INTRODUCCIÓN
El trastorno por déficit de atención e hiperactivi-dad (TDAH) es un trastorno del desarrollo neuroló-gico con una base genética caracterizada por síntomas de falta de atención (IN), hiperactividad (HI) e impulsividad (IM), los cuales no se adecuan al desarrollo del niño (APA, 2000, 2013). Además, los síntomas deben ser más graves que los observados
en otros niños de la misma edad, inteligencia y nivel de desarrollo, estando presentes en diversos con-textos y causando problemas relevantes en su vida cotidiana. Se han realizado diversos estudios sobre la estructura latente del TDAH, sobre todo en pobla-ción mayor de cinco años. Por ejemplo, los estudios de Sterba, Egger y Anglold (2007) en una muestra clínica y Strickland et al. (2011), en una muestra ge-neral, sugirieron la presencia de dos factores (IN, HI/IM) que eran distintos de otros trastornos como el TOD (trastorno de oposición desafiante). Por el contrario, Bauermeister (1992) obtuvo el mejor ajuste en un modelo unidimensional de TDAH y TOD.
M
ULTIDIMENSIONAL EVALUATION OF THE GENERAL AND SPECIFIC FACTORS OF
ADHD
IN CHILDREN POPULATION WITH THE
B
IFACTOR
-ESEM
APPROACH
Jonatan Frutos de Miguel
Resumen
Se estimaron nueve modelos ESEM y CFA de primer orden y bifactor del trastorno por déficit de atención e hiperactividad (TDAH) mediante el uso del análisis factorial confirmatorio (ICM-CFA) y los modelos exploratorios de ecuaciones estructurales (ESEM) para estudiar su estructura factorial según las respuestas de los padres al Inventario de comportamiento infantil y adolescente: versión para padres (CABI) sobre el comportamiento de 632 niños de 6 a 16 años (M=10,46; DT=2,35) de la ciudad de Talca (Chile). El modelo Bifactor-ESEM de tres factores específicos (falta de atención, hiperactividad e impulsividad) mostró el mejor ajuste e interpretabilidad. Se observó una estricta invariancia entre los sexos. Además, el modelo bifactor proporcionó una solución a las inconsis-tencias encontradas anteriormente en los modelos factoriales del TDAH. Sin embargo, la baja con-fiabilidad de los factores específicos arroja dudas sobre la utilidad de las subescalas para la medición del TDAH.
Palabras clave:TDAH, modelos bifactor, ESEM, invarianza.
Abstract
Nine ESEM and CFA first-order and bifactor models of attention deficit hyperactivity disorder (ADHD) were estimated using confirmatory factor analysis (ICM-CFA) and exploratory structural equation models (ESEM) to study its factorial structure according to the evaluations of the parents through the Inventory of Child and Adolescent Behavior: version for parents (CABI) on the behaviour of 632 children from 6 to 16 years old (M = 10.46, SD = 2.35) from the city of Talca (Chile). The bi-factor ESEM model of three specific bi-factors (deficit of attention, hyperactivity and impulsivity) showed the best fit and interpretability. There was a strict invariance between the sexes. In addition, the bifactor model provided a solution to the inconsistencies found earlier in the factorial models of ADHD. However, the low reliability of the specific factor’s casts doubts on the utility of the sub-scales for the measurement of ADHD.
Key words:ADHD, bifactor model, ESEM, invariance.
Recibido: 10-05-19 | Aceptado: 15-12-19
Universidad de Valladolid E-Mail: [email protected]
REVISTA ARGENTINA DE CLÍNICA PSICOLÓGICA XXVIII p.p. 967-980 © 2019 Fundación AIGLÉ.
EVALUACIÓN MULTIDIMENSIONAL DE LOS FACTORES
GENERALES Y ESPECÍFICOS DEL TDAH EN POBLACIÓN INFANTIL
MEDIANTE EL ENFOQUE BIFACTOR-ESEM
Willoughby, Pek, Greenberg and the Family Life Pro-ject Investigators (2012) observaron que la sintoma-tología del TDAH estaba mejor representada por un solo factor latente. Mientras que, Hardy et al. (2007) obtuvieron índices de ajuste que eran marginal-mente aceptables para los modelos de dos y tres fac-tores en las respuestas de los padres e índices con un peor ajuste en el caso de los maestros. En el es-tudio de Amador et al. (2006) el modelo tridimensio-nal fue el que mostró el mejor ajuste referido a las respuestas de los maestros, siendo el modelo bidi-mensional, en cambio, el que mejor ajuste mostró en el caso de los padres.
Una posible explicación de esta inconsistencia sería que las características del contexto y del des-arrollo neurológico típicas de las etapas tempranas están asociadas con diferentes patrones de compor-tamiento relacionados con el TDAH. Es posible que estas especificidades no se reflejasen adecuada-mente en el modelo tradicional. En un estudio longi-tudinal con muestras clínicas generales, Curchack-Lichtin, Chacko y Halperin (2014) observa-ron que los síntomas de falta de atención tenían una capacidad discriminativa baja en niños menores de cinco años, mientras que lo contrario era cierto para los síntomas de hiperactividad e impulsividad. Este patrón, en cambio, se invirtió en niños mayores de seis años. Por lo tanto, los autores sugirieron que los comportamientos impulsivos podrían ser indica-dores específicos de niños en edades tempranas, pero poco discriminativos en relación con la presen-cia de TDAH. Estos resultados coinciden con el estu-dio longitudinal de Lahey, Pelham, Loney, Lee y Willcutt (2005), quienes observaron una relación sig-nificativa entre la edad temprana y los síntomas HI/IM, una alta volatilidad del subtipo hiperactivo y un porcentaje considerable de niños con un perfil hi-peractivo que experimentaron remisión de los sínto-mas. Los perfiles típicos del comportamiento infantil también han mostrado algunos marcadores cogniti-vos específicos asociados con el TDAH. Por ejemplo, Sonuga-Barke, Dalen, Daley y Remington (2002) y Schoemaker et al. (2012) observaron un patrón dife-rente en la función ejecutiva de los niños en edades tempranas, respecto a niños que cumplían con los criterios diagnóstico del TDAH mostrando déficits en el control inhibitorio, pero no en la memoria de tra-bajo. Lo contrario a lo que se había observado en niños mayores, que mostraban déficits en ambos as-pectos de la función ejecutiva. Las diferencias de gé-nero también han sugerido diferentes aspectos con respecto a las manifestaciones del TDAH. En mues-tras escolares, se ha observado una mayor frecuen-cia de conductas relacionadas con el TDAH en varones (APA, 2002). Sin embargo, la proporción hombre-mujer es sustancialmente menor en niños pequeños (Nolan, Gadow y Sprafkin, 2001), sin que se produzcan diferencias por género en los subtipos desatentos e hiperactivos en población menor de
seis años. Durante la última década, un número cre-ciente de estudios ha proporcionado un nuevo enfo-que metodológico para el estudio de la estructura del TDAH. Estos estudios han usado modelos bifac-toriales (Holzinger y Swineford, 1937) para represen-tar los síntomas del TDAH a través de un factor general y dos o tres factores específicos.
Una de las principales ventajas de los modelos bifactor es que la varianza debido al origen común (es decir, el factor general G) se puede diferenciar de la varianza asociada a las fuentes específicas de cada grupo de indicadores (es decir, los factores es-pecíficos IN, HI e IM; en el caso del TDAH). El modelo bifactor es una potente herramienta para explorar aspectos centrales del trastorno, como la validez de los subtipos (Toplak et al., 2009) o la equivalencia de los modelos factoriales de TDAH basados en las teorías de procesamiento neuropsicológico plante-adas en la existencia de dos o más vías de desarrollo con una etiología compartida (por ejemplo, Burns, de Moura, Beauchaine y McBurnett, 2014; Nigg, 2012; Sonuga-Barke, Bitsakou y Thompson, 2010). En la actualidad, se han publicado más de 30 estu-dios durante la última década que han utilizado mo-delos bifactor para estudiar la estructura interna del TDAH (Frutos, 2019). La mayoría de los estudios han coincidido en que el modelo bifactor presenta índi-ces de ajuste globales que son sustancialmente me-jores que los de los modelos factoriales de primer orden tradicionales. Además, este modelo general-mente se considera que representa de manera óp-tima la estructura latente del trastorno. En estos estudios, el factor G era estable y estuvo bien repre-sentado en todos los síntomas en diversos tipos de muestras, informantes, medidas y condiciones de estudio. Por el contrario, los factores específicos tu-vieron una mayor variación, tanto en su configura-ción (dos o tres factores) como en la magnitud de las cargas factoriales. Este hallazgo sugiere que el mo-delo bifactor podría separar la información, asociada con aspectos centrales y estables del trastorno, de la varianza atribuible a otras fuentes.
