pág. 495
MODELO DE ECUACIONES ESTRUCTURALES
PARA LA EVALUACIÓN DE COMPETENCIAS
TRANSVERSALES EN TECNÓLOGOS DEL SENA
EN BOGOTÁ
STRUCTURAL EQUATION MODEL FOR THE EVALUATION OF
TRANSVERSAL COMPETENCIES IN SENA TECHNOLOGISTS
IN BOGOTÁ
Dr. José Giovanni Lozano Bolívar
Servicio Nacional de Aprendizaje Bogotá, Colombia
pág. 496
DOI: https://doi.org/10.37811/cl_rcm.v9i2.16861
Modelo de ecuaciones estructurales para la evaluación de competencias
transversales en tecnólogos del sena en Bogotá
Dr. José Giovanni Lozano Bolívar1
jglozano@sena.edu.co
https://orcid.org/0000-0002-4063-6826
Servicio Nacional de Aprendizaje Bogotá, Colombia
RESUMEN
El presente estudio evalúa las competencias transversales en los programas de formación profesional
del Servicio Nacional de Aprendizaje (SENA) en Bogotá, esenciales para el desarrollo de las industrias
creativas y culturales. Se aplicó el Modelo de Ecuaciones Estructurales (SEM) para identificar factores
determinantes, como el diseño curricular, la calidad docente y los recursos educativos, que influyen en
el desarrollo de competencias en los aprendices. Se adoptó un enfoque descriptivo transversal, utilizando
un cuestionario estructurado dirigido a 220 aprendices seleccionados mediante muestreo probabilístico
estratificado. El instrumento evaluó competencias sistémicas, instrumentales e interpersonales,
abarcando dimensiones como liderazgo, trabajo en equipo y resolución de problemas. A través del
Análisis de Componentes Principales (ACP) y el Análisis Factorial Confirmatorio (AFC), se
identificaron cuatro dimensiones clave: motivación y desempeño, gestión y organización, trabajo en
equipo y liderazgo. Los resultados indican que un currículo dinámico, adaptado a las exigencias del
mercado laboral, es fundamental para mejorar la calidad educativa. Concluye que es necesario integrar
estas competencias en los programas formativos, promoviendo actividades prácticas y el uso de
tecnologías educativas. Asimismo, se resalta la importancia de la capacitación continua del personal
docente para garantizar que los instructores implementen estrategias pedagógicas que fomenten el
desarrollo de competencias transversales. Fortalecer estas competencias mejora la calidad educativa del
SENA, e incrementa la empleabilidad de los egresados, preparándolos para un mercado laboral
competitivo y en constante evolución.
Palabras clave: industrias creativas, industrias culturales, competencias transversales, calidad educativa,
diseño curricular
1 Autor principal
Correspondencia: jglozano@sena.edu.co
DOI: https://doi.org/10.37811/cl_rcm.v9i2.16861
Modelo de ecuaciones estructurales para la evaluación de competencias
transversales en tecnólogos del sena en Bogotá
Dr. José Giovanni Lozano Bolívar1
jglozano@sena.edu.co
https://orcid.org/0000-0002-4063-6826
Servicio Nacional de Aprendizaje Bogotá, Colombia
RESUMEN
El presente estudio evalúa las competencias transversales en los programas de formación profesional
del Servicio Nacional de Aprendizaje (SENA) en Bogotá, esenciales para el desarrollo de las industrias
creativas y culturales. Se aplicó el Modelo de Ecuaciones Estructurales (SEM) para identificar factores
determinantes, como el diseño curricular, la calidad docente y los recursos educativos, que influyen en
el desarrollo de competencias en los aprendices. Se adoptó un enfoque descriptivo transversal, utilizando
un cuestionario estructurado dirigido a 220 aprendices seleccionados mediante muestreo probabilístico
estratificado. El instrumento evaluó competencias sistémicas, instrumentales e interpersonales,
abarcando dimensiones como liderazgo, trabajo en equipo y resolución de problemas. A través del
Análisis de Componentes Principales (ACP) y el Análisis Factorial Confirmatorio (AFC), se
identificaron cuatro dimensiones clave: motivación y desempeño, gestión y organización, trabajo en
equipo y liderazgo. Los resultados indican que un currículo dinámico, adaptado a las exigencias del
mercado laboral, es fundamental para mejorar la calidad educativa. Concluye que es necesario integrar
estas competencias en los programas formativos, promoviendo actividades prácticas y el uso de
tecnologías educativas. Asimismo, se resalta la importancia de la capacitación continua del personal
docente para garantizar que los instructores implementen estrategias pedagógicas que fomenten el
desarrollo de competencias transversales. Fortalecer estas competencias mejora la calidad educativa del
SENA, e incrementa la empleabilidad de los egresados, preparándolos para un mercado laboral
competitivo y en constante evolución.
Palabras clave: industrias creativas, industrias culturales, competencias transversales, calidad educativa,
diseño curricular
1 Autor principal
Correspondencia: jglozano@sena.edu.co
pág. 497
Structural equation model for the evaluation of transversal competencies in
sena technologists in Bogotá
ABSTRACT
The present study evaluates transversal competencies in the professional training programs of the
National Learning Service (SENA) in Bogotá, essential for the development of creative and cultural
industries. The Structural Equations Model (SEM) was applied to identify determining factors, such as
curricular design, teaching quality and educational resources, that influence the development of
competencies in learners. A cross-sectional descriptive approach was adopted, using a structured
questionnaire directed at 220 trainees selected through stratified probability sampling. The instrument
evaluated systemic, instrumental and interpersonal competencies, covering dimensions such as
leadership, teamwork and problem solving. Through Principal Component Analysis (PCA) and
Confirmatory Factor Analysis (CFA), four key dimensions were identified: motivation and performance,
management and organization, teamwork and leadership. The results indicate that a dynamic curriculum,
adapted to the demands of the labor market, is essential to improve educational quality. It concludes that
it is necessary to integrate these competencies in training programs, promoting practical activities and
the use of educational technologies. Likewise, the importance of continuous training of teaching staff is
highlighted to ensure that instructors implement pedagogical strategies that encourage the development
of transversal competencies. Strengthening these skills improves the educational quality of SENA, and
increases the employability of graduates, preparing them for a competitive and constantly evolving labor
market.
Keywords: creative industries, cultural industries, transversal competencies, educational quality,
curriculum design
Artículo recibido 13 febrero 2025
Aceptado para publicación: 19 marzo 2025
Structural equation model for the evaluation of transversal competencies in
sena technologists in Bogotá
ABSTRACT
The present study evaluates transversal competencies in the professional training programs of the
National Learning Service (SENA) in Bogotá, essential for the development of creative and cultural
industries. The Structural Equations Model (SEM) was applied to identify determining factors, such as
curricular design, teaching quality and educational resources, that influence the development of
competencies in learners. A cross-sectional descriptive approach was adopted, using a structured
questionnaire directed at 220 trainees selected through stratified probability sampling. The instrument
evaluated systemic, instrumental and interpersonal competencies, covering dimensions such as
leadership, teamwork and problem solving. Through Principal Component Analysis (PCA) and
Confirmatory Factor Analysis (CFA), four key dimensions were identified: motivation and performance,
management and organization, teamwork and leadership. The results indicate that a dynamic curriculum,
adapted to the demands of the labor market, is essential to improve educational quality. It concludes that
it is necessary to integrate these competencies in training programs, promoting practical activities and
the use of educational technologies. Likewise, the importance of continuous training of teaching staff is
highlighted to ensure that instructors implement pedagogical strategies that encourage the development
of transversal competencies. Strengthening these skills improves the educational quality of SENA, and
increases the employability of graduates, preparing them for a competitive and constantly evolving labor
market.
Keywords: creative industries, cultural industries, transversal competencies, educational quality,
curriculum design
Artículo recibido 13 febrero 2025
Aceptado para publicación: 19 marzo 2025
pág. 498
INTRODUCCIÓN
La presente investigación se enfoca en analizar las competencias transversales en tecnólogos egresados
del SENA, con orientación en el sector de las industrias creativas en Bogotá. Para este propósito, se
emplea el Modelo de Ecuaciones Estructurales (SEM), una técnica estadística avanzada que facilita el
análisis de relaciones complejas entre variables observables y latentes. Este enfoque proporciona una
base sólida para identificar factores clave en el desarrollo de competencias y ofrece un marco
fundamentado en evidencia empírica para diseñar estrategias formativas (Hair Jr. et al., 2019; Kline,
2016).
El estudio se fundamenta en los lineamientos normativos establecidos en Colombia, como el Decreto
1330 de 2019, que prioriza la calidad y relevancia de los programas de formación profesional. Además,
se fundamenta en investigaciones previas que resaltan la importancia de las competencias transversales
en la educación técnica y tecnológica, así como su incidencia en la calidad de la enseñanza y en la
satisfacción de las exigencias del mercado laboral (Álvarez-Cazón et al., 2023; Alvarez-Jirón &
Dicovskiy-Riobóo, 2022; Sepúlveda, 2017).
El objetivo principal es examinar los factores subyacentes a las competencias transversales en los
tecnólogos del SENA mediante el uso del SEM. Los hallazgos permitirán delinear la estructura de dichas
competencias y plantear recomendaciones concretas para la mejora continua de los programas
formativos. Este análisis busca fortalecer la calidad formativa del SENA, garantizando la pertinencia y
sostenibilidad de sus programas en un entorno laboral dinámico y en transformación.
Marco Teórico
La evaluación de competencias transversales es fundamental para garantizar la calidad educativa y la
pertinencia laboral en los programas tecnológicos. El SEM se presenta como una herramienta
metodológica clave para analizar las relaciones complejas entre variables observadas y latentes,
permitiendo identificar factores que impactan en los procesos formativos (Hair Jr. et al., 2019; Kline,
2016). Este modelo, que combina análisis factorial y regresión, ha sido ampliamente utilizado en el
ámbito educativo para medir competencias, evaluar programas y explorar factores asociados al
rendimiento académico (Byrne, 2013; Reyes Ramírez et al., 2022; Rodríguez-León et al., 2023).
En el caso del SENA, el SEM facilita la identificación de fortalezas y áreas de mejora, como la
INTRODUCCIÓN
La presente investigación se enfoca en analizar las competencias transversales en tecnólogos egresados
del SENA, con orientación en el sector de las industrias creativas en Bogotá. Para este propósito, se
emplea el Modelo de Ecuaciones Estructurales (SEM), una técnica estadística avanzada que facilita el
análisis de relaciones complejas entre variables observables y latentes. Este enfoque proporciona una
base sólida para identificar factores clave en el desarrollo de competencias y ofrece un marco
fundamentado en evidencia empírica para diseñar estrategias formativas (Hair Jr. et al., 2019; Kline,
2016).
El estudio se fundamenta en los lineamientos normativos establecidos en Colombia, como el Decreto
1330 de 2019, que prioriza la calidad y relevancia de los programas de formación profesional. Además,
se fundamenta en investigaciones previas que resaltan la importancia de las competencias transversales
en la educación técnica y tecnológica, así como su incidencia en la calidad de la enseñanza y en la
satisfacción de las exigencias del mercado laboral (Álvarez-Cazón et al., 2023; Alvarez-Jirón &
Dicovskiy-Riobóo, 2022; Sepúlveda, 2017).
El objetivo principal es examinar los factores subyacentes a las competencias transversales en los
tecnólogos del SENA mediante el uso del SEM. Los hallazgos permitirán delinear la estructura de dichas
competencias y plantear recomendaciones concretas para la mejora continua de los programas
formativos. Este análisis busca fortalecer la calidad formativa del SENA, garantizando la pertinencia y
sostenibilidad de sus programas en un entorno laboral dinámico y en transformación.
Marco Teórico
La evaluación de competencias transversales es fundamental para garantizar la calidad educativa y la
pertinencia laboral en los programas tecnológicos. El SEM se presenta como una herramienta
metodológica clave para analizar las relaciones complejas entre variables observadas y latentes,
permitiendo identificar factores que impactan en los procesos formativos (Hair Jr. et al., 2019; Kline,
2016). Este modelo, que combina análisis factorial y regresión, ha sido ampliamente utilizado en el
ámbito educativo para medir competencias, evaluar programas y explorar factores asociados al
rendimiento académico (Byrne, 2013; Reyes Ramírez et al., 2022; Rodríguez-León et al., 2023).
En el caso del SENA, el SEM facilita la identificación de fortalezas y áreas de mejora, como la
pág. 499
satisfacción de los aprendices y la alineación de los programas con las demandas del mercado laboral
(Álvarez-Cazón et al., 2023). Adicionalmente, estudios recientes destacan que el uso de enfoques
pedagógicos innovadores y tecnológicos influye positivamente en el desempeño estudiantil (Alvarez-
Jirón & Dicovskiy-Riobóo, 2022; Lozano-Bolívar, 2022).
El Decreto 1330 de 2019, que regula la calidad de la educación superior en Colombia, refuerza la
pertinencia de utilizar el SEM para evaluar competencias con base en resultados de aprendizaje. Este
enfoque asegura que los programas se ajusten a los estándares de calidad y a las necesidades del sector
productivo. Investigaciones como la de Gelvez-Botello et al. (2023) confirman la relevancia de
competencias transversales como el liderazgo y el trabajo en equipo, destacándolas como elementos
esenciales para el éxito profesional en contextos técnicos y tecnológicos.
Estado del Arte
La evaluación de competencias transversales en programas técnicos y tecnológicos del SENA es esencial
para garantizar calidad educativa y empleabilidad. Estas competencias, como liderazgo, trabajo en
equipo y resolución de problemas, son fundamentales en un mercado laboral dinámico (Škrinjarić,
2022). El SEM se destaca como herramienta clave para analizar relaciones complejas entre variables
observables y latentes, proporcionando evidencia empírica sólida (Bagozzi & Yi, 2012; Evermann &
Tate, 2016; Karadaǧ et al., 2015; Merkle & Rosseel, 2018; Schultheiss & Bühlmann, 2023).
El SEM ha sido ampliamente utilizado en la educación para evaluar competencias y medir el impacto
de estrategias pedagógicas. En Colombia, Gelvez Botello et al. (2023) emplearon este modelo para
analizar cómo el liderazgo influye en el desempeño profesional de egresados, mientras que Lozano-
Bolívar (2022) destacó su importancia en tecnólogos SENA para enfrentar retos laborales. Estudios
internacionales, como los de Byrne (2013) y Hair et al. (2019), validan su uso en contextos educativos,
y Álvarez-Cazón et al. (2023) lo aplicaron para evaluar estrategias pedagógicas.
La legislación colombiana, representada por la Ley 115 de 1994 y el Decreto 1330 de 2019, prioriza la
evaluación de competencias basada en resultados de aprendizaje. En respuesta, el SENA ha alineado sus
programas con las demandas del mercado laboral. El uso del SEM permite identificar fortalezas y áreas
de mejora, promoviendo la mejora continua de los programas y su pertinencia en un entorno laboral en
constante cambio.
satisfacción de los aprendices y la alineación de los programas con las demandas del mercado laboral
(Álvarez-Cazón et al., 2023). Adicionalmente, estudios recientes destacan que el uso de enfoques
pedagógicos innovadores y tecnológicos influye positivamente en el desempeño estudiantil (Alvarez-
Jirón & Dicovskiy-Riobóo, 2022; Lozano-Bolívar, 2022).
El Decreto 1330 de 2019, que regula la calidad de la educación superior en Colombia, refuerza la
pertinencia de utilizar el SEM para evaluar competencias con base en resultados de aprendizaje. Este
enfoque asegura que los programas se ajusten a los estándares de calidad y a las necesidades del sector
productivo. Investigaciones como la de Gelvez-Botello et al. (2023) confirman la relevancia de
competencias transversales como el liderazgo y el trabajo en equipo, destacándolas como elementos
esenciales para el éxito profesional en contextos técnicos y tecnológicos.
Estado del Arte
La evaluación de competencias transversales en programas técnicos y tecnológicos del SENA es esencial
para garantizar calidad educativa y empleabilidad. Estas competencias, como liderazgo, trabajo en
equipo y resolución de problemas, son fundamentales en un mercado laboral dinámico (Škrinjarić,
2022). El SEM se destaca como herramienta clave para analizar relaciones complejas entre variables
observables y latentes, proporcionando evidencia empírica sólida (Bagozzi & Yi, 2012; Evermann &
Tate, 2016; Karadaǧ et al., 2015; Merkle & Rosseel, 2018; Schultheiss & Bühlmann, 2023).
El SEM ha sido ampliamente utilizado en la educación para evaluar competencias y medir el impacto
de estrategias pedagógicas. En Colombia, Gelvez Botello et al. (2023) emplearon este modelo para
analizar cómo el liderazgo influye en el desempeño profesional de egresados, mientras que Lozano-
Bolívar (2022) destacó su importancia en tecnólogos SENA para enfrentar retos laborales. Estudios
internacionales, como los de Byrne (2013) y Hair et al. (2019), validan su uso en contextos educativos,
y Álvarez-Cazón et al. (2023) lo aplicaron para evaluar estrategias pedagógicas.
La legislación colombiana, representada por la Ley 115 de 1994 y el Decreto 1330 de 2019, prioriza la
evaluación de competencias basada en resultados de aprendizaje. En respuesta, el SENA ha alineado sus
programas con las demandas del mercado laboral. El uso del SEM permite identificar fortalezas y áreas
de mejora, promoviendo la mejora continua de los programas y su pertinencia en un entorno laboral en
constante cambio.
pág. 500
Problema de Investigación
Los programas de formación profesional integral para tecnólogos enfrentan retos significativos en su
implementación y evaluación, lo que demanda un análisis exhaustivo para garantizar su calidad y
pertinencia. La evaluación de las competencias transversales de los egresados constituye un elemento
clave, ya que procesos como la autoevaluación y el aseguramiento de la calidad son fundamentales en
la educación superior (Aneas et al., 2017; Fahrenbach, 2022; Hortigüela Alcalá et al., 2019; Marín-
Zuluaga, 2020; Raciti et al., 2016; Romeo et al., 2022; Verdecho et al., 2021).
