1. Introducción

En el actual orden de la mayor parte del mundo se satisfacen las necesidades humanas mediante la adquisición de bienes y servicios a través del dinero. La optimización de dichas necesidades, sin perder de vista que los recursos son limitados, se alcanza con una certera toma de decisiones en la priorización y economización (^{Garay Anaya, 2015}).

En este contexto, la Alfabetización Financiera (FL) se convierte en un componente crucial del capital humano para incrementar la utilidad esperada presente y futura (^{Huston, 2010}); y, con ello, enfrentar y disfrutar la vida. En otras palabras, la FL faculta a las personas para alcanzar el bienestar financiero (^{Atkinson y Messy, 2012}; ^{Aydin y Akben Selcuk, 2019}; ^{Chaulagain, 2015}; ^{CFPB, 2015}; ^{OCDE, 2014}; ^{Vieira, Bressan y Fraga, 2021}; ^{Vieira, Potrich y Mendes-Da-Silva, 2018}); y una menor vulnerabilidad ante el fraude (^{Pavković, Anđelinović y Mišević, 2018}); elementos que suman a la prosperidad, propósito de los Objetivos de Desarrollo Sostenible.

Consecuentemente, la FL ha adquirido significativa relevancia, especialmente para aquellos encargados de diseñar políticas públicas (^{Allianz, 2017}; ^{Brüggen et al., 2017}; ^{Huston, 2010}; ^{Potrich, Vieira y Mendes-Da-Silva, 2016}; ^{Xiao, 2020}). La importancia de abordar y fortalecer esta formación radica en que las variaciones en la utilidad actual y futura impactan no solo al individuo, sino también a la economía global, guiándola hacia una trayectoria más estable y competitiva (^{Goyal y Kumar, 2020}; ^{Vieira et al., 2018}). Dado que el individuo vive en sociedad, el progreso económico se ve directamente influido por la calidad de vida de la población en su conjunto (^{Brüggen et al., 2017}; ^{Garay Anaya, 2015}).

En el ámbito académico, muchos han sido los países que han contribuido y proliferado en el estudio del tema, tal es así que en la investigación llevada a cabo por ^{Goyal y Kumar (2020)} se identificaron 15 autores prolíficos provenientes de Estados Unidos, Inglaterra, Australia, Alemania, Italia, Países Bajos, China, Canadá, Corea del Sur, Turquía, Malasia e India; esto al examinar 1036 autores. Curiosamente, ninguno de estos autores proviene de países latinoamericanos. De manera similar, ^{Rani y Neha (2022)}, que recopilan 787 documentos con la palabra clave “alfabetización financiera” entre los años 2001 y 2020, ofrecen elementos que ponen de manifiesto la persistente ausencia de países latinoamericanos en la lista de naciones con una destacada producción científica en este campo.

En consonancia con esta línea, las investigaciones de enfoque cuantitativo sobre el tema tienden a orientarse hacia la medición del constructo y la evaluación de su relación con otros factores, especialmente para identificar las barreras en la toma de decisiones efectivas (^{Huston, 2010}) y en consecuencia la influencia en el bienestar financiero. La realización de dichas investigaciones requiere el diseño o la utilización de escalas de medición. Sin embargo, en lo que respecta a América Latina, son escasas las investigaciones cuantitativas que emplean escalas desarrolladas en la región con la calidad metodológica adecuada.

En apoyo a lo anterior, pocos autores latinoamericanos han propuesto mediciones detallando el proceso metodológico y aplicando pruebas psicométricas. Tras una revisión exhaustiva, se identificó únicamente a Potrich, Vieira y otros colaboradores (^{Potrich y Vieira, 2018}; ^{Potrich et al., 2018}; ^{Vieira et al., 2021}; ^{Vieira, Moreira Júnior y Potrich, 2020}; ^{Vieira et al., 2018}).

El trabajo de estos últimos autores ha proporcionado una sólida base que precede la escala más reciente de la región, que se denomina “Escala de Alfabetización Financiera con enfoque en Decisiones Financieras Clave” (FLKD, por sus siglas en inglés) desarrollada por ^{Méndez Prado et al. (2022a)}. El instrumento fue evaluado psicométricamente a través de una muestra de jóvenes adultos ecuatorianos (para quienes se diseñó).

