• Author / Uploaded
• Jorge Auad

• Categories
• Validez (Estadísticas)
• Análisis factorial
• Estrés (biología)
• Autosuperación
• Alfa de Cronbach

Citation preview

Departamento de Psicología

Validación de Constructo del cuestionario CopSoQ (ISTAS 21): una aplicación del Análisis Factorial Confirmatorio usando Modelos de Ecuaciones Estructurales

Memoria para obtener la equivalencia del Título de Psicóloga

Candidata: Javiera Burgos Laborde Profesora guía: Dra. Rosa Montaño Profesor Co-patrocinante: Dr. Rubén Alvarado Santiago de Chile, Diciembre 2011

DEDICATORIA

“Una vida no examinada no merece la pena ser vivida” (Sócrates)

A mi familia…

2

AGRADECIMIENTOS

Gracias a mi tutora, la Dra. Rosa Montaño por haberme guiado siempre en éste trabajo con paciencia, constancia, calidad académica y comprensión.

Gracias al Dr. Rubén Alvarado por haberme dado la oportunidad de trabajar en su equipo.

Gracias al cuerpo académico del Magíster en Bioestadística por su calidad docente y haberme dado los instrumentos necesarios para desempeñarme como un buen profesional.

Gracias a mis compañeros de Magíster en Bioestadística: Valeria Ramírez, Rodrigo Retamal y Teresa Varela por su apoyo y amistad en todo momento.

Gracias a mi familia por el apoyo constante e incondicional de siempre.

3

RESUMEN El objetivo de éste trabajo fue verificar si el modelo teórico sobre factores asociados al estrés laboral postulado por el cuestionario CoPsoQ (ISTAS21) validado en España se ajusta a la población chilena trabajadora. Se llevó a cabo la validación de constructo de la versión larga del cuestionario CoPsoQ (ISTAS21) utilizando la metodología del Análisis Factorial Confirmatorio (AFC). El estudio se llevó a cabo sobre una muestra de 1557 trabajadores representativa de la población trabajadora chilena a nivel nacional. El instrumento mostró una consistencia interna adecuada (α Cronbach >0.7) en las 4 de las 5 Dimensiones postuladas: “Exigencias Psicológicas”; “Trabajo activo y

desarrollo de

habilidades”; “Apoyo Social en la Empresa y Calidad de Liderazgo”; “Compensaciones”, siendo la Dimensión “Doble Presencia” la excepción. La validación de constructo de este instrumento a través de la metodología del AFC, permitió contrastar el modelo teórico propuesto a priori versus la realidad de la muestra. En este sentido, los modelos ajustados permiten concluir que en la población chilena trabajadora, el estrés laboral es una variable latente que puede ser medido a través 4 de las 5 dimensiones que mide el instrumento ISTAS21.

4

ÍNDICE DE CONTENIDOS 1.

INTRODUCCIÓN ....................................................................................................... 7

1.1

Algunos modelos conceptuales del origen del estrés laboral ............................... 8

1.2

El estrés laboral como rasgo latente .................................................................. 11

1.3

Cuestionario Psicosocial de Copenhague (CoPsoQ) ......................................... 11 1.3.1

2.

Modelo teórico postulado por el CoPsoQ (ISTAS21) ...................................... 12

JUSTIFICACIÓN ...................................................................................................... 17

Relevancia en el contexto nacional .................................................................................. 17 3.

MARCO TEÓRICO .................................................................................................. 20

3.1

Consistencia Interna de un instrumento ............................................................. 20

3.2

Validez............................................................................................................... 21

3.3

3.2.1

Validez de Contenido...................................................................................... 22

3.2.2

Validez de criterio ........................................................................................... 22

3.2.3

Validez de constructo ..................................................................................... 23

Análisis Factorial (AF) ........................................................................................ 24 3.3.1

Análisis Factorial Exploratorio (AFE) y Confirmatorio (AFC) ........................... 24

3.3.2

Análisis Factorial Confirmatorio (AFC) ............................................................ 25

3.4

Análisis Factorial Confirmatorio de segundo orden ............................................ 41

3.5

AFC con Variables Categóricas ......................................................................... 43

3.6

Correlaciones Policóricas .................................................................................. 44

4.

OBJETIVOS ............................................................................................................. 47

4.1

Objetivo general ................................................................................................ 47

4.2

Objetivos específicos ......................................................................................... 47

5.

HIPÓTESIS .............................................................................................................. 48

6.

METODOLOGÍA ...................................................................................................... 50

6.1

Diseño del estudio ............................................................................................. 50

6.2

Población y Muestra .......................................................................................... 50

6.3

Material.............................................................................................................. 51

6.4

Plan de análisis estadístico................................................................................ 52

7.

RESULTADOS ......................................................................................................... 55

7.1

Consistencia interna .......................................................................................... 55

7.2

Análisis Factorial Confirmatorio (AFC) de segundo orden.................................. 57 7.2.1

Dimensión “Exigencias Psicológicas” ............................................................. 57

7.2.2

Dimensión “Trabajo Activo y Desarrollo de Habilidades” ................................ 60

7.2.3

Dimensión “Apoyo social en la empresa y calidad del liderazgo” .................... 62

5

7.2.4

Dimensión “Compensaciones” ........................................................................ 66

8.

CONCLUSIONES Y DISCUSIÓN ............................................................................ 69

9.

BIBLIOGRAFÍA ........................................................................................................ 73

ANEXO I. Cuestionario .................................................................................................... 76 ANEXO II. Ítems en Cada Sub-Dimensión ....................................................................... 87 ANEXO III. Consistencia Interna Sub-dimensiones .......................................................... 91 ANEXO IV. Consistencia Interna Dimensiones (sin ítems eliminados) ........................... 104 ANEXO V. Sintaxis utilizadas en LISREL 8.5 ................................................................. 112

6

1. INTRODUCCIÓN Se han identificado diferentes factores que determinan un mayor riesgo de desarrollar un trastorno mental de origen laboral. Existen ciertas condiciones del entorno físico (tales como ruido intenso y/o persistente, temperaturas extremas, malos olores, espacios estrechos, etc.), como también ciertas características psicosociales propias de la organización y de la forma en que se realiza el trabajo. Respecto de estas últimas, actualmente existen tres modelos teóricos que son ampliamente aceptados y para los cuales existe evidencia empírica que los sustenta. El estrés de origen laboral es reconocido en todo el mundo como un problema mayor tanto para la salud de los trabajadores como para las empresas e instituciones. Los trabajadores que sufren de estrés tienen mayor riesgo de enfermarse, se desmotivan, son menos productivos y respetan menos las reglas de seguridad en el trabajo, lo que trae como consecuencia que la empresa que los emplea tienda a ser menos competitiva en el mercado (Cooper y Payne, 1988; Schnall et al., 1994). El estrés puede surgir tanto en situaciones de trabajo como en situaciones extralaborales. El estrés laboral es el conjunto de reacciones que los empleados pueden tener cuando se enfrentan, para cumplir con su trabajo, con exigencias y presiones que no corresponden a su nivel de conocimiento o a sus capacidades y que, por ende, pone en duda

su aptitud para enfrentar las tareas. El estrés puede surgir en contextos

profesionales muy diversos, pero tiende a agudizarse cuando los empleados no se sienten lo suficientemente apoyados por sus jefes o por sus colegas o cuando existe un desajuste entre las demandas y exigencias del puesto de trabajo y las capacidades y conocimientos del empleado (Elovainio et al., 2002; Karasek y Theorell, 1990; Siegrist, 1996). Este desajuste, como se ha dicho, pone en duda las capacidades del trabajador.

7

El estrés aparece no solamente cuando las exigencias sobrepasan las capacidades del empleado, sino también cuando sus conocimientos y competencias no son lo suficientemente utilizadas, lo que puede provocar igualmente un problema de estrés. Un trabajo sano es aquel donde las presiones y exigencias están bien adaptadas a las capacidades y recursos de los empleados, y donde sienten el apoyo de su entorno (jefes y colegas). Según la OMS (1986) la salud es “un estado de completo bienestar físico, mental y social y no solamente la ausencia de enfermedad”. Por lo tanto, un ambiente de trabajo sano es aquel donde no solamente no hay condiciones nocivas, sino más bien donde hay un conjunto de condiciones y factores que favorecen el bienestar del trabajador. Por ende, según esta definición de la OMS, donde existe estrés laboral, no hay buena salud. El estudio del estrés laboral ha llevado a desarrollar varios modelos conceptuales que pretenden identificar los riesgos laborales para la salud mental, tales como el Modelo de Ajuste Persona-Ambiente (French et al., 1982); el Modelo Demanda-Control (Karasek y Theorell, 1990); el Modelo del Desequilibrio Esfuerzo-Recompensa (Siegrist, 1996); o el de Justicia Organizacional (Elovainio et al., 2002). A continuación se explica brevemente en qué consisten cada uno de éstos modelos. 1.1

Algunos modelos conceptuales del origen del estrés laboral 1.1.1 El modelo de Ajuste Persona-Ambiente (French et al., 1982) Tiene como objeto la explicación del estrés a partir de la correspondencia entre las

“características de la persona” y las “características del ambiente”. En otras palabras, el comportamiento en el trabajo depende, en gran medida, del ajuste entre las características del individuo y las características de su puesto de trabajo. Los resultados obtenidos en esta línea de investigación ponen de manifiesto que, en

8

general, los trabajadores con buen ajuste alcanzan un rendimiento superior al de los pobremente ajustados (Dawis y Lofquist, 1984; Fritzsche et al., 1999 ). 1.1.2 El modelo “Demanda-Control-Apoyo social” (Johnson y Hall, 1988; Karasek y Theorell, 1990). Postula que los efectos del trabajo, tanto en la salud como en el comportamiento, serían el resultado de la combinación de las demandas psicológicas laborales y de las características estructurales del trabajo relacionadas con la posibilidad de tomar decisiones y usar las propias capacidades. Karasek plantea 2 dimensiones: “Demandas Psicológicas” y el “Control”. La primera alude a las exigencias psicológicas que el trabajo implica para la persona: cantidad de trabajo, presión de tiempo, nivel de atención, interrupciones imprevistas. No se circunscriben al trabajo intelectual, sino a cualquier tipo de tarea. La segunda, por su parte, constituye un recurso para moderar las demandas del trabajo: la dimensión “Control” hace referencia al cómo se trabaja, y tiene dos componentes: la Autonomía y el Desarrollo de Habilidades. La Autonomía

es la inmediata posibilidad que tiene la persona de influenciar

decisiones relacionadas con su trabajo, es decir, la posibilidad de controlar sus propias actividades. El Desarrollo de Habilidades hace referencia al grado en que el trabajo permite a la persona desarrollar sus propias capacidades: aprendizaje, creatividad. Se trata de las oportunidades o recursos que la organización proporciona a la persona para moderar o tomar decisiones sobre las demandas en la planificación y ejecución del trabajo. En 1986 el modelo de Karasek fue ampliado, introduciendo una tercera dimensión: “Apoyo social”(Johnson y Hall, 1988). Esta dimensión hace referencia al clima social en el lugar de trabajo, en relación con los compañeros y con los superiores.