Diversos estudios como los que se muestran en la Tabla 1 utilizaron el modelo de clúster indepen-diente dentro del análisis factorial confirmatorio (ICM-CFA). Sin embargo, el ICM-CFA presenta algu-nas limitaciones para representar adecuadamente ciertos constructos psicológicos complejos (Aspa-rouhov y Muthén, 2009; Marsh et al., 2010; Marsh, Morin, Parker y Kaur, 2014). Estos problemas sugie-ren que: a) el enfoque ICM-CFA asume que cada ele-mento representa solo su factor teórico, lo que en la práctica da como resultado la especificación de que todas las cargas cruzadas son igual a cero. Sin em-bargo, es razonable suponer que la superposición entre ciertas construcciones psicológicas complejas denota que los elementos no son indicadores "puros" de un solo factor. De hecho, los estudios de la estructura del TDAH que han empleado el análisis
factorial exploratorio (EFA) han observado, de ma-nera consistente, múltiples cargas cruzadas entre los indicadores (Hardy et al., 2007; Rhode et al., 2001). Este hallazgo plantea una amenaza a la vali-dez discriminante del síntoma en casos con altas car-gas cruzadas, dado que impide su evaluación.
Dicha limitación presenta un problema adicional: la restricción de las cargas cruzadas desvía una parte de la varianza compartida entre los indicadores hacia las correlaciones entre factores, que se inflan artificialmente (Schmitt y Sass, 2011), lo que lleva a una interpretación sesgada del modelo. Además, fijar las cargas cruzadas a cero puede llevar a errores de especificación en los modelos de medición lo que conllevaría el rechazo de las hipótesis correctas. En segundo lugar, otras fuentes posibles de multidi-mensionalidad del ítem incluyen la presencia de un factor G subyacente para todos los indicadores de la escala (Morin, Arens y Marsh, 2016). Cuando ocurre este fenómeno (lo cual se produciría en el caso del TDAH, según los estudios citados en la Tabla 1), un modelo bifactor sería apropiado para dar forma a este componente común (factor G), aislándolo así de componentes específicos y distribuyendo la varianza en una forma más eficiente e interpretable. Sin em-bargo, dado que establece las cargas cruzadas en cero entre factores específicos, el modelo de bifactor CFA comparte algunas de las limitaciones menciona-das anteriormente. Este procedimiento podría llevar a una sobreestimación de la varianza explicada por el factor G (Murray y Johnson, 2013), lo que socavaría la capacidad representativa de factores específicos. Recientemente, se ha utilizado una alternativa para modelar datos que supera las limitaciones dcritas. El enfoque de los modelos de ecuaciones es-tructurales exploratorios (ESEM) integra los procedimientos del análisis factorial exploratorio (EFA) con los CFA (Asparouhov y Muthén, 2009). De esta manera, los modelos ESEM combinan la flexibi-lidad de los EFA con las ventajas críticas de los CFA, incluida la estimación de índices de ajuste globales que son comparables entre diferentes modelos, la posibilidad de evaluar y modelar las fuentes locales de inadaptación o la posibilidad de análisis multi-grupo (Marsh et al., 2010). Los modelos ESEM ha de-mostrado la capacidad de modelar constructos psicológicos complejos (por ejemplo, la personali-dad) de manera más eficiente que los ICM-CFA. Los modelos ESEM también ha demostrado ser eficaz en el estudio de la estructura latente y la validez de los instrumentos utilizados para medir el TDAH y el TOD (Burns et al., 2013). Además, los modelos bifactor se han incorporado recientemente en ESEM. La rota-ción bifactor (Jennrich y Bentler, 2011, 2012; Reise, Moore y Haviland, 2010; Watts, Poore y Waldman, 2019) permite el modelado simultáneo de ambos tipos de multidimensionalidad del ítem debido a la influencia de factores no específicos como los que resultan de la presencia de un factor de orden
supe-rior. Por lo tanto, los modelos ESEM se ha convertido en una herramienta con un alto potencial a la hora de aportar información valiosa en los complejos aná-lisis multidimensionales inherentes a algunos cons-tructos psicológicos (Marsh, Guo, Dicke, Parker y Craven, 2019; Morin et al., 2016). En resumen, (a) no existe evidencia consistente sobre la estructura de factores óptima del TDAH en población infantil; (b) no hay un gran cuerpo de estudio específico de la estructura bifactorial del TDAH aplicando modelos ESEM; (c) hay evidencias de diferentes aspectos del comportamiento del TDAH en niños en edad escolar, sin embargo, se desconoce cómo afectan estas dife-rencias a la configuración de los factores hipotéticos G (factor general) y S (factores específicos) del TDAH; (d) el método ESEM ofrece ventajas sobre los modelos ICM-CFA, ya que permite la detección de síntomas con menor capacidad discriminativa y ofrece estimaciones más precisas de las cargas de los factores primarios y las correlaciones entre los factores (Burns et al., 2013).
El principal objetivo, por tanto, es aclarar la es-tructura latente del TDAH en niños de 6 a 16 años de acuerdo con los síntomas presentados en el DSM-IV-R (APA, 2002) a través del método bifactor ESEM. Para ello, comparamos diferentes estructu-ras factoriales obtenidas a partir de dos aproxima-ciones analíticas (ICM-CFA y ESEM). Sobre la base de los resultados de las investigaciones anteriores se planteó lo siguiente: (a) el modelo bifactor ESEM presentará el mejor ajuste e interpretabilidad; (b) el factor G adquirirá un mayor poder explicativo con respecto a las respuestas de los participantes; (c) las cargas de factores específicos mostrarán una configuración parcialmente diferente con una mayor relevancia del factor HI e IM; (d) las diferencias de género serán menores que las observadas en los tudios previos; (e) los modelos ESEM mostrarán es-timaciones más precisas de los parámetros y una mayor eficiencia en la distribución de la variación del ítem. En la actualidad, existen pocos estudios que implemente los modelos bifactor ESEM en la evaluación de la estructura factorial del TDAH. Ade-más, los estudios citados en la Tabla 1 se basaron, en su mayoría, en muestras de habla inglesa. Sin evidencia empírica de la validez del constructo, no se puede presumir la comparabilidad intercultural de una estructura interna. Por lo tanto, uno de los objetivos de este estudio es agregar evidencia em-pírica a la validez del modelo bifactor ESEM del TDAH en una muestra de habla hispana.
MÉTODO
ParticipantesLa muestra fue accidental y estuvo compuesta por un total de 632 participantes (276 niños y 356 niñas) con una edad promedio de 10,46 años
(DT=2,35) en población general. La distribución muestral de los niños y niñas, en función de la edad, presentó unos valores de ligera asimetría negativa en ambos sexos y una fuerte distribución platicúr-tica, lo que indicó un grado reducido de valores en la zona central. Se estableció contacto directo con familias con hijos o hijas en edad escolar en la ciu-dad de Talca y el entorno de la región del Maule (Chile). Se les explicó el objetivo de la investigación y los participantes dieron su consentimiento infor-mado para participar en una entrevista personal donde se les paso el Inventario de Comportamiento infantil o adolescente: versión para padres y madres (CABI). De cada familia, uno de los dos progenitores (bien, el padre o la madre) evaluó a su hijo/a me-diante esta escala. Al ser recogidos los datos de ma-nera presencial, como ya se ha mencionado, se obtuvo un cien por cien de inventarios completos y válidos para este estudio.
