INVARIANZA DE LA ESCALA DE
AUTOEFICACIA PARA LA INVESTIGACIÓN
EN ESTUDIANTES UNIVERSITARIOS
INVARIANCE OF THE RESEARCH SELF-EFFICACY
SCALE IN UNIVERSITY STUDENTS
Virginia Flores Perez
Universidad Autónoma del Estado de México
Esteban Jaime Camacho Ruiz
Universidad Autónoma del Estado de México
Brenda Sarahi Cervantes Luna
Universidad Autónoma del Estado de México
Mario Alejandro Muñoz Nájera
Universidad Autónoma del Estado de México
Georgina Leticia Alvarez Rayón
Universidad Autónoma del Estado de México
pág. 4904
DOI: https://doi.org/10.37811/cl_rcm.v10i3.24554
Invarianza de la Escala de Autoeficacia para la Investigación en
Estudiantes Universitarios
Virginia Flores Perez1
vfloresp004@profesor.uaemex.mx
https://orcid.org/0000-0002-7174-0992
Centro Universitario UAEM Ecatepec
Universidad Autónoma del Estado de México
México
Esteban Jaime Camacho Ruiz
ejcamachor@uaemex.mx
https://orcid.org/0000-0003-2323-3889
Centro Universitario UAEM Nezahualcóyotl
Universidad Autónoma del Estado de México
México
Brenda Sarahi Cervantes Luna
bscervantesl@uaemex.mx
https://orcid.org/0000-0003-0561-5293
Centro Universitario UAEM Ecatepec
Universidad Autónoma del Estado de México
México
Mario Alejandro Muñoz Nájera
mamunozn@uaemex.mx
https://orcid.org/0000-0002-0027-3100
Centro Universitario UAEM Nezahualcóyotl
Universidad Autónoma del Estado de México
México
Georgina Leticia Alvarez Rayón
alvarezr@unam.mx
https://orcid.org/0000-0001-7106-7032
Facultad de Estudios Superiores Iztacala
Universidad Nacional Autónoma de México
México
RESUMEN
La autoeficacia para la investigación es un constructo que refleja la percepción de capacidad para
ejecutar con éxito las actividades involucradas en el proceso de investigación. Debido a su relevancia
en la formación científica, resulta necesario disponer de instrumentos que permitan la evaluación válida
y precisa de este constructo en diferentes grupos de estudiantes. El objetivo fue analizar la invarianza
factorial de la Escala de Autoeficacia para la Investigación entre estudiantes mexicanos de pregrado y
posgrado. La muestra final incluyó 466 estudiantes de pregrado y posgrado (295 mujeres y 171
hombres), de 18 a 66 años de edad (M = 27.27; DE = 8.37), inscritos en universidades públicas y
privadas pertenecientes a 27 entidades de México. Cuatro semanas después de la primera aplicación,
una submuestra de 50 participantes respondió nuevamente la escala. Los resultados de este estudio
indican que la EAI presenta una estructura multifactorial sólida para evaluar la autoeficacia
investigativa en estudiantes de pregrado y posgrado. Asimismo, el instrumento demuestra evidencia de
validez incremental, altos niveles de consistencia interna y adecuada estabilidad temporal, reforzando
su utilidad para la evaluación de este constructo.
Palabras clave: investigación; estudiante universitario; medición de invarianza; autoeficacia; análisis
estadístico.
1 Autor principal.
Correspondencia: ejcamachor@uaemex.mx
DOI: https://doi.org/10.37811/cl_rcm.v10i3.24554
Invarianza de la Escala de Autoeficacia para la Investigación en
Estudiantes Universitarios
Virginia Flores Perez1
vfloresp004@profesor.uaemex.mx
https://orcid.org/0000-0002-7174-0992
Centro Universitario UAEM Ecatepec
Universidad Autónoma del Estado de México
México
Esteban Jaime Camacho Ruiz
ejcamachor@uaemex.mx
https://orcid.org/0000-0003-2323-3889
Centro Universitario UAEM Nezahualcóyotl
Universidad Autónoma del Estado de México
México
Brenda Sarahi Cervantes Luna
bscervantesl@uaemex.mx
https://orcid.org/0000-0003-0561-5293
Centro Universitario UAEM Ecatepec
Universidad Autónoma del Estado de México
México
Mario Alejandro Muñoz Nájera
mamunozn@uaemex.mx
https://orcid.org/0000-0002-0027-3100
Centro Universitario UAEM Nezahualcóyotl
Universidad Autónoma del Estado de México
México
Georgina Leticia Alvarez Rayón
alvarezr@unam.mx
https://orcid.org/0000-0001-7106-7032
Facultad de Estudios Superiores Iztacala
Universidad Nacional Autónoma de México
México
RESUMEN
La autoeficacia para la investigación es un constructo que refleja la percepción de capacidad para
ejecutar con éxito las actividades involucradas en el proceso de investigación. Debido a su relevancia
en la formación científica, resulta necesario disponer de instrumentos que permitan la evaluación válida
y precisa de este constructo en diferentes grupos de estudiantes. El objetivo fue analizar la invarianza
factorial de la Escala de Autoeficacia para la Investigación entre estudiantes mexicanos de pregrado y
posgrado. La muestra final incluyó 466 estudiantes de pregrado y posgrado (295 mujeres y 171
hombres), de 18 a 66 años de edad (M = 27.27; DE = 8.37), inscritos en universidades públicas y
privadas pertenecientes a 27 entidades de México. Cuatro semanas después de la primera aplicación,
una submuestra de 50 participantes respondió nuevamente la escala. Los resultados de este estudio
indican que la EAI presenta una estructura multifactorial sólida para evaluar la autoeficacia
investigativa en estudiantes de pregrado y posgrado. Asimismo, el instrumento demuestra evidencia de
validez incremental, altos niveles de consistencia interna y adecuada estabilidad temporal, reforzando
su utilidad para la evaluación de este constructo.
