Research & Evidence

Buscar un método

Busca entre títulos, preguntas, territorios e identificadores MSC.

    ← Todos los métodos
    FICHA DE MÉTODOMSC-P-009Ciencia de la mediciónDosier científico verificado

    ACP, AFE o AFC: ¿qué método elegir?

    Use el ACP para reducir variables, el AFE para explorar factores comunes y el AFC para contrastar un modelo de medida especificado antes del análisis.

    Redacción científica: Marketing Science Center

    Respuesta directa

    Elegir ACP, AFE o AFC según la pregunta, no según el software.

    Use el ACP para reducir variables, el AFE para explorar factores comunes y el AFC para contrastar un modelo de medida especificado antes del análisis.

    Jolliffe & Cadima, 2016Costello & Osborne, 2005

    01

    La regla de decisión en 30 segundos

    ACP / PCA

    Reducir varias variables numéricas a unos componentes que conserven la mayor varianza observada.

    AFE / EFA

    Explorar cuántos factores comunes pueden explicar las correlaciones entre indicadores.

    AFC / CFA

    Contrastar un modelo de medida especificado antes del análisis y examinar dónde reproduce mal las covarianzas observadas.

    Jolliffe & Cadima (2016) Costello & Osborne (2005) Goretzko, Siemund & Sterner (2024)

    02

    Tres niveles de lectura

    1. 1

      Responsable: elegir según el entregable esperado, no según el menú del software.

    2. 2

      Profesional: declarar población, variables, matriz de correlación, regla dimensional y validación antes del cálculo.

    3. 3

      Analista: distinguir varianza total, varianza común y covarianza implícita por el modelo, y cuantificar la estabilidad.

    03

    Situación de marketing concreta

    Un equipo de investigación dispone de doce indicadores de confianza, valor percibido y preferencia. Puede querer condensarlos para un cuadro de mando, descubrir su estructura común o contrastar una escala tridimensional definida por la teoría. El mismo archivo puede servir para las tres preguntas, pero cambian estimandos, supuestos y conclusiones.

    04

    Por qué puede fallar un método elegido por defecto

    • El ACP puede producir componentes útiles sin establecer la existencia de un constructo latente.
    • El AFE depende de la matriz, la extracción, el número de factores y la rotación elegidos.
    • Un AFC ajustado tras muchas modificaciones guiadas por los mismos datos deja de ser una confirmación independiente.

    05

    ACP, AFE y AFC responden a preguntas distintas

    ACP, AFE y AFC responden a preguntas distintas
    MétodoPreguntaVarianza modelizadaResultado principalControl decisivo
    ACP / PCA¿Cómo resumir X con menos ejes?Varianza total observadaComponentes, puntuaciones, varianza explicadaEscala, atípicos, estabilidad de los ejes
    AFE / EFA¿Qué factores comunes son plausibles?Varianza común, con unicidadesCargas, comunalidades, correlaciones factorialesRetención, rotación oblicua, replicación
    AFC / CFA¿El modelo especificado reproduce suficientemente las covarianzas?Covarianza implícita por los parámetros del modeloParámetros, residuos, incertidumbre y ajusteIdentificación, residuos, sensibilidad, muestra independiente

    Jolliffe & Cadima (2016) Costello & Osborne (2005)

    06

    Datos necesarios y preparación

    • Una fila por encuestado y una columna por indicador, con población, periodo, modo de recogida y exclusiones documentados.
    • Elegir covarianza o correlación para el ACP. Para ítems ordinales, justificar una correlación y un estimador adecuados en vez de tratar automáticamente las categorías como continuas.
    • Declarar faltantes, distribuciones, diseño muestral y dependencias. Ningún tamaño universal sustituye un estudio de estabilidad específico.
    • Reservar una muestra o recogida independiente para confirmar una estructura descubierta con AFE.

    07

    Modelos formales y símbolos

    ACP / PCA

    zₖ = Xaₖ ; aₖ′aₖ = 1 ; Var(zₖ) = λₖ

    X es la matriz centrada o estandarizada, aₖ un autovector, zₖ la puntuación del componente y λₖ su varianza.

    AFE / EFA

    x = Λη + ε ; Σ = ΛΦΛ′ + Θ

    Λ contiene las cargas, Var(η)=Φ, Cov(η,ε)=0 y Var(ε)=Θ. Φ es una matriz de correlaciones solo si los factores están estandarizados.

