Revista Multidisciplinar Epistemología de las Ciencias
Volumen 3, Número 1, 2026, enero-marzo
DOI: https://doi.org/10.71112/yqay0d64
ANÁLISIS DE CLASES LATENTES COMO ENFOQUE DE MODELAMIENTO NO
OBSERVADO: FUNDAMENTOS TEÓRICOS, SUPUESTOS Y RELACIONES CON
LOS MODELOS DE MEDICIÓN DE RASCH
LATENT CLASS ANALYSIS AS AN UNOBSERVED MODELING APPROACH:
THEORETICAL FOUNDATIONS, MODEL ASSUMPTIONS, AND RELATIONSHIPS
WITH RASCH MEASUREMENT MODELS
Jeremias Willmore Metivier
República Dominicana
DOI: https://doi.org/10.71112/yqay0d64
598 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
Análisis de Clases Latentes como Enfoque de Modelamiento no Observado:
fundamentos teóricos, supuestos y relaciones con los modelos de medición de
Rasch
Latent Class Analysis as an Unobserved Modeling Approach: Theoretical
Foundations, Model Assumptions, and Relationships with Rasch Measurement
Models
Jeremias Willmore Metivier
jeremiaswillmore@gmail.com
https://orcid.org/0000-0002-2759-2830
Universidad Católica del Cibao (UCATECI)
República Dominicana
RESUMEN
El análisis de clases latentes (Latent Class Analysis, LCA) constituye un enfoque estadístico
orientado a la identificación de subpoblaciones no observadas a partir de patrones de
respuesta en variables categóricas. Se diferencia de los modelos continuos de rasgos latentes,
porque el LCA asume que la heterogeneidad poblacional puede representarse mediante un
número finito de clases cualitativamente distintas. Este artículo presenta una revisión teórica
del análisis de clases latentes, abordando fundamentos conceptuales, formalización
estadística, supuestos del modelo y los criterios comúnmente utilizados para la determinación
del número óptimo de clases. Se discute su relación conceptual y metodológica con los
modelos de medición de Rasch, destacando similitudes, diferencias y posibles usos
complementarios en investigación educativa. El escrito concluye con una reflexión crítica sobre
DOI: https://doi.org/10.71112/yqay0d64
599 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
las ventajas, limitaciones y desafíos actuales del enfoque de clases latentes en el estudio de
fenómenos educativos complejos.
Palabras clave: clases latentes, modelos de mezcla, heterogeneidad poblacional, Rasch,
medición educativa.
ABSTRACT
Latent Class Analysis (LCA) is a statistical approach aimed at identifying unobserved
subpopulations based on patterns of responses to categorical variables. Unlike continuous
latent trait models, LCA assumes that population heterogeneity can be represented through a
finite number of qualitatively distinct latent classes. This article presents a theoretical review of
latent class analysis, addressing its conceptual foundations, statistical formalization, model
assumptions, and the criteria commonly used to determine the optimal number of classes. The
conceptual and methodological relationship between LCA and Rasch measurement models is
also examined, highlighting their similarities, differences, and potential complementary uses in
educational research. The paper concludes with a critical reflection on the advantages,
limitations, and current challenges of latent class approaches in the study of complex
educational phenomena.
Keywords: latent classes, mixture models, population heterogeneity, Rasch, educational
measurement.
Recibido: 10 enero 2026 | Aceptado: 26 enero 2026 | Publicado: 27 enero 2026
DOI: https://doi.org/10.71112/yqay0d64
600 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
INTRODUCCIÓN
En la investigación educativa y social, su problemática central se sitúa en la adecuada
representación de la heterogeneidad de las poblaciones estudiadas. Históricamente, muchos
modelos estadísticos han asumido implícita o explícitamente la homogeneidad de los individuos
respecto a los procesos generadores de datos. Esta suposición resulta frecuentemente
insostenible cuando se analizan fenómenos complejos como el aprendizaje, el rendimiento
académico o los estilos de respuesta en pruebas estandarizadas.