La Ley 115 de 1994 y el Decreto 1330 de 2019 proporcionan los lineamientos normativos para la
formación profesional en Colombia, enfatizando la relevancia y calidad de los programas. Sin embargo,
la
aplicación efectiva de estas disposiciones en sectores como las industrias creativas y culturales requiere
un enfoque que considere tanto las demandas del mercado laboral como las expectativas de los egresados
(Lozano-Bolívar, 2022).
En este contexto, esta investigación utiliza el SEM para analizar las relaciones entre factores clave que
afectan la calidad y efectividad de los programas. Este enfoque, validado por autores como Kline (2016)
y Hair et al. (2019), ha demostrado ser una herramienta eficaz para evaluar estructuras complejas en la
educación superior. Además, estudios recientes, como los de Gelvez Botello et al. (2023) y Álvarez-
Cazón et al. (2023), evidencian su utilidad en la evaluación de competencias laborales y en la mejora
continua de los programas educativos.
Objetivo del Estudio
El objetivo del presente estudio fue identificar y analizar los factores subyacentes a las competencias
transversales de los tecnólogos del SENA mediante la aplicación de un modelo de Ecuaciones
Estructurales (SEM). Este enfoque permitió caracterizar la estructura de dichas competencias y facilitar
la formulación de acciones basadas en evidencia para la mejora de los programas de formación. Para
ello, se realizaron análisis e interpretaciones de los datos utilizando SEM y coeficientes factoriales,
presentando comparaciones teóricas y prácticas derivadas de estos factores, junto con recomendaciones
orientadas a optimizar los procesos de formación profesional integral.
Problema de Investigación
Los programas de formación profesional integral para tecnólogos enfrentan retos significativos en su
implementación y evaluación, lo que demanda un análisis exhaustivo para garantizar su calidad y
pertinencia. La evaluación de las competencias transversales de los egresados constituye un elemento
clave, ya que procesos como la autoevaluación y el aseguramiento de la calidad son fundamentales en
la educación superior (Aneas et al., 2017; Fahrenbach, 2022; Hortigüela Alcalá et al., 2019; Marín-
Zuluaga, 2020; Raciti et al., 2016; Romeo et al., 2022; Verdecho et al., 2021).
La Ley 115 de 1994 y el Decreto 1330 de 2019 proporcionan los lineamientos normativos para la
formación profesional en Colombia, enfatizando la relevancia y calidad de los programas. Sin embargo,
la
aplicación efectiva de estas disposiciones en sectores como las industrias creativas y culturales requiere
un enfoque que considere tanto las demandas del mercado laboral como las expectativas de los egresados
(Lozano-Bolívar, 2022).
En este contexto, esta investigación utiliza el SEM para analizar las relaciones entre factores clave que
afectan la calidad y efectividad de los programas. Este enfoque, validado por autores como Kline (2016)
y Hair et al. (2019), ha demostrado ser una herramienta eficaz para evaluar estructuras complejas en la
educación superior. Además, estudios recientes, como los de Gelvez Botello et al. (2023) y Álvarez-
Cazón et al. (2023), evidencian su utilidad en la evaluación de competencias laborales y en la mejora
continua de los programas educativos.
Objetivo del Estudio
El objetivo del presente estudio fue identificar y analizar los factores subyacentes a las competencias
transversales de los tecnólogos del SENA mediante la aplicación de un modelo de Ecuaciones
Estructurales (SEM). Este enfoque permitió caracterizar la estructura de dichas competencias y facilitar
la formulación de acciones basadas en evidencia para la mejora de los programas de formación. Para
ello, se realizaron análisis e interpretaciones de los datos utilizando SEM y coeficientes factoriales,
presentando comparaciones teóricas y prácticas derivadas de estos factores, junto con recomendaciones
orientadas a optimizar los procesos de formación profesional integral.
pág. 501
Diseño del Estudio
La investigación involucró una muestra de 222 tecnólogos graduados de diversos programas de
formación en las industrias creativas y culturales del Servicio Nacional de Aprendizaje (SENA) en
Bogotá. Con el objetivo de garantizar que todos los programas estuvieran representados, se utilizó un
muestreo probabilístico estratificado con asignación proporcional. Este procedimiento metodológico
permitió contar con una distribución equilibrada de los participantes, reflejando la amplitud de perfiles
y competencias entre los egresados. La estratificación se basó en las particularidades de cada programa,
con el fin de obtener resultados precisos y generalizables para la población de interés (Creswell, 2014;
Creswell & Plano, 2018; Konold, 1991; Lozano-Bolívar, 2022).
Instrumento
El cuestionario empleado, validado previamente para el análisis de competencias laborales transversales,
se estructuró en tres ejes principales: competencias sistémicas, instrumentales e interpersonales. Dicho
instrumento, compuesto por 45 ítems, evalúa aspectos fundamentales del desempeño profesional, tales
como liderazgo, colaboración en equipo, capacidades de gestión, resolución de problemas y relaciones
interpersonales (Hahs-Vaughn, 2021; Hays, 1983; Tabachnick et al., 2018).
La utilidad de este cuestionario se ha respaldado en investigaciones previas, lo que respalda su
pertinencia para el presente estudio (Kaiser, 1974; Lozano-Bolívar, 2022). Asimismo, se realizaron
pequeñas adaptaciones para ajustarlo al perfil de los egresados del SENA, manteniendo su esquema
original y su fiabilidad interna. Su selección obedeció a la necesidad de contar con una herramienta que
proporcione una evaluación completa y precisa, identificando tanto fortalezas como posibles áreas de
mejora en la formación profesional.
METODOLOGÍA
La recopilación de la información se llevó a cabo por medio de la aplicación individual del cuestionario
adaptado a cada participante, a través del correo electrónico, con el objetivo de conservar un entorno
controlado y reducir el riesgo de sesgos en las respuestas. Previo a su implementación, se ofrecieron
instrucciones detalladas para asegurar la compresión adecuada de los ítems y salvaguardar la calidad de
la información obtenida (Creswell & Plano, 2018). Este procedimiento contribuyó a estandarizar la
administración y prevenir errores derivados de la interpretación de los reactivos. Los datos obtenidos
Diseño del Estudio
La investigación involucró una muestra de 222 tecnólogos graduados de diversos programas de
formación en las industrias creativas y culturales del Servicio Nacional de Aprendizaje (SENA) en
Bogotá. Con el objetivo de garantizar que todos los programas estuvieran representados, se utilizó un
muestreo probabilístico estratificado con asignación proporcional. Este procedimiento metodológico
permitió contar con una distribución equilibrada de los participantes, reflejando la amplitud de perfiles
y competencias entre los egresados. La estratificación se basó en las particularidades de cada programa,
con el fin de obtener resultados precisos y generalizables para la población de interés (Creswell, 2014;
Creswell & Plano, 2018; Konold, 1991; Lozano-Bolívar, 2022).
Instrumento
El cuestionario empleado, validado previamente para el análisis de competencias laborales transversales,
se estructuró en tres ejes principales: competencias sistémicas, instrumentales e interpersonales. Dicho
instrumento, compuesto por 45 ítems, evalúa aspectos fundamentales del desempeño profesional, tales
como liderazgo, colaboración en equipo, capacidades de gestión, resolución de problemas y relaciones
interpersonales (Hahs-Vaughn, 2021; Hays, 1983; Tabachnick et al., 2018).
La utilidad de este cuestionario se ha respaldado en investigaciones previas, lo que respalda su
pertinencia para el presente estudio (Kaiser, 1974; Lozano-Bolívar, 2022). Asimismo, se realizaron
pequeñas adaptaciones para ajustarlo al perfil de los egresados del SENA, manteniendo su esquema
original y su fiabilidad interna. Su selección obedeció a la necesidad de contar con una herramienta que
proporcione una evaluación completa y precisa, identificando tanto fortalezas como posibles áreas de
mejora en la formación profesional.
METODOLOGÍA
La recopilación de la información se llevó a cabo por medio de la aplicación individual del cuestionario
adaptado a cada participante, a través del correo electrónico, con el objetivo de conservar un entorno
controlado y reducir el riesgo de sesgos en las respuestas. Previo a su implementación, se ofrecieron
instrucciones detalladas para asegurar la compresión adecuada de los ítems y salvaguardar la calidad de
la información obtenida (Creswell & Plano, 2018). Este procedimiento contribuyó a estandarizar la
administración y prevenir errores derivados de la interpretación de los reactivos. Los datos obtenidos
pág. 502
fueron organizados y analizados mediante el software IBM SPSS Statistics, IBM SPSS Amos 30,
ampliamente reconocido en el ámbito académico y profesional por su nivel de rigor y fiabilidad en los
análisis estadísticos (Field, 2018; Lozano-Bolívar, 2022).
Análisis de Datos
El análisis de los datos tuvo como objetivo principal identificar la estructura factorial subyacente a las
competencias transversales evaluadas. Para ello, se empleó
1- Análisis de Componentes Principales (ACP)
El ACP constituye una técnica eficaz para reducir la dimensionalidad de los datos y clasificar las
variables en factores que recogen la mayor proporción de la varianza (Chacón Mejía et al., 2021;
Gonzalez Rojas et al., 2021; Tello-Cifuentes & Díaz-Paz, 2021). Este enfoque resulta apropiado en
estudios orientados a detectar patrones subyacentes en grandes conjuntos de información.
Con el propósito de evaluar la pertinencia de los datos previos a la implementación del Análisis de
Componentes Principales (ACP), se recurrió al índice de Kaiser-Meyer-Olkin (KMO) y a la prueba de
esfericidad de Bartlett. El índice KMO permite determinar si la muestra es adecuada para un análisis
factorial, mientras que la prueba de Bartlett se utiliza para confirmar la significancia estadística de las
correlaciones existentes entre las variables analizadas (Barlett, 1950; Kaiser, 1974). En ambos casos,
los resultados ratificaron la pertinencia del análisis, pues el índice KMO superó 0.90 y se obtuvo una
significancia estadística adecuada (p < 0.05).
El criterio de Kaiser (autovalores mayores a 1) guio la determinación del número de factores a extraer,
garantizando que cada componente explique más varianza que una sola variable (Hair et al., 2019). Tras
este paso, se aplicó una rotación Varimax para maximizar las cargas factoriales de cada variable en un
componente único, lo que favorece la coherencia y la claridad al interpretar los resultados.
Como consecuencia, fue posible aislar las variables más representativas de cada dimensión y confirmar
la validez de la estructura factorial del instrumento. De este modo, se obtuvo una perspectiva detallada
de las competencias laborales transversales de los egresados del SENA, en consonancia con otras
investigaciones que destacan la relevancia de estas competencias en la formación profesional (Lozano-
Bolívar, 2022; Solanes-Puchol et al., 2022).
fueron organizados y analizados mediante el software IBM SPSS Statistics, IBM SPSS Amos 30,
ampliamente reconocido en el ámbito académico y profesional por su nivel de rigor y fiabilidad en los
análisis estadísticos (Field, 2018; Lozano-Bolívar, 2022).
Análisis de Datos
El análisis de los datos tuvo como objetivo principal identificar la estructura factorial subyacente a las
competencias transversales evaluadas. Para ello, se empleó
1- Análisis de Componentes Principales (ACP)
El ACP constituye una técnica eficaz para reducir la dimensionalidad de los datos y clasificar las
variables en factores que recogen la mayor proporción de la varianza (Chacón Mejía et al., 2021;
Gonzalez Rojas et al., 2021; Tello-Cifuentes & Díaz-Paz, 2021). Este enfoque resulta apropiado en
estudios orientados a detectar patrones subyacentes en grandes conjuntos de información.
Con el propósito de evaluar la pertinencia de los datos previos a la implementación del Análisis de
Componentes Principales (ACP), se recurrió al índice de Kaiser-Meyer-Olkin (KMO) y a la prueba de
esfericidad de Bartlett. El índice KMO permite determinar si la muestra es adecuada para un análisis
factorial, mientras que la prueba de Bartlett se utiliza para confirmar la significancia estadística de las
correlaciones existentes entre las variables analizadas (Barlett, 1950; Kaiser, 1974). En ambos casos,
los resultados ratificaron la pertinencia del análisis, pues el índice KMO superó 0.90 y se obtuvo una
significancia estadística adecuada (p < 0.05).
El criterio de Kaiser (autovalores mayores a 1) guio la determinación del número de factores a extraer,
garantizando que cada componente explique más varianza que una sola variable (Hair et al., 2019). Tras
este paso, se aplicó una rotación Varimax para maximizar las cargas factoriales de cada variable en un
componente único, lo que favorece la coherencia y la claridad al interpretar los resultados.
Como consecuencia, fue posible aislar las variables más representativas de cada dimensión y confirmar
la validez de la estructura factorial del instrumento. De este modo, se obtuvo una perspectiva detallada
de las competencias laborales transversales de los egresados del SENA, en consonancia con otras
investigaciones que destacan la relevancia de estas competencias en la formación profesional (Lozano-
Bolívar, 2022; Solanes-Puchol et al., 2022).
pág. 503
2- Análisis Factorial Confirmatorio (AFC)
El AFC se aplicó con el fin de ratificar la estructura señalada en el ACP, garantizando la correspondencia
entre las dimensiones propuestas y los datos observados. Con base en ello, se construyó un modelo de
AFC que contempló cuatro dimensiones centrales: Motivación y Desempeño, Gestión y Organización,
Trabajo en Equipo y Liderazgo. Se analizaron las cargas factoriales de los ítems asociados a cada
componente, así como sus errores de medición respectivos. Los hallazgos del AFC revelaron un ajuste
adecuado del modelo, avalando la solidez de la estructura teórica definida. En consecuencia, las
competencias transversales apuntadas pueden considerarse representativas y pertinentes para el
desarrollo profesional de los egresados del SENA, en concordancia con lo que el análisis exploratorio
había sugerido.
Muestra
Descripción y Estratificación
La planificación de la muestra se realizó tomando en cuenta la variedad de los programas tecnológicos
proporcionados por el SENA. Para ello, se fundamentó en rigor metodológico, aplicando técnicas de
muestreo probabilístico estratificado con asignación proporcional. Este proceso permitió reflejar la
amplitud de perfiles de los egresados y obtener resultados que se ajustan a la realidad de cada programa
(Creswell & Plano, 2018; Hair et al., 2020).
Cálculo de la Muestra
El tamaño de la muestra fue determinado utilizando el siguiente enfoque metodológico:
Población finita: Para los aprendices egresados de los programas tecnológicos del SENA (523
tecnólogos), se empleó la fórmula para poblaciones finitas.
Fórmula empleada:
Donde:
• N: Tamaño de la población (523).
• Z: Valor crítico correspondiente al nivel de confianza (1.96 para un 95%).
• p: Proporción esperada de éxito (0.5).
2- Análisis Factorial Confirmatorio (AFC)
El AFC se aplicó con el fin de ratificar la estructura señalada en el ACP, garantizando la correspondencia
entre las dimensiones propuestas y los datos observados. Con base en ello, se construyó un modelo de
AFC que contempló cuatro dimensiones centrales: Motivación y Desempeño, Gestión y Organización,
Trabajo en Equipo y Liderazgo. Se analizaron las cargas factoriales de los ítems asociados a cada
componente, así como sus errores de medición respectivos. Los hallazgos del AFC revelaron un ajuste
adecuado del modelo, avalando la solidez de la estructura teórica definida. En consecuencia, las
competencias transversales apuntadas pueden considerarse representativas y pertinentes para el
desarrollo profesional de los egresados del SENA, en concordancia con lo que el análisis exploratorio
había sugerido.
Muestra
Descripción y Estratificación
La planificación de la muestra se realizó tomando en cuenta la variedad de los programas tecnológicos
proporcionados por el SENA. Para ello, se fundamentó en rigor metodológico, aplicando técnicas de
muestreo probabilístico estratificado con asignación proporcional. Este proceso permitió reflejar la
amplitud de perfiles de los egresados y obtener resultados que se ajustan a la realidad de cada programa
(Creswell & Plano, 2018; Hair et al., 2020).
Cálculo de la Muestra
El tamaño de la muestra fue determinado utilizando el siguiente enfoque metodológico:
Población finita: Para los aprendices egresados de los programas tecnológicos del SENA (523
tecnólogos), se empleó la fórmula para poblaciones finitas.
Fórmula empleada:
Donde:
• N: Tamaño de la población (523).
• Z: Valor crítico correspondiente al nivel de confianza (1.96 para un 95%).
• p: Proporción esperada de éxito (0.5).
pág. 504
• q: Proporción complementaria (1−p1−p).
• e: Margen de error máximo aceptable (0.05).
Este cálculo arrojó un tamaño de muestra final de 222 tecnólogos, garantizando un nivel de confianza
del 95% y un margen de error del 5%. La muestra se distribuyó proporcionalmente entre los programas
de formación mediante un proceso de estratificación, asegurando la representatividad de cada programa
(Kish, 1965; Tabachnick et al., 2018).
Estratificación de la Muestra
La Tabla 1 detalla la distribución de la muestra estratificada según los programas tecnológicos evaluados,
garantizando la representatividad de cada especialidad en el análisis.
Tabla 1.
Distribución de la muestra estratificada
N.º Denominación del programa Egresados Muestra
1 Tecnólogo en actuación 35 15
2 Tecnólogo en cámara y fotografía para cine 147 62
3 Tecnólogo en coordinación de escuelas de música 142 60
4 Tecnólogo en escritura para productos audiovisuales 61 27
5 Tecnólogo en iluminación, soporte y electricidad para cine y
televisión
34 14
6 Tecnólogo en producción de campo para cine y televisión 70 30
7 Tecnólogo en sonido directo para producción de medios
audiovisuales
34 14
Total 523 222
Elaboración propia.