    AFC / CFA

    Σ(θ) = ΛΦΛ′ + Θ ; F = distance[S, Σ(θ)]

    Antes de estimar, el modelo declara qué parámetros son libres o restringidos. El ajuste compara la covarianza observada S con la implícita Σ(θ).

    08

    Cálculo declarado, paso a paso

    1. 01

      ACP: estandarizar si las unidades no son comparables, descomponer la matriz, ordenar λₖ y examinar varianza explicada y estabilidad.

    2. 02

      AFE: elegir la matriz, estimar comunalidades, comparar reglas de retención, aplicar una rotación adecuada e interpretar cargas y correlaciones.

    3. 03

      AFC: especificar e identificar el modelo, elegir el estimador, estimar θ, examinar parámetros y residuos y evaluar el ajuste sin un umbral universal automático.

    09

    Ejemplo numérico reproducible

    Matriz sintética creada para el aprendizaje. No describe ninguna encuesta real.

    Seis indicadores estandarizados forman dos grupos de tres variables. Las correlaciones son 0,64 dentro de cada grupo y 0,256 entre grupos. Por construcción, la matriz corresponde a dos factores con cargas 0,80, correlación 0,40 y unicidad 0,36.

           v1     v2     v3     v4     v5     v6
    v1   1.000  0.640  0.640  0.256  0.256  0.256
    v2   0.640  1.000  0.640  0.256  0.256  0.256
    v3   0.640  0.640  1.000  0.256  0.256  0.256
    v4   0.256  0.256  0.256  1.000  0.640  0.640
    v5   0.256  0.256  0.256  0.640  1.000  0.640
    v6   0.256  0.256  0.256  0.640  0.640  1.000
    Descargar la matriz CSV

    ACP / PCA

    ACP: λ = 3,048; 1,512; 0,360; 0,360; 0,360; 0,360. Los dos primeros componentes explican el 76,0 % de la varianza total, el 50,8 % el primero.

    AFE / EFA

    AFE: la solución generadora tiene dos factores oblicuos. Cada indicador carga 0,80 en su factor, Φ₁₂ = 0,40 y Θ = 0,36. Una estimación empírica no recuperaría exactamente estos valores.

    AFC / CFA

    AFC: el modelo de dos factores reproduce exactamente esta matriz poblacional porque la matriz fue construida a partir del modelo. El resultado tautológico ilustra el cálculo y no valida ninguna escala real.

    Límite de incertidumbre: el archivo contiene una matriz sintética exacta, no 300 observaciones. N = 300 es solo un pseudotamaño suministrado al software para ejecutar los comandos; no genera incertidumbre muestral observada. Por tanto, no deben interpretarse errores estándar, intervalos ni pruebas de ajuste. Para cuantificar la incertidumbre se necesitan datos individuales o una covarianza empírica con su tamaño real.

    10

    Supuestos traducidos en preguntas operativas

    Supuestos traducidos en preguntas operativas
    MétodoPregunta
    ACP¿Las unidades hacen comparable la varianza y los atípicos dominan los ejes?
    AFE¿Es sustantivamente plausible un modelo de factores comunes y permite la rotación las correlaciones esperadas?
    AFC¿Se especificó el modelo antes de ver los resultados, está identificado y el estimador se ajusta a los datos?
    Todas¿La población, el diseño de recogida, los datos faltantes y la dependencia de las observaciones permiten la generalización prevista?

    11

    Diagnósticos, estabilidad e incertidumbre

    ACP

    Recalcular con covarianza y correlación si la escala es discutible, examinar observaciones influyentes y recordar que los signos de los ejes son arbitrarios. Comparar varianza explicada y contribuciones sin interpretar un eje como constructo latente.

    Jolliffe & Cadima (2016)

    AFE

    Comparar análisis paralelo, soluciones vecinas, comunalidades, cargas cruzadas, correlaciones factoriales y replicación con nuevos datos. Una solución sensible al número de factores, la extracción o la rotación sigue siendo exploratoria.

    Costello & Osborne (2005)

    AFC

    Informar parámetros, errores estándar o intervalos, residuos, prueba global y varios índices. Investigar el desajuste en vez de aplicar un umbral mágico.

    Goretzko, Siemund & Sterner (2024)

    12

    Cómo interpretar el resultado

    • ACP: «dos componentes resumen el 76 % de la varianza de esta matriz sintética».
    • AFE: «una estructura común de dos factores correlacionados es compatible con la matriz y debe probarse con nuevos datos».
    • AFC: «el modelo especificado reproduce la covarianza con la incertidumbre y discrepancias declaradas en la muestra de confirmación».