Instrumento
Se utilizó el "Inventario de comportamiento in-fantil y adolescente” (CABI) (Burns, Taylor y Rusby, 2001) en su versión para padres. Este instrumento evalúa diferentes aspectos del comportamiento en niños y jóvenes, así como aspectos sociales y aca-démicos. El inventario consta de nueve cuestiona-rios breves donde cada pregunta describe un comportamiento concreto del niño/a, y cuya res-puesta señala la frecuencia con la que dicha con-ducta apareció en el niño o niña durante el último mes, con una escala de respuesta de seis opciones que oscila desde «casi nunca» hasta «casi siempre». Además, cada cuestionario viene acompañado de dos preguntas donde se pide la valoración global, in-dicando si los comportamientos produjeron dificul-tades a nivel social y académico en el niño/a. La confiabilidad y la validez de construcción de la es-cala han sido respaldadas empíricamente, además de mostrar capacidad predictiva para problemas es-colares (Burns et al., 2001). Se solicitó a los padres y madres que evaluaran la frecuencia de cada com-portamiento, teniendo en cuenta el comportamiento normal del niño en el contexto escolar y familiar du-rante los seis meses anteriores.
Análisis de los Datos
Se siguieron las recomendaciones de Morin et al. (2016) para la realización de una prueba integrada de multidimensionalidad, es decir, una estimación y comparación del ajuste ICM-CFA en los modelos fac-toriales de primer orden y los modeles bifactor ESEM, una revisión de las correlaciones entre los fac-tores y una revisión de los patrones de las cargas y cargas cruzadas en presencia y ausencia de un factor general. Para la estimación de los modelos se usó una rotación target oblicua. Este tipo de rotación identifica la solución rotada que se aproxima a una configuración de cargas preespecificada. Por lo
tanto, se expresa la hipótesis, a priori, con respecto al patrón de cargas y cargas cruzadas, permitiendo que los modeles ESEM sean utilizados de manera confirmatoria (Asparauhov y Muthén, 2009). Se es-timaron los modelos clásicos del TDAH con dos y tres factores correlacionados. De manera similar, los mis-mos modelos se estimaron utilizando ICM-CFA para contrastar la bondad general del ajuste, la magnitud y la disposición de las cargas factoriales y la magni-tud de las correlaciones entre factores con respecto a sus equivalentes de los modelos ESEM. En base a los resultados de la primera parte del estudio, se es-timaron dos modelos de bifactor ESEM con dos y tres factores específicos con rotación target ortogonal. Los modelos bifactor (DeMars, 2013; Reise, 2012) in-cluyen la estimación de un factor G y j factores espe-cíficos. A diferencia de los modelos de segundo orden, los factores específicos del modelo bifactor no reflejan el factor G. Más bien, están ordenados si-métricamente de modo que cada elemento repre-senta directa y simultáneamente el factor G y el factor de referencia específico. En un modelo bifac-tor, todos los factores son ortogonales entre sí (es decir, sus correlaciones se establecen a cero).
En el caso particular del modelo bifactor-ESEM, cada síntoma refleja tanto al factor G, como a todos los factores específicos. La figura 1 muestra una re-presentación conceptual de los modelos ESEM y bi-factor-ESEM descritos. Dado que todos los factores son ortogonales, es posible aislar la varianza debido a una fuente de información común a todos los indi-cadores (es decir, el factor G) de la varianza asociada a fuentes específicas. Luego, los modelos ESEM y Bi-factor-ESEM se compararon con respecto a la mag-nitud y el patrón de cargas y cargas cruzadas, además del ajuste global del modelo y su interpre-tabilidad. En todos los modelos, las cargas factoria-les que fueron significativas y mayores de 0,30 se consideraron relevantes.
En la última parte del estudio, se demostró la in-variancia del modelo final en submuestras segmen-tadas por sexo. La invariancia se estimó en cuatro niveles progresivos (Millsap, 2011): configuración (número equivalente y disposición de factores); mé-trico (factor de carga equivalente y modelo de ESEM de carga cruzada); escalar (equivalencia umbral de síntomas) y estricto (equivalencia de error de medi-ción de síntomas). Además, se investigó la invarian-cia de la media latente para cada grupo y se estimó la magnitud y el significado de las diferencias de la media latente para cada factor (Xiao, Liu y Hau, 2019). Finalmente, se calculó la varianza común es-perada (ECV) y el Coeficiente Omega Jerárquico (ωh). En un modelo bifactor, la ECV representa la fuerza del factor general en comparación con los factores específicos y se puede interpretar como un índice general de unidimensionalidad de la escala (Rios y Wells, 2014; Reise, Scheines, Widaman, y Haviland, 2013). El Coeficiente Omega Jerárquico
(ωh) puede considerarse como un índice de confia-bilidad de cada factor que controlaría el efecto de los otros factores, indicando la precisión de la es-cala a la hora de reflejar la posición de una sola per-sona en un constructo, así como la proporción de la varianza confiable de una puntuación explicada por el factor en relación con la varianza total observada. Todos los modelos se estimaron a partir de matrices de correlación policóricas utilizando la media ajus-tada de los mínimos cuadrados ponderados y la va-rianza (WLSMV), estimación ajustada, dada la naturaleza ordinal de los datos de entrada (Beau-ducel y Herzberg, 2006). Se usó Robust Maximum Likelihood (MLR) para calcular el AIC y el BIC. La bondad de ajuste se evaluó en todos los casos uti-lizando el índice de ajuste comparativo (CFI), el ín-dice de Tucker-Lewis (TLI), el error de la media cuadrática de la aproximación (RMSEA), el Criterio de Información Bayesiano (BIC) y el Criterio de In-formación de Akaike (AIC). Para los índices CFI y TLI, los valores estimados por encima de 0.90 y 0.95 in-dican grados de ajuste aceptables y buenos respec-tivamente (Hu y Bentler, 1999). Para la RMSEA, los valores iguales a 0,05 o inferiores a 0,08 se consi-deran buenos y aceptables, respectivamente. En el caso de AIC y BIC, se prefieren valores más peque-ños. Para establecer la relevancia de las diferencias en el ajuste entre modelos, se siguieron las reco-mendaciones de Chen (2007); en consecuencia, un incremento menor en el CFI y el TLI a 0,01 y una dis-minución inferior a 0,015 en el RMSEA sugiere que no hay cambios significativos en el ajuste del mo-delo con respecto al siguiente momo-delo más restric-tivo. Todos los análisis se realizaron utilizando MPlus v.7.3. (Muthén y Muthén, 2014).
RESULTADOS
Primera parte del estudio: ICM-CFA vs ESEM
La primera parte del estudio se centró en el aná-lisis de los modelos y de la correlación entre facto-res. En la Tabla 2, se muestran los índices de ajuste y las cargas factoriales para cada estimación en los modelos bidimensionales y tridimensionales CFA y ESEM. En el caso de las estimaciones de ICM-CFA, el modelo bidimensional presentó un ajuste ligeramente superior al aceptable, mientras que el modelo tridimensional no mejoró sustancialmente el ajuste. En el caso de las estimaciones de ESEM, el ajuste del modelo bidimensional fue aceptable en el límite por el valor CFI (0,958), mientras que el del modelo tridimensional mostró un buen ajuste (CFI 0,980; TLI 0,970), indicando una mejora sustancial con respecto a los anteriores modelos. Los resulta-dos globales de ajuste sugieren que existió una me-jora considerable en los índices de ajuste para todos los casos, después de haber sido penalizados por la disminución de la parsimonia (RMSEA, CFI y TLI).