Palabras clave: investigación; estudiante universitario; medición de invarianza; autoeficacia; análisis
estadístico.
1 Autor principal.
Correspondencia: ejcamachor@uaemex.mx
pág. 4905
Invariance of the Research Self-Efficacy Scale in university students
ABSTRACT
Research self-efficacy is a construct that reflects individuals' perceived capability to successfully
perform the activities involved in the research process. Given its importance in scientific training, it is
essential to have instruments that enable valid and accurate assessment of this construct across different
groups of students. This study aimed to analyze the factorial invariance of the Self-Efficacy for
Research Scale among Mexican undergraduate and graduate students. The final sample included 466
undergraduate and graduate students (295 women and 171 men), aged 18 to 66 years (M = 27.27; SD =
8.37), enrolled in public and private universities belonging to 27 states in Mexico. Four weeks after the
first administration, a subsample of 50 participants completed the scale again. The results of this study
indicate that the EAI presents a solid multifactorial structure to evaluate research self-efficacy in
undergraduate and graduate students. Likewise, the instrument demonstrates evidence of incremental
validity, high levels of internal consistency and adequate temporal stability, reinforcing its usefulness
for the evaluation of this construct.
Keywords: research; university students; measurement invariance; self-efficacy; statistical analysis
Artículo recibido 20 mayo 2026
Aceptado para publicación: 20 junio 2026
Invariance of the Research Self-Efficacy Scale in university students
ABSTRACT
Research self-efficacy is a construct that reflects individuals' perceived capability to successfully
perform the activities involved in the research process. Given its importance in scientific training, it is
essential to have instruments that enable valid and accurate assessment of this construct across different
groups of students. This study aimed to analyze the factorial invariance of the Self-Efficacy for
Research Scale among Mexican undergraduate and graduate students. The final sample included 466
undergraduate and graduate students (295 women and 171 men), aged 18 to 66 years (M = 27.27; SD =
8.37), enrolled in public and private universities belonging to 27 states in Mexico. Four weeks after the
first administration, a subsample of 50 participants completed the scale again. The results of this study
indicate that the EAI presents a solid multifactorial structure to evaluate research self-efficacy in
undergraduate and graduate students. Likewise, the instrument demonstrates evidence of incremental
validity, high levels of internal consistency and adequate temporal stability, reinforcing its usefulness
for the evaluation of this construct.
Keywords: research; university students; measurement invariance; self-efficacy; statistical analysis
Artículo recibido 20 mayo 2026
Aceptado para publicación: 20 junio 2026
pág. 4906
INTRODUCCIÓN
En las Instituciones de Educación Superior, la investigación constituye un pilar esencial, pues permite
la generación de conocimiento y la formación de profesionales capaces de enfrentar las problemáticas
sociales mediante el uso de evidencia científica (Gobierno de México, 2015; Teichler, 2010). En este
sentido, las universidades han impulsado políticas orientadas al desarrollo de competencias
investigativas como parte de la formación integral de los estudiantes, reconociendo que la participación
en proyectos de investigación favorece el aprendizaje autónomo, el pensamiento crítico y la innovación.
Sin embargo, dicho desarrollo no depende únicamente de conocimientos metodológicos y estadísticos,
sino también de condiciones institucionales y factores psicológicos que inciden en la motivación, el
compromiso y la perseverancia de los estudiantes (Gutiérrez-Torres, 2018; Sosa et al., 2026; Zúñiga &
Vargas, 2022).