El análisis de clases latentes (Latent Class Analysis, LCA), introducido por Lazarsfeld y
Henry en la década de 1960, surge como una alternativa para modelar dicha heterogeneidad
mediante la identificación de subgrupos no observables directamente, denominados clases
latentes. Desde esta perspectiva, se asume que las asociaciones observadas entre las
variables manifiestas pueden explicarse por la pertenencia de los individuos a un número finito
de clases cualitativamente distinta. Se diferencia de los modelos de rasgo latente continuo —
como los modelos de la Teoría de Respuesta al Ítem y, en particular, el modelo de Rasch—, el
análisis de clases latentes conceptualiza la variable latente como categórica. Esta diferencia no
es meramente técnica, sino que implica concepciones distintas sobre la naturaleza del
constructo subyacente, la forma de la variabilidad individual y los objetivos de la inferencia
estadística.
El presente artículo tiene como objetivo desarrollar una revisión teórica del análisis de
clases latentes, en función de los fundamentos conceptuales, la formulación estadística y los
criterios de decisión asociados a la selección del número de clases. Finalmente, se exploran las
relaciones entre el enfoque de clases latentes y los modelos de Rasch, con el propósito de
analizar sus posibles usos, en conjunto, en estudios de medición educativa y evaluación del
aprendizaje.
DOI: https://doi.org/10.71112/yqay0d64
601 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
DESARROLLO
Fundamentos Conceptuales de las Clases Latentes
El análisis de clases latentes (Latent Class Analysis, LCA) pertenece a la familia de los
modelos de mezcla finita y constituye un enfoque estadístico orientado a la identificación de
subpoblaciones no observables a partir de patrones de respuesta en variables de manifestación
categóricas (Lazarsfeld & Henry, 1968; McCutcheon, 1987). Desde una mirada conceptual, el
LCA parte del supuesto de que la heterogeneidad observada en una población puede
explicarse mediante la existencia de un número finito de clases cualitativamente distintas, cada
una de las cuales presenta un perfil de probabilidades de respuesta. Su origen se remonta a los
trabajos de Paul Lazarsfeld, quien introdujo el concepto de variables latentes categóricas como
una alternativa a los enfoques continuos dominantes en la psicometría clásica (Lazarsfeld,
1950; Lazarsfeld & Henry, 1968). En este marco, las clases latentes no representan niveles
cuantitativos de un rasgo subyacente, sino tipologías discretas que agrupan individuos con
patrones similares de comportamiento o respuesta.
Desde el punto de vista epistemológico, el LCA se apoya en una concepción tipológica
de los constructos latentes, en contraste con la concepción dimensional propia de los modelos
de rasgo latente continuo (Collins & Lanza, 2010). Mientras que los modelos continuos asumen
que las diferencias individuales se distribuyen a lo largo de un continuo unidimensional, el
análisis de clases latentes postula que dichas diferencias reflejan pertenencias cualitativamente
diferenciadas a subgrupos latentes. Un concepto central en el LCA, y que es común a ambos
enfoques, es el de independencia local, el cual establece que, condicionadas a la clase latente,
las variables observadas son estadísticamente independientes entre sí (Goodman, 1974;
Hagenaars & McCutcheon, 2002). Este supuesto implica que toda la asociación entre los ítems
o indicadores se explica exclusivamente por la variable latente categórica, lo que confiere al
modelo una interpretación clara y parsimoniosa.
DOI: https://doi.org/10.71112/yqay0d64
602 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
Asimismo, el LCA se fundamenta en la noción de heterogeneidad no observada,
entendida como la variabilidad entre individuos que no puede ser explicada por variables
observables incluidas explícitamente en el modelo (Vermunt & Magidson, 2002; Oberski, 2016).
En este sentido, las clases latentes actúan como variables auxiliares que capturan patrones
estructurales subyacentes en los datos. Las clases latentes no se conciben como categorías
deterministas, sino como constructos definidos en términos de probabilidades de pertenencia
(Goodman, 2002). En tal sentido, cada individuo posee una probabilidad estimada de
pertenecer a cada clase, lo que permite una interpretación flexible y coherente con la
incertidumbre inherente a la inferencia estadística (Bolck, Croon, & Hagenaars, 2004).
En las ciencias sociales y educativas, el análisis de clases latentes ha sido ampliamente
utilizado para identificar perfiles de aprendizaje, estilos cognitivos, trayectorias de desarrollo y
patrones de respuesta en pruebas estandarizadas (Nylund-Gibson & Choi, 2018; Masyn, 2013).
