Estructura Factorial de la SDO

Si bien, en un comienzo, los creadores de la SDO sostuvieron que esta escala era de carácter unidimensional (^{Pratto et al., 1994}), investigaciones posteriores (^{Cárdenas, Meza, Lagues, & Yañez, 2010}; ^{Etchezahar, Prado-Gascó, Jaume, & Brussino, 2014}; ^{Ho et al., 2015}; ^{Jost & Thompson, 2000}; ^{Silván-Ferrero & Bustillos, 2007}) han formulado y consolidado la SDO como una escala de estructura de dos factores, compuesta por las dimensiones: Dominancia Grupal (dg, en adelante), referida a la preferencia hacia los sistemas de dominación basados en jerarquías, donde los grupos de alto estatus dominan a los grupos de estatus menores, por medio del control y mantenimiento activo, incluso violento, de discursos agresivos que justificarían la opresión hacia los grupos más desfavorecidos (^{Ho et al., 2015}); y Oposición a la Igualdad (OI, en adelante), referida a la preferencia por sistemas de desigualdad, basados en grupos jerárquicos, que son mantenidos por una red interrelacionada de ideologías y políticas sociales que mantienen y aumentan la desigualdad y la jerarquía intergrupal (^{Ho et al., 2015}).

Ahora bien, esta solución de dos factores no ha estado libre de controversias, ya que se ha propuesto que el carácter bidimensional pudiese corresponder a un mero artefacto metodológico (^{Xin & Chi, 2010}), siendo la bidimensionalidad un emergente de efectos wording, por el carácter de redacciones positivas y negativas.

La SDO en el Contexto Latinoamericano

Desde sus inicios, la SDO ha evidenciado adecuados niveles de fiabilidad, tanto en estudios en países angloparlantes (estructura unidimensional: α =.80 a .89: ^{Pratto et al., 1994}; estructura bidimensional: α=.73 a .88 para DG y α =.77 a .89 para OI: ^{Jost & Thompson, 2000}), como en población hispanohablante (estructura bidimensional: α =.77 para DG y α =.84 para OI: ^{Silván-Ferrero & Bustillos, 2007}; α =.88 para DG y α =.79 para OI: ^{Cárdenas et al., 2010}; α =.74 para DG y α =.83 para OI: ^{Etchezahar et al., 2014}). No obstante, con la salvedad de un estudio realizado en Argentina (Etchezahar et al., 2014), todos las investigaciones mencionadas se restringen al uso exclusivo del coeficiente alfa de Cronbach, pese a las limitaciones conocidas como el infrecuente cumplimiento del supuesto de tau-equivalencia (^{Cho & Kim, 2015}), condición que rara vez se cumple en la práctica (^{Trizano-Hermosilla & Alvarado, 2016}). Es por esta razón que múltiples autores han recomendado la utilización y reporte de coeficientes de fiabilidad alternativos (^{Revelle & Zinbarg, 2009}), como el coeficiente Omega (^{Dunn, Baguley, & Brunsden, 2014}), el cual es más robusto ante el incumplimiento del supuesto de tau-equivalencia (^{Viladrich, Angulo-Brunet, & Doval, 2017}).

Por otra parte, si bien las adaptaciones hispanohablantes de la SDO (^{Cárdenas et al., 2010}; ^{Etchezahar et al., 2014}; ^{Silván-Ferrero & Bustillos, 2007}) han reportado evidencias de validez basadas en la estructura interna del test, los estudios realizados poseen limitaciones psicométricas de consideración: (1) uso de análisis de componentes principales (ACP), el cual no permite identificar estructuras latentes, ya que opera de manera similar a los modelos formativos (^{Lloret-Segura, Ferreres-Traver, Hernández-Baeza, & Tomás-Marco, 2014}), donde se asume que los indicadores conforman la variable de modo aditivo (^{Bollen & Lennox, 1991}; ^{Diamantopoulos & Siguaw, 2006}), por lo que no es posible identificar el error de medida de los indicadores (^{Ferrando & Anguiano-Carrasco, 2010}), y (2) uso de rotaciones ortogonales que asumen independencia interfactorial (^{Izquierdo, Olea, & Abad, 2014}), contradiciendo de esta forma el supuesto teórico de que las dimensiones dg y oí son dos factores relacionados que componen la SDO (^{Ho et al., 2012}; ^{Kugler, Cooper, & Nosek, 2010}).