Entre estos factores, la autoeficacia se ha identificado como una variable psicológica clave en el
desempeño académico y profesional (Gutiérrez-Torres, 2018). Desde la teoría sociocognitiva, Bandura
(1997) la definió como las creencias subjetivas que poseen los individuos acerca de sus capacidades
para organizar y ejecutar las acciones necesarias para alcanzar una meta. Aplicada al ámbito científico,
la autoeficacia para la investigación se concibe como un constructo multidimensional que alude a la
percepción que tiene una persona sobre su capacidad para realizar de manera satisfactoria las tareas
propias del proceso investigativo. Estas incluyen el planteamiento de problemas de investigación, la
revisión de la literatura científica, la selección de un diseño metodológico adecuado, el análisis de datos,
la interpretación de resultados y la redacción académica (Domínguez-Lara, 2017, 2019).
La evidencia científica indica que la autoeficacia para la investigación potencia la motivación, la
participación en proyectos y la productividad académica de los estudiantes, además de favorecer su
persistencia frente a las dificultades y el desarrollo de nuevas habilidades científicas (Merino, 2010;
Phillips & Russell, 1994; Yevilao, 2019). Asimismo, su influencia trasciende el ámbito estrictamente
académico y se relaciona con indicadores de bienestar psicológico (Gallagher, 2012). Bandura (1997)
sostiene que las creencias de autoeficacia influyen en la manera en que las personas perciben y afrontan
las demandas de su entorno, favoreciendo respuestas adaptativas frente a situaciones potencialmente
estresantes.
INTRODUCCIÓN
En las Instituciones de Educación Superior, la investigación constituye un pilar esencial, pues permite
la generación de conocimiento y la formación de profesionales capaces de enfrentar las problemáticas
sociales mediante el uso de evidencia científica (Gobierno de México, 2015; Teichler, 2010). En este
sentido, las universidades han impulsado políticas orientadas al desarrollo de competencias
investigativas como parte de la formación integral de los estudiantes, reconociendo que la participación
en proyectos de investigación favorece el aprendizaje autónomo, el pensamiento crítico y la innovación.
Sin embargo, dicho desarrollo no depende únicamente de conocimientos metodológicos y estadísticos,
sino también de condiciones institucionales y factores psicológicos que inciden en la motivación, el
compromiso y la perseverancia de los estudiantes (Gutiérrez-Torres, 2018; Sosa et al., 2026; Zúñiga &
Vargas, 2022).
Entre estos factores, la autoeficacia se ha identificado como una variable psicológica clave en el
desempeño académico y profesional (Gutiérrez-Torres, 2018). Desde la teoría sociocognitiva, Bandura
(1997) la definió como las creencias subjetivas que poseen los individuos acerca de sus capacidades
para organizar y ejecutar las acciones necesarias para alcanzar una meta. Aplicada al ámbito científico,
la autoeficacia para la investigación se concibe como un constructo multidimensional que alude a la
percepción que tiene una persona sobre su capacidad para realizar de manera satisfactoria las tareas
propias del proceso investigativo. Estas incluyen el planteamiento de problemas de investigación, la
revisión de la literatura científica, la selección de un diseño metodológico adecuado, el análisis de datos,
la interpretación de resultados y la redacción académica (Domínguez-Lara, 2017, 2019).
La evidencia científica indica que la autoeficacia para la investigación potencia la motivación, la
participación en proyectos y la productividad académica de los estudiantes, además de favorecer su
persistencia frente a las dificultades y el desarrollo de nuevas habilidades científicas (Merino, 2010;
Phillips & Russell, 1994; Yevilao, 2019). Asimismo, su influencia trasciende el ámbito estrictamente
académico y se relaciona con indicadores de bienestar psicológico (Gallagher, 2012). Bandura (1997)
sostiene que las creencias de autoeficacia influyen en la manera en que las personas perciben y afrontan
las demandas de su entorno, favoreciendo respuestas adaptativas frente a situaciones potencialmente
estresantes.
pág. 4907
En el contexto universitario, diversos estudios han mostrado que una alta autoeficacia se asocia con una
mejor adaptación académica, menores niveles de ansiedad y una mayor percepción de bienestar
psicológico (Brando-Garrido et al., 2020; Li et al., 2020; Ruiz, 2024; Trautner & Schwinger, 2020;
Wang et al., 2025; Yang et al., 2020; Yevilao, 2019).
Debido a las múltiples implicaciones académicas y psicológicas de la autoeficacia en la investigación,
resulta indispensable contar con instrumentos válidos y confiables que permitan su adecuada
evaluación. No obstante, la mayoría de las medidas psicométricas disponibles han sido diseñadas en
contextos anglosajones y dirigidas principalmente a estudiantes de posgrado, lo que limita su
aplicabilidad en otros escenarios. Así mismo, las inconsistencias reportadas en sus estructuras
factoriales evidencian la necesidad de continuar fortaleciendo las evidencias de validez y confiabilidad
de estos instrumentos (Domínguez-Lara, 2017; Forester et al., 2004; González-Rivera et al., 2022;
Phillips & Russell, 1994).
