7  Análisis Exploratorio de Grafos

Los instrumentos psicológicos y educativos suelen contener muchos ítems, pero la interpretación sustantiva normalmente se refiere a un número menor de dimensiones. Por ello, una pregunta psicométrica central es:

¿Cuántas dimensiones están representadas por las respuestas observadas a los ítems y qué ítems pertenecen a cada dimensión?

Los enfoques factoriales abordan tradicionalmente esta pregunta mediante procedimientos de retención de factores como el criterio de Kaiser–Guttman, el análisis paralelo y métodos relacionados. Estos procedimientos pueden funcionar bien, pero ninguno es universalmente preciso. La regla de autovalores mayores que uno, por ejemplo, puede tanto subestimar como sobreestimar la dimensionalidad (Zwick & Velicer, 1986), mientras que el desempeño del análisis paralelo puede depender de características como el formato de respuesta y el procedimiento específico utilizado (Green et al., 2016).

El Análisis Exploratorio de Grafos (Exploratory Graph Analysis, EGA) fue propuesto como un enfoque alternativo de estimación de dimensionalidad basado en redes (H. F. Golino & Epskamp, 2017). En lugar de comenzar con una regla de retención de autovalores, EGA estima una red entre las variables observadas y luego utiliza detección de comunidades para identificar grupos de ítems fuertemente conectados.

NotaMapa del capítulo

Este capítulo desarrolla EGA en tres etapas principales:

  1. Análisis de Variables Únicas (UVA): identificar ítems potencialmente redundantes o localmente dependientes.
  2. Análisis Exploratorio de Grafos: estimar la red de ítems e identificar comunidades.
  3. EGA bootstrap: evaluar con qué consistencia se recuperan las dimensiones y las asignaciones de ítems en conjuntos de datos remuestreados.

La sección final implementa el flujo de trabajo completo en R con EGAnet.

7.1 ¿Qué Es el Análisis Exploratorio de Grafos?

La psicometría de redes representa las variables como nodos y las relaciones estadísticas entre ellas como aristas. En un EGA de ítems de cuestionario, cada ítem se convierte en un nodo y la asociación estimada entre dos ítems se representa mediante la arista que los conecta.

EGA aplica después un algoritmo de detección de comunidades a esta red. Los grupos de ítems que están más fuertemente conectados entre sí que con otras partes de la red se identifican como comunidades, interpretadas como dimensiones candidatas (H. Golino et al., 2020; H. F. Golino & Epskamp, 2017).

En EFA En EGA
Ítem observado Nodo
Carga factorial Carga de red / asociación ítem-comunidad
Dimensión latente Comunidad de red detectada
Método de retención de factores Procedimiento de detección de comunidades
Estabilidad de la estructura de cargas Estabilidad bootstrap de ítems y dimensiones

7.1.1 Relación con los modelos factoriales

EGA no exige asumir que las variables psicológicas sean generadas literalmente por interacciones directas entre ítems observados. Si los datos son generados por un modelo reflexivo de factores comunes, los ítems influidos por el mismo factor también pueden formar comunidades en una red (H. F. Golino & Epskamp, 2017). Estudios de simulación han mostrado que EGA puede recuperar la dimensionalidad factorial con una precisión comparable a procedimientos tradicionales sólidos de retención bajo muchas condiciones (H. Golino et al., 2020).

ImportanteUna comunidad de red no es automáticamente un constructo psicológico

EGA estima comunidades estadísticas. Atribuir significado psicológico a esas comunidades todavía requiere contenido de los ítems, teoría y evidencia de validez. Encontrar cinco comunidades no demuestra, por sí solo, que existan cinco rasgos psicológicos.

7.2 Flujo de Trabajo de EGA

Una forma útil de pensar el procedimiento es:

Etapa Pregunta principal Función habitual
1. UVA ¿Hay ítems redundantes más allá de la estructura dimensional general? UVA()
2. EGA ¿Cuántas comunidades existen y qué ítems pertenecen a cada una? EGA()
3. EGA bootstrap ¿Es estable esta solución dimensional entre muestras replicadas? bootEGA()
4. Diagnósticos de estabilidad ¿Qué dimensiones e ítems se recuperan de forma consistente? dimensionStability() / itemStability()

8 1. Análisis de Variables Únicas

8.1 Independencia Local y Redundancia

En un modelo reflexivo de variables latentes, se espera que los indicadores se vuelvan independientes después de condicionar por la variable latente relevante. Esta propiedad se denomina independencia local.

