Análisis Multivariante, Conceptos y Aplicaciones en Psicología Educativa y Psicometría

Análisis multivariante, conceptos y aplicaciones
en Psicología Educativa y Psicometría
Antonio Humberto Closas, Edgardo Alberto Arriola,

Cristina Isabel Kuc, Mariela Rosana Amarilla,
Ethel Carina Jovanovich
Resumen
El objetivo de este trabajo radica, por una parte, en brindar un panorama introductorio sobre
distintos conceptos de Análisis Multivariante (AM) y, por otra, proporcionar información
acerca de diferentes aplicaciones realizadas en el área de la Psicología Educativa y de la Psico-
metría. La disponibilidad de programas informáticos, el progreso de la tecnología y el desa-
rrollo de la teoría multivariante, han producido en las últimas décadas un notable crecimiento
en la utilización de métodos y modelos estadísticos en todos los campos de la investigación
científica. Las técnicas que conforman el AM permiten abordar distintos problemas de predic-
ción, clasificación y segmentación, habitualmente presentes en las realidades de diversas áreas
de conocimiento.
Palabras clave: análisis multivariante - modelización estadística - psicología educativa - psi-
cometría.
Abstract
The aim of this work lies, on one hand, in showing an introductory view about different
concepts of Multivariate Analysis (MA), and, on the other hand, in providing information
about different applications made in the area of Educational Psychology, and Psychometrics.
The availability of computer programs, the progress of technology, and the development
of the multivariate theory have produced a remarkable growth in the use of methods and
statistic models in all the fields of scientific investigation in the last decades. The techniques
which make up the MA allow to approach different problems of prediction, classification and
segmentation, which are usually present in many areas of knowledge.
Keywords: multivariate analysis - statistics modeling - educational psychology - psychome-
trics.
Introducción
En diferentes campos del conocimiento, el análisis numérico de la informa-
ción frecuentemente se realiza por medio de distintos cálculos estadísticos.
Actualmente, se encuentran disponibles métodos que otorgan nuevas posi-
bilidades de tratamiento cuantitativo, que ciertamente no sería posible rea-
lizar con los procedimientos tradicionales uni y bivariantes. Estos métodos,
integrados por una serie de técnicas de análisis de datos que forman parte
Enfoques XXV, 1 (Otoño 2013): 65-92

66 Closas y otros
de la rama de la Estadística conocida como análisis multivariante, resultan de

gran utilidad para llevar adelante estudios tanto de dependencia como de
interdependencia entre variables. Podría decirse que el análisis multivarian-
te se inició con la utilización de la regresión lineal por parte de Gauss en
1809 y, posteriormente, por otros estadísticos como Markov en 1900; en
tanto que las técnicas más recientes tuvieron origen en los años treinta. En
el presente, se encuentran disponibles diversos programas informáticos (R,
SPSS, S-PLUS, AMOS, STATA, Mplus, SAS, EQS, SAS Calis, entre otros),
los cuales incluyen procedimientos razonablemente sencillos para aplicar la
mayoría de las técnicas del análisis multivariante de datos.
En las últimas décadas se ha producido un gran crecimiento en la utili-
zación de estas técnicas en todos los campos de la investigación científica.
Si bien podrían darse muchas razones para este uso creciente, las tres más
importantes –de acuerdo con Dillon y Goldstein– posiblemente sean las
siguientes:1
• En la mayoría de las investigaciones científicas es necesario analizar
relaciones simultáneas entre tres o más variables.
• La investigación científica es un proceso iterativo, primero es ne-
cesaria la formulación explícita de las hipótesis que después han de
contrastarse mediante la recogida y el análisis de los datos. Probable-
mente, los resultados de estos análisis sugieran una modificación de
las hipótesis, siendo normal que durante este proceso se añadan y
eliminen continuamente variables. La complejidad de los fenómenos
analizados hace que sean muchas las variables implicadas, de allí que
las investigaciones sean necesariamente multivariantes.
• El desarrollo de computadoras personales con capacidad de almace-
namiento y potencia de procesamiento suficiente, así como de pro-
gramas estadísticos cada vez más fáciles de usar y con mayores pres-
taciones para el análisis de datos.
Definir el análisis multivariante no es una tarea sencilla; no obstante, se
dan algunas opciones que permitirán clarificarlo razonablemente y acercarse
a su significado.
W. R. Dillon y M. Goldstein, Multivariate Analysis. Methods and Applications (New York: Wiley
1
& Sons, 1984).

Análisis multivariante, conceptos y aplicaciones... 67
• Ciertos autores se inclinan por mostrarlo como una extensión del

análisis bivariante.2 Bajo esta perspectiva, el análisis multivariante sería
el caso general y las técnicas univariantes o bivariantes serían los casos
particulares de las técnicas multivariantes.
• De una manera algo más formal, Kachigan define el análisis multiva-
riante como la rama del análisis estadístico que se centra en la investi-
gación simultánea de dos o más características (variables) medidas en
un conjunto de objetos (personas, cosas o entidades).3
• En tanto que, para Salvador Figueras puede ser definido como el con-
junto de métodos estadísticos cuya finalidad es analizar simultánea-
mente grupos de datos multivariantes, en el sentido de que hay varias
variables medidas para cada individuo u objeto de estudio.4 Para este
autor, su razón de ser radica en un mejor entendimiento del fenómeno
que se analiza, obteniendo información que los métodos estadísticos
univariantes y bivariantes son incapaces de conseguir.
En virtud de lo que antecede, se podría decir que las técnicas multiva-
riantes difieren de las uni y bivariantes en que dirigen su atención, no al
análisis de la media y la varianza de una variable, o a la correlación entre dos
variables, sino al análisis de las covarianzas o correlaciones que reflejan las
relaciones entre tres o más variables.
Los objetivos que persigue el análisis multivariante, podrían sintetizarse del
siguiente modo:
• Proporcionar métodos cuya finalidad es el estudio conjunto de datos
multivariantes, lo que a través del análisis estadístico uni y bivariante
no es posible lograr.
• Ayudar al investigador a tomar decisiones óptimas en el contexto en
el que se encuentre teniendo en cuenta la información que aporta el
conjunto de datos analizado.
Antes de finalizar con esta breve introducción, se considera conveniente
señalar que, al trabajar con datos reales, en muchas ocasiones resulta que las
2
B. G. Tabachnick y L. S. Fidell, Using Multivariate Statistics (New York: Harper Collins,
1996, 3ª ed.).
3
S. K. Kachigan, Multivariate Statistical Analysis (New York: Radius Press, 1991, 2ª ed.).
4
M. Salvador Figueras, “Introducción al Análisis Multivariante” (2000 [citado el 31 de
octubre de 2011]), disponible en http://ciberconta.unizar.es/LECCION/anamul/inicio.
html