Este enfoque metodológico garantiza resultados representativos y generalizables, reflejando de manera
precisa la diversidad de perfiles y competencias de los tecnólogos egresados del SENA.
Variables e Instrumentos
Adaptación del Cuestionario
Para medir las competencias transversales, se realizó una adaptación del cuestionario propuesto por
Solanes et al. (2022). Este instrumento fue organizado en tres dimensiones fundamentales: competencias
• q: Proporción complementaria (1−p1−p).
• e: Margen de error máximo aceptable (0.05).
Este cálculo arrojó un tamaño de muestra final de 222 tecnólogos, garantizando un nivel de confianza
del 95% y un margen de error del 5%. La muestra se distribuyó proporcionalmente entre los programas
de formación mediante un proceso de estratificación, asegurando la representatividad de cada programa
(Kish, 1965; Tabachnick et al., 2018).
Estratificación de la Muestra
La Tabla 1 detalla la distribución de la muestra estratificada según los programas tecnológicos evaluados,
garantizando la representatividad de cada especialidad en el análisis.
Tabla 1.
Distribución de la muestra estratificada
N.º Denominación del programa Egresados Muestra
1 Tecnólogo en actuación 35 15
2 Tecnólogo en cámara y fotografía para cine 147 62
3 Tecnólogo en coordinación de escuelas de música 142 60
4 Tecnólogo en escritura para productos audiovisuales 61 27
5 Tecnólogo en iluminación, soporte y electricidad para cine y
televisión
34 14
6 Tecnólogo en producción de campo para cine y televisión 70 30
7 Tecnólogo en sonido directo para producción de medios
audiovisuales
34 14
Total 523 222
Elaboración propia.
Este enfoque metodológico garantiza resultados representativos y generalizables, reflejando de manera
precisa la diversidad de perfiles y competencias de los tecnólogos egresados del SENA.
Variables e Instrumentos
Adaptación del Cuestionario
Para medir las competencias transversales, se realizó una adaptación del cuestionario propuesto por
Solanes et al. (2022). Este instrumento fue organizado en tres dimensiones fundamentales: competencias
pág. 505
instrumentales, competencias sistémicas y competencias interpersonales.
Estas dimensiones se descomponen en indicadores específicos, distribuidos en un total de 45 ítems que
permiten evaluar aspectos clave del desempeño profesional. La adaptación realizada no afectó la
consistencia interna del instrumento ni su validez estructural.
Validación del Constructo
La validez del cuestionario fue determinada mediante un Análisis de Componentes Principales (ACP)
con rotación Varimax, siguiendo la metodología descrita por Solanes-Puchol et al. (2008). En cuanto a
la consistencia interna del instrumento, se evaluó utilizando el coeficiente alfa de Cronbach, que alcanzó
un valor de 0,987, indicando un nivel de fiabilidad excelente.
Estructura del Cuestionario
El cuestionario definitivo consta de 45 ítems, organizados en seis factores agrupados en las tres
dimensiones principales. A continuación, la Tabla 2 presenta la sistematización de las variables:
Tabla 2.
Sistematización de variables de las competencias transversales
Dimensiones Alfa
Cronbach
Indicadores Ítems del cuestionario
Competencias
instrumentales
0,849 Desempeño en el trabajo 3-13-15-16-34-37-39-41-42-43-44-
45
0,842 Habilidades para la gestión 6-7-17-18-19-33-36
0,842 Liderazgo 8-10-11-12-14-24-25-27-28-30
Competencias
Sistémicas
0,670 Motivación por el trabajo 1-2-5-9-31-35-38
0,652 Capacidad de aprendizaje 4-23-32-40
Competencias
Interpersonales
0,770 Relaciones interpersonales y
trabajo en equipo
20-21-22-26-29
Total, Cuestionario 0,987 6 45
Elaboración propia.
Propósito del Instrumento
El cuestionario adaptado se orientó a evidenciar las competencias transversales más relevantes entre los
instrumentales, competencias sistémicas y competencias interpersonales.
Estas dimensiones se descomponen en indicadores específicos, distribuidos en un total de 45 ítems que
permiten evaluar aspectos clave del desempeño profesional. La adaptación realizada no afectó la
consistencia interna del instrumento ni su validez estructural.
Validación del Constructo
La validez del cuestionario fue determinada mediante un Análisis de Componentes Principales (ACP)
con rotación Varimax, siguiendo la metodología descrita por Solanes-Puchol et al. (2008). En cuanto a
la consistencia interna del instrumento, se evaluó utilizando el coeficiente alfa de Cronbach, que alcanzó
un valor de 0,987, indicando un nivel de fiabilidad excelente.
Estructura del Cuestionario
El cuestionario definitivo consta de 45 ítems, organizados en seis factores agrupados en las tres
dimensiones principales. A continuación, la Tabla 2 presenta la sistematización de las variables:
Tabla 2.
Sistematización de variables de las competencias transversales
Dimensiones Alfa
Cronbach
Indicadores Ítems del cuestionario
Competencias
instrumentales
0,849 Desempeño en el trabajo 3-13-15-16-34-37-39-41-42-43-44-
45
0,842 Habilidades para la gestión 6-7-17-18-19-33-36
0,842 Liderazgo 8-10-11-12-14-24-25-27-28-30
Competencias
Sistémicas
0,670 Motivación por el trabajo 1-2-5-9-31-35-38
0,652 Capacidad de aprendizaje 4-23-32-40
Competencias
Interpersonales
0,770 Relaciones interpersonales y
trabajo en equipo
20-21-22-26-29
Total, Cuestionario 0,987 6 45
Elaboración propia.
Propósito del Instrumento
El cuestionario adaptado se orientó a evidenciar las competencias transversales más relevantes entre los
pág. 506
tecnólogos egresados del SENA, haciendo énfasis en aquellas vinculadas a los sectores creativos y
culturales. En este instrumento, los ítems se diseñaron para evaluar factores de carácter técnico,
destrezas de gestión, colaboración en equipo, liderazgo, actitudes y logros en el desempeño profesional.
Escala de Medición
La recolección de datos cuantitativos se llevó a cabo por medio de una escala Likert de cinco puntos,
ampliamente reconocida por su utilidad en la medición de percepciones y conductas. Esta escala se
definió de la siguiente forma: 1 = Nunca, 2 = Casi nunca, 3 = Algunas veces, 4 = Casi siempre y 5 =
Siempre.
Proceso de Validación
El cuestionario fue sometido a un proceso de validación, que incluyó las siguientes etapas:
1. Revisión por expertos: Tres especialistas evaluaron la claridad, pertinencia y adecuación del
instrumento.
2. Prueba piloto: Se aplicó a un grupo de 16 sujetos con características homogéneas y criterios
previamente establecidos.
3. Análisis de fiabilidad: El coeficiente de alfa de Cronbach superó el 0,900, lo que confirma una
fiabilidad excelente.
Herramientas de Análisis
El análisis de fiabilidad y validez del instrumento se llevó a cabo utilizando IBM SPSS Statistics e IBM
SPSS Amos 30 (Lozano-Bolívar, 2022) Adicionalmente, se utilizaron estadísticas descriptivas de
frecuencia para complementar el análisis.
Desarrollo de la Investigación
Análisis de Componentes Principales (ACP)
Las pruebas de adecuación muestral, como el índice de Kaiser-Meyer-Olkin (KMO = 0,945) y la prueba
de esfericidad de Bartlett (p < 0,000), confirmaron la idoneidad de los datos para el análisis factorial.
Prueba de KMO y Bartlett
La medida de Kaiser-Meyer-Olkin (KMO) es un índice estadístico que determina la idoneidad del
muestreo para el análisis factorial. Este indicador, con valores entre 0 y 1, refleja mayor adecuación de
los datos para el análisis en proporción a su cercanía a 1 (ver Tabla 3).
tecnólogos egresados del SENA, haciendo énfasis en aquellas vinculadas a los sectores creativos y
culturales. En este instrumento, los ítems se diseñaron para evaluar factores de carácter técnico,
destrezas de gestión, colaboración en equipo, liderazgo, actitudes y logros en el desempeño profesional.
Escala de Medición
La recolección de datos cuantitativos se llevó a cabo por medio de una escala Likert de cinco puntos,
ampliamente reconocida por su utilidad en la medición de percepciones y conductas. Esta escala se
definió de la siguiente forma: 1 = Nunca, 2 = Casi nunca, 3 = Algunas veces, 4 = Casi siempre y 5 =
Siempre.
Proceso de Validación
El cuestionario fue sometido a un proceso de validación, que incluyó las siguientes etapas:
1. Revisión por expertos: Tres especialistas evaluaron la claridad, pertinencia y adecuación del
instrumento.
2. Prueba piloto: Se aplicó a un grupo de 16 sujetos con características homogéneas y criterios
previamente establecidos.
3. Análisis de fiabilidad: El coeficiente de alfa de Cronbach superó el 0,900, lo que confirma una
fiabilidad excelente.
Herramientas de Análisis
El análisis de fiabilidad y validez del instrumento se llevó a cabo utilizando IBM SPSS Statistics e IBM
SPSS Amos 30 (Lozano-Bolívar, 2022) Adicionalmente, se utilizaron estadísticas descriptivas de
frecuencia para complementar el análisis.
Desarrollo de la Investigación
Análisis de Componentes Principales (ACP)
Las pruebas de adecuación muestral, como el índice de Kaiser-Meyer-Olkin (KMO = 0,945) y la prueba
de esfericidad de Bartlett (p < 0,000), confirmaron la idoneidad de los datos para el análisis factorial.
Prueba de KMO y Bartlett
La medida de Kaiser-Meyer-Olkin (KMO) es un índice estadístico que determina la idoneidad del
muestreo para el análisis factorial. Este indicador, con valores entre 0 y 1, refleja mayor adecuación de
los datos para el análisis en proporción a su cercanía a 1 (ver Tabla 3).
pág. 507
Tabla 3.
Prueba de KMO y Bartlett
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,945
Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 5648,753
gl 990
Sig. ,000
Elaboración propia.
El índice de Kaiser-Meyer-Olkin (KMO) alcanzó un valor de 0,945, lo cual evidencia una elevada
adecuación muestral para la realización del análisis factorial. Este índice, que varía entre 0 y 1, indica
la proporción de la varianza compartida entre las variables estudiadas, siendo los valores cercanos a 1
los que respaldan la pertinencia de aplicar el análisis factorial. En este caso, el resultado obtenido cumple
con
los criterios metodológicos establecidos para este tipo de análisis, sugiriendo que las correlaciones
presentes entre las variables son suficientes para la exploración de estructuras subyacentes (ver Tabla 3).
El resultado de la prueba de esfericidad de Bartlett mostró un valor de significancia de (p = 0,000), lo
cual indica que las correlaciones entre las variables son estadísticamente significativas y, por lo tanto,
justifican la aplicación del análisis factorial. Este resultado confirma que el conjunto de datos presenta
relaciones lo suficientemente fuertes como para realizar un análisis factorial. La prueba de Bartlett es
utilizada en combinación con el KMO para validar la idoneidad de los datos y asegurar que las
correlaciones son diferentes de una matriz de identidad, lo que permite explorar estructuras latentes en
el conjunto de datos.
Los resultados obtenidos, con un KMO de 0,945 y un valor de p = 0,000 en la prueba de Bartlett,
cumplen con los requisitos estadísticos para la implementación del ACP. Estos valores proporcionan
una base metodológica adecuada para el análisis, permitiendo identificar factores que expliquen la
variabilidad observada en las variables.
Varianza total explicada
Este apartado muestra cómo los componentes extraídos explican la variabilidad total de los datos. El
objetivo del ACP es reducir la dimensionalidad de los datos manteniendo la mayor cantidad posible de
Tabla 3.
Prueba de KMO y Bartlett
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,945
Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 5648,753
gl 990
Sig. ,000
Elaboración propia.
El índice de Kaiser-Meyer-Olkin (KMO) alcanzó un valor de 0,945, lo cual evidencia una elevada
adecuación muestral para la realización del análisis factorial. Este índice, que varía entre 0 y 1, indica
la proporción de la varianza compartida entre las variables estudiadas, siendo los valores cercanos a 1
los que respaldan la pertinencia de aplicar el análisis factorial. En este caso, el resultado obtenido cumple
con
los criterios metodológicos establecidos para este tipo de análisis, sugiriendo que las correlaciones
presentes entre las variables son suficientes para la exploración de estructuras subyacentes (ver Tabla 3).
El resultado de la prueba de esfericidad de Bartlett mostró un valor de significancia de (p = 0,000), lo
cual indica que las correlaciones entre las variables son estadísticamente significativas y, por lo tanto,
justifican la aplicación del análisis factorial. Este resultado confirma que el conjunto de datos presenta
relaciones lo suficientemente fuertes como para realizar un análisis factorial. La prueba de Bartlett es
utilizada en combinación con el KMO para validar la idoneidad de los datos y asegurar que las
correlaciones son diferentes de una matriz de identidad, lo que permite explorar estructuras latentes en
el conjunto de datos.
Los resultados obtenidos, con un KMO de 0,945 y un valor de p = 0,000 en la prueba de Bartlett,
cumplen con los requisitos estadísticos para la implementación del ACP. Estos valores proporcionan
una base metodológica adecuada para el análisis, permitiendo identificar factores que expliquen la
variabilidad observada en las variables.
Varianza total explicada
Este apartado muestra cómo los componentes extraídos explican la variabilidad total de los datos. El
objetivo del ACP es reducir la dimensionalidad de los datos manteniendo la mayor cantidad posible de
pág. 508
información (ver Tabla 4).
Tabla 4.
Varianza total explicada
ComponenteAutovalores iniciales
Sumas de cargas al
cuadrado de la extracción
Sumas de cargas al
cuadrado de la rotación
Total % de
varianza
%
acumulado
Total % de
varianza
%
acumulado
Total % de
varianza
%
acumulado
1 18,584 41,298 41,298 18,584 41,298 41,298 6,877 15,282 15,282
2 2,056 4,569 45,868 2,056 4,569 45,868 6,460 14,355 29,637
3 1,730 3,844 49,712 1,730 3,844 49,712 6,083 13,518 43,154
4 1,324 2,942 52,654 1,324 2,942 52,654 4,275 9,499 52,654
5 1,253 2,784 55,438
6 1,122 2,494 57,931
7 1,034 2,297 60,228
8 1,014 2,252 62,481
9 1,000 2,222 64,702
10 ,987 2,193 66,896
11 ,872 1,937 68,833
12 ,823 1,828 70,660
13 ,767 1,705 72,365
14 ,752 1,672 74,037
15 ,705 1,567 75,604
16 ,669 1,487 77,091
Componente Autovalores iniciales
Sumas de cargas al
cuadrado de la extracción
Sumas de cargas al
cuadrado de la rotación
Total % de
varianza
%
acumulado
Total % de
varianza
%
acumulado
Total % de
varianza
%
acumulado
17 ,621 1,380 78,471
18 ,615 1,366 79,837
19 ,573 1,273 81,110
20 ,560 1,245 82,355
21 ,535 1,189 83,543
22 ,508 1,128 84,672
23 ,491 1,091 85,763
24 ,463 1,029 86,791
25 ,453 1,007 87,798
26 ,423 ,939 88,738
27 ,404 ,899 89,636
28 ,391 ,869 90,506
29 ,380 ,844 91,349
30 ,336 ,747 92,096
31 ,333 ,741 92,837
32 ,333 ,739 93,576
33 ,312 ,694 94,270
34 ,297 ,659 94,929
información (ver Tabla 4).
Tabla 4.
Varianza total explicada
ComponenteAutovalores iniciales
Sumas de cargas al
cuadrado de la extracción
Sumas de cargas al
cuadrado de la rotación
Total % de
varianza
%
acumulado
Total % de
varianza
%
acumulado
Total % de
varianza
%
acumulado
1 18,584 41,298 41,298 18,584 41,298 41,298 6,877 15,282 15,282
2 2,056 4,569 45,868 2,056 4,569 45,868 6,460 14,355 29,637
3 1,730 3,844 49,712 1,730 3,844 49,712 6,083 13,518 43,154
4 1,324 2,942 52,654 1,324 2,942 52,654 4,275 9,499 52,654
5 1,253 2,784 55,438
6 1,122 2,494 57,931
7 1,034 2,297 60,228
8 1,014 2,252 62,481
9 1,000 2,222 64,702
10 ,987 2,193 66,896
11 ,872 1,937 68,833
12 ,823 1,828 70,660
13 ,767 1,705 72,365
14 ,752 1,672 74,037
15 ,705 1,567 75,604
16 ,669 1,487 77,091
Componente Autovalores iniciales
Sumas de cargas al
cuadrado de la extracción
Sumas de cargas al
cuadrado de la rotación
Total % de
varianza
%
acumulado
Total % de
varianza
%
acumulado
Total % de
varianza
%
acumulado
17 ,621 1,380 78,471
18 ,615 1,366 79,837
19 ,573 1,273 81,110
20 ,560 1,245 82,355
21 ,535 1,189 83,543
22 ,508 1,128 84,672
23 ,491 1,091 85,763
24 ,463 1,029 86,791
25 ,453 1,007 87,798
26 ,423 ,939 88,738
27 ,404 ,899 89,636
28 ,391 ,869 90,506
29 ,380 ,844 91,349
30 ,336 ,747 92,096
31 ,333 ,741 92,837
32 ,333 ,739 93,576
33 ,312 ,694 94,270
34 ,297 ,659 94,929
pág. 509
35 ,273 ,606 95,535
36 ,264 ,587 96,122
37 ,258 ,573 96,695
38 ,234 ,520 97,215
39 ,227 ,504 97,719
40 ,219 ,486 98,206
41 ,189 ,419 98,625
42 ,166 ,368 98,993
43 ,164 ,365 99,358
44 ,155 ,344 99,702
45 ,134 ,298 100,000
Nota: Método de extracción: ACP. Elaboración propia.