Cuando dos indicadores continúan fuertemente relacionados más allá de lo esperado por la estructura general, pueden contener contenido redundante o una dependencia compartida adicional. Esta dependencia local puede distorsionar las estimaciones de estructura interna y otras cantidades psicométricas (Christensen et al., 2023).

El Análisis de Variables Únicas (UVA) se desarrolló para detectar estos pares potencialmente redundantes mediante métodos de psicometría de redes (Christensen et al., 2023). Una de sus cantidades centrales es el solapamiento topológico ponderado (wTO), que considera tanto la relación directa entre dos nodos como la semejanza de sus conexiones con el resto de la red (Nowick et al., 2009).

Una medida de solapamiento topológico ponderado presentada habitualmente es

\[ \omega_{ij} = \frac{ \sum_{u} a_{iu}a_{uj}+a_{ij} }{ \min(k_i,k_j)+1-a_{ij} }, \]

donde:

  • \(a_{ij}\) es el peso de la arista entre los nodos \(i\) y \(j\);
  • \(u\) indexa conexiones compartidas por los nodos \(i\) y \(j\); y
  • \(k_i\) y \(k_j\) resumen la fuerza de las conexiones de ambos nodos.

Valores más altos indican que dos variables ocupan posiciones muy semejantes en la red y pueden contener información solapada.

En el marco UVA propuesto por Christensen et al. (2023), los procedimientos basados en puntos de corte mostraron en general un mejor desempeño que los enfoques basados en significación. Un valor cercano a .25 se utiliza con frecuencia como indicación práctica de redundancia potencialmente importante.

AdvertenciaLa redundancia es un diagnóstico, no una regla automática de eliminación

Dos ítems pueden ser estadísticamente redundantes y aun así cumplir propósitos sustantivos distintos. Antes de eliminar un ítem, examine su redacción, la cobertura del constructo, el formato de respuesta y su función dentro de la medida.

8.1.1 Cómo reduce UVA los conjuntos redundantes

Cuando se solicita reducción automática, UVA debe decidir qué variable conservar de un conjunto redundante. La lógica difiere según el número de variables implicadas:

Conjunto redundante Lógica general
Par Conservar la variable que sea menos redundante respecto del resto de los ítems
Trío o conjunto mayor Conservar la variable que mejor represente el grupo redundante y eliminar las demás

El objetivo no es simplemente eliminar ítems correlacionados, sino reducir la redundancia local antes de estimar la dimensionalidad.

9 2. Análisis Exploratorio de Grafos

EGA combina dos operaciones:

  1. estimar una red que describa relaciones condicionales entre las variables; y
  2. aplicar un algoritmo de detección de comunidades para identificar grupos de nodos.

La implementación original de EGA utilizaba una red graphical lasso con EBIC seguida de detección de comunidades Walktrap (H. F. Golino & Epskamp, 2017).

9.1 Correlaciones Parciales

Una correlación de orden cero entre dos variables contiene tanto su asociación directa como asociaciones que pueden explicarse mediante otras variables. En cambio, una correlación parcial describe la asociación entre dos variables después de controlar estadísticamente las restantes variables del modelo.

Para una matriz de covarianza

\[ \Sigma, \]

definimos la matriz de precisión

\[ K = \Sigma^{-1}. \]

La correlación parcial entre las variables \(i\) y \(j\), controlando todas las demás, es

\[ \rho_{ij\cdot -ij} = -\frac{k_{ij}} {\sqrt{k_{ii}k_{jj}}}. \]

Así, la inversa de la matriz de covarianza proporciona la información necesaria para construir la red completa de correlaciones parciales (H. Golino et al., 2020).

NotaPor qué son útiles aquí las correlaciones parciales

Si dos ítems se correlacionan únicamente porque ambos se relacionan con varios otros ítems, su correlación parcial puede ser pequeña. Esto ayuda a que la red enfatice relaciones condicionales más específicas.

9.2 EBICglasso

Estimar todas las correlaciones parciales posibles puede producir una red densa con muchas aristas débiles o inestables. El graphical lasso aborda este problema aplicando una penalización \(L_1\) a elementos de la matriz de precisión, reduciendo algunas estimaciones exactamente a cero (Friedman et al., 2008).

