INFERENCIA Y ANLISIS FACTORIAL

John Wishart (1898, 1956): Estadstico britnico. Fue ayudante de Pearson y Fisher. Encontr una distribucin multivariante que lleva su nombre y contribuy al diseo de experimentos. Profesor de Estadstica y Agricultura en Cambridge, fue tambin consultor de la FAO. Visit Espaa en 1947.
Prof. ESPERANZA AYUGA TLLEZ

INFERENCIA

ANLISIS MULTIVARIANTE

INFERENCIA
El problema central en el anlisis de datos es decidir si las propiedades encontradas en la muestra se pueden generalizar a la poblacin de la que provieneconstruir un modelo. En el anlisis multivariante, al aumentar la dimensin aumenta la complejidad (espacio + vaco). Son necesarias muestras de n>10p y aconsejables n>20p.

INFERENCIA

ANLISIS MULTIVARIANTE

DISTRIBUCIONES
Multinomial: extensin de la binomial. Si de una poblacin dividida en G grupos, con pi probabilidad de que un elemento pertenezca a i

p
i =1

= 1 tomamos n individuos

n
i =1

=n :

n! n n P( x1 = n1 ,..., x G = n G ) = p1 1 ...pGG n1!...n G !

E( X ) = nP = V( X ) = n[diag( P) PP]

INFERENCIA

ANLISIS MULTIVARIANTE

DISTRIBUCIONES
Dirichlet: para 0xi1, xi=1 (las xi no independ.)

( 0 ) G 1 1 1 f ( x1 ,..., x G ) = x1 ...x G ( 1 )...( G )

Con =(1,...,G) vector de parmetros de la distrib. 0=1=i 1 [(1 / 0 )diag() ] V( X ) = 0 + 1 E ( X ) = / 0 i j Cov( x i x j ) = 2 0 ( 0 + 1)

INFERENCIA

ANLISIS MULTIVARIANTE

DISTRIBUCIONES
Normal k-dimensional: extensin de la normal.

f (X) = V

1 / 2

( 2) p / 2 exp{(1 / 2)(X )V 1 (X )}

E( X ) = V( X ) = V
Al cortar por hiperplanos paralelos a los definidos por las p-var. se obtienen las curvas de nivel (elipses): (X-)V-1(X-)=cte=D2 D=dist. de Mahalanobis

INFERENCIA

ANLISIS MULTIVARIANTE

DISTRIBUCIONES
de Wishart: es la distribucin muestral de las matrices de covarianzas en muestras de normales multivariantes. Los parmetros son m (g.d.l.) y matriz de covarianzas. Mezcladas: f ( X ) = if i ( X )
i =1 G

T2 de Hotelling: si X es un vector con Np(, V)

( X )V 1 ( X ) 2 ; ( X )S 1 ( X ) T(2p,n 1) p F(p,n-p) np 2 = T( p,n 1) p( n 1)

INFERENCIA

ANLISIS MULTIVARIANTE

ESTIMACIN MV
Este mtodo escoge como estimador de los parmetros aquel valor que hace mxima la probabilidad de que el modelo a estimar genere la muestra observada. Los estimadores MV son centrados, eficientes, asintticamente normales, suficientes e invariantes. Para v. normales p-dim., los estimadores MV de y V son x y S (S es sesgado pero nS/(n-1) no lo es)

x N p (, V / n ) nS Wp ( n 1, V )

INFERENCIA

ANLISIS MULTIVARIANTE

RAZN DE VEROSIMILITUDES
Mtodo para realizar contrastes sobre parmetros vectoriales, con H0:0 frente a H1:-0 y tomando el valor que hace ms probable obtener la muestra observada y que es compatible con H0. Si f(Hi) es el mximo valor de verosimilitud compatible con Hi (i=0,1) RV= f(H0)/ f(H1) 1. Rechazamos H0 cuando RV sea suficientemente pequea. Cuando n es lo bastante grande este contraste equivale a = D(H0)-D(H1) 2, con D= desviacin.