Análisis de Autovalores, Varianza Explicada y Rotación
a) Autovalores iniciales
Los autovalores representan la cantidad de varianza que cada componente específico explica en el
conjunto de datos, lo que resulta esencial para determinar la pertinencia de los factores extraídos.
Siguiendo el criterio de Kaiser, se retienen aquellos componentes con autovalores superiores a 1, en tanto
que esto demuestra que el componente explica más varianza que una variable individual, justificando su
inclusión en el modelo.
En este estudio, se identificaron cuatro componentes con valores por encima del umbral de 1, lo que
indica su contribución a la explicación de la varianza. El Componente 1 sobresale por su alto autovalor
(18,584), capturando una porción significativa de la variabilidad total.
b) Varianza explicada
La varianza explicada refleja la proporción de la variabilidad total de los datos recogida por cada
componente y se expresa en porcentaje. El Componente 1 se distingue por abarcar el 41,298% de la
varianza total, posicionándose como el factor con mayor influencia. Al sumar los cuatro componentes
seleccionados, se llega a un 52,654% de la variabilidad total, lo que confirma la eficacia del modelo para
representar la estructura subyacente de los datos.
c) Varianza tras la rotación
La rotación Varimax se utiliza para redistribuir la varianza entre los componentes, maximizando las
cargas factoriales de las variables en un único factor. Esta técnica equilibra la contribución de cada
componente, de modo que, tras la rotación, la participación del Componente 1 disminuye (de 41,298%
a 15,282%), a la vez que los demás componentes incrementan su porcentaje. Este ajuste ofrece una
35 ,273 ,606 95,535
36 ,264 ,587 96,122
37 ,258 ,573 96,695
38 ,234 ,520 97,215
39 ,227 ,504 97,719
40 ,219 ,486 98,206
41 ,189 ,419 98,625
42 ,166 ,368 98,993
43 ,164 ,365 99,358
44 ,155 ,344 99,702
45 ,134 ,298 100,000
Nota: Método de extracción: ACP. Elaboración propia.
Análisis de Autovalores, Varianza Explicada y Rotación
a) Autovalores iniciales
Los autovalores representan la cantidad de varianza que cada componente específico explica en el
conjunto de datos, lo que resulta esencial para determinar la pertinencia de los factores extraídos.
Siguiendo el criterio de Kaiser, se retienen aquellos componentes con autovalores superiores a 1, en tanto
que esto demuestra que el componente explica más varianza que una variable individual, justificando su
inclusión en el modelo.
En este estudio, se identificaron cuatro componentes con valores por encima del umbral de 1, lo que
indica su contribución a la explicación de la varianza. El Componente 1 sobresale por su alto autovalor
(18,584), capturando una porción significativa de la variabilidad total.
b) Varianza explicada
La varianza explicada refleja la proporción de la variabilidad total de los datos recogida por cada
componente y se expresa en porcentaje. El Componente 1 se distingue por abarcar el 41,298% de la
varianza total, posicionándose como el factor con mayor influencia. Al sumar los cuatro componentes
seleccionados, se llega a un 52,654% de la variabilidad total, lo que confirma la eficacia del modelo para
representar la estructura subyacente de los datos.
c) Varianza tras la rotación
La rotación Varimax se utiliza para redistribuir la varianza entre los componentes, maximizando las
cargas factoriales de las variables en un único factor. Esta técnica equilibra la contribución de cada
componente, de modo que, tras la rotación, la participación del Componente 1 disminuye (de 41,298%
a 15,282%), a la vez que los demás componentes incrementan su porcentaje. Este ajuste ofrece una
pág. 510
visión más precisa y diferenciada de cada componente, favoreciendo la identificación de patrones y la
comprensión de las relaciones entre las variables.
La selección de componentes basada en el criterio de Kaiser y la posterior rotación Varimax optimizan
la interpretación de los resultados. Los cuatro componentes seleccionados explican más del 50% de la
varianza total, apoyando la solidez y la utilidad del modelo para representar la estructura subyacente de
los datos. Este enfoque se establece como una base sólida para analizar las relaciones entre las variables
y, a su vez, diseñar estrategias de mejora en los programas evaluados.
Matriz de componentes rotados
La rotación Varimax es una técnica aplicada en el análisis factorial con el propósito de simplificar la
lectura de los componentes (ver Tabla 5). Su objetivo consiste en redistribuir las cargas factoriales de
manera que cada variable se asocie principalmente con un único componente, lo que favorece la claridad
en la identificación de patrones y relaciones en los datos. Este método tiene como objetivo optimizar la
distribución de la varianza en las cargas factoriales, lo que permite una interpretación más clara y precisa
de los resultados obtenidos en el análisis.
Tabla 5.
Matriz de componente rotado
Componente
1 2 3 4
P7 ,731
P2 ,648
P9 ,642
P14 ,605
P15 ,581
P12 ,569
P32 ,643
P43 ,640
P39 ,635
P41 ,601
P40 ,595
P38 ,556
P22 ,811
P20 ,760
P23 ,720
P29 ,691
P21 ,590
P17 ,576
visión más precisa y diferenciada de cada componente, favoreciendo la identificación de patrones y la
comprensión de las relaciones entre las variables.
La selección de componentes basada en el criterio de Kaiser y la posterior rotación Varimax optimizan
la interpretación de los resultados. Los cuatro componentes seleccionados explican más del 50% de la
varianza total, apoyando la solidez y la utilidad del modelo para representar la estructura subyacente de
los datos. Este enfoque se establece como una base sólida para analizar las relaciones entre las variables
y, a su vez, diseñar estrategias de mejora en los programas evaluados.
Matriz de componentes rotados
La rotación Varimax es una técnica aplicada en el análisis factorial con el propósito de simplificar la
lectura de los componentes (ver Tabla 5). Su objetivo consiste en redistribuir las cargas factoriales de
manera que cada variable se asocie principalmente con un único componente, lo que favorece la claridad
en la identificación de patrones y relaciones en los datos. Este método tiene como objetivo optimizar la
distribución de la varianza en las cargas factoriales, lo que permite una interpretación más clara y precisa
de los resultados obtenidos en el análisis.
Tabla 5.
Matriz de componente rotado
Componente
1 2 3 4
P7 ,731
P2 ,648
P9 ,642
P14 ,605
P15 ,581
P12 ,569
P32 ,643
P43 ,640
P39 ,635
P41 ,601
P40 ,595
P38 ,556
P22 ,811
P20 ,760
P23 ,720
P29 ,691
P21 ,590
P17 ,576
pág. 511
P27 ,643
P45 ,625
P33 ,554
Nota: Método de extracción: ACP.; Método de rotación: Varimax con normalización Kaiser.;
a. La rotación ha convergido en 9 iteraciones. Elaboración propia.
Explicación del Modelo de ACP
El análisis factorial permite identificar patrones subyacentes en los datos, agrupando las variables
observadas en componentes o factores que representan dimensiones latentes. En este estudio, el
cuestionario evalúa competencias transversales (Sistémica, Instrumental e Interpersonal) a través de 45
ítems, organizados en factores como motivación, desempeño laboral, liderazgo, trabajo en equipo y
habilidades de gestión. El propósito del modelo es disminuir la complejidad de la información,
concentrando las variables en componentes que cubran la mayor parte de la varianza total, lo que facilita
la interpretación de los resultados y el diseño de estrategias formativas.
Análisis de la Matriz de Componentes Rotados
La matriz de componentes rotados muestra que las variables se agrupan en cuatro componentes
principales, y cada uno representa un constructo latente o dimensión subyacente. A continuación, se
presenta un análisis detallado de cada componente:
Componente 1: Motivación y Desempeño en el Trabajo
Este componente refleja habilidades relacionadas con la motivación y el desempeño laboral. Los ítems
asociados destacan competencias clave como la capacidad de concentración, el aprovechamiento de
recursos y la resolución de problemas, esenciales para el éxito en entornos laborales.
Componente 2: Gestión y Organización
Este componente está vinculado con la gestión, la organización y la orientación a resultados. Los ítems
reflejan habilidades como el autoconocimiento, la planificación eficiente de recursos y la motivación
para alcanzar metas.
Componente 3: Trabajo en Equipo y Relaciones Interpersonales
Este componente agrupa habilidades relacionadas con el trabajo en equipo y las relaciones
interpersonales, como la comunicación, la empatía y la colaboración efectiva. Estas competencias son
fundamentales para entornos laborales colaborativos.
P27 ,643
P45 ,625
P33 ,554
Nota: Método de extracción: ACP.; Método de rotación: Varimax con normalización Kaiser.;
a. La rotación ha convergido en 9 iteraciones. Elaboración propia.
Explicación del Modelo de ACP
El análisis factorial permite identificar patrones subyacentes en los datos, agrupando las variables
observadas en componentes o factores que representan dimensiones latentes. En este estudio, el
cuestionario evalúa competencias transversales (Sistémica, Instrumental e Interpersonal) a través de 45
ítems, organizados en factores como motivación, desempeño laboral, liderazgo, trabajo en equipo y
habilidades de gestión. El propósito del modelo es disminuir la complejidad de la información,
concentrando las variables en componentes que cubran la mayor parte de la varianza total, lo que facilita
la interpretación de los resultados y el diseño de estrategias formativas.
Análisis de la Matriz de Componentes Rotados
La matriz de componentes rotados muestra que las variables se agrupan en cuatro componentes
principales, y cada uno representa un constructo latente o dimensión subyacente. A continuación, se
presenta un análisis detallado de cada componente:
Componente 1: Motivación y Desempeño en el Trabajo
Este componente refleja habilidades relacionadas con la motivación y el desempeño laboral. Los ítems
asociados destacan competencias clave como la capacidad de concentración, el aprovechamiento de
recursos y la resolución de problemas, esenciales para el éxito en entornos laborales.
Componente 2: Gestión y Organización
Este componente está vinculado con la gestión, la organización y la orientación a resultados. Los ítems
reflejan habilidades como el autoconocimiento, la planificación eficiente de recursos y la motivación
para alcanzar metas.
Componente 3: Trabajo en Equipo y Relaciones Interpersonales
Este componente agrupa habilidades relacionadas con el trabajo en equipo y las relaciones
interpersonales, como la comunicación, la empatía y la colaboración efectiva. Estas competencias son
fundamentales para entornos laborales colaborativos.
pág. 512
Componente 4: Liderazgo y Persuasión
El Componente 4 refleja habilidades relacionadas con el liderazgo, la persuasión y la versatilidad
laboral, esenciales para influir en los demás, adaptarse a nuevos roles y mantener estabilidad emocional
en situaciones de presión.
Modelo de Componentes Principales
Tabla 6.
Modelo de Componentes Principales
Componente Descripción
Componente 1: Motivación y
Desempeño
Refleja habilidades de liderazgo, resolución de problemas y rendimiento
en situaciones adversas.
Componente 2: Gestión y
Organización
Agrupa capacidades de planificación, autoconocimiento y orientación a
resultados.
Componente 3: Trabajo en
Equipo
Incluye competencias interpersonales como comunicación, empatía y
colaboración efectiva.
Componente 4: Liderazgo y
Persuasión
Representa la capacidad de influir, adaptarse a diferentes roles y mantener
estabilidad emocional bajo presión.
Elaboración propia.
La rotación Varimax permitió simplificar la interpretación de los datos, identificando cuatro
componentes principales que explican más del 50% de la varianza total (ver Tabla 6). Estos componentes
proporcionan un marco claro para diseñar intervenciones formativas que fortalezcan las competencias
transversales de los aprendices.
Matriz de transformación de componente
Es un resultado clave del análisis factorial que muestra cómo los componentes iniciales se transforman
en componentes rotados después de aplicar la rotación Varimax (ver Tabla 7). Esta matriz
permite observar cómo se distribuyen las cargas factoriales entre los componentes y facilita la
interpretación de los datos al agrupar las variables en factores más claros y significativos.
Componente 4: Liderazgo y Persuasión
El Componente 4 refleja habilidades relacionadas con el liderazgo, la persuasión y la versatilidad
laboral, esenciales para influir en los demás, adaptarse a nuevos roles y mantener estabilidad emocional
en situaciones de presión.
Modelo de Componentes Principales
Tabla 6.
Modelo de Componentes Principales
Componente Descripción
Componente 1: Motivación y
Desempeño
Refleja habilidades de liderazgo, resolución de problemas y rendimiento
en situaciones adversas.
Componente 2: Gestión y
Organización
Agrupa capacidades de planificación, autoconocimiento y orientación a
resultados.
Componente 3: Trabajo en
Equipo
Incluye competencias interpersonales como comunicación, empatía y
colaboración efectiva.
Componente 4: Liderazgo y
Persuasión
Representa la capacidad de influir, adaptarse a diferentes roles y mantener
estabilidad emocional bajo presión.
Elaboración propia.
La rotación Varimax permitió simplificar la interpretación de los datos, identificando cuatro
componentes principales que explican más del 50% de la varianza total (ver Tabla 6). Estos componentes
proporcionan un marco claro para diseñar intervenciones formativas que fortalezcan las competencias
transversales de los aprendices.
Matriz de transformación de componente
Es un resultado clave del análisis factorial que muestra cómo los componentes iniciales se transforman
en componentes rotados después de aplicar la rotación Varimax (ver Tabla 7). Esta matriz
permite observar cómo se distribuyen las cargas factoriales entre los componentes y facilita la
interpretación de los datos al agrupar las variables en factores más claros y significativos.
pág. 513
Tabla 7.
Matriz de transformación de componente
Componente 1 2 3 4
1 ,547 ,541 ,497 ,402
2 ,617 ,122 -,776 -,045
3 -,529 ,432 -,389 ,618
4 ,200 -,711 ,008 ,674
Nota: Método de extracción: ACP. Método de rotación: Varimax con normalización Kaiser. Elaboración propia.
Interpretación por Componente Principal
Componente 1: Motivación y Desempeño
Este componente presenta cargas positivas moderadas en todos los ítems, lo que indica un nexo
consistente con variables ligadas al compromiso en el aprendizaje y en la labor profesional. Está alineado
con competencias Sistémicas e Instrumentales, tales como:
a) Motivación por el trabajo: Persistencia y enfoque hacia metas.
b) Desempeño laboral: Eficiencia en la ejecución de tareas.
Componente 2: Gestión y Organización
Este componente se vincula con habilidades de gestión y organización, pero también evidencia tensiones
entre la motivación y la capacidad de liderazgo, reflejadas en la carga negativa significativa (- 0,776).
a) Fortalezas: Planificación y aprovechamiento de recursos.
b) Debilidades: Falta de habilidades específicas en liderazgo o gestión.
Componente 3: Trabajo en Equipo y Relaciones Interpersonales
Este componente integra fortalezas y debilidades en cuanto a habilidades interpersonales y de liderazgo.
a) Fortalezas: Liderazgo y desempeño individual (carga positiva de 0,618).
b) Debilidades: Dificultades en trabajo colaborativo (carga negativa de -0,529).
Componente 4: Liderazgo y Persuasión
Este componente se asocia con habilidades de liderazgo y persuasión, pero manifiesta conflictos en
aspectos relacionados con la colaboración
a) Fortalezas: Capacidad para influir y persuadir (carga positiva de 0,674).
b) Debilidades: obstáculos en el liderazgo inclusivo y el trabajo en equipo (carga
Tabla 7.
Matriz de transformación de componente
Componente 1 2 3 4
1 ,547 ,541 ,497 ,402
2 ,617 ,122 -,776 -,045
3 -,529 ,432 -,389 ,618
4 ,200 -,711 ,008 ,674
Nota: Método de extracción: ACP. Método de rotación: Varimax con normalización Kaiser. Elaboración propia.
Interpretación por Componente Principal
Componente 1: Motivación y Desempeño
Este componente presenta cargas positivas moderadas en todos los ítems, lo que indica un nexo
consistente con variables ligadas al compromiso en el aprendizaje y en la labor profesional. Está alineado
con competencias Sistémicas e Instrumentales, tales como:
a) Motivación por el trabajo: Persistencia y enfoque hacia metas.
b) Desempeño laboral: Eficiencia en la ejecución de tareas.
Componente 2: Gestión y Organización
Este componente se vincula con habilidades de gestión y organización, pero también evidencia tensiones
entre la motivación y la capacidad de liderazgo, reflejadas en la carga negativa significativa (- 0,776).
a) Fortalezas: Planificación y aprovechamiento de recursos.
b) Debilidades: Falta de habilidades específicas en liderazgo o gestión.
Componente 3: Trabajo en Equipo y Relaciones Interpersonales
Este componente integra fortalezas y debilidades en cuanto a habilidades interpersonales y de liderazgo.
a) Fortalezas: Liderazgo y desempeño individual (carga positiva de 0,618).
b) Debilidades: Dificultades en trabajo colaborativo (carga negativa de -0,529).
Componente 4: Liderazgo y Persuasión
Este componente se asocia con habilidades de liderazgo y persuasión, pero manifiesta conflictos en
aspectos relacionados con la colaboración
a) Fortalezas: Capacidad para influir y persuadir (carga positiva de 0,674).
b) Debilidades: obstáculos en el liderazgo inclusivo y el trabajo en equipo (carga
pág. 514
negativa de -0,711).
Tabla 8.
Consolidado Matriz de Transformación
Componente Descripción Fortalezas Debilidades
Componente 1:
Motivación y
Desempeño
Habilidades generales y actitudes
positivas hacia el aprendizaje y el
trabajo.
Motivación,
concentración y
desempeño laboral.
No se identifican debilidades
significativas.
Componente 2:
Gestión y
Organización
Relacionado con la planificación y
la capacidad de organización, pero
con tensiones en liderazgo.