Este hallazgo sugiere que tanto la estimación de más parámetros (ESEM frente a ICM-CFA), como la introducción de una nueva variable latente (modelos de tres frente a dos factores), contribuyeron a una distribución más eficiente de la varianza del ítem, a pesar de la reducción de la parsimonia del modelo. Además, la comparación de correlación entre facto-res reveló una disminución considerable en los mo-delos ESEM bi y tridimensional con respecto a sus equivalentes ICM-CFA, especialmente en el caso de los factores HI e IM, cuya correlación disminuyó. Este resultado sugiere que la varianza asociada con la su-perposición entre los síntomas en el modelo ICM-CFA se redirigió hacia las correlaciones entre las dimensiones, sesgando los estimadores y soca-vando la capacidad discriminativa de los factores. Las correlaciones entre factores estimadas por los modelos que permiten las cargas cruzadas tienden a ser más representativas del valor real (Asparouhov y Muthén, 2009; Schmitt y Sass, 2011). Por lo tanto, es razonable suponer que las correlaciones obteni-das en los modelos ESEM son estimaciones más pre-cisas que las resultantes de los modelos ICM-CFA.
A continuación, se analizó el patrón de las car-gas factoriales para el modelo ESEM tridimensional. Los 18 ítems de referencia recibieron cargas facto-riales superiores a 0,4. Estos ítems fueron represen-tados de manera adecuada y equilibrada. La única excepción fue el ítem HI2 ("se levanta en situacio-nes en que se espera que permanezca sentado"), el cual mostró un patrón inesperado, al estar asociado con el factor IM, y no representar a su factor de re-ferencia (HI). En el modelo de dos factores, se ob-servó un fenómeno similar; el ítem parecía estar asociado más con su factor no objetivo IM que con el de HI. Una revisión de las cargas nontarget reveló que doce de las 36 posibles cargas cruzadas fueron significativas y de cierta magnitud (λ>0,10). Con relación a estos resultados, se realizaron las si-guientes observaciones. Primero, las cargas cruza-das verificaron que existe una superposición razonable entre los elementos que pertenecen a di-ferentes factores. Este hallazgo implica que la su-posición de que las cargas cruzadas del modelo CFA en dicha muestra es siempre iguales a cero (es decir, los síntomas sólo reflejan su dimensión de re-ferencia puede ser poco realista). Segundo, la pre-sencia de varias cargas cruzadas relevantes sugiere: a) la baja validez discriminante de algunos ítems y/o b) la existencia de una fuente de varianza común subyacente a la mayoría de los síntomas y, por lo tanto, la conveniencia de verificar el funcio-namiento y la interpretabilidad de una solución que incluye un factor de orden superior (es decir, un mo-delo bifactor). En tercer lugar, las cargas cruzadas relevantes para HI que se observaron con respecto a dos de los síntomas de IM cuestionan la posibili-dad de separación de este factor con respecto a la hiperactividad, aunque su introducción en el
mo-delo mejoró significativamente el ajuste general. Este hallazgo sugiere la necesidad de determinar si la introducción de un factor G podría modelar la va-rianza compartida entre HI e IM, facilitando así su separabilidad como factores específicos.
En la segunda parte de la investigación, se va-loró los modelos ESEM frente a los modelos Bifac-tor-ESEM (B-ESEM). Los índices de ajuste global del modelo B-ESEM tridimensional demostraron ser adecuados (RMSEA 0,060; CFI 0,988; TLI 0,979) y considerablemente mejores que los resultados del modelo ESEM tridimensional (RMSEA 0,080; CFI 0,980; TLI 0,970), el modelo CFA bidimensional (CFI 0,964; TLI 0,959) y el modelo bifactor CFA tridimen-sional (RMSEA 0,075; CFI 0,970; TLI 0,961). La me-jora sustancial en los índices de ajuste global, especialmente aquellos asociados con parsimonia, sugiere que el modelo B-ESEM tridimensional re-presentó más adecuadamente la información con-tenida en los datos.
La Tabla 3 muestra las cargas factoriales para el modelo B-ESEM tridimensional. Dada la configura-ción de las cargas principales, el factor G parecía estar bien representado. El factor inatención espe-cífico fue representado adecuadamente por sus ele-mentos, excepto en el caso de IN1 ("no presta la debida atención a los detalles o por descuido co-mete errores en las tareas escolares") e IN2 ("tiene dificultad para mantener la atención en tareas o ac-tividades de juego"), que fueron asumidos por el factor G. El factor HI recibió cargas superiores a 0,40 para tres de sus seis ítems, excepto en H4 (“tiene dificultad para jugar o participar en actividades de ocio en silencio”) asumido por el factor G y en HI2 ("se levanta en situaciones en que se espera que permanezca sentado ") que se asumió casi comple-tamente a G. Este factor estuvo relativamente bien representado, lo que contradice los hallazgos en otros estudios que utilizan modelos bifactor. Es im-portante destacar que la introducción de G permitió el modelado eficiente de la varianza del ítem HI2 en este caso, que (como se señaló) presentó proble-mas en su patrón de carga con respecto al modelo ESEM tridimensional.
Por su parte, HI6 ("habla excesivamente") es-tuvo significativamente cargado con el factor IM (0,282). Otros estudios con modelos de bifactor han recomendado incluir este síntoma en el factor IM (Morin, Tran y Caci, 2013). Respecto a este punto, dichos resultados no están claros; sin embargo, la presencia de una parte relevante de la varianza compartida entre el ítem y el factor IM (varianza no asumida en este caso por G) sugiere que existe al menos cierta confusión con respecto a qué dimen-sión específica pertenece. Por lo tanto, puede ser necesario revisar el contenido o la forma de la ex-presión de los síntomas para aclarar su naturaleza y paliar las posibles fuentes de error sistemático. Este hallazgo sugiere que la incorporación de G
mo-deló con éxito gran parte de la covarianza de los componentes específicos de HI e IM, favoreciendo así la identificación de IM como un factor específico. Las cargas cruzadas del modelo B-ESEM fueron in-feriores a las del modelo ESEM tridimensional. En el modelo ESEM, la varianza común esperada (ECVf) asumida por las cargas cruzadas fue mayor que en el modelo B-ESEM tridimensional. Esta diferencia apoya el uso del modelo bifactor frente al modelo de primer orden, ya que se modeló de manera más eficiente las fuentes comunes de variación que son específicas de los síntomas, mejorando así su vali-dez discriminante.
La tercera parte del estudio se centró en la inva-rianza de género y confiabilidad explicada por los factores G y S. Los grupos mostraron una clara inva-riancia en todas las pruebas realizadas (configura-ción, métrica, escala y latente). Los índices de ajuste fueron satisfactorios y se mantuvieron estables en todas las pruebas. No se observaron diferencias re-levantes con respecto al modelo más restrictivo (la-tencia de invarianza de las medias) para el modelo de base de configuración, aunque se observó cierta mejora en los índices por parsimonia (ΔRMSEA -0,008; ΔCFI 0,002; ΔTLI 0,007). El valor fue de 0,644 en el factor G; de 0,309 para los factores específicos y de 0,043 para las cargas cruzadas. Este hallazgo sugiere que el factor G alcanzó un predominio fuerte y brindó apoyo a la presencia de un fuerte rasgo común a todos los síntomas. Para abordar la confia-bilidad tanto de G, como de los factores específicos, se calculó ωh, cuyo valor para el factor G fue 0,82. Por lo tanto, aunque la escala posee un nivel mode-rado de multidimensionalidad, el alto valor de ωh obtenido sugiere que las puntuaciones totales pue-den considerarse explicadas por una fuente común (Bengtsson, 2010). Además, este índice sugiere que la puntuación total es una medida precisa de la po-sición de una sola persona en el constructo del TDAH (Brunner, Nagy y Willhelm, 2012).
DISCUSIÓN Y CONCLUSIONES
En este estudio, los modelos bifactor y de primer orden de los síntomas de TDAH se estimaron utili-zando dos enfoques metodológicos: ICM-CFA y ESEM. En general, los modelos ESEM fueron superiores a sus equivalentes ICM-CFA debido a que mostraron un ajuste global sustancialmente mejor y unos patrones de carga y correlaciones entre factores más interpre-tables y menos sesgados. En el modelo final (Bifac-tor-ESEM tridimensional), el factor G explicó gran parte de la varianza compartida por los síntomas y re-dujo las cargas cruzadas observadas en el modelo de primer orden, facilitando así la identificación y la se-parabilidad de los factores específicos.