INFERENCIA

ANLISIS MULTIVARIANTE

CONTRASTES PARA NORMAL

Sobre la media: H0:=0 (V cualq); H1: 0 (V cualq)
= nln [|S0|/|S|] 2p

Sobre la varianza:

Valor: H0:V=V0 ( cualq); H1: V y cualq = ln [|V0|/|S|]+ntr(V0-1S)-np 2p(p+1)/2

sfericidad: H0:V=2I ( cualq); H1: V y cualq = npln[ 2]+nln|S|-np 2[p(p+1)/2]-1 Independencia: H0:V=diagonal ( cualq); H1: V y cualq = -n ln|R| 2p(p+1)/2

INFERENCIA

ANLISIS MULTIVARIANTE

OTROS CONTRASTES
De igualdad de medias:
H0:1=...=G (V cualq); H1: no todas iguales (V cualq para ambas) = mln [|S|/|SW|] 2p(G-1) con SW estimacin de la varianza comn a los grupos

De datos atpicos (caso particular del anterior):

H0: los datos todos de la misma poblac.; H1: no todos lo son Eliminar observaciones con D2> 2p; 0,05

INFERENCIA

ANLISIS MULTIVARIANTE

CONTRASTES DE NORMALIDAD
Univariante:
Si la variable es normal con A coef. De asimetra y K de curtosis
nA2 n(K 3)2 + X2 = 6 24

> 22;

Multivariante: definimos Ap y Kp planteando un contraste

de baja potencia basado en ellos. 1. Se rechaza la hiptesis si existen datos atpicos 2. Se rechaza la hiptesis si las relaciones no son lineales

ANLISIS FACTORIAL
Spearman, psiclogo, propuso el primer modelo factorial para explicar la inteligencia mediante diferentes variables.
Charles Spearman http://www.cps.nova.edu/cpphelp/pantheon/spearman.htm 1863-1945

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Tiene por objeto explicar un conjunto de variables Tiene por objeto explicar un conjunto de variables observadas por medio de un pequeo nmero de observadas por medio de un pequeo nmero de variables latentes no observadas en la naturaleza variables latentes no observadas en la naturaleza que llamamos factores que llamamos factores
p.e. Utilizamos diversas pruebas de capacidad mental podemos preguntarnos si existen factores no directamente observables que expliquen los resultados. El conjunto de estos factores ser lo que llamamos inteligencia y es importante conocer cuantas dimensiones tiene, cmo caracterizarlas y medirlas.

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

ORIGEN DEL ANLISIS FACTORIAL

Se busca estimar la inteligencia de un grupo de 24 nios de una escuela de un pequeo pueblo. Las medidas para estimar la inteligencia resultaron malas ya que empleaban variables las notas fuertemente correlacionadas dos a dos (p.e. en exmenes de matemticas y letras). Las correlaciones observadas entre las variables son todas positivas y siguen un patrn. Sperman busc un modelo que reflejara dicho patrn.

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

ORIGEN DEL ANLISIS FACTORIAL

Matriz de correlaciones entre notas de diferentes exmenes.
Classics Classics French English Math Discr Music 1 .83 .78 .70 .66 .63 French .83 1 .67 .67 .65 .57 English .78 .67 1 .64 .54 .51 Math .70 .67 .64 1 .45 .51 Discr .66 .65 .54 .45 1 .40 Music .63 .57 .51 .51 .40 1

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

ORIGEN DEL ANLISIS FACTORIAL

Una explicacin a la correlacin: El modelo de puntuaciones de los test puede considerarse con una parte comn a todas las pruebas y una parte especfica de cada prueba. Con las hiptesis correctas se puede obtener un modelo de correlaciones como el anterior. El modelo de anlisis factorial refleja esta idea bsica.

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

LOGROS DEL ANLISIS FACTORIAL

Una explicacin a la correlacin: Obtener unas nuevas variables, no correlacionadas que explican la estructura original de correlaciones. Permite una interpretacin contextual de las nuevas variables Evala los datos originales a la luz de las nuevas variables.

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

NO HA CONSEGUIDO
Muchos estadsticos no emplean este modelo factorial. Desgraciadamente las soluciones no son nicas Hay que tomar muchas decisiones de forma subjetiva.