Además de estas restricciones, las adaptaciones hispanohablantes se han visto limitadas en la capacidad de generalización de sus resultados debido a que, tanto en población chilena (^{Cárdenas et al., 2010}) como española (^{Silván-Ferrero & Bustillos, 2007}), las muestras solo han estado conformadas por estudiantes universitarios (^{Cárdenas et al., 2010}; ^{Etchezahar et al., 2014}; ^{Silván-Ferrero & Bustillos, 2007}), lo que ha limitado la evidencia de validez para su uso exclusivo en el contexto universitario. Esta limitación puede resultar importante si se considera que el entorno académico está dotado de ambientes politizados que propician discursos de igualdad y rechazo a la discriminación de minorías (^{Sidanius, Levin, van Laar, & Sears, 2008}), que pueden favorecer la manipulación y/o enmascaramiento de actitudes intergrupales discriminatorias (^{Henry, 2008}).

En este sentido, para comprender de mejor manera las actitudes y comportamientos inter-grupales que pueden favorecer la opresión y la desigualdad en el sistema social, es necesario proporcionar estimaciones de fiabilidad y evidencias de validez suficientes y actualizadas de la escala SDO en población no universitaria, conforme al actual estado del arte psicométrico, entregando garantías éticas mínimas para sustentar las conclusiones y hallazgos que se obtengan a partir de las mediciones psicométricas realizadas (^{AERA, APA, & NCME, 2014}).

Modelos de Ecuaciones Estructurales Exploratorios como una Alternativa al AFE y al AFC

Las evidencias de validez basadas en la estructura interna de las pruebas tienen como objetivo evaluar si la dimensionalidad del modelo teórico estudiado se condice con las puntuaciones u observaciones empíricas recogidas (^{Prieto & Delgado, 2010}). Las técnicas más habituales para dar cuenta de la evidencia de validez basada en el constructo son los análisis factoriales exploratorios (AFE, en adelante) y los análisis factoriales confirmatorios (AFC, en adelante; ^{Lloret-Segura et al., 2014}). Además, para probar la estructura de los modelos de medida, frecuentemente se suele realizar primero un AFE y luego un AFC (en el caso de la SDO, ^{Cárdenas et al., 2010}; ^{Etchezahar et al., 2014}; ^{Silván-Ferrero & Bustillos, 2007}), lo que genera pérdida muestral (al dividir la muestra) y riesgos de capitalización del azar (^{Izquierdo et al., 2014}). Usualmente, se suele pensar que cuando se busca identificar una estructura que no ha sido planteada a priori por alguna teoría, se utiliza el AFE (^{Henson & Roberts, 2006}), mientras que cuando se busca evaluar si una teoría planteada a priori se extrapola en los datos analizados, se suele utilizar el AFC (^{Jackson, Gillaspy, & Purc-Stephenson, 2009}). Sin embargo, para Morin, ^{Marsh y Nagengast (2013)} esta distinción es errónea, pues argumentan que la diferencia fundamental entre el AFE y el AFC es que, en el caso del AFE todas las saturaciones cruzadas se estiman libremente, mientras que en el AFC, al estar basado en modelos de clusters independientes (ICM en inglés), cada indicador satura en un único factor (saturaciones cruzadas restringidas a cero). Esta situación provoca la exclusión de saturaciones cruzadas relevantes, afecta las estimaciones de ajuste y distorsiona las dimensiones de los constructos, sobreestimando la relación entre el factor y el ítem y/o también las relaciones entre esos factores y otros constructos (^{Asparouhov & Muthén, 2009}). Por lo tanto, el AFC sería solo un procedimiento más restrictivo que AFE (^{Ferrando & Anguiano-Carrasco, 2010}; ^{Ferrando & Lorenzo-Seva, 2014}), pero sin subsanar sus deficiencias. Para subsanar las limitaciones que posee el uso de AFE y AFC, en la última década se han propuesto e implementado los modelos de ecuaciones estructurales exploratorios (ESEM, sigla original del inglés), los cuales se fundamentan en la combinación de los AFE y AFC, proporcionando la identificación de la estructura del modelo de manera más flexible, pero controlando de mejor forma las fuentes de variabilidad que no pertenecen al constructo (^{Herrmann & Pfister, 2013}; ^{Marsh et al., 2009}). En los ESEM, la forma de definir cada factor a priori, es mediante la rotación TARGET (^{Asparouhov & Muthén, 2009}), la cual "dirige" las saturaciones factoriales a cero (^{Howard, Gagné, Morin, & Forest, 2018}), por lo que la estructura de cada constructo se establece de acuerdo con un modelo teórico específico. En otras palabras, los ESEM corresponden a una estrategia confirmatoria, con la ventaja de otorgar una representación más realista que los AFC, al incluir las saturaciones cruzadas dentro de los modelos (^{Asparouhov & Muthén, 2009}; ^{Morin, Arens, & Marsh, 2015}).