Su gran potencial radica en la posibilidad de describir poblaciones complejas sin asumir
supuestos de continuidad o normalidad sobre los constructos latentes. El LCA se distingue de
otros enfoques de clasificación tradicionales, como el análisis de clúster, en que se basa en un
modelo estadístico explícito y en criterios de ajuste bien definidos, en lugar de medidas ad hoc
de similitud o distancia (Vermunt & Magidson, 2005; Magidson & Vermunt, 2004). Esta
característica refuerza su estatus como modelo inferencial más que como técnica exploratoria
puramente descriptiva.
Finalmente, diversos autores han señalado que el análisis de clases latentes debe
entenderse no como una herramienta de “descubrimiento automático” de grupos reales, sino
como un modelo teórico que propone una representación simplificada y útil de la estructura
latente de los datos (Bauer & Curran, 2003; Muthén, 2004). En consecuencia, la interpretación
de las clases latentes requiere siempre un anclaje sustantivo en el marco teórico y empírico del
estudio, evitando lecturas esencialistas o reificadas de las categorías obtenidas.
DOI: https://doi.org/10.71112/yqay0d64
603 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
Formalización Estadística del Modelo de Clases latentes
El análisis de clases latentes (Latent Class Analysis, LCA) se formaliza como un modelo
de mezcla finita en el que la distribución conjunta de un conjunto de variables observadas se
explica mediante la pertenencia a una variable latente categórica no observada. Sea una
muestra de individuos, donde para cada individuo se observan variables manifiestas
categóricas . Se postula la existencia de una variable latente que representa la
clase latente del individuo , con posibles categorías mutuamente excluyentes:
La probabilidad de pertenencia a cada clase latente se denota por
con la restricción
Estas probabilidades representan la proporción esperada de individuos en cada clase
latente dentro de la población.
Un supuesto central del modelo es el de independencia local, según el cual las variables
observadas son estadísticamente independientes entre sí una vez condicionadas a la clase
latente. Bajo este supuesto, la probabilidad conjunta de un patrón de respuestas
, dado que el individuo pertenece a la clase , puede expresarse como el
producto de probabilidades condicionales:
DOI: https://doi.org/10.71112/yqay0d64
604 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
Para cada variable manifiesta , se definen parámetros de respuesta condicional por
clase. En el caso de variables dicotómicas, estos parámetros corresponden a probabilidades
del tipo . En el caso de variables politómicas, se definen probabilidades
específicas para cada categoría de respuesta, sujetas a restricciones de no negatividad y suma
a uno dentro de cada clase.
La probabilidad marginal de observar un patrón de respuestas se obtiene como una
combinación ponderada de las probabilidades condicionales de cada clase, lo que da lugar a la
siguiente expresión de mezcla:
Asumiendo independencia entre individuos, la función de verosimilitud del modelo para
la muestra completa se define como el producto de las probabilidades marginales individuales:
La estimación de los parámetros del modelo se realiza comúnmente mediante máxima
verosimilitud, utilizando el procedimiento de Expectation–Maximization (EM). Este algoritmo
permite manejar la naturaleza no observada de la variable latente al alternar entre la estimación
de las probabilidades posteriores de pertenencia a cada clase (paso E) y la actualización de los
parámetros del modelo (paso M).
Un resultado clave del modelo es la obtención de las probabilidades posteriores de
clase, que representan la probabilidad de que un individuo pertenezca a cada clase latente
dado su patrón de respuestas observado. Estas probabilidades constituyen la base para la
DOI: https://doi.org/10.71112/yqay0d64
605 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
asignación probabilística de individuos a clases y para la interpretación sustantiva de los
perfiles latentes identificados. Desde un punto de vista inferencial, el modelo de clases latentes
no impone una métrica continua sobre el constructo subyacente, sino que lo conceptualiza
como una estructura discreta de estados latentes. En consecuencia, la formalización
estadística del LCA ofrece un marco flexible para modelar heterogeneidad no observada,
especialmente en contextos donde los supuestos de continuidad y normalidad resultan
conceptualmente inapropiados o empíricamente insostenibles.
El modelo de clases latentes se sustenta en varios supuestos fundamentales. En primer
lugar, se asume la existencia de una variable latente categórica finita capaz de
representar la heterogeneidad no observada mediante subpoblaciones discretas. En segundo
lugar, se postula que la distribución conjunta de las respuestas observadas puede expresarse
como una mezcla finita, , con . Un supuesto
central es la independencia local, según el cual, condicionadas a la clase latente, las variables
observadas son independientes: .