La principal conclusión del estudio con respecto al modelo bifactor como una representación óptima
de los síntomas del TDAH en niños de 6 a 16 años apoya los resultados de estudios previos en los que se usaron modelos similares (Arias, Ponce, Martínez-Molina, Arias y Núñez, 2016). Estos resultados pro-porcionan la evidencia de que el modelo bifactor del TDAH puede representar adecuadamente la estruc-tura latente de este trastorno en niños en edad es-colar, superando así las inconsistencias observadas previamente en los modelos de primer orden y per-mitiendo la comparación de estructuras estimadas con base en muestras clínicas. Por lo tanto, la imple-mentación del modelo bifactor para el estudio del TDAH en la infancia puede contribuir a una mejor comprensión del trastorno, lo que permite el estudio separado de sus componentes básicos y específicos. Además, los resultados brindan información adicio-nal en una muestra general con respecto a la hipó-tesis de que los síntomas de TDAH están organizados en torno a un núcleo común, con aspec-tos específicos fundamentales, pero poco represen-tados para cada grupo de síntomas. Este hecho sugiere que las manifestaciones conductuales del TDAH pueden interpretarse como el resultado de la convergencia global de múltiples vías etiológicas y de desarrollo. Esta conclusión apoya los desarrollos recientes en la ciencia cognitiva y la neurogenética que han proporcionado evidencia de la existencia de múltiples vías con respecto al origen y desarrollo de este trastorno (Nigg, 2012; Sonuga-Barke, et al., 2010). Estos desarrollos también apoyan una posible etiología común con respecto a la externalización de trastornos del comportamiento (Beauchaine, Hins-haw y Pang, 2010; Beauchaine y McNulty, 2013), pa-ralela al factor G del modelo bifactor del TDAH y TND que ya ha proporcionado evidencia empírica (Burns et al., 2014). Además, el modelo presentaba una es-tricta invariancia entre niños y niñas. Estos resulta-dos son consistentes con los análisis previos de la invariancia de los modelos bifactoriales de TDAH (Caci, Morin y Tran, 2013; Gibbins, Toplak, Flora, Weiss y Tannock, 2012) e implican que, para ambos sexos: 1) el modelo de bifactor ESEM presenta la misma organización de factores y patrones de carga; 2) las cargas y las cargas cruzadas son equivalentes entre grupos; 3) no existe evidencia, a priori, del fun-cionamiento diferencial de los síntomas; y 4) no existe evidencia de que alguno de los grupos se eva-luó con diferentes grados de confiabilidad (es decir, que el error de varianza se distribuyó asimétrica-mente). En otras palabras, tanto los factores gene-rales como los específicos constituyen dimensiones que se comportan de la misma manera, indepen-dientemente del género del participante. Respecto a los medios latentes, se encontró invariancia entre niños y niñas. Este resultado implica que ambos gru-pos tenían niveles equivalentes tanto de G como de factores específicos.
En términos generales, los resultados sugieren que los niños pueden clasificarse en un solo
conti-nuo representado por el factor G, que aparente-mente es independiente de los síntomas más desta-cados en cada caso (es decir, predominantemente inatento, hiperactivo-impulsivo o ambos). Basado en los resultados completos del estudio, el modelo final no admite la clasificación DSM-IV según categorías (es decir, subtipos). Esta conclusión también es apli-cable a las presentaciones del DSM-V, en el caso de que se entiendan de manera similar a las de los sub-tipos. Más bien, apoya la disposición de los niños y niñas se sitúan en un continuo integral de síntomas de TDAH (Arias, Frutos, Rodríguez y Arias, 2019). Los modelos ESEM permitieron evaluar la capacidad dis-criminativa de los síntomas a través de una inspec-ción de cargas cruzadas. Se observaron varias cargas cruzadas relevantes en el modelo factorial de primer orden. Este resultado es similar al observado en estudios anteriores que utilizaron el Análisis Fac-torial Exploratorio, tanto a nivel escolar como prees-colar, lo que indicaría problemas potenciales en la validez discriminante de los ítems. Sin embargo, se observó una disminución significativa en la varianza común esperada asociada con las cargas cruzadas en su conjunto en el modelo de bifactor. Este resul-tado implica que el factor G asumió un componente importante de la varianza común expresada inicial-mente por las cargas cruzadas.
Por otro lado, la interpretación psicométrica de los factores específicos como elementos importan-tes en la medición del constructo de interés debe ha-cerse con cautela. En todos los estudios de modelos bifactoriales de TDAH, incluido este, el factor G pa-rece estar definido de manera consistente y clara. Esto contrasta con el caso de factores específicos, cuya representación parece variar entre los estudios y con la edad del participante, el tipo de muestra y el informante. En este estudio, tanto la varianza común esperada, como los valores omega jerárqui-cos, indicaron que G explicó la mayor parte de la va-rianza confiable de las puntuaciones de la escala. Aparte de G, cada factor específico proporcionó in-formación no redundante. En términos generales, este resultado es similar a los hallazgos de otros es-tudios en los que se estimó ωh (Burns et al., 2014; Wagner et al., 2015). Para que un factor sea útil con respecto a la medida, su ωh (omega jerárquico) debe exceder un valor de 0,50 (Reise, Bonifay y Haviland, 2013); valores sustancialmente más bajos que 0,50 hacen que la interpretación significativa del factor sea casi imposible. En un escenario en el que el fac-tor general es fuerte y los facfac-tores específicos con-tribuyen con poca información confiable, el procedimiento más apropiado sería estimar el nivel de TDAH de la persona utilizando una puntuación única. Este estudio aporta pruebas de la existencia de un factor general de TDAH en una muestra espe-cífica de niños en edad escolar. El modelo bifactor del TDAH es un fenómeno psicométrico cada vez mejor establecido en una variedad de edades,
paí-ses y tipos de muestra. Sin embargo, existen relati-vamente pocos estudios que hayan intentado res-ponder una de las preguntas fundamentales: ¿qué representan los factores generales y específicos?, siendo necesario distinguir entre un factor psicomé-trico y un constructo psicológico. En sentido estricto, en un análisis factorial, un factor es una abstracción matemática derivada de la covariación observada entre varios elementos. Por lo tanto, el factor TDAH general surge porque se observa un elevado carácter empírico entre las conductas de falta de atención, hi-peractividad e impulsividad. Sin embargo, ¿existe una realidad subyacente?
Basándonos únicamente en la descripción de una estructura factorial, no se podría confirmar que los factores representen una realidad más allá de lo puramente empírico. En otras palabras, la existencia psicométrica de un factor no implica necesaria-mente la existencia de un constructo psicológico que lo soporte. Para que el modelo bifactor del TDAH se extienda más allá de su origen psicomé-trico, los factores deben identificarse con variables externas al modelo de medición, como los procesos cognitivos o los sustratos neurológicos. Un ejemplo de un estudio sobre el origen sustantivo del modelo bifactor del TDAH es el estudio de Burns et al. (2014). Estos autores conectan el modelo bifactor de TDAH y TND con la vía dual (Beauchaine y McNulty, 2013) y el rasgo de la impulsividad (por ejemplo, Nigg, 2012) teorías etiológicas de respon-sabilidad externa. Entre otros resultados, el estudio indicó un origen etiológico común del TDAH y TND, a pesar del hecho de que el DSM-V los asigna a dis-tintos grupos de diagnóstico. La investigación de los modelos de medición del TDAH sigue siendo rele-vante; sin embargo, investigaciones adicionales guiadas por hipótesis basadas en teorías etiológi-cas también son necesarias para aclarar la verda-dera naturaleza de los factores “G” y “S”. Además, en el futuro se deberían de realizar más estudios longitudinales, con varios instrumentos y distintos informantes. Dichos estudios deben realizarse de forma sinérgica con técnicas avanzadas de análisis de datos e incorporar criterios relevantes, como marcadores biológicos, factores de riesgo, resulta-dos e indicadores cognitivos.