En el contexto latinoamericano, Domínguez-Lara (2017) desarrolló la Escala de Autoeficacia para la
Investigación (EAI), dirigida a estudiantes universitarios de habla hispana y fundamentada en
competencias esenciales del proceso investigativo, como la gestión de información científica, la
capacidad de análisis y síntesis, la redacción académica, la interpretación de resultados y las
consideraciones éticas de la investigación. La EAI responde a las características formativas de los
estudiantes universitarios latinoamericanos y presenta evidencias favorables de validez basadas en el
contenido de sus ítems. De manera complementaria, González-Rivera et al. (2022) aportaron evidencia
sobre su estructura interna y su utilidad en diferentes poblaciones académicas, consolidándola como
una herramienta pertinente para la evaluación de la autoeficacia para la investigación en este contexto.
La evidencia psicométrica de un instrumento no debe restringirse al análisis de su estructura interna o
confiabilidad. Un aspecto clave es la invarianza de medición, que asegura la evaluación equivalente del
constructo en distintos grupos (Putnick & Bornstein, 2016). Sin esta evidencia, las comparaciones
pueden generar conclusiones erróneas sobre la autoeficacia en investigación. Aunque la EAI se aplica
cada vez más en contextos universitarios (Santa-Cruz et al., 2024), aún no se dispone de pruebas sobre
su invarianza factorial.
En el contexto universitario, diversos estudios han mostrado que una alta autoeficacia se asocia con una
mejor adaptación académica, menores niveles de ansiedad y una mayor percepción de bienestar
psicológico (Brando-Garrido et al., 2020; Li et al., 2020; Ruiz, 2024; Trautner & Schwinger, 2020;
Wang et al., 2025; Yang et al., 2020; Yevilao, 2019).
Debido a las múltiples implicaciones académicas y psicológicas de la autoeficacia en la investigación,
resulta indispensable contar con instrumentos válidos y confiables que permitan su adecuada
evaluación. No obstante, la mayoría de las medidas psicométricas disponibles han sido diseñadas en
contextos anglosajones y dirigidas principalmente a estudiantes de posgrado, lo que limita su
aplicabilidad en otros escenarios. Así mismo, las inconsistencias reportadas en sus estructuras
factoriales evidencian la necesidad de continuar fortaleciendo las evidencias de validez y confiabilidad
de estos instrumentos (Domínguez-Lara, 2017; Forester et al., 2004; González-Rivera et al., 2022;
Phillips & Russell, 1994).
En el contexto latinoamericano, Domínguez-Lara (2017) desarrolló la Escala de Autoeficacia para la
Investigación (EAI), dirigida a estudiantes universitarios de habla hispana y fundamentada en
competencias esenciales del proceso investigativo, como la gestión de información científica, la
capacidad de análisis y síntesis, la redacción académica, la interpretación de resultados y las
consideraciones éticas de la investigación. La EAI responde a las características formativas de los
estudiantes universitarios latinoamericanos y presenta evidencias favorables de validez basadas en el
contenido de sus ítems. De manera complementaria, González-Rivera et al. (2022) aportaron evidencia
sobre su estructura interna y su utilidad en diferentes poblaciones académicas, consolidándola como
una herramienta pertinente para la evaluación de la autoeficacia para la investigación en este contexto.
La evidencia psicométrica de un instrumento no debe restringirse al análisis de su estructura interna o
confiabilidad. Un aspecto clave es la invarianza de medición, que asegura la evaluación equivalente del
constructo en distintos grupos (Putnick & Bornstein, 2016). Sin esta evidencia, las comparaciones
pueden generar conclusiones erróneas sobre la autoeficacia en investigación. Aunque la EAI se aplica
cada vez más en contextos universitarios (Santa-Cruz et al., 2024), aún no se dispone de pruebas sobre
su invarianza factorial.
pág. 4908
Por consiguiente, este estudio tuvo como objetivo analizar la invarianza factorial de la Escala de
Autoeficacia para la Investigación entre estudiantes mexicanos de pregrado y posgrado.
METODOLOGÍA
Diseño de investigación
Este estudio es de índole instrumental, ya que se enfocó en el análisis de las propiedades psicométricas
de un instrumento de medición (Ato et al., 2013).