Adicionalmente, se asume homogeneidad condicional dentro de clase, de modo que los
individuos en la misma clase comparten parámetros de respuesta condicionales comunes, así
como independencia entre individuos o, en su defecto, que la dependencia por estructuras
jerárquicas esté adecuadamente modelada. Finalmente, para garantizar estimabilidad se
requiere identificabilidad del modelo y estabilidad numérica en la estimación, considerando que
la función de verosimilitud puede presentar máximos locales y soluciones en el borde en
presencia de separación casi perfecta.
DOI: https://doi.org/10.71112/yqay0d64
606 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
Criterios para la Determinación del Número de Clases Latentes
La determinación del número de clases latentes ( ) constituye una de las decisiones
más relevantes en el análisis de clases latentes (LCA), debido a que define el grado de
heterogeneidad no observada que el modelo representará y condiciona la interpretación
sustantiva de los perfiles resultantes. Dado que no existe un único indicador concluyente, la
selección de debe basarse en una estrategia de triangulación que combine evidencia
estadística, estabilidad numérica e interpretabilidad teórica.
En primer lugar, se utilizan criterios de información que comparan modelos con diferente
número de clases penalizando la complejidad. Entre los más empleados se encuentran el AIC,
el BIC y el BIC ajustado por tamaño muestral. Para un modelo con clases, log-verosimilitud
máxima , parámetros y tamaño muestral , estos criterios se definen como:
En general, se prefiere el modelo que minimiza estos índices, con la consideración de
que el BIC tiende a favorecer soluciones más parsimoniosas y suele emplearse como
referencia principal en estudios de LCA.
En segundo lugar, pueden emplearse pruebas basadas en verosimilitud para comparar
modelos anidados versus . El incremento de ajuste se expresa mediante la diferencia
de verosimilitud:
DOI: https://doi.org/10.71112/yqay0d64
607 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
Sin embargo, debido a que los supuestos regulares de las pruebas no se cumplen
plenamente en modelos de mezcla, se recomienda el uso de procedimientos específicos como
el Bootstrap Likelihood Ratio Test (BLRT) y, cuando estén disponibles, las aproximaciones Lo–
Mendell–Rubin (LMR) o Vuong–Lo–Mendell–Rubin (VLMR), seleccionando el mayor para el
cual la mejora respecto a permanezca estadísticamente significativa, siempre que la
solución sea estable e interpretable.
En tercer lugar, se evalúa la calidad de clasificación mediante las probabilidades
posteriores de pertenencia y medidas agregadas como la entropía. La probabilidad posterior de
clase para el individuo se define como:
A partir de estas probabilidades, puede calcularse una entropía normalizada como
indicador global de separación entre clases:
Aunque valores altos de entropía sugieren asignaciones más nítidas, este indicador no
debe interpretarse como criterio suficiente para elegir , sino como evidencia complementaria
sobre la claridad de la estructura de clases bajo cada solución. Adicionalmente, se recomienda
considerar criterios operativos de tamaño mínimo de clase y estabilidad. En particular, deben
DOI: https://doi.org/10.71112/yqay0d64
608 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
evitarse soluciones con clases extremadamente pequeñas (por ejemplo, proporciones
marginales muy bajas) si no existe una justificación teórica fuerte, y se debe verificar que la
solución se replique bajo múltiples valores iniciales para reducir el riesgo de máximos locales
en la estimación.
Por último, es esencial evaluar la consistencia del modelo con el supuesto de
independencia local. En presencia de dependencia residual entre indicadores (por contenido,
formato o método), el incremento de puede producir clases espurias que capturan
correlaciones no modeladas. Por ello, la selección del número de clases debe complementarse
con diagnósticos de residuales y con la inspección de perfiles de probabilidades condicionales,
priorizando soluciones que sean estadísticamente adecuadas y sustantivamente interpretables.
En síntesis, la determinación del número de clases latentes debe fundamentarse en una
decisión integrada que contemple (a) el comportamiento de AIC/BIC/SABIC, (b) evidencia de
pruebas de razón de verosimilitud cuando sea pertinente, (c) calidad de clasificación y
separación entre clases, (d) estabilidad numérica y tamaños de clase razonables, y (e)
coherencia con el marco teórico y el propósito de la investigación.