En esta línea de trabajo, sumando a la aportación de los autores de Brasil y Ecuador, se pretende generar evidencia empírica para ampliar lo ya construido de manera sólida en América Latina. Por lo que el objetivo central de este artículo es evaluar la escala FLKD en una muestra global y segregada de tres países latinoamericanos a través del Análisis Factorial Confirmatorio (AFC) enfocado en el Modelado de Ecuaciones Estructurales (SEM, por sus siglas en inglés).

El análisis se lleva a cabo mediante una serie de elementos que permiten identificar la capacidad de la escala en cada una de las muestras y en su conjunto. Este análisis comprende la exploración de correlaciones, la evaluación de la confiabilidad, las cargas factoriales y, finalmente, la valoración del ajuste de la escala como modelo reflectivo.

El propósito fundamental de la replica de la escala FLKD es evaluar la idoneidad del instrumento en relación con la población para la cual fue diseñado, específicamente, jóvenes adultos con formación universitaria; pero, extendiendo su aplicación a contextos diversos dentro de América Latina. Pues, como señalan ^{Potrich et al. (2016)}, la evaluación de los tres factores que componen la FL debe ampliarse a muestras más extensas y de perfiles diversos. Esta ampliación es esencial para evitar la limitación inherente a depender de una sola muestra con características específicas o peculiares, permitiendo así una generalización más robusta de los resultados a lo largo de la región.

Dicho lo anterior, este estudio se propone a contribuir significativamente al avance del conocimiento en el área de FL, pues como mencionan ^{Ruiz, Pardo y Martín (2010)} los estudios de réplica en SEM son escasos. Al confirmar su aplicabilidad en distintos entornos de América Latina, se busca proporcionar una perspectiva integral que enriquezca la comprensión, comparabilidad y utilidad de la herramienta en el contexto regional.

Con motivo de presentar el estudio, este artículo está estructurado en cinco secciones principales. La segunda aborda el marco teórico y la evidencia empírica de la alfabetización financiera, proporcionando antecedentes y destacando los conceptos clave del constructo FL. Se incluye además una revisión de las principales escalas a nivel nacional y los aportes de América Latina. Esta sección concluye con una descripción general de la escala FLKD, propuesta por ^{Méndez Prado et al. (2022a)}, junto con una exposición de sus factores que -a partir de la metodología- nos referimos a éstos como variables latentes.

El tercer apartado se dedica al desarrollo del proceso metodológico, detallando las características de la muestra, el instrumento utilizado, el procedimiento de recolección de datos y los métodos de análisis aplicados. A continuación, en el cuarto apartado, se presentan los resultados cuantitativos y gráficos obtenidos a partir de la muestra global y particular de cada país, acompañada de una breve descripción. La quinta sección se destina a la discusión de los resultados, donde se analizan las implicaciones y se contextualizan los hallazgos en relación con la literatura existente. Finalmente, la sexta sección presenta las conclusiones, donde se destacan las contribuciones específicas del estudio, sus limitaciones y se ofrecen posibles direcciones para investigaciones futuras.

2. Marco teórico y evidencia empírica

3.Metodología

El instrumento FLKD de 41 ítems fue auto administrado en tres muestras de estudiantes universitarios en México, Colombia y Uruguay, a través de la plataforma SurveyPlanet, de marzo a diciembre de 2023. La composición de la muestra se observa en el Cuadro 2. Resalta que los estudiantes seleccionados para la muestra tienen un máximo de dos años para el egreso de su carrera profesional, en el momento de la aplicación.

La selección de la muestra se basó en un enfoque no probabilístico por conveniencia, aunque se garantizó que cumpliera con los requisitos necesarios para el análisis factorial, considerando las comunalidades y el número de ítems por factor. De acuerdo con ^{Lloret-Segura et al. (2014)}, una muestra de 200 casos es apropiada si se presenta un rango de comunalidades entre 0.40 y 0.70 y un mínimo de 4 ítems por factor.

La primera prueba de análisis es la evaluación de la confiabilidad, que se realiza mediante el coeficiente Alfa de Cronbach, estableciendo el intervalo de fiabilidad de la escala FL con un nivel de confianza del 95%.

En seguimiento con la evaluación, se aplica el AFC, para lo cual se extraerán los cuatro factores propuestos por ^{Méndez Prado et al. (2022a)} (FK, FB, FA.A, FA.B) utilizando el método de Mínimos Cuadrados no Ponderados (ULS, por sus siglas en inglés) y rotación Promax. Este método es una opción para los ítems que no siguen una distribución normal, evidenciado por la prueba de normalidad de Kolmogorov-Smirnov e indicadores de curtosis y simetría. Además, se considera que los ítems y las respuestas para FK son de naturaleza dicotómica. Autores como ^{Flora, LaBrish y Chalmers (2012)} y ^{Yuan y Bentler (1998)} contemplan un rango mínimo de respuesta de cinco opciones.