9

Según este modelo, el estrés no depende tanto del hecho de tener muchas demandas, sino más bien del no tener capacidad de control para resolverlas y de no sentir un buen apoyo social de los compañeros de trabajo y jefes. La diferencia con otros modelos multidimensionales del estrés radica en que aquí la característica esencial de un ambiente de trabajo estresante es que plantee exigencias y al mismo tiempo límite las capacidades de respuesta de la persona. De este modo, un ambiente de trabajo estresante crea, per se, un desequilibrio entre las demandas y las respuestas a esas demandas; este desequilibrio conduce al estrés. 1.1.3 El modelo del desequilibrio “esfuerzo-recompensa” (Siegrist, 1996) Se centra en el rol e importancia del trabajo remunerado, en la amplia gama de estrés y carga en el trabajo (esfuerzo físico y psicológico), así en los varios tipos de recompensas (estima, seguridad laboral, salario, promociones dentro del trabajo). Propone que los mayores niveles de estrés están asociados a situaciones laborales en las que se exige un alto esfuerzo y se otorgan bajas recompensas a los trabajadores. Siegrist postula que la falta de equilibrio entre "esfuerzos" y "recompensas" define un estado de distrés que puede llevar a situaciones de tensión. Un aspecto destacable es la distinción explícita que realiza entre componentes extrínsecos (situacionales) e intrínsecos (personales) del equilibrio esfuerzo-recompensa. El modelo incluye características personales, como el “patrón específico de afrontamiento”, que es un patrón motivacional caracterizado por un excesivo compromiso con el trabajo y una alta necesidad de aprobación. 1.1.4 El modelo de la Justicia Organizacional (Elovainio et al., 2002) Se refiere a las percepciones que tienen los empleados sobre lo que es justo e injusto dentro de las organizaciones. Si los empleados creen que están siendo tratados con justicia, esta creencia mantendrá las actitudes positivas hacia los compañeros, los

10

jefes, los supervisores y la organización en general; en el caso contrario, si el empleado percibe que es tratado injustamente, esto genera tensiones, desmotivación y un sentimiento de insatisfacción(De Boer et al., 2002). 1.2

El estrés laboral como rasgo latente Los rasgos latentes representan constructos abstractos que corresponden a

conceptos, es decir, son variables hipotéticas que varían en su grado de abstracción. La inteligencia, las actitudes raciales, la clase social y el poder son algunos ejemplos de constructos latentes. Los diferentes modelos expuestos en la Sección

1.1

ponen en evidencia la

naturaleza “latente” del estrés laboral, siendo el estrés laboral y sus factores asociados conceptos imposibles de medir directamente. Poder identificar cuáles son los factores específicos que subyacen bajo el estrés laboral ha motivado el interés por desarrollar instrumentos que permitan medirlos de la manera más confiable y válida posible. Uno de los instrumentos desarrollados más recientemente es el

Cuestionario Psicosocial de Copenhaguen (Copenhaguen

Psychosocial Questionnaire, CoPsoQ) que integra las dimensiones de los modelos demanda - control - apoyo social (Karasek y Therorell, 1990), y el modelo del desequilibrio esfuerzo - recompensa (Siegrist, 1996). La versión española del CoPsoQ se conoce con el nombre de ISTAS21 (Moncada et al., 2005) y será el objeto de estudio en este trabajo. En la siguiente sección se especifican sus características. 1.3

Cuestionario Psicosocial de Copenhague (CoPsoQ) El Cuestionario Psicosocial de Copenhague (CoPsoQ) fue desarrollado por un

equipo de investigadores del Arbejdsmiljpinstitittet (Instituto Nacional de Salud Laboral) de Dinamarca en el año 2000 (Kristensen et al., 2005). Ha sido traducido y adaptado a diferentes países e idiomas como Dinamarca, España, Reino Unido, Bélgica, Alemania,

11

Brasil, Holanda y Suecia. Un equipo del Instituto Sindical de Trabajo, Ambiente y Salud (España), realizó una traducción, validación y estandarización del CoPsoQ en una población de trabajadores de España, llamándose ISTAS21(Moncada et al., 2008; Moncada et al., 2004). Este cuestionario se caracteriza por ser individual y anónimo; es aplicable a cualquier tipo de trabajo u ocupación; su énfasis es el desarrollo de acciones preventivas a través de procesos participativos que incluyen a los trabajadores. Ha mostrado buenos indicadores psicométricos. Tiene tres versiones: larga (para investigación, la cual será utilizada en este trabajo), media (para evaluación de riesgos en empresas con más de 30 trabajadores) y corta (para empresas con menos de 30 trabajadores y para auto-evaluación). El Marco Conceptual del Cuestionario se basa en el modelo demanda - control apoyo social (Johnson y Hall, 1988; Karasek y Theorell, 1990).

1.3.1 Modelo teórico postulado por el CoPsoQ (ISTAS21) El Cuestionario pretende medir 5 dimensiones de riesgo psicosocial; cada dimensión está constituida por varias sub-dimensiones. Cada dimensión y sub-dimensión es un Rasgo Latente, el cual es imposible de medir directamente. Cada Rasgo Latente se mide indirectamente a partir de un conjunto de ítems (detalles en Anexo II). A continuación se definen las diferentes sub-dimensiones que conforman las grandes dimensiones postuladas por este instrumento: I.

Dimensión “Exigencias Psicológicas”

Está compuesta por 5 sub-dimensiones psicosociales: 1. Exigencias psicológicas cuantitativas

12

Se definen a partir de la cantidad o volumen de trabajo y el tiempo disponible para realizarlo. Si el tiempo es insuficiente, las altas exigencias se presentan como un ritmo de trabajo rápido, imposibilidad de llevar el trabajo al día o acumulación de trabajo y también puede tener relación con la distribución temporal irregular de las tareas. Puede ocurrir la situación contraria, con exigencias limitadas o escasas. 2. Exigencias psicológicas cognitivas Tratan sobre la toma de decisiones, tener ideas nuevas, memorizar, manejar conocimientos y controlar muchas cosas a la vez. 3. Exigencias psicológicas emocionales Incluyen aquellas que afectan nuestros sentimientos, sobre todo cuando requieren de capacidad para entender la situación de otras personas que también tienen emociones y sentimientos, que pueden transferirnos; ante ellas podemos mostrar comprensión y compasión. 4. Exigencias psicológicas de esconder emociones Esta exigencia afecta tanto a los sentimientos negativos como los positivos, pero en la práctica, se trata de reacciones emocionales negativas que el trabajador o trabajadores esconden a los “clientes”. 5. Exigencias psicológicas sensoriales Exigencias laborales respecto a los sentidos, que representan una parte importante de las exigencias que se nos impone en el trabajo. Se han relacionado con síntomas somáticos de estrés, probablemente por su relación con variables ergonómicas. II. Dimensión “Trabajo activo y desarrollo de habilidades” También está compuesta de 5 sub-dimensiones psicosociales específicas: 1. Influencia

13

La Influencia es tener margen de decisión, de autonomía respecto al contenido y las condiciones de trabajo (orden, métodos a utilizar, tareas a realizar, cantidad de trabajo, etc.). 2. Posibilidades de desarrollo en el trabajo Se evalúa si el trabajo es fuente de oportunidades de desarrollo de las habilidades y conocimientos de cada persona. 3. Control sobre los tiempos de trabajo Esta dimensión complementa la de Influencia, con relación al control sobre los tiempos a disposición del trabajador. 4. Sentido del trabajo El hecho de ver sentido al trabajo significa poder relacionarlo con otros valores o fines que los simplemente instrumentales (estar ocupado y obtener a cambio unos ingresos económicos). 5. Integración en la empresa Estrechamente relacionada con la anterior; sin embargo, se concentra en la implicación de cada persona en la empresa y no en el contenido de su trabajo en sí. III. Dimensión “Apoyo Social en la Empresa y Calidad de Liderazgo” Compuesta de 8 sub-dimensiones psicosociales: 1. Previsibilidad Se refiere al hecho de disponer de la información adecuada, suficiente y a tiempo para adaptarnos a los cambios que pueden afectar nuestra vida; de lo contrario aumentan nuestros niveles de estrés 2. Claridad de rol Esta definición tiene que ver con la definición del puesto de trabajo. Si el papel a desempeñar no está bien definido puede ser un factor muy estresante.

14

3. Conflicto de rol Trata de las exigencias contradictorias que se presentan en el trabajo y de los conflictos de carácter profesional o ético, cuando las exigencias de lo que hay que hacer entran en conflicto con las normas y valores personales. 4. Calidad de liderazgo El papel de la dirección y la importancia de la calidad de dirección para asegurar el crecimiento personal, la motivación y el bienestar de los trabajadores. La calidad de la dirección exhibe una clara relación con la salud de los trabajadores, especialmente la salud mental. 5. Apoyo social de superiores Se refiere al hecho de recibir el tipo de ayuda que se necesita y en el momento adecuado, que proviene de los y las superiores. 6. Apoyo social de compañeros/as de trabajo Se refiere al hecho de recibir el tipo de ayuda que se necesita y en el momento adecuado, que proviene de los compañeros y las compañeras. 7. Posibilidades de relación social La posibilidad de relacionarse socialmente en el trabajo constituye la vertiente estructural del concepto de redes sociales y está fuertemente relacionado con la salud en multitud de investigaciones. 8. Sentimiento de grupo Se refiere a la calidad de las relaciones establecidas en el trabajo, lo que representa el componente emocional del apoyo social. IV. Dimensión “Compensaciones” En este caso se compone de 2 sub-dimensiones psicosociales específicas: 1. Inseguridad Laboral

15

Existe evidencias de que la inseguridad en el empleo, la temporalidad y, en general, la precariedad laboral se relacionan con múltiples indicadores de salud, y se ha puesto especialmente de manifiesto su relación con la siniestralidad laboral. Esta dimensión además incluye la inseguridad sobre otras condiciones de trabajo: movilidad funcional y geográfica, cambios de la jornada y horario de trabajo, salario y forma de pago y carrera profesional. 2. Estima Componente de la dimensión de compensaciones del trabajo integrante del modelo “esfuerzo – compensaciones”.