68 Closas y otros
hipótesis de normalidad y homocedasticidad multivariante no se verifican

estrictamente (en general, para la aplicación de las técnicas multivariantes se
requiere el cumplimiento de los supuestos paramétricos: normalidad, linea-
lidad, independencia, homocedasticidad, etc.). Sin embargo, en la mayoría
de estas situaciones dichos supuestos “casi” se cumplen; de todas formas,
lo que realmente interesa, en estos casos, es conocer los efectos que pueden
tener sobre los resultados las violaciones de estas hipótesis.
Existe clara evidencia, tanto matemática como empírica, de que las prue-
bas con una sola variable dependiente (análisis de la varianza, de regresión,
de la covarianza, etc.) son altamente robustas bajo la violación de los prin-
cipios de normalidad y homocedasticidad, excepto cuando las muestras son
muy pequeñas y desiguales. En el análisis multivariante, sostiene Harris, la
tendencia está en considerar que en muestras grandes (N > 30) sus métodos
son lo suficientemente robustos como para ser insensibles a ligeras desvia-
ciones de los supuestos estadísticos.5
Sin embargo, siguiendo a Closas, en algunas técnicas las exigencias po-
drían ser mayores; por ejemplo, en modelos de ecuaciones estructurales
(MEE), el tamaño muestral que habitualmente se requiere suele ser superior
a los 100 objetos. Como regla general, en estudios mediante MEE, deben
obtenerse cinco veces más observaciones que el número de variables que
van a ser analizadas, aunque el ratio óptimo (observaciones-variables) para
la selección de la muestra es de diez a uno.6
Se concluye este primer apartado señalando que el propósito de este tra-
bajo, como de alguna manera dejan ver las consideraciones que anteceden,
radica simplemente en brindar un panorama inicial, de tipo descriptivo-in-
formativo, sobre distintos conceptos del análisis multivariante. Asimismo, se
exponen breves aspectos acerca de ciertos trabajos de investigación aplicada,
realizados en el campo de la Psicología Educativa y de la Psicometría, que se
estiman pertinentes presentar en razón de que ilustran la utilidad de algunas
de las técnicas que integran los conjuntos que serán objeto de estudio.
R. J. Harris, A Primer of Multivariate Statistics (Orlando, FL: Academic Press, 1985, 2ª ed.).
5
A. H. Closas, “Ecuaciones estructurales, una técnica estadística para formular y contrastar

6
modelos de relaciones causa-efecto”, Actualidad y Prospectiva 1, nº 7 (Noviembre, 2011):

175-189.

Clasificación
Las técnicas multivariantes pueden ser clasificadas –de acuerdo con Uriel
y Aldás– en dos grandes grupos:7
Técnicas explicativas o de dependencia
Estas técnicas investigan la existencia o ausencia de relaciones entre dos

grupos de variables. En caso que estos grupos se encuentren clasificados en
variables dependientes e independientes, el objetivo de las técnicas de de-
pendencia será establecer si el conjunto de variables independientes afecta al
conjunto de variables dependientes de manera conjunta o individualmente.
Fig. 1. Técnicas explicativas o de dependencia.
En general, para saber qué técnica se debe aplicar es necesario conocer

cómo están medidas las variables que participan en el estudio. El proce-
so de elección de algunas técnicas de dependencia, se realiza atendiendo
a las respuestas que se brindan a las siguientes preguntas: (a) ¿las variables
están medidas en escalas métricas o no métricas?, (b) ¿cuántas variables de-
pendientes existen?, y (c) ¿cuántas relaciones se plantean entre las variables
E. Uriel y J. Aldás, Análisis Multivariante Aplicado (Madrid: Thomson, 2005).

7

70 Closas y otros
dependientes e independientes? En este marco, las técnicas de análisis de

dependencia son las que se indican en la Figura 1.
A continuación, se presentan algunos conceptos relativos a las técnicas
multivariantes que se encuentran descriptas en la Figura 1.
Regresión lineal múltiple
Es la técnica adecuada si en el análisis hay una variable dependiente cuyo

valor depende de varias variables independientes métricas o no métricas.
En diversas investigaciones esta técnica tiene un papel fundamental puesto
que su aplicación permite, entre otras utilidades, observar de qué manera las
variables independientes logran predecir la variable dependiente o criterio.
En otras palabras, a partir del análisis de regresión será posible inferir acerca
de la existencia o no de relaciones significativas entre las variables indepen-
dientes y la variable criterio o respuesta, siempre dentro del marco científico
establecido para la investigación en curso. El siguiente es un esquema sim-
plificado relativo al análisis de regresión múltiple:
A modo de ejemplo, se podría desear saber la existencia o no de relación

entre el nivel de ingresos, medido en pesos, de una persona (variable depen-
diente métrica) y un grupo de variables entre las que se encuentran el nivel
educativo, la edad (ambas independientes métricas) y el género (independiente
no métrica).
Análisis discriminante
Esta técnica se utiliza para clasificar a distintos individuos en grupos (o

poblaciones) alternativos a partir de los valores de un conjunto de variables
sobre los individuos a los que se pretende clasificar. Cada individuo puede
pertenecer a un solo grupo. La pertenencia a uno u otro grupo se introduce
en el análisis mediante una variable categórica que toma tantos valores como
grupos existan. En el análisis discriminante esta variable desempeña el papel
de variable dependiente.

Regresión de variable dependiente limitada
Es la técnica que se utiliza en aquellos casos como los planteados para la

regresión lineal múltiple; sin embargo, presenta la diferencia de que la varia-
ble dependiente es dicotómica (claro que en esta situación también podría
usarse el análisis discriminante). Así, por ejemplo, puede suceder que las op-
ciones de respuestas de la variable nivel de ingresos, antes citada, se encuentren
codificadas como 1 = inferior a la media y 2 = superior a la media.
De lo expuesto surge que, más allá de coincidir en el objetivo de análisis,
el modo en que está medida la variable dependiente condiciona la elección
de la técnica. Esto es, si la variable dependiente es métrica se debe utilizar el
análisis de regresión lineal; en caso contrario, se ha de optar por el análisis
discriminante (si es categórica con varios grupos) o la regresión de variable
dependiente limitada (si los grupos definidos a priori son exclusivamente
dos).
Correlación canónica
Este análisis pretende determinar la existencia de asociación lineal entre

un conjunto de variables independientes y otro conjunto de variables depen-
dientes, de acuerdo con el esquema simplificado:
A modo de ejemplo, un investigador puede querer establecer cómo in-

fluyen las variables antes mencionadas –nivel educativo, edad y género– no sólo
sobre el nivel de ingresos, medido en pesos, sino también sobre el nivel de satis-
facción con el empleo actual, medido mediante una escala tipo Likert en la que
las opciones se valoran de 1 (totalmente insatisfecho) a 5 (totalmente satis-
fecho) puntos, por lo que ambas variables dependientes resultan métricas.
En vista del ejemplo presentado, es fácil ver que la regresión lineal múltiple
conforma un caso particular del análisis de correlación canónica cuando
sólo se dispone de una variable dependiente.

72 Closas y otros
Análisis multivariante de la varianza (MANOVA)
En este análisis se consideran simultáneamente varias variables depen-

dientes que supuestamente están relacionadas entre sí. Se utiliza en situa-
ciones en las que la muestra total está dividida en varios grupos basados en
una o varias variables independientes (factores) no métricas, mientras que las
dependientes son métricas. Su objetivo (similar al que persigue la correlación
canónica) es averiguar si hay diferencias significativas entre dichos grupos en
cuanto a las variables dependientes se refiere.
Ecuaciones estructurales
La totalidad de los métodos expuestos hasta el momento permiten eva-

luar de qué manera se presenta una relación entre dos conjuntos de variables.
Sin embargo, existen otras alternativas (utilizan múltiples ecuaciones) que se
emplean en aquellos casos en los que se deben analizar varias relaciones. El
siguiente esquema simplificado, refleja el objetivo de estas técnicas:
En efecto, el estudio del conjunto de relaciones que anteceden es el obje-

to del método denominado sistemas de ecuaciones estructurales, el cual está
conformado en esencia por dos técnicas: (a) análisis factorial confirmatorio,
y (b) modelos de estructuras de covarianza.
El propósito de este método reside en analizar las relaciones existentes
entre un grupo de variables representadas por sistemas de ecuaciones simul-
táneas en las que se supone que algunas de ellas (denominadas constructos,
factores subyacentes o variables latentes) se miden con error a partir de otras
variables observables o manifiestas denominadas indicadores. Los modelos
utilizados constan de dos partes: un modelo estructural que especifica las
relaciones de dependencia existente entre las variables latentes y un modelo
de medida que especifica cómo los indicadores se relacionan con sus corres-
pondientes constructos.

