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.
pág. 4912
Así mismo, los cambios entre ΔRMSEA, ΔCFI y ΔTLI están dentro de los valores sugeridos por Cheung
y Rensvold (2002), por lo que la EAI puede aplicarse independientemente del nivel académico.
Análisis de invarianza por área del conocimiento
La muestra fue segmentada en dos grupos conforme a su área del conocimiento: ciencias exactas, y
humanidades y ciencias sociales.
El modelo analizado presentó indicadores de bondad de ajuste satisfactorios, lo que permitió avanzar
con el análisis de invarianza. Los resultados se ubicaron dentro de los valores establecidos (Cheung &
Rensvold, 2002), lo cual respalda la aplicabilidad de la EAI, sin que el área del conocimiento constituya
una limitante (Tabla 2).
Análisis de invarianza por experiencia en la investigación
Tras clasificar a los participantes según su experiencia en el ámbito de la investigación, los resultados
indicaron que el modelo de cuatro factores presentó índices de bondad de ajuste adecuados, lo que
permitió proceder al análisis de invarianza. Los datos obtenidos respaldan que la EAI puede aplicarse
de manera consistente, independientemente de si las personas cuentan o no con experiencia
investigativa (Tabla 2).
Análisis de invarianza por formación de la universidad
Uno de los aspectos clave considerados en la evaluación fue indagar si los participantes percibían que
la universidad los estaba formando en el ámbito de la investigación. El modelo de cuatro factores mostró
índices de ajuste aceptables, lo que permitió realizar el análisis de invarianza. Los resultados sugieren
que el instrumento puede aplicarse de manera estable, independientemente de si la institución está
formando o no a los estudiantes en competencias investigativas (Tabla 2).
Consistencia interna
La EAI global tuvo una excelente consistencia interna (ω = .98), para mujeres y hombres (ω = .98 y
.98, respectivamente), y para las competencias gestión informacional (ω = .95), capacidad de análisis y
síntesis (ω = .97), redacción científica (ω = .97), y análisis de datos e interpretación de resultados (ω =
.95).
Así mismo, los cambios entre ΔRMSEA, ΔCFI y ΔTLI están dentro de los valores sugeridos por Cheung
y Rensvold (2002), por lo que la EAI puede aplicarse independientemente del nivel académico.
Análisis de invarianza por área del conocimiento
La muestra fue segmentada en dos grupos conforme a su área del conocimiento: ciencias exactas, y
humanidades y ciencias sociales.
El modelo analizado presentó indicadores de bondad de ajuste satisfactorios, lo que permitió avanzar
con el análisis de invarianza. Los resultados se ubicaron dentro de los valores establecidos (Cheung &
Rensvold, 2002), lo cual respalda la aplicabilidad de la EAI, sin que el área del conocimiento constituya
una limitante (Tabla 2).
Análisis de invarianza por experiencia en la investigación
Tras clasificar a los participantes según su experiencia en el ámbito de la investigación, los resultados
indicaron que el modelo de cuatro factores presentó índices de bondad de ajuste adecuados, lo que
permitió proceder al análisis de invarianza. Los datos obtenidos respaldan que la EAI puede aplicarse
de manera consistente, independientemente de si las personas cuentan o no con experiencia
investigativa (Tabla 2).
Análisis de invarianza por formación de la universidad
Uno de los aspectos clave considerados en la evaluación fue indagar si los participantes percibían que
la universidad los estaba formando en el ámbito de la investigación. El modelo de cuatro factores mostró
índices de ajuste aceptables, lo que permitió realizar el análisis de invarianza. Los resultados sugieren
que el instrumento puede aplicarse de manera estable, independientemente de si la institución está
formando o no a los estudiantes en competencias investigativas (Tabla 2).
Consistencia interna
La EAI global tuvo una excelente consistencia interna (ω = .98), para mujeres y hombres (ω = .98 y
.98, respectivamente), y para las competencias gestión informacional (ω = .95), capacidad de análisis y
síntesis (ω = .97), redacción científica (ω = .97), y análisis de datos e interpretación de resultados (ω =
.95).
pág. 4913
Análisis de estabilidad temporal
El análisis de estabilidad temporal mostró correlaciones de Pearson significativas y de magnitud
moderada: de .71 para la puntuación global de la EAI, de .61 para la gestión informacional, de .67 para
la capacidad de análisis y síntesis, de .62 para la redacción científica, y de .72 para análisis de datos e
interpretación de resultados.
Los valores de ICC fueron de .81 para la muestra total (n = 50, 95%, CI = .68-.90 , p = .000), de .75
para la gestión informacional (95%, CI = .56-.86, p = .000), de .79 para la capacidad de análisis y
síntesis (95%, CI = .63-.88, p = .000), de .76 para la redacción científica (95%, CI = .58-.86, p = .000)
y de .83 para análisis de datos e interpretación de resultados (95%, CI = .70-.90, p = .000).
Análisis de estabilidad temporal
El análisis de estabilidad temporal mostró correlaciones de Pearson significativas y de magnitud
moderada: de .71 para la puntuación global de la EAI, de .61 para la gestión informacional, de .67 para
la capacidad de análisis y síntesis, de .62 para la redacción científica, y de .72 para análisis de datos e
interpretación de resultados.
Los valores de ICC fueron de .81 para la muestra total (n = 50, 95%, CI = .68-.90 , p = .000), de .75
para la gestión informacional (95%, CI = .56-.86, p = .000), de .79 para la capacidad de análisis y
síntesis (95%, CI = .63-.88, p = .000), de .76 para la redacción científica (95%, CI = .58-.86, p = .000)
y de .83 para análisis de datos e interpretación de resultados (95%, CI = .70-.90, p = .000).
pág. 4914
Tabla 2. Invarianza de la EAI
Modelos χ2/SCF df S-Bχ2/df p RMSEA
(C.I.)
