Análisis factorial exploratorio (EFA)
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.
Esta página es una traducción del original inglés revisado. Ver el original (EN)
análisis factorial exploratorioQué es
El análisis factorial exploratorio (EFA) descubre la estructura que hay detrás de un conjunto de ítems cuando no la conoces de antemano. Examina las correlaciones entre los ítems y agrupa los que se mueven juntos, sugiriendo cuántos factores subyacentes existen y qué ítems pertenecen a cada uno. El EFA está guiado por los datos: no le dices la estructura, dejas que él proponga una. Es el primer paso natural cuando desarrollas una escala nueva o adaptas una existente a un nuevo contexto, y prepara una prueba confirmatoria posterior.
Cuándo usarlo
- Estás desarrollando una escala nueva y aún no conoces sus dimensiones.
- Adaptaste una escala a un nuevo contexto, idioma o muestra y quieres comprobar la estructura.
- Tienes muchos ítems y quieres reducirlos a unos pocos factores interpretables.
- Necesitas evidencia de adecuación muestral (KMO, Bartlett) antes de factorizar.
Cuándo no usarlo
- Ya tienes una estructura claramente hipotetizada — confírmala con CFA en su lugar.
- Tus ítems son indicadores formativos — no se espera que compartan un factor común.
Supuestos
- Los ítems son al menos aproximadamente de intervalo y están relacionados linealmente.
- El muestreo es adecuado — el KMO y el test de esfericidad de Bartlett respaldan la factorabilidad.
- Tamaño de muestra suficiente — muchas pautas sugieren N ≥ 200 o al menos 5–10 casos por ítem.
- Existen algunas correlaciones significativas entre los ítems (una matriz de correlaciones casi identidad no puede factorizarse).
Umbrales y valores de corte
| Criterion | Rule of thumb | Source |
|---|---|---|
| KMO (adecuación muestral) | ≥ .60 aceptable, ≥ .80 bueno | Kaiser (1974) |
| Test de esfericidad de Bartlett | p < .05 (las correlaciones difieren de la identidad) | Bartlett (1954) |
| Autovalor (regla de Kaiser) | > 1 para retener un factor (úsalo con un gráfico de sedimentación / análisis paralelo) | Kaiser (1960) |
| Carga factorial | ≥ .40 a .50 para interpretación | Hair et al. (2019) |
Cómo informarlo en APA
La adecuación muestral fue aceptable, KMO = .XX, y el test de esfericidad de Bartlett fue significativo, χ²(df) = X.XX, p < .001. El análisis factorial exploratorio con [extracción] y rotación [rotación] retuvo X factores con autovalores por encima de 1, explicando XX% de la varianza. Todos los ítems cargaron por encima de .40 en su factor previsto sin cross-loadings problemáticos.
Cómo lo ejecuta Explonia
Explonia ejecuta el EFA en el navegador a partir de los datos que recoges o subes. Reporta la medida KMO y el test de Bartlett, los autovalores y un gráfico de sedimentación, y las cargas factoriales rotadas, para que veas cuántos factores emergen y qué ítems cargan dónde. La salida redacta una «Article description» en estilo APA que puedes revisar y editar. Cuando estés listo para confirmar la estructura, los mismos ítems pasan directamente al CFA. La exportación a SPSS (.sav) y R está disponible en los planes de pago.
Preguntas frecuentes
¿Qué valor de KMO es bueno para el EFA?
Un KMO ≥ .60 es aceptable y ≥ .80 es bueno (Kaiser, 1974). Un KMO bajo significa que los ítems no comparten suficiente varianza común para una solución factorial sensata.
¿Cómo decido cuántos factores retener?
No te bases solo en la regla del autovalor mayor que 1. Combínala con un gráfico de sedimentación e, idealmente, un análisis paralelo, y luego comprueba que los factores sean interpretables.
¿Qué método de extracción debería usar en el EFA?
Para modelos de factores latentes usa un método de factor común — factorización de ejes principales o maximum likelihood (ML), donde ML permite pruebas de ajuste cuando los ítems son aproximadamente normales. El análisis de componentes principales (PCA) es una técnica de reducción de datos, no un verdadero análisis factorial, así que repórtalo como tal si lo usas.
¿Qué rotación debería usar en el EFA?
Usa una rotación oblicua (como promax u oblimin) cuando se espera que los factores correlacionen, lo cual es común en ciencias sociales, y una rotación ortogonal (varimax) cuando asumes que no lo hacen. En caso de duda, empieza con oblicua: si los factores resultan casi no correlacionados, el resultado se acerca de todos modos a una solución ortogonal.
EFA o CFA — ¿cuál es la diferencia?
El EFA descubre la estructura cuando no la conoces; el CFA confirma una estructura que ya hipotetizas. Consulta nuestra comparación EFA vs CFA para una guía de decisión.
Last updated: septiembre 2026
Ejecuta EFA con tus propios datos
Recoge o sube tus datos, ejecuta el análisis en tu navegador y obtén un borrador de párrafo APA que puedes editar. Empieza gratis. Sin tarjeta.
Empezar gratis