Así pues, para la valoración y evaluación del TDAH sería necesario el uso de tres criterios discri-minantes, como son: (a) realizar las estimaciones cuantitativas de la severidad de los síntomas, (b) comprobar el deterioro funcional según el nivel evo-lutivo y (c) llevar a cabo un diagnóstico diferencial con otros problemas médicos y/o psicológicos. En muestras escolares de población general, la evalua-ción del TDAH debería desarrollarse como un único continuo de severidad, y no, como distintos facto-res, ni varios subtipos o clases. Cuando se actúa me-diante una evaluación de screening, no tiene mucho sentido diferenciar entre grupos de síntomas, ni
buscar diversas presentaciones del trastorno, sino que se debería evaluar una única puntuación obte-nida de cada paciente en los 18 síntomas y una vez detectados los casos de riesgo, si es necesario rea-lizar una evaluación en mayor profundidad. Pero, más importante aún, para detectar correctamente aquellos casos en riesgo (i.e., la clase o nivel supe-rior en severidad) es necesario emplear medidas adicionales, dado que la pertenencia a la clase de riesgo se relaciona de manera fuerte con la presen-cia de problemas en otras áreas (internalizantes, ex-ternalizantes y rendimiento académico). Esto quiere decir que en la evaluación aplicada para detectar casos de riesgo no basta con aplicar los 18 síntomas del TDAH, sino que es preciso obtener también pun-tuaciones elevadas en otro tipo de áreas potencial-mente problemáticas.
BIBLIOGRAFÍA
Amador, J. A., Forns, M., Guardia, J. y Peró, M. (2006). DSM–IV at-tention deficit hyperactivity disorder symptoms: Agreement between informants in prevalence and factor structure at dif-ferent ages. Journal of Psychopathology and Behavioral As-sessment, 28(1), 23–32. DOI: 10.1007/s10862-006-4538-x. APA. Asociación Psiquiátrica Americana. (2002). Manual
Diagnós-tico y EstadísDiagnós-tico de los Trastornos Mentales, DSM-IV-R(4.ª ed. rev.). Barcelona: Elservier Masson.
APA. Asociación Psiquiátrica Americana. (2014). Manual Diagnós-tico y EstadísDiagnós-tico de los Trastornos Mentales, DSM-V(5.ª ed.). Buenos Aires: Editorial Médica Panamericana.
Arias, V. B., Frutos, J., Rodríguez, N. y Arias, B. (2019). Sub-tipos frente a continuo de gravedad: un análisis de la estructura fe-notípica del trastorno por déficit de atención con hiperactivi-dad (TDAH). Psicología Conductual, 27(1), 69–85.
Arias, V. B., Ponce, F. P., Martínez-Molina, A., Arias, B. y Núñez, D. (2016). General and Specific Attention-Deficit/Hyperacti-vity Disorder Factors of Children 4 to 6 Years of Age: An Ex-ploratory Structural Equation Modeling Approach to Assessing Symptom Multidimensionality. Journal of Abnormal Psychology, 125(1), 123–137. DOI: 10.1037/abn0000115. Asparouhov, T. y Muthén, B. (2009). Exploratory structural
equa-tion modeling. Structural Equation Modeling, 16(3), 397–438. DOI.org/10.1080/10705510903008204.
Bauermeister, J. J. (1992). Factor analyses of teacher ratings of at-tention deficit hyperactivity and oppositional defiant symptoms in children aged four through thirteen years. Jour-nal of Clinical Child and Adolescent Psychology, 21(1), 27–34. DOI.org/10.1207/s15374424jccp2101_5.
Beauchaine, T. P., Hinshaw, S. P. y Pang, K. (2010). Comorbidity of attention-deficit/hyperactivity disorder and early-onset con-duct disorder: Biological, environmental, and developmental mechanisms. Clinical Psychology: Science and Practice, 17(4), 327–336. DOI.org/10.1111/j.1468-2850.2010.01224.x. Beauchaine, T. P. y McNulty, T. (2013). Comorbidities and
conti-nuities as ontogenic processes: Toward a developmental spectrum model of externalizing psychopathology. Develop-ment and Psychopathology, 25(4), 1505–1528. Doi: 10.1017/S0954579413000746.
Beauducel, A. y Herzberg, P. Y. (2006). On the performance of ma-ximum likelihood versus means and variance adjusted weigh-ted least squares estimation in CFA. Structural Equation
Modeling, 13(2), 186–203.
DOI.org/10.1207/s15328007sem1302_2.
Brunner, M., Nagy, G. y Wilhelm, O. (2012). A tutorial on hierar-chically structured constructs. Journal of Personality, 80(4), 796–846. DOI.org/10.1111/j.1467-6494.2011.00749.x. Burns, G. L., de Moura, M. A., Beauchaine, T. P. y McBurnett, K.
(2014). Bifactor latent structure of ADHD/ODD symptoms: Predictions of dualpathway/trait-impulsivity etiological mo-dels of ADHD. Journal of Child Psychology and Psychiatry, and Allied Disciplines, 55(4), 393–401. DOI:10.1111/jcpp.12165. Burns, G. L., Taylor, T. K. y Rusby, J. C. (2001) Child and Adolescent
Disruptive Behavior Inventory (CABI): Parent Version. Pull-man, WA: Autor.
Burns, G. L., Walsh, J. A., Servera, M., Lorenzo-Seva, U., Cardo, E. y Rodríguez-Fornells, A. (2013). Construct validity of ADHD/ODD rating scales: Recommendations for the evalua-tion of forthcoming DSM-V ADHD/ODD scales. Journal of Ab-normal Child Psychology, 41(1), 15–26.
DOI: 10.1007/s10802-012-9660-5.
Caci, H. M., Morin, A. J. y Tran, A. (2013). Teacher ratings of the ADHD-RS IV in a community sample: Results from the ChiP-ARD study. Journal of Attention Disorders, 20(5), 434–444. DOI: 10.1177/1087054712473834
Chen, F. F. (2007). Sensitivity of goodness of fit indices to lack of measurement invariance. Structural Equation Modeling, 14(3), 464–504. DOI.org/10.1080/10705510701301834 Curchack-Lichtin, J. T., Chacko, A. y Halperin, J. M. (2014). Changes
in ADHD symptom endorsement: Preschool to school age.
Journal of Abnormal Child Psychology, 42(6), 993–1004. DOI: 10.1007/s10802-013-9834-9.
DeMars, C. E. (2013). A tutorial on interpreting bifactor model sco-res. International Journal of Testing, 13(4), 354–378. DOI.org/10.1080/15305058.2013.799067.
Frutos, J. (2019). Los Modelos Bifactor vs los Modelos Factoriales Mixtos en la estructura factorial del TDAH. Anuario de Psico-logía, 49(2), 113–125. DOI: 10.1344/anpsic2019.49.12. Gibbins, C., Toplak, M. E., Flora, D. B., Weiss, M. D. y Tannock, R.
(2012). Evidence for a general factor model of ADHD in adults.
Journal of Attention Disorders, 16(8), 635–644. DOI: 10.1177/1087054711416310.
Hardy, K. K., Kollins, S. H., Murray, D. W., Riddle, M. A., Greenhill, L., Cunningham, C., … y Chuang, S. Z. (2007). Factor structure of parentand teacher-rated attention-deficit/hyperactivity di-sorder symptoms in the Preschoolers with Attention-Deficit/Hyperactivity Disorder Treatment Study (PATS).
Journal of Child and Adolescent Psychopharmacology, 17(5), 621–634. DOI: 10.1089/cap.2007.0073.
Holzinger, K. J. y Swineford, F. (1937). The bi-factor method.