El parámetro de ajuste

\[ \lambda \]

controla el grado de regularización:

\(\lambda\) Consecuencia
Menor Permanecen más aristas; la red es más densa
Mayor Más estimaciones se reducen a cero; la red es más dispersa

Históricamente, el enfoque EGA ajusta redes para valores candidatos de \(\lambda\) y selecciona un modelo mediante el Criterio de Información Bayesiano Extendido (EBIC). EBIC amplía BIC añadiendo una penalización útil cuando el espacio de modelos candidatos es grande (Chen & Chen, 2008).

Una segunda cantidad de ajuste,

\[ \gamma, \]

controla con qué fuerza EBIC favorece modelos dispersos. Valores mayores de \(\gamma\) producen una preferencia más fuerte por redes simples; cuando \(\gamma=0\), la penalización adicional de EBIC desaparece y el criterio se reduce a la forma ordinaria de BIC (Chen & Chen, 2008).

TipDos parámetros de ajuste diferentes

No confunda \(\lambda\) y \(\gamma\).

  • \(\lambda\) controla la cantidad de contracción utilizada para estimar una red graphical lasso particular.
  • \(\gamma\) modifica la penalización EBIC utilizada al seleccionar entre redes candidatas.

9.3 Detección de Comunidades: Walktrap

Después de estimar la red, EGA utiliza un algoritmo de detección de comunidades para particionar los nodos.

La implementación original empleaba Walktrap, un algoritmo basado en caminatas aleatorias cortas (Pons & Latapy, 2006). La intuición es que una caminata aleatoria corta tiende a permanecer dentro de una comunidad densamente conectada porque existen muchas rutas fuertes entre nodos del mismo grupo.

Una visión simplificada del proceso es:

  1. construir probabilidades de transición a partir de la red ponderada;
  2. realizar caminatas aleatorias cortas;
  3. utilizar semejanzas en el comportamiento de las caminatas para combinar progresivamente nodos y comunidades; y
  4. seleccionar una partición mediante la estructura comunitaria del grafo (Newman, 2006; Pons & Latapy, 2006).

Cada comunidad resultante se interpreta como una dimensión psicométrica candidata.

NotaEGA ha evolucionado más allá de una única red y un único algoritmo de comunidades

Las versiones modernas de EGAnet ofrecen varios estimadores de red y algoritmos de detección de comunidades. En el tutorial de R siguiente solicitamos explícitamente model = "glasso" y algorithm = "walktrap" para que el código corresponda al enfoque EBICglasso + Walktrap explicado en este capítulo (H. Golino & Christensen, 2026).

10 3. Estabilidad de la Solución EGA

Una única estructura estimada puede reflejar variación muestral. Por ello, el EGA bootstrap estima repetidamente soluciones EGA en conjuntos de datos replicados y examina con qué consistencia se recupera la estructura dimensional (Christensen & Golino, 2021).

bootEGA() puede utilizar un procedimiento paramétrico basado en la estructura de asociaciones empírica o remuestreo no paramétrico de los casos observados. A través de las replicaciones, el procedimiento registra:

  • el número de dimensiones detectadas;
  • la pertenencia comunitaria de cada ítem;
  • las redes estimadas; y
  • información de estabilidad sobre dimensiones e ítems.

El bootstrap también puede utilizarse para obtener una estructura de red típica basada en las relaciones medianas por pares entre muestras bootstrap (Christensen & Golino, 2021).

10.1 Consistencia Estructural

La consistencia estructural describe con qué frecuencia una dimensión identificada empíricamente se reproduce con la misma composición de ítems entre muestras bootstrap.

Si una dimensión presenta baja consistencia estructural, su composición exacta está cambiando sustancialmente entre replicaciones.

10.2 Estabilidad de los Ítems

La estabilidad de los ítems describe con qué frecuencia un ítem individual regresa a la misma dimensión empírica a través de las replicaciones bootstrap.

Un ítem con baja estabilidad puede:

  • desplazarse entre dimensiones vecinas;
  • ocupar una frontera entre comunidades;
  • contener contenido asociado con múltiples constructos; o
  • reflejar una solución dimensional inestable.