El análisis factorial confirmatorio se utiliza en aquellos modelos en los

que sólo están planteadas correlaciones entre variables latentes; en cambio,
cuando además se postulan relaciones de causalidad en la que participan dos
o más variables latentes, el análisis correspondiente se efectúa por modelos
de estructuras de covarianza.
Técnicas descriptivas o de interdependencia
En caso de encontrase ante una situación en la que sea imposible dis-

tinguir conceptualmente entre variables dependientes e independientes, y
lo que interesa es determinar cómo y por qué las variables están correla-
cionadas entre sí; entonces, se debe recurrir a los métodos estadísticos de
interdependencia, pues son los que abordan estas cuestiones. Las técnicas de
análisis de interdependencia son las que se observan en la Figura 2.
Fig. 2. Técnicas descriptivas o de interdependencia
Seguidamente, se brindan algunos aspectos de los métodos de interde-

pendencia explicitados en la Figura 2 que, como se ha dicho, no distinguen
entre variables dependientes e independientes y su objetivo reside en identi-
ficar qué variables están relacionadas, cómo lo están y por qué.

74 Closas y otros
Análisis de componentes principales
Es una técnica de reducción de datos cuyo objetivo fundamental es

construir combinaciones lineales de las variables originales que expliquen
la mayor parte posible de la información recogida en estas variables. Cada
combinación lineal se extrae de tal forma que están incorrelacionadas con
las anteriores; además aporta, cada vez, menos información que la anterior.
Análisis factorial
También es una técnica de reducción de datos, como la anterior, pero

a diferencia de ésta, el interés se centra en establecer qué variables latentes
(factores) pueden estar causando la correlación entre las variables observa-
das. Puede verse como una técnica que pretende identificar grupos de varia-
bles de tal forma que las correlaciones entre las variables de cada grupo sean
superiores a las correlaciones de las variables entre los grupos. En resumen,
puede decirse que ambas técnicas se usan para analizar interrelaciones entre
un número elevado de variables métricas explicando dichas interrelaciones
en términos de un número menor de variables denominadas factores (si son
inobservables) o componentes principales (si son observables).
Análisis de correspondencias
Esta técnica estadística pretende representar en un espacio multidimen-

sional reducido la relación existente entre las categorías de dos variables
no métricas. En el análisis de correspondencias, el mapa perceptual que se
obtiene muestra las distancias entre los distintos niveles de dos variables,
por lo que suele decirse que este análisis sirve para visualizar tablas de con-
tingencia. Por ejemplo, si se desea saber si existe relación entre dos variables
(tipo de ocupación de un sujeto y universidad donde se graduó), cada una de las cuales
tiene 15 niveles. La tabla que se obtendría, de 15x15, impediría distinguir
con facilidad lo que se desea conocer; sin embargo, el análisis de correspon-
dencias permitiría mostrar un mapa, probablemente bidimensional, en el
cual una universidad estará tanto más cerca de un tipo de ocupación, cuanto
mayor sea la frecuencia de esa celda en la tabla de contingencia. Esta técnica,
cuya teoría data de principios del siglo XX, pese a su innegable utilidad, no
ha sido tan utilizada como otras en investigación en ciencias sociales. Este
hecho curioso, posiblemente sea debido a que fue en los trabajos realizados

en Francia por Benzécri y sus colaboradores8 –un contexto no anglófono–

donde ha tenido, en los años sesenta, su máximo desarrollo.
Análisis de conglomerados
El análisis de conglomerados, al que tambien se denomina comúnmente

análisis cluster, es una técnica diseñada para clasificar distintas observaciones
en grupos (diferente del análisis factorial, debido a que la finalidad de éste
radica en agrupar variables), de tal forma que:
1. Cada grupo (conglomerado o cluster) sea homogéneo respecto a las
variables utilizadas para caracterizarlos; es decir, que cada observa-
ción contenida en él sea parecida a todas las que estén incluídas en
ese grupo.
2. Que los grupos sean lo más distintos posibles unos de otros respecto
a las variables consideradas.
Escalamiento multidimensional
El análisis de escalamiento multidimensional (MDS, multidimensional sca-

ling) es una técnica de reducción de datos, como lo es el análisis factorial o el
análisis de componentes principales. El objetivo principal de esta técnica es
representar N objetos en un espacio dimensional reducido (q dimensiones,
siendo q < N), de tal forma que la distorsión causada por la reducción de la
dimensionalidad sea la menor posible; es decir, que las distancias entre los
objetos representados en el espacio q dimensional, sean lo más parecidas
posible a las distancias en el espacio N dimensional.
A efectos de evaluar la proximidad de estas distancias, se utiliza un in-
dicador que suele denominarse stress o s-stress. Un clásico ejemplo que se
emplea para ilustrar la aplicación y objetivos de esta técnica, es la recons-
trucción del mapa de un país con la posición aproximada de sus ciudades,
a partir de una matriz conformada por las distancias en kilómetros entre
aquellas más importantes de dicho país.
J. P. Benzécri, L’Analyse des Données (París: Dunod, 1973).

8

76 Closas y otros
Proceso de aplicación de una técnica multivariante
Las técnicas multivariantes son, en su mayoría, herramientas muy po-

derosas que permiten al investigador extraer abundante información de los
datos disponibles. Estas técnicas son, en sí mismas, relativamente complejas
y requieren para su utilización un conocimiento profundo de sus fundamen-
tos y condiciones de aplicabilidad. Sin embargo, el notable desarrollo de pro-
gramas informáticos de manejo sencillo y el invariable avance de la tecno-
logía están provocando que, en muchas áreas de conocimiento, y de manera
especial en el campo de las ciencias sociales, las técnicas de análisis multiva-
riante estén siendo ampliamente empleadas. El problema que de inmediato
se presenta es que el uso indiscriminado de los paquetes estadísticos genera,
muchas veces, que no se utilicen adecuadamente, puesto que el usuario con
frecuencia carece del suficiente respaldo teórico que el escenario requiere.
En virtud de lo que precede, en este apartado se brinda una guía para
la correcta aplicación de las técnicas multivariantes y el posterior arribo a
conclusiones razonables. El desarrollo que a continuación se expone sigue
el proceso planteado por Hair et al.9
1. Definición del problema que se está investigando, sus objetivos y de-
cisión sobre la técnica multivariante que debe utilizarse: para ello se
debe realizar una adecuada aproximación teórica al problema que se
aborda; esto es, analizar conceptualmente el objeto de investigación,
especificar los objetivos e identificar las relaciones fundamentales que
se pretenden investigar. Sólo después de haber realizado lo anterior,
se pueden seguir los esquemas representados en el apartado previo
para seleccionar la técnica más conveniente.
2. Desarrollo del plan de análisis: una vez establecido el modelo con-
ceptual, el énfasis debe centrarse en aplicar correctamente la técnica
elegida, por lo que será necesario observar que la muestra posea un
tamaño que permita su aplicación. También, debe asegurarse que los
instrumentos que se usan en el procedimiento de recogida de datos
(e.g., cuestionarios, escalas, tests) midan las variables con las escalas
pertinentes (métricas y/o no métricas).
3. Análisis de las condiciones de aplicabilidad de la técnica elegida: tras
haber recogido los datos, es necesario evaluar las hipótesis subyacentes
J. F. Hair, R. E. Anderson, R. L. Tatham y W. Black, Multivariate Data Analysis (Englewood