Incluye el reconocimiento de los superiores y del

esfuerzo realizado para desempeñar el trabajo, recibir el apoyo adecuado y un trato justo en el trabajo. Representa una compensación psicológica obtenida de manera suficiente o insuficiente a cambio del trabajo realizado. V. Dimensión “Doble presencia” No se compone de sub-dimensiones. Se define como un tipo de exigencia especial, producto de la presencia de trabajo productivo y de trabajo familiar y doméstico en una misma persona, que determinan exigencias que deben ser asumidas cotidianamente en forma sincrónica (ambas coexisten simultáneamente en las preocupaciones de la persona. Este tipo de exigencia en más frecuente entre las mujeres, produciendo una inequidad de género. Sin embargo, cada vez es más frecuente que los hombres también estén sometidos a esta condición.

16

2. JUSTIFICACIÓN Relevancia en el contexto nacional Los problemas de salud mental de la población son importantes por su impacto en la calidad de vida de las personas, sus familias y entorno, y cada vez cobran mayor relevancia, siendo un indicador de su magnitud, el aumento sostenido de la incapacidad laboral derivada de este tipo de trastornos. Problemática que además, se traduce en una significativa inversión de recursos de la seguridad social. En Chile, actualmente

se encuentra en desarrollo el Sistema Nacional de

Información en Salud Ocupacional (SINAISO, www.sinaiso.cl), proyecto liderado por el Ministerio de Salud en conjunto con la Superintendencia de Seguridad Social. Se trata de un conjunto de datos referentes al área de Salud Ocupacional procedentes de todos los organismos y entidades que conforman la red de salud ocupacional del país, cuyo procesamiento y análisis permita definir políticas nacionales, planes, programas, actividades y recursos y orientar la toma de decisiones en la materia. Su principal objetivo es medir y monitorear la situación de salud de los trabajadores y de las trabajadoras a través de un sistema de Información integrado, eficiente y de amplia cobertura, tanto para protegidos y desprotegidos de la Seguridad Social. Igualmente, vela por dar cumplimiento a la Ley 16.744. En Chile, la Ley 16.744 define el trastorno mental de origen laboral como un cuadro psiquiátrico originado en el ejercicio del trabajo y como agente causal a todos aquellos trabajos que general tensión psíquica. De esta forma, la ley reconoce el rol de las condiciones laborales en la génesis de la enfermedad psíquica. La Neurosis Ocupacional es la única enfermedad de origen psiquiátrico que la ley de accidentes y enfermedades profesionales reconoce como de origen laboral. Esta enfermedad genera pérdidas y

17

costos económicos no sólo para el individuo, sino también para las empresas y para la sociedad. A éste respecto, no existe en Chile estadísticas sobre la prevalencia e indecencia de trastornos mentales de origen laboral y el sistema SINAISO no los toma en cuenta ya que se denuncian únicamente las enfermedades laborales comprobables físicamente, como por ejemplo: síndrome del túnel carpiano, amputaciones por accidente laboral, sordera, etc. La Clasificación Internacional de Enfermedades (CIE-10) define el trastorno mental como “presencia de un comportamiento o de un grupo de síntomas identificables en la práctica clínica, que en la mayoría de los casos se acompañan de malestar o interfieren con la actividad del individuo” (CIE-10) En un esfuerzo por mejorar el apoyo a la calificación del origen de las patologías, para su adecuada cobertura por el sistema de seguridad social, en particular, del Seguro de Salud, común o laboral, según corresponda, la Superintendencia de Seguridad Social (SUSESO) encargó a equipo de la Escuela de Salud Pública de la Universidad de Chile (Alarcón et al., 2008, sin publicar; Alvarado et al, 2009) la “Validación y estandarización de encuesta psicosocial en la población chilena, ISTAS 21.” Se trata de un instrumento que ayuda en la identificación y medición del riesgo psicosocial presente en el ámbito laboral en Chile. Es un cuestionario que no mide estrés individual ni permite hacer diagnóstico de patología psiquiátrica. La bibliografía encontrada respecto del ISTAS 21 en Chile indica que en una primera ocasión, Alvarado et al., (2005) realizaron la validación de contenido, la adaptación semántica y la estandarización de la versión media del instrumento en una muestra de 1.087 trabajadores de servicios de la Región Metropolitana. Los autores reportaron haber obtenido una buena consistencia interna dentro de las grandes dimensiones psicosociales (con valores para el alpha de Cronbach alrededor de 0,80) y

18

una buena validez de criterio (correlaciones significativas de las puntuaciones obtenidas en cada dimensión global con los puntajes para dos versiones del General Health Questionnaire). En el trabajo encargado por la SUSESO (Alarcón et al., 2008, sin publicar; Alvarado et al, 2009), se aplicó la versión larga del instrumento a una muestra de trabajadores representativa de todo Chile. Se requirió nuevamente la adaptación semántica y la validación de contenido. El instrumento mostró buenas propiedades psicométricas relacionadas con la consistencia interna (alpha de Cronbach mayores a 0.80), con la validez de criterio (correlacionada con el cuestionario de calidad de vida SF-36 y el cuestionario que mide malestar psicológico GHQ-12) y con la validez temporal test-retest (las correlaciones fueron positivas y estadísticamente significativas). En este contexto, el objetivo del presente trabajo es verificar si el modelo teórico postulado por el ISTAS21 validado en España se ajusta a la población chilena económicamente activa utilizando la metodología del Análisis Factorial Confirmatorio (AFC) dentro del marco de los modelos de ecuaciones estructurales (SEM, por sus siglas en inglés).

19

3. MARCO TEÓRICO 3.1

Consistencia Interna de un instrumento La elaboración de un instrumento se define prioritariamente en relación a su objeto

de estudio. En las ciencias sociales, cuando la variable de interés no es directamente observable, se intenta estudiar ésta característica sometiendo a los sujetos participantes a una serie de ítems que supuestamente miden directa o indirectamente la dimensión subyacente. Medir la consistencia interna constituye una etapa fundamental del desarrollo de cualquier instrumento de medida. Se trata de ver en qué medida el resultado global de la escala refleja bien las respuestas dadas a cada uno de los ítems que la componen. En otras palabras, se trata de estudiar la consistencia interna del instrumento. A partir de una muestra de sujetos que han respondido a cada uno de los ítems de un instrumento, se puede comparar la varianza de cada ítem con la varianza global de la escala, esto con el objetivo de estimar la proporción de varianza de los puntajes verdaderos que es captada por los diferentes ítems. El índice llamado Alfa de Cronbach (1951), es el estadístico más utilizado para estudiar la confiabilidad o consistencia interna: n   ( si2 )    k   i 1      1  st 2   k 1    

Donde

si2

es la varianza individual de los k ítems y

(1.1)

st 2 es la varianza total del conjunto

de ítems. Sus valores varían entre 0 y 1. Según George y Mallery (1995), el alfa de Cronbach por debajo de 0,5 muestra un nivel de fiabilidad no aceptable; si tomara un valor entre 0,5 y 0,6 se podría considerar como un nivel pobre; si se situara entre 0,6 y 0,7 se estaría ante un nivel débil; entre 0,7 y 0,8 indica un nivel aceptable; en el intervalo 0,8 -

20

0,9 se podría calificar como de un nivel bueno, y si tomara un valor superior a 0,9 sería excelente. Mientras más se acerque a la unidad, mejor es la consistencia interna de la escala. 3.2

Validez

Según los estándares de la Asociación Americana de Psicología, la validez “es la consideración más importante en la evaluación de un test. El concepto se refiere a la adecuación, significado y utilidad de las inferencias específicas hechas con las puntuaciones de los tests. La validación de un test es el proceso de acumular evidencia para apoyar tales inferencias. Una variedad de evidencias pueden obtenerse de las puntuaciones producidas por un test dado, y hay muchas formas de acumular evidencia para apoyar una inferencia específica. La validez, sin embargo, es un proceso unitario. Aunque la evidencia puede ser acumulada de muchas formas, la validez se refiere siempre al grado en que esa evidencia apoya las inferencias que se hacen a partir de las puntuaciones" (APA, NCME, 1985, p. 8). La validez de un instrumento psicométrico tiene como objetivo precisar lo que el test mide y con qué grado de exactitud lo hace (Anastasi, 1994). La validez es la capacidad que tiene un instrumento de medir realmente lo que debe medir, según la utilización que se le quiera dar (Bernier, 1985). Está siempre relacionada con una situación específica, es decir, que, en otros contextos, partiendo de muestras provenientes de poblaciones distintas y usando métodos diferentes, los resultados de validez pueden variar enormemente. En ningún caso la validez puede ser generalizada a otras situaciones. Decir que un instrumento es más válido que otro no tiene sentido alguno, a menos que dicho instrumento haya sido validado en una gran

21

variedad de contextos o situaciones (Anastasi, 1988; Beech y Harding, 1994; Bernier, 1985). Las técnicas destinadas a medir la validez pueden ser agrupadas en tres grandes categorías: validez de contenido, validez de criterio y validez de constructo (Anastasi, 1994; Bollen, 1989).

