Métodos
Cada análisis que Explonia ejecuta en tu navegador, explicado en lenguaje claro — qué es, cuándo usarlo, los umbrales que esperan los revisores y cómo reportarlo en APA. Luego ejecútalo con tus datos, gratis para empezar.
Construye, valida y reporta tu modelo de medida — factores, fiabilidad y validez discriminante.
Análisis factorial confirmatorio
Prueba un modelo de medición que ya tienes — cargas, ajuste, AVE y CR — en el navegador, y luego exporta a SPSS, R o AMOS.
Abrir método análisis factorial exploratorioAnálisis factorial exploratorio
El análisis factorial exploratorio (EFA) encuentra la estructura detrás de un conjunto de ítems cuando no la conoces de antemano: cuántos factores hay y qué ítems pertenecen a cada uno. Las pautas habituales son un KMO de .60 o más (.80 es bueno), un test de Bartlett significativo (p < .05) y cargas de al menos .40 a .50 para la interpretación. Puedes ejecutar el EFA en línea en Explonia, en tu navegador, con datos que recoges o subes.
Abrir método diferencia efa vs cfaEFA vs CFA
EFA vs CFA — cuándo explorar y cuándo confirmar — con una tabla de decisión, y ambos se ejecutan en Explonia.
Abrir método fiabilidad alpha de cronbachFiabilidad (alpha, omega, CR, AVE)
Obtén el α de Cronbach, el ω de McDonald, la composite reliability (CR) y el AVE por constructo, con los umbrales comprobados por ti.
Abrir método htmt validez discriminanteHTMT — validez discriminante
Comprueba la validez discriminante con el ratio HTMT en un clic — con los umbrales .85 y .90 aplicados por ti.
Abrir método sesgo de método comúnSesgo de método común
El sesgo de método común (CMB), o varianza de método común, es covarianza artificial que surge cuando los mismos respondientes contestan todas tus preguntas con el mismo método al mismo tiempo. Puede inflar o reducir las correlaciones entre constructos. El test de un factor de Harman señala un problema cuando un factor explica el 50% o más de la varianza, pero el test es débil y no debería ser tu única evidencia. Los controles más sólidos modelan directamente la varianza de método: un factor latente común (ULMC) o, preferiblemente, una marker variable medida.
Abrir métodoPon a prueba relaciones entre constructos y compara grupos con SEM.
SEM basado en covarianzas
El SEM basado en covarianzas (CB-SEM) prueba un modelo teórico completo, tanto la parte de medición como las trayectorias entre constructos, reproduciendo la matriz de covarianzas observada. Ofrece índices de ajuste global, así que puedes confirmar o rechazar una teoría. Los puntos de corte de uso común son CFI y TLI de .95 o más, RMSEA de .06 o menos y SRMR de .08 o menos (Hu & Bentler, 1999), y con frecuencia se tratan como aceptables un CFI/TLI de .90 y un RMSEA de .08. El CB-SEM se ajusta a una teoría madura con constructos reflectivos; para predicción o constructos formativos, considera PLS-SEM.
Abrir método análisis pls-semPLS-SEM
Ejecuta PLS-SEM sobre tus propios datos — coeficientes de trayectoria, intervalos de confianza bootstrap y R² — sin necesidad de licencia de SmartPLS.
Abrir método análisis de mediaciónAnálisis de mediación
Prueba efectos indirectos con intervalos de confianza bootstrap — y obtén la frase APA redactada para que la edites.
Abrir método measurement invarianceMeasurement invariance
La measurement invariance comprueba si una escala significa lo mismo en distintos grupos, en tres pasos anidados: configural (mismo patrón de cargas), métrica (cargas iguales) y escalar (cargas e interceptos iguales). Necesitas invariance escalar antes de comparar medias latentes entre grupos. Cada paso añade restricciones, y la invariance se respalda cuando el ajuste no empeora de forma relevante: un cambio en CFI (ΔCFI) de .01 o menos (Cheung & Rensvold, 2002), a menudo leído junto con un ΔRMSEA de .015 o menos (Chen, 2007).
Abrir métodoDiseña estudios y compara condiciones, segmentos o compensaciones entre atributos.
Análisis conjoint
Crea un estudio conjoint basado en valoraciones o basado en elección (CBC/HB), recoge datos y lee las utilidades part-worth y la importancia de los atributos — de principio a fin.
Abrir método comparación entre gruposComparación entre grupos
Compara grupos con t-tests o ANOVA, tamaños del efecto y comprobación de supuestos — listo para reportar en APA.
Abrir métodoDescribe your data and test simple relationships: summaries, cross-tabs, regression and repeated measures.
Estadística descriptiva
El primer paso de todo análisis — medias, desviaciones típicas, asimetría, curtosis y una matriz de correlaciones, listas para reportar en APA.
Abrir método análisis de regresiónAnálisis de regresión
Predice un resultado a partir de varias variables observadas — lineal o logística — con coeficientes, R², comprobaciones de VIF y resultados listos para APA.
Abrir método ANOVA de medidas repetidasANOVA de medidas repetidas
ANOVA de medidas repetidas (intra-sujetos) para diseños pre/post o de varias condiciones — con el test de esfericidad de Mauchly, correcciones, eta cuadrado parcial y reporte APA.
Abrir método tablas de contingenciaTablas de contingencia y chi-cuadrado
Prueba si dos variables categóricas están asociadas — con una tabla de contingencia, prueba χ², tamaño del efecto y un resultado listo para APA.
Abrir métodoPlan the sample you need before you collect data, and check that the assumptions behind your model hold.
Potencia y tamaño muestral
Calcula el tamaño muestral que necesitas antes de lanzar un estudio — para que los revisores acepten tu N y tus resultados merezcan confianza.
Abrir método diagnósticosComprobación de supuestos y diagnósticos
Antes de confiar en un valor p, confirma que se cumplen los supuestos del modelo. Estas son las comprobaciones que importan y qué hacer cuando fallan.
Abrir métodoRealiza todo tu estudio en un solo lugar
Diséñalo, recoge los datos y obtén un análisis de nivel de publicación con un borrador de párrafo APA que puedes editar — empieza gratis.
Empezar gratis