar solo factores que explicaran al menos el 4 % de la varianza cada uno.
• Interpretabilidad teórica: un factor con dos ítems sueltos que no forman un concepto nombrable no es un factor, es ruido.
• Análisis paralelo y prueba MAP, si tu software los ofrece. Son los criterios que la literatura reciente recomienda añadir y cuya ausencia se reporta explícitamente como limitación.

3. Tipo de rotación

La rotación no cambia cuánta varianza explicas: redistribuye las cargas para que la solución sea legible.

• Ortogonal (varimax): asume que los factores son independientes entre sí. Produce una matriz muy limpia y es la opción más frecuente en la literatura aplicada.
• Oblicua (promax, oblimin): permite que los factores correlacionen. Es lo teóricamente esperable en constructos psicológicos y sociales, donde las dimensiones de un mismo concepto rara vez son independientes.

El criterio de decisión es teórico, no empírico: pregúntate si tiene sentido que tus dimensiones estén relacionadas. Si usas oblicua, reporta además la matriz de correlaciones entre factores; si esas correlaciones son bajísimas, la rotación ortogonal habría bastado y puedes decirlo.

4. Umbral de carga

El umbral más extendido es 0.40: el estudio de 2026 verificó que todos sus ítems superaran ese valor. Otros trabajos aplican 0.50 para ser más exigentes, como hizo el estudio de enfermería. Cualquiera de los dos se defiende; lo que no se defiende es fijarlo después de ver los resultados.

Qué hacer con los ítems problemáticos

Al leer la matriz rotada vas a encontrar tres casos incómodos:

• Ítem sin carga suficiente en ningún factor. No pertenece a la estructura. Se elimina y se vuelve a correr el análisis.
• Ítem con carga alta en dos factores a la vez (carga cruzada). Es ambiguo: los encuestados lo leyeron de dos maneras. El criterio habitual es eliminarlo si la diferencia entre ambas cargas es menor a 0.20.
• Ítem que carga en un factor al que teóricamente no pertenece. Este es el interesante. No lo elimines por incómodo: puede estar diciéndote algo real sobre cómo tu población entiende el constructo, y explicarlo en la discusión vale más que borrarlo.

Cada vez que eliminas ítems tienes que volver a correr el análisis completo, porque la solución cambia. Y tienes que documentar la secuencia: cuántas iteraciones hiciste, qué ítems salieron en cada una y con qué criterio. Ese registro es parte del capítulo.

Después del factorial: la confiabilidad por dimensión

Una vez que la estructura está definida, el alfa de Cronbach se calcula por factor, no para el instrumento completo. Un alfa global alto puede esconder una dimensión inconsistente. El estudio de enfermería reportó α = 0.83 global con subescalas entre 0.72 y 0.91: así se ve un reporte completo. Los umbrales de interpretación están en instrumentos de recolección de datos.

Cómo se reporta

«La adecuación muestral resultó satisfactoria (KMO = 0.91) y la prueba de esfericidad de Bartlett fue significativa, χ²(210) = 1843.27, p < .001, lo que confirmó la pertinencia del análisis factorial. Se aplicó extracción por ejes principales con rotación promax, al asumirse correlación entre las dimensiones. La combinación del criterio de autovalor mayor que 1 y la inspección del gráfico de sedimentación llevó a retener tres factores, que en conjunto explicaron el 58.4 % de la varianza total. Todos los ítems presentaron cargas superiores a 0.40 en su factor de pertenencia; dos ítems con cargas cruzadas fueron eliminados y el análisis se repitió con la versión de 19 ítems. Los coeficientes alfa por dimensión oscilaron entre 0.78 y 0.88.»

Ese párrafo tiene todo lo que un comité busca: los dos filtros, las cuatro decisiones justificadas, el resultado y qué hiciste con los ítems que fallaron. Las convenciones de puntuación de esos estadísticos están en cómo reportar una prueba estadística en APA 7, y su ubicación dentro del capítulo en el ejemplo completo de metodología.

Errores frecuentes

• Correr el factorial sobre los puntajes de dimensión en vez de los ítems. El análisis necesita las variables originales.
• Aceptar la solución por defecto de SPSS sin justificarla. Componentes principales con varimax y autovalor mayor que 1 es una decisión, no un hecho de la naturaleza.
• No revisar la normalidad ni los casos perdidos antes. La matriz de correlaciones es sensible a ambos; el diagnóstico está en prueba de normalidad en SPSS.
• Correrlo con muestra insuficiente. Las reglas más citadas piden entre 5 y 10 casos por ítem; si tu instrumento tiene 30 ítems, estás hablando de 150 a 300 participantes. Cómo dimensionarlo está en cómo calcular el tamaño de la muestra.
• Nombrar los factores con etiquetas vagas. «Factor 1» no es un nombre; el nombre sale de leer qué tienen en común los ítems que cargaron ahí, y se conecta con tu operacionalización de variables.
• Presentar el exploratorio como si fuera confirmatorio. Encontrar tres factores no confirma tu modelo teórico de tres dimensiones: lo hace compatible con él.

Cuando ya tengas las tablas, lo que queda es convertirlas en un apartado metodológico que sostenga cada decisión. Tesify te ayuda a redactar ese borrador con tus propios resultados y con la estructura que suelen pedir los comités mexicanos; los criterios los eliges tú, que es justo lo que se evalúa. Si tu instrumento es una escala tipo Likert, revisa también cómo diseñarla antes de la siguiente aplicación.

Preguntas frecuentes

¿Cuántos participantes necesito para un análisis factorial exploratorio?

Las reglas de dedo más citadas piden entre 5 y 10 casos por ítem, con un mínimo práctico alrededor de 150 a 200. Más determinante que la regla es el KMO obtenido con tu muestra real: si supera 0.80, la adecuación está demostrada empíricamente y así puedes argumentarlo.

¿Qué valor de KMO es aceptable?

Por debajo de 0.50 no se debe factorizar. De 0.60 a 0.69 es mediocre pero utilizable, de 0.70 a 0.79 aceptable, de 0.80 a 0.89 buena y a partir de 0.90 excelente. Estudios de validación publicados en 2025 y 2026 reportan valores de 0.930 y 0.953.

¿Rotación varimax o promax?

Varimax si asumes que tus factores son independientes; oblicua —promax u oblimin— si esperas que estén correlacionados, que es lo habitual en constructos psicológicos y sociales. La decisión se justifica teóricamente, nunca por cuál produce la matriz más bonita.

¿Qué carga factorial es aceptable?

El umbral más usado es 0.40 y algunos estudios aplican 0.50 para ser más exigentes. Un ítem que no alcanza el umbral en ningún factor, o que carga alto en dos a la vez con menos de 0.20 de diferencia, es candidato a eliminarse.

¿Análisis factorial exploratorio o confirmatorio?

Exploratorio si construiste el instrumento o lo adaptaste sustancialmente, porque no tienes una estructura previa que poner a prueba. Confirmatorio si aplicas un instrumento ya validado y quieres verificar que su estructura se sostiene en tu población.

¿Puedo hacer el análisis factorial con datos de escala Likert?

Sí, es el caso más común en tesis de ciencias sociales, aunque estrictamente las respuestas Likert son ordinales. Declara ese tratamiento en tu metodología; con cinco o más puntos de escala la práctica está ampliamente aceptada, y existen métodos basados en correlaciones policóricas si necesitas mayor rigor.