Valores alrededor de .70 a .75 se han utilizado con frecuencia como puntos de referencia prácticos en aplicaciones de EGA (Christensen & Golino, 2021), pero deben tratarse como orientación descriptiva y no como leyes psicométricas universales.

ImportanteLa estabilidad de dimensiones y de ítems responden preguntas diferentes

Una solución puede producir repetidamente el mismo número de dimensiones mientras los ítems individuales cambian entre ellas. Por esta razón, la estabilidad no debe evaluarse solo mediante la distribución bootstrap del número de comunidades.

11 Ejecutar EGA Paso a Paso en R

El tutorial utiliza EGAnet (H. Golino & Christensen, 2026), los datos de personalidad bfi y el diccionario de ítems disponibles en el ecosistema psych/psychTools (Revelle, 2023), y lavaan para un seguimiento opcional mediante CFA (Rosseel, 2012).

11.1 Instalar los Paquetes

La instalación solo debe realizarse una vez.

install.packages("EGAnet")
install.packages("psych")
install.packages("psychTools")
install.packages("lavaan")

Cargue los paquetes:

library(EGAnet)
[1;m[4;m
EGAnet (version 2.4.1)[0m[0m 

For help getting started, see <https://r-ega.net> 

For bugs and errors, submit an issue to <https://github.com/hfgolino/EGAnet/issues>
library(psych)

Anexando pacote: 'psych'
O seguinte objeto é mascarado por 'package:EGAnet':

    CFA
library(psychTools)
library(lavaan)
This is lavaan 0.7-2
lavaan is FREE software! Please report any bugs.

Anexando pacote: 'lavaan'
O seguinte objeto é mascarado por 'package:psych':

    cor2cov

11.2 Preparar los Ítems del BFI

El ejemplo utiliza las primeras 25 variables del conjunto bfi, que representan ítems de personalidad del conjunto Big Five.

bfi_items <- psych::bfi[, 1:25]

dim(bfi_items)
[1] 2800   25

Para facilitar la lectura de la salida de UVA, también utilizaremos las descripciones correspondientes de los ítems del diccionario de psychTools.

bfi_key <- as.character(
  psychTools::bfi.dictionary$Item[1:25]
)

11.3 Paso 1: Ejecutar el Análisis de Variables Únicas

bfi_uva <- EGAnet::UVA(
  data = bfi_items,
  key = bfi_key
)

bfi_uva
Variable pairs with wTO > 0.30 (large-to-very large redundancy)

            node_i                node_j   wto
 Get angry easily. Get irritated easily. 0.431

----

Variable pairs with wTO > 0.25 (moderate-to-large redundancy)

----

Variable pairs with wTO > 0.20 (small-to-moderate redundancy)

                                    node_i
                         Don't talk a lot.
                   Am exacting in my work.
 Am indifferent to the feelings of others.
           Do things in a half-way manner.
               Know how to comfort others.
                         Get angry easily.
                Have frequent mood swings.
         Inquire about others' well-being.
                                node_j   wto
 Find it difficult to approach others. 0.226
 Continue until everything is perfect. 0.225
     Inquire about others' well-being. 0.219
                        Waste my time. 0.209
             Make people feel at ease. 0.207
            Have frequent mood swings. 0.205
                      Often feel blue. 0.204
           Know how to comfort others. 0.203

La salida identifica pares o conjuntos de ítems con solapamiento topológico potencialmente importante e informa la reducción sugerida por UVA.

Las variables retenidas y eliminadas pueden examinarse con:

bfi_uva$keep_remove
$keep
[1] "Get irritated easily."

$remove
[1] "Get angry easily."

En este ejemplo, la interpretación debe centrarse en el contenido de los ítems señalados además del valor wTO. Redacciones semejantes como «enfadarse con facilidad» e «irritarse con facilidad» ofrecen una razón sustantiva para que dos variables se comporten de forma redundante.

El conjunto de datos reducido está disponible directamente en el objeto UVA:

bfi_reduced <- bfi_uva$reduced_data
AdvertenciaPara el desarrollo real de escalas

No permita que UVA() decida silenciosamente el cuestionario final. Trate la reducción automática como una recomendación estadística y documente la razón sustantiva para conservar o eliminar cada ítem señalado.