Objetivos de la Presente Investigación

En este escenario, el propósito del presente estudio es revisar las propiedades psicométricas de la SDO, incluyendo la revisión de la estructura factorial y posibles efectos de método, acorde con metodologías y estándares contemporáneos, dentro de un contexto hispanohablante de población no universitaria.

Método

Resultados

Los índices de ajuste para todos los modelos se muestran en la Tabla 1. En primera instancia, se valoraron los ajustes de los modelos M1, M2 y M3: M1 presentó un ajuste deficiente, observándose niveles de ajuste inferiores a los estándares recomendados por la literatura (CFIX95; TLIX95; RMSEA<.05 con IC [.00 .08]; ^{Schreiber, 2017}); M2 evidenció un ajuste aceptable, cercano a los valores recomendados (CFI=.95; TLI=.94; RMSEA=.07) con saturaciones factoriales entre .38 a .82 en DG y entre .68 a .88 en OI; mientras que M3 superó en ajuste (CFI=.97; TLI=.96; RMSEA=.06) a los modelos M1 y M2, pero el factor general (FG, en adelante) evidenció saturaciones factoriales no significativas (P1 y P2) e inversas (P5), observándose siete saturaciones factoriales menores a .30.

En el caso de los modelos con factor de VCM (M4 y M5), el modelo unifactorial continuó presentando un ajuste deficiente (CFI=.93; TLI=.92; RMSEA=.09), mientras que el modelo de dos factores (M5), si bien presentó un ajuste cercano a los estándares utilizados (CFI=.95; TLI=.93; RMSEA=.06), no supuso un incremento sustantivo respecto al modelo de dos factores sin control de VCM.

Al no tener evidencia para poder sostener que la SDO mantiene una estructura unifactorial, incluso considerando efectos de método, se probaron, vía ESEM, los modelos de dos factores (M6) y el modelo bifactor (M7). Ambos modelos presentaron niveles de ajuste aceptables y saturaciones factoriales cruzadas pequeñas (λ < .20), sin embargo, el modelo bifactor (M7) presentó saturaciones factoriales estadísticamente no significativas (P4, P11, P12, P13, P15 y P16), algunas inversas (P3, P6, P8 y P10) y 12 saturaciones factoriales menores a .30.

En todos los modelos analizados, los índices de modificación evidenciaron dos pares de ítems con redundancias excesivas (i.e., redacción equivalente) en cada uno de los factores, específicamente: P7 (Los grupos inferiores deberían mateerse en su lugar) con P8 (La diferencia entre grupos sociales es natural y debería ser mateida); y P9 (Sería deseable que todos los grupos fueran iguales) con P10 (La igualdad entre los grupos debería ser nuestro ideal). Por lo tanto, se hicieron nuevos análisis de cada modelo (M1, M2, M3, M6 y M7), realizando depuraciones iterativas y descartando los ítems que presentaron constantemente saturaciones más bajas (P8 y P9).

