Digamos que tengo un conjunto de datos con puntajes en un montón de ítems del cuestionario, que en teoría están compuestos por un número menor de escalas, como en la investigación de psicología.
Sé que un enfoque común aquí es verificar la confiabilidad de las escalas utilizando el alfa de Cronbach o algo similar, luego agregar los elementos en las escalas para formar puntajes de escala y continuar el análisis desde allí.
Pero también hay un análisis factorial, que puede tomar todos los puntajes de sus elementos como entrada y decirle cuáles forman factores consistentes. Puede tener una idea de cuán fuertes son estos factores al observar las cargas y las comunidades, y así sucesivamente. Para mí, esto suena como el mismo tipo de cosas, solo que mucho más en profundidad.
Incluso si todas las confiabilidades de su báscula son buenas, un EFA podría corregirlo en qué elementos se ajustan mejor en qué escalas, ¿verdad? Probablemente obtendrá cargas cruzadas y podría tener más sentido usar puntajes de factores derivados que sumas de escala simples.
Si quiero usar estas escalas para algún análisis posterior (como regresión o ANOVA), ¿debería agregar las escalas siempre que su confiabilidad se mantenga? O es algo así como CFA (prueba para ver si las escalas se mantienen como buenos factores, lo que parece estar midiendo lo mismo que 'confiabilidad').
Me han enseñado ambos enfoques de forma independiente, por lo que realmente no sé cómo se relacionan, si se pueden usar juntos o cuál tiene más sentido para cada contexto. ¿Existe un árbol de decisión para una buena práctica de investigación en este caso? Algo como:
Ejecute CFA de acuerdo con los ítems de escala predichos
- Si CFA muestra un buen ajuste, calcule los puntajes de los factores y utilícelos para el análisis.
- Si CFA muestra un mal ajuste, ejecute EFA en su lugar y adopte un enfoque exploratorio (o algo así).
¿El análisis factorial y las pruebas de confiabilidad son enfoques separados de la misma cosa, o estoy malentendido en alguna parte?