3.2.1 Validez de Contenido Consiste esencialmente en examinar el contenido del instrumento o cuestionario para asegurarse de que tenga una buena representatividad de los comportamientos que se quieren evaluar (Anastasi, 1994; Beech y Harding, 1994). Según Bernier et Pietrulewicz (1997) la validez de contenido se hace en función del grado de pertinencia que tiene el conjunto de ítems evaluados respecto de las dimensiones. Dado que no existe ningún índice cuantitativo de la pertinencia de los ítems, la evaluación se hace a través del juicio de expertos. Se trata de analizar la dimensión que se quiere estudiar con el fin de asegurarse que los ítems sondean de manera proporcional todos sus aspectos importantes. Es crucial entonces, describir en detalle, desde el principio, el área o dimensión que se encuentra bajo estudio. En el caso de la validez de contenido del ISTAS21 en Chile (Alarcón et al., 2008) el grupo de expertos estuvo de acuerdo con la gran mayoría de las definiciones que se hicieron respecto de las dimensiones psicosociales (agrupadas en 4 grandes dimensiones, más la “doble presencia”) propuestas en la versión Española(Moncada et al., 2004) del intrumento. Se hicieron

algunos

cambios

de

“forma”

en

algunas

preguntas

para

adaptarlo

semánticamente a la realidad chilena.

3.2.2 Validez de criterio Permite evaluar la eficacia del instrumento para predecir el desempeño de un individuo en situaciones específicas (Anastasi, 1994). Para lograr esto, el desempeño en

22

el instrumento debe ser confrontado con un criterio externo, es decir, a una medida directa e independiente extraída del mismo ámbito sobre el cual se quiere hacer la predicción con el instrumento. Un criterio es entonces, un elemento que se sitúa en el ámbito del comportamiento estudiado y que se escoge para poder estudiar su correlación con el instrumento que se quiere validar. Si la correlación es elevada, el instrumento predice bien el desempeño en el criterio, lo que indica que el instrumento mide bien aquello que se supone que debe medir (Anastasi, 1994).

3.2.3 Validez de constructo La validez de constructo consiste en averiguar qué grado de certeza se tiene cuando se afirma que un instrumento mide un cierto rasgo o un constructo teórico. Algunos ejemplos de constructos teóricos son: aptitud escolar, inteligencia, actitudes racistas, nivel de ansiedad, el estrés laboral, etc. Cada constructo pretende explicar y estructurar ciertas regularidades que pueden ser observadas o no en el comportamiento de los sujetos. La validación de constructo exige la acumulación progresiva de información proveniente de diferentes fuentes. Toda la información pretende aclarar la naturaleza del rasgo estudiado o de las condiciones que influencian su desarrollo. La validez de constructo es el principal tipo de validez, ya que «la validez de constructo es el concepto unificador que integra las consideraciones de validez de contenido y de criterio en un marco común para probar hipótesis acerca de relaciones teóricamente relevantes» (Messick, 1980). Entre las técnicas o métodos estadísticos más usados para contrastar la validez de constructo se encuentra el Análisis Factorial, cuyas características serán explicadas a continuación.

23

3.3

Análisis Factorial (AF)

3.3.1 Análisis Factorial Exploratorio (AFE) y Confirmatorio (AFC)

Conceptualmente, el AF presenta dos tipos de modalidades: Análisis Factorial Exploratorio (AFE) y el Análisis Factorial Confirmatorio (AFC). El primero correspondería a una aproximación inductiva o exploratoria en la cual se analizan los indicadores para buscar patrones de relaciones entre ellos, se trabaja entonces desde las mediciones empíricas hacia la definición del constructo. No realiza ninguna especificación previa del modelo en cuestión. El AFC sin embargo, hace una aproximación deductiva o confirmatoria, es decir, el constructo está pre-establecido e insertado en una teoría específica sobre los comportamientos que serían indicadores del constructo (Bollen, 1989; Brown, 2006; Lévy Mangin et al., 2006). La validez del constructo se lleva a cabo entonces a través del contraste de las hipótesis estructurales hechas en la teoría. En el AFC se trabaja desde un modelo teórico que sirve para explicar datos empíricos, lo cual permite valorar la semejanza entre el modelo teórico postulado y los datos obtenidos de dicho concepto a través de las variables manifiestas (Schmitt, 1995). De esta manera, el AFC responde de manera más eficiente a las exigencias para realizar la validación de constructo (Messick, 1995). En ciencias sociales, para la validación de constructo, los investigadores suelen aplicar primero el AFE, para definir constructos y luego el AFC para confirmar la validez de las deducciones hechas con el AFE. Sin embargo, algunos autores sugieren que utilizar el AFC después de haber aplicado un AFE sería redundante, puesto que, “en general, las soluciones obtenidas usando AFE siempre serán validadas usando AFC” (Pérez-Gil et al., 2000, pàg 444). En este sentido, el procedimiento AFE-AFC parece no mejorar ni añadir más información a la validez de constructo. En vista de que el objetivo

24

de este estudio es realizar la validación de constructo del ISTAS21, el procedimiento que se realizará será únicamente el de Análisis Factorial Confirmatorio (AFC).

3.3.2 Análisis Factorial Confirmatorio (AFC) 3.3.2.1 Especificación del modelo El modelo general para el AFC es el siguiente (Bollen, 1989; Brown, 2006):

x = Λx ξ + δ , donde

x

(1.2)

es un vector que contiene las variables observadas,

Λ x es

la matriz que

contiene a los coeficientes ij de cargas factoriales que describen los efectos de las variables latentes sobre las variables observadas, ξ (“ksi”) un vector que contiene los factores latentes, y δ el vector de los errores de medida. Las variables observadas dependen de una o más variables latentes y de los errores de medida. Los errores de medida no están correlacionados con las variables latentes. Los supuestos de la ecuación (1.2 ) son: convención, todas las variables en

x

y en

ξ

E  δ   0, E  ξ δ'  0

están escritas como desviaciones respecto

a sus medias (centradas). En el modelo usual de análisis factorial el término compuesto por dos componentes: con cada variable y

x

δ

está

e es el error aleatorio (remaining random component). Juntos s + e

con respecto a

diciendo que

δ

δ = s + e , donde s es la varianza específica asociada

forman el error asociado al “factor único de en

. Por

ξ

x ”. Como

ambos componentes son errores

y no están correlacionados ni entre sí, ni con

ξ , se continuará

son los errores aleatorios de medida.

El en caso del ISTAS21, por ejemplo, se tienen 23 ítems ( x1 ,x2 ,x3 ,…,x23 ) que miden las “Exigencias Psicológicas”. Se postula que de los 23 ítems, 7 se relacionan con

25

el factor “exigencias psicológicas cuantitativas” ( ξ 1 ), 8 miden el factor “exigencias psicológicas cognitivas” ( ξ 2 ), 2 miden las “exigencias emocionales” ( ξ 3 ), otros 2 se relacionan con las “exigencias de esconder emociones” ( ξ 4 ) y finalmente 4 miden el factor “exigencias sensoriales“( ξ 5 ). De tal manera que el factor ξ i i1,2,3,4,5, no tiene influencia en los indicadores que cargan en los demás factores. Además, cada indicador tiene un término de error

δ j ( j 1,2, 3.,23 ) el cual no está correlacionado con las variables latentes o

factores. En la siguiente ecuación (1.3) se puede ilustrar estas relaciones: x = Λx ξ + δ  x1   11  x    2   21  x3   31     x4   41  x5   51     x6   61  x    7   71  x8   0 x   0  9   x10   0     x11   0  x12  =  0     x13   0 x   0  14    x15   0 x   0  16    x17   0     x18   0  x19   0     x20   0  x21   0     x22   0 x   0  23  

0 0 0 0 0 0 0

82 92 102 112 122 132 142 152 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

163 173 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

184 194 0 0 0 0

  1       2   3       4    5       6       7   8       9   1  10         2   11     3   12         4  13         5   14   15       16   17      18   19     205   20   21  215     225   22    235   23  0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

(1.3)

26

Bajo las siguientes restricciones:

E( j )  0 , para todo j

COV (i ,  j )  E(i j )  E(i ) E( j )  E(i j ) , para todo i, j Cada columna de Λ x corresponde a una variable latente o factor ( ξ i i1,2,3,4,5, ). Los

ij

que están en Λ x , se conocen como las “cargas factoriales”, indican qué variable “carga” en qué factor. Los subíndices de ij , indican la posición de fila (i) y columna (j) en Λ x . Los ceros en Λ x indican que la variable observada correspondiente no está influenciada por la variable latente (factor) de ésa columna. Los números diferentes de cero en cada fila muestra el número de variables latentes que afectan la variable observada, este número se conoce como “factor de complejidad” de una variable. La matriz Λ x muestra que las 23 variables tienen un factor de complejidad de uno. Las “cargas factoriales”, pueden ser vistas como coeficientes de regresión, con la salvedad

que

las

variables

x j  ij i   j , ij

independientes

no

son

observables:

para

cada

se puede interpretar como el número medio de unidades que

x j se espera cambiar por cada unidad de cambio en i . Si más de un factor ξ afecta a

x j , entonces

ij

es el cambio esperado manteniendo todas las demás variables latentes

constantes.

