Psicometría basada en algoritmos
Integrando Machine Learning y psicometría
«Una solución con mejor ajuste no siempre es una mejor medición»
🔗 Presentación
Depurar una escala suele ser una sucesión de decisiones a mano: quitar este ítem, liberar aquella covarianza, probar otro número de factores. Los algoritmos de optimización hacen esa búsqueda de forma sistemática, con funciones objetivo, restricciones y criterios de parada explícitos, como en el aprendizaje automático.
El curso enseña a aplicar e interpretar esos algoritmos con la librería OptimalFactor: EFA-Boosting, CFA-Boosting con la tabla de decisión de Saris, Satorra y van der Veld, búsqueda de especificación guiada por la teoría, versiones breves y validez discriminante. No se programan algoritmos desde cero: el tiempo se dedica a decidir y a interpretar.
El eje del curso es una advertencia: una solución con mejores índices de ajuste no necesariamente es una mejor medición del constructo. Por eso la última sesión enseña a comprobar si una solución es estable, si recupera la teoría y si se replica en una muestra que no participó en su derivación.
📋 Información general
| Docente | Dr. José Ventura-León, autor de la librería OptimalFactor. |
|---|---|
| Modalidad | Virtual sincrónico (en vivo) · teórico-práctico, con ejemplos guiados en R. |
| Fechas | Domingos 10, 17, 24 y 31 de enero de 2027 (4 sesiones). |
| Horario | De 9:00 AM a 1:00 PM (hora de Perú, GMT-5). |
| Duración | 4 sesiones de 4 horas · 16 horas en total. |
| Nivel | Intermedio a avanzado. |
| Herramienta | OptimalFactor 1.7.0 o posterior (R). |
| Certificación | Certificado digital por 16 horas para quienes asistan al menos al 80 % de las sesiones. |
👥 Dirigido a
- Psicólogos, investigadores y docentes que construyen, adaptan o validan instrumentos de medición.
- Estudiantes de maestría y doctorado que validan una escala como parte de su tesis.
- Psicómetras y analistas de datos que quieran incorporar la optimización algorítmica a su trabajo.
- Profesionales que necesitan versiones breves de instrumentos sin perder fiabilidad ni cobertura del constructo.
Requisitos previos: Análisis factorial exploratorio y confirmatorio, y nociones básicas de R. No se requiere saber programar: se aplican e interpretan funciones ya escritas.
🗓️ Programación por sesiones
Fundamentos y optimización exploratoria
Relación entre Machine Learning, búsqueda heurística y análisis factorial. Funciones objetivo, restricciones y criterios de parada. Diagnóstico previo de la base y recuperación de la teoría antes de optimizar. Búsqueda greedy y global. El algoritmo EFA-Boosting, con pesos de ajuste adaptativos, casos Heywood y fiabilidad, y la lectura de su trayectoria.
Optimización confirmatoria y búsqueda de modelos
CFA-Boosting y la tabla de decisión de Saris, Satorra y van der Veld (índice de modificación, cambio esperado del parámetro y potencia) para covarianzas residuales y cargas cruzadas. Búsqueda de especificación guiada por la teoría. Validez discriminante y ajuste local. Índices bifactor y cómo reconocer un bifactor espurio. ¿Tiene sentido un puntaje total?
Selección automatizada de ítems y versiones breves
Redundancia y dependencia local entre ítems. Versiones breves de escalas unidimensionales con restricciones de fiabilidad. Equilibrio entre parsimonia, fiabilidad y cobertura del constructo. Inteligencia artificial para el análisis conceptual de los ítems. Optimización conjunta del número de factores y de los ítems.
Estabilidad, simulación y competencia de algoritmos
Estabilidad de la selección y de la asignación de ítems por remuestreo. Recuperación de la estructura teórica. Validación cruzada por mitades. Simulación Monte Carlo. Competencia de algoritmos sobre una misma escala y análisis de sensibilidad. Capitalización del azar y carácter exploratorio de toda depuración.
🧭 ¿Qué algoritmo usar?
El algoritmo de partida depende del problema de la escala:
| Situación de la escala | Función de OptimalFactor |
|---|---|
| Estructura exploratoria por depurar | efa_boosting() |
| Modelo teórico que no ajusta por ítems o pares de ítems concretos | cfa_boosting() |
| Factores que no se distinguen (correlación ≥ .90) | discriminant_boosting() |
| Escala unidimensional que no ajusta por ítems redundantes | local_fit_search() o redundancy_short_form() |
| Duda sobre el número de factores o la asignación de ítems | specification_search_theory() |
| Elegir entre las soluciones de varios algoritmos | theory_recovery() y algorithm_stability() |
🧪 Metodología
- Explicación conceptual de cada algoritmo: qué optimiza, con qué restricciones y cuándo se detiene.
- Demostración guiada en R con OptimalFactor, sobre las bases de la librería y casos reales de validación.
- Lectura crítica de resultados: cada sesión contrasta el ajuste con la teoría y la estabilidad.
- Práctica final: competencia de algoritmos sobre una misma escala, con una decisión justificada.
⚙️ Requisitos técnicos
- R 4.2 o posterior y RStudio instalados.
- La librería OptimalFactor 1.7.0 o posterior (se indicará cómo instalarla antes de la primera sesión).
- Conexión a internet estable para las sesiones por Zoom.
- Cuenta de Gmail para el acceso al Aula Virtual.
- Opcional: tu base de datos en Excel o CSV, si quieres trabajar sobre tu propio instrumento.
🎁 ¿Qué incluye?
🧠 Del autor de la librería
Aprende OptimalFactor con quien la desarrolla y la mantiene en CRAN y GitHub.
📊 Práctica sobre datos reales
Bases incluidas en la librería y casos reales de validación, con scripts reproducibles.
🧭 Guía para elegir el algoritmo
Qué función usar según el problema de tu escala, y cómo defender la elección.
📚 Referencias básicas
Las lecturas metodológicas que sostienen cada decisión algorítmica.
🎥 Grabaciones por tres meses
Las sesiones quedan grabadas en el Aula Virtual para su revisión.
🎓 Certificado por 16 horas
Para quienes asistan al menos al 80 % de las sesiones.
💳 Información sobre pagos
Descuento por pronto pago · válido hasta el 27 de diciembre de 2026
| Categoría | Precio (S/) | Precio (USD) |
|---|---|---|
| Público en general | S/ 390.00 | USD 124.64 |
| Estudiantes de posgrado | S/ 340.00 | USD 108.66 |
| Estudiantes de pregrado o egresados | S/ 290.00 | USD 92.68 |
Precio regular · del 28 de diciembre de 2026 hasta agotar vacantes
| Categoría | Precio (S/) | Precio (USD) |
|---|---|---|
| Público en general | S/ 420.00 | USD 134.23 |
| Estudiantes de posgrado | S/ 370.00 | USD 118.25 |
| Estudiantes de pregrado o egresados | S/ 320.00 | USD 102.27 |
A los egresados de pregrado, bachilleres o titulados les corresponde la tarifa de estudiantes de posgrado.
🧾 Medios de pago
🇵🇪 BCP (Perú)
Cuenta: 19132933052007
CCI: 00219113293305200755
🇵🇪 Interbank (Perú)
Cuenta: 8983377362375
CCI: 00389801337736237545
🌍 Extranjero
PayPal: paypal.me/jventural
⚠️ Si pagas por ventanilla, añade S/ 9.00 al costo del curso. Todas las cuentas están a nombre de José Luis Ventura León.
Tras pagar, llena el formulario de inscripción con el número de operación: al validar tu pago recibirás por correo el acceso al Aula Virtual.