Planificación y
aprovechamiento de
recursos.
Falta de habilidades
específicas en liderazgo o
gestión.
Componente 3:
Trabajo en Equipo
Combina fortalezas en liderazgo
individual con debilidades en
habilidades interpersonales.
Liderazgo y
desempeño
individual.
Dificultades en el trabajo
colaborativo y habilidades
interpersonales.
Componente 4:
Liderazgo y
Persuasión
Asociado con la capacidad de
influir y
persuadir, pero con conflictos en
habilidades de colaboración.
Liderazgo inclusivo y
persuasión efectiva.
Tensiones en la integración
de
habilidades de liderazgo y
trabajo en equipo.
Análisis Factorial Confirmatorio (AFC)
En el contexto del estudio sobre competencias transversales en los tecnólogos del SENA, el AFC se
aplica para confirmar la estructura subyacente de las competencias identificadas, proporcionando así
una comprensión más profunda de las habilidades necesarias en el ámbito laboral (ver Figura 1).
negativa de -0,711).
Tabla 8.
Consolidado Matriz de Transformación
Componente Descripción Fortalezas Debilidades
Componente 1:
Motivación y
Desempeño
Habilidades generales y actitudes
positivas hacia el aprendizaje y el
trabajo.
Motivación,
concentración y
desempeño laboral.
No se identifican debilidades
significativas.
Componente 2:
Gestión y
Organización
Relacionado con la planificación y
la capacidad de organización, pero
con tensiones en liderazgo.
Planificación y
aprovechamiento de
recursos.
Falta de habilidades
específicas en liderazgo o
gestión.
Componente 3:
Trabajo en Equipo
Combina fortalezas en liderazgo
individual con debilidades en
habilidades interpersonales.
Liderazgo y
desempeño
individual.
Dificultades en el trabajo
colaborativo y habilidades
interpersonales.
Componente 4:
Liderazgo y
Persuasión
Asociado con la capacidad de
influir y
persuadir, pero con conflictos en
habilidades de colaboración.
Liderazgo inclusivo y
persuasión efectiva.
Tensiones en la integración
de
habilidades de liderazgo y
trabajo en equipo.
Análisis Factorial Confirmatorio (AFC)
En el contexto del estudio sobre competencias transversales en los tecnólogos del SENA, el AFC se
aplica para confirmar la estructura subyacente de las competencias identificadas, proporcionando así
una comprensión más profunda de las habilidades necesarias en el ámbito laboral (ver Figura 1).
pág. 515
Figura 1.
Análisis Factorial Confirmatorio (AFC) Exploratorio
Elaboración propia.
La Figura 1 ilustra la relación entre cuatro componentes latentes: Motivación, Gestión, Trabajo en
Equipo y Liderazgo. Cada uno de estos componentes representa un conjunto de habilidades clave que
son fundamentales para el desarrollo profesional de los tecnólogos. A continuación, se describen estos
componentes y su relación con los ítems observables.
Figura 1.
Análisis Factorial Confirmatorio (AFC) Exploratorio
Elaboración propia.
La Figura 1 ilustra la relación entre cuatro componentes latentes: Motivación, Gestión, Trabajo en
Equipo y Liderazgo. Cada uno de estos componentes representa un conjunto de habilidades clave que
son fundamentales para el desarrollo profesional de los tecnólogos. A continuación, se describen estos
componentes y su relación con los ítems observables.
pág. 516
1. Motivación: Este componente incluye ítems como P2, P7, P9, entre otros, que miden aspectos
relacionados con la motivación personal y profesional de los aprendices. Las cargas factoriales asociadas
indican el grado de influencia de cada ítem en el componente general.
2. Gestión: Los ítems que componen este factor, tales como P12, P32 y P39, reflejan habilidades
de organización y planificación. Estas competencias son esenciales para el desempeño efectivo en
entornos laborales dinámicos.
3. Trabajo en Equipo: Este componente incluye ítems como P21, P23 y P29, que evalúan la
capacidad de colaboración y comunicación entre los miembros de un equipo. La habilidad para trabajar
en equipo es crucial en la mayoría de los entornos laborales actuales.
4. Liderazgo: Compuesto por ítems como P33, P27 y P45, este factor mide las competencias
relacionadas con la capacidad de influir y guiar a otros, así como la toma de decisiones en situaciones
grupales.
Cargas Factoriales y Errores de Medición
Las flechas que enlazan los componentes latentes con los ítems observables representan las cargas
factoriales. Estas cargas reflejan la intensidad de la relación entre cada ítem y el componente latente
asociado, proporcionando información clave sobre la contribución de cada ítem a la construcción del
componente. Por ejemplo, un valor de carga de 0.75 entre "Gestión" y el ítem P43 sugiere una relación
fuerte, lo que implica que los aprendices que destacan en este ítem también tienden a tener una alta
capacidad en el componente de gestión.
Además, los círculos conectados a los ítems observables (denotados como e1, e2, e3, etc.) representan
los errores de medición asociados. Estos errores reflejan la variabilidad en las mediciones que no se
explican por el modelo. Por ejemplo, el ítem P7 tiene un error de 0.57, lo que indica un nivel de
variabilidad significativo en su medición. La interpretación de estos errores es crucial, ya que pueden
influir en la precisión de la evaluación de las competencias.
Correlaciones entre Componentes
Las líneas que conectan los diferentes componentes latentes indican las correlaciones entre ellos. Un
valor de 0.82 entre "Motivación" y "Gestión" sugiere una relación positiva y fuerte, lo que implica que
aquellos aprendices que son motivados también tienden a presentar habilidades de gestión más
1. Motivación: Este componente incluye ítems como P2, P7, P9, entre otros, que miden aspectos
relacionados con la motivación personal y profesional de los aprendices. Las cargas factoriales asociadas
indican el grado de influencia de cada ítem en el componente general.
2. Gestión: Los ítems que componen este factor, tales como P12, P32 y P39, reflejan habilidades
de organización y planificación. Estas competencias son esenciales para el desempeño efectivo en
entornos laborales dinámicos.
3. Trabajo en Equipo: Este componente incluye ítems como P21, P23 y P29, que evalúan la
capacidad de colaboración y comunicación entre los miembros de un equipo. La habilidad para trabajar
en equipo es crucial en la mayoría de los entornos laborales actuales.
4. Liderazgo: Compuesto por ítems como P33, P27 y P45, este factor mide las competencias
relacionadas con la capacidad de influir y guiar a otros, así como la toma de decisiones en situaciones
grupales.
Cargas Factoriales y Errores de Medición
Las flechas que enlazan los componentes latentes con los ítems observables representan las cargas
factoriales. Estas cargas reflejan la intensidad de la relación entre cada ítem y el componente latente
asociado, proporcionando información clave sobre la contribución de cada ítem a la construcción del
componente. Por ejemplo, un valor de carga de 0.75 entre "Gestión" y el ítem P43 sugiere una relación
fuerte, lo que implica que los aprendices que destacan en este ítem también tienden a tener una alta
capacidad en el componente de gestión.
Además, los círculos conectados a los ítems observables (denotados como e1, e2, e3, etc.) representan
los errores de medición asociados. Estos errores reflejan la variabilidad en las mediciones que no se
explican por el modelo. Por ejemplo, el ítem P7 tiene un error de 0.57, lo que indica un nivel de
variabilidad significativo en su medición. La interpretación de estos errores es crucial, ya que pueden
influir en la precisión de la evaluación de las competencias.
Correlaciones entre Componentes
Las líneas que conectan los diferentes componentes latentes indican las correlaciones entre ellos. Un
valor de 0.82 entre "Motivación" y "Gestión" sugiere una relación positiva y fuerte, lo que implica que
aquellos aprendices que son motivados también tienden a presentar habilidades de gestión más
pág. 517
desarrolladas. Esta información es valiosa para diseñar programas de formación que integren estas
competencias, promoviendo un desarrollo holístico en los aprendices.
Interpretación General
El diagrama del AFC proporciona una representación visual clara de cómo se estructuran las
competencias transversales en los tecnólogos del SENA. Los componentes latentes y sus ítems
observables están interrelacionados, lo que permite identificar áreas de fortaleza y oportunidades de
mejora en el desarrollo de competencias.
1. Fortalezas: Los componentes que presentan cargas factoriales altas indican áreas donde los
tecnólogos se desempeñan bien. Por ejemplo, un alto desempeño en "Motivación" podría correlacionarse
con un compromiso más fuerte hacia el aprendizaje y el desarrollo profesional.
2. Áreas de Mejora: Por otro lado, los ítems con cargas más bajas o errores altos pueden señalar
competencias que requieren atención adicional. Por ejemplo, si un ítem relacionado con "Trabajo en
Equipo" presenta una carga baja, puede ser indicativo de la necesidad de intervenciones formativas
específicas para mejorar estas habilidades.
Análisis Factorial Confirmatorio -AFC propuesto
Este enfoque se centra en comprobar la correspondencia entre el modelo teórico propuesto y los datos
observados, utilizando indicadores clave como el Chi-cuadrado, el Índice de Ajuste Comparativo (CFI)
y la Raíz del Error Cuadrático Medio de Aproximación (RMSEA). La validación de la estructura
factorial mediante el AFC asegura una base empírica sólida para fundamentar la evaluación de
competencias, contribuyendo además al diseño de programas formativos más eficaces y adaptados a las
demandas del contexto.
desarrolladas. Esta información es valiosa para diseñar programas de formación que integren estas
competencias, promoviendo un desarrollo holístico en los aprendices.
Interpretación General
El diagrama del AFC proporciona una representación visual clara de cómo se estructuran las
competencias transversales en los tecnólogos del SENA. Los componentes latentes y sus ítems
observables están interrelacionados, lo que permite identificar áreas de fortaleza y oportunidades de
mejora en el desarrollo de competencias.
1. Fortalezas: Los componentes que presentan cargas factoriales altas indican áreas donde los
tecnólogos se desempeñan bien. Por ejemplo, un alto desempeño en "Motivación" podría correlacionarse
con un compromiso más fuerte hacia el aprendizaje y el desarrollo profesional.
2. Áreas de Mejora: Por otro lado, los ítems con cargas más bajas o errores altos pueden señalar
competencias que requieren atención adicional. Por ejemplo, si un ítem relacionado con "Trabajo en
Equipo" presenta una carga baja, puede ser indicativo de la necesidad de intervenciones formativas
específicas para mejorar estas habilidades.
Análisis Factorial Confirmatorio -AFC propuesto
Este enfoque se centra en comprobar la correspondencia entre el modelo teórico propuesto y los datos
observados, utilizando indicadores clave como el Chi-cuadrado, el Índice de Ajuste Comparativo (CFI)
y la Raíz del Error Cuadrático Medio de Aproximación (RMSEA). La validación de la estructura
factorial mediante el AFC asegura una base empírica sólida para fundamentar la evaluación de
competencias, contribuyendo además al diseño de programas formativos más eficaces y adaptados a las
demandas del contexto.
pág. 518
Figura 2.
Análisis Factorial Confirmatorio (AFC) Propuesto
Elaboración propia.
La Figura 2 muestra un modelo de AFC que incluye cuatro componentes latentes: Motivación, Gestión,
Trabajo en Equipo y Liderazgo. Cada componente está asociado con varios ítems observables (denotados
como P1, P2, etc.), que representan las competencias específicas evaluadas. Además, las cargas
factoriales y los errores de medición están indicados.
Figura 2.
Análisis Factorial Confirmatorio (AFC) Propuesto
Elaboración propia.
La Figura 2 muestra un modelo de AFC que incluye cuatro componentes latentes: Motivación, Gestión,
Trabajo en Equipo y Liderazgo. Cada componente está asociado con varios ítems observables (denotados
como P1, P2, etc.), que representan las competencias específicas evaluadas. Además, las cargas
factoriales y los errores de medición están indicados.
pág. 519
Componentes Latentes y sus Ítems
1. Motivación. El componente de motivación comprende los ítems P2, P7, P9, P14, P15, P12,
P32, P43, P39 y P41. Las cargas factoriales asociadas a estos ítems varían entre 0.34 y 0.78, lo que
evidencia una relación significativa entre cada ítem y el componente de motivación. Es importante
mencionar que se han identificado errores de medición, tales como e1 y e2, que reflejan la variabilidad
no explicada en las mediciones. Estos errores deben ser considerados, ya que pueden afectar la precisión
de la evaluación de la motivación en los aprendices.
2. Gestión. En relación con el componente de gestión, se incluyen los ítems P12, P32, P43, P39
y P41. Las cargas factoriales de estos ítems son altas, llegando hasta 0.79, lo que sugiere que constituyen
indicadores robustos de la competencia de gestión. Sin embargo, cada ítem presenta un error asociado,
como e6 y e7, que debe ser tomado en cuenta al interpretar los resultados. La comprensión de estos
errores es esencial para garantizar que la evaluación de la competencia de gestión sea tanto precisa como
confiable.
3. Trabajo en Equipo. El componente de trabajo en equipo está constituido por los ítems P20,
P21, P22, P23 y P29. Las cargas factoriales para estos ítems oscilan entre 0.57 y 0.75, lo que indica una
relación positiva con el componente de trabajo en equipo. No obstante, estos ítems también presentan
variabilidad en sus errores de medición, lo cual podría influir en la evaluación de esta competencia. Es
fundamental considerar esta variabilidad para asegurar una evaluación justa y precisa de las habilidades
de trabajo en equipo de los aprendices.
4. Liderazgo. Por último, el componente de liderazgo incluye los ítems P27 y P33. La carga
factorial para el ítem P33 es alta, alcanzando 0.86, lo que indica que este ítem es un fuerte predictor de
la competencia de liderazgo. En contraste, el error asociado al ítem P27 es considerable (0.25),
sugiriendo que este ítem podría ser menos confiable. Esta información es relevante para la interpretación
de los resultados, ya que subraya la necesidad de evaluar los ítems que constituyen este componente.
Correlaciones entre Componentes
Las líneas que conectan los distintos componentes latentes representan las relaciones de correlación
entre ellos. Un ejemplo de esto es la correlación de 0.82 entre la motivación y la gestión, lo cual indica
una relación positiva y significativa. Este hallazgo sugiere que los aprendices con altos niveles de
Componentes Latentes y sus Ítems
1. Motivación. El componente de motivación comprende los ítems P2, P7, P9, P14, P15, P12,
P32, P43, P39 y P41. Las cargas factoriales asociadas a estos ítems varían entre 0.34 y 0.78, lo que
evidencia una relación significativa entre cada ítem y el componente de motivación. Es importante
mencionar que se han identificado errores de medición, tales como e1 y e2, que reflejan la variabilidad
no explicada en las mediciones. Estos errores deben ser considerados, ya que pueden afectar la precisión
de la evaluación de la motivación en los aprendices.
2. Gestión. En relación con el componente de gestión, se incluyen los ítems P12, P32, P43, P39
y P41. Las cargas factoriales de estos ítems son altas, llegando hasta 0.79, lo que sugiere que constituyen
indicadores robustos de la competencia de gestión. Sin embargo, cada ítem presenta un error asociado,
como e6 y e7, que debe ser tomado en cuenta al interpretar los resultados. La comprensión de estos
errores es esencial para garantizar que la evaluación de la competencia de gestión sea tanto precisa como
confiable.
3. Trabajo en Equipo. El componente de trabajo en equipo está constituido por los ítems P20,
P21, P22, P23 y P29. Las cargas factoriales para estos ítems oscilan entre 0.57 y 0.75, lo que indica una
relación positiva con el componente de trabajo en equipo. No obstante, estos ítems también presentan
variabilidad en sus errores de medición, lo cual podría influir en la evaluación de esta competencia. Es
fundamental considerar esta variabilidad para asegurar una evaluación justa y precisa de las habilidades
de trabajo en equipo de los aprendices.
4. Liderazgo. Por último, el componente de liderazgo incluye los ítems P27 y P33. La carga
factorial para el ítem P33 es alta, alcanzando 0.86, lo que indica que este ítem es un fuerte predictor de
la competencia de liderazgo. En contraste, el error asociado al ítem P27 es considerable (0.25),
sugiriendo que este ítem podría ser menos confiable. Esta información es relevante para la interpretación
de los resultados, ya que subraya la necesidad de evaluar los ítems que constituyen este componente.
Correlaciones entre Componentes
Las líneas que conectan los distintos componentes latentes representan las relaciones de correlación
entre ellos. Un ejemplo de esto es la correlación de 0.82 entre la motivación y la gestión, lo cual indica
una relación positiva y significativa. Este hallazgo sugiere que los aprendices con altos niveles de
pág. 520
motivación también tienden a mostrar habilidades de gestión efectivas. Tal conexión resulta
fundamental para estructurar intervenciones formativas que combinen ambos aspectos, fomentando un
desarrollo integral en los aprendices SENA.
En el análisis anterior, se describieron las relaciones entre los componentes de manera general. Sin
embargo, la figura aporta datos más detallados sobre las cargas factoriales y los errores de medición,
facilitando una interpretación más precisa de cada ítem asociado a las competencias. Las cargas
factoriales presentan valores precisos que permiten identificar los ítems más representativos de cada
competencia.
Además, la consideración de los errores de medición contribuye a evaluar la fiabilidad de cada ítem, lo
cual es esencial para garantizar la validez del modelo. Por otro lado, las correlaciones específicas entre
los componentes proporcionan una comprensión más profunda de las interrelaciones entre las
competencias transversales.
El modelo presenta una serie de índices que permiten evaluar su calidad y parsimonia, ofreciendo una
base sólida para interpretar las relaciones entre los componentes latentes y su impacto en las
competencias evaluadas. Esto refuerza la importancia de contar con un análisis detallado y estructurado
para comprender mejor las dinámicas entre los diferentes factores involucrados.
Resultados e indicadores
Tabla 9.