9
Cliffs, NJ: Prentice-Hall, 1995, 4ª ed.).

a la técnica multivariante, puesto que si no se cumplen hace que carezca

de sentido su aplicación. En las técnicas de dependencia, por ejemplo,
suele ser necesario que los datos verifiquen hipótesis de normalidad,
linealidad, independencia y homoscedasticidad. Además, en caso que
los hubiera, debe decidirse qué hacer con los valores perdidos.
4. Estimación del modelo multivariante y ajuste global del mismo: se
aplica la técnica multivariante elegida, luego se evalúa si el nivel de
bondad del ajuste es adecuado. Si no es así, se deberá reespecificar el
modelo, incorporando o eliminando variables. Se hace notar que no
todas las técnicas tienen indicadores de bondad de ajuste.
5. Interpretación de los resultados: luego de que se logra un nivel de
ajuste aceptable, se procede a interpretar el modelo. Es necesario
prestar atención a los efectos de las variables individuales examinando
sus coeficientes, cargas factoriales, utilidades, etc. La interpretación
puede conducir a nuevas reespecificaciones del modelo.
6. Validación del modelo: previo a la aceptación de los resultados a los
que se haya llegado, debe aplicarse una serie de técnicas de diagnósti-
co que aseguren que los resultados obtenidos pueden ser generaliza-
dos al conjunto de la población.
Aplicaciones
El propósito de este apartado es brindar, en forma breve, información
sobre una serie de trabajos, producto de investigaciones en Psicología Edu-
cativa y Psicometría realizadas en los últimos seis años, en los que para lo-
grar el objetivo propuesto fue necesario aplicar distintas técnicas de análisis
multivariante, explicativas en algunos casos, descriptivas en otros y ambas en
determinados estudios.
Investigaciones en Psicología Educativa

Relaciones entre aspectos cognitivo-motivacionales
en estudiantes de Ingeniería y Ciencias Económicas
El objetivo de este trabajo consistió en analizar las tendencias

motivacionales de las metas académicas (aprendizaje, refuerzo social, logro)
que siguen los estudiantes universitarios y las relaciones que éstas presentan
con otras variables –que contemplan aspectos cercanos a lo cognitivo y

78 Closas y otros
motivacional–, como la concepción de la inteligencia (CI), la capacidad percibida

(CP) y el autoconcepto académico (AA). Se utilizó una muestra compuesta por
437 alumnos de primer año matriculados, en el curso académico 2004, en
la Facultad de Ingeniería y Ciencias Económico Sociales de la Universidad
Nacional de San Luis, Argentina.
Los análisis de datos realizados, usando el paquete estadístico SPSS
12.0, se basaron inicialmente en el estudio de la consistencia interna del
Cuestionario de Metas Académicas (CMA) –elaborado por Hayamizu y
Weiner,10 empleado para medir los tipos de metas– mediante la evaluación
de fiabilidad (coeficiente alfa de Cronbach) y la validez de constructo de la escala
por el análisis factorial (método de componentes principales, rotación varimax). En
segundo lugar, y en relación con el tema central de este estudio, se llevó a
cabo un análisis correlacional multivariado (los resultados se muestran en
la Tabla 1) con el fin de observar las relaciones que presentan los tipos de
metas con las variables CI, CP y AA.11
Tabla 1. Relaciones entre los tipos de metas y las variables CI, CP y AA

Variables M. de aprendizaje M. de logro M. de refuerzo social
CI .188** .014 –.064
CP .148** .011 –.017
AA .235** .106* –.001
**p < .01; *p < 0.05 Fuente: Closas, Gatica y Pereyra (2006)
El análisis psicométrico del CMA muestra que el instrumento analizado

es fiable (α de Cronbach para el total de la escala = 0.81) y posee validez de
constructo (en conjunto las tres metas explican el 49% de la varianza total).
Estos análisis permitieron conocer no sólo las características del CMA, sino
también los tipos de metas académicas que persiguen los estudiantes en el
contexto en el que se desarrolla la investigación.
Las relaciones entre metas académicas y las demás variables considera-
das, parecen demostrar que aquellos estudiantes que sostienen una teoría
de la inteligencia como algo que puede ser modificable, que se perciben
10
T. Hayamizu y B. Weiner, “A Test Dweck’s Model of Achievement Goals as Related to
Perceptions of Ability”, Journal of Experimental Education 59, nº 3 (Spring, 1991): 226-234.
11
Véase A. H. Closas, S. N. Gatica y S. N. Pereyra para más detalles acerca de las técnicas
multivariantes citadas (“Relaciones entre aspectos cognitivo-motivacionales en estu-
diantes de Ingeniería y Ciencias Económicas”, Revista de Ciencias de la Educación 3, nº 207
[Julio-Octubre, 2006]: 271-292).

competentes y que además poseen una elevada valoración de su desempeño

académico, tienden con mayor probabilidad a perseguir metas de aprendiza-
je. En cambio, los estudiantes que conciben la inteligencia como un aspecto
invariable, disociado de la dedicación y el trabajo y que, al mismo tiempo,
dudan de sus capacidades para llevar a cabo actividades académicas, demues-
tran predisposición a volcarse hacia metas de rendimiento (refuerzo social
y logro).
Modelización estadística del rendimiento matemático

con variables psicoeducativas en
estudiantes universitarios
El propósito de esta investigación fue elaborar un modelo ajustado y re-

presentativo de las relaciones que se establecen entre ciertas variables de tipo
personal y contextual que explique de qué manera las mismas influyen en el
rendimiento en Matemáticas. La muestra estuvo compuesta por 441 alum-
nos (176 hombres y 265 mujeres) de la Facultad de Ciencias Económicas de
la Universidad Nacional del Nordeste de Argentina, con una edad promedio
de 20 años y desviación estándar de 2.94.
El desarrollo de este trabajo presenta la estructura clásica que tienen las
investigaciones de este tipo. En el mismo fueron previstas dos partes, la pri-
mera corresponde al análisis teórico (permitió identificar las variables que,
según la apreciación del autor de este trabajo, explican y modulan de manera
significativa el rendimiento en Matemáticas) y la segunda se relaciona con el
estudio empírico, en cuyo marco se plantea la discusión de resultados y las
conclusiones.
En principio, se propone un modelo teórico integral y jerárquico mediante el
cual se pretende explicar la varianza del problema que se investiga. En la
etapa empírica, el proceso de análisis estadístico de datos revelados fases
claramente diferenciadas: los análisis previos (descriptivos, de varianza, co-
rrelacionales, de regresión y factorial exploratorio) y los análisis confirma-
torios (modelos de ecuaciones estructurales). Los primeros, situados en el
dominio de la estadística descriptiva e inferencial, permitieron observar que,
en general, el comportamiento de las variables, por un lado, armoniza acep-
tablemente con la propuesta inicial del modelo y, por otro, se encuentra en
consonancia con los aportados por distintas investigaciones análogas. Los
segundos, en cambio, pusieron en evidencia que si bien existe, casi siempre,
validez de constructo de las variables latentes consideradas, se presentan

80 Closas y otros
deficiencias estructurales, esto es, relaciones entre factores cuya inclusión en

el modelo no podía ser empíricamente justificada (estudio analítico median-
te el método de máxima verosimilitud). Además, los indicadores utilizados
para juzgar globalmente el grado de ajuste resultaron en su mayoría inacep-
tables (diagnóstico de bondad de ajuste global).
Posteriormente, dada la falta de ajuste de la representación inicial fueron
introducidas una serie de modificaciones, teóricamente coherentes y meto-
dológicamente apropiadas, las cuales dieron lugar a un nuevo modelo que
resultó ajustado a los datos en el que participan las variables: aspectos socio-
familiares, estrategias de aprendizaje, autoconcepto académico, inteligencia
general, características cognitivo-motivacionales y capacidades operativas.
En esta última instancia, la estimación de las relaciones y la evaluación glo-
bal del modelo fueron realizadas, como en la propuesta inicial, mediante el
análisis de ecuaciones estructurales.
Desde el punto de vista analítico, tanto los coeficientes (componente de
medida) como los parámetros (componente estructural), resultaron positi-
vos y estadísticamente significativos (ver Figura 3). Esto es, por una parte,
ha quedado probada la validez de constructo de los distintos factores consi-
derados y, por otra, fue posible confirmar empíricamente que las relaciones
postuladas entre las variables latentes presentan suficiente magnitud para ser
incluidas en el modelo.
Respecto de los diversos criterios e índices utilizados [análisis de los resi-
duos, convergencia en el proceso de estimación, estadístico χ2, razón χ2/df,
Comparative Fit Index (CFI), Non-Normed Fit Index (NNFI), Root Mean Square
Error of Approximation (RMSEA), entre otros] para evaluar globalmente el
ajuste del modelo, debemos señalar que los mismos sugieren su aceptación,
dado que todos ellos verificaban razonablemente los valores referenciales
que en cada caso se aplicaron [c2(50) = 52.57, p = .21, c2/df = 1.05, CFI =
.99, NNFI = .98, RMSEA = .02].
En síntesis, tanto la cuantificación de las diversas relaciones propuestas,
como los indicadores de bondad de ajuste, se mostraron adecuados y, por
ende, pondrían de manifiesto que el modelo hipotetizado reproduce correc-
tamente las asociaciones existentes en la matriz de correlaciones de datos
empíricos. El modelo final propuesto sería, asimismo, un recurso válido para
abordar con eficacia tareas de intervención educativa. Por último, deseamos