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Interpretacin vectorial del A. Factorial EL Anlisis Factorial es til para realizar una representacin geomtrica vectorial de las variables aleatorias. Un vector viene dado por: -mdulo -direccin -sentido

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Mdulo Si representamos una variable mediante un vector, su mdulo se puede representar como:

xi = (xi )

Ya que el mdulo de un vector es

2 xi = xi2 + xi22 + ... + xin 1

Y la desviacin tpica de la variable x=(xi1, xi2,...,xin) es:

(xi ) =

(x

ij

xi

2 xij

xi = 0

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Direccin y Sentido - La direccin es una propiedad relativa a otro vector, que se supone fijo. Y se puede caracterizar mediante el ngulo que forman los dos vectores. Cos = 1 - Cos vara entre 1. - Si cos =1, los dos vectores tienen la misma direccin. - Si cos =0, los dos vectores Cos = 0 son perpendiculares

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Direccin y Sentido - Por otro lado dadas dos variables, x e y, el coeficiente de correlacin , verifica -1 1. - Cuando =1, entonces y=ax, los vectores tendrn la misma direccin. Y la relacin lineal ser mnima, es decir los vectores son perpendiculares cuando =0. - Por tanto se puede poner =cos

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Direccin y Sentido - La correlacin da una idea de la separacin de dos variables como vectores.
Misma direccin =1 =0, 180 Cos=1 Mxima separacin =0 =90 Cos=0

Variables Vectores

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Direccin y Sentido - Si las variables son reducidas, estarn representadas por vectores de mdulo unidad. Si las n variables son linealmente independientes (=0) ocuparn un espacio n-dimensional. - El anlisis factorial pretende expresar n variables sin sus unicidades:

x = xi diui = ai1F 1+... + aim Fm

' i

- Var(xi)=1=hi2+di2, si se elimina la unicidad el mdulo es menor que 1.

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Direccin y Sentido
EXPLICADA FUNDAMENTALMENTE POR FACTOR 2

F2

x1 x2 x3

Fuerte correlacin EXPLICADA FUNDAMENTALMENTE POR FACTOR 1 a41

x4

a42

Baja correlacin

saturaciones

F1

ANLISIS FACTORIAL

Fases de su aplicacin
Comprobacin de los supuestos bsicos

A. MULTIVARIANTE

PREPARACIN DE LOS DATOS PARA EL ANLISIS

R E P L A N T E A R

Eleccin de las variables predictoras Eleccin de la matriz de datos:covarianzas y correlaciones EXTRACCIN DE LOS FACTORES
Procedimientos de extraccin factorial Criterios de seleccin del nmero de factores

OBTENCIN DE LA MATRIZ E INTERPRETACIN

La rotacin de factores:ortogonal u oblicua

VALIDACIN DEL MODELO

NEGATIVA Introduccin de modificaciones POSITIVA

3 4

Conclusin del anlisis

Clculo de puntuaciones factoriales

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

EL MODELO FACTORIAL
Hiptesis bsicas:
Partimos de observaciones del vector Xpx1N(,V)

X = + f + u
donde - fmx1 vector de factores no observados y sigue una Nm(0,I) - pxm matriz de carga de constantes desconocidas con (m<p) coeficientes del modelo - upx1 vector de perturbaciones que sigue una N(0,), matriz diagonal independiente de f

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

EL MODELO FACTORIAL
Variables observadas Factores comunes

x i = i + ij f j + i
j= 1
Factores especficos Factores de comunalidad

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Esquemticamente
f

classics

french

english

math

discr

music

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

EL MODELO FACTORIAL
Propiedades:
La matriz de carga contiene las covarianzas entre los factores y las variables observadas x. Si estn estandarizadas, tambin contiene las correlaciones. La matriz V de las covarianzas entre las x se descompone en parte explicada por los factores y ruido: V= + (variabilidad observada= var. comn+ var. especfica)

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

EL MODELO FACTORIAL
211 + 11 11 21 221 + 21 11 31 21 31 231 + 31
Can probably see a LOT of ways Spearmans pattern could emerge.