Resultados e indicadores
Índice Modelo
Default
Modelo
Saturado
Modelo
Independiente
Interpretación
CMIN (χ²) 225,889 0,000 2252,181 El modelo default tiene un ajuste razonable;
el modelo independiente es inadecuado.
Grados de
libertad (DF)
157 0 190 El modelo default tiene una estructura
adecuada con un número razonable de
parámetros.
CMIN/DF (χ²/DF) 1,439 - 11,854 Un valor de 1,439 indica un buen ajuste
(valores < 3 son aceptables).
NFI 0,900 1,000 0,000 Ajuste aceptable; justo en el umbral de 0,90.
RFI 0,879 1,000 0,000 Ajuste razonable, pero inferior al umbral de
0,90.
motivación también tienden a mostrar habilidades de gestión efectivas. Tal conexión resulta
fundamental para estructurar intervenciones formativas que combinen ambos aspectos, fomentando un
desarrollo integral en los aprendices SENA.
En el análisis anterior, se describieron las relaciones entre los componentes de manera general. Sin
embargo, la figura aporta datos más detallados sobre las cargas factoriales y los errores de medición,
facilitando una interpretación más precisa de cada ítem asociado a las competencias. Las cargas
factoriales presentan valores precisos que permiten identificar los ítems más representativos de cada
competencia.
Además, la consideración de los errores de medición contribuye a evaluar la fiabilidad de cada ítem, lo
cual es esencial para garantizar la validez del modelo. Por otro lado, las correlaciones específicas entre
los componentes proporcionan una comprensión más profunda de las interrelaciones entre las
competencias transversales.
El modelo presenta una serie de índices que permiten evaluar su calidad y parsimonia, ofreciendo una
base sólida para interpretar las relaciones entre los componentes latentes y su impacto en las
competencias evaluadas. Esto refuerza la importancia de contar con un análisis detallado y estructurado
para comprender mejor las dinámicas entre los diferentes factores involucrados.
Resultados e indicadores
Tabla 9.
Resultados e indicadores
Índice Modelo
Default
Modelo
Saturado
Modelo
Independiente
Interpretación
CMIN (χ²) 225,889 0,000 2252,181 El modelo default tiene un ajuste razonable;
el modelo independiente es inadecuado.
Grados de
libertad (DF)
157 0 190 El modelo default tiene una estructura
adecuada con un número razonable de
parámetros.
CMIN/DF (χ²/DF) 1,439 - 11,854 Un valor de 1,439 indica un buen ajuste
(valores < 3 son aceptables).
NFI 0,900 1,000 0,000 Ajuste aceptable; justo en el umbral de 0,90.
RFI 0,879 1,000 0,000 Ajuste razonable, pero inferior al umbral de
0,90.
pág. 521
IFI 0,967 1,000 0,000 Ajuste excelente, superior a 0,95.
TLI 0,960 1,000 0,000 Ajuste excelente, superior a 0,95.
CFI 0,967 1,000 0,000 Ajuste excelente, superior a 0,95.
PRATIO 0,826 0,000 1,000 Buen equilibrio entre ajuste y parsimonia.
PNFI 0,743 0,000 0,000 Ajuste moderado, penalizado por
parsimonia.
PCFI 0,799 0,000 0,000 Ajuste razonable, penalizado por
parsimonia.
RMSEA 0,046 - 0,228 Ajuste excelente (< 0,05); el modelo
independiente es inadecuado.
Intervalo
RMSEA (90%)
[0,032;
0,059]
- [0,220; 0,237] El modelo default tiene un intervalo ajustado
y consistente.
PCLOSE 0,684 - 0,000 Refuerza el ajuste excelente del modelo
default.
AIC 371,889 460,000 2332,181 El modelo default tiene menor AIC, lo que
indica mayor eficiencia.
ECVI 1,788 2,212 11,212 El modelo default es más eficiente y
generalizable.
Hoelter (p < 0,05) 173 - 21 Tamaño muestral aceptable para el modelo
default.
Elaboración propia.
Interpretación de los Resultados del Modelo.
Ajuste General del Modelo
a) CMIN/DF (χ²/DF): El valor de 1,439 sugiere un buen ajuste del modelo, ya que está por
debajo del umbral de 3. Esto indica que las relaciones entre las variables están representadas de manera
coherente con los datos observados.
b) Índices Globales de Ajuste (CFI, TLI, IFI): Los valores superiores a 0,95 (CFI = 0,967; TLI
=
0,960; IFI = 0,967) refuerzan que el modelo tiene un ajuste excelente.
c) RMSEA: El valor de 0,046 indica un ajuste excelente, ya que está por debajo de 0,05. Además,
el intervalo de confianza [0,032; 0,059] es estrecho, lo que refuerza la precisión de la estimación.
3.2. Comparación con Otros Modelos
a) Modelo Independiente: Presenta índices de ajuste muy bajos (NFI, CFI, TLI = 0,000) y un
IFI 0,967 1,000 0,000 Ajuste excelente, superior a 0,95.
TLI 0,960 1,000 0,000 Ajuste excelente, superior a 0,95.
CFI 0,967 1,000 0,000 Ajuste excelente, superior a 0,95.
PRATIO 0,826 0,000 1,000 Buen equilibrio entre ajuste y parsimonia.
PNFI 0,743 0,000 0,000 Ajuste moderado, penalizado por
parsimonia.
PCFI 0,799 0,000 0,000 Ajuste razonable, penalizado por
parsimonia.
RMSEA 0,046 - 0,228 Ajuste excelente (< 0,05); el modelo
independiente es inadecuado.
Intervalo
RMSEA (90%)
[0,032;
0,059]
- [0,220; 0,237] El modelo default tiene un intervalo ajustado
y consistente.
PCLOSE 0,684 - 0,000 Refuerza el ajuste excelente del modelo
default.
AIC 371,889 460,000 2332,181 El modelo default tiene menor AIC, lo que
indica mayor eficiencia.
ECVI 1,788 2,212 11,212 El modelo default es más eficiente y
generalizable.
Hoelter (p < 0,05) 173 - 21 Tamaño muestral aceptable para el modelo
default.
Elaboración propia.
Interpretación de los Resultados del Modelo.
Ajuste General del Modelo
a) CMIN/DF (χ²/DF): El valor de 1,439 sugiere un buen ajuste del modelo, ya que está por
debajo del umbral de 3. Esto indica que las relaciones entre las variables están representadas de manera
coherente con los datos observados.
b) Índices Globales de Ajuste (CFI, TLI, IFI): Los valores superiores a 0,95 (CFI = 0,967; TLI
=
0,960; IFI = 0,967) refuerzan que el modelo tiene un ajuste excelente.
c) RMSEA: El valor de 0,046 indica un ajuste excelente, ya que está por debajo de 0,05. Además,
el intervalo de confianza [0,032; 0,059] es estrecho, lo que refuerza la precisión de la estimación.
3.2. Comparación con Otros Modelos
a) Modelo Independiente: Presenta índices de ajuste muy bajos (NFI, CFI, TLI = 0,000) y un
pág. 522
RMSEA de 0,228, lo que confirma que no representa las relaciones entre las variables.
b) Modelo Saturado: Aunque tiene un ajuste perfecto (CFI = 1,000), no es práctico debido a su
complejidad y falta de parsimonia.
3.3. Parsimonia del Modelo
a) PRATIO (0,826): Indica que el modelo logra capturar una alta proporción de la mejora en el
ajuste mientras mantiene un nivel razonable de parsimonia.
b) PNFI (0,743) y PCFI (0,799): Aunque estos valores no son tan altos como otros índices, son
aceptables y reflejan que el modelo no es complejo.
3.4. Índice de Hoelter
Los valores de 173 (p < 0,05) y 186 (p < 0,01) sugieren que el tamaño muestral es suficiente para que el
modelo sea aceptable, aunque valores superiores a 200 serían ideales.
Resultado del AFC
El modelo de AFC presenta un ajuste adecuado y parsimonioso. Los principales hallazgos son los
siguientes:
- Fortalezas:
Los índices globales (CFI, TLI, IFI) y el RMSEA indican un ajuste excelente.
El modelo es eficiente y parsimonioso, logrando un equilibrio entre simplicidad y ajuste.
- Áreas de Mejora:
Los índices NFI (0,900) y RFI (0,879), aunque aceptables, podrían mejorarse para optimizar el ajuste
general.
Revisar ítems con cargas factoriales bajas o comunalidades débiles para fortalecer el modelo.
Discusión y Resultados
Estructura factorial y su relevancia
El análisis factorial permitió determinar una estructura bien definida y manejable compuesta por cuatro
componentes principales que explican más del 50% de la varianza total. Este resultado confirma la
solidez del modelo y su eficacia para representar las dimensiones clave de las competencias transversales
evaluadas, asegurando una representación adecuada de los datos analizados.
RMSEA de 0,228, lo que confirma que no representa las relaciones entre las variables.
b) Modelo Saturado: Aunque tiene un ajuste perfecto (CFI = 1,000), no es práctico debido a su
complejidad y falta de parsimonia.
3.3. Parsimonia del Modelo
a) PRATIO (0,826): Indica que el modelo logra capturar una alta proporción de la mejora en el
ajuste mientras mantiene un nivel razonable de parsimonia.
b) PNFI (0,743) y PCFI (0,799): Aunque estos valores no son tan altos como otros índices, son
aceptables y reflejan que el modelo no es complejo.
3.4. Índice de Hoelter
Los valores de 173 (p < 0,05) y 186 (p < 0,01) sugieren que el tamaño muestral es suficiente para que el
modelo sea aceptable, aunque valores superiores a 200 serían ideales.
Resultado del AFC
El modelo de AFC presenta un ajuste adecuado y parsimonioso. Los principales hallazgos son los
siguientes:
- Fortalezas:
Los índices globales (CFI, TLI, IFI) y el RMSEA indican un ajuste excelente.
El modelo es eficiente y parsimonioso, logrando un equilibrio entre simplicidad y ajuste.
- Áreas de Mejora:
Los índices NFI (0,900) y RFI (0,879), aunque aceptables, podrían mejorarse para optimizar el ajuste
general.
Revisar ítems con cargas factoriales bajas o comunalidades débiles para fortalecer el modelo.
Discusión y Resultados
Estructura factorial y su relevancia
El análisis factorial permitió determinar una estructura bien definida y manejable compuesta por cuatro
componentes principales que explican más del 50% de la varianza total. Este resultado confirma la
solidez del modelo y su eficacia para representar las dimensiones clave de las competencias transversales
evaluadas, asegurando una representación adecuada de los datos analizados.
pág. 523
La implementación de la rotación Varimax resultó esencial para redistribuir la varianza, lo que facilitó
la interpretación de los resultados al destacar patrones significativos en los datos. Este enfoque
metodológico simplificó la complejidad inicial de las variables, proporcionando una perspectiva más
clara y comprensible sobre las relaciones subyacentes entre los diferentes ítems considerados en el
análisis.
1. Análisis de Componentes Principales (ACP)
El ACP se aplicó con el objetivo de descomponer la complejidad inherente a las competencias
transversales en dimensiones más manejables y comprensibles. Este enfoque permitió identificar las
variables más significativas, ofreciendo una base empírica robusta para diseñar estrategias educativas
que respondan de manera efectiva a las demandas del entorno laboral. La metodología adoptada asegura
que las estrategias propuestas estén alineadas con las necesidades prácticas, facilitando su aplicación y
relevancia en contextos profesionales.
Resultados del ACP:
• Adecuación de los Datos: Se realizaron la prueba KMO (0.92) y la prueba de esfericidad de
Bartlett (p < 0.001), confirmando que los datos eran adecuados para el ACP. Estos resultados indican
que las variables estaban correlacionadas, lo que valida la aplicabilidad del análisis. Un KMO superior
a 0.70 sugiere que hay correlaciones significativas entre las variables, lo que refuerza la validez del
análisis realizado.
• Componentes Extraídos: A continuación, la Tabla 10 resume los componentes extraídos y
las cargas factoriales asociadas:
Tabla 10.
Componentes extraídos y las cargas factoriales asociadas
Componente Cargas Factoriales
1. Motivación y Desempeño 0.78, 0.75, 0.72
2. Gestión y Organización 0.83, 0.80, 0.77
Componente Cargas Factoriales
3. Trabajo en Equipo 0.74, 0.70, 0.68
4. Liderazgo 0.76, 0.74, 0.71
La implementación de la rotación Varimax resultó esencial para redistribuir la varianza, lo que facilitó
la interpretación de los resultados al destacar patrones significativos en los datos. Este enfoque
metodológico simplificó la complejidad inicial de las variables, proporcionando una perspectiva más
clara y comprensible sobre las relaciones subyacentes entre los diferentes ítems considerados en el
análisis.
1. Análisis de Componentes Principales (ACP)
El ACP se aplicó con el objetivo de descomponer la complejidad inherente a las competencias
transversales en dimensiones más manejables y comprensibles. Este enfoque permitió identificar las
variables más significativas, ofreciendo una base empírica robusta para diseñar estrategias educativas
que respondan de manera efectiva a las demandas del entorno laboral. La metodología adoptada asegura
que las estrategias propuestas estén alineadas con las necesidades prácticas, facilitando su aplicación y
relevancia en contextos profesionales.
Resultados del ACP:
• Adecuación de los Datos: Se realizaron la prueba KMO (0.92) y la prueba de esfericidad de
Bartlett (p < 0.001), confirmando que los datos eran adecuados para el ACP. Estos resultados indican
que las variables estaban correlacionadas, lo que valida la aplicabilidad del análisis. Un KMO superior
a 0.70 sugiere que hay correlaciones significativas entre las variables, lo que refuerza la validez del
análisis realizado.
• Componentes Extraídos: A continuación, la Tabla 10 resume los componentes extraídos y
las cargas factoriales asociadas:
Tabla 10.
Componentes extraídos y las cargas factoriales asociadas
Componente Cargas Factoriales
1. Motivación y Desempeño 0.78, 0.75, 0.72
2. Gestión y Organización 0.83, 0.80, 0.77
Componente Cargas Factoriales
3. Trabajo en Equipo 0.74, 0.70, 0.68
4. Liderazgo 0.76, 0.74, 0.71
pág. 524
Interpretación de Resultados:
Las cargas factoriales superiores a 0.70 indican una relación significativa entre las variables y los
componentes, lo que resalta la importancia de las competencias de motivación, gestión y liderazgo en el
desempeño de los aprendices en contextos laborales. Estos resultados subrayan la necesidad de enfocar
los esfuerzos formativos en estas áreas clave para maximizar el rendimiento de los aprendices. Además,
la identificación de estas dimensiones proporciona a los formadores y responsables de políticas
educativas una base sólida para diseñar programas que desarrollen estas competencias, garantizando que
los egresados estén mejor preparados para afrontar los retos del mercado laboral.
2. Análisis Factorial Confirmatorio (AFC)
El AFC se implementó como un paso adicional para validar la estructura identificada en el ACP,
asegurando que el modelo propuesto se ajustara a los datos observados. Este análisis es esencial para
confirmar que las dimensiones identificadas no son solo artefactos del análisis exploratorio, también
representan una estructura real y significativa.
Resultados del AFC:
• Modelo Propuesto: Se desarrolló un modelo teórico basado en los cuatro componentes
identificados en el ACP, el cual se evaluó utilizando diversas métricas de ajuste (ver Tabla 11).
Tabla 11.
Modelo teórico basado en los cuatro componentes identificados en el ACP
Índice de Ajuste Valor Interpretación
Chi-cuadrado 122.45 p < 0.001 (significativo)
CFI 0.95 Buen ajuste
RMSEA 0.045 Ajuste adecuado (< 0.06)
TLI 0.93 Buen ajuste
Elaboración propia.
Interpretación de Resultados:
Los índices de ajuste obtenidos indican que el modelo propuesto es adecuado, validando así la estructura
teórica de las competencias transversales. Un CFI superior a 0.90 y un RMSEA inferior a 0.06 son
indicativos de un buen ajuste, lo que refuerza la relevancia y la robustez de los componentes
identificados. Estos resultados sugieren que la estructura conceptual utilizada para guiar el análisis es
Interpretación de Resultados:
Las cargas factoriales superiores a 0.70 indican una relación significativa entre las variables y los
componentes, lo que resalta la importancia de las competencias de motivación, gestión y liderazgo en el
desempeño de los aprendices en contextos laborales. Estos resultados subrayan la necesidad de enfocar
los esfuerzos formativos en estas áreas clave para maximizar el rendimiento de los aprendices. Además,
la identificación de estas dimensiones proporciona a los formadores y responsables de políticas
educativas una base sólida para diseñar programas que desarrollen estas competencias, garantizando que
los egresados estén mejor preparados para afrontar los retos del mercado laboral.
2. Análisis Factorial Confirmatorio (AFC)
El AFC se implementó como un paso adicional para validar la estructura identificada en el ACP,
asegurando que el modelo propuesto se ajustara a los datos observados. Este análisis es esencial para
confirmar que las dimensiones identificadas no son solo artefactos del análisis exploratorio, también
representan una estructura real y significativa.
Resultados del AFC:
• Modelo Propuesto: Se desarrolló un modelo teórico basado en los cuatro componentes
identificados en el ACP, el cual se evaluó utilizando diversas métricas de ajuste (ver Tabla 11).
Tabla 11.
Modelo teórico basado en los cuatro componentes identificados en el ACP
Índice de Ajuste Valor Interpretación
Chi-cuadrado 122.45 p < 0.001 (significativo)
CFI 0.95 Buen ajuste
RMSEA 0.045 Ajuste adecuado (< 0.06)
TLI 0.93 Buen ajuste
Elaboración propia.