Si bien la eliminación de dichos ítems produjo mejoras sustantivas en los ajustes de todos los modelos, solo los modelos M2 y M6 depurados, presentaron indicadores de ajuste, comparativos (CFI, TLI) y absolutos (X²/gl; RMSEA) aceptables, así como saturaciones factoriales significativas en todos sus reactivos. Las saturaciones factoriales para cada dimensión y las estimaciones de fiabilidad en las dimensiones depuradas de M2 y M6 se presentan en la Tabla 2.

En M2 depurado, se observaron saturaciones factoriales entre .39 y .69 para DG y entre .68 y .88 para oí. Mientras que en M6 depurado se presentaron saturaciones factoriales cruzadas, en su mayoría, pequeñas (λ<.20). En cuanto a la relación entre factores, se observó una correlación pequeña (r>.20; ^{Cohen, 1988}) en ambos modelos depurados.

Finalmente, con respecto a las estimaciones de fiabilidad de la escala SDO con 14 ítems, DG obtuvo coeficientes α =.67 y ω=.66, mientras que oí obtuvo coeficientes α=.85 y ω =.84. Asimismo, cada dimensión presentó correlaciones ítem-total superiores α .31 (DG=.31 a .41; 01=45 a .70).

Discusión

Esta investigación tuvo como objetivo indagar las propiedades psicométricas de la SDO, presentando evidencias de validez y fiabilidad para su uso en población no universitaria equivalente a la muestra. Para cumplir dicho propósito, se utilizaron las estrategias psicométricas más adecuadas de acuerdo con los supuestos teóricos y características de la SDO. Se analizó la estructura interna del test, contrastando diferentes modelos por medio de AFC (incluyendo el control de la VCM) y ESEM. Asimismo, se estimó la consistencia interna del test, a través del coeficiente alfa de Cronbach y del coeficiente Omega (^{Dunn et al., 2014}; ^{Howard et al., 2018}).

De acuerdo con los modelos contrastados en el presente estudio, se evidencia que la SDO presenta dos factores sustantivos (DG y OI). Los modelos unifactoriales (M1, M4 y M1 depurado) no otorgaron evidencia suficiente para sostener que la SDO represente un factor general. Estos resultados se replicaron, incluso en los modelos (M4 y M5) a los cuales se les controló la varianza común del método (VCM).

En cuanto a los modelos bifactor (M3, M5, M7, M3 depurado y M7 depurado), si bien estos demostraron ajustes aceptables, sus factores generales en ningún modelo fueron reflejados por la totalidad de los ítems de la escala. En cambio, los factores específicos sí se adecuaron a la propuesta teórica de dos factores (^{Jost & Thompson, 2000}), evidenciando cargas significativas tanto en la DG como en la OI.

En todos los modelos analizados inicialmente, los ítems P7 con P8 y P9 con P10, presentaron los índices de modificación más altos, lo que ayudó a detectar redundancias que pudieron estar afectando los índices de ajuste del instrumento (^{Lloret-Segura et al., 2014}). Por esta razón, a la versión original de 16 ítems, se le eliminaron los ítems P8 y P9, ya que su contenido era muy similar a P7 y P10 respectivamente. A pesar de estas modificaciones, M2 y M6 depurados, demostraron ser los modelos que mejor representan las relaciones observadas. Por lo tanto, la estructura de dos factores propuesta por ^{Jost y Thompson (2000)} sería la más adecuada a considerar.

En cuanto a los resultados de fiabilidad, oí obtuvo valores similares a evaluaciones anteriores (α =.85, ω=.84; ^{Cárdenas et al., 2010}; ^{Etchezahar et al., 2014}; ^{Jost & Thompson, 2000}; ^{Silván-Ferrero & Bustillos, 2007}). Sin embargo, DG evidenció una fiabilidad notoriamente más baja (α=.67, ω=.66) en comparación con adaptaciones anteriores. Estas diferencias en los resultados se podrían deber a la forma en que se recogieron los datos en cada investigación. En los estudios anteriores, los participantes realizaron encuestas auto-aplicadas, mientras que en nuestro estudio el procedimiento fue hetero-aplicado, lo cual pudo incrementar la deseabilidad social de los encuestados, creando poca variabilidad inter-sujetos en las respuestas de la dimensión en cuestión (DG), reduciendo los niveles de fiabilidad. Esta situación se podría explicar debido a que DG expresa una forma manifiesta de actitudes que se inclinan por la desigualdad entre los grupos, mientras que oí, sería una forma atenuada de esta actitud de jerarquización (^{Ho et al., 2015}).