27

3.3.2.2 Diferencias y similitudes entre el AFC y el AFE A modo de resumen, en la siguiente tabla se presentan las principales diferencias y similitudes entre el AFC y el AFE. Análisis Factorial Exploratorio Análisis Factorial confirmatorio (AFE) (AFC) Ambos son métodos de análisis Multivariante Ambos son casos particulares de Modelos de Ecuaciones Estructurales (SEM): análisis de la estructura de covarianzas Ambos métodos trabajan con variables latentes, constructos o factores Método inductivo Método deductivo Desde las mediciones Desde el constructo teórico La estructura de Factores subyacentes es La estructura de Factores es conocida y desconocida. planteada por la teoría. Objetivo: reducción de datos Objetivo: contrastar modelo teórico con la realidad Agrupa variables en función de su Propone un modelo a priori sobre la correlación observada relación entre las variables. Estimación: componentes principales. Estimación de parámetros: Máxima Considera la varianza total. verosimilitud, Mínimos Cuadrados: GLS, WLS, ULS. No toma en cuenta los errores de medida. Toma en cuenta los errores de medida. No hay hipótesis a contrastar Hipótesis teórica a contrastar Fuente: elaboración de la autora. 3.3.2.3 Diagrama de Trayectoria (path diagram) En el AFC es común mostrar el modelo postulado en forma de diagramas de trayectoria (path diagram, en inglés). Dichos diagramas son representaciones gráficas del sistema de ecuaciones estructurales que reflejan las relaciones entre las variables que son postuladas por el modelo teórico. Para muchos investigadores, es más fácil entender la problemática a través de los diagramas que sólo analizando las ecuaciones (Bollen, 1989; Brown, 2006). Para entender los diagramas de trayectoria, es necesario conocer la simbología a la que se ha llegado internacionalmente. Los cuadrados o rectángulos representan las variables observadas (ítems) y los círculos representan las variables latentes o factores. Las flechas unidireccionales representan relaciones causales. Las flechas bidireccionales,

28

representan covarianzas entre dos variables latentes. Se supone que las variables latentes “causan” las variables observadas, por eso siempre se dibuja una o varias flechas desde el circulo (variable latente) hacia los cuadrados (variables indicadoras). Por ejemplo, el ISTAS supone que 4 ítems son indicadores de la variable latente “exigencias sensoriales” ( ξ 5 ) y que 2 ítems son indicadores de “exigencias emocionales” ( ξ 3 ). A su vez igualmente se postula que, puesto que ambas variables latentes hacen parte de la dimensión “Exigencias Psicológicas”, covarían entre sí (flecha bidireccional). El modelo teórico a dos factores de primer orden y uno de segundo orden, en este caso, sería el siguiente:

e20

e21

e22

e23

x20

x21

x22

x24

1

1

1

e17

e18

x17

x18

1

1 1

1

1

Emocion

Senso

Exigencias Psicológicas

Antes de la estimación del modelo, se necesita entender cuál es la relación entre la matriz de covarianzas de las variables observadas respecto a los parámetros estructurales del modelo propuesto. 3.3.2.4 Matriz de covarianzas La estimación del modelo se basa en escoger los valores de los parámetros estructurales para reproducir la matriz de covarianzas (Bollen, 1989; Brown, 2006). Como las variables x , son desviaciones respecto a sus medias, entonces la matriz de

29

covarianzas de x es igual a la esperanza de xx' . Se expresa la matriz de covarianzas de

x como una función de

θ y se representa de la siguiente manera:

 (θ)  E (xx')  E[( Λ

x

ξ + δ)( Λ xξ + δ) ']

 E[( Λ x ξ + δ)(ξ'Λ'x + δ')]  E[( Λ x ξξ'Λ'x )  ( Λ xξδ')  (δξ'Λ'x )  (δδ')]  E ( Λ x ξξ'Λ'x )  E ( Λ x ξδ')  E (δξ'Λ'x )  E (δδ')]

(1.4)

 Λ x E (ξξ') Λ'x )  Λ x E (ξδ')  E (δξ') Λ'x  E (δδ')  Λ x E (ξξ') Λ'x  Θ  Λ xΦΛ'x  Θ Donde Φ es la matriz de covarianzas de los factores latentes ξ , y Θ es la matriz de varianzas de los errores de medida

δ.

Un ejemplo de la ecuación 1.4, tomando un modelo de tres variables indicadoras (observadas) y un solo factor latente sería el siguiente:

x1  111  1 x2  211   2 x3  311   3

    x = Λx ξ + δ   donde, E ( j )  0, COV (i ,  i )  0, para i = 1,2,3 y COV ( i ,  j )  0, para i  j Las matrices serían las siguientes:

0 0   x1   1   1   Var (1 )        0  x  x2 , Λ x  2 , V (1 )  Φ  11  , δ   2 , Θ  Var ( 2 ) 0          0  x      0 Var (  )   3  3  3 3  Luego, remplazando dichas matrices en la expresión de la ecuación (1.4), la matriz

 (θ) (matriz teórica) se escribe como:  112 11  Var (1 )    2 2111  Var ( 2 )  (θ)   211111  2  311111 312111 3111  Var ( 3 )  

(1.5)

30

Por otra parte, la matriz de varianza-covarianza muestral ( S ) de las variables ( x1 ,x2 ,x3 ) se expresa de la siguiente manera:

 Var ( x1 )    S   Cov( x2 ,x1 ) Var ( x2 )   Cov( x ,x ) Cov( x ,x ) Var ( x )  3 1 3 2 3  

(1.6)

Como se desea que Σ(θ) = S , entonces, cada elemento de (1.6) es equivalente a cada elemento de (1.5), por lo tanto:

Var ( x1 )  112 11  Var (1 ) Var ( x2 )  212 11  Var ( 2 )

(1.7)

Var ( x3 )     Var ( 3 ) 2 31 11

Las ecuaciones en (1.7) muestran que la varianza de las variables observadas varían en función de los valores que tomen los

ij , la Var (i ) y la matriz de covarianzas

del factor latente ( Φ ). De la misma forma, las Covarianzas quedarían expresadas como:

COV ( x2 , x1 )  211111 COV ( x3 , x1 )  311111 COV ( x3 , x2 )  312111 Lo importante es que se puede escribir las varianzas y covarianzas en función de los parámetros estructurales del modelo de medida postulado. Si el modelo postulado es correcto, conocer los parámetros estructurales permite conocer las varianzas y covarianzas de las x. En la práctica, por supuesto, no se conocen los valores de los parámetros estructurales. Dichos parámetros deben ser estimados, pero para ello, se debe primero determinar la identificación del modelo.

31

3.3.2.5 Identificación del modelo La identificación del modelo hace referencia a la posibilidad de encontrar soluciones numéricas para todos los parámetros estructurales (Bollen, 1989; Brown, 2006). El número de parámetros a estimar, por su parte, corresponde al número de varianzas y covarianzas de las variables latentes (factores y errores de medida), más los efectos directos de los factores sobre los indicadores. Cada parámetro debe poder ser calculado a partir de la matriz de covarianzas poblacional ( Σ(θ) ), de tal manera que la matriz muestral S es la fuente de identificación. Esto se daría de tal manera que cada parámetro de las matrices Λ x , Φ , y Θ , correspondería con un parámetro o una combinación lineal de parámetros de S . La identificación de modelo puede tener tres resultados posibles (Bollen, 1989; Brown, 2006): 1. Modelo “exactamente identificado”: cada parámetro tendrá una sola solución, es decir, se podrá estimar a partir de una única combinación lineal de los elementos de S . En otras palabras, es cuando los parámetros desconocidos del modelo pueden ser

re-escritos en términos de las

varianzas-covarianzas de las variables x. 2. Modelo “sobreidentificado”: cuando al menos un parámetro puede obtenerse a partir de dos o más ecuaciones diferentes 3. Modelo “infra-identificado”: cuando no es posible establecer ecuaciones de covarianza para alguno de los parámetros, por lo cual no todos pueden ser identificados. Algunas reglas para la identificación del modelo son las siguientes:

32



Regla t (Bollen, 1989): esta regla es necesaria pero no suficiente para la identificación. Indica que el número de parámetros a estimar debe ser igual o inferior al número de momentos no redundantes de S : t  p  p  1 / 2 , donde t es el número de parámetros libres y p es el número de variables observadas. La diferencia entre t y p(p+1)/2 da los grados de libertad (d.l), éstos deben ser superior o igual a cero (0) para que el modelo pueda ser identificado. Si

d.l  t  p  p  1 / 2  0 , entonces el modelo está exactamente identificado, si d.l  t  p  p  1 / 2  0 el modelo está sobreidentificado y finalmente si d.l  t  p  p  1 / 2  0 , entonces el modelo está infraidentificado, lo que traería como consecuencia la imposibilidad de estimar los parámetros del modelo. 

Regla de los Tres Indicadores (Bollen, 1989; Long, 1983): ésta regla establece las siguientes condiciones necesarias pero no suficientes para identificar un modelo multifactorial: o Tener al menos 3 indicadores por variable latente. o Que cada fila de la matriz Λ x , tenga un solo elemento distinto de 0. o Que la matriz Θ sea diagonal. o No hay restricciones respecto a



Φ.

Regla de los Dos Indicadores (Bollen, 1989): ésta regla establece una condición suficiente para identificar modelos con más de una variable latente: o Se asume que Θ sea diagonal. o Que una de las cargas factoriales ( i j ) en

Λ x sea igual a 1.

o Tener 2 variables indicadores por variable latente.

33

Bollen (1989) generaliza éstas reglas y establece finalmente cuatro condiciones suficientes para la identificación del modelo. 1. Cada fila de

Λx

tiene uno y sólo un elemento diferente de cero

2. Tener al menos 2 indicadores por variables latente 3. Cada fila de

Φ tiene al menos un elemento diferente de cero fuera de su

diagonal (debe haber correlación entre los factores). 4. Que la matriz Θ sea diagonal. Retomando el ejemplo del ISTAS especificado anteriormente con 2 variables latentes y 6 indicadores, la especificación del modelo empezaría por asignar un valor igual a 1 a la carga de un indicador por factor común. Como los errores de medida también son variables latentes, también se asignará un valor de 1 a la relación entre cada error y su indicador correspondiente. Una vez hecho esto el modelo quedará identificado como se expone en la siguiente Figura:

e20

e21

e22

e23

x20

x21

x22

x24

1

1

1

e17

e18

x17

x18

1

1 1

1

1

Emocion

Senso

Exigencias Psicológicas

Siguiendo

la

Regla

T,

tenemos

que

p  6, m  p  p  1 / 2  6  6  1 / 2  21 momentos (m) en la matriz de covarianzas de las variables (información disponible a partir de los datos) y un total de t  11 parámetros a estimar. Como

t  m , los grados de libertad serán positivos, por lo que el modelo puede 34

ser sobreidentificado. El modelo cumple igualmente con las condiciones suficientes expuestas anteriormente, es decir, tiene al menos 2 indicadores por variable latente, las dos variables latentes están correlacionadas entre sí, cada indicador es afectado por un único factor y los errores ( ei ) no están correlacionados, por lo que Θ es diagonal. Una vez que el modelo ha sido identificado, se puede proceder a la estimación de los parámetros de dicho modelo. 3.3.2.6 Estimación de los parámetros del modelo En el AFC el objetivo es estimar los parámetros desconocidos de Λ x , Φ , y Θ ,

S

tan cerca de la

matriz de covarianzas Σ(θ) como sea posible. Se busca entonces que

Σ(θ) ≈ S del tal

de tal manera de poder generar la matriz de covarianzas muestral

manera que los residuos (matriz R) generados de la diferencia

S - Σ(θ) sea cercana al

cero (0) (Bollen, 1989). Esto significa que las relaciones entre las variables latentes y las variables observadas postuladas por el modelo teórico son correctas. Obtener una matriz de covarianzas estimadas tan cerca como sea posible de la matriz de covarianza muestral requiere la minimización de una función de ajuste. Las





funciones de ajuste F S, Σ  θ  se basan en la matriz de covarianza muestral S y en la matriz de covarianza de los parámetros estructurales

Σ(θ) .