11.4 Paso 2: Estimar la Estructura EGA

Para corresponder al método explicado anteriormente, solicitamos explícitamente una red graphical lasso y detección de comunidades Walktrap.

bfi_ega <- EGAnet::EGA(
  data = bfi_reduced,
  model = "glasso",
  algorithm = "walktrap"
)

bfi_ega
Model: GLASSO (EBIC with gamma = 0.5)
Correlations: auto
Lambda: 0.0597096451199323 (n = 100, ratio = 0.1)

Number of nodes: 24
Number of edges: 125
Edge density: 0.453

Non-zero edge weights: 
     M    SD    Min   Max
 0.041 0.112 -0.270 0.396

----

Algorithm:  Walktrap

Number of communities:  5

A1 A2 A3 A4 A5 C1 C2 C3 C4 C5 E1 E2 E3 E4 E5 N2 N3 N4 N5 O1 O2 O3 O4 O5 
 1  1  1  1  1  2  2  2  2  2  3  3  3  3  3  4  4  4  4  5  5  5  5  5 

----

Unidimensional Method: Louvain
Unidimensional: No

----

TEFI: -24.989

El gráfico de EGA utiliza colores para distinguir las comunidades detectadas. Cada nodo es un ítem y cada comunidad representa una dimensión candidata.

Puede obtenerse un resumen textual con:

summary(bfi_ega)
Model: GLASSO (EBIC with gamma = 0.5)
Correlations: auto
Lambda: 0.0597096451199323 (n = 100, ratio = 0.1)

Number of nodes: 24
Number of edges: 125
Edge density: 0.453

Non-zero edge weights: 
     M    SD    Min   Max
 0.041 0.112 -0.270 0.396

----

Algorithm:  Walktrap

Number of communities:  5

A1 A2 A3 A4 A5 C1 C2 C3 C4 C5 E1 E2 E3 E4 E5 N2 N3 N4 N5 O1 O2 O3 O4 O5 
 1  1  1  1  1  2  2  2  2  2  3  3  3  3  3  4  4  4  4  5  5  5  5  5 

----

Unidimensional Method: Louvain
Unidimensional: No

----

TEFI: -24.989

El resumen proporciona varias capas de información:

Salida Interpretación
Modelo de red Cómo se estimó la red de ítems
Características de la red Número de nodos, aristas, densidad y resúmenes de las aristas
Algoritmo de comunidades Cómo se identificaron las comunidades
Número de comunidades Dimensionalidad estimada
Pertenencia de los ítems A qué comunidad pertenece cada ítem
Información de unidimensionalidad Si debe considerarse una solución unidimensional
TEFI, cuando está disponible Información basada en entropía que puede ayudar a comparar estructuras dimensionales

El Índice de Ajuste de Entropía Total (TEFI) se propuso como un enfoque de teoría de la información para comparar estructuras dimensionales (H. Golino et al., 2021). Como otras cantidades de comparación de modelos, debe interpretarse comparativamente y no como un número aislado de aprobado/suspenso.

Importante¿Qué significa ‘cinco comunidades’?

Si EGA detecta cinco comunidades en los datos BFI, el resultado es estadísticamente compatible con la conocida organización de cinco dimensiones de los ítems Big Five. El resultado de EGA no demuestra la teoría Big Five; muestra que la red observada contiene una estructura de cinco comunidades que puede interpretarse en relación con esa teoría.

11.5 Paso 3: Bootstrap de EGA

El bootstrap de EGA es la parte computacionalmente más intensiva del capítulo. El ejemplo utiliza 500 replicaciones bootstrap, de acuerdo con una elección común en la literatura EGA (Christensen & Golino, 2021).

Mostrar código bootstrap de EGA
bfi_boot <- EGAnet::bootEGA(
  data = bfi_reduced,
  model = "glasso",
  algorithm = "walktrap",
  iter = 500,
  seed = 2024
)

La opción de caché es intencional: una vez calculado el bootstrap, Quarto puede reutilizar el resultado almacenado en lugar de volver a calcular 500 soluciones EGA cada vez que se renderiza el capítulo.

Inspeccione el resumen bootstrap con:

summary(bfi_boot)
Model: GLASSO (EBIC)
Correlations: auto
Algorithm:  Walktrap
Unidimensional Method:  Louvain

----

EGA Type: EGA 
Bootstrap Samples: 500 (Parametric)
                       
                4     5
Frequency:  0.058 0.942

Median dimensions: 5 [4.54, 5.46] 95% CI

Entre los resultados importantes se incluyen:

  • la frecuencia con la que se recuperó cada número de comunidades;
  • la mediana del número de comunidades;
  • la incertidumbre en el número de dimensiones; y
  • información sobre el procedimiento de estimación utilizado entre replicaciones.

