{"id":{"repo_id":"javeriana","oai_identifier":"oai:repository.javeriana.edu.co:10554/70795"},"canonical_url":"https://search.dev.ndltd.org/etd/javeriana/oai:repository.javeriana.edu.co:10554/70795","repository":{"repo_id":"javeriana","name":"Pontificia Universidad Javeriana","base_url":"https://repository.javeriana.edu.co/oai/request"},"display":{"title":"Comparación de la exactitud y precisión en diferentes condiciones de cuatro métodos de extracción de factores latentes : Kaiser-PRINCALS, mínimo promedio parcial, análisis paralelo y el análisis exploratorio gráfico","abstract":"Objetivo: Comparar el desempeño en términos de precisión y exactitud de 4 métodos para la extracción de factores latentes: Kaiser-PRINCALS (el método Kaiser aplicado al Análisis de Componentes Principales no lineal o categórico acortado como KP), el Mínimo Promedio Parcial (MAP por sus siglas en inglés), el Análisis Paralelo (PA por sus siglas en inglés) y el Análisis Exploratorio Gráfico (EGA por sus siglas en inglés). Método: Se realizó un estudio de simulación con un diseño cruzado, en el que se crearon 720,000 escenarios manipulando: el número de factores, magnitud de la matriz de correlación para simular las bases de datos, el número de categorías de repuesta, el tamaño de muestra, la carga factorial, la correlación entre factores, la estructura de correlación, y el número de variables por factor. Para verificar el desempeño de los métodos se estimaron las medidas de la proporción de correcta estimación de factores (PC), la media del error del sesgo (MBE) y la media del error absoluto (MAE). Resultados: El EGA tuvo una PC mayor o igual al 70% y menores medidas de MAE y MBE en la mayoría de los escenarios. El KP fue el método con mayores medidas MBE y MAE y menores de PC. Métodos tradicionales como el MAP y PA demostraron menores desempeño que el EGA, aunque el primero demostró una PC mayor o igual al 70% en escenarios de 8 variables por factor y el segundo en escenarios de 2 o 4 factores con altas cargas factoriales. Conclusiones: Se aconseja el uso del EGA en la mayoría de los escenarios probados en este estudio. El MAP y PA pueden ser adecuadas opciones cuando se tienen 8 variables por factor y altas cargas factoriales (combinado con 2 o 4 factores) respectivamente. Se desaconseja el uso del KP, especialmente cuando se analizan matrices de correlación.","abstract_html":"Objetivo: Comparar el desempeño en términos de precisión y exactitud de 4 métodos para la extracción de factores latentes: Kaiser-PRINCALS (el método Kaiser aplicado al Análisis de Componentes Principales no lineal o categórico acortado como KP), el Mínimo Promedio Parcial (MAP por sus siglas en inglés), el Análisis Paralelo (PA por sus siglas en inglés) y el Análisis Exploratorio Gráfico (EGA por sus siglas en inglés). Método: Se realizó un estudio de simulación con un diseño cruzado, en el que se crearon 720,000 escenarios manipulando: el número de factores, magnitud de la matriz de correlación para simular las bases de datos, el número de categorías de repuesta, el tamaño de muestra, la carga factorial, la correlación entre factores, la estructura de correlación, y el número de variables por factor. Para verificar el desempeño de los métodos se estimaron las medidas de la proporción de correcta estimación de factores (PC), la media del error del sesgo (MBE) y la media del error absoluto (MAE). Resultados: El EGA tuvo una PC mayor o igual al 70% y menores medidas de MAE y MBE en la mayoría de los escenarios. El KP fue el método con mayores medidas MBE y MAE y menores de PC. Métodos tradicionales como el MAP y PA demostraron menores desempeño que el EGA, aunque el primero demostró una PC mayor o igual al 70% en escenarios de 8 variables por factor y el segundo en escenarios de 2 o 4 factores con altas cargas factoriales. Conclusiones: Se aconseja el uso del EGA en la mayoría de los escenarios probados en este estudio. El MAP y PA pueden ser adecuadas opciones cuando se tienen 8 variables por factor y altas cargas factoriales (combinado con 2 o 4 factores) respectivamente. Se desaconseja el uso del KP, especialmente cuando se analizan matrices de correlación.","abstract_has_math":false,"creators":["Martinez Ramos, Nicolas"],"institution":"Pontificia Universidad Javeriana","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Rondón Sepúlveda, Martín Alonso"],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-08-21T22:21:56Z","subjects":["Simulacion","Extracción-factores","Psicometría","Análisis-factorial"],"languages":["spa"],"rights":[],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/10554/70795","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"source_record":{"url":"https://repository.javeriana.edu.co/oai/request?verb=GetRecord&metadataPrefix=dim&identifier=oai%3Arepository.javeriana.edu.co%3A10554%2F70795","prefix":"dim"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Rondón Sepúlveda, Martín Alonso"]},{"key":"dc:creator","label":"Author","values":["Martinez Ramos, Nicolas"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2025-08-01T15:34:28Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2025-08-01T15:34:28Z"]},{"key":"dc:publisher","label":"Institution","values":["Pontificia