señalar que el análisis electrónico de los datos,12 se realizó con ayuda de los
programas SPSS (análisis previos) y EQS (análisis confirmatorios).
Fig. 3. Resultados estandarizados del modelo explicativo del rendimiento matemático.

Nota: Variables observadas: V1, V2; V3, V4, V5, V6; V7; V8; V9, V10, V11; V12. Variables
latentes: F1, F2, F4 (independientes); F3, F5 (intermediarias); F6 (dependiente). *p < .05.
Fuente: Elaboración propia a partir de Closas (2009).
Investigaciones en Psicometría
Desarrollo y validación de un Cuestionario
de Toma de Decisiones (Decision-Making
Questionnaire)
El objetivo de este trabajo fue desarrollar y validar un cuestionario

que sea de utilidad para examinar los factores que inciden en la “toma de
Véase A. H. Closas para más detalles acerca de las distintas técnicas multivariantes utiliza-
12
das (“Modelización estadística del rendimiento matemático con variables psicoeducativas

en estudiantes universitarios” [Tesis doctoral, Universidad Pública de Navarra, España,
2009]).

82 Closas y otros
decisiones” (DMQ, Decision-Making Questionnaire). La investigación se llevó

a cabo empleando dos muestras, una compuesta por 170 sujetos y otra por
425 participantes, de ambos sexos, todos ellos residentes en la Comunidad
Foral de Navarra (España). Cada una de las muestras estaba dividida en tres
intervalos de edades: jóvenes estudiantes (18-25 años), adultos (26-60 años),
y personas de la tercera edad (61-75 años). Si bien el conjunto de análisis
multivariantes utilizado en el estudio de los datos de esta investigación ha
sido amplio: correlación, varianza, fiabilidad, factorial exploratorio y factorial
confirmatorio, sólo se brindan algunas precisiones respecto de este último
en razón de la relevancia que posee su aplicación en el artículo en cuestión.13
En efecto, para contrastar empíricamente la validez de constructo del
DMQ se realizó un análisis factorial confirmatorio (método de máxima ve-
rosimilitud robusto, con el fin de corregir la ausencia de normalidad de los
datos) sobre la matriz de varianzas y covarianzas de la segunda muestra,
utilizando el programa EQS de Bentler.14 Cabe indicar que además de las
opciones seleccionadas al momento de configurar las ecuaciones del mo-
delo (formulación matemática), tanto de medida como estructural, fueron
implementadas las siguientes decisiones. En primer lugar, se ha fijado a 1 la
varianza correspondiente a cada uno de los factores comunes (Task, Subject,
Context); en cambio, se han dejado libres las varianzas de los factores espe-
cíficos (EU, …, EWP). En segundo lugar, se ha permitido que las covarianzas
entre los factores comunes sean no nulas y, por el contrario, se han adoptado
los supuestos de que los términos de error no correlacionan entre sí.
La evaluación se realizó por dos procedimientos. Por un lado, el estudio
analítico, del que participan las diez variables observadas (Uncertainty, …,
Work Pressure) y las tres dimensiones del DMQ (Task, Subject, Context), con
el objeto de estimar y contrastar las relaciones postuladas en el modelo;
por otro lado, el análisis del grado de ajuste global del mismo, con el fin de
comprobar en qué medida el modelo propuesto reproduce las relaciones
existentes en la matriz de correlaciones de los datos empíricos.
Desde la perspectiva analítica, los resultados indican que la totalidad
de las cargas factoriales estimadas, lo mismo que las covarianzas entre los
13
Véase M. L. Sanz de Acedo, M. T. Sanz de Acedo, M. Soria y A. H. Closas para más deta-
lles relacionados con las restantes técnicas (“Development and Validation of a Decision-
Making Questionnaire”, British Journal of Guidance and Counselling 37, nº 3 [August, 2009]:
357-373).
14
P. M. Bentler, EQS Structural equations program manual (Encino, CA: Multivariate Software,
2006).

factores comunes, son valores estadísticamente significativos y positivos.

Efectivamente, en el marco del análisis de medición, fue posible comprobar
que el DMQ posee una estructura compuesta por tres factores: Task, Subject,
Context. Esto es, todos los coeficientes de regresión entre las variables
observadas Uncertainty, Time/Money, Consequencesof Decision, Information &
Goal y el factor Task; de igual modo entre Motivation, Self-Regulation, Cognition,
Emotion y el factor Subject; así como entre Social Pressure, Work Pressure y el
factor Context, resultaron estadísticamente significativos (p < .05).
También las varianzas de los errores, excepto las correspondientes a ESP
y EWP, resultaron significativas para un nivel α = .05. A su vez, los resulta-
dos logrados señalan que las dimensiones Task, Subject y Context se encuen-
tran correlacionadas en forma significativa y positiva (p < .05). Las distintas
soluciones estandarizadas relativas al modelo propuesto, se muestran en la
Figura 4.
Fig. 4. Confirmatory factor analysis of the Decision-Making Questionnaire (DMQ) [Análisis factorial
confirmatorio del Cuestionario de Toma de Decisiones (CTD)].
Note. ns = non significant effect, *p < .05.
Fuente: Sanz de Acedo et al. (2009)

84 Closas y otros
A efectos de juzgar el ajuste global del modelo se ha asumido inicialmen-

te, siguiendo a Schermelleh-Engel, Moosbrugger y Müller,15 una estrategia
basada en cuatro índices: el estadístico c2, junto con la razón entre c2 y los
grados de libertad (c2/df), y otros indicadores descriptivos, que no depen-
den tanto del tamaño de la muestra, como CFI, NNFI y RMSEA, todos
los cuales fueron citados en el trabajo presentado en segundo lugar en el
apartado anterior. El tests chi-cuadrado resultó estadísticamente significati-
vo, c2(32) = 58.05, p = .002, lo que, en principio, podría hacer pensar en una
posible inadecuación del modelo (si α = .05); no obstante, el cociente c2/
df, que suele acompañar al estadístico c2 debido a la especial sensibilidad de
éste al tamaño muestral, siguiendo a Jöreskog y Sörbom,16 fue de 1.81. Los
índices CFI y NNFI adoptaron valores .98 y .97, respectivamente; mientras
que el límite inferior del intervalo confidencial para la RMSEA fue .02 y su
estimación puntual, .04, indicativos todos ellos de un buen ajuste entre el
modelo y los datos.
Por último, se añaden, a los índices de comparación estimados en primer
término, los restantes estadísticos prácticos que proporciona EQS, entre los
que se encuentran Normed Fit Index (NFI) = .95, Incremental Fit Index (IFI)
= .98 y Mc Donald’s Fit Index (MFI) = .97. Estos indicadores también dejan
en evidencia que el modelo alcanzó bondad de ajuste, dado que superan
el criterio de .90 recomendado por Bentler.17 En resumen, ha sido posible
comprobar que la matriz de varianzas y covarianzas observada, y la predicha
por el modelo especificado de acuerdo con las relaciones teóricas asumidas
no son significativamente diferentes; por lo tanto, el modelo seleccionado se
ajusta al modelo empírico.
Conceptualmente puede decirse que los análisis psicométricos revelaron
una consistencia interna satisfactoria y estructura factorial de primer orden
compuesta por diez escalas: incertidumbre, presión tiempo/dinero, infor-
mación y metas, consecuencias de la decisión, motivación, autorregulación,
cognición, emoción, presión social, y presión en el trabajo. A su vez, estas
escalas han producido una estructura factorial de segundo orden, compuesta
por: tarea, sujeto, y contexto. Los resultados de esta investigación ponen de
15
K. Schermelleh-Engel, H. Moosbrugger y H. Müller, “Evaluating the fit of structural
equation models: Tests of significance and descriptive goodness-of-fit measures”, Methods
of Psychological Research Online 8, nº 2, (August, 2003): 23-74.
16
K. G. Jöreskog y D. Sörbom, Lisrel 8: Structural Equation Modeling with the SIMPLIS Command
Language (Hillsdale, NJ: Scientific Software International, 1993).
17
P. M. Bentler, EQS Structural equations program manual (Encino, CA: Multivariate Software,
2006).