Psychometrika, 2(1), 41–54. DOI.org/10.1007/BF02287965 Hu, L. y Bentler, P. M. (1999). Cutoff criteria for fit indexes in
co-variance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. DOI.org/10.1080/10705519909540118
Jennrich, R. I. y Bentler, P. M. (2011). Exploratory bi-factor analysis.
Psychometrika, 76(4), 537–549. DOI: 10.1007/s11336-011-9218-4.
Jennrich, R. I. y Bentler, P. M. (2012). Exploratory bi-factor analy-sis: The oblique case. Psychometrika, 77(3), 442–454. DOI: 10.1007/s11336-012-9269-1.
Lahey, B. B., Pelham, W. E., Loney, J., Lee, S. S. y Willcutt, E. (2005). Instability of the DSM–IV Subtypes of ADHD from preschool through elementary school. Archives of General Psychiatry, 62(8), 896–902. DOI: 10.1001/archpsyc.62.8.896. Marsh, H. W., Guo, J., Dicke, T., Parker, P. D. y Craven, R. G. (2019).
Confirmatory factor analysis (CFA), exploratory structural equation modeling (ESEM) & Set-ESEM: Optimal balance bet-ween goodness of fit and parsimony. Multivariate Behavioral Research (in press). DOI: 10.1080/00273171.2019.1602503. Marsh, H. W., Lüdtke, O., Muthén, B., Asparouhov, T., Morin, A. J.,
Trautwein, U. y Nagengast, B. (2010). A new look at the big five factor structure through exploratory structural equation modeling. Psychological Assessment, 22(3), 471–491. doi: 10.1037/a0019227.
Marsh, H. W., Muthén, B., Asparouhov, T., Lüdtke, O., Robitzsch, A., Morin, A. J. S. y Trautwein, U. (2009). Exploratory structural equation modeling, integrating CFA and EFA: Application to students’ evaluations of university teaching. Structural Equa-tion Modeling, 16(3), 439– 476.
DOI.org/10.1080/10705510903008220.
Marsh, H. W., Morin, A. J., Parker, P. D. y Kaur, G. (2014). Explora-tory structural equation modeling: An integration of the best features of exploratory and confirmatory factor analysis. An-nual Review of Clinical Psychology, 10(1), 85–110. DOI: 10.1146/annurev-clinpsy-032813-153700.
Millsap, R. E. (2011). Statistical approaches to measurement inva-riance. Nueva York: Routledge.
Morin, A. J., Arens, A. K. y Marsh, H. W. (2016). A bifactor explora-tory structural equation modeling framework for the identifi-cation of distinct sources of construct-relevant psychometric multidimensionality. Structural Equation Modeling: A Multi-disciplinary Journal, 23(1), 116-139.
Doi.org/10.1080/10705511.2014.961800.
Morin, A. J. S., Tran, A. y Caci, H. (2013). Factorial validity of the ADHD adult symptom rating scale in a French community sample: Result from the ChiP-ARD study. Journal of Attention Disorders, 20(6), 530–541. Doi: 10.1177/1087054713488825. Murray, A. L. y Johnson, W. (2013). The limitations of model fit in comparing the bi-factor versus higher-order models of human cognitive ability structure. Intelligence, 41(5), 407–422. DOI.org/10.1016/j.intell.2013.06.004.
Muthén, L. K. y Muthén, B. O. (2014). Mplus user’s guide(7th ed.). Los Angeles: Muthén & Muthén.
Nigg, J. T. (2012). Future directions in ADHD etiology research.
Journal of Clinical Child and Adolescent Psychology, 41(4), 524–533. DOI: 10.1080/15374416.2012.686870.
Nolan, E. E., Gadow, K. D. y Sprafkin, J. (2001). Teacher reports of DSM–IV ADHD, ODD, and CD symptoms in schoolchildren.
Journal of the American Academy of Child and Adolescent Psychiatry, 40(2), 241–249. DOI: 10.1097/00004583-200102000-00020.
Reise, S. P. (2012). The rediscovery of bifactor measurement mo-dels. Multivariate Behavioral Research, 47(5), 667–696. DOI: 10.1080/00273171.2012.715555
Reise, S. P., Bonifay, W. E. y Haviland, M. G. (2013). Scoring and modeling psychological measures in the presence of multidi-mensionality. Journal of Personality Assessment, 95(2), 129– 140. DOI: 10.1080/00223891.2012.725437.
Reise, S. P., Moore, T. M. y Haviland, M. G. (2010). Bifactor models and rotations: Exploring the extent to which multidimensional data yield univocal scale scores. Journal of Personality As-sessment, 92(6), 544–559.
DOI: 10.1080/00223891.2010.496477.
Reise, S. P., Scheines, R., Widaman, K. y Haviland, M. (2013). Mul-tidimensionality and structural coefficient bias in structural equation modeling: A bifactor perspective. Educational and Psychological Measurement, 73(1), 5–26.
DOI.org/10.1177/0013164412449831.
Rios, J. y Wells, C. (2014). Validity evidence based on internal structure. Psicothema, 26(1), 108–116. DOI:
10.7334/psico-thema2013.260.
Rohde, L. A., Barbosa, G., Polanczyk, G., Eizirik, M., Rasmussen, E. R., Neuman, R. J. y Todd, R. D. (2001). Factor and latent class analysis of DSM-IV ADHD symptoms in a school sample of Brazilian adolescents. Journal of the American Academy of Child and Adolescent Psychiatry, 40(6), 711–718. DOI.org/10.1097/00004583-200106000-0001.
Schmitt, T. A. y Sass, D. A. (2011). Rotation criteria and hypothesis testing for exploratory factor analysis: Implications for factor pattern loadings and interfactor correlations. Educational and Psychological Measurement, 71(1), 95–113. DOI.org/10.1177/0013164410387348.
Schoemaker, K., Bunte, T., Wiebe, S. A., Espy, K. A., Dekovic, M. y Matthys, W. (2012). Executive function deficits in preschool children with ADHD and DBD. Journal of Child Psychology and Psychiatry, and Allied Disciplines, 53(2), 111–119. DOI: 10.1111/j.1469-7610.2011.02468.x.
Sonuga-Barke, E. J., Dalen, L., Daley, D. y Remington, B. (2002). Are planning, working memory, and inhibition associated with individual differences in preschool ADHD symptoms? Deve-lopmental Neuropsychology, 21(3), 255–272. DOI: 10.1207/S15326942DN2103_3.
Sonuga-Barke, E., Bitsakou, P. y Thompson, M. (2010). Beyond the dual pathway model: Evidence for the dissociation of ti-ming, inhibitory, and delay-related impairments in attention-deficit/hyperactivity disorder. Journal of the American Academy of Child and Adolescent Psychiatry, 49(4), 345–355. DOI.org/10.1016/j.jaac.2009.12.018.
Sterba, S., Egger, H. L. y Angold, A. (2007). Diagnostic specificity and nonspecificity in the dimensions of preschool psychopa-thology. Journal of Child Psychology and Psychiatry, and Allied Disciplines, 48(10), 1005–1013. DOI: 10.1111/j.1469-7610.2007.01770.x.
Strickland, J., Keller, J., Lavigne, J. V., Gouze, K., Hopkins, J. y Le-Bailly, S. (2011). The structure of psychopathology in a com-munity sample of preschoolers. Journal of Abnormal Child Psychology, 39(4), 601–610. DOI: 10.1007/s10802-011-9487-5.
Toplak, M. E., Pitch, A., Flora, D. B., Iwenofu, L., Ghelani, K., Jain, U. y Tannock, R. (2009). The unity and diversity of inattention and hyperactivity/impulsivity in ADHD: Evidence for a general factor with separable dimensions. Journal of Abnormal Child Psychology, 37(8), 1137–1150. DOI: 10.1007/s10802-009-9336-y.
Watts, A. L., Poore, H. E. y Waldman, I. D. (2019). Risker tests of the validity of the bifactor model of psychopathology. Clinical Psychological Science: Advance online publication. DOI:10.1177/2167702619855035.