    13

    Conclusiones admisibles y prohibidas

    Admisible

    • Describir la reducción del ACP sin rebautizarla como factor latente.
    • Proponer con AFE una estructura candidata, con alternativas y estabilidad.
    • Evaluar con AFC un modelo preespecificado en una población y muestra declaradas.

    Prohibido

    • Afirmar que una alta varianza explicada prueba la validez del constructo.
    • Presentar una solución AFE inestable como estructura verdadera o universal.
    • Declarar validada una escala por un solo índice o por un AFC modificado en la misma muestra exploratoria.

    14

    Decisión de marketing posible

    1. 01

      Construir una puntuación operativa provisional con ACP, manteniendo su definición descriptiva.

    2. 02

      Revisar los ítems tras AFE y planificar una recogida independiente para AFC.

    3. 03

      Conservar, revisar o abandonar un modelo usando parámetros, residuos, incertidumbre, consecuencias de negocio y evidencia externa, nunca una sola cifra.

    15

    Cuándo usar y cuándo no usar

    Usar

    • ACP para compresión descriptiva de variables numéricas.
    • AFE cuando la estructura común sigue siendo incierta.
    • AFC cuando se define un modelo contrastable antes del análisis.

    No usar

    • Ninguno de estos métodos para demostrar causalidad de marketing.
    • ACP o AFE como sustituto automático de un AFC preespecificado.
    • AFC si el modelo está subidentificado o todos los cambios los dicta la misma muestra.

    16

    Métodos alternativos que considerar

    • Análisis de correspondencias para una tabla de contingencia, que no debe confundirse con el AFC confirmatorio.
    • Modelos de respuesta al ítem cuando son centrales el funcionamiento de los ítems y la información a lo largo del rasgo.
    • Modelos estructurales exploratorios o enfoques bayesianos cuando cargas cruzadas próximas a cero son más plausibles que ceros exactos.

    17

    Implementaciones reproducibles

    Python 3.13.7 · NumPy 2.3.2 · pandas 2.3.2 · factor_analyzer 0.5.1

    # Synthetic R; n_obs=300 is an illustrative pseudo-count only.
    import numpy as np
    import pandas as pd
    from factor_analyzer import (FactorAnalyzer, ConfirmatoryFactorAnalyzer,
                                 ModelSpecificationParser)
    
    R = np.array([
     [1,.64,.64,.256,.256,.256],
     [.64,1,.64,.256,.256,.256],
     [.64,.64,1,.256,.256,.256],
     [.256,.256,.256,1,.64,.64],
     [.256,.256,.256,.64,1,.64],
     [.256,.256,.256,.64,.64,1]])
    
    eigenvalues = np.linalg.eigvalsh(R)[::-1]
    print(eigenvalues, eigenvalues[:2].sum() / 6)
    
    efa = FactorAnalyzer(n_factors=2, method="minres",
                         rotation="oblimin", is_corr_matrix=True)
    efa.fit(R)
    print(efa.loadings_, efa.phi_, efa.get_uniquenesses())
    
    names = [f"v{i}" for i in range(1, 7)]
    definition = {"F1": names[:3], "F2": names[3:]}
    template = pd.DataFrame(np.zeros((1, 6)), columns=names)
    spec = ModelSpecificationParser.parse_model_specification_from_dict(
        template, definition)
    cfa = ConfirmatoryFactorAnalyzer(
        spec, n_obs=300, is_cov_matrix=True, disp=False)
    cfa.fit(R)
    print(cfa.loadings_, cfa.factor_varcovs_, cfa.error_vars_)
    print(cfa.get_model_implied_cov())

    R 4.5.1 · psych 2.5.6 · lavaan 0.6-20

    # Synthetic R; n.obs=300 is an illustrative pseudo-count only.
    R <- matrix(c(
    1,.64,.64,.256,.256,.256,
    .64,1,.64,.256,.256,.256,
    .64,.64,1,.256,.256,.256,
    .256,.256,.256,1,.64,.64,
    .256,.256,.256,.64,1,.64,
    .256,.256,.256,.64,.64,1), 6, 6, byrow=TRUE)
    colnames(R) <- rownames(R) <- paste0("v", 1:6)
    
    eigen(R)$values
    psych::fa(R, nfactors=2, n.obs=300,
              fm="minres", rotate="oblimin")
    
    model <- 'F1 =~ v1 + v2 + v3
              F2 =~ v4 + v5 + v6'
    fit <- lavaan::cfa(model, sample.cov=R,
                       sample.nobs=300, std.lv=TRUE)
    lavaan::summary(fit, fit.measures=TRUE, standardized=TRUE)