Las funciones de ajuste

tienen las siguientes propiedades: 

F  S, Σ  θ   es una escalar



F  S, Σ  θ   >0



F  S, Σ  θ   = 0 si y sólo si Σ(θ) ≈ S



F  S, Σ  θ   es continua en S y en Σ(θ) 35

Si se satisfacen estas cuatro propiedades, entonces la minimización de las funciones de ajuste llevan a estimadores consistentes de

θ.

Uno de los métodos más usados de estimación de parámetros es el de máxima verosimilitud (ML, Maximum Likelihood). Este método se puede aplicar bajo los siguientes supuestos: una muestra de tamaño suficiente, medición de los indicadores al menos en nivel intervalar, o distribución normal multivariada de los indicadores de las variables latentes. En el caso de que no se cumpla el supuesto de normalidad multivariada, conviene usar el método de máxima verosimilitud robusta (MLM, Maximum Likelihood Mean Adjusted)(Bentler, 1995). La

función

de

ajuste

que

corresponde

a

la

estimación

por

ML

-1 es: FML  log Σ(θ)  tr[SΣ (θ)]  log S  ( p  q) . Se caracteriza por suponer normalidad

multivariante de las variables. Así, S tiene distribución de Wishart. El estimador obtenido con ésta función es asintóticamente insesgado, consistente, eficiente y normalmente distribuido. Sin embargo, cuando se trabaja con muestras pequeñas y se hacen cambios en las escalas de las variables, éste estimador puede sesgarse (Bollen, 1989). Si uno o más de los indicadores es categórico (o si la ausencia de normalidad es extrema), como es el caso del ISTAS, debe optarse por otros métodos de estimación tales como mínimos cuadrados ponderados (WLS, Weighted Least Squares), mínimos cuadrados ponderados diagonalizados (DWLS, Diagonal Weighted Least

Squares),

mínimos cuadrados ponderados robustos (WLSMV, Weighted Least Squares Mean and Variance Adjusted) o mínimos cuadrados no ponderados (ULS, Unweighted Least Squares). A continuación se explica brevemente cada uno de ellos:

36

1. Estimación por el método de Mínimos Cuadrados No Ponderados (ULS)





Su función de ajuste es la siguiente: FULS  (1/ 2)tr [S  Σ(θ)]2 . Este método se caracteriza por no asumir ninguna distribución, la matriz θ debe estar identificada, trata los residuos (elementos de S  Σ(θ) ) como si fueran homocedásticos (misma varianza para todos), es menos eficiente que ML(Bollen, 1989). 2. Método de Mínimos Cuadrados Generalizados (GLS)







Utiliza FGLS  (1/ 2)tr ( [S  Σ(θ) W 1 ]2 )  (1/ 2)tr [I  Σ(θ)S 1 ]2

 como función de

 

ajuste para la estimación (Bollen, 1989). Asume que E sij   ij . Requiere que la distribución asintótica de los elementos de S sea normal multivariante e igualmente supone normalidad multivariante de las x . Toma en cuenta los pesos ( W ) de los elementos de S  Σ(θ) de acuerdo a sus varianzas. Tiene la desventaja de ser sensible a una curtosis excesiva. 3. Método de estimación por Mínimos Cuadrados Ponderados (WLS) Cuando no se cumple el supuesto de Normalidad o hay excesiva curtosis, la validez de los estimadores obtenidos a través de ML y GLS se ve afectada. Una de las soluciones más usadas es la de utilizar el estimador por Mínimos Cuadrados Ponderados (WLS, por sus siglas en inglés). Este método también es llamado Asymptotic Distribution Free, ADF) ya que permite la no-normalidad multivariante y es asintóticamente eficiente. Su desventaja es que requiere de un gran número de observaciones. La función de ajuste del WLS es: FWLS

 [σ - s]'W-1[σ - s]

, donde W es una matriz de pesos positivamente

definida (Skrondal y Rabe-Hesketh, 2004).

37

4. Mínimos Cuadrados Ponderados (WLS) para variables categóricas Cuando se trate de variables categóricas, Bollen (1989) sugiere utilizar la siguiente función de ajuste:

FWLS  [ρˆ - σ(θ)]'W-1[ρˆ - σ(θ)] ,

ˆ 1/2( pq)( pq1)1 es un vector donde ρ

que contiene los coeficientes de las correlaciones policóricas (Jöreskog, 1990, 1994) entre todos los pares de variables, σ(θ) es la matriz de covarianza y W es un estimador consistente de la matriz asintótica de covarianza de

ρˆ (Bollen, 1989; Muthén, 1984).

38

3.3.2.7 Evaluación del ajuste del modelo

ˆ . Si la estructura de covarianza La hipótesis nula del modelo es: H 0 : (θ)  Σ hipotética es verdadera, entonces la matriz de residuos R sería una matriz con valores

ˆ  (θ)  0 . Cualquier valor residual muy diferente de cero implicaría cercanos a cero: Σ una incorrecta especificación del modelo. Para la evaluación de la hipótesis nula ( H0 ) se utilizará la diferencia entre la matriz de covarianza muestral S y la matriz de covarianza

ˆ , donde Σˆ se obtuvo previamente a través de alguno de los métodos estimada Σˆ : S - Σ propuestos anteriormente: WLS, ULS, ML, GLS (Brown, 2006; Lévy Mangin et al., 2006;

ˆ es Skrondal y Rabe-Hesketh, 2004). La matriz de residuos (R) como resultado de S - Σ la manera más simple de evaluar el ajuste global del modelo. Idealmente, para considerar un modelo como “bueno”, todos los residuos muestrales deberían estar cercanos al cero (0). Existen una gran variedad de índices de ajuste para evaluar qué tan bien se ajuste el modelo a los datos. El estadístico  es una de las medidas clásicas para evaluar el 2

ajuste global del modelo frente a la hipótesis nula de que la matriz de covarianza predicha

ˆ = S ; se por el modelo es equivalente a la matriz de covarianza muestral, es decir, H 0 : Σ rechazará la H0

si los valores de  son grandes, considerando un error del 5%. 2

Rechazar la hipótesis nula implica que el modelo no reproduce suficientemente bien la matriz de covarianzas, en otras palabras, no hay buen ajuste. En caso contrario, si los valores del estadístico  son pequeños al punto de no poder rechazar H0 a nivel de 2

significación 0.05, entonces se puede decir que el modelo se ajusta adecuadamente a los datos. A pesar de las utilidades del estadístico  , raramente se usa como único índice 2

dado que tiene algunas desventajas: es sensible al tamaño de la muestra, en muchas

39

ocasiones la distribución del estadístico no se ajusta a una  , y se basa en la hipótesis 2

excesivamente restrictiva de que S = Σ (Brown, 2006; Jöreskog, 1969). Debido a todos estos inconvenientes, una gran variedad de índices parciales de ajuste han sido desarrollados. Están los índices de carácter absoluto como el SRMR (Standardized Root Mean Square Residual), el GFI Goodness of Fit Index), AGFI (AdjustedGoodness of Fit Index), PGFI (Parsimony GFI), los de carácter parsimonioso como el RMSEA (Root Mean Square Error of Approximation), los predictivos como el ECVI (Expected cross-validation Index), el CAIC (Consistent Akaike Information Criterion) y el BIC (Bayes Information Criterion) o los de carácter incremental como el CFI(Comparative Fit Index), el TLI (Tucker-Lewis Index), NFI (Normed Fit Index), el PNFI(Parsimony NFI), el RNI (Relative Noncentrality Index) y el PCFI (Parsimony Comparative Fit Index). Debido a lo extenso de del tema, sólo se especificarán valores de referencia para el RMSEA, CFI y TLI (Hu y Bentler, 1999; Lévy Mangin et al., 2006) Dada la sensibilidad de los test Ji-Cuadrado (  ), particularmente en muestras 2

grandes, ha sido necesario encontrar alternativas para docimar la hipótesis nula. Para esto, Jöreskog (2001) propone usar el “Root Mean Squared Error Approximation” (RMSEA) como índice de ajuste, de tal manera que cuando sus valores no son mayores que 0.1 la estimación paramétrica no es significativamente afectada, incluso cuando las variables no muestran normalidad bivariante. El RMSEA incorpora una medida que penaliza la falta de parsimonia en el modelo, es sensible al número de parámetros a estimar y es relativamente insensible al tamaño de la muestra (Brown, 2006). Los criterios de AIC y BIC también pueden ser usados para comparar varios modelos respecto a su parsimonia. El índice CFI evalúa la correspondencia de una solución especificada por el usuario en relación a un modelo más restrictivo en su línea de base, en el cual las covarianzas entre todos los indicadores son iguales a cero, o no hay relación entre las variables. El rango de

40

valores del CFI se encuentra entre 0 y 1, mientras más cercano a 1, mejor es el ajuste. El TLI es otro índice de ajuste comparativo, penaliza la adición de parámetros estimados libremente (Brown, 2006). El TLI puede se interpretar de manera similar al CFI y sus valores igualmente van de 0 a 1, donde 1 indica un buen ajuste. No existe una evaluación única y simple del ajuste del modelo sobre la cual haya consenso entre los autores. A éste respecto, (Hu y Bentler, 1999) proveen algunas reglas para decidir qué estadísticos reportar. Cuando los valores del RMSEA son inferiores a 0.05 el ajuste es bueno; entre 0.05 y .08 razonable; entre 0.09 y 0.10 mediocre; por encima de 0.10 el modelo debería ser rechazado. Los valores de CFI y GFI deben ser ≥ 0.90 para poder decir que se tiene un ajuste razonablemente bueno. 3.4

Análisis Factorial Confirmatorio de segundo orden Cuando se trata de validar empíricamente un constructo, suele pasar que se

necesite una estructura factorial jerárquica de orden superior, es decir, que no sólo tenga variables o rasgos latentes de “primer orden”, sino que éstos mismos rasgos latentes se correlacionen entre sí de tal manera que determinen variables latentes o factores de “segundo orden”. Las ecuaciones para un modelo factorial de orden superior son las siguientes (Bollen, 1989):

y = Λy η+ ε

(1.8)

η  Bη  Γξ + ζ

(1.10)

La ecuación (1.10) refleja la relación entre los factores de primer orden y de orden superior. Las cargas factoriales de primer orden de η sobre y están en Λy . Según Bollen (1989) el término Γξ no es necesario puesto que los factores de nivel superior que representa pueden ser definidos como parte de η con sus respectivos coeficientes en B .