Interpretación Sustantiva de las Clases Latentes
La interpretación sustantiva de las clases latentes consiste en traducir la solución
estadística del LCA (es decir, las estimaciones de y de las probabilidades condicionales
) en perfiles conceptualmente significativos y coherentes con el marco teórico
del estudio (Collins & Lanza, 2010; Hagenaars & McCutcheon, 2002). En sentido estricto, las
clases latentes no son “grupos observables” sino constructos inferenciales definidos por
DOI: https://doi.org/10.71112/yqay0d64
609 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
patrones probabilísticos; por tanto, su interpretación requiere evitar la reificación (Bauer &
Curran, 2003; Masyn, 2013).
Un primer paso consiste en describir cada clase mediante su perfil de probabilidades de
respuesta por indicador. En el caso dicotómico, la clase se caracteriza por
; en el caso politómico, por . La comparación
entre clases se realiza examinando contrastes sistemáticos: indicadores con alta discriminación
entre clases (probabilidades muy diferentes) ofrecen mayor valor interpretativo que aquellos
con perfiles similares (Magidson & Vermunt, 2004; Vermunt & Magidson, 2002).
Un segundo paso es asignar etiquetas sustantivas a las clases (p. ej., “procedimental
básico”, “razonamiento estructurado”, “estilo impulsivo”), basadas en (a) la teoría del
constructo, (b) evidencia curricular o cognitiva, y (c) el patrón empírico de respuestas. Para
evitar etiquetas superficiales, es recomendable formular una breve “narrativa de clase” que
explique qué sabe/hace el individuo típico de esa clase y qué evidencias lo sustentan (Collins &
Lanza, 2010; Nylund-Gibson & Choi, 2018).
Un tercer paso es evaluar la separación entre clases mediante las probabilidades
posteriores y medidas agregadas como la entropía. Sin embargo, una
buena separación no garantiza validez sustantiva: una solución puede clasificar “bien” y aun así
capturar efectos de método o dependencia local (Oberski, 2016). Por ello, la interpretación
debe apoyarse también en diagnósticos de independencia local y coherencia teórica.
Finalmente, cuando se incorporan covariables, se recomienda distinguir entre (a)
interpretación descriptiva de clases y (b) interpretación explicativa de su asociación con
covariables, evitando lecturas causales no justificadas por el diseño (Vermunt, 2010;
Asparouhov & Muthén, 2014). En síntesis, la interpretación sustantiva es un proceso de
DOI: https://doi.org/10.71112/yqay0d64
610 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
inferencia integradora: el modelo sugiere una tipología latente, y el investigador valida su
sentido mediante teoría, evidencia contextual y análisis de robustez.
Relación entre Análisis de Clases Latentes y Modelos de Rasch
El LCA y los modelos de Rasch comparten el rasgo común de ser modelos latentes
orientados a explicar patrones de respuesta, pero difieren de forma fundamental en la
naturaleza del continuo latente y en el objetivo de la inferencia. En Rasch, la variable latente es
típicamente continua (habilidad ), y la medición busca construir una escala intervalar en logits
con propiedades de objetividad específica bajo supuestos de unidimensionalidad e
independencia local (Rasch, 1960/1980; Wright & Masters, 1982; Bond & Fox, 2015). En LCA,
la variable latente es categórica ( ), y el objetivo central es modelar heterogeneidad
no observada como tipologías discretas (Lazarsfeld & Henry, 1968; Collins & Lanza, 2010).
A nivel de supuestos, ambos enfoques comparten una forma de independencia local,
aunque con interpretaciones distintas. En Rasch, la independencia local se entiende
condicionada a ; en LCA, condicionada a . En ambos casos, violaciones de dependencia
local pueden inducir sesgos: en Rasch, distorsionar parámetros de ítems/personas y el ajuste;
en LCA, inflar el número de clases o producir clases “método” (Linacre, 2002; Oberski, 2016).
En términos de complementariedad, existen al menos cuatro formas relevantes de articulación
metodológica:
• LCA como diagnóstico de heterogeneidad en medición: antes o después del ajuste
Rasch, el LCA puede identificar subpoblaciones con patrones diferenciales (p. ej.,
estilos de respuesta, uso de estrategias, subgrupos con dependencia local), que luego
se investigan con DIF o modelos más ricos (Embretson & Reise, 2000; Bond & Fox,
2015).