Wagner, F., Martel, M. M., Cogo-Moreira, H., Moreira, C. R., Pan, P. M., Rohde, L. A. y Salum, G. A. (2015). Attention-deficit/hyperactivity disorder dimensionality: The reliable ‘g’ and the elusive ‘s’ dimensions. European Child & Adolescent Psychiatry, 25(1), 83–90. DOI: 10.1007/s00787-015-0709-1. Willoughby, M. T., Pek, J., Greenberg, M. T. y the Family Life Project
Investigators. (2012). Parent-reported Attention Deficit/Hype-ractivity symptomatology in preschool-aged children: Factor structure, developmental change, and early risk factors. Jour-nal of Abnormal Child Psychology, 40(8), 1301–1312. DOI: 10.1007/s10802-012-9641-8.
Xiao, Y., Liu, H. y Hau, K. (2019). A Comparison of CFA, ESEM, and BSEM in Test Structure Analysis. Structural Equation Mode-ling: A Multidisciplinary Journal, 26(5), 665–677. DOI:10.1080/10705511.2018.1562928.
Figura 1. Representación conceptual de los modelos ICM-CFA, Bifactor CFA, ESEM y Bifactor ESEM para un factor general y dos factores especí ficos
Tabla 1. Ejemplos de estudios bifactor en el TDAH de los tres últimos años
Autores Muestra (H; M) Edad (M y DT) Informantes Instrumentos Modelo Final
Li et al. (2016)
228G (71%; 29%) 6 a 12 (7,4; 1,1)
Padres y docentes DISC
Bifactor (G/IN/HI)
70C (71%; 29%) 6 a 12 (8,1; 1,2) DBDRS
98C (67%; 33%) 130G
(67%; 33%) 6 a 12 (8,8; 2,1) CSI-4
6 a 12 (8,2; 1,2)
Arias et al. (2016) 650G (49%; 51%) 4 a 6 (5,2; 0,8) Docentes ADHD-RS Bifactor (G/IN/HI/IM)
Wagner et al. (2016) 2512G (53%; 47%) 6 a 12 (9,7; 7,9) Padres DAWBA Bifactor (G/IN/HI/IM)
Rodenacker et al. (2016)
1081C (75%; 25%) 6 a 18 (11,73; 3,18)
Autoinformes FBB-ADHS Bifactor i (G/IN/IM) 642Co (77%; 23%) 6 a 18 (11,27; 3,04)
Lee et al. (2016) 703Co (45%; 55%) 5 a 13 (8,3; 2;0) Padres CABDI Bifactor (G/IN/HI) 366Co (44%; 56%) 5 a 13 (8,2; 2;1) Docentes
Castellanos-Ryan et
al. (2016) 2144Co (49%; 51%) 14 a 16 (14,39; 0,77) Padres y autoinformesDAWBA Bifactor(G)r(TDAHrTND)
Rodenacker et al. (2017)
1386G (75%; 25%) 6 a 18 (11,70; 3,18) Padres
Bifactor (G/IN/HI/IM) 110C (77%; 23%) 6 a 18 (11,27; 3,04) Docentes
Nichols et al. (2017) 588G (78%; 22%) 8 a 18 (15,9; 3,7) Padres, docentes yautoinformes SNAP-IV Bifactor (G/IN/HI) (366 son muestra C)
Smith et al. (2017) 262C (74%; 26%) 10 a 15 (11,95; 1,05) Padres, docentes yautoinformes
P-ChIPS
Bifactor (G/IN/HI/IM) VADTRS
SCT Scale
Gomez, Vance y
Sta-vropoulos (2018) 217C (78%; 22%) 7 a 17 (10,80; 2,22) Madres SWAM-M Bifactor (G)r(IN)r(HI)
Nota. C = muestra clínica; Co = muestra comunitaria; G = muestra general; Bifactor (G/IN/HI/IM) = modelo bifactor con un factor general (G) y tres facto-res específicos (inatención/hiperactividad/impulsividad); Bifactor (G/IN/HI) = modelo bifactor con un factor general (G) y dos factofacto-res específicos (in-atención/hiperactividad-impulsividad); Bifactor i (G/IN/IM) = modelo bifactor incompleto con un factor general (G) y dos factores específicos
(inatención/impulsividad); Bifactor (G)r(TDAHrTND) = modelo bifactor con un factor general (G) y dos factores específicos (TDAH/TND) todos correlacio-nados. Bifactor (G)r(IN)r(HI) = modelo bifactorial de factores ortogonales generales y específicos para síntomas de inatención e hiperactividad/impulsi-vidad.
Tabla 2. Índices de ajuste global de los modelos CFA y ESEM y los coeficientes de correlación entre factores
Modelos RMSEA CFI TLI Chi-sq gl pl AIC BIC IN-HI/IM IN-HI IN-IM HI-IM
CFA
0.165 0.897 0.884 2448 135 108 37589 37795 (Unidimensional)
CFA
0.098 0.964 0.959 941 134 109 36857 36350 0.701 (2F correlacionados)
CFA
0.092 0.969 0.964 840 132 111 35610 35878 0.762 0.626 0.812 (3F correlacionados)
ESEM
0.113 0.958 0.946 1062 118 125 35387 35451 0.621 (2F correlacionados)
ESEM
0.08 0.98 0.97 555 102 141 34986 34615 0.649 0.512 0.589
(3F correlacionados)
CFA-Bifactor
0.071 0.964 0.953 578 117 121 34945 34566 (2F específicos)
CFA-Bifactor
0.075 0.97 0.961 380 112 110 34931 34574 (3F específicos)
ESEM-Bifactor
0.069 0.98 0.97 555 102 141 34925 34594 (2F específicos)
ESEM-Bifactor
0.06 0.988 0.979 356 87 156 34920 34560 (3F específicos)
Nota: CFA=Análisis Factorial Confirmatorio. ESEM=Modelos Exploratorios de Ecuaciones Estructurales. RMSEA= Error de Aproximación Cuadrático Medio; CFI= índice de ajuste comparativo; TLI= índice de Tucker-Lewis; gl=grados de libertad; pl=parámetros libres; AIC= Criterio de Información de Akaike; BIC=Criterio de Información Bayesiano; IN=inatención; HI=hiperactividad; IM=impulsividad
Tabla 3. Cargas factoriales de los modelos ESEM y bifactor
ESEM tridimensional Bifactor ESEM tridimensional
Síntomas IN HI IM G IN HI IM
IN1 0.712 0.104 0.02 0.726 0.214 -0.057 -0.065
IN2 0.894 -0.003 -0.01 0.679 0.151 -0.031 -0.168
IN3 0.738 0.049 0.108 0.579 0.522 0.094 -0.153
IN4 0.805 -0.048 0.141 0.697 0.562 0.081 -0.071
IN5 0.924 -0.095 -0.028 0.468 0.456 0.084 0.062
IN6 0.894 -0.236 0.162 0.601 0.375 0.057 0.051
IN7 0.568 0.184 -0.09 0.575 0.432 -0.052 0.004
IN8 0.782 0.163 -0.036 0.683 0.388 0.021 0.031
IN9 0.802 0.035 -0.113 0.586 0.568 0.062 0.061
HI1 -0.031 0.733 0.164 0.719 -0.064 0.546 -0.099
HI2 -0.082 0.499 0.529 0.662 0.158 0.085 0.161
HI3 -0.117 0.758 0.179 0.618 0.046 0.553 0.008
HI4 0.031 0.865 -0.015 0.627 0.052 0.258 -0.094
HI5 0.11 0.786 0.013 0.516 -0.049 0.56 -0.096
HI6 0.085 0.759 0.033 0.682 -0.072 0.385 0.282
IM1 0.02 0.035 0.87 0.588 -0.058 -0.067 0.463
IM2 0.144 0.015 0.827 0.494 0.012 0.124 0.344
IM3 -0.004 0.126 0.795 0.41 0.057 0.014 0.405
ECVf 61.60% 11.80% 4.50% 66.70% 20.10% 12.80% 8.20%
ECVc 3.10% 6.10% 4.10% 1.10% 1.80% 1.60%