SRMR CFI TLI Δ
χ2//SC F df RMSEA CFI TLI
Por sexo (n = 466)
Mujeres (n = 295) 485.813 269 1.7056 .0000 .070
(.063-.077)
.030 .951 .945
Hombres (n = 171) 356.868 269 1.326 .0000 .065
(.055-.075)
.027 .958 .953
Invarianza configural 848.368 538 1.576 .0000 .068
(.063-.074)
.029 .953 .948
Invarianza métrica 886.260 559 1.585 .0000 .068
(.063-.074)
.043 .952 .949 -37.892 -21 0 -.001 -.001
Invarianza escalar 913.427 580 1.574 .0000 .067
(.062-.072)
.044 .952 .950 -27.167 -21 .001 0 -.001
Por nivel académico (n = 466)
Pregrado (n = 297) 418.843 269 1.557 .0000 .062
(.055-.069)
.025 .961 .956
Posgrado (n = 169) 454.773 269 1.690 .0000 .083
(.074-.092)
.055 .905 .895
Invarianza configural 872.206 538 1.621 .0000 .070
(.065-.076)
.039 .945 .938
Invarianza métrica 901.800 559 1.613 .0000 .070
(.064-.075)
.051 .944 .939 -29.594 -21 0 .001 -.001
Invarianza escalar 948.380 580 1.635 .0000 .070
(.065-.075)
.054 .941 .939 -46.58 -21 0 .003 0
Por área del conocimiento (n = 466)
Ciencias exactas (n = 144) 335.507 269 1.247 .0000 .068
(.057-.079)
.033 .952 .947
Humanidades y ciencias
sociales (n = 322)
534.244 269 1.986 .0000 .071
(.065-.077)
.027 .950 .945
Invarianza configural 866.371 538 1.610 .0000 .070
(.065-.076)
.029 .951 .945
Tabla 2. Invarianza de la EAI
Modelos χ2/SCF df S-Bχ2/df p RMSEA
(C.I.)
SRMR CFI TLI Δ
χ2//SC F df RMSEA CFI TLI
Por sexo (n = 466)
Mujeres (n = 295) 485.813 269 1.7056 .0000 .070
(.063-.077)
.030 .951 .945
Hombres (n = 171) 356.868 269 1.326 .0000 .065
(.055-.075)
.027 .958 .953
Invarianza configural 848.368 538 1.576 .0000 .068
(.063-.074)
.029 .953 .948
Invarianza métrica 886.260 559 1.585 .0000 .068
(.063-.074)
.043 .952 .949 -37.892 -21 0 -.001 -.001
Invarianza escalar 913.427 580 1.574 .0000 .067
(.062-.072)
.044 .952 .950 -27.167 -21 .001 0 -.001
Por nivel académico (n = 466)
Pregrado (n = 297) 418.843 269 1.557 .0000 .062
(.055-.069)
.025 .961 .956
Posgrado (n = 169) 454.773 269 1.690 .0000 .083
(.074-.092)
.055 .905 .895
Invarianza configural 872.206 538 1.621 .0000 .070
(.065-.076)
.039 .945 .938
Invarianza métrica 901.800 559 1.613 .0000 .070
(.064-.075)
.051 .944 .939 -29.594 -21 0 .001 -.001
Invarianza escalar 948.380 580 1.635 .0000 .070
(.065-.075)
.054 .941 .939 -46.58 -21 0 .003 0
Por área del conocimiento (n = 466)
Ciencias exactas (n = 144) 335.507 269 1.247 .0000 .068
(.057-.079)
.033 .952 .947
Humanidades y ciencias
sociales (n = 322)
534.244 269 1.986 .0000 .071
(.065-.077)
.027 .950 .945
Invarianza configural 866.371 538 1.610 .0000 .070
(.065-.076)
.029 .951 .945
pág. 4915
Invarianza métrica 906.744 559 1.622 .0000 .070
(.065-.075)
.042 .949 .945 -40.373 -21 0 .002 0
Invarianza escalar 932.210 580 1.607 .0000 .069
(.063-.074)
.042 .949 .947 -25.466 -21 .001 0 -.002
Por experiencia en la investigación (n = 466)
Sí (n = 291) 515.837 269 1.917 .0000 .073
(.066-.080)
.036 .939 .932
No (n = 175) 307.908 269 1.144 .0000 .054
(.043-.065)
.027 .970 .966
Invarianza configural 824.567 538 1.532 .0000 .067
(.061-.072)
.033 .951 .946
Invarianza métrica 855.213 559 1.529 .0000 .066
(.060-.071)
.039 .951 .947 -30.646 -21 .001 0 -.001
Invarianza escalar 886.928 580 1.529 .0000 .065
(.060-.071)
.040 .949 .948 -31.715 -21 .001 .002 -.001
Por formación de la universidad (n = 466)
Sí (n = 371) 465.774 269 1.731 .0000 .062
(.056-.068)
.026 .960 .956
No (n = 95) 376.082 269 1.398 .0000 .082
(.068-.096)
.042 .934 .927
Invarianza configural 863.586 538 1.605 .0000 .068
(.062-.073)
.030 .956 .951
Invarianza métrica 894.377 559 1.599 .0000 .066
(.061-.072)
.037 .955 .952 -30.791 -21 .002 .001 -.001
Invarianza escalar 926.099 580 1.596 .0000 .066
(.060-.071)
.038 .954 .953 -31.722 -21 0 .001 -.001
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, Δ = valor incremental.
Invarianza métrica 906.744 559 1.622 .0000 .070
(.065-.075)
.042 .949 .945 -40.373 -21 0 .002 0
Invarianza escalar 932.210 580 1.607 .0000 .069
(.063-.074)
.042 .949 .947 -25.466 -21 .001 0 -.002
Por experiencia en la investigación (n = 466)
Sí (n = 291) 515.837 269 1.917 .0000 .073
(.066-.080)
.036 .939 .932
No (n = 175) 307.908 269 1.144 .0000 .054
(.043-.065)
.027 .970 .966
Invarianza configural 824.567 538 1.532 .0000 .067
(.061-.072)
.033 .951 .946
Invarianza métrica 855.213 559 1.529 .0000 .066
(.060-.071)
.039 .951 .947 -30.646 -21 .001 0 -.001
Invarianza escalar 886.928 580 1.529 .0000 .065
(.060-.071)
.040 .949 .948 -31.715 -21 .001 .002 -.001
Por formación de la universidad (n = 466)
Sí (n = 371) 465.774 269 1.731 .0000 .062
(.056-.068)
.026 .960 .956
No (n = 95) 376.082 269 1.398 .0000 .082
(.068-.096)
.042 .934 .927
Invarianza configural 863.586 538 1.605 .0000 .068
(.062-.073)
.030 .956 .951
Invarianza métrica 894.377 559 1.599 .0000 .066
(.061-.072)
.037 .955 .952 -30.791 -21 .002 .001 -.001
Invarianza escalar 926.099 580 1.596 .0000 .066
(.060-.071)
.038 .954 .953 -31.722 -21 0 .001 -.001
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, Δ = valor incremental.
pág. 4916
Autoeficacia para la investigación
En la Tabla 3, se observa que el 72.3% de los participantes tienen una alta autoeficacia para la
investigación, lo cual refleja que la mayoría de los estudiantes tiene una fuerte confianza en sus
capacidades para desempeñar adecuadamente las tareas y procesos vinculados con la labor investigativa
a nivel académico.