DOI: https://doi.org/10.71112/yqay0d64
611 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
• Modelos de mezcla Rasch (mixture IRT): integran la idea de clases latentes con
medición IRT/Rasch, permitiendo que existan clases con parámetros distintos (por
ejemplo, distintas dificultades o distintas estructuras), formalizando heterogeneidad
latente sin abandonar el marco IRT (Rost, 1990; von Davier & Yamamoto, 2004).
Conceptualmente, estos modelos conectan directamente LCA y Rasch al considerar
como una variable de mezcla y como rasgo dentro de clase.
Clases latentes para perfiles de aprendizaje: mientras Rasch proporciona una escala
continua de habilidad, el LCA puede traducir patrones de desempeño en perfiles cualitativos
útiles para intervención pedagógica (p. ej., clases de error conceptual), especialmente cuando
el objetivo es segmentación educativa más que escalamiento (Masyn, 2013).
LTA y Rasch longitudinal: el Análisis de Transición Latente (LTA) modela cambios
discretos de clase; Rasch longitudinal modela cambios continuos en logits. Son perspectivas
complementarias: “cuánto cambia” (Rasch) versus “de qué perfil a cuál” (LTA) (Collins & Lanza,
2010; Embretson & Reise, 2000).
En resumen, Rasch es primariamente un marco de medición (escala continua) y LCA un
marco de clasificación latente (tipologías). Su integración es especialmente potente en
evaluación educativa cuando se requiere simultáneamente estimar habilidad y describir perfiles,
o cuando se sospecha heterogeneidad que viola supuestos de medición homogénea.
Ventajas, Limitaciones y Debates Actuales
Ventajas. El LCA ofrece (a) una representación parsimoniosa de heterogeneidad no
observada mediante un número finito de clases; (b) un marco probabilístico con verosimilitud
explícita y criterios formales de comparación de modelos; y (c) interpretaciones orientadas a
perfiles, útiles para decisiones educativas (Hagenaars & McCutcheon, 2002; Collins & Lanza,
2010). Frente a métodos de clúster, el LCA aporta estimación inferencial, manejo de
DOI: https://doi.org/10.71112/yqay0d64
612 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
incertidumbre de clasificación y extensiones naturales con covariables o longitudinalidad
(Vermunt & Magidson, 2005; Masyn, 2013).
Limitaciones. Entre las limitaciones más importantes destacan: (1) sensibilidad a
violaciones de independencia local, que puede inducir sobre extracción de clases; (2)
dependencia de la selección de , donde distintos criterios pueden sugerir soluciones
diferentes; (3) presencia de máximos locales y problemas de convergencia, que exigen
múltiples inicios; (4) clases pequeñas o soluciones degeneradas en muestras insuficientes; y
(5) riesgo de reificación interpretativa (Bauer & Curran, 2003; Oberski, 2016; Nylund-Gibson &
Choi, 2018).
Debates actuales. Tres debates son especialmente relevantes:
• Discreto versus continuo: si las clases representan tipologías “reales” o aproximaciones
discretas a variación continua. Este debate ha impulsado modelos híbridos como factor
mixture y mixture IRT (Masyn, 2013; von Davier & Yamamoto, 2004).
• Enumeración de clases y uso de índices: la práctica de seleccionar por mínimos de
BIC/AIC sin considerar teoría ni diagnósticos ha sido criticada; se recomienda
triangulación y reporte transparente (Nylund et al., 2007; Collins & Lanza, 2010).
• Clasificación y uso posterior: cuando se usan clases como variables en análisis
posteriores, existen sesgos por error de clasificación. Han surgido enfoques “tres pasos”
mejorados (p. ej., BCH) para reducir sesgo, especialmente en modelos con covariables
o distal outcomes (Bolck et al., 2004; Vermunt, 2010; Asparouhov & Muthén, 2014).
Implicaciones para la investigación educativa
En investigación educativa, el LCA permite avanzar desde promedios globales hacia
una comprensión de distribuciones internas y perfiles de desempeño, alineándose con
DOI: https://doi.org/10.71112/yqay0d64
613 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
enfoques de equidad y heterogeneidad del aprendizaje. Entre sus implicaciones principales se
incluyen:
1) Perfilamiento diagnóstico: identificación de subgrupos con patrones específicos de
aciertos/errores, estrategias o concepciones alternativas, útil para retroalimentación e
intervención focalizada (Collins & Lanza, 2010; Masyn, 2013).