manifiesto las formas en que los jóvenes, los adultos y las personas mayores
se ven influidas por diversos factores al tomar decisiones. También sugieren
que los hombres son más propensos que las mujeres a buscar y analizar
información, mientras que las mujeres dan más valor a la disponibilidad de
tiempo y dinero. El artículo concluye que el DMQ examina los factores que
tienen mayor influencia en las decisiones profesionales y que podría guiar a
los adolescentes en el proceso de decisión vocacional.
Validación de un cuestionario sobre estrategias

de aprendizaje para estudiantes universitarios
En este trabajo se fijó como objetivo principal llevar a cabo la validación

empírica de una versión abreviada de las Escalas de Estrategias de Apren-
dizaje, ACRA, elaboradas por Román y Gallego,18 con estudiantes de nivel
universitario. El instrumento original es frecuentemente empleado en el ám-
bito hispanoparlante y está integrado por cuatro dimensiones que evalúan la
utilización que habitualmente hacen los alumnos de las estrategias de adqui-
sición, codificación, recuperación y apoyo (ACRA). Sin embargo, debido a
su extensión y ámbito de aplicación, se planteó la posibilidad de seleccionar
de esta prueba aquellos ítems que describan las técnicas mayormente utili-
zadas por los estudiantes, a efectos de lograr un instrumento que, con un
formato más breve, resulte ajustado para ser aplicado en el nivel superior.
La muestra seleccionada, utilizando los métodos estratificado, por conglo-
merados y aleatorio simple, estuvo compuesta por un total de 159 sujetos
de primer año (55 mujeres y 104 hombres), pertenecientes a las tres carreras
de Ingeniería que se imparten en la Facultad Regional Resistencia de la Uni-
versidad Tecnológica Nacional de Argentina, con una edad media de 19.91
años (DT = 2.66).
La investigación responde inicialmente a un diseño no experimental, ex-
plicativo y descriptivo mediante encuesta. También es una investigación de
campo, de línea cuantitativa y de corte transversal. Los análisis de datos que
se realizaron en la fase empírica pertenecen básicamente al dominio de la
estadística descriptiva e inferencial: indicadores centrales y de dispersión, co-
rrelación ítem-total, fiabilidad, análisis correlacionales y análisis de regresión
lineal.19 Estos cálculos permitieron, por un lado, conocer el comportamiento
J. M. Román y S. Gallego, Escalas de Estrategias de Aprendizaje, ACRA (Madrid: TEA, 1994).

18
Véase A. H. Closas, G. M. Sampallo, E. A. Arriola, C. I. Zening, M. R. Amarilla y E. C.

19
Jovanovich para más detalles relacionados con la utilización de las técnicas mencionadas
(“Validación de un cuestionario sobre estrategias de aprendizaje para estudiantes univer-

86 Closas y otros
de cada una de las subescalas y de cada uno de los ítems que componen las
categorías de la prueba aplicada; y, por otro, determinar la validez predictiva
del instrumento, así como la ecuación de predicción que mejor describía la
relación entre la variable criterio (Rendimiento académico) y las variables
predictoras (dimensiones de las ACRA). En todos los casos, el procesamien-
to y análisis de los datos fue realizado con ayuda del programa informático
SPSS 15.0.
En efecto, se comienza por señalar que los resultados relativos a los es-
tudios descriptivos de los distintos ítems fueron muy similares a los infor-
mados por los autores del cuestionario simplificado,20 lo que era de esperar
en atención a que no se realizaron modificaciones de ningún tipo en las
preguntas, ni en la estructura de la prueba. Los índices de consistencia inter-
na hallados tanto para el total de la prueba (α de Cronbach = .93), como para
cada una de las dimensiones fueron correctos en todos los casos (van de .70
a .91). Más aún, respecto de los indicadores α de Cronbach cuando se excluye
el ítem, se puede señalar que se observan valores aceptables en la dimensión
Estrategias de adquisición (oscilan entre .66 y .70), valores correctos en las
subescalas Estrategias de codificación (van de .76 a .80) y Estrategias de re-
cuperación (varían entre .74 y .77), mientras que los más altos se encuentran
en la categoría Estrategias de apoyo (se hallan entre .89 y .91), todo lo cual
sugiere que el cuestionario utilizado puede considerarse un instrumento con
una fiabilidad aceptable.
En la Tabla 2 pueden apreciarse los valores de la media, la desviación típica, la
correlación ítem-total y el coeficiente alfa de Cronbach, obtenidos por los individuos
de la muestra en cada uno de los ítems del cuestionario utilizado. Los dos
primeros estadísticos (media y desviación típica) son de mucha utilidad, puesto
que el conocimiento de ambas medidas ayuda a comprender, entre otras co-
sas, la distribución de los datos de la muestra. El tercero de los estadísticos
nombrados (correlación ítem-total), recoge el grado de relación que cada uno
de los ítems posee con el total de la dimensión a la que pertenece, lo que
puede considerarse un indicador de su grado de discriminación. La fiabilidad
es una de las características fundamentales de un test, una de las forma de
evaluarla es mediante el cuarto estadístico (coeficiente alfa de Cronbach) el cual
sitarios”, Revista La UTN en el NEA: Investigación y Desarrollo en la Regional Resistencia 1, nº 1

[Julio, 2012]: 75-86).
20
J. De la Fuente y F. Justicia, “Escala de estrategias de aprendizaje ACRA-Abreviada para
alumnos universitarios”, Revista electrónica de investigación educativa y psicopedagógica 2, nº 1 (Oc-
tubre, 2003): 139-158.

indica la precisión o estabilidad de los resultados; señala la cuantía en que las

medidas de la prueba están libres de errores casuales.
Tabla 2. Estadísticos descriptivos y de correlación de los ítems medidos en pruebas
Dimensión Ítem Media DT