Participantes
La muestra estuvo conformada por 535 estudiantes de pregrado y posgrado (334 mujeres y 201
hombres), de 18 a 66 años de edad (M = 26.90, DE = 8.11), inscritos en universidades públicas (79.8%)
y privadas (20.2%), radicadas en las cinco regiones geográficas de México, siendo: Centro (Ciudad de
México, Estado de México, Guerrero, Hidalgo, Morelos, Puebla y Tlaxcala,), Noroeste (Baja California
Sur, Chihuahua y Sonora), Noreste (Coahuila, Durango, Nuevo León, San Luis Potosí y Tamaulipas),
Occidente (Aguascalientes, Guanajuato, Jalisco, Michoacán, Nayarit y Querétaro), y Sureste (Chiapas,
Oaxaca, Quintana Roo, Tabasco, Veracruz y Yucatán). Cuatro semanas después de la primera aplicación,
una submuestra de 50 participantes respondió nuevamente la escala.
Instrumentos
Cuestionario de datos generales. Se diseñó un cuestionario para obtener datos sobre edad, sexo, estado
civil, entidad, institución educativa, área de conocimiento, nivel y programa académico, así como
interés y experiencia en investigación.
Escala de Autoeficacia para la Investigación (EAI, Domínguez-Lara, 2017). Consta de 26 ítems en
escala tipo Likert con 10 opciones de respuesta (desde 1 = no puedo hacerlo hasta 10 = seguro puedo
hacerlo), que valoran cinco competencias de investigación: Gestión informacional, Capacidad de
análisis y síntesis, Redacción científica, Análisis de datos e interpretación de resultados y Aspectos
éticos, donde el estudiante menciona que tan capaz se siente de poder realizar estas competencias. Así
mismo, la EAI tiene un ítem adicional que puede usarse para correlacionar y/o contrastar con la
puntuación global.
Por consiguiente, este estudio tuvo como objetivo analizar la invarianza factorial de la Escala de
Autoeficacia para la Investigación entre estudiantes mexicanos de pregrado y posgrado.
METODOLOGÍA
Diseño de investigación
Este estudio es de índole instrumental, ya que se enfocó en el análisis de las propiedades psicométricas
de un instrumento de medición (Ato et al., 2013).
Participantes
La muestra estuvo conformada por 535 estudiantes de pregrado y posgrado (334 mujeres y 201
hombres), de 18 a 66 años de edad (M = 26.90, DE = 8.11), inscritos en universidades públicas (79.8%)
y privadas (20.2%), radicadas en las cinco regiones geográficas de México, siendo: Centro (Ciudad de
México, Estado de México, Guerrero, Hidalgo, Morelos, Puebla y Tlaxcala,), Noroeste (Baja California
Sur, Chihuahua y Sonora), Noreste (Coahuila, Durango, Nuevo León, San Luis Potosí y Tamaulipas),
Occidente (Aguascalientes, Guanajuato, Jalisco, Michoacán, Nayarit y Querétaro), y Sureste (Chiapas,
Oaxaca, Quintana Roo, Tabasco, Veracruz y Yucatán). Cuatro semanas después de la primera aplicación,
una submuestra de 50 participantes respondió nuevamente la escala.
Instrumentos
Cuestionario de datos generales. Se diseñó un cuestionario para obtener datos sobre edad, sexo, estado
civil, entidad, institución educativa, área de conocimiento, nivel y programa académico, así como
interés y experiencia en investigación.
Escala de Autoeficacia para la Investigación (EAI, Domínguez-Lara, 2017). Consta de 26 ítems en
escala tipo Likert con 10 opciones de respuesta (desde 1 = no puedo hacerlo hasta 10 = seguro puedo
hacerlo), que valoran cinco competencias de investigación: Gestión informacional, Capacidad de
análisis y síntesis, Redacción científica, Análisis de datos e interpretación de resultados y Aspectos
éticos, donde el estudiante menciona que tan capaz se siente de poder realizar estas competencias. Así
mismo, la EAI tiene un ítem adicional que puede usarse para correlacionar y/o contrastar con la
puntuación global.
pág. 4909
Aspectos éticos
Esta investigación se ajustó a los principios éticos enmarcados en la Declaración de Helsinki
(Asociación Médica Mundial, 2024), además de lo establecido en la Ley General de Salud, en el título
quinto sobre investigación para la salud (Cámara de Diputados del H. Congreso de la Unión, 2024), y
en el Reglamento de la Ley General de Salud en Materia de Investigación para la Salud (RLGSMIS,
Cámara de Diputados del H. Congreso de la Unión, 2024). Adicionalmente, de acuerdo con Domínguez-
Lara (2017), la utilización de esta escala no conlleva ningún riesgo/consecuencia para la salud de los
participantes.