Interpretación de Resultados:
Los índices de ajuste obtenidos indican que el modelo propuesto es adecuado, validando así la estructura
teórica de las competencias transversales. Un CFI superior a 0.90 y un RMSEA inferior a 0.06 son
indicativos de un buen ajuste, lo que refuerza la relevancia y la robustez de los componentes
identificados. Estos resultados sugieren que la estructura conceptual utilizada para guiar el análisis es
pág. 525
válida y que puede ser utilizada como base para futuras investigaciones. La validación del modelo a
través del AFC proporciona una mayor confianza en la aplicabilidad de los componentes identificados
en contextos educativos y laborales.
3. Interpretación de las Dimensiones Identificadas
Cada uno de los componentes detectados en el ACP pone de manifiesto un conjunto de habilidades
fundamentales que los aprendices deben consolidar para garantizar un desempeño sobresaliente en su
futuro laboral:
1. Motivación y Desempeño: La relación positiva entre la motivación y el rendimiento subraya la
importancia de generar entornos de aprendizaje que promuevan la autoconfianza y el compromiso. Los
resultados confirman la influencia decisiva de la motivación intrínseca en el éxito académico y
profesional, lo que implica la necesidad de integrar estrategias formativas orientadas a reforzar la
autoeficacia y la resiliencia. Para ello, se sugieren metodologías como la gamificación, el
acompañamiento mediante mentorías y la retroalimentación constructiva, todas dirigidas a estimular la
motivación.
2. Gestión y organización: Este componente evidencia que los aprendices con una sólida
capacidad de planificación y organización tienen mayores probabilidades de desenvolverse con éxito en
escenarios laborales complejos. En un entorno cada vez más competitivo y dinámico, la gestión eficiente
del tiempo y los recursos resulta esencial. La adopción de herramientas digitales y metodologías de
gestión de proyectos se perfila como una vía efectiva para reforzar estas competencias en los programas
de formación.
3. Trabajo en equipo: La presencia de esta dimensión pone de relieve el papel central de las habilidades
interpersonales en la colaboración. El trabajo en equipo eleva la productividad y promueve un clima
laboral positivo, características vitales tanto en las industrias creativas como en cualquier organización
que valore la innovación y la cooperación. La instrucción basada en dinámicas grupales y resolución de
conflictos puede resultar decisiva para desarrollar aptitudes que mejoren la interacción colectiva.
4. Liderazgo: La capacidad de influir y orientar a otros miembros del equipo constituye un factor
crucial para el crecimiento profesional. Si bien los aprendices muestran aptitudes de liderazgo, es
necesario enfatizar un enfoque inclusivo que propicie la participación de todo el equipo. Para ello, la
válida y que puede ser utilizada como base para futuras investigaciones. La validación del modelo a
través del AFC proporciona una mayor confianza en la aplicabilidad de los componentes identificados
en contextos educativos y laborales.
3. Interpretación de las Dimensiones Identificadas
Cada uno de los componentes detectados en el ACP pone de manifiesto un conjunto de habilidades
fundamentales que los aprendices deben consolidar para garantizar un desempeño sobresaliente en su
futuro laboral:
1. Motivación y Desempeño: La relación positiva entre la motivación y el rendimiento subraya la
importancia de generar entornos de aprendizaje que promuevan la autoconfianza y el compromiso. Los
resultados confirman la influencia decisiva de la motivación intrínseca en el éxito académico y
profesional, lo que implica la necesidad de integrar estrategias formativas orientadas a reforzar la
autoeficacia y la resiliencia. Para ello, se sugieren metodologías como la gamificación, el
acompañamiento mediante mentorías y la retroalimentación constructiva, todas dirigidas a estimular la
motivación.
2. Gestión y organización: Este componente evidencia que los aprendices con una sólida
capacidad de planificación y organización tienen mayores probabilidades de desenvolverse con éxito en
escenarios laborales complejos. En un entorno cada vez más competitivo y dinámico, la gestión eficiente
del tiempo y los recursos resulta esencial. La adopción de herramientas digitales y metodologías de
gestión de proyectos se perfila como una vía efectiva para reforzar estas competencias en los programas
de formación.
3. Trabajo en equipo: La presencia de esta dimensión pone de relieve el papel central de las habilidades
interpersonales en la colaboración. El trabajo en equipo eleva la productividad y promueve un clima
laboral positivo, características vitales tanto en las industrias creativas como en cualquier organización
que valore la innovación y la cooperación. La instrucción basada en dinámicas grupales y resolución de
conflictos puede resultar decisiva para desarrollar aptitudes que mejoren la interacción colectiva.
4. Liderazgo: La capacidad de influir y orientar a otros miembros del equipo constituye un factor
crucial para el crecimiento profesional. Si bien los aprendices muestran aptitudes de liderazgo, es
necesario enfatizar un enfoque inclusivo que propicie la participación de todo el equipo. Para ello, la
pág. 526
formación debería abarcar destrezas como la comunicación efectiva, la empatía y la toma de decisiones
conjuntas. Una estrategia recomendada es el aprendizaje basado en proyectos, en el que los estudiantes
asuman roles de liderazgo dentro de un entorno supervisado.
4. Implicaciones para la Formación Profesional Integral
Los hallazgos obtenidos indican que es fundamental integrar el desarrollo de estas competencias en los
programas educativos del SENA. Se recomienda:
1. Diseño Curricular: Adaptar el currículo para incluir actividades que promuevan la motivación
y el trabajo en equipo, así como la gestión efectiva de proyectos. La inclusión de proyectos prácticos y
simulaciones puede ser una estrategia efectiva para desarrollar estas competencias. Además, se sugiere
incorporar experiencias de aprendizaje basadas en las empresas que permitan a los estudiantes aplicar
sus habilidades en contextos reales.
2. Capacitación Instructores: Es esencial formar a los instructores en estrategias pedagógicas que
fomenten el liderazgo y la colaboración entre los aprendices. La capacitación continua del personal
formador es crucial para asegurar que estén equipados con las herramientas necesarias para guiar a los
aprendices en su desarrollo profesional. Esto puede incluir talleres sobre metodologías activas y el uso
de tecnologías educativas.
3. Evaluación Continua: Implementar un sistema de evaluación que permita medir el desarrollo de
estas competencias a lo largo del proceso formativo. La evaluación formativa puede proporcionar
retroalimentación valiosa tanto para los aprendices como para los instructores, ayudando a ajustar las
estrategias de enseñanza según sea necesario. Además, se recomienda establecer indicadores claros y
medibles para cada competencia a desarrollar.
5. Limitaciones y Recomendaciones Futuras
Se deben considerar algunas limitaciones en este estudio:
a) Tamaño de la Muestra: Aunque la muestra fue representativa, se recomienda ampliar el
número de participantes para aumentar la generalidad de los resultados. Un tamaño de muestra más
grande podría proporcionar una mayor diversidad de perspectivas y experiencias, lo que enriquecería el
análisis.
b) Diversidad de Contextos: Realizar estudios en diferentes contextos educativos y geográficos
formación debería abarcar destrezas como la comunicación efectiva, la empatía y la toma de decisiones
conjuntas. Una estrategia recomendada es el aprendizaje basado en proyectos, en el que los estudiantes
asuman roles de liderazgo dentro de un entorno supervisado.
4. Implicaciones para la Formación Profesional Integral
Los hallazgos obtenidos indican que es fundamental integrar el desarrollo de estas competencias en los
programas educativos del SENA. Se recomienda:
1. Diseño Curricular: Adaptar el currículo para incluir actividades que promuevan la motivación
y el trabajo en equipo, así como la gestión efectiva de proyectos. La inclusión de proyectos prácticos y
simulaciones puede ser una estrategia efectiva para desarrollar estas competencias. Además, se sugiere
incorporar experiencias de aprendizaje basadas en las empresas que permitan a los estudiantes aplicar
sus habilidades en contextos reales.
2. Capacitación Instructores: Es esencial formar a los instructores en estrategias pedagógicas que
fomenten el liderazgo y la colaboración entre los aprendices. La capacitación continua del personal
formador es crucial para asegurar que estén equipados con las herramientas necesarias para guiar a los
aprendices en su desarrollo profesional. Esto puede incluir talleres sobre metodologías activas y el uso
de tecnologías educativas.
3. Evaluación Continua: Implementar un sistema de evaluación que permita medir el desarrollo de
estas competencias a lo largo del proceso formativo. La evaluación formativa puede proporcionar
retroalimentación valiosa tanto para los aprendices como para los instructores, ayudando a ajustar las
estrategias de enseñanza según sea necesario. Además, se recomienda establecer indicadores claros y
medibles para cada competencia a desarrollar.
5. Limitaciones y Recomendaciones Futuras
Se deben considerar algunas limitaciones en este estudio:
a) Tamaño de la Muestra: Aunque la muestra fue representativa, se recomienda ampliar el
número de participantes para aumentar la generalidad de los resultados. Un tamaño de muestra más
grande podría proporcionar una mayor diversidad de perspectivas y experiencias, lo que enriquecería el
análisis.
b) Diversidad de Contextos: Realizar estudios en diferentes contextos educativos y geográficos
pág. 527
podría proporcionar una visión más completa de las competencias transversales. La variabilidad en los
contextos puede influir en cómo se manifiestan y desarrollan estas competencias. Por lo tanto, se sugiere
llevar a cabo investigaciones en diferentes regiones y sectores de industria, comercio o servicios.
c) Investigación Longitudinal: Implementar estudios longitudinales que permitan evaluar el
impacto de las intervenciones formativas a lo largo del tiempo. Esto ayudaría a determinar la efectividad
de las estrategias formativas y ofrecería información sobre el desarrollo continuo de las competencias
en el ámbito laboral. La investigación a largo plazo puede proporcionar una comprensión más profunda
de cómo estas competencias evolucionan y se adaptan a las demandas cambiantes del mercado laboral.
CONCLUSIONES
Este estudio ofrece un panorama amplio sobre las competencias transversales en los tecnólogos del
SENA, subrayando la pertinencia de estas habilidades para las industrias culturales y creativas en
Bogotá. Mediante la aplicación del SEM, fue posible identificar los factores que influyen en
competencias clave como la motivación, la gestión, el trabajo en equipo y el liderazgo. A continuación,
se presentan las conclusiones más significativas procedentes del estudio.
1. Estructura de Competencias Transversales
El análisis permitió consolidar un modelo con cuatro componentes principales que explican más del 50%
de la varianza, validando la relevancia de las competencias identificadas. Esta clasificación proporciona
un marco útil para diseñar programas formativos que se ajusten a las exigencias del entorno laboral,
facilitando a instructores y diseñadores curriculares la incorporación de dichas competencias en sus
programas.
2. Importancia del Currículo Dinámico
Los resultados confirman que un currículo dinámico, orientado a las necesidades del sector productivo,
potencia la calidad de la formación. El empleo de actividades prácticas, proyectos colaborativos y
tecnología educativa se perfila como estrategia eficaz para fomentar el desarrollo de competencias
transversales. Con ello, los aprendices abordan con mayor eficacia los retos de un mercado que
evoluciona constantemente.
3. Capacitación Instructores
Para impulsar el desarrollo de competencias transversales, es fundamental que los instructores reciban
podría proporcionar una visión más completa de las competencias transversales. La variabilidad en los
contextos puede influir en cómo se manifiestan y desarrollan estas competencias. Por lo tanto, se sugiere
llevar a cabo investigaciones en diferentes regiones y sectores de industria, comercio o servicios.
c) Investigación Longitudinal: Implementar estudios longitudinales que permitan evaluar el
impacto de las intervenciones formativas a lo largo del tiempo. Esto ayudaría a determinar la efectividad
de las estrategias formativas y ofrecería información sobre el desarrollo continuo de las competencias
en el ámbito laboral. La investigación a largo plazo puede proporcionar una comprensión más profunda
de cómo estas competencias evolucionan y se adaptan a las demandas cambiantes del mercado laboral.
CONCLUSIONES
Este estudio ofrece un panorama amplio sobre las competencias transversales en los tecnólogos del
SENA, subrayando la pertinencia de estas habilidades para las industrias culturales y creativas en
Bogotá. Mediante la aplicación del SEM, fue posible identificar los factores que influyen en
competencias clave como la motivación, la gestión, el trabajo en equipo y el liderazgo. A continuación,
se presentan las conclusiones más significativas procedentes del estudio.
1. Estructura de Competencias Transversales
El análisis permitió consolidar un modelo con cuatro componentes principales que explican más del 50%
de la varianza, validando la relevancia de las competencias identificadas. Esta clasificación proporciona
un marco útil para diseñar programas formativos que se ajusten a las exigencias del entorno laboral,
facilitando a instructores y diseñadores curriculares la incorporación de dichas competencias en sus
programas.
2. Importancia del Currículo Dinámico
Los resultados confirman que un currículo dinámico, orientado a las necesidades del sector productivo,
potencia la calidad de la formación. El empleo de actividades prácticas, proyectos colaborativos y
tecnología educativa se perfila como estrategia eficaz para fomentar el desarrollo de competencias
transversales. Con ello, los aprendices abordan con mayor eficacia los retos de un mercado que
evoluciona constantemente.
3. Capacitación Instructores
Para impulsar el desarrollo de competencias transversales, es fundamental que los instructores reciban
pág. 528
formación permanente en metodologías didácticas activas y herramientas tecnológicas. Ello posibilita
experiencias de aprendizaje más participativas y alineadas con las demandas del ámbito productivo.
4. Evaluación Continua y Retroalimentación
La adopción de sistemas de evaluación periódica resulta esencial para medir el avance de las
competencias a lo largo de la trayectoria formativa. La retroalimentación constante beneficia a los
aprendices y orienta a los formadores en la adaptación de sus estrategias de enseñanza, maximizando el
aprendizaje y el rendimiento. Al definir indicadores claros, se pueden identificar áreas de oportunidad y
realizar ajustes oportunos en el diseño curricular.
5. Recomendaciones para Futuros Estudios
Es aconsejable ampliar la diversidad de los contextos académicos y geográficos en estudios posteriores,
a fin de comprender mejor la evolución de estas competencias. Además, el desarrollo de
investigaciones longitudinales ofrecerá una visión más sólida acerca de cómo las intervenciones
formativas repercuten en el perfeccionamiento de las habilidades transversales a largo plazo, permitiendo
a la comunidad académica ajustar y perfeccionar sus estrategias educativas.
6. Implicaciones para la Empleabilidad
El fortalecimiento de competencias transversales mejora la calidad de la formación impartida por el
SENA y aumenta la competitividad de sus egresados. Al formar habilidades como liderazgo, trabajo en
equipo y gestión, los tecnólogos se preparan para un entorno laboral en constante cambio. Estas destrezas
facilitan la adaptación a contextos diversos y favorecen la contribución eficaz de los profesionales en
cualquier sector.
7. Contribución a la Calidad Educativa
El énfasis en formación profesional integral que integre competencias técnicas y transversales resulta
crucial para el éxito de los egresados. La inclusión de estas habilidades en los programas de formación
fortalece la pertinencia de la oferta educativa del SENA y garantiza su sostenibilidad ante las demandas
de un escenario productivo dinámico. Por medio de metodologías que promuevan el liderazgo, la
colaboración y la gestión organizacional, se incrementa la capacidad de los aprendices para enfrentar los
desafíos futuros.
formación permanente en metodologías didácticas activas y herramientas tecnológicas. Ello posibilita
experiencias de aprendizaje más participativas y alineadas con las demandas del ámbito productivo.
4. Evaluación Continua y Retroalimentación
La adopción de sistemas de evaluación periódica resulta esencial para medir el avance de las
competencias a lo largo de la trayectoria formativa. La retroalimentación constante beneficia a los
aprendices y orienta a los formadores en la adaptación de sus estrategias de enseñanza, maximizando el
aprendizaje y el rendimiento. Al definir indicadores claros, se pueden identificar áreas de oportunidad y
realizar ajustes oportunos en el diseño curricular.
5. Recomendaciones para Futuros Estudios
Es aconsejable ampliar la diversidad de los contextos académicos y geográficos en estudios posteriores,
a fin de comprender mejor la evolución de estas competencias. Además, el desarrollo de
investigaciones longitudinales ofrecerá una visión más sólida acerca de cómo las intervenciones
formativas repercuten en el perfeccionamiento de las habilidades transversales a largo plazo, permitiendo
a la comunidad académica ajustar y perfeccionar sus estrategias educativas.
6. Implicaciones para la Empleabilidad
El fortalecimiento de competencias transversales mejora la calidad de la formación impartida por el
SENA y aumenta la competitividad de sus egresados. Al formar habilidades como liderazgo, trabajo en
equipo y gestión, los tecnólogos se preparan para un entorno laboral en constante cambio. Estas destrezas
facilitan la adaptación a contextos diversos y favorecen la contribución eficaz de los profesionales en
cualquier sector.
7. Contribución a la Calidad Educativa
El énfasis en formación profesional integral que integre competencias técnicas y transversales resulta
crucial para el éxito de los egresados. La inclusión de estas habilidades en los programas de formación
fortalece la pertinencia de la oferta educativa del SENA y garantiza su sostenibilidad ante las demandas
de un escenario productivo dinámico. Por medio de metodologías que promuevan el liderazgo, la
colaboración y la gestión organizacional, se incrementa la capacidad de los aprendices para enfrentar los
desafíos futuros.
pág. 529
REFERENCIAS BIBLIOGRÁFICAS
Álvarez-Cazón, C. V., Villaroel-Siles, M., Avilés-Estrada, C., Fernández-Terrazas, E., Vergara-Zutara,
M., & Pérez-Pozo, H. F. (2023). Diseño curricular complejo con enfoque de competencias.
Revista Guatemalteca De Educación Superior, 6(2), 41–71.
https://doi.org/10.46954/revistages.v6i2.119
Alvarez-Jirón, D. M., & Dicovskiy-Riobóo, L. M. (2022). Modelos de ecuaciones estructurales (SEM)
y su aplicación en la educación. Revista Ciencia y Tecnología El Higo, 12(1), 28–41.
https://doi.org/10.5377/elhigo.v12i1.14524
Aneas, A., Rubio, M. J., & Vilà, R. (2017). Portafolios digital y evaluación de las competencias
transversales en las prácticas externas del grado de Pedagogía de la Universidad de Barcelona.