Tabla 3 Nivel de autoeficacia para la investigación
Nivel de autoeficacia Escala n %
Autoeficacia baja 26-120 17 3.6
Autoeficacia media 121-190 108 23.2
Autoeficacia alta 191-260 341 73.2
Total 466 100.0
Nota. n = muestra; % = porcentaje.
De acuerdo con la prueba t student para muestras independientes se evidenció que existen diferencias
estadísticamente significativas entre hombres y mujeres en la puntuación total (t = 1.994, p = .05, Tabla
4), en el factor 3 Redacción científica (t = 2.108, p = .04) y en el factor 4 Análisis de datos e
interpretación de resultados (t = 2.369, p = .02). en todos los casos, fueron los hombres quienes
presentaron puntuaciones más altas.
Tabla 4 Media, desviación estándar y prueba t de student para muestras independientes
Nota. F = Factor; t = prueba t para muestras independientes; p = significancia.
Sexo
Instrumento
Mujer
M
(DE)
Hombre
M
(DE) t p
EAI
Puntuación total 207.47
(43.66)
215.70
(41.73) 1.994 .05
F1 Gestión informacional 24.24
(5.33)
25.03
(4.90) 1.629 .104
F2 Capacidad de análisis y síntesis 69.14
(15.31)
71.65
(14.35) 1.747 .08
F3 Redacción científica 61.97
(13.64)
64.66
(12.59) 2.108 .04
F4 Análisis de datos e interpretación de resultados 36.63
(8.58)
38.60
(8.76) 2.369 .02
F5 Aspectos éticos 7.82
(1.95)
7.82
(1.91) .004 .97
Autoeficacia para la investigación
En la Tabla 3, se observa que el 72.3% de los participantes tienen una alta autoeficacia para la
investigación, lo cual refleja que la mayoría de los estudiantes tiene una fuerte confianza en sus
capacidades para desempeñar adecuadamente las tareas y procesos vinculados con la labor investigativa
a nivel académico.
Tabla 3 Nivel de autoeficacia para la investigación
Nivel de autoeficacia Escala n %
Autoeficacia baja 26-120 17 3.6
Autoeficacia media 121-190 108 23.2
Autoeficacia alta 191-260 341 73.2
Total 466 100.0
Nota. n = muestra; % = porcentaje.
De acuerdo con la prueba t student para muestras independientes se evidenció que existen diferencias
estadísticamente significativas entre hombres y mujeres en la puntuación total (t = 1.994, p = .05, Tabla
4), en el factor 3 Redacción científica (t = 2.108, p = .04) y en el factor 4 Análisis de datos e
interpretación de resultados (t = 2.369, p = .02). en todos los casos, fueron los hombres quienes
presentaron puntuaciones más altas.
Tabla 4 Media, desviación estándar y prueba t de student para muestras independientes
Nota. F = Factor; t = prueba t para muestras independientes; p = significancia.
Sexo
Instrumento
Mujer
M
(DE)
Hombre
M
(DE) t p
EAI
Puntuación total 207.47
(43.66)
215.70
(41.73) 1.994 .05
F1 Gestión informacional 24.24
(5.33)
25.03
(4.90) 1.629 .104
F2 Capacidad de análisis y síntesis 69.14
(15.31)
71.65
(14.35) 1.747 .08
F3 Redacción científica 61.97
(13.64)
64.66
(12.59) 2.108 .04
F4 Análisis de datos e interpretación de resultados 36.63
(8.58)
38.60
(8.76) 2.369 .02
F5 Aspectos éticos 7.82
(1.95)
7.82
(1.91) .004 .97
pág. 4917
DISCUSIÓN Y CONCLUSIONES
El propósito de este estudio fue analizar la invarianza factorial de la Escala de Autoeficacia para la
Investigación entre estudiantes mexicanos de pregrado y posgrado. Dominguez-Lara (2017) elaboró la
EAI con el propósito de evaluar la autoeficacia investigativa en estudiantes universitarios
latinoamericanos, tanto de pregrado como de posgrado. Su desarrollo se fundamentó en competencias
investigativas ampliamente compartidas en los sistemas de educación superior de la región, lo que
contribuye a disminuir el sesgo cultural característico de instrumentos construidos en contextos
distintos. En consecuencia, y gracias a este enfoque regional y metodológicamente riguroso, la escala
resulta conceptualmente pertinente y aplicable en diversos países latinoamericanos, incluido México.
En este sentido, Lira y Caballero (2020) señalan que es fundamental llevar a cabo la adaptación
(trans)cultural de los instrumentos de medición, aun cuando estén en el mismo idioma, con el fin de
asegurar su pertinencia y comprensión en la población objetivo, dado que el significado y uso del
español puede variar según el contexto del país. Para ello, se obtuvo la autorización de Domínguez-
Lara (2017) para emplear la escala y, dado que no existían evidencias psicométricas previas en México,
se realizaron las adecuaciones lingüísticas pertinentes a los siguientes ítems: 3 (investigaciones
antecedentes por antecedentes de investigación), 6 (perspectiva/modelo teórico por enfoque teórico) y
22 (límites por limitaciones).
Posteriormente, se llevó a cabo un Análisis Factorial Confirmatorio de los modelos unidimensional
(González-Rivera et al., 2022) y el multifaltorial (Dominguez-Lara, 2017). Los resultados de los índices
de bondad y ajuste respaldan la estructura multifactorial de la EAI (RMSEA = .062; SRMR = .026; CFI
= .960; TLI = .955).
En concordancia con las sugerencias a futuro establecidas por Dominguez-Lara (2017) este estudio
constituye la primera investigación orientada a evaluar la invarianza de la EAI considerando variables
como sexo, nivel académico, área de conocimiento, experiencia en investigación y formación
universitaria. Los resultados evidencian que la EAI mantiene invarianza métrica, escalar y estricta en
todos los casos, lo que respalda su aplicabilidad en diversos contextos.
La consistencia interna de la EAI obtenida en este estudio fue excelente (ω = .98), resultado congruente
con lo reportado por Rodríguez et al. (2023), quienes informaron un alfa de Cronbach de .98, y por
DISCUSIÓN Y CONCLUSIONES
El propósito de este estudio fue analizar la invarianza factorial de la Escala de Autoeficacia para la
Investigación entre estudiantes mexicanos de pregrado y posgrado. Dominguez-Lara (2017) elaboró la
EAI con el propósito de evaluar la autoeficacia investigativa en estudiantes universitarios
latinoamericanos, tanto de pregrado como de posgrado. Su desarrollo se fundamentó en competencias
investigativas ampliamente compartidas en los sistemas de educación superior de la región, lo que
contribuye a disminuir el sesgo cultural característico de instrumentos construidos en contextos
distintos. En consecuencia, y gracias a este enfoque regional y metodológicamente riguroso, la escala
resulta conceptualmente pertinente y aplicable en diversos países latinoamericanos, incluido México.