También se señala que todos los anteriores cálculos son realizados mediante el software IBM SPSS Statistics 28; mientras que los siguientes cálculos se efectúan mediante la herramienta IBM Analysis of Moment Structures AMOS Graphips 28. Una de las ventajas de AMOS Graphips es que este programa permite trabajar directamente sobre el diagrama, haciendo más amigable la comprensión de la relación entre las variables, lo que hace posible analizar modelos de ecuaciones estructurales confirmatorias y completas (^{Byrne, 2010}).

Como un método confirmatorio, se ejecuta el SEM, a través de la revisión del ajuste el modelo reflexivo que representa la escala FLKD, cuya construcción cuenta con respaldo teórico suficiente. En este sentido, el modelo reflexivo está compuesto por cuatro variables latentes (FL, FA, FK, FB).

De esta forma, el análisis multivariante a través del SEM contrasta el modelo teórico contra el modelo empírico a fin de identificar el ajuste del modelo (^{Kline, 2011}). Para evaluar los criterios de calidad de ajuste, primero se revisará la inexistencia de estimaciones infractoras. Posteriormente, se pone a prueba la hipótesis nula Ho: La matriz de covarianza del modelo (teórico) es idéntica a la covarianza de la muestra (observada). Se espera retener esta hipótesis a través de la estadística de prueba chi cuadra (χ²) y en su caso χ²/df, por el tamaño de la muestra (^{Hooper, Coughlan y Mullen, 2008}; ^{Kline, 2011}; ^{Manzano, 2018}).

Los indicadores de ajuste serán calculados bajo el método de extracción Mínimos Cuadrados no Ponderados (USL) por los motivos antes expuestos. Sin embargo, también se presentarán bajo el método de Máxima Verosimilitud (ML), a fin de establecer comparaciones con respecto a los resultados obtenidos por ^{Méndez Prado et al. (2022a)}. De acuerdo con ^{Hooper et al. (2008)}, los indicadores son:

Es menester evidenciar que el modelo sólo será evaluado en su condición original propuesta, sin hacer cambios que mejoren el ajuste, dejándolo el análisis a nivel confirmatorio y no semi confirmatorio (en el que se aplica una exploración y una adaptación). Los pasos antes descritos serán aplicados a cada una de las muestras por separado y de manera global con la finalidad de establecer comparaciones entre estas y diferenciar los resultados de los obtenidos en la muestra original de Ecuador.

4.Resultados

La presentación de los resultados se realiza mediante cuadros y gráficas, comenzando con la exposición de los resultados del análisis de confiabilidad de cada variable latente, seguido de los resultados de las correlaciones y cargas factoriales. Posteriormente, se visualizan los diagramas que muestran los coeficientes estandarizados de la regresión y los indicadores de ajuste por el método de extracción USL. Finalmente, se presenta el cuadro de los índices de ajuste bajo el método de extracción ML, integrando los resultados obtenidos por ^{Méndez Prado et al. (2022a)}.

Confiabilidad del instrumento: se informa en el Cuadro 3 la confiabilidad del instrumento que incluye las 41 variables observables. Estos datos de confiabilidad se encuentran por encima de 0.80 en cada muestra e incluso la muestra global. Cabe subrayar que tanto Colombia como Uruguay obtienen un α de Cronbach superior al obtenido por Ecuador (α=0.855).

Asimismo, las variables latentes FA y FB son buenas en los tres países y en lo global, donde Colombia presenta resultados superiores a los de Ecuador (FB: a 0.857 y FA: a 0.852). En lo que corresponde a FK, éste apenas alcanza valores por encima de .60, por tanto, ningún país alcanza el resultado de la muestra ecuatoriana (FK: a 0.747).

Correlaciones: en el Cuadro 4 se presentan las correlaciones entre las variables latentes de primer y segundo orden, junto con la medición de adecuación muestral de KMO y la esfericidad de Bartlett.