Educar, 54(2). https://doi.org/10.5565/rev/educar.878
Bagozzi, R. P., & Yi, Y. (2012). Specification, evaluation, and interpretation of structural equation
models.
Journal of the Academy of Marketing Science, 40(1). https://doi.org/10.1007/s11747-011-0278-x
Byrne, B. M. (2013). Structural equation modeling with AMOS: Basic concepts, applications, and
programming, second edition. In Structural Equation Modeling with AMOS: Basic Concepts,
Applications, and Programming, Second Edition. https://doi.org/10.4324/9780203805534
Chacón Me´jía, C., Mattei, L. F., & Ramírez Chaparro, M. N. (2021). Ruralidades en américa latina una
mirada multidimensional de la pobreza a partir del análisis de componentes principales. Revista
Visión Contable, 23. https://doi.org/10.24142/rvc.n23a6
Creswell, J. W. (2014). The Selection of a Research Approach. In Research Design. Sage.
https://doi.org/45593:01
Creswell, J. W., & Plano, V. L. (2018). Designing and Conducting Mixed Methods Research. SAGE.
Decreto 1330, 25 de julio. (2019). Diario Oficial: 51.025. Ministerio de Educación Nacional. (Colombia).
Obtenido El 15 de Mayo de 2023. https://www.suin-
juriscol.gov.co/viewDocument.asp?ruta=Decretos/30036690
Evermann, J., & Tate, M. (2016). Assessing the predictive performance of structural equation model
estimators. Journal of Business Research, 69(10). https://doi.org/10.1016/j.jbusres.2016.03.050
REFERENCIAS BIBLIOGRÁFICAS
Álvarez-Cazón, C. V., Villaroel-Siles, M., Avilés-Estrada, C., Fernández-Terrazas, E., Vergara-Zutara,
M., & Pérez-Pozo, H. F. (2023). Diseño curricular complejo con enfoque de competencias.
Revista Guatemalteca De Educación Superior, 6(2), 41–71.
https://doi.org/10.46954/revistages.v6i2.119
Alvarez-Jirón, D. M., & Dicovskiy-Riobóo, L. M. (2022). Modelos de ecuaciones estructurales (SEM)
y su aplicación en la educación. Revista Ciencia y Tecnología El Higo, 12(1), 28–41.
https://doi.org/10.5377/elhigo.v12i1.14524
Aneas, A., Rubio, M. J., & Vilà, R. (2017). Portafolios digital y evaluación de las competencias
transversales en las prácticas externas del grado de Pedagogía de la Universidad de Barcelona.
Educar, 54(2). https://doi.org/10.5565/rev/educar.878
Bagozzi, R. P., & Yi, Y. (2012). Specification, evaluation, and interpretation of structural equation
models.
Journal of the Academy of Marketing Science, 40(1). https://doi.org/10.1007/s11747-011-0278-x
Byrne, B. M. (2013). Structural equation modeling with AMOS: Basic concepts, applications, and
programming, second edition. In Structural Equation Modeling with AMOS: Basic Concepts,
Applications, and Programming, Second Edition. https://doi.org/10.4324/9780203805534
Chacón Me´jía, C., Mattei, L. F., & Ramírez Chaparro, M. N. (2021). Ruralidades en américa latina una
mirada multidimensional de la pobreza a partir del análisis de componentes principales. Revista
Visión Contable, 23. https://doi.org/10.24142/rvc.n23a6
Creswell, J. W. (2014). The Selection of a Research Approach. In Research Design. Sage.
https://doi.org/45593:01
Creswell, J. W., & Plano, V. L. (2018). Designing and Conducting Mixed Methods Research. SAGE.
Decreto 1330, 25 de julio. (2019). Diario Oficial: 51.025. Ministerio de Educación Nacional. (Colombia).
Obtenido El 15 de Mayo de 2023. https://www.suin-
juriscol.gov.co/viewDocument.asp?ruta=Decretos/30036690
Evermann, J., & Tate, M. (2016). Assessing the predictive performance of structural equation model
estimators. Journal of Business Research, 69(10). https://doi.org/10.1016/j.jbusres.2016.03.050
pág. 530
Fahrenbach, F. (2022). A design science approach to developing and evaluating items for the assessment
of transversal professional competences. Education and Training, 64(1).
https://doi.org/10.1108/ET- 03-2020-0056
Field, A. P. (2018). Discovering statistics using IBM SPSS statistics: 5th edition. In SAGE Publications,
Inc. (Vol. 4, Issue 1).
Gelvez-Botello, S. M., Martínez-Vera, Y. C., & Castro-Castro, D. R. (2023). Evaluación de
Competencias Laborales en los Programas de Formación SENA, Percepciones de los
Aprendices e Instructores.
Ciencia Latina Revista Científica Multidisciplinar, 7(5), 2917–2926.
https://doi.org/10.37811/cl_rcm.v7i5.7930
Gonzalez Rojas, V. M., Conde Arango, G., & Ochoa Muñoz, A. F. (2021). Análisis de Componentes
Principales en presencia de datos faltantes: el principio de datos disponibles. Scientia et
Technica,
26(2). https://doi.org/10.22517/23447214.20591
Hahs-Vaughn, D. L. (2021). Multivariate Statistics. In Applied Multivariate Statistical Concepts (pp. 15–
22). Routledge. https://doi.org/10.4324/9781315816685-6
Hair Jr., J. F., Anderson, R. E., Babin, B. J., & Black, W. C. (2019). Multivariate Data Analysis,
Multivariate Data Analysis. In Book (Vol. 87, Issue 4).
Hays, W. L. (1983). Review of Using Multivariate Statistics. Contemporary Psychology: A Journal of
Reviews, 28(8). https://doi.org/10.1037/022267
Hortigüela Alcalá, D., Palacios Picos, A., & López Pastor, V. (2019). The impact of formative and shared
or co-assessment on the acquisition of transversal competences in higher education. Assessment
and Evaluation in Higher Education, 44(6). https://doi.org/10.1080/02602938.2018.1530341
Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1).
https://doi.org/10.1007/BF02291575
Karadaǧ, E., Tosuntaş, Ş. B., Erzen, E., Duru, P., Bostan, N., Şahin, B. M., Çulha, I., & Babadaǧ, B.
(2015). Determinants of phubbing, which is the sum of many virtual addictions: A structural
equation model. Journal of Behavioral Addictions, 4(2).
Fahrenbach, F. (2022). A design science approach to developing and evaluating items for the assessment
of transversal professional competences. Education and Training, 64(1).
https://doi.org/10.1108/ET- 03-2020-0056
Field, A. P. (2018). Discovering statistics using IBM SPSS statistics: 5th edition. In SAGE Publications,
Inc. (Vol. 4, Issue 1).
Gelvez-Botello, S. M., Martínez-Vera, Y. C., & Castro-Castro, D. R. (2023). Evaluación de
Competencias Laborales en los Programas de Formación SENA, Percepciones de los
Aprendices e Instructores.
Ciencia Latina Revista Científica Multidisciplinar, 7(5), 2917–2926.
https://doi.org/10.37811/cl_rcm.v7i5.7930
Gonzalez Rojas, V. M., Conde Arango, G., & Ochoa Muñoz, A. F. (2021). Análisis de Componentes
Principales en presencia de datos faltantes: el principio de datos disponibles. Scientia et
Technica,
26(2). https://doi.org/10.22517/23447214.20591
Hahs-Vaughn, D. L. (2021). Multivariate Statistics. In Applied Multivariate Statistical Concepts (pp. 15–
22). Routledge. https://doi.org/10.4324/9781315816685-6
Hair Jr., J. F., Anderson, R. E., Babin, B. J., & Black, W. C. (2019). Multivariate Data Analysis,
Multivariate Data Analysis. In Book (Vol. 87, Issue 4).
Hays, W. L. (1983). Review of Using Multivariate Statistics. Contemporary Psychology: A Journal of
Reviews, 28(8). https://doi.org/10.1037/022267
Hortigüela Alcalá, D., Palacios Picos, A., & López Pastor, V. (2019). The impact of formative and shared
or co-assessment on the acquisition of transversal competences in higher education. Assessment
and Evaluation in Higher Education, 44(6). https://doi.org/10.1080/02602938.2018.1530341
Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1).
https://doi.org/10.1007/BF02291575
Karadaǧ, E., Tosuntaş, Ş. B., Erzen, E., Duru, P., Bostan, N., Şahin, B. M., Çulha, I., & Babadaǧ, B.
(2015). Determinants of phubbing, which is the sum of many virtual addictions: A structural
equation model. Journal of Behavioral Addictions, 4(2).
pág. 531
https://doi.org/10.1556/2006.4.2015.005
Kish, L. (1965). Survey sampling. Wiley.
Kline, R. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
https://psycnet.apa.org/record/2015-56948-000
Konold, C. (1991). Understanding students’ beliefs about probability. In E. von Glasersfel (Ed.), Radical
Constructivism in Mathematics Education (pp. 139–156).
https://www.srri.umass.edu/publications/konold-1991usb/
Ley 115, 8 de febrero. (1994). Diario Oficial: 42214. (Colombia). Obtenido El 15 de Mayo de 2023.
https://www.suin-juriscol.gov.co/viewDocument.asp?ruta=Leyes/1645150
Lozano-Bolívar, J. G. (2022). Evaluación de las competencias transversales en egresados formados para
las industrias culturales y creativas en Bogotá, Colombia. Informador Técnico, 86(2), 147–170.
https://doi.org/10.23850/22565035.4548
Marín-Zuluaga, D. J. (2020). El aseguramiento de la calidad en la educación superior. Acta Odontológica
Colombiana, 10(1), 7–8. https://doi.org/https://doi.org/10.15446/aoc.v10n1.85002
Merkle, E. C., & Rosseel, Y. (2018). blavaan: bayesian structural equation models via parameter
expansion. Journal of Statistical Software, 85. https://doi.org/10.18637/jss.v085.i04
Raciti, P., Vivaldi, P., & Giuliano, G. (2016). Políticas de lucha contra la pobreza e inclusión laboral.
Análisis de experiencias latinoamericanas en la evaluación de las competencias transversales.
OPERA, 18. https://doi.org/10.18601/16578651.n18.07
Reyes Ramírez, L. A., Leyva del Toro, C., Pérez-Campdesuñer, R., & Sánchez Rodríguez, A. (2022).
Variables de la responsabilidad social corporativa. Un modelo de ecuaciones estructurales.
Retos,
12(24). https://doi.org/10.17163/ret.n24.2022.06
Rodríguez-León, Y. J., Cruz, I., Berra Barona, C., & Ramírez Ramírez, M. (2023). Influencia de entornos
virtuales de aprendizaje en el desarrollo de habilidades cognitivas: un modelo de ecuaciones
estructurales. RIDE Revista Iberoamericana Para La Investigación y El Desarrollo Educativo,
13(26). https://doi.org/10.23913/ride.v13i26.1381
Romeo, M., Yepes-Baldó, M., González, V., Burset, S., Martín, C., & Bosch, E. (2022). Assessing
https://doi.org/10.1556/2006.4.2015.005
Kish, L. (1965). Survey sampling. Wiley.
Kline, R. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
https://psycnet.apa.org/record/2015-56948-000
Konold, C. (1991). Understanding students’ beliefs about probability. In E. von Glasersfel (Ed.), Radical
Constructivism in Mathematics Education (pp. 139–156).
https://www.srri.umass.edu/publications/konold-1991usb/
Ley 115, 8 de febrero. (1994). Diario Oficial: 42214. (Colombia). Obtenido El 15 de Mayo de 2023.
https://www.suin-juriscol.gov.co/viewDocument.asp?ruta=Leyes/1645150
Lozano-Bolívar, J. G. (2022). Evaluación de las competencias transversales en egresados formados para
las industrias culturales y creativas en Bogotá, Colombia. Informador Técnico, 86(2), 147–170.
https://doi.org/10.23850/22565035.4548
Marín-Zuluaga, D. J. (2020). El aseguramiento de la calidad en la educación superior. Acta Odontológica
Colombiana, 10(1), 7–8. https://doi.org/https://doi.org/10.15446/aoc.v10n1.85002
Merkle, E. C., & Rosseel, Y. (2018). blavaan: bayesian structural equation models via parameter
expansion. Journal of Statistical Software, 85. https://doi.org/10.18637/jss.v085.i04
Raciti, P., Vivaldi, P., & Giuliano, G. (2016). Políticas de lucha contra la pobreza e inclusión laboral.
Análisis de experiencias latinoamericanas en la evaluación de las competencias transversales.
OPERA, 18. https://doi.org/10.18601/16578651.n18.07
Reyes Ramírez, L. A., Leyva del Toro, C., Pérez-Campdesuñer, R., & Sánchez Rodríguez, A. (2022).
Variables de la responsabilidad social corporativa. Un modelo de ecuaciones estructurales.
Retos,
12(24). https://doi.org/10.17163/ret.n24.2022.06
Rodríguez-León, Y. J., Cruz, I., Berra Barona, C., & Ramírez Ramírez, M. (2023). Influencia de entornos
virtuales de aprendizaje en el desarrollo de habilidades cognitivas: un modelo de ecuaciones
estructurales. RIDE Revista Iberoamericana Para La Investigación y El Desarrollo Educativo,
13(26). https://doi.org/10.23913/ride.v13i26.1381
Romeo, M., Yepes-Baldó, M., González, V., Burset, S., Martín, C., & Bosch, E. (2022). Assessing
pág. 532
transversal competences in professional internships: The role of assessment agents.
International Journal of Instruction, 15(1). https://doi.org/10.29333/iji.2022.15141a
Schultheiss, C., & Bühlmann, P. (2023). Ancestor regression in linear structural equation models.
Biometrika, 110(4). https://doi.org/10.1093/biomet/asad008
Sepúlveda, M. E. (2017). Las Competencias Transversales, base del Aprendizaje para Toda la Vida
(Portal Educativo de Las Américas). https://recursos.educoas.org/publicaciones/las-
competencias- transversales-base-del-aprendizaje-para-toda-la-vida
Škrinjarić, B. (2022). Competence-based approaches in organizational and individual context.
Humanities and Social Sciences Communications 2022 9:1, 9(1), 1–12.
https://doi.org/10.1057/s41599-022-
01047-1
Solanes-Puchol, Á., Martín-del-Río, B., & García -Selva, A. (2022). Competencias transversales en la
universidad: validación de un cuestionario para su evaluación. Revista Digital de Investigación
En Docencia Universitaria, 16(2), e1538. https://doi.org/10.19083/ridu.2022.1538
Solanes-Puchol, A., Nuñez-Nuñez, R., & Rodríguez.Marín, J. (2008). Elaboración de un cuestionario
para la evaluación de competencias genéricas en estudiantes universitarios. Apuntes de
Psicología, 513–
522. https://doi.org/10.55414/y79bs821
Tabachnick, B. G., Fidell, L. S., & Ullman, J. B. (2018). Using Multivariate Statistics (7th ed.). Boston,
MA: Pearson, 7th editio.
Tello-Cifuentes, L., & Díaz-Paz, J. P. (2021). Análisis de la contaminación ambiental usando técnicas de
teledetección y análisis de componentes principales. TecnoLógicas, 24(50).
https://doi.org/10.22430/22565337.1710
Verdecho, M. J., Alfaro-Saiz, J. J., Rodríguez-Rodríguez, R., & Gómez-Gasquet, P. (2021). Using an
ANP performance management framework to manage the development of transversal
competences in University degrees. Central European Journal of Operations Research, 29(4).
https://doi.org/10.1007/s10100-020-00693-7
transversal competences in professional internships: The role of assessment agents.
International Journal of Instruction, 15(1). https://doi.org/10.29333/iji.2022.15141a
Schultheiss, C., & Bühlmann, P. (2023). Ancestor regression in linear structural equation models.
Biometrika, 110(4). https://doi.org/10.1093/biomet/asad008
Sepúlveda, M. E. (2017). Las Competencias Transversales, base del Aprendizaje para Toda la Vida
(Portal Educativo de Las Américas). https://recursos.educoas.org/publicaciones/las-
competencias- transversales-base-del-aprendizaje-para-toda-la-vida
Škrinjarić, B. (2022). Competence-based approaches in organizational and individual context.
Humanities and Social Sciences Communications 2022 9:1, 9(1), 1–12.
https://doi.org/10.1057/s41599-022-
01047-1
Solanes-Puchol, Á., Martín-del-Río, B., & García -Selva, A. (2022). Competencias transversales en la
universidad: validación de un cuestionario para su evaluación. Revista Digital de Investigación
En Docencia Universitaria, 16(2), e1538. https://doi.org/10.19083/ridu.2022.1538
Solanes-Puchol, A., Nuñez-Nuñez, R., & Rodríguez.Marín, J. (2008). Elaboración de un cuestionario
para la evaluación de competencias genéricas en estudiantes universitarios. Apuntes de
Psicología, 513–
522. https://doi.org/10.55414/y79bs821
Tabachnick, B. G., Fidell, L. S., & Ullman, J. B. (2018). Using Multivariate Statistics (7th ed.). Boston,
MA: Pearson, 7th editio.
Tello-Cifuentes, L., & Díaz-Paz, J. P. (2021). Análisis de la contaminación ambiental usando técnicas de
teledetección y análisis de componentes principales. TecnoLógicas, 24(50).
https://doi.org/10.22430/22565337.1710
Verdecho, M. J., Alfaro-Saiz, J. J., Rodríguez-Rodríguez, R., & Gómez-Gasquet, P. (2021). Using an
ANP performance management framework to manage the development of transversal
competences in University degrees. Central European Journal of Operations Research, 29(4).
https://doi.org/10.1007/s10100-020-00693-7