Universidad Javeriana"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Simulacion","Extracción-factores","Psicometría","Análisis-factorial"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["spa"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/10554/70795"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Objetivo: Comparar el desempeño en términos de precisión y exactitud de 4 métodos para la extracción de factores latentes: Kaiser-PRINCALS (el método Kaiser aplicado al Análisis de Componentes Principales no lineal o categórico acortado como KP), el Mínimo Promedio Parcial (MAP por sus siglas en inglés), el Análisis Paralelo (PA por sus siglas en inglés) y el Análisis Exploratorio Gráfico (EGA por sus siglas en inglés). Método: Se realizó un estudio de simulación con un diseño cruzado, en el que se crearon 720,000 escenarios manipulando: el número de factores, magnitud de la matriz de correlación para simular las bases de datos, el número de categorías de repuesta, el tamaño de muestra, la carga factorial, la correlación entre factores, la estructura de correlación, y el número de variables por factor. Para verificar el desempeño de los métodos se estimaron las medidas de la proporción de correcta estimación de factores (PC), la media del error del sesgo (MBE) y la media del error absoluto (MAE). Resultados: El EGA tuvo una PC mayor o igual al 70% y menores medidas de MAE y MBE en la mayoría de los escenarios. El KP fue el método con mayores medidas MBE y MAE y menores de PC. Métodos tradicionales como el MAP y PA demostraron menores desempeño que el EGA, aunque el primero demostró una PC mayor o igual al 70% en escenarios de 8 variables por factor y el segundo en escenarios de 2 o 4 factores con altas cargas factoriales. Conclusiones: Se aconseja el uso del EGA en la mayoría de los escenarios probados en este estudio. El MAP y PA pueden ser adecuadas opciones cuando se tienen 8 variables por factor y altas cargas factoriales (combinado con 2 o 4 factores) respectivamente. Se desaconseja el uso del KP, especialmente cuando se analizan matrices de correlación."]},{"key":"dc:format","label":"Dc Format","values":["PDF"]},{"key":"dc:format.mimetype","label":"Dc Format Mimetype","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Comparación de la exactitud y precisión en diferentes condiciones de cuatro métodos de extracción de factores latentes : Kaiser-PRINCALS, mínimo promedio parcial, análisis paralelo y el análisis exploratorio gráfico"]}]}],"canonical_facts":{"dc:contributor.advisor":["Rondón Sepúlveda, Martín Alonso"],"dc:creator":["Martinez Ramos, Nicolas"],"dc:date.accessioned":["2025-08-01T15:34:28Z"],"dc:date.available":["2025-08-01T15:34:28Z"],"dc:description.abstract":["Objetivo: Comparar el desempeño en términos de precisión y exactitud de 4 métodos para la extracción de factores latentes: Kaiser-PRINCALS (el método Kaiser aplicado al Análisis de Componentes Principales no lineal o categórico acortado como KP), el Mínimo Promedio Parcial (MAP por sus siglas en inglés), el Análisis Paralelo (PA por sus siglas en inglés) y el Análisis Exploratorio Gráfico (EGA por sus siglas en inglés). Método: Se realizó un estudio de simulación con un diseño cruzado, en el que se crearon 720,000 escenarios manipulando: el número de factores, magnitud de la matriz de correlación para simular las bases de datos, el número de categorías de repuesta, el tamaño de muestra, la carga factorial, la correlación entre factores, la estructura de correlación, y el número de variables por factor. Para verificar el desempeño de los métodos se estimaron las medidas de la proporción de correcta estimación de factores (PC), la media del error del sesgo (MBE) y la media del error absoluto (MAE). Resultados: El EGA tuvo una PC mayor o igual al 70% y menores medidas de MAE y MBE en la mayoría de los escenarios. El KP fue el método con mayores medidas MBE y MAE y menores de PC. Métodos tradicionales como el MAP y PA demostraron menores desempeño que el EGA, aunque el primero demostró una PC mayor o igual al 70% en escenarios de 8 variables por factor y el segundo en escenarios de 2 o 4 factores con altas cargas factoriales. Conclusiones: Se aconseja el uso del EGA en la mayoría de los escenarios probados en este estudio. El MAP y PA pueden ser adecuadas opciones cuando se tienen 8 variables por factor y altas cargas factoriales (combinado con 2 o 4 factores) respectivamente. Se desaconseja el uso del KP, especialmente cuando se analizan matrices de correlación."],"dc:format":["PDF"],"dc:format.mimetype":["application/pdf"],"dc:identifier.uri":["http://hdl.handle.net/10554/70795"],"dc:language.iso":["spa"],"dc:publisher":["Pontificia Universidad Javeriana"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:subject":["Simulacion","Extracción-factores","Psicometría","Análisis-factorial"],"dc:title":["Comparación de la exactitud y precisión en diferentes condiciones de cuatro métodos de extracción de factores latentes : Kaiser-PRINCALS, mínimo promedio parcial, análisis paralelo y el análisis exploratorio gráfico"]},"updated_at":"2026-08-21T22:21:56Z"}