En este sentido, Lira y Caballero (2020) señalan que es fundamental llevar a cabo la adaptación
(trans)cultural de los instrumentos de medición, aun cuando estén en el mismo idioma, con el fin de
asegurar su pertinencia y comprensión en la población objetivo, dado que el significado y uso del
español puede variar según el contexto del país. Para ello, se obtuvo la autorización de Domínguez-
Lara (2017) para emplear la escala y, dado que no existían evidencias psicométricas previas en México,
se realizaron las adecuaciones lingüísticas pertinentes a los siguientes ítems: 3 (investigaciones
antecedentes por antecedentes de investigación), 6 (perspectiva/modelo teórico por enfoque teórico) y
22 (límites por limitaciones).
Posteriormente, se llevó a cabo un Análisis Factorial Confirmatorio de los modelos unidimensional
(González-Rivera et al., 2022) y el multifaltorial (Dominguez-Lara, 2017). Los resultados de los índices
de bondad y ajuste respaldan la estructura multifactorial de la EAI (RMSEA = .062; SRMR = .026; CFI
= .960; TLI = .955).
En concordancia con las sugerencias a futuro establecidas por Dominguez-Lara (2017) este estudio
constituye la primera investigación orientada a evaluar la invarianza de la EAI considerando variables
como sexo, nivel académico, área de conocimiento, experiencia en investigación y formación
universitaria. Los resultados evidencian que la EAI mantiene invarianza métrica, escalar y estricta en
todos los casos, lo que respalda su aplicabilidad en diversos contextos.
La consistencia interna de la EAI obtenida en este estudio fue excelente (ω = .98), resultado congruente
con lo reportado por Rodríguez et al. (2023), quienes informaron un alfa de Cronbach de .98, y por
pág. 4918
Santa-Cruz et al. (2024), con α = .97. Desde una perspectiva psicométrica, este hallazgo sugiere que la
escala ofrece mediciones altamente precisas del constructo evaluado en la población analizada,
favoreciendo la diferenciación entre distintos niveles de percepción de competencia investigativa
(Madadizadeh & Bahariniya, 2025).
El hallazgo de un nivel elevado de autoeficacia para la investigación en estudiantes mexicanos de
pregrado y posgrado coincide con lo reportado por Chique-Aguilar et al. (2024) y Santa-Cruz et al.
(2024), quienes observaron mayor autoeficacia en hombres (provenientes de una universidad pública)
en comparación con mujeres. Asimismo, Castro (2024) reportó un patrón similar y subrayó que la
pertenencia a una sociedad científica y la experiencia en publicación de artículos se asocian con un
mejor desempeño y mayor confianza en las propias capacidades investigativas. En contraste, Aguirre et
al. (2015) encontraron niveles más altos de autoeficacia en mujeres, junto con una mayor necesidad de
sentirse competentes en investigación. De manera general, diversos estudios ubican a los estudiantes en
niveles óptimos de autoeficacia; no obstante, también señalan que, en ocasiones, la investigación se
percibe principalmente como un requisito para acreditar asignaturas o titularse, y que el desarrollo de
la autoeficacia se concibe como un proceso prolongado que alcanzaría su máximo, sobre todo, durante
el doctorado (Aldana et al., 2022; Criollo et al., 2017; Kroonstadt et al., 2023; Moposita & Vásquez,
2022; Reyes & Gutiérrez, 2015; Riveros, 2023; Rodríguez et al., 2023; Tiyuri et al., 2017).
Finalmente, la evidencia obtenida en este estudio permite concluir que la EAI puede utilizarse en
estudiantes universitarios mexicanos como una herramienta válida y confiable para realizar
diagnósticos educativos y orientar el diseño de intervenciones pedagógicas. En conjunto, su uso puede
contribuir al fortalecimiento de la formación investigativa, al favorecer la identificación de áreas de
oportunidad en competencias de investigación y promover la participación estudiantil en actividades
científicas.
Santa-Cruz et al. (2024), con α = .97. Desde una perspectiva psicométrica, este hallazgo sugiere que la
escala ofrece mediciones altamente precisas del constructo evaluado en la población analizada,
favoreciendo la diferenciación entre distintos niveles de percepción de competencia investigativa
(Madadizadeh & Bahariniya, 2025).
El hallazgo de un nivel elevado de autoeficacia para la investigación en estudiantes mexicanos de
pregrado y posgrado coincide con lo reportado por Chique-Aguilar et al. (2024) y Santa-Cruz et al.
(2024), quienes observaron mayor autoeficacia en hombres (provenientes de una universidad pública)
en comparación con mujeres. Asimismo, Castro (2024) reportó un patrón similar y subrayó que la
pertenencia a una sociedad científica y la experiencia en publicación de artículos se asocian con un
mejor desempeño y mayor confianza en las propias capacidades investigativas. En contraste, Aguirre et
al. (2015) encontraron niveles más altos de autoeficacia en mujeres, junto con una mayor necesidad de
sentirse competentes en investigación. De manera general, diversos estudios ubican a los estudiantes en
niveles óptimos de autoeficacia; no obstante, también señalan que, en ocasiones, la investigación se
percibe principalmente como un requisito para acreditar asignaturas o titularse, y que el desarrollo de
la autoeficacia se concibe como un proceso prolongado que alcanzaría su máximo, sobre todo, durante
el doctorado (Aldana et al., 2022; Criollo et al., 2017; Kroonstadt et al., 2023; Moposita & Vásquez,
2022; Reyes & Gutiérrez, 2015; Riveros, 2023; Rodríguez et al., 2023; Tiyuri et al., 2017).
