Cuando se utiliza el estructura muy simple puede elegir entre los criterios VSS y MAP, que no llegan nunca a conclusiones idénticas. Por supuesto, su Complejidad del VSS 2 es mayor que el valor de Complejidad del VSS 1 : hay que considerar el valor mayor, por lo que se puede aceptar la solución de complejidad 2 (si no me equivoco con tus datos). Sin embargo, comprueba también el criterio MAP de Velicer, porque el criterio VSS no es nunca óptimo. ¿Cuántos factores le sugiere el MAP para retener? ¿Están de acuerdo el MAP y el VSS?
Te sugiero que realices también un análisis paralelo, presentando la matriz de correlación tetracórica (ya que tus datos son dicotómicos).
Una última sugerencia. Recientemente, Ruscio y Roche han propuesto un método novedoso para determinar la solución óptima del factor mediante datos de comparación (CD). En lugar de generar datos aleatorios, como hace el análisis paralelo, este método utiliza una técnica de simulación que reproduce los datos de la investigación variando la estructura de los factores, por lo que compara la matriz de correlaciones de tus datos con la de los datos simulados de 1 factor, 2 factores, 3 factores... y así sucesivamente (tú eliges cuántos factores tiene que generar y comparar el programa). Aunque se trata de un método reciente, creo que es prometedor, por lo que te sugiero que lo pruebes. Los autores proporcionan el código R para implementar este método aquí . Sólo tienes que descargar la página como un archivo de texto y luego importar en R el programa ( source(txt file directory) ).
Una vez importado el script, el comando para realizar el análisis es muy sencillo. En este caso, x es un marco de datos con 9 variables, creado de forma que hay tres factores correlacionados:
> EFA.Comp.Data(Data=x, F.Max=9, Graph=T) # use the method on the data frame 'x'
# extract from 1 to 9 factors
# and plot the results
Number of factors to retain: 3
![enter image description here]()
La salida del programa le devuelve el número de factores a retener y en el gráfico puede ver el número de factores y el valor propio RMSR relativo. Tenga en cuenta que cuando su marco de datos tiene muchas variables, el proceso de simulación es lento, por lo que tiene que esperar un poco para los resultados.
Si realizo un VSS sobre los mismos datos, los resultados son:
> vss(x)
Very Simple Structure
Call: VSS(x = x, n = n, rotate = rotate, diagonal = diagonal, fm = fm,
n.obs = n.obs, plot = plot, title = title)
VSS complexity 1 achieves a maximimum of 0.79 with 1 factors
VSS complexity 2 achieves a maximimum of 0.88 with 6 factors
The Velicer MAP criterion achieves a minimum of 0.06 with 3 factors
Velicer MAP
[1] 0.10 0.10 0.06 0.10 0.16 0.27 0.50 1.00
Very Simple Structure Complexity 1
[1] 0.79 0.68 0.68 0.68 0.68 0.68 0.68 0.69
Very Simple Structure Complexity 2
[1] 0.00 0.87 0.87 0.86 0.86 0.88 0.88 0.75
Como se puede ver, el criterio MAP es el único que da la solución correcta de 3 factores. Y si hago un análisis paralelo:
> fa.parallel(x)
Parallel analysis suggests that the number of factors = 3 and the number of components = 3
Los resultados de la AP son correctos. Por eso te sugiero que utilices tanto el PA como el CD, y que compares las dos técnicas. Y si quieres utilizar el método VSS, el criterio MAP es más fiable.
Espero que esto ayude. Saludos.
Andrea
Referencia:
Ruscio, J., & Roche, B. (2012). Determinación del número de factores a retener en un análisis factorial exploratorio utilizando datos de comparación de estructura factorial conocida. Evaluación psicológica, 24, 282-292. (Resumen de PubMed)