Las correlaciones entre las variables latentes FL, FK, FA y FB son significativas y positivas en las tres muestras y en la global, excepto rFk,FB y rFA,FB en la muestra mexicana, lo que indica que la variable latente de comportamiento no presenta una correlación significativa ni con el conocimiento ni con la actitud financiera en esta muestra. Para la muestra Ecuatoriana, ^{Méndez Prado et al. (2022a)} obtuvieron la correlación de las cuatro variables latentes de manera significativa (rFA,FB: 0.38; rFA,FK: 0.42; rFA,FL: 0.32; rFB,FK: 0.27; rFB,FL: 0.29; rFK,FL: 0.33).

La correlación entre FA, FB y FK con respecto a FL, en todas las muestras, es superior a la obtenida por la muestra ecuatoriana. Es sustancial destacar que el análisis de correlaciones en Ecuador se llevó a cabo con los 44 ítems iniciales del estudio. Sin embargo, después de estos resultados, los autores determinaron eliminar dos ítems de FK y uno de FA, con lo que se trabajó en las subsecuentes pruebas con 41 ítems.

Prosiguiendo con el análisis, en las tres muestras de estudio se obtiene un valor de KMO superior a 0.80, lo que indica una favorable adecuación muestral. Además, la prueba de esfericidad de Bartlett muestra un valor de p <0.05 en las muestras, respaldando la continuación del análisis factorial.

Análisis Factorial Confirmatorio: antes de proceder con la extracción de los factores, cada ítem fue sometido a la prueba de normalidad de Kolmogorov-Smirnov. Los resultados revelaron que ninguno de los ítems presenta una distribución normal. Al aplicar los criterios de curtosis y asimetría (-1,1), se constató que más de la mitad de los ítems por muestra (24, 25, 28 y 25 de los 41 ítems en México, Colombia, Uruguay y el conjunto global, respectivamente) no sigue una distribución normal.

Dada la información anterior, y con el propósito de extraer cuatro factores (FA.A, FA.B, FB y FK) propuestos por ^{Méndez Prado et al. (2022a)}, se optó por utilizar el método de extracción mínimos cuadrados no ponderados USL con rotación Promax.

En el Cuadro 5, se presentan los resultados obtenidos en este estudio, junto con los resultados reportados por ^{Méndez Prado et al. (2022a)}. Se observa que los ítems de la muestra de México se agruparon de manera idéntica en los cuatro factores, coincidiendo con la distribución encontrada en la muestra de jóvenes ecuatorianos. En contraste, la muestra uruguaya exhibió la menor similitud entre los tres países. Para Colombia, Uruguay y la muestra global, el ítem FK4 no se agrupó como en la propuesta original.

Otro punto es que las variables observables con menor valor de carga factorial y que se repiten entre las muestras son: FA16, FB2 y FK5. Mientras que, FK4 es el ítem que menos se agrupa en función del modelo original.

Modelado de Sistema de Ecuaciones: el modelado se especifica individualmente para cada una de las tres muestras, así como de manera global. En un primer análisis, no se evidencian estimaciones infractoras entre las cuatro variables latentes, ya que no se observan varianzas de error negativas ni coeficientes estandarizados (λ) superiores a uno.³

El análisis de regresión multivariante mediante SEM revela los Coeficientes Estandarizados, los cuales se presentan detalladamente en el Cuadro 6. Adicionalmente, para una representación visual, se incluyen las Gráficas 1, 2, 3 y 4 en el anexo, donde se muestran gráficamente los resultados, incluyendo los λ de las variables observables.

En la muestra mexicana se destaca que la variable FL exhibe una mayor influencia en FK, con un λFK=0.812, contribuyendo a una correlación múltiple al cuadrado (R²) del 65.93%, lo que significa que explica el 65.93% de la varianza. Le siguen en importancia FA (R²F= 61.62) y, finalmente, FB (R² =1.10).

En cuanto a los índices de ajuste para la misma muestra, utilizando el método USL, se observan los siguientes resultados: el estadístico χ² presenta un nivel de significancia p=0.000, el cociente chi-cuadrado entre grados de libertad arroja un resultado de 1.51, mientras que GFI=0.994, NFI=0.898 y RMR=0.051 (Gráfica 1 en el anexo).

Para la muestra colombiana, los valores de λ para FK y FB son similares (λFK=0.536, λFB= 0.538) con R² de 28.72 y 28.94, respectivamente. En última posición se ubica λFA=0.323 con R² =10.43. Los índices de ajuste revelan un nivel de significancia p=0.000 para χ²,con un valor de 1.23 en χ²/df, así como GFI=0.935, NFI=0.897 y RMR=0.064 (Gráfica 2 en el anexo).