Una distribución bootstrap concentrada alrededor del número empírico de dimensiones es tranquilizadora, pero no suficiente por sí sola. También debemos examinar la estabilidad de las dimensiones y los ítems.

11.6 Estabilidad de Dimensiones e Ítems

dimensionStability(bfi_boot)

EGA Type: EGA 
Bootstrap Samples: 500 (Parametric)

Proportion Replicated in Dimensions:

   A1    A2    A3    A4    A5    C1    C2    C3    C4    C5    E1    E2    E3 
1.000 1.000 1.000 0.994 1.000 1.000 1.000 1.000 1.000 1.000 0.994 0.994 0.992 
   E4    E5    N2    N3    N4    N5    O1    O2    O3    O4    O5 
0.992 0.958 1.000 1.000 1.000 1.000 0.948 0.948 0.948 0.948 0.948 

----

Structural Consistency:

    1     2     3     4     5 
0.994 1.000 0.966 1.000 0.948

Los diagnósticos resultantes muestran con qué consistencia se recuperan las dimensiones empíricas y sus ítems entre muestras bootstrap.

Interprete la estabilidad en dos niveles:

  1. Estabilidad a nivel de dimensión: ¿se recupera repetidamente el mismo conjunto de ítems como dimensión?
  2. Estabilidad a nivel de ítem: ¿cada ítem vuelve repetidamente a su dimensión empírica original?

Un ítem que cambia repetidamente de dimensión merece especial atención, incluso si el número total de dimensiones se mantiene estable.

TipCómo interpretar un ítem inestable

Una baja estabilidad no es automáticamente una razón para eliminar el ítem. Puede indicar redacción ambigua, solapamiento entre constructos, un ítem fronterizo, dependencia local o una estructura psicológica genuinamente compleja.

11.7 Cargas de Red

Las cargas de red proporcionan información análoga en propósito —aunque no idéntica matemáticamente— a las cargas factoriales. Cuantifican con qué fuerza las variables se conectan con su propia dimensión de red y con las demás (Christensen et al., 2020).

network_loadings <- EGAnet::net.loads(
  bfi_boot$EGA
)
The default 'loading.method' has changed to "revised" in {EGAnet} version >= 2.0.7.

 For the previous default (version <= 2.0.6), use `loading.method = "original"`
print(
  network_loadings,
  minimum = 0
)
Loading Method: Revised

   1      2      3      4      5     
A2  0.585   0.04  0.078  0.017  0.026
A3  0.579      0  0.124      0  0.013
A5   0.33      0  0.239 -0.038  0.015
A4  0.248   0.12  0.062 -0.007 -0.015
A1 -0.253 -0.009  0.014   0.03 -0.035
C2  0.057  0.465  0.021  0.039  0.037
C1      0  0.395  0.041      0  0.075
C3  0.042  0.379  0.013      0      0
C5 -0.061 -0.378 -0.051  0.118  0.035
C4 -0.019 -0.519 -0.024  0.068   -0.1
E4  0.228      0  0.441 -0.041 -0.061
E3  0.173      0   0.29  0.008    0.2
E5  0.049  0.147  0.289  0.025  0.117
E1 -0.014  0.033 -0.421  0.006 -0.029
E2 -0.025  -0.03 -0.559  0.104  0.055
N3      0 -0.017  0.008  0.671  0.028
N2 -0.078 -0.043  0.055  0.437  -0.01
N4      0 -0.098 -0.135  0.412  0.071
N5  0.018  0.011 -0.052  0.349   -0.1
O3  0.027  0.039  0.191      0  0.485
O1 -0.004  0.028  0.161 -0.012  0.376
O4  0.039 -0.004 -0.072  0.091  0.274
O2   0.01 -0.054   0.03   0.07 -0.322
O5  -0.02 -0.046  0.029   0.02 -0.456
Standardized loadings >= |0.00| are displayed. To change this 'minimum', use `print(net.loads_object, minimum = 0.10)`

Al interpretar las cargas de red, examine:

  • qué dimensión presenta la mayor carga para cada ítem;
  • si un ítem tiene cargas relevantes en múltiples dimensiones; y
  • si el patrón de cargas coincide con la pertenencia comunitaria detectada.