2) Diseño y evaluación de intervenciones: el LTA permite estudiar cambios de perfil a lo largo
del tiempo (p. ej., antes/después de un programa), complementando métricas continuas de
progreso. Esto facilita responder quién mejora, quién se estanca y en qué transiciones se
concentran los cambios.
3) Equidad y subpoblaciones invisibles: el LCA puede revelar subgrupos no capturados por
variables sociodemográficas observables, ayudando a diseñar estrategias de apoyo más
precisas. No obstante, el uso con covariables exige cautela interpretativa (Vermunt, 2010).
4) Medición y validez: combinado con Rasch/IRT, el LCA puede detectar heterogeneidad que
afecta supuestos de medición (p. ej., estilos de respuesta, dependencia local,
multidimensionalidad latente), fortaleciendo argumentos de validez al documentar
estructuras internas alternativas (Bond & Fox, 2015; Embretson & Reise, 2000).
5) Política educativa y toma de decisiones: en contextos de rendición de cuentas o diagnóstico
nacional, la segmentación por perfiles puede evitar lecturas simplistas del promedio,
facilitando decisiones más informadas sobre focalización curricular, acompañamiento
docente y recursos.
En síntesis, el LCA aporta un lenguaje metodológico para pasar de “cuánto” a “cómo” y
“quién”, fortaleciendo la utilidad interpretativa de los datos educativos siempre que se sostenga
con teoría y buenas prácticas de modelamiento.
DOI: https://doi.org/10.71112/yqay0d64
614 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
CONCLUSIONES
El análisis de clases latentes constituye un enfoque robusto para modelar
heterogeneidad no observada mediante tipologías latentes definidas probabilísticamente. su
formalización como mezcla finita y su supuesto de independencia local proporcionan un marco
claro para interpretar patrones de respuesta en variables categóricas, con extensiones
naturales a modelos con covariables y longitudinalidad. no obstante, la validez sustantiva de las
clases depende críticamente de la selección de , de la evaluación de independencia local, de
la estabilidad de la estimación y de una interpretación anclada en teoría.
En el campo de la medición educativa, la relación entre lca y rasch es fundamentalmente
complementaria: rasch ofrece escalamiento continuo y propiedades de medición; lca ofrece
perfilamiento discreto y segmentación interpretativa. la integración de ambos enfoques —
incluyendo modelos de mezcla y diagnósticos de heterogeneidad— abre una vía fértil para
fortalecer inferencias, apoyar decisiones pedagógicas y construir argumentos de validez más
completos. en consecuencia, el uso del lca en educación debe orientarse por una práctica
metodológica rigurosa: triangulación de criterios, reporte transparente y coherencia teórica,
evitando tanto la sobre dependencia en índices numéricos como la reificación de clases.
Declaración de conflicto de interés
El autor declara no tener ningún conflicto de interés relacionado con esta investigación.
Declaración de contribución a la autoría
Esta sección se debe llenar con los roles de cada uno de los autores, hay 14 roles
según la taxonomía de CRediT https://credit.niso.org/No es obligatorio cubrir los 14 roles, solo
poner los roles que se involucraron en la investigación.
Nombre y apellidos de primer autor: conceptualización, curación de datos, análisis
formal, adquisición de fondos, investigación, metodología, administración del proyecto,
DOI: https://doi.org/10.71112/yqay0d64
615 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
recursos, software, supervisión, validación, visualización, redacción del borrador original,
revisión y edición de la redacción. Hacer lo mismo para cada uno de los autores.
Declaración de uso de inteligencia artificial
Los autores no utilizaron inteligencia artificial en ninguna parte del manuscrito.
REFERENCIAS
Asparouhov, T., & Muthén, B. (2014). Auxiliary variables in mixture modeling: Three-step
approaches using Mplus. Structural Equation Modeling: A Multidisciplinary Journal,
21(3), 329–341.
Bauer, D. J., & Curran, P. J. (2003). Distributional assumptions of growth mixture models:
Implications for overextraction of latent trajectory classes. Psychological Methods, 8(3),
338–363. https://doi.org/10.1037/1082-989X.8.3.338
Bolck, A., Croon, M., & Hagenaars, J. (2004). Estimating latent structure models with
categorical variables: One-step versus three-step estimators. Political Analysis, 12(1), 3–
27. https://doi.org/10.1093/pan/mph001
Bond, T. G., & Fox, C. M. (2015). Applying the Rasch model: Fundamental measurement in the
human sciences (3rd ed.). Routledge.