En la muestra de Uruguay se obtienen λFA=0.923, λFK=0.678, λFB= 0.444, con R²=85.19, 45.96 y 19.71, respectivamente. Los índices de ajuste indican una χ² de 667.50 con p=0.000; χ²/gl de 0.875. Asimismo, se reportan GFI= 0.930, NFI=.881 y RMR=0.053 (Gráfica 3 en el anexo).

En la evaluación global, los valores son λFA=0.843, λFK=0.731, λFB= 0.265, con R²= 71.06, 53.43 y 7.02, respectivamente. Los índices de ajuste para el conjunto global son: χ² de 1957.00, con p=0.000; χ²/df = 2.25; GFI= 0.955 y NFI=0.921 y RMR= 0.046 (Gráfica 3 en el anexo).

Finalmente, se presentan los índices generados mediante el método de ML, con el propósito de compararlos con los índices reportados por ^{Méndez Prado et al. (2022a)}, tal y como se expresa en el Cuadro 7.

5. Discusión

Los investigadores a nivel internacional han dirigido su atención al estudio y medición del constructo de la FL debido a su estrecha relación con el bienestar financiero, especialmente entre los jóvenes adultos, quienes constituyen el próximo sector responsable de gestionar recursos financieros de manera independiente (^{Aydin y Akben Selcuk, 2019}). Además, este grupo se encuentra en una posición vulnerable debido a los desafíos derivados de las turbulencias financieras y sus contextos (^{Brüggen et al., 2017}; ^{Yakoboski et al., 2023}); y, a pesar de que las nuevas tecnologías promueven un avance en el control de las finanzas personales, los individuos sin preparación en el tema se enfrentan a una amplia gama de opciones y datos (^{Allianz, 2017}) que no siempre son útiles, veraces y oportunos.

En este sentido, los instrumentos utilizados para medir la FL deben caracterizarse por contar con un sólido respaldo psicométrico y ser adecuados para el contexto, con el objetivo de proporcionar un panorama concreto, útil y comparativo. A partir de los resultados obtenidos, se pueden desarrollar políticas que fortalezcan este atributo y, en consecuencia, el bienestar financiero del individuo y el desarrollo del entorno.

En el caso específico de la escala FLKD, los resultados indican que el instrumento de 41 ítems es consistente en su medición, dado que obtiene un buen coeficiente alfa de Cronbach (superior a 0.80), esto en cada una de las muestras de los tres países y en la muestra global. Asimismo, todas las variables latentes de primer orden y de manera individual obtienen un coeficiente alfa superior a 0.80, excepto la variable FK. En concreto, el coeficiente alfa de FK en cada muestra es inferior al reportado en la muestra de referencia, es decir, la muestra ecuatoriana, ya que apenas alcanza un valor por encima de 0.60. El hecho de que FK obtenga un valor muy por debajo de las otras dos variables latentes no sorprende, ya que la respuesta de sus ítems es dicotómica, reflejando una evaluación entre correcto e incorrecto (sólo dos opciones de respuesta).

Ante esta primera parte de la valoración de la escala, se puede afirmar que los ítems de ésta guardan una buena correlación entre ellos (^{Oviedo y Campo Arias, 2005}; ^{Quero Virla, 2010}), y en específico los ítems de las variables FA y FB.

Continuando con la discusión, se observa una correlación significativa entre las variables latentes, a excepción de la relación entre FB con respecto a FA y FK, únicamente en la muestra mexicana. Además, se identifica en el análisis de correlación una mayor fuerza entre las variables FA, FB y FK con respecto a FL, en comparación con la muestra de Ecuador. Estos hallazgos alientan la continuación del estudio confirmatorio, respaldados también por los resultados de la prueba KMO y la esfericidad de Bartlett obtenidos en las tres muestras.

Al emplear el AFC y extraer los cuatro factores propuestos por ^{Méndez Prado et al. (2022a)}, se observó una alineación idéntica en la muestra mexicana. Sin embargo, para la muestra de Colombia y la muestra global, solo el ítem FK4 no se agrupó como se preveía. Por otro lado, en la muestra uruguaya no se agruparon seis ítems de manera esperada.