Como ocurre con las cargas factoriales, el contenido de los ítems debe guiar la interpretación sustantiva.

11.8 Seguimiento Opcional: CFA de la Estructura EGA

EGA es exploratorio. Si la estructura detectada tiene sentido teórico, un seguimiento posible consiste en traducirla a un modelo factorial confirmatorio.

EGAnet proporciona una función de conveniencia para ello:

ega_cfa <- EGAnet::CFA(
  bfi_ega,
  data = bfi_reduced,
  estimator = "WLSMV",
  plot.CFA = TRUE,
  layout = "spring"
)
[1] "A1" "A2" "A3" "A4" "A5"
[1] "C1" "C2" "C3" "C4" "C5"
[1] "E1" "E2" "E3" "E4" "E5"
[1] "N2" "N3" "N4" "N5"
[1] "O1" "O2" "O3" "O4" "O5"

Los índices de ajuste pueden extraerse del modelo lavaan subyacente:

lavaan::fitMeasures(
  ega_cfa$fit,
  fit.measures = "all"
)
                         npar                          fmin 
                       82.000                         0.738 
                        chisq                            df 
                     4132.221                       242.000 
                       pvalue                  chisq.scaled 
                        0.000                      3570.714 
                    df.scaled                 pvalue.scaled 
                      242.000                         0.000 
         chisq.scaling.factor                baseline.chisq 
                        1.157                     17655.215 
                  baseline.df               baseline.pvalue 
                      276.000                         0.000 
        baseline.chisq.scaled            baseline.df.scaled 
                    14781.836                       276.000 
       baseline.pvalue.scaled baseline.chisq.scaling.factor 
                        0.000                         1.194 
                          cfi                           tli 
                        0.776                         0.745 
                   cfi.scaled                    tli.scaled 
                        0.771                         0.738 
                   cfi.robust                    tli.robust 
                        0.777                         0.746 
                         nnfi                           rfi 
                        0.745                         0.733 
                          nfi                          pnfi 
                        0.766                         0.672 
                          ifi                           rni 
                        0.777                         0.776 
                  nnfi.scaled                    rfi.scaled 
                        0.738                         0.725 
                   nfi.scaled                   pnfi.scaled 
                        0.758                         0.665 
                   ifi.scaled                    rni.scaled 
                        0.771                         0.771 
                  nnfi.robust                    rni.robust 
                        0.746                         0.777 
                         logl             unrestricted.logl 
                  -109988.969                   -107922.858 
                          aic                           bic 
                   220141.938                    220628.802 
                       ntotal                          bic2 
                     2800.000                    220368.260 
            scaling.factor.h1             scaling.factor.h0 
                        1.155                         1.147 
                        rmsea                rmsea.ci.lower 
                        0.076                         0.074 
               rmsea.ci.upper                rmsea.ci.level 
                        0.078                         0.900 
                 rmsea.pvalue                rmsea.close.h0 
                        0.000                         0.050 
        rmsea.notclose.pvalue             rmsea.notclose.h0 
                        0.000                         0.080 
                 rmsea.scaled         rmsea.ci.lower.scaled 
                        0.070                         0.068 
        rmsea.ci.upper.scaled           rmsea.pvalue.scaled 
                        0.072                         0.000 
 rmsea.notclose.pvalue.scaled                  rmsea.robust 
                        0.000                         0.076 
        rmsea.ci.lower.robust         rmsea.ci.upper.robust 
                        0.074                         0.078 
          rmsea.pvalue.robust  rmsea.notclose.pvalue.robust 
                        0.000                         0.001 
                          rmr                    rmr_nomean 
                        0.144                         0.150 
                         srmr                  srmr_bentler 
                        0.070                         0.070 
          srmr_bentler_nomean                          crmr 
                        0.073                         0.073 
                  crmr_nomean                    srmr_mplus 
                        0.076                         0.070 
            srmr_mplus_nomean                           gfi 
                        0.073                         0.896 
                 gfi.ci.lower                  gfi.ci.upper 
                        0.891                         0.901 
                 gfi.ci.level                    gfi.robust 
                        0.900                         0.896 
          gfi.ci.lower.robust           gfi.ci.upper.robust 
                        0.891                         0.901 
                        cn_05                         cn_01 
                      190.246                       201.638 
                   gfi_lisrel                   agfi_lisrel 
                        0.992                         0.990 
                         pgfi                           mfi 
                        0.741                         0.499 
                         ecvi 
                        1.534 
attr(,"scaled.test")
[1] "yuan.bentler.mplus"
AdvertenciaNo lo denomine confirmación independiente