    IBM SPSS Statistics 31.0.0.0 · PCA / EFA

    * Synthetic R; N=300 is an illustrative pseudo-count only.
    MATRIX DATA VARIABLES=ROWTYPE_ v1 TO v6
     /FORMAT=FULL.
    BEGIN DATA
    N 300 300 300 300 300 300
    CORR 1 .64 .64 .256 .256 .256
    CORR .64 1 .64 .256 .256 .256
    CORR .64 .64 1 .256 .256 .256
    CORR .256 .256 .256 1 .64 .64
    CORR .256 .256 .256 .64 1 .64
    CORR .256 .256 .256 .64 .64 1
    END DATA.
    FACTOR MATRIX IN(COR=*) /ANALYSIS=v1 TO v6
     /CRITERIA=FACTORS(2) /EXTRACTION=PC /ROTATION=NONE.
    FACTOR MATRIX IN(COR=*) /ANALYSIS=v1 TO v6
     /CRITERIA=FACTORS(2) /EXTRACTION=PAF /ROTATION=OBLIMIN.
    * Confirmatory analysis requires an explicit Amos model.

    SAS 9.4 TS1M8 · PROC FACTOR · PROC CALIS

    * Synthetic R; N=300 is an illustrative pseudo-count only;
    data corr(type=corr);
      input _type_ $ _name_ $ v1-v6;
      datalines;
    N . 300 300 300 300 300 300
    CORR v1 1 .64 .64 .256 .256 .256
    CORR v2 .64 1 .64 .256 .256 .256
    CORR v3 .64 .64 1 .256 .256 .256
    CORR v4 .256 .256 .256 1 .64 .64
    CORR v5 .256 .256 .256 .64 1 .64
    CORR v6 .256 .256 .256 .64 .64 1
    ;
    proc factor data=corr method=prin nfact=2 rotate=none; run;
    proc factor data=corr method=prin priors=smc nfact=2 rotate=promax; run;
    proc calis data=corr corr nobs=300;
      factor F1 ---> v1-v3,
             F2 ---> v4-v6;
      pvar F1=1., F2=1.;
      cov F1 F2;
    run;

    Las versiones se declaran para hacer auditable el protocolo. Los resultados pueden variar con el estimador, la rotación, las convenciones de signo y los valores iniciales. El software nunca valida la elección del método.

    18

    Entregable final esperado

    1. 01

      Pregunta, población, unidad de análisis, variables y matriz utilizada.

    2. 02

      Justificación ACP, AFE o AFC antes de los resultados.

    3. 03

      Especificación, estimador, rotación, criterios de retención y versiones de software.

    4. 04

      Resultados completos, diagnósticos, sensibilidad, incertidumbre y fallos de convergencia.

    5. 05

      Conclusión admisible, conclusión prohibida y siguiente decisión humana.

    19

    Fuentes científicas y nivel de evidencia

    1. Jolliffe & Cadima (2016)Revisión metodológica

      Establece el objetivo descriptivo del ACP, la maximización sucesiva de varianza y la sensibilidad a escala y atípicos. No prueba la validez de un constructo de marketing.

    2. Costello & Osborne (2005)Revisión aplicada con análisis empíricos

      Distingue componentes y factores comunes y documenta extracción, retención y rotación. Sus recomendaciones no son umbrales universales.

    3. Goretzko, Siemund & Sterner (2024)Revisión empírica de 221 estudios

      Muestra por qué los índices no se leen con un único umbral absoluto y recomienda informar parámetros, residuos y evaluación completa. El contexto debe declararse.

    Datos · Herramienta

    Datos · MSC-P-009-MATRIXMatriz sintética ACP, AFE y AFC→

    Conexiones metodológicas

    Territorio principalCiencia de la medición: construir indicadores válidos

    Leer después

    MSC-P-005¿Cómo medir un constructo de marketing que no es directamente observable?→MSC-P-006¿Cómo diseñar y validar una escala de medición?→MSC-P-007Alfa u omega: ¿cómo evaluar la fiabilidad de una escala?→MSC-P-008¿Cómo validar una escala de medición de marketing?→