Collins, L. M., & Lanza, S. T. (2010). Latent class and latent transition analysis: With
applications in the social, behavioral, and health sciences. Wiley.
Embretson, S. E., & Reise, S. P. (2000). Item response theory for psychologists. Lawrence
Erlbaum.
Goodman, L. A. (1974). Exploratory latent structure analysis using both identifiable and
unidentifiable models. Biometrika, 61(2), 215–231.
https://doi.org/10.1093/biomet/61.2.215
DOI: https://doi.org/10.71112/yqay0d64
616 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
Goodman, L. A. (2002). Latent class analysis: The empirical study of latent types, latent
variables, and latent structures. In J. A. Hagenaars & A. L. McCutcheon (Eds.), Applied
latent class analysis (pp. 3–55). Cambridge University Press.
Hagenaars, J. A., & McCutcheon, A. L. (Eds.). (2002). Applied latent class analysis. Cambridge
University Press. https://doi.org/10.1017/CBO9780511499531
La Lazarsfeld, P. F. (1950). The logical and mathematical foundation of latent structure analysis.
In S. A. Stouffer et al. (Eds.), Measurement and prediction (pp. 362–412). Princeton
University Press.
zarsfeld, P. F., & Henry, N. W. (1968). Latent structure analysis. Houghton Mifflin.
Linacre, J. M. (2002). What do infit and outfit, mean-square and standardized mean? Rasch
Measurement Transactions, 16(2), 878.
Magidson, J., & Vermunt, J. K. (2004). Latent class models. In D. Kaplan (Ed.), The Sage
handbook of quantitative methodology for the social sciences (pp. 175–198). Sage.
Masyn, K. E. (2013). Latent class analysis and finite mixture modeling. In T. D. Little (Ed.), The
Oxford handbook of quantitative methods (Vol. 2, pp. 551–611). Oxford University Press.
McCutcheon, A. L. (1987). Latent class analysis. Sage. https://doi.org/10.4135/9781412984713
Muthén, B. (2004). Latent variable analysis: Growth mixture modeling and related techniques for
longitudinal data. In D. Kaplan (Ed.), The Sage handbook of quantitative methodology for
the social sciences (pp. 345–368). Sage.
Nylund, K. L., Asparouhov, T., & Muthén, B. O. (2007). Deciding on the number of classes in
latent class analysis and growth mixture modeling: A Monte Carlo simulation study.
Structural Equation Modeling, 14(4), 535–569.
https://doi.org/10.1080/10705510701575396
DOI: https://doi.org/10.71112/yqay0d64
617 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
Nylund-Gibson, K., & Choi, A. Y. (2018). Ten frequently asked questions about latent class
analysis. Translational Issues in Psychological Science, 4(4), 440–461.
https://doi.org/10.1037/tps0000176
Oberski, D. L. (2016). Beyond the number of classes: Separating substantive from non-
substantive dependence in latent class analysis. Advances in Data Analysis and
Classification, 10(2), 171–182. https://doi.org/10.1007/s11634-015-0219-0
Rasch, G. (1980). Probabilistic models for some intelligence and attainment tests (Expanded
ed.). University of Chicago Press. (Original work published 1960)
Rost, J. (1990). Rasch models in latent classes: An integration of two approaches to item
analysis. Applied Psychological Measurement, 14(3), 271–282.
Vermunt, J. K. (2010). Latent class modeling with covariates: Two improved three-step
approaches. Political Analysis, 18(4), 450–469.
Vermunt, J. K., & Magidson, J. (2002). Latent class cluster analysis. In J. A. Hagenaars & A. L.
McCutcheon (Eds.), Applied latent class analysis (pp. 89–106). Cambridge University
Press.
Vermunt, J. K., & Magidson, J. (2005). Latent GOLD 4.0 user’s guide. Statistical Innovations.
Von Davier, M., & Yamamoto, K. (2004). Mixture-distribution and hybrid Rasch models. In M.
von Davier & C. H. Carstensen (Eds.), Multivariate and mixture distribution Rasch
models (pp. 99–115). Springer.
Wright, B. D., & Masters, G. N. (1982). Rating scale analysis: Rasch measurement. MESA
Press.