Correlación α de Cronbach
Ítem-total sin el ítem
Ítem 1 2.66 .97 .22 .70
Ítem 2 2.82 1.11 .46 .66
Estrategias de
Ítem 3 2.57 1.18 .31 .69
adquisición
Ítem 4 2.40 1.16 .45 .66
Ítem 5 2.67 1.10 .42 .67
Media = 25.28
Ítem 6 3.25 .93 .49 .66
DT = 5.11
Ítem 7 3.33 .88 .44 .67
α = .70
Ítem 8 2.77 1.06 .29 .69
Ítem 9 2.80 .97 .32 .69
Ítem 1 2.82 .89 .40 .79
Ítem 2 3.03 1.02 .45 .78
Estrategias de Ítem 3 2.72 .96 .31 .80
codificación Ítem 4 3.23 .85 .44 .78
Ítem 5 2.82 .96 .55 .77
Media = 26.73 Ítem 6 2.30 1.02 .55 .77
DT = 5.84 Ítem 7 2.46 1.09 .59 .76
α = .80 Ítem 8 2.23 1.13 .56 .77
Ítem 9 2.67 .95 .36 .79
Ítem 10 2.45 .93 .47 .78
Ítem 1 2.96 .88 .51 .74
Ítem 2 2.89 .92 .45 .75
Ítem 3 2.82 .90 .36 .76
Ítem 4 2.69 1.00 .39 .76
Estrategias de
Ítem 5 2.61 1.03 .30 .77
recuperación
Ítem 6 3.15 .90 .41 .75
Ítem 7 2.93 .94 .43 .75
Media = 36.90
Ítem 8 3.01 .97 .36 .76
DT = 6.61
Ítem 9 3.17 .84 .43 .75
α = .77
Ítem 10 2.69 .97 .43 .75
Ítem 11 2.24 1.01 .30 .77
Ítem 12 2.81 .94 .42 .75
Ítem 13 2.73 .95 .38 .76

88 Closas y otros
Tabla 2. Estadísticos descriptivos y de correlación de los ítems medidos en pruebas (cont.)
Dimensión Ítem Media DT

Correlación α de Cronbach
Ítem-total sin el ítem
Ítem 1 2.68 1.00 .57 .90
Ítem 2 2.78 .97 .60 .89
Ítem 3 2.74 1.04 .56 .90
Ítem 4 2.97 1.05 .63 .89
Ítem 5 2.78 1.04 .51 .90
Ítem 6 2.52 1.07 .51 .90
Ítem 7 2.51 1.18 .41 .91
Ítem 8 2.54 1.20 .41 .91
Estrategias
Ítem 9 2.89 .97 .55 .90
de apoyo
Ítem 10 2.62 1.01 .49 .90
Ítem 11 3.09 1.13 .57 .89
Media = 58.85
Ítem 12 2.82 1.07 .49 .90
DT = 14.35
Ítem 13 2.51 1.17 .53 .90
α = .91
Ítem 14 2.74 1.30 .45 .90
Ítem 15 3.15 1.16 .64 .89
Ítem 16 3.05 1.18 .58 .89
Ítem 17 3.18 1.05 .60 .89
Ítem 18 2.86 1.19 .55 .90
Ítem 19 3.04 1.06 .61 .89
Ítem 20 3.08 1.16 .61 .89
Ítem 21 2.55 1.21 .37 .91
Fuente: Closas et al. (2012).
A su vez, ha sido confirmada la presencia de relaciones estadísticamente

significativas entre las distintas subescalas del cuestionario, así como entre
éstas y la variable rendimiento académico en el área de Matemática (véase
Tabla 3).
Tabla 3. Matriz de correlaciones

Estrat. de Estrat. de Estrat. de Estrat. de Rendimiento
Variables
adquisición codificación recuperación apoyo académico
Estrat. de 1 .68** .59** .45** .03
adquisición
Estrat. de codi- 1 .60** .39** .06
ficación
Estrat. de recu- 1 .53** .04
peración
Estrat. de apoyo 1 .16*
Rendimiento 1
académico
*p < .05; **p < .01 Fuente: Closas et al. (2012)

También, en vista de los resultados correlacionales, fue posible apreciar

la validez predictiva, respecto del Rendimiento matemático (variable explicada),
de la dimensión Estrategias de apoyo (variable explicativa) del cuestionario bajo
estudio.
Rendimiento en Matemática = 2.77 + .06 × Escala de apoyo
Otros datos de interés relativos a la estimación del modelo son: valor
del coeficiente de correlación R = .16, decididamente bajo; más aún lo es el
coeficiente de determinación corregido R̅2 = .03, por lo que la proporción
de varianza total explicada por la regresión es irrelevante (claro que se debe
ser prudente en interpretar esta apreciación puesto que en el modelo sólo
interviene una de las cuatro dimensiones que conforman la prueba). Este
resultado puede deberse, entre otras cosas, a que la propia técnica es exce-
sivamente restrictiva para un problema de esta índole y a que el modelo ha
sido estimado a partir de datos de corte transversal. Por otra parte, el valor
del estadístico de Durbin-Watson (d = 1.99), próximo a 2, indica que los
términos de error adyacentes no están correlacionados.
En definitiva, el desarrollo de la investigación ha permitido no sólo dis-
poner en principio de un instrumento reducido que resulta apropiado para
medir en la educación superior un concepto de probada influencia en el
rendimiento de los estudiantes, sino que además rescata la importancia de
que las investigaciones que se realicen en esta línea deberían contextualizar
sus resultados, a efectos de contar con nuevos marcos de referencia que
permitan generalizar la aplicación –con ajustes o adaptaciones, si fueran ne-
cesarias– en el nivel universitario de la prueba objeto de análisis.
Si bien, en los estudios que se acaban de describir, se emplearon algunas
de las técnicas mencionadas en el segundo punto de este artículo, se conside-
ra necesario señalar que en investigaciones realizadas en distintas ocasiones
y en diferentes ámbitos disciplinares (sobre todo en áreas de ciencias socia-
les) se han utilizado otros métodos, no indicados en los trabajos expuestos,
tales como análisis discriminante (técnica explicativa), análisis de correspon-
dencias y análisis de conglomerados (técnicas descriptivas). En todos estos
casos, como en los citados en el presente desarrollo, la experiencia de haber
participado ha sido sumamente positiva desde todo punto de vista, lo cual,
muy probablemente, sea consecuencia de la relevancia atribuible a la integra-
ción de aspectos conceptuales y metodológicos del análisis multivariante y al
procesamiento electrónico de los datos mediante la utilización de eficientes
equipos y programas informáticos.

90 Closas y otros
Discusión y conclusiones
En este trabajo se había propuesto, por una parte, brindar un panorama

introductorio sobre distintos conceptos del análisis multivariante y, por otra,
proporcionar información en forma breve acerca de algunas aplicaciones
en el área de Psicología Educativa y Psicometría, las cuales fueron imple-
mentadas con el fin de lograr los objetivos planteados en cada una de las
investigaciones presentadas y en las que, de diferente manera, se ha tenido la
oportunidad de intervenir.
Pues bien, en atención tanto al desarrollo de los conceptos, como a la
presentación de las aplicaciones realizadas del tema objeto de estudio, se
considera que la meta perseguida, más allá de algunas debilidades que difí-
cilmente puedan evitarse en este tipo de elaboraciones, ha sido razonable-
mente lograda.
El análisis multivariante es, en esencia, un conjunto de técnicas orien-
tadas al estudio de varias variables de modo simultáneo, con el objeto de
comprender mejor el fenómeno o evento que se analiza. Esta situación se
presenta debido a que mediante los métodos disponibles es posible generar
una explicación más rica y cercana a la realidad, lo que deriva, a su vez, en un
mayor conocimiento del fenómeno y, por lo tanto, en un escenario apropia-
do para la selección optima de la decisión o respuesta de interés.
En vista de ello, y de las diferentes apreciaciones realizadas en distintos
momentos de este trabajo, se podría señalar que el desarrollo de la teoría
multivariante–que se inició realmente en el siglo XX–, junto con sus aplica-
ciones–surgidas en la década del treinta–, así como el notable y sostenido
progreso de la tecnología y de programas estadísticos, son componentes de
un mismo conjunto que usados en forma complementada permiten llevar
adelante numerosas investigaciones, explicar muchos fenómenos, alcanzar
diversos objetivos y probar diversidad de hipótesis, todo lo cual de otra ma-
nera no hubiera resultado posible.
Evidentemente, las técnicas que conforman el análisis multivariante poseen
en la actualidad una enorme importancia puesto que, además de la utilidad
que tradicionalmente han tenido, forman parte del grupo de métodos, más o
menos sofisticados, que se encuentran englobados en el concepto de minería
de datos (DM, Data Mining). Este hecho, en razón de la vigencia y utilización de
la DM en diferentes áreas, como Educación, Psicología, Biometría, Ecología,
Economía, Marketing, etc., a efectos de abordar problemas de predicción,