Procedimiento
Se solicitó la autorización de Domínguez-Lara (comunicación personal, 13 de septiembre de 2022) para
utilizar la EAI. A pesar de que la EAI se encuentra escrita en español, se realizó una revisión lingüística
para garantizar su correcta adaptación cultural antes de su implementación en México (Lira &
Caballero, 2020). Posteriormente, se consiguió la autorización de diversas instituciones educativas de
nivel superior para difundir esta investigación a través de redes sociales. Los participantes otorgaron su
consentimiento informado después de recibir información detallada sobre los objetivos y
procedimientos de la investigación. Posteriormente, respondieron los instrumentos de manera virtual a
través de la plataforma Google Forms®, entre el 18 de abril de 2023 y el 2 de abril de 2024.
Análisis de datos
Se utilizó el software IBM SPSS versión 22 para identificar los casos atípicos multivariados, a través
de la prueba de distancia de Mahalanobis (D²), con un nivel de significancia de p < .05 (Tabachnick &
Fidell, 2013).
Posteriormente, con el software FACTOR versión 12.06.09 (Ferrando & Lorenzo-Seva, 2017), se llevó
a cabo el análisis de normalidad multivariada, mediante el coeficiente de Mardia (1970).
Consecutivamente, se usó el software MPlus versión 9 (Muthén & Muthén, 2025) para efectuar el
análisis factorial confirmatorio. Con el fin de analizar la adecuación de los datos, se emplearon los
indicadores de ajuste absoluto: a) el índice Satorra-Bentler de chi cuadrada escalada por grados de
libertad, y b) el SRMR, que representa el promedio estandarizado de los residuos cuadráticos.
Aspectos éticos
Esta investigación se ajustó a los principios éticos enmarcados en la Declaración de Helsinki
(Asociación Médica Mundial, 2024), además de lo establecido en la Ley General de Salud, en el título
quinto sobre investigación para la salud (Cámara de Diputados del H. Congreso de la Unión, 2024), y
en el Reglamento de la Ley General de Salud en Materia de Investigación para la Salud (RLGSMIS,
Cámara de Diputados del H. Congreso de la Unión, 2024). Adicionalmente, de acuerdo con Domínguez-
Lara (2017), la utilización de esta escala no conlleva ningún riesgo/consecuencia para la salud de los
participantes.
Procedimiento
Se solicitó la autorización de Domínguez-Lara (comunicación personal, 13 de septiembre de 2022) para
utilizar la EAI. A pesar de que la EAI se encuentra escrita en español, se realizó una revisión lingüística
para garantizar su correcta adaptación cultural antes de su implementación en México (Lira &
Caballero, 2020). Posteriormente, se consiguió la autorización de diversas instituciones educativas de
nivel superior para difundir esta investigación a través de redes sociales. Los participantes otorgaron su
consentimiento informado después de recibir información detallada sobre los objetivos y
procedimientos de la investigación. Posteriormente, respondieron los instrumentos de manera virtual a
través de la plataforma Google Forms®, entre el 18 de abril de 2023 y el 2 de abril de 2024.
Análisis de datos
Se utilizó el software IBM SPSS versión 22 para identificar los casos atípicos multivariados, a través
de la prueba de distancia de Mahalanobis (D²), con un nivel de significancia de p < .05 (Tabachnick &
Fidell, 2013).
Posteriormente, con el software FACTOR versión 12.06.09 (Ferrando & Lorenzo-Seva, 2017), se llevó
a cabo el análisis de normalidad multivariada, mediante el coeficiente de Mardia (1970).
Consecutivamente, se usó el software MPlus versión 9 (Muthén & Muthén, 2025) para efectuar el
análisis factorial confirmatorio. Con el fin de analizar la adecuación de los datos, se emplearon los
indicadores de ajuste absoluto: a) el índice Satorra-Bentler de chi cuadrada escalada por grados de
libertad, y b) el SRMR, que representa el promedio estandarizado de los residuos cuadráticos.
pág. 4910
De igual manera, se consideraron los índices de ajuste comparativo: el índice de ajuste comparativo
(CFI), el índice Tucker-Lewis (TLI), y como medida de parsimonia, el error de aproximación de la raíz
cuadrada promedio (RMSEA). Para determinar si el modelo presenta un ajuste adecuado, valores por
debajo de 2 en el índice S-B χ²/df indican un ajuste óptimo del modelo, y aquellos entre 2 y 3 se
consideran dentro de un rango aceptable (Schermelleh-Engel et al., 2003). Para SRMR valores
inferiores a .05 son indicativos de un ajuste aceptable (Hu & Bentler, 1999). De acuerdo con Hu y
Bentler (1999) el CFI y TLI deben tener un valor > .95 para interpretarlo como un buen ajuste. Para
Browne y Cudeck (1992) valores entre .05 y .08 se consideran como un ajuste adecuado para el
RMSEA. El análisis de invarianza contempló la examinación la invarianza configural, métrica, escalar
y residual (también conocida como estricta). Por lo que para valorar los modelos incrementales entre
cada nivel, se retomaron los criterios propuestos por Cheung y Rensvold (2002), que incluyen: ΔS-B
χ²/df, ΔRMSEA inferior a .015, ΔCFI menor a .01 y ΔTLI menor a .01.