Asimismo, llama la atención que, en todas las adaptaciones hispanohablantes, la dimensión Dominancia Grupal obtuvo una fiabilidad sustancialmente menor a la reportada por las versiones en inglés. En el futuro sería deseable contar con un análisis de invarianza para ver si la cultura tiene algún efecto en la comprensión del instrumento, o también, si se debe a algún problema de traducción y/o adaptación al español.

Respecto a las evidencias de validez, tanto el AFC como el ESEM evidencian que la escala es una adecuada representación de las relaciones observadas. Sin embargo, el ESEM entregó mejores índices de ajuste, debido a que las estimaciones entregadas por los ESEM son particularmente eficientes para absorber la complejidad no modelada de los constructos, lo que a su vez puede inflar el ajuste de estas estimaciones en comparación con modelos que no toman en cuenta esta complejidad (e.g., cuando se usa AFC; ^{Morin et al., 2015}). Por otro lado, en el caso del AFC, las cargas cruzadas que se fuerzan inapropiadamente a mantener un valor cero, pueden conducir a factores distorsionados con correlaciones sobrerrepresentadas (^{Marsh et al., 2009}). De igual forma, algunos estudios de simulación han mostrado que los ESEM tienden a proporcionar una mejor representación de las correlaciones observadas entre los factores (^{Marsh, Lüdtke, Nagengast, Morin, & Von Davier, 2013}), lo que lleva a la recomendación de que se debe preferir los ESEM cuando las correlaciones entre los factores son sustancialmente menores en comparación con las correlaciones entre factores que puedan presentar los AFC (e.g., ^{Asparouhov, Muthén, & Morin, 2015}). Sin embargo, en el caso de nuestro estudio, no se observó una gran diferencia entre los dos métodos de análisis en cuanto a la correlación entre factores (AFC: r=.28; ESEM: r=.22). Asimismo, utilizando ESEM, se pudo observar que el ítem 5 'Si ciertos grupos se mantuvieran en su lugar, tendríamos menos problemas', tuvo una carga cruzada de -.20, lo que señalaría que parte de oí, también se estaría reflejando en este ítem, lo cual entrega una información más fidedigna del reactivo.

En concordancia con la literatura (e.g., ^{Asparouhov & Muthén, 2009}; ^{Howard et al., 2018}; ^{Marsh, Nagengast, & Morin, 2013}), ESEM evidenció ser una herramienta eficiente para poder representar las relaciones observadas de los modelos, aportando valiosa información de las cargas cruzadas que presentaron los reactivos. Por lo tanto, se evidencia la ventaja de considerar el uso rutinario de ESEM como un análisis alternativo a considerar en contextos aplicados para generar evidencias de validez.

En el caso del presente estudio, ambas estrategias evidenciaron buenas representaciones y ajuste de los datos al modelo de dos factores, lo que concuerda con gran parte de la evidencia reportada hasta la fecha (e.g., ^{Cárdenas et al., 2010}; ^{Etchezahar et al., 2014}; ^{Ho et al., 2012}; ^{Ho et al., 2015}; ^{Jost & Thompson, 2000}; ^{Kugler et al., 2010}; ^{Silván-Ferrero & Bustillos, 2007}). Con todo, es preferible considerar M2 depurado por sobre M6 depurado, debido al mayor grado de parsimonia que presentan los modelos especificados con AFC en comparación a los ESEM (^{March et al., 2009}).

Conclusión

Con base en los resultados, se corrobora que, en su versión modificada de 14 ítems, las puntuaciones de la escala Orientación hacia la Dominancia Social poseen evidencia suficiente para sustentar su uso e interpretación, en población no universitaria equivalente.