Finalmente, la evidencia obtenida en este estudio permite concluir que la EAI puede utilizarse en
estudiantes universitarios mexicanos como una herramienta válida y confiable para realizar
diagnósticos educativos y orientar el diseño de intervenciones pedagógicas. En conjunto, su uso puede
contribuir al fortalecimiento de la formación investigativa, al favorecer la identificación de áreas de
oportunidad en competencias de investigación y promover la participación estudiantil en actividades
científicas.
pág. 4919
REFERENCIAS BIBLIOGRAFICAS
Aguirre, J. F., Blanco, J. R., Rodríguez-Villalobos, J. M., & Ornelas, M. (2015). Autoeficacia general
percibida en universitarios mexicanos, diferencias entre hombres y mujeres. Formación
Universitaria, 8(5), 97-102. https://dx.doi.org/10.4067/S0718-50062015000500011
Aldana, S. M., Castañeda, J. C., & Rodríguez, M. H. (2022). Estudio de autoeficacia académica en
estudiantes universitarios de Medicina y Nutrición. Revista RELEP- Educación y Pedagogía en
Latinoamérica, 4(2), 21-31. https://doi.org/10.46990/relep.2022.4.2.605
Asociación Médica Mundial. (2024). Declaración de Helsinki. https://www.wma.net/es/policies-
post/declaracion-de-helsinki-de-la-amm-principios-eticos-para-las-investigaciones-medicas-
en-seres-humanos/
Ato, M., López, J. J., & Benavente, A. (2013). Un sistema de clasificación de los diseños de
investigación en Psicología. Anales de Psicología, 3(29), 1038-1059.
https://doi.org/10.6018/analesps.29.3.178511
Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman.
Brando-Garrido, C., Montes-Hidalgo, J., Limonero, J. T., Gómez-Romero, M. J., & Tomás-Sábado, J.
(2020). Relationship of academic procrastination with perceived competence, coping, self-
esteem and self-efficacy in Nursing students. Enfermería Clínica, 30(6), 398-
403. https://doi.org/10.1016/j.enfcle.2019.07.013
Browne, M. W., & Cudeck, R. (1992). Alternative ways of assessing model fit. Sociological Methods
& Research, 21(2), 230-258. https://doi.org/10.1177/0049124192021002005
Cámara de Diputados del H. Congreso de la Unión (2024). Ley General de Salud.
https://www.diputados.gob.mx/LeyesBiblio/pdf/LGS.pdf
Cámara de Diputados del H. Congreso de la Unión (2024). Reglamento de la Ley General de Salud en
Materia de Investigación para la Salud.
https://www.diputados.gob.mx/LeyesBiblio/regley/Reg_LGS_MIS.pdf
Castro, Y. (2024). La autoeficacia para investigaciones en estudiantes de odontología de una
universidad peruana. Revista Cubana de Investigaciones Biomédicas, 43, e2132.
https://revibiomedica.sld.cu/index.php/ibi/article/view/2132
REFERENCIAS BIBLIOGRAFICAS
Aguirre, J. F., Blanco, J. R., Rodríguez-Villalobos, J. M., & Ornelas, M. (2015). Autoeficacia general
percibida en universitarios mexicanos, diferencias entre hombres y mujeres. Formación
Universitaria, 8(5), 97-102. https://dx.doi.org/10.4067/S0718-50062015000500011
Aldana, S. M., Castañeda, J. C., & Rodríguez, M. H. (2022). Estudio de autoeficacia académica en
estudiantes universitarios de Medicina y Nutrición. Revista RELEP- Educación y Pedagogía en
Latinoamérica, 4(2), 21-31. https://doi.org/10.46990/relep.2022.4.2.605
Asociación Médica Mundial. (2024). Declaración de Helsinki. https://www.wma.net/es/policies-
post/declaracion-de-helsinki-de-la-amm-principios-eticos-para-las-investigaciones-medicas-
en-seres-humanos/
Ato, M., López, J. J., & Benavente, A. (2013). Un sistema de clasificación de los diseños de
investigación en Psicología. Anales de Psicología, 3(29), 1038-1059.
https://doi.org/10.6018/analesps.29.3.178511
Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman.
Brando-Garrido, C., Montes-Hidalgo, J., Limonero, J. T., Gómez-Romero, M. J., & Tomás-Sábado, J.
(2020). Relationship of academic procrastination with perceived competence, coping, self-
esteem and self-efficacy in Nursing students. Enfermería Clínica, 30(6), 398-
403. https://doi.org/10.1016/j.enfcle.2019.07.013
Browne, M. W., & Cudeck, R. (1992). Alternative ways of assessing model fit. Sociological Methods
& Research, 21(2), 230-258. https://doi.org/10.1177/0049124192021002005
Cámara de Diputados del H. Congreso de la Unión (2024). Ley General de Salud.
https://www.diputados.gob.mx/LeyesBiblio/pdf/LGS.pdf
Cámara de Diputados del H. Congreso de la Unión (2024). Reglamento de la Ley General de Salud en
Materia de Investigación para la Salud.
https://www.diputados.gob.mx/LeyesBiblio/regley/Reg_LGS_MIS.pdf
Castro, Y. (2024). La autoeficacia para investigaciones en estudiantes de odontología de una
universidad peruana. Revista Cubana de Investigaciones Biomédicas, 43, e2132.
https://revibiomedica.sld.cu/index.php/ibi/article/view/2132
pág. 4920
Cheung, G. W., & Rensvold, R. B. (2002). Evaluating goodness of fit indexes for testing measurement
invariance. Structural Equation Modeling: A Multidisciplinary Journal, 9(2), 233-255.
https://doi.org/10.1207/S15328007SEM0902_5
Chique-Aguilar , J., Riquelme-Mercado , G. V., Aza-Tacca , R., & Ramos-Vilca, J. C. (2024).
Autoeficacia académica y salud mental en estudiantes de una universidad pública. Ciencia
Latina Revista Científica Multidisciplinar, 8(4), 77-88.
https://doi.org/10.37811/cl_rcm.v8i3.12148
Cicchetti, D. V. (1994). Guidelines, criteria, and rules of thumb for evaluating normed and standardized
assessment instruments in psychology. Psychological Assessment, 6(4), 284-290.
https://doi.org/10.1037/1040-3590.6.4.284
Criollo, M., Romero, M., & Fontaines-Ruiz, T. (2017). Autoeficacia para el aprendizaje de la
investigación en estudiantes universitarios. Psicología Educativa, 23(1), 63-72.
https://doi.org/10.1016/j.pse.2016.09.002
Domínguez-Lara, S. (2017). Construcción de una escala de autoeficacia para la investigación: primeras
evidencias de validez. Revista Digital de Investigación en Docencia Universitaria, 11(2), 308-
322. https://doi.org/10.19083/ridu.11.514
Domínguez-Lara, S. (2019). La autoeficacia para investigar debe estar vinculada al componente
investigativo. Revista Cubana de Enfermería, 35(3), 1-3.
https://revenfermeria.sld.cu/index.php/enf/article/view/2461/470
Ferrando, P. J., & Lorenzo-Seva, U. (2017). Program FACTOR at 10: Origins, development and future
directions. Psicothema, 29(2), 236-241. https://doi.org/10.7334/psicothema2016.304
Forester, M., Kahn, J. H., & Hesson-McInnis, M. S. (2004). Factor structures of three measures of
research self-efficacy. Journal of Career Assessment, 12(1), 3-16.