Para evaluar la consistencia interna de la EAI se utilizó el coeficiente Omega (ω) de McDonald (1999)
usando el software FACTOR versión 12.06.09 (Ferrando & Lorenzo-Seva, 2017), ya que este
coeficiente trabaja a partir de las cargas factoriales, lo que disminuye el riesgo de sobreestimar la
confiabilidad; además, no está condicionado por la cantidad de ítems y resulta aplicable en el análisis
de variables continuas. De acuerdo con Cicchetti (1994) los valores de ω se interpretan de la siguiente
manera: menor a .70 inaceptable, entre .70 y .79 justo, de .80 a .89 bueno y mayor a .90 excelente.
Finalmente, se empleó el coeficiente de correlación de Pearson (r) para analizar la estabilidad temporal.
Los valores de r se entienden de la siguiente manera: de .20 a .39 es bajo, de .40 a .69 es moderado, de
.70 a .89 es alto y de .90 a 1.00 es muy alto (Guilford, 1956). Para el Coeficiente de Correlación
Intraclase (ICC) los valores se interpretan de la forma: <.40 es pobre, de .40 a .59 es suficiente, de .60
a .74 es bueno y >.75 a 1 es excelente (Liljequist et al., 2019; Martínez & Pérez, 2023).
RESULTADOS
Análisis preliminar
La muestra inicial estaba conformada por 535 estudiantes de pre y posgrado, sin embargo, después de
examinar los datos con la prueba de distancia de Mahalanobis (Tabachnick & Fidell, 2013), se
identificaron y eliminaron 69 casos atípicos.
De igual manera, se consideraron los índices de ajuste comparativo: el índice de ajuste comparativo
(CFI), el índice Tucker-Lewis (TLI), y como medida de parsimonia, el error de aproximación de la raíz
cuadrada promedio (RMSEA). Para determinar si el modelo presenta un ajuste adecuado, valores por
debajo de 2 en el índice S-B χ²/df indican un ajuste óptimo del modelo, y aquellos entre 2 y 3 se
consideran dentro de un rango aceptable (Schermelleh-Engel et al., 2003). Para SRMR valores
inferiores a .05 son indicativos de un ajuste aceptable (Hu & Bentler, 1999). De acuerdo con Hu y
Bentler (1999) el CFI y TLI deben tener un valor > .95 para interpretarlo como un buen ajuste. Para
Browne y Cudeck (1992) valores entre .05 y .08 se consideran como un ajuste adecuado para el
RMSEA. El análisis de invarianza contempló la examinación la invarianza configural, métrica, escalar
y residual (también conocida como estricta). Por lo que para valorar los modelos incrementales entre
cada nivel, se retomaron los criterios propuestos por Cheung y Rensvold (2002), que incluyen: ΔS-B
χ²/df, ΔRMSEA inferior a .015, ΔCFI menor a .01 y ΔTLI menor a .01.
Para evaluar la consistencia interna de la EAI se utilizó el coeficiente Omega (ω) de McDonald (1999)
usando el software FACTOR versión 12.06.09 (Ferrando & Lorenzo-Seva, 2017), ya que este
coeficiente trabaja a partir de las cargas factoriales, lo que disminuye el riesgo de sobreestimar la
confiabilidad; además, no está condicionado por la cantidad de ítems y resulta aplicable en el análisis
de variables continuas. De acuerdo con Cicchetti (1994) los valores de ω se interpretan de la siguiente
manera: menor a .70 inaceptable, entre .70 y .79 justo, de .80 a .89 bueno y mayor a .90 excelente.
Finalmente, se empleó el coeficiente de correlación de Pearson (r) para analizar la estabilidad temporal.
Los valores de r se entienden de la siguiente manera: de .20 a .39 es bajo, de .40 a .69 es moderado, de
.70 a .89 es alto y de .90 a 1.00 es muy alto (Guilford, 1956). Para el Coeficiente de Correlación
Intraclase (ICC) los valores se interpretan de la forma: <.40 es pobre, de .40 a .59 es suficiente, de .60
a .74 es bueno y >.75 a 1 es excelente (Liljequist et al., 2019; Martínez & Pérez, 2023).