Las discrepancias observadas en estos resultados podrían atribuirse a dos hipótesis fundamentales. En primer lugar, las diferencias en las características intrínsecas de las muestras, como las variaciones en los rangos de edad, la distribución del estatus laboral y la heterogeneidad en las áreas profesionales. En segundo lugar, las condiciones específicas del contexto desempeñan un papel crucial, donde factores como el entorno social, la cultura y las emociones pueden influir en las percepciones financieras (^{Garay Anaya, 2015}). Por ejemplo, indicadores como el índice de pobreza, el producto interno bruto per cápita o el porcentaje de población con acceso a cuentas y servicios bancarios digitales revelan que Uruguay supera significativamente a los demás países en términos de buenos indicadores financieros (^{Banco Mundial, 2023}).

Pasando al tema de las cargas factoriales, se identificaron ítems con resultados bajos: AF16, que aborda la percepción de cambios en los planes financieros según el ciclo de vida; FB2, relacionado con el hábito de comparar precios antes de comprar; y FK5, referente al conocimiento y conciencia del tiempo en el valor del dinero. Además, el ítem FK4, también vinculado al concepto del valor del dinero a lo largo del tiempo, no se agrupó correctamente con el factor teórico en más de una muestra y obtuvo una baja carga factorial. Es relevante señalar que tanto FK5 como FK4 están relativamente relacionadas con el concepto del interés compuesto proveniente de las preguntas icónicas “Big Three”; sin embargo, los ítems asociados con inflación y diversificación -propuestas por ^{Lusardi y Mitchell (2006)} - obtuvieron cargas factoriales superiores a 0.30.

Estas observaciones plantean la posibilidad de modificar y/o eliminar algunos ítems en etapas posteriores, siempre y cuando esté respaldado por la teoría y avalado por expertos para mejorar el ajuste del modelo reflectivo. Por ejemplo, modificar el ítem FK5, haciéndolo más parecido al ítem planteado por ^{Lusardi y Mitchell (2006)} y eliminar el FK4. No obstante, este paso no se lleva a cabo en este momento, dado que el análisis de este trabajo es de tipo confirmatorio y no semi confirmatorio.

Sobre el modelado a través del sistema ecuaciones, las Gráficas 1, 2, 3 y 4 muestran los coeficientes estandarizados de la regresión, que permiten evaluar el impacto de FL sobre las otras variables latentes de primer orden. Destaca que el coeficiente correspondiente a FB es menor en las tres muestras y en la global, especialmente en la muestra mexicana. Este hallazgo coincide con ^{Méndez Prado et al. (2022}a) y contrasta con los resultados de ^{Potrich et al. (2016)} y ^{Potrich y Vieira (2018)} y ^{Vieira et al. (2021)}. Una diferencia crucial entre estos últimos trabajos y la presente investigación es que éstos se desarrollaron con un enfoque semi confirmatorio al reducir la escala original para alcanzar un mejor ajuste del modelado.

Continuando con los coeficientes estandarizados, FK ocupa el primer lugar en la muestra mexicana y el segundo lugar (muy cercano al primero) en la muestra colombiana. La importancia de esta variable en la alfabetización financiera se destaca en diversos estudios, donde se le aborda como el principal componente o incluso como el único, derivado especialmente de las “Big Three”, que, además incluye la confianza para utilizar dicho conocimiento (^{Garcia-Santillan, 2020}; ^{Gilenko y Chernova, 2021}; ^{Grohmann, 2018}; ^{Huston, 2010}; ^{Mahfuzur et al., 2021}; ^{Pavković et al., 2018}; ^{Remund, 2010}; ^{Stolper y Walter, 2017}). Hecho respaldado por la presencia de la variable en cada una de las 45 escalas revisadas por ^{Méndez Prado et al. (2022a)}.

Distintivamente, los ítems de la dimensión FK de la escala FLKD tienen una opción de respuesta dicotómica, una característica de las preguntas de evaluación u objetivas, a diferencia de los instrumentos que miden la autopercepción de FK a través de una escala ordinal como Likert (^{Allgood y Walstad, 2015}; ^{Tang y Baker, 2016}). Por esta razón, algunos autores como ^{Potrich et al. (2016)} proponen constituir la variable de FK a través de dos variables observables: conocimiento básico y conocimiento avanzado, las cuales se derivan de la suma de varios ítems. Situación que no se replicó en este estudio, toda vez que para alcanzar el propósito planteado era necesario evaluar el instrumento bajo las condiciones originales.