11 41 21 41 31 41 241 + 41

11 51 21 51 31 51 41 51 251 + 51

11 61 21 61 31 61 41 61 5161 261 + 61

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

EL MODELO FACTORIAL
Similar a la matriz de covarianzas
var(x1)
cov(x1,x2) cov(x1,x3) cov(x2,x3) cov(x1,x4) cov(x2,x4) cov(x3,x4) cov(x1,x5) cov(x2,x5) cov(x3,x5) cov(x4,x5) cov(x1,x6) cov(x2,x6) cov(x3,x6) cov(x4,x6) cov(x5,x6)

var(x2)

var(x3)

var(x4)

var(x5)

var(x6)

=
2 11 + 11 11 21 2 21 + 21 11 31 21 31 2 31 + 31 11 41 21 41 31 41 2 41 + 41 11 51 21 51 31 51 41 51 2 51 + 51 11 61 21 61 31 61 41 61 51 61 2 61 + 61

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

EL MODELO FACTORIAL
1-11
corr(x1,x2) corr(x1,x3) corr(x2,x3) corr(x1,x4) corr(x2,x4) corr(x3,x4) corr(x1,x5) corr(x2,x5) corr(x3,x5) corr(x4,x5) corr(x1,x6) corr(x2,x6) corr(x3,x6) corr(x4,x6) corr(x5,x6)

1-21

1 3 1

1 4 1

1 5 1

1 6 1

=
2 11 11 21 22 1 11 31 21 31 23 1 11 41 21 41 31 41 24 1 11 51 21 51 31 51 41 51 25 1 11 61 21 61 31 61 41 61 51 6 1 26 1

Las comunalidades se obtienen con la correlacin (datos estandarizados)

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

EL MODELO FACTORIAL
Propiedades:
El modelo est indeterminado frente a rotaciones. Para identificar debemos poner restricciones
I. =D, matriz diagonal ortogonalidad entre f y x II. -1=D, diagonal los factores ponderados por las varianzas de las perturbaciones y x son incorrelados.

Para poder resolver el sistema con las condiciones anteriores (p-m)2 p+m .

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

PREPARACIN DE DATOS
1 Nmero suficiente de datos (ms de 200). 2 Comprobacin de la Normalidad multivariante. 3 Relaciones lineales entre variables y correlaciones > 30% 4 La matriz de correlaciones a usar tiene como comunalidades los coeficientes de determinacin. Si utilizamos comunalidades 1, estamos usando ACP. 5 Analizar las matrices de correlaciones parciales:si las variables comparten factores comunes las correlaciones parciales deben ser prximas a 0.

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

SELECCIN DEL N DE FACTORES

1 Autovalores (o varianza total explicada por cada factor) 2 Porcentaje de varianza total atribuible a cada factor. 3 El grfico de sedimentacin. 4 Significatividad. 5 Interpretabilidad.

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

ESTIMACIN DEL MODELO

Se pueden emplear diferentes mtodos de estimacin: 1. Mtodo del factor principal: se basa en los mtodos de componentes principales, busca los autovectores. 2. Mxima verosimilitud: la estimacin no siempre converge, es invariante frente a transformaciones lineales y no usa las varianzas. 3. Mediante mnimos cuadrados con el algoritmo EM.

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

ROTACIN DE FACTORES
Ya obtenida la matriz de factores:

a11 L a1m L a L a nm n1

Coeficiente factorial de la v. 1 en el factor m = 21m

El siguiente paso es la rotacin de los factores para que sea ms interpretable el resultado. Se elegir el nmero mnimo de factores compatible con las variables, y entre las diferentes rotaciones, aquellos cuya estructura sea ms simple.

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

ROTACIN DE FACTORES
F2 F2 x1 x2 Estructura simple
Cada factor con pocos coef. factoriales elevados y los dems prximos a cero. Cada variable un coef. factorial elevado slo en un factor. Distinta distribucin de todos los factores.

F1 F1 x3

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

ROTACIN DE FACTORES
Mtodos para realizar la rotacin: - Factores ortogonales: Incorrelados y por tanto perpendiculares entre s.
- Quartimax. Suma de las cuartas potencias de las 4 Q = aij saturaciones mxima. - Varimax. Suma de las varianzas de los cuadrados de las 2 saturaciones mxima. V = aij - Equimax. Intermedia de las anteriores

- Factores oblicuos: Estn correlacionados entre s. Se busca el c.d.g. de los grupos de variables, y se obtienen los nuevos factores con fuerte saturacin.