RESULTADOS
Análisis preliminar
La muestra inicial estaba conformada por 535 estudiantes de pre y posgrado, sin embargo, después de
examinar los datos con la prueba de distancia de Mahalanobis (Tabachnick & Fidell, 2013), se
identificaron y eliminaron 69 casos atípicos.
pág. 4911
La prueba de normalidad multivariada demostró que los datos no se distribuyen con normalidad
(asimetría = 117.94, curtosis = 1071.67, p < 0.000); en consecuencia, para llevar a cabo el análisis
subsecuente, se empleó el método de estimación robusto MLR.
Análisis Factorial Confirmatorio (AFC)
A través del AFC se evaluó el ajuste de dos modelos: modelo unidimensional (González-Rivera et al.,
2022) y el modelo de cuatro factores (Domínguez-Lara, 2017; F1 = ítems 1-3; F2 = ítems 4-12; F3 =
ítems 13-20; F4 = ítems 21-25). En la Tabla 1 se muestran los índices de bondad de ajuste que fueron
más adecuados para el modelo de cuatro factores, por lo que para evaluar la invarianza se utilizó este
modelo.
Tabla 1 Índices de bondad y ajuste para la EAI
Modelos χ2/SCF df S-
Bχ2/df p
RMSEA
(C.I.) SRMR CFI TLI
AFC cuatro factores
(n = 466)
551.500 269 2.051 .0000 .062
(.057-.068)
.026 .960 .955
AFC unidimensional
(n = 466)
1069.639 275 3.889 .0000 .097
(.092-.102)
.037 .901 .892
Nota. χ2 = Chi cuadrada; SCF = factor de corrección de escala para MLR; df = grados de libertad; p = significancia; RMSEA
= error cuadrático medio de aproximación; C.I. = intervalo de confianza; SRMR = residuo cuadrático medio estandarizado;
CFI = índice de ajuste comparativo; TLI = índice Tucker-Lewis.
Análisis de invarianza por sexo
Se analizó el modelo de cuatro factores para mujeres y hombres (Tabla 2). El ajuste del modelo fue
óptimo tanto para hombres como mujeres. El modelo reveló un ajuste aceptable en la evaluación de la
invarianza configural. También, los datos observados en los índices CFI, TLI y RMSEA sostienen que
la EAI mantiene su invarianza acorde al sexo, lo que permite utilizar la escala de manera equitativa en
hombres y mujeres.
Análisis de invarianza por nivel académico
Para evaluar la invarianza por nivel académico, se dividió la muestra en dos categorías: pregrado y
posgrado. En la Tabla 2, se refleja que el modelo de cuatro factores tuvo buen ajuste para ambas
categorías.
La prueba de normalidad multivariada demostró que los datos no se distribuyen con normalidad
(asimetría = 117.94, curtosis = 1071.67, p < 0.000); en consecuencia, para llevar a cabo el análisis
subsecuente, se empleó el método de estimación robusto MLR.
Análisis Factorial Confirmatorio (AFC)
A través del AFC se evaluó el ajuste de dos modelos: modelo unidimensional (González-Rivera et al.,
2022) y el modelo de cuatro factores (Domínguez-Lara, 2017; F1 = ítems 1-3; F2 = ítems 4-12; F3 =
ítems 13-20; F4 = ítems 21-25). En la Tabla 1 se muestran los índices de bondad de ajuste que fueron
más adecuados para el modelo de cuatro factores, por lo que para evaluar la invarianza se utilizó este
modelo.
Tabla 1 Índices de bondad y ajuste para la EAI
Modelos χ2/SCF df S-
Bχ2/df p
RMSEA
(C.I.) SRMR CFI TLI
AFC cuatro factores
(n = 466)
551.500 269 2.051 .0000 .062
(.057-.068)
.026 .960 .955
AFC unidimensional
(n = 466)
1069.639 275 3.889 .0000 .097
(.092-.102)
.037 .901 .892
Nota. χ2 = Chi cuadrada; SCF = factor de corrección de escala para MLR; df = grados de libertad; p = significancia; RMSEA
= error cuadrático medio de aproximación; C.I. = intervalo de confianza; SRMR = residuo cuadrático medio estandarizado;
CFI = índice de ajuste comparativo; TLI = índice Tucker-Lewis.
Análisis de invarianza por sexo
Se analizó el modelo de cuatro factores para mujeres y hombres (Tabla 2). El ajuste del modelo fue
óptimo tanto para hombres como mujeres. El modelo reveló un ajuste aceptable en la evaluación de la
invarianza configural. También, los datos observados en los índices CFI, TLI y RMSEA sostienen que
la EAI mantiene su invarianza acorde al sexo, lo que permite utilizar la escala de manera equitativa en
hombres y mujeres.
Análisis de invarianza por nivel académico
Para evaluar la invarianza por nivel académico, se dividió la muestra en dos categorías: pregrado y
posgrado. En la Tabla 2, se refleja que el modelo de cuatro factores tuvo buen ajuste para ambas
categorías.