https://doi.org/10.1177/1069072703257719
Gallagher, M. W. (2012). Self-efficacy. En V. S. Ramachandran (Ed.), Encyclopedia of human behavior
(2nd ed., pp. 314-320). Academic Press. https://doi.org/10.1016/B978-0-12-375000-6.00312-8
Gobierno de México. (2015). Instituciones de Educación Superior. https://www.gob.mx/sep/acciones-
y-programas/instituciones-de-educacion-superior
Cheung, G. W., & Rensvold, R. B. (2002). Evaluating goodness of fit indexes for testing measurement
invariance. Structural Equation Modeling: A Multidisciplinary Journal, 9(2), 233-255.
https://doi.org/10.1207/S15328007SEM0902_5
Chique-Aguilar , J., Riquelme-Mercado , G. V., Aza-Tacca , R., & Ramos-Vilca, J. C. (2024).
Autoeficacia académica y salud mental en estudiantes de una universidad pública. Ciencia
Latina Revista Científica Multidisciplinar, 8(4), 77-88.
https://doi.org/10.37811/cl_rcm.v8i3.12148
Cicchetti, D. V. (1994). Guidelines, criteria, and rules of thumb for evaluating normed and standardized
assessment instruments in psychology. Psychological Assessment, 6(4), 284-290.
https://doi.org/10.1037/1040-3590.6.4.284
Criollo, M., Romero, M., & Fontaines-Ruiz, T. (2017). Autoeficacia para el aprendizaje de la
investigación en estudiantes universitarios. Psicología Educativa, 23(1), 63-72.
https://doi.org/10.1016/j.pse.2016.09.002
Domínguez-Lara, S. (2017). Construcción de una escala de autoeficacia para la investigación: primeras
evidencias de validez. Revista Digital de Investigación en Docencia Universitaria, 11(2), 308-
322. https://doi.org/10.19083/ridu.11.514
Domínguez-Lara, S. (2019). La autoeficacia para investigar debe estar vinculada al componente
investigativo. Revista Cubana de Enfermería, 35(3), 1-3.
https://revenfermeria.sld.cu/index.php/enf/article/view/2461/470
Ferrando, P. J., & Lorenzo-Seva, U. (2017). Program FACTOR at 10: Origins, development and future
directions. Psicothema, 29(2), 236-241. https://doi.org/10.7334/psicothema2016.304
Forester, M., Kahn, J. H., & Hesson-McInnis, M. S. (2004). Factor structures of three measures of
research self-efficacy. Journal of Career Assessment, 12(1), 3-16.
https://doi.org/10.1177/1069072703257719
Gallagher, M. W. (2012). Self-efficacy. En V. S. Ramachandran (Ed.), Encyclopedia of human behavior
(2nd ed., pp. 314-320). Academic Press. https://doi.org/10.1016/B978-0-12-375000-6.00312-8
Gobierno de México. (2015). Instituciones de Educación Superior. https://www.gob.mx/sep/acciones-
y-programas/instituciones-de-educacion-superior
pág. 4921
González-Rivera, J. A., Dominguez-Lara, S., Torres-Rivera, N., Ortiz-Santiago, T., Sepúlveda-López,
V., Tirado, M., & González-Malavé, C. M. (2022). Análisis de la Escala de Autoeficacia para
Investigar en estudiantes de posgrado. Evaluar, 22(3), 17-27. https://doi.org/10.35670/1667-
4545.v22.n1.37414
Guilford, J. P. (1956). Fundamental statistics in psychology and education (3rd ed.). McGraw-Hill.
Gutiérrez-Torres, A. (2018). La autoeficacia académica para realizar investigación en la
Universidad. Delectus, 1(1), 1-15. https://revista.inicc-
peru.edu.pe/index.php/delectus/article/view/15
Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis:
Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1-55.
https://doi.org/10.1080/10705519909540118
IBM Corporation Released. (2010). IBM SPSS statistics for windows (Version 22) [Software]. IBM
Corporation. https://www.ibm.com/mx-es
Kroonstadt, E. C. C., Vivas, J. L. ., & López, N. . (2023). Autoeficacia académica en estudiantes
universitarios de una universidad privada del noreste de México. PsicoSophia, 5(1), 34-
40. https://doi.org/10.37354/rpsiso.2022.5.1.035
Landis, R. J., & Koch, G. G. (1997). The measurement of observer agreement for categorical data.
Biometrics, 33(1), 159-174. https://doi.org/10.2307/2529310
Li, L., Gao, H., & Xu, Y. (2020). The mediating and buffering effect of academic self-efficacy on the
relationship between smartphone addiction and academic procrastination. Computers &
Education, 159, 104001. https://doi.org/10.1016/j.compedu.2020.104001
Liljequist, D., Elfving, B., Skavberg, K. (2019) Intraclass correlation - A discussion and demonstration
of basic features. PLoS ONE, 14(7), e0219854. https://doi.org/10.1371/journal.pone.0219854
Lira, M. T., & Caballero, E. (2020). Adaptación transcultural de instrumentos de evaluación en salud:
historia y reflexiones del por qué, cómo y cuándo. Revista Médica Clínica las Condes, 31(1),
85-94. https://doi.org/10.1016/j.rmclc.2019.08.003
González-Rivera, J. A., Dominguez-Lara, S., Torres-Rivera, N., Ortiz-Santiago, T., Sepúlveda-López,
V., Tirado, M., & González-Malavé, C. M. (2022). Análisis de la Escala de Autoeficacia para
Investigar en estudiantes de posgrado. Evaluar, 22(3), 17-27. https://doi.org/10.35670/1667-
4545.v22.n1.37414
Guilford, J. P. (1956). Fundamental statistics in psychology and education (3rd ed.). McGraw-Hill.
Gutiérrez-Torres, A. (2018). La autoeficacia académica para realizar investigación en la
Universidad. Delectus, 1(1), 1-15. https://revista.inicc-
peru.edu.pe/index.php/delectus/article/view/15
Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis:
Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1-55.
https://doi.org/10.1080/10705519909540118
IBM Corporation Released. (2010). IBM SPSS statistics for windows (Version 22) [Software]. IBM
Corporation. https://www.ibm.com/mx-es
Kroonstadt, E. C. C., Vivas, J. L. ., & López, N. . (2023). Autoeficacia académica en estudiantes
universitarios de una universidad privada del noreste de México. PsicoSophia, 5(1), 34-
40. https://doi.org/10.37354/rpsiso.2022.5.1.035
Landis, R. J., & Koch, G. G. (1997). The measurement of observer agreement for categorical data.