Si se utiliza el mismo conjunto de datos para descubrir la estructura EGA y posteriormente ajustar un CFA, el CFA no constituye una confirmación independiente. Un diseño más fuerte estima la estructura exploratoria en una muestra y la evalúa en otra muestra o en un conjunto de datos externo.

12 Guía Compacta de Interpretación de EGA

Resultado Pregunte…
UVA ¿Hay ítems localmente redundantes y su contenido explica por qué?
Comunidades EGA ¿Cuántas dimensiones se identifican y tienen sentido sustantivo los ítems agrupados?
Aristas ¿Qué relaciones condicionales entre ítems permanecen después de estimar la red?
Cargas de red ¿Con qué comunidad se asocia más fuertemente cada ítem?
Dimensionalidad bootstrap ¿Se recupera de manera consistente el mismo número de comunidades?
Consistencia estructural ¿Cada dimensión empírica se recupera con la misma composición?
Estabilidad de los ítems ¿Los ítems individuales permanecen en la misma comunidad?
TEFI / comparación de modelos ¿Una estructura dimensional candidata recibe mejor apoyo comparativo?
Seguimiento CFA ¿Una versión teóricamente especificada de la solución exploratoria reproduce razonablemente los datos?

13 Cómo Reportar un EGA

Un informe transparente debe describir suficiente información para que otro investigador pueda reproducir la decisión de dimensionalidad. Como mínimo, informe:

  • las variables incluidas en el análisis;
  • si se utilizó UVA y cómo;
  • el método de estimación de la red;
  • el algoritmo de detección de comunidades;
  • el número estimado de comunidades;
  • la pertenencia de los ítems a cada comunidad;
  • el tipo de bootstrap y el número de replicaciones;
  • la distribución de la dimensionalidad recuperada;
  • la estabilidad de dimensiones e ítems;
  • cualquier información de cargas de red o ajuste por entropía utilizada en la interpretación; y
  • cualquier reducción o modificación de ítems realizada tras inspeccionar los resultados.

Para el tutorial BFI, la descripción analítica podría adoptar esta forma:

Se realizó un Análisis Exploratorio de Grafos sobre los 25 ítems de personalidad del BFI. Primero se utilizó el Análisis de Variables Únicas para identificar variables potencialmente redundantes. Posteriormente se estimó EGA mediante una red graphical lasso y detección de comunidades Walktrap. La estabilidad de la estructura dimensional se evaluó mediante 500 replicaciones bootstrap. El número y la composición de las comunidades detectadas, la consistencia estructural, la estabilidad de los ítems y las cargas de red se consideraron conjuntamente al interpretar la solución.

Inserte los resultados numéricos reales de los modelos ajustados cuando informe un análisis empírico.

14 Consideraciones Finales

EGA ofrece un enfoque complementario para estimar la dimensionalidad. Su principal ventaja es que devuelve tanto una estimación del número de dimensiones como una representación explícita de qué ítems pertenecen a ellas. UVA y EGA bootstrap amplían este flujo de trabajo al incorporar la redundancia local y la estabilidad estructural como partes del análisis en lugar de tratarlas como consideraciones posteriores.

Al mismo tiempo, EGA no elimina la necesidad de teoría psicométrica. El algoritmo de detección de comunidades identifica estructura estadística; el investigador todavía debe decidir si las comunidades forman constructos coherentes, si la redundancia de ítems es sustantivamente problemática y si la solución es lo suficientemente estable como para sostener interpretaciones posteriores.

Por tanto, la lectura más útil de EGA no es simplemente «el algoritmo encontró cinco dimensiones». Una conclusión más fuerte pregunta si el número de dimensiones, las pertenencias de los ítems, las cargas de red, la estabilidad bootstrap y la interpretación teórica convergen sobre la misma estructura de medición.