Comparación de métodos estructurales para la caracterización de factores latentes en la escala de autoestima de Rosenberg

Resumen

En la investigación asociada a la psicometría y a las ciencias de la educación, la caracterización precisa de factores latentes es fundamental para comprender constructos como la autoestima, la motivación o la satisfacción. En este contexto, la escala de autoestima de Rosenberg es una de las más conocidas para medir este constructo psicológico. Entre los métodos estructurales empleados para analizar factores latentes se encuentran el Análisis Factorial, el Análisis de Componentes Principales, el Análisis Paralelo y, más recientemente, los autocodificadores de redes neuronales. Cada uno de estos métodos aporta un tipo específico de información sobre la dimensionalidad y la estructura subyacente de los datos, lo que impacta directamente en las interpretaciones sobre el constructo. El Análisis Factorial, por ejemplo, se centra en identificar factores comunes a través de correlaciones entre ítems, mientras que el Análisis de Componentes Principales simplifica la variabilidad en componentes principales. Por su parte, el Análisis Paralelo ayuda a determinar el número adecuado de factores o componentes, y los autocodificadores, como técnica moderna de redes neuronales, ofrecen una perspectiva no lineal que permite una representación más compleja de los datos. Dado el papel esencial de estos métodos en la investigación y la práctica, este estudio se propone determinar los diferentes tipos de información que proporcionan estos métodos estructurales en la caracterización de los factores latentes de la escala de autoestima de Rosenberg. Con ello, se pretende contribuir a una comprensión más integral de cómo cada técnica estructura y representa los datos, y a la identificación de sus posibles aplicaciones y limitaciones en el análisis de constructos psicológicos complejos.