clasificación y segmentación, entre otros, exime ciertamente de mayores

comentarios respecto de su relevante riqueza y validez aplicativa.
Sin embargo, en el empleo de las técnicas para el análisis de datos multi-
dimensionales, existen dos cuestiones que, se recuerda, deben observarse,
puesto que habitualmente se presentan cuando se utiliza el modelado esta-
dístico como metodología empírica de investigación.
La primera de ellas, quizás muy evidente, es que resulta esencial dar al
conocimiento de la teoría del área de aplicación la máxima importancia, ya
que de este saber surgirá la formulación de los objetivos y de las hipótesis
sustantivas –en cierto modo, de las directrices de la investigación– que orien-
tarán la selección del proceso de modelización subyacente.
La segunda cuestión tiene que ver con el hecho de que las últimas ver-
siones de los paquetes informáticos presentan interfaces con el usuario de uso
bastante coloquial, por lo que el trabajo con modelos estadísticos ha expe-
rimentado una simplificación importante que continuamente está generando
una mayor popularidad de éstos. Sin embargo, esta cordial realidad trae consigo
el inconveniente de que, en algunas ocasiones, la utilización de dichos asis-
tentes se realiza de manera incorrecta, debido a que no siempre se cuenta
con el conocimiento técnico necesario para implementar adecuadamente su
aplicación.
En definitiva, y más allá de la prudencia que se debe tener sobre estos
dos temas, la posibilidad de contar en estos tiempos con métodos y modelos
multivariantes, unida a la gran ventaja que brindan el empleo de computado-
ras personales y de eficientes programas para el proceso de análisis de datos,
son circunstancias sumamente significativas que, sin duda, han impulsado
desde los años setenta, y en gran medida, el estudio de distintos fenóme-
nos en diferentes disciplinas. Las producciones científicas, en este contexto
metodológico y operativo, se habían debilitado en décadas anteriores, muy
probablemente por no contar con la batería de opciones (procedimientos
estadísticos y tecnología informática) adecuada para llevar adelante las inves-
tigaciones que la realidad educativa, económica y social requería en aquellos
momentos.
Independientemente de sus debilidades, se espera que este primer
acercamiento por nuestra parte, respecto de algunos conceptos y aplicaciones
del análisis multivariante, pueda aportar algo más de luz a este tema que,
se puede decir, posee en general una relativa dificultad de comprensión.
Según nuestro modo de ver, la utilización de técnicas multidimensionales

92 Closas y otros
en distintas acciones y disciplinas es sin duda favorable, en virtud de

considerarlo un recurso metodológico muy conveniente y eficiente a
efectos de dar explicaciones, tomar decisiones o proponer soluciones sobre
diferentes problemas y situaciones, que el devenir de las circunstancia plantea
diaria y continuamente, tanto en el ámbito científico como en la actividad
profesional.
Antonio Humberto Closas

Facultad Regional Resistencia
Universidad Tecnológica Nacional
Resistencia, Chaco, Argentina
E-mail: hclosas@hotmail.com
Edgardo Alberto Arriola

E-mail: earriola2006@yahoo.com.ar
Cristina Isabel Kuc Zening

E-mail: criska440@hotmail.com
Mariela Rosana Amarilla

E-mail: prof.mariela@live.com.ar
Ethel Carina Jovanovich

E-mail: carijovanovich@yahoo.com.ar
Recibido: 30 de noviembre de 2011

Aceptado: 29 de julio de 2013

Análisis Multivariante, Conceptos y Aplicaciones en Psicología Educativa y Psicometría

Cargado por

Copyright:

Formatos disponibles

Análisis Multivariante, Conceptos y Aplicaciones en Psicología Educativa y Psicometría

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Análisis Multivariante, Conceptos y Aplicaciones en Psicología Educativa y Psicometría

Cargado por

Copyright:

Formatos disponibles

Análisis multivariante, conceptos y aplicaciones

en Psicología Educativa y Psicometría

Antonio Humberto Closas, Edgardo Alberto Arriola,

Enfoques XXV, 1 (Otoño 2013): 65-92

de la rama de la Estadística conocida como análisis multivariante, resultan de

& Sons, 1984).

Enfoques XXV, 1 (Otoño 2013): 65-92

• Ciertos autores se inclinan por mostrarlo como una extensión del

Enfoques XXV, 1 (Otoño 2013): 65-92

hipótesis de normalidad y homocedasticidad multivariante no se verifican

A. H. Closas, “Ecuaciones estructurales, una técnica estadística para formular y contrastar

modelos de relaciones causa-efecto”, Actualidad y Prospectiva 1, nº 7 (Noviembre, 2011):

Enfoques XXV, 1 (Otoño 2013): 65-92

Técnicas explicativas o de dependencia

Estas técnicas investigan la existencia o ausencia de relaciones entre dos

Fig. 1. Técnicas explicativas o de dependencia.

En general, para saber qué técnica se debe aplicar es necesario conocer

E. Uriel y J. Aldás, Análisis Multivariante Aplicado (Madrid: Thomson, 2005).

Enfoques XXV, 1 (Otoño 2013): 65-92

dependientes e independientes? En este marco, las técnicas de análisis de

Regresión lineal múltiple

Es la técnica adecuada si en el análisis hay una variable dependiente cuyo

A modo de ejemplo, se podría desear saber la existencia o no de relación

Esta técnica se utiliza para clasificar a distintos individuos en grupos (o

Enfoques XXV, 1 (Otoño 2013): 65-92

Regresión de variable dependiente limitada

Es la técnica que se utiliza en aquellos casos como los planteados para la

Este análisis pretende determinar la existencia de asociación lineal entre

A modo de ejemplo, un investigador puede querer establecer cómo in-

Enfoques XXV, 1 (Otoño 2013): 65-92

Análisis multivariante de la varianza (MANOVA)

En este análisis se consideran simultáneamente varias variables depen-

La totalidad de los métodos expuestos hasta el momento permiten eva-

En efecto, el estudio del conjunto de relaciones que anteceden es el obje-

Enfoques XXV, 1 (Otoño 2013): 65-92

El análisis factorial confirmatorio se utiliza en aquellos modelos en los

Técnicas descriptivas o de interdependencia

En caso de encontrase ante una situación en la que sea imposible dis-

Fig. 2. Técnicas descriptivas o de interdependencia

Seguidamente, se brindan algunos aspectos de los métodos de interde-

Enfoques XXV, 1 (Otoño 2013): 65-92

Análisis de componentes principales

Es una técnica de reducción de datos cuyo objetivo fundamental es

También es una técnica de reducción de datos, como la anterior, pero

Esta técnica estadística pretende representar en un espacio multidimen-

Enfoques XXV, 1 (Otoño 2013): 65-92

en Francia por Benzécri y sus colaboradores8 –un contexto no anglófono–

El análisis de conglomerados, al que tambien se denomina comúnmente

El análisis de escalamiento multidimensional (MDS, multidimensional sca-

J. P. Benzécri, L’Analyse des Données (París: Dunod, 1973).

Enfoques XXV, 1 (Otoño 2013): 65-92

Proceso de aplicación de una técnica multivariante

Las técnicas multivariantes son, en su mayoría, herramientas muy po-

J. F. Hair, R. E. Anderson, R. L. Tatham y W. Black, Multivariate Data Analysis (Englewood

Cliffs, NJ: Prentice-Hall, 1995, 4ª ed.).

Enfoques XXV, 1 (Otoño 2013): 65-92

a la técnica multivariante, puesto que si no se cumplen hace que carezca

Investigaciones en Psicología Educativa

El objetivo de este trabajo consistió en analizar las tendencias