41

El término Bη también puede ser obviado cuando se trata de un modelo factorial de segundo orden o cuando ninguno de los factores de primer orden tiene efectos directos entre ellos. Por ejemplo, en el ISTAS21, una de las grandes dimensiones postuladas es F1: “Exigencias Psicológicas”, dicha dimensión constituye un factor de segundo orden porque es explicada por la covariación que tienen entre sí las sub-dimensiones que la conforman (E1: “exigencias psicológicas cognitivas”, E2: “exigencias psicológicas cuantitativas”, E3: “exigencias psicológicas emocionales“, E4: “exigencias psicológicas esconder emociones” y E5:“exigencias psicológicas sensoriales”), las cuales a su vez son factores de primer orden explicados por la covariación entre los ítems que las conforman. El siguiente diagrama de trayectoria ilustra este ejemplo: 1 1 1 1

E1

1 1

1 1

1 1 1

F1

1

E2

1 1

1

1

1 1

1

E3

1 1

1

E4

1 1

E5

1 1 1

El factor simple de primero segundo orden es F1, el cual influencia directamente los 5 factores de primer orden (E1, E2, E3, E4, E5), los cuales influencian directamente los ítems que le corresponde a cada uno. Λy tiene dimensiones 22 x 5, la matriz Θ se

42

asume que es diagonal. En este caso, como es un modelo de segundo orden y los factores de primer orden no se influencian directamente entre ellos, el término Bη puede ser obviado, de tal manera que:

1     21  Γ   31  , Φ  11 , diagΨ  [ 11  22  33  44  55 ]    41     51 

(1.11)

El primer elemento se fija en 1 y Γ relaciona F1 con E1, los demás elementos son los las cargas factoriales de segundo orden que son “libres”. La varianza del factor de segundo orden (F1) es 11 . La matriz Ψ contiene las varianzas de los factores de primer orden (E1, E2, E3, E4, E5) que no están explicadas por el factor de segundo orden. 3.5

AFC con Variables Categóricas Cuando al menos un indicador de un factor es categórico la estimación por ML no

puede ser utilizada ya que no se cumplen los supuestos necesarios. Algunas de las consecuencias potenciales de tratar variables categóricas como si fueran variables continuas en el AFC son (Bollen, 1989; Brown, 2006): 

Se produce una atenuación en la estimación de las correlaciones entre los indicadores, especialmente si hay efectos de techo o de piso.



Implica la creación de “pseudo-factores” que son artificios de ítems muy extremos.



Produce estadísticas de test y los errores estándar incorrectos



Si se usa el método de estimación por ML se producen estimaciones incorrectas de los parámetros.

43

En cuanto a la estructura y procedimientos en el AFC, cuando se dispone de variables categóricas, es más adecuado trabajar con la matriz de correlaciones en vez de la matriz de covarianzas. En el caso de variables dicotómicas se utiliza una matriz de correlaciones tetracóricas; en el caso de variables categóricas ordinales (politómicas) S es una matriz de correlaciones policóricas (Bollen, 1989; Brown, 2006; Skrondal y RabeHesketh, 2004). 3.6

Correlaciones Policóricas Al utilizar el AFC se debe tener en cuenta el tipo de variable que se está estudiando.

Aunque las escalas de tipo Likert son utilizadas ampliamente para obtener datos en ciencias sociales, cuando se trata de estudiar la dimensionalidad de esos datos y evaluar su validez interna, tanto el AFE como el AFC utilizan las matrices de coeficientes de correlación de Pearson, lo cual tiene varios inconvenientes. Pearson asume que las variables con las que trabaja son al menos intervalares, mientras que las variables medidas en escalas Likert son de tipo categórico-ordinales. Otro inconveniente es que Pearson asume que las variables están normalmente distribuidas (normalidad bivariante), lo cual es bastante difícil de probar cuando se trata de variables ordinales. Para resolver este tipo de inconvenientes la literatura (Bollen, 1989; Jöreskog, 1990, 1994; Jöreskog y Moustaki, 2001; Muthén, 1984; Skrondal y Rabe-Hesketh, 2004) recomienda la utilización de las correlaciones policóricas (Olsson, 1979, 1982). Las correlaciones policóricas suponen que detrás de cada categoría observada en la escala subyace una variable no observable medida en un continuo. Por ejemplo, una variable ordinal

x1

con varias categorías se expresa de la siguiente manera:

44

1,  2,  x1   c  1,   c,  Donde

si x1  a1 si a1  x1  a2 si ac  2  x1  ac 1 si ac 1  x1

c es el número de categorías de x1 , ai (i=1,2,…, c-1)

cada categoría, y

x1

(1.9)

son los puntos de corte de

es la variable latente contínua que determina los valores de

x1

a

través de todos los puntos de corte de las categorías. Cuando se trata de variables ordinales, se deben determinar los puntos de corte (Bollen, 1989). Dichos puntos de corte se pueden estimar si se conoce la distribución de la variable latente

de casos que corresponden a cada categoría de las variables

asume que la variable latente

xi

xi

xj .

y la proporción

Comúnmente se

tiene distribución Normal.

Supongamos que Z 1 y Z 2 son dos ítems ordinales con m1 y m2 categorías. Su distribución muestral estaría dada por la siguiente tabla de contingencia:

Z2 1

1 n11

2 n12

2

n21

n22

Z1 i

j .

. .

. nij

m2 n1m2 .

n2 m2 nim2

. m1 nm11 nm1 2

nm1 j

nm1m2

45

Donde

nij

es el número de sujetos en la categoría i del ítem

Z1

y en la categoría j del

Z1*

ítem

Z2

Z 2*

, cuya distribución se supone Normal, entonces se puede asumir que su distribución

. Si se supone que subyacentes a estos dos ítems existen dos variables

conjunta es una distribución Normal Bivariante con una correlación policórica es el parámetro

y

 . La correlación

 en la distribución normal bivariante N 0,0,1,1,   , que se

muestra a continuación:

P  X  i, Y  j   pij 

ai

bj

 

ai 1 b j 1

El parámetro



( x 2  2  xy  y 2 )

exp

2(1  2 )

2 1   2

dxdy

 puede estimarse maximizando la función de máxima verosimilitud

de la distribución multinomial: m1 m 2

ln( L)   nij log( pij ) i 1 j 1

Aunque, en teoría, es necesario asumir la normalidad bivariante antes de calcular la matriz de correlaciones policóricas, este tipo de correlación es suficientemente robusta respecto a este tipo de violaciones (Lévy Mangin et al., 2006).

46

4. OBJETIVOS 4.1

Objetivo general Realizar la validación de constructo del modelo postulado y medido a través del

instrumento ISTAS21 en población chilena trabajadora adscrita a la Ley 16.744. 4.2

Objetivos específicos

1. Determinar la consistencia interna del conjunto de ítems que componen cada una de las sub-dimensiones postuladas por el ISTAS21. 2. Estimar la matriz de correlaciones policóricas de las variables que pretenden medir cada una de las dimensiones postulada por el ISTAS21. 3. Especificar el modelo de segundo orden para cada una de las dimensiones teóricas del ISTAS21. 4. Ajustar un AFC de segundo orden para cada una de las dimensiones teóricas del ISTAS21: 1. Evaluar la bondad de ajuste del modelo. 2. Estimación de los parámetros del modelo estandarizado. 3. Re-especificación del modelo si es necesario.

47

5. HIPÓTESIS El estrés laboral medido a través del ISTAS21 en una muestra chilena responde a la misma estructura de constructo encontrada en población española. Es decir, 5 dimensiones, cada una compuesta por varias sub-dimensiones de tal manera que: 5.1

5.2

La dimensión “Exigencias Psicológicas” está compuesta por: 

Exigencias psicológicas cuantitativas.



Exigencias psicológicas cognitivas.



Exigencias psicológicas emocionales.



Exigencias psicológicas de esconder emociones.



Exigencias psicológicas sensoriales.

La dimensión “Trabajo activo y desarrollo de habilidades” está compuesta por las siguientes sub-dimensiones:

5.3



Influencia.



Posibilidades de desarrollo en el trabajo.



Control sobre los tiempos de trabajo.



Sentido del trabajo.



Integración en la empresa.

La dimensión “Apoyo Social en la Empresa y Calidad de Liderazgo” está compuesta por las siguientes sub-dimensiones: 

Previsibilidad.



Claridad de rol.



Conflicto de rol.



Calidad de liderazgo.

48

5.4

5.5



Apoyo social de superiores.



Apoyo social de compañeros/as de trabajo.



Posibilidades de relación social.



Sentimiento de grupo.

La Dimensión “Compensaciones” está compuesta por los siguientes factores: 

Inseguridad laboral.



Estima.

La Dimensión “Doble presencia” es un factor en sí mismo y se mide directamente a través de los 4 ítems que la componen.