Biometrics, 33(1), 159-174. https://doi.org/10.2307/2529310
Li, L., Gao, H., & Xu, Y. (2020). The mediating and buffering effect of academic self-efficacy on the
relationship between smartphone addiction and academic procrastination. Computers &
Education, 159, 104001. https://doi.org/10.1016/j.compedu.2020.104001
Liljequist, D., Elfving, B., Skavberg, K. (2019) Intraclass correlation - A discussion and demonstration
of basic features. PLoS ONE, 14(7), e0219854. https://doi.org/10.1371/journal.pone.0219854
Lira, M. T., & Caballero, E. (2020). Adaptación transcultural de instrumentos de evaluación en salud:
historia y reflexiones del por qué, cómo y cuándo. Revista Médica Clínica las Condes, 31(1),
85-94. https://doi.org/10.1016/j.rmclc.2019.08.003
pág. 4922
Madadizadeh, F., & Bahariniya, S. (2025). Tutorial on internal consistency assessment by Cronbach's
alpha and McDonald’s omega. Perioperative Care and Operating Room Management, 41,
100568. https://doi.org/10.1016/j.pcorm.2025.100568
Mardia, K. V. (1970). Measures of multivariate skewness and kurtosis with applications. Biometrika,
57(3), 519-530. https://doi.org/10.1093/biomet/57.3.519
Martínez, J. A., & Pérez, P. S., (2023). Coeficiente de correlación intraclase. Medicina de Familia,
49(3), 101907. https://doi.org/10.1016/j.semerg.2022.101907
McDonald, R. P. (1999). Test theory: A unified approach. Psychology Press.
https://doi.org/10.4324/9781410601087
Merino, E. (2010). La expectativa de autoeficacia: su influencia y relevancia en el desarrollo personal.
International Journal of Developmental and Educational Psychology, 3, 371-377.
https://www.redalyc.org/pdf/3498/349832326039.pdf
Moposita, E. F., & Vásquez, F. A. (2022). Autoeficacia y estrés académico en estudiantes
universitarios. Ciencia Latina Revista Científica Multidisciplinar, 6(6), 10365-10380.
https://doi.org/10.37811/cl_rcm.v6i6.4139
Muthén, L. K., & Muthén, B. O. (2025). Mplus (Version 9) [Software]. Muthén and Muthén.
https://www.statmodel.com/
Phillips, J. C., & Russell, R. K. (1994). Research self-efficacy, the research training environment, and
research productivity among graduate students in counseling psychology. The Counseling
Psychologist, 22(4), 628-641. https://doi.org/10.1177/0011000094224008
Putnick, D. L., & Bornstein, M. H. (2016). Measurement invariance conventions and reporting: The
state of the art and future directions for psychological research. Developmental Review, 41, 71-
90. https://doi.org/10.1016/j.dr.2016.06.004
Reyes, M. R., & Gutiérrez, J. M. (2015). Sentido de autoeficacia en investigación de estudiantes de
posgrado. Sinéctica, (45), 1-15.
https://sinectica.iteso.mx/index.php/SINECTICA/es/article/view/590
Madadizadeh, F., & Bahariniya, S. (2025). Tutorial on internal consistency assessment by Cronbach's
alpha and McDonald’s omega. Perioperative Care and Operating Room Management, 41,
100568. https://doi.org/10.1016/j.pcorm.2025.100568
Mardia, K. V. (1970). Measures of multivariate skewness and kurtosis with applications. Biometrika,
57(3), 519-530. https://doi.org/10.1093/biomet/57.3.519
Martínez, J. A., & Pérez, P. S., (2023). Coeficiente de correlación intraclase. Medicina de Familia,
49(3), 101907. https://doi.org/10.1016/j.semerg.2022.101907
McDonald, R. P. (1999). Test theory: A unified approach. Psychology Press.
https://doi.org/10.4324/9781410601087
Merino, E. (2010). La expectativa de autoeficacia: su influencia y relevancia en el desarrollo personal.
International Journal of Developmental and Educational Psychology, 3, 371-377.
https://www.redalyc.org/pdf/3498/349832326039.pdf
Moposita, E. F., & Vásquez, F. A. (2022). Autoeficacia y estrés académico en estudiantes
universitarios. Ciencia Latina Revista Científica Multidisciplinar, 6(6), 10365-10380.
https://doi.org/10.37811/cl_rcm.v6i6.4139
Muthén, L. K., & Muthén, B. O. (2025). Mplus (Version 9) [Software]. Muthén and Muthén.
https://www.statmodel.com/
Phillips, J. C., & Russell, R. K. (1994). Research self-efficacy, the research training environment, and
research productivity among graduate students in counseling psychology. The Counseling
Psychologist, 22(4), 628-641. https://doi.org/10.1177/0011000094224008
Putnick, D. L., & Bornstein, M. H. (2016). Measurement invariance conventions and reporting: The
state of the art and future directions for psychological research. Developmental Review, 41, 71-
90. https://doi.org/10.1016/j.dr.2016.06.004
Reyes, M. R., & Gutiérrez, J. M. (2015). Sentido de autoeficacia en investigación de estudiantes de
posgrado. Sinéctica, (45), 1-15.
https://sinectica.iteso.mx/index.php/SINECTICA/es/article/view/590
pág. 4923
Riveros, P. N. (2023). La asociación de autoeficacia y satisfacción con los estudios en estudiantes
universitarios. Revista Iberoamericana ConCiencia, 8(2), 70-81.
https://doi.org/10.32654/ConCiencia.8-2.4
Rodríguez, R. L., Naveros, Y. ., & Rodríguez, M. P. (2024). Habilidades de pensamiento crítico y
autoeficacia para investigar, en estudiantes universitarios. Revista ConCiencia EPG, 8(1), 12-
23. https://doi.org/10.32654/revistaconcienciaepg
Ruiz, E. M. (2024). Autoeficacia para la investigación y competencias investigativas en estudiantes
universitarios. Navegante. https://doi.org/10.5281/zenodo.14549680
Santa-Cruz, F. F., Román-Alarcón, C. R., Gómez-Arce, R. M., & Calvo-Gastañaduy, C. C. (2024).
