RESUMO
En este trabajo se evalúa la incidencia de la atenuación, mediante transformaciones de variables, del sesgo y de la curtosis de las puntuacionesobservadas, sobre la estructura factorial, estimada mediante análisis factorial exploratorio y confirmatorio. Los datos proceden de una escala de opinión estudiantil para la evaluación de profesores universitarios, de 16 ítems medidos en escala Likert. Las distribuciones observadas no se aproximan ala normalidad, por lo que se aplican distintos procedimientos para la corrección del sesgo y de la curtosis. Los resultados sugieren que tanto losestadísticos globales de bondad de ajuste como las saturaciones factoriales de los modelos son más sensibles al método de estimación (para una mismatransformación) que a la transformación (para un mismo método de estimación). Como conclusión, cuando la muestra tiene un tamaño moderado y el modelo está especificado correctamente la estimación demáxima verosimilitud proporciona los mejores resultados, aún en condiciones de distanciamiento del supuesto de normalidad multivariante, siempre que el coeficiente de Mardia no supere el valor 70. Una limitacióndel trabajo es que no se ha valorado el efecto de la complejidad de la estructura factorial y/o el grado de comunalidad teórica de las variables
The reduction of skewness and kurtosis of observed variables by data transformation: Effect on factor structure. The present paper examines the effect of skewness and kurtosis reduction through data transformation on the factor structure obtained by exploratory and confirmatory factor analyses. Data are from a 16-item scale that measures students opinionsabout university teaching, each item measured on a 5-point Likert format. Observed distributions do not comply with the assumption of normality, sodifferent variable transformations were performed to reduce the skewness and kurtosis of the data. Our results suggest that goodness-of-fit indices andfactor loadings are more sensitive to the estimation method employed (for a given transformation) than to the transformation procedure (for a givenestimation method). For moderate sample sizes and correctly specified models maximum likelihood estimation method is the one that performs the best, even when assumption of multivariate normality is violated, provided the Mardia coefficient falls in the range up to 70. Neither the complexity of factor structure nor the theoretical commonality among variables were taken into account, thus limiting the present results (AU)