Al igual que en los trabajos de ^{Méndez Prado et al. (2022a)} y ^{Potrich et al. (2016)}, la relación entre FL y FA es significativa, pero además el impacto es superior en el presente estudio. Sin embargo, en ^{Parul et al. (2023)} se detecta que no existe relación significativa entre estas dos variables al estudiar inversionistas. En este sentido, la significancia entre las variables FA y FL en los estudios coincidentes tienen en común que la muestra cuenta con características similares, toda vez que se trata de estudiantes universitarios en países latinoamericanos; mientras que, con el estudio no coincidente, la muestra está conformada de adultos de diversas edades, con actividades de inversión en la India. Este hecho sugiere que existe una relevancia destacada de las variables sociodemográficas en el diseño y uso de los instrumentos de medición.

En cuanto al ajuste global, al ser significativo el estadístico χ² , no es posible retener la hipótesis nula que sugiere: “La matriz de covarianza del modelo es idéntica a la covarianza de la muestra”. No obstante, diversos autores sugieren que alcanzar un valor de p > 0.05 en muestras superiores a los 200 sujetos es difícil (^{Hooper et al., 2008}; ^{Manzano, 2018}; ^{Ruiz et al., 2010}).

En este contexto, se examina el cálculo de χ²/df a través del método de extracción de USL. Los resultados de 1.51, 0.875, 0.875 y 2.52 para México, Colombia, Uruguay y Global (respectivamente) indican que el modelo empírico se ajusta al modelo teórico, ya que un resultado de χ²/df < 3 acepta la hipótesis nula, según ^{Ruiz et al. (2010)} y ^{Vieira et al. (2021)}; aunque ^{Hooper et al. (2008)} establecen un rango entre 2 y 5, por lo que sólo la muestra global alcanzaría este último criterio. En otra dirección, si evaluamos el resultado de χ²/df mediante el método de extracción de ML, las cuatro muestras cumplirían con el criterio de ^{Ruiz et al. (2010)} y de ^{Hooper et al. (2008)}, e incluso el resultado de los tres países es muy similar al obtenido en la muestra de los jóvenes de Ecuador.

Además de los cálculos de χ² y χ²/df, los autores señalan la conjunción con otros índices (^{Hooper et al., 2008}; ^{Manzano, 2018}; ^{Ruiz et al., 2010}). Y a pesar de que ^{Hooper et al. (2008)} destacan la falta de consenso sobre qué índices reportar y los puntos de corte, en este análisis se presentaron los índices arrojados por AMOS para un método de extracción USL, justificado por la ausencia de normalidad en los ítems. Aunque adicionalmente, se incluyeron los resultados arrojados por el método de ML para su comparación con la muestra de ^{Méndez Prado et al. (2022a)}. En cuanto a los puntos de corte en los indicadores de ajuste, se consideran diversos niveles de flexibilidad y rigidez propuestos por distintos autores expertos del tema.

Por consiguiente, mediante el método USL, se obtuvieron resultados de NFI cercanos a 0.90, GFI aproximadamente a 0.95 y RMR ligeramente superiores a 0.05 en las tres muestras de los países participantes. En cuanto a NFI y GFI, ^{Manzano (2018)} establece un parámetro superior a 0.90 como aceptable; mientras que ^{Ruiz et al. (2010)}, ^{Vieira et al. (2021)} y ^{Hooper et al. (2008)} indican un mínimo de 0.95. Adicionalmente, estos últimos autores mencionan que otros investigadores son más flexibles y han considerado hasta 0.80 como punto de corte.

De esta forma, únicamente el resultado del indicador GFI de cada muestra cumple con el criterio intermedio. Sin embargo, en la muestra global el GFI está por encima de 0.95 y NFI sobrepasa 0.90. En lo que corresponde al RMR, ^{Ruiz et al. (2010)} señalan que debe ser los más cercano a cero, mientras que para ^{Hooper et al. (2008)} es aceptable menor a 0.08. De tal forma que con el criterio de Hooper se puede validar el resultado de RMR en la muestra de México, Colombia y Uruguay. El resultado mejora con la muestra global, pues RMR se ubica por debajo de 0.05.

En resumen, se puede identificar que la muestra global es la más robusta y los resultados se acercan a la aprobación de los parámetros más estrictos. Dicho lo anterior, la escala FLKD de ^{Méndez Prado et al. (2022a)} es aceptable para medir el constructo entre la población de jóvenes universitarios de países latinoamericanos. Tómese en cuenta que esta escala ha sido sometida no solo a una evaluación de confiabilidad sino también de validez convergente, siendo esta última prueba poco presentada en la publicación de artículos latinoamericanos que diseñan, rediseñan o retoman escalas en el tema, con excepción de los trabajos realizados en Brasil por ^{Potrich et al. (2016)}, ^{Vieira et al. (2018)} y ^{Potrich et al. (2018)}. Es interesante notar que estos últimos estudios mencionados - en específico el estudio de ^{Potrich et al. (2016)}, que también se enfocó en estudiantes universitarios, pero de Brasil- obtuvieron mejores resultados en los indicadores de ajuste que los actualmente reportados en este trabajo. No obstante, es importante señalar que esta evaluación no excluyó ningún ítem de la versión original de los autores.