Autoeficacia para la investigación en estudiantes universitarios en Perú. Revista Fuentes, 26(3),
317-327. https://doi.org/10.12795/revistafuentes.2024.24775
Schermelleh-Engel, K., Moosbrugger, H., & Müller, H. (2003). Evaluating the fit of structural equation
models: Tests of significance and descriptive goodness-of-fit measures. Methods of
Psychological Research Online, 8(2), 23-74.
https://www.stats.ox.ac.uk/~snijders/mpr_Schermelleh.pdf
Sosa, G. C., Witt, P. de las M., Loor, J. S., & Chuchuca, K. J. (2026). Investigación científica en la
educación superior. Enfoques pedagógicos innovadores y su impacto en el desempeño
académico. RECIMUNDO, 10(2), 105-120.
https://doi.org/10.26820/recimundo/10.(2).abril.2026.105-120
Tabachnick, B. G., & Fidell, L. S. (2013). Using multivariate statistics (6th ed.). Pearson.
Teichler, U. (2010). Diversity of Higher Education. En International Encyclopedia of Education (pp.
347-353). Elsevier. https://doi.org/10.1016/B978-0-08-044894-7.00824-1
Tiyuri, A., Saberi, B., Miri, M., Shahrestanaki, E., Bayat, B. B., & Salehiniya, H. (2018). Research self-
efficacy and its relationship with academic performance in postgraduate students of Tehran
University of Medical Sciences in 2016. Journal of Education and Health Promotion, 10(7), 1-
6. https://doi.org/10.4103/jehp.jehp_43_17
Riveros, P. N. (2023). La asociación de autoeficacia y satisfacción con los estudios en estudiantes
universitarios. Revista Iberoamericana ConCiencia, 8(2), 70-81.
https://doi.org/10.32654/ConCiencia.8-2.4
Rodríguez, R. L., Naveros, Y. ., & Rodríguez, M. P. (2024). Habilidades de pensamiento crítico y
autoeficacia para investigar, en estudiantes universitarios. Revista ConCiencia EPG, 8(1), 12-
23. https://doi.org/10.32654/revistaconcienciaepg
Ruiz, E. M. (2024). Autoeficacia para la investigación y competencias investigativas en estudiantes
universitarios. Navegante. https://doi.org/10.5281/zenodo.14549680
Santa-Cruz, F. F., Román-Alarcón, C. R., Gómez-Arce, R. M., & Calvo-Gastañaduy, C. C. (2024).
Autoeficacia para la investigación en estudiantes universitarios en Perú. Revista Fuentes, 26(3),
317-327. https://doi.org/10.12795/revistafuentes.2024.24775
Schermelleh-Engel, K., Moosbrugger, H., & Müller, H. (2003). Evaluating the fit of structural equation
models: Tests of significance and descriptive goodness-of-fit measures. Methods of
Psychological Research Online, 8(2), 23-74.
https://www.stats.ox.ac.uk/~snijders/mpr_Schermelleh.pdf
Sosa, G. C., Witt, P. de las M., Loor, J. S., & Chuchuca, K. J. (2026). Investigación científica en la
educación superior. Enfoques pedagógicos innovadores y su impacto en el desempeño
académico. RECIMUNDO, 10(2), 105-120.
https://doi.org/10.26820/recimundo/10.(2).abril.2026.105-120
Tabachnick, B. G., & Fidell, L. S. (2013). Using multivariate statistics (6th ed.). Pearson.
Teichler, U. (2010). Diversity of Higher Education. En International Encyclopedia of Education (pp.
347-353). Elsevier. https://doi.org/10.1016/B978-0-08-044894-7.00824-1
Tiyuri, A., Saberi, B., Miri, M., Shahrestanaki, E., Bayat, B. B., & Salehiniya, H. (2018). Research self-
efficacy and its relationship with academic performance in postgraduate students of Tehran
University of Medical Sciences in 2016. Journal of Education and Health Promotion, 10(7), 1-
6. https://doi.org/10.4103/jehp.jehp_43_17
pág. 4924
Trautner, M., & Schwinger, M. (2020). Integrating the concepts self-efficacy and motivation regulation:
How do self-efficacy beliefs for motivation regulation influence self-regulatory success?
Learning and Individual Differences, 80, 101890. https://doi.org/10.1016/j.lindif.2020.101890
Wang, Y., Li, D., Li, J., & Bai, S. (2025). Exploring the relationship between self-efficacy, social
support, academic anxiety, and academic outcomes: A meta-analysis structural equation
modeling approach. Frontiers in Psychology, 16, 1714845.
https://doi.org/10.3389/fpsyg.2025.1714845
Yang, S. Y., Fu, S. H., Wang, P. Y., Lin, Y. L., & Lin, P. H. (2020). Are the self-esteem, self-efficacy,
and interpersonal interaction of junior college students related to the solitude capacity?
International Journal of Environmental Research and Public Health, 17(21),
8274. https://doi.org/10.3390/ijerph17218274
Yevilao, A. E. (2019). Autoeficacia: un acercamiento al estado de la investigación en Latinoamérica.
Revista Reflexión e Investigación Educacional, 2(2), 91-102.
https://revistas.ubiobio.cl/index.php/REINED/es/article/view/4124/3822
Zúñiga, M., & Vargas, A. L. (2022). Políticas para la investigación en México: implementación en
universidades y efectos en los profesores investigadores. Revista Eletrônica
Pesquiseduca, 14(33), 191-213. https://doi.org/10.58422/repesq.2022.e1201
Trautner, M., & Schwinger, M. (2020). Integrating the concepts self-efficacy and motivation regulation:
How do self-efficacy beliefs for motivation regulation influence self-regulatory success?
Learning and Individual Differences, 80, 101890. https://doi.org/10.1016/j.lindif.2020.101890
Wang, Y., Li, D., Li, J., & Bai, S. (2025). Exploring the relationship between self-efficacy, social
support, academic anxiety, and academic outcomes: A meta-analysis structural equation
modeling approach. Frontiers in Psychology, 16, 1714845.
https://doi.org/10.3389/fpsyg.2025.1714845
Yang, S. Y., Fu, S. H., Wang, P. Y., Lin, Y. L., & Lin, P. H. (2020). Are the self-esteem, self-efficacy,
and interpersonal interaction of junior college students related to the solitude capacity?
International Journal of Environmental Research and Public Health, 17(21),
8274. https://doi.org/10.3390/ijerph17218274
Yevilao, A. E. (2019). Autoeficacia: un acercamiento al estado de la investigación en Latinoamérica.
Revista Reflexión e Investigación Educacional, 2(2), 91-102.
https://revistas.ubiobio.cl/index.php/REINED/es/article/view/4124/3822
Zúñiga, M., & Vargas, A. L. (2022). Políticas para la investigación en México: implementación en
universidades y efectos en los profesores investigadores. Revista Eletrônica
Pesquiseduca, 14(33), 191-213. https://doi.org/10.58422/repesq.2022.e1201