49

6. METODOLOGÍA 6.1

Diseño del estudio Se trata de un estudio de tipo transversal porque se hizo un corte en el tiempo para

recoger la información de las variables en estudio y no se le dará seguimiento posterior. 6.2

Población y Muestra La población objetivo de este estudio son los trabajadores chilenos adscritos a la

Ley 16.744. Dicha ley define el trastorno mental de origen laboral como un cuadro psiquiátrico originado en el ejercicio del trabajo y como agente causal a todos aquellos trabajos que general tensión psíquica. De esta forma, la ley reconoce el rol de las condiciones laborales en la génesis de la enfermedad psíquica. En cuanto a la muestra, se utilizaron los datos primarios obtenidos en el estudio de validación realizado por Alarcón et al. (2008). La muestra es representativa de la población de trabajadores adscritos a la Ley 16.744. El diseño de muestreo empleado fué de conglomerados probabilístico, multietápico y estratificado por actividad económica y sexo con criterio de distribución uniforme. El tamaño muestral efectivo es de 1557 trabajadores, con un nivel de confianza de 95%, un error absoluto de 2,3% y representativo de la población de trabajadores chilenos adscritos a la Ley 16.744. Finalmente, el instrumento fue aplicado a un total de 1022 hombres (65,6%) y 535 mujeres (34,4%). La edad del grupo fluctuó entre los 18 y 80 años, con una media de 37 años y una desviación estándar de 12 años y un Rango Inter-Cuartílico de 20 años. La distribución del sexo, de la edad y de los años de estudio por rama de actividad económica se puede apreciar en la Tabla 1 que se muestra a continuación.

50

Tabla 1. Distribución de la muestra según sexo, edad, número de años de estudio y rubro de actividad económica nº de años de estudio Media

d.e

Edad Media

d.e

Rubro 14.05

3.33

36.59 12.77

16.26

3.34

39.72 12.85

14.02

3.42

38.60 10.68

Explotación de Minas y Canteras

14.58

3.19

40.50 10.87

Establecimientos financieros, seguros, bienes inmuebles y servicios de préstamos

15.48

3.07

36.71 11.35

Electricidad, gas y agua

13.58

2.97

35.16

Construcción

13.67

3.24

37.26 12.78

Comercio por mayor o menor, Restaurantes y Hoteles

13.80

2.46

33.93 11.54

Agricultura, caza, silvicultura y pesca.

12.37

4.48

37.42 12.60

No especificado Total

14.58

3.50

35.99 12.19

Transporte, Almacenamiento y Comunicaciones Servicios Comunales, Sociales y Personales Industria Manufacturera

6.3

9.68

Material Se utilizó la versión larga del Cuestionario ISTAS21 (ver cuestionario en Anexo I),

cuyas características ya fueron descritas anteriormente. El cuestionario fue respondido por el sujeto de manera anónima y auto-aplicada, esto con el fin de disminuir posibles sesgos debidos a la presencia del entrevistador. Cada ítem tiene 5 opciones de respuesta, donde no hay respuesta correcta . Las posibles respuestas fueron codificadas de 0 a 4 (escala tipo Likert). Un mayor puntaje indica un mayor riesgo en una sub-dimensión, tanto cuando las proposiciones son

51

negativas como positivas. Ya que en las proposiciones negativas se invierte las puntuaciones asignadas. Por ejemplo:

Ítem “En mi trabajo me tratan injustamente” “Si pienso en todo el trabajo y esfuerzo que he realizado, el reconocimiento que recibo en mi trabajo me parece adecuado” 6.4

La Siempr mayorí Alguna e a de las s veces veces 4 3 2

0

1

2

Sólo unas pocas veces 1

3

Nunca

0

4

Plan de análisis estadístico

Se comenzará por la revisión de la consistencia de los datos. Se realizará un minucioso análisis de validez de los datos mediante la determinación del número de valores perdidos, valores extremos y de inconsistencias en el caso que los hubiese. Se continuará con el análisis de consistencia interna de cada una de las sub-dimensiones y dimensiones. Se utilizará el índice α de Cronbach (0 < α < 1) aplicado a los ítems que conforman cada sub-dimensión. Un valor del α de Cronbach mayor o igual a 0.70 será considerado como indicador de buena consistencia interna.Aquellos ítems que no contribuyan a una consistencia interna adecuada serán eliminados de la sub-dimensión de la cual formen parte.

Antes de proceder a realizar el análisis factorial confirmatorio de segundo orden, como se trata de variables categóricas ordinales, será necesario estimar la matriz de correlaciones policóricas de las variables y su correspondiente matriz de covarianzas asintóticas. Esto se llevará a cabo utilizando el programa PRELIS del LISREL. Una vez obtenida ésta matriz de correlaciones, se procederá a evaluar la validez de constructo de

52

cada una de las dimensiones postuladas a través del ajuste de un AFC de segundo orden llevado a cabo utilizando el módulo LISREL Project del programa LISREL 8.5.

Tal como fue explicado previamente en el marco teórico, para realizar un AFC se necesita fijar una referencia para identificar el modelo. En el caso del ISTAS, cada modelo para cada dimensión será identificado fijando las siguientes sub-dimensiones como referencias (carga factorial prefijada = 1) : para el factor “Exigencias Psicológicas” se fijará “Esconder emociones” ; para la dimensión “Trabajo activo y desarrollo de habilidades” se tomará como referencia fija la sub-dimensión “Influencia”; para el “Apoyo social en la empresa y calidad de liderazgo” la referencia fijada será la “Claridad de rol”; la dimensión Compensaciones utilizará como referencia la sub-dimensión “Inseguridad”. Cabe señalar que dichas referencias no entran en la interpretación de los modelos por ser valores prefijados.

El método de estimación utilizado será el de Mínimos Cuadrados Ponderados (WLS). Este método será utilizado porque es el más indicado a la hora de trabajar cuando no se cumple el supuesto de normalidad multivariante (Bollen, 1989; Muthén, 1984), como es el caso de las variables categóricas ordinales que constituyen el ISTAS21.

En cuanto a la evaluación del ajuste de modelo, se utilizarán los criterios mencionados en el marco teórico: cuando los valores del RMSEA sean inferiores a 0.05 el ajuste se considerará como bueno; entre 0.05 y 0.08 será considerado como razonable; entre 0.08 y 0.10 reflejaría un ajuste mediocre y si el RMSEA se encuentra por encima de 0.10 el modelo deberá ser rechazado. Los valores de CFI y GFI deberán ser ≥ 0.90 para poder decir que se tiene un ajuste razonablemente bueno.

53

Los análisis estadísticos se realizarán con el programa SPSS 15 y LISREL.8.5. Las sintaxis realizadas en Lisrel 8.5 para la estimación de las matrices de correlaciones policóricas y los AFC de cada dimensión se pueden ver con detalle en el Anexo IV.

54

7. RESULTADOS 7.1

Consistencia interna El análisis de consistencia interna de los ítems correspondientes a cada dimensión

y sub-dimensión llevaron a la eliminación de 11 ítems en total, con lo cual la versión del instrumento que será sometida al AFC estará compuesta por 86 ítems en lugar de 97 (para detalles ver Anexo III y IV). Dos de los reactivos eliminados pertenecían a las sub-dimensiones “Exigencias Psicológicas Cuantitativas” y “Exigencias Psicológicas Emocionales” respectivamente. El coeficiente α de Cronbach de la dimensión “Exigencias Psicológicas” con los 2 ítems era de 0.85 y sin ellos la consistencia aumentaba a 0.86 (Tabla 2). Igualmente se eliminaron 3 ítems que constituían completamente la sub-dimensión “posibilidades de relación social”. La decisión de eliminarlos se basó en que su consistencia interna resultó poco satisfactoria (α de Cronbach = 0.57). También fueron eliminados los 2 ítems que conformaban la sub-dimensión “previsibilidad”, ya que su consistencia interna no alcanzaba los niveles satisfactorios (alfa de Cronbach = 0.656). La dimensión de “Exigencias Psicológicas” muestra un buen nivel de consistencia interna, con un alfa de Cronbach de 0.86. Los resultados para cada una de sus sub-dimensiones también mostraron igualmente buenos índices de consistencia interna, con valores que fluctuaron entre 0.77 y 0.85 (Tabla 2). La dimensión de “Trabajo activo y desarrollo de habilidades” también obtuvo un muy buen nivel de consistencia interna con un alfa de 0.86. Los resultados para sus sub-dimensiones estuvieron entre 0.68 y 0.82. En el caso de la dimensión de “Apoyo social en el trabajo y calidad del liderazgo”, se obtuvo el valor más elevado para el alfa de Cronbach, con un 0.92. Todas las sub-dimensiones mostraron indicadores más que satisfactorios, con una fluctuación entre 0.71 y 0.92 (Tabla 2).

55

Tabla 2. Consistencia interna para las dimensiones y sub-dimensiones del ISTAS21 Número de ítems Dimensiones/Sub-dimensiones Exigencias psicológicas Exigencias cuantitativas[2] Exigencias cognitivas Exigencias emocionales[3] Exigencias de esconder emociones Exigencias sensoriales Trabajo activo y desarrollo de habilidades Influencia en el trabajo Posibilidades de desarrollo Control sobre el tiempo de trabajo Sentido del trabajo Integración en la empresa Apoyo social en la empresa y calidad del liderazgo Previsibilidad[4] Claridad de rol Conflicto de rol Calidad de liderazgo Apoyo social de superiores Apoyo social de compañeros Posibilidades de relación social[5] Sentimiento de grupo Compensaciones Estima Inseguridad Laboral Doble presencia [6]

α[1]

Originales

Eliminados

Finales

0.86 0.79 0.84 0.85

25 8 8 3

2 1 0 1

23 7 8 2

0.77

2

0

2

0.82

4

0

4

0.86

26

0

26

0.72 0.78

8 7

0 0

8 7

0.68

4

0

4

0.77 0.82

3 4

0 0

3 4

0.92

29

5

26

0.66 0.71 0.78 0.91 0.82 0.81

2 4 5 6 3 3

2 0 0 0 0 0

0 4 5 6 4 4

0.58

3

3

0

0.79 0.83 0.79 0.86 0.64

3 13 8 5 4

0 0 0 0 4

3 13 5 8 0

[1] Coeficiente final alfa de Cronbach de consistencia Interna [2] 1 ítem (b8) de ésta sub-dimensión fue eliminado para aumentar la consistencia interna [3] 1 ítem (b19) de ésta sub-dimensión fue eliminado para aumentar la consistencia interna [4] Los 2 ítems (b60 y b61) que conformaban ésta sub-dimensión fueron eliminados por tener muy baja consistencia interna (