Por otro lado, al integrar los resultados de los índices de ajuste a través del método ML (para ser totalmente comparables con la muestra ecuatoriana), se observa que GFI, CFI y TLI se sitúan por debajo de 0.90, incluyendo la muestra global (Colombia por debajo de 0.80). Los únicos indicadores de ajuste que favorecen a las muestras de este estudio (sin contemplar Colombia) son RMR y RMSEA. Aunque como ya se mencionó, este método no es el ideal para las muestras aquí trabajadas, pues el comportamiento de los resultados en cada ítem no tiene una distribución normal.

A manera de cierre de esta discusión, se puede señalar con evidencia que el SEM ha permitido identificar cómo el modelo constituido por la muestra de tres países latinoamericanos se asemeja al modelo teórico propuesto por la escala FLKD; sin olvidar que también es evidente que esta escala, diseñada inicialmente para un país específico, requiere adaptaciones y ajustes para cada país analizado.

Los resultados expuestos en este trabajo permiten la continuidad con esta línea de investigación, ya que el hecho de que un modelo obtenga un buen ajuste no significa que no puedan existir otros modelos que también pueden ajustarse (^{Ruiz et al., 2010}). En ese sentido, se puede poner a prueba la relación reconfigurada de las variables latentes, como lo plantean ^{Brüggen et al. (2017)}, ^{Chaulagain (2015)}, ^{Potrich et al. (2016)} e incluso ^{Huston (2010)}, al colocar el FB como variable endógena de FK y/o FA, o también como variable mediadora que afecta el bienestar financiero. Entre otras variantes, tambien es posible analizar el ajuste de cada una de las variables latentes por separado, como lo realizan ^{Vieira et al. (2021)}.

6. Conclusiones

Por la significancia del conocimiento, las creencias y las decisiones financieras de los jóvenes adultos, los estudios sobre alfabetización financiera se presentan como áreas de oportunidad actuales. Los autores de este documento han optado por evaluar la Escala de Alfabetización Financiera sobre Decisiones Financieras Clave a través del análisis confirmatorio, dado que el instrumento es la propuesta más reciente en un país latinoamericano con un respaldo teórico y metodológico riguroso.

El análisis confirmatorio a través del SEM es un método que utiliza estadísticas para comparar un modelo empírico con un modelo teórico. Como se mencionó anteriormente, este análisis es de naturaleza confirmatoria y no semi confirmatorio, enfocado en verificar la adecuación del modelo original aplicado en otros países, distintos a Ecuador. No se realizaron adaptaciones ni ajustes para mejorar el modelo, ya que el objetivo era identificar qué tan bien se ajustaba el modelo original. Aunque el ajuste no fue perfecto, fue lo suficientemente cercano como para considerarlo un buen punto de partida, y se sugiere realizar ajustes necesarios respaldados por el marco teórico, como la eliminación de ítems con cargas factoriales estandarizadas menores de 0.30 y la inclusión de correlaciones entre errores. Estos ajustes podrían aplicarse a nuevas muestras de cada país interesado en comprender la alfabetización financiera juvenil en atención a su muy cercana inserción en el sistema financiero.

Tras los análisis correspondientes y considerando criterios de corte intermedios, se destaca que la muestra mexicana presenta el mejor ajuste al modelo teórico, una mejora que se refuerza al incluir la muestra global. Sin embargo, estos resultados se ven afectados al emplear un método de extracción inadecuado que no contemple la distribución anormal de los ítems.

En conclusión, se sostiene que la escala FLKD es una buena opción para su adaptación y aplicación en muestras de estudiantes universitarios en países latinoamericanos, permitiendo medir el constructo para el cual fue diseñada. Este trabajo también abre la puerta a futuras investigaciones para formular hipótesis que expliquen las discrepancias observadas y para explorar rediseños basados en las relaciones entre las variables latentes estudiadas, así como nuevas formas en que estas variables se relacionan con otros aspectos que impactan el bienestar financiero de las personas.