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

VALIDACIN
Contraste de verosimilitud: H0 : V= + , bilateral, se rechaza H0 si
2p + 4m + 5 (S ) n 1 > 2p m ) 2 ( p + m ) ln ( S 6 2

) 1/ p 2 Medida del ajuste: R = 1 ) 1 / p V

Diagnosis del modelo: Mediante los residuos: deben ser Normales, de media 0 y su matriz de covarianzas debe ser diagonal.

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

El anlisis factorial est relacionado con los El anlisis factorial est relacionado con los componentes principales componentes principales
DIFERENCIAS 1. Explica las correlaciones y las CP las varianzas 2. Los errores estn incorrelados y en las CP no 3. Se construye un modelo SIMILITUDES 1. Reducen la dimensin del problema 2. Permiten construir nuevas variables 3. Conducen a resultados similares si 0

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

USO DEL A. FACTORIAL

Exploratoria:
Para encontrar factores que expliquen las variables.

Confirmatoria:
Para contrastar teoras, con n de factores conocido, se contrasta la igualdad a cero de alguno o la igualdad entre s. Los contrastes son muy restrictivos y sensibles a la falta de normalidad.

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

ULTIMAS APLICACIONES
Estudios atmosfricos (ao 2005) :
Investiga estructuras relativas al comportamiento humano y la climatologa en la concentracin de ozono, debida al trfico, en el sur de California.

Ecologa (ao 2005) :

Para encontrar estructuras que expliquen la competencia por el pasto entre fgaros y moscas de Japn.

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Ejemplo 1:
Se tienen 72 observaciones de distintas variables de calidad del aire en tres estaciones madrileas. Las variables medidas son concentraciones, por metro cbico de aire, de diferentes agentes contaminantes: Cada hora durante un da (17-2-02) se miden CO, NO2, NOx, SO2, y partculas suspendidas. Se transforman las variables asimtricas y se descarta NOx porque est muy correlacionada con NO2.

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Ejemplo 1:
El grfico de las variables a considerar es:
hora ln CO ln NO ln SO2 PM10

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Ejemplo 1:
VALOR PROPIO
Factor Analysis ----------------------------------------------------------Factor N Autovalor %Varianza %Acumulada 1 2,67081 89,952 89,952 2 0,29835 10,048 100,000 3 0,0 0,000 100,000 4 0,0 0,000 100,000 5 0,0 0,000 100,000 -----------------------------------------------------------

3 2.5 2

1.5 1

Variable Comunalidad inicial 0.5 ----------------------------------------------------------hora 0,161119 0 ln SO2 0,802419 0 ln CO 0,431071 Porcin de varianza de ln NO 0,812834 cada v. explicada por PM10 0,514851 ----------------------------------------------------------los factores comunes.

Factor

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Ejemplo 1:
Variable hora ln SO2 ln CO ln NO PM10 Factor 1 ------------0,0032736 0,914466 0,665746 0,925136 0,731748 Factor 2 ------------0,448764 -0,140679 0,178111 0,137886 -0,162573

0.61 hora 0.41 0.21 0.01 ln CO ln NO PM10 SO2 ln

Variable Comunalidad estimada -----------------------------------------------hora 0,2014 ln SO2 0,856038 ln CO 0,474941 ln NO 0,87489 PM10 0,561886 --------------------------------------------------

Factor 2

-0.19 -0.01 0.19 0.39 0.59 0.79 0.99

Factor 1

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Ejemplo 1:
Despus de rotar las variables (VARIMAX):

Sin cambios.
Factor hora ln SO2 ln CO ln NO PM10 Factor 1 ------------0,0032736 0,914466 0,665746 0,925136 0,731748 Factor 2 ------------0,448764 -0,140679 0,178111 0,137886 -0,162573 Factor hora ln SO2 ln CO ln NO PM10 Factor 1 -----------------0,00164928 0,914969 0,665096 0,924631 0,732332 Factor 2 ---------------0,448773 0,137369 -0,180519 -0,141234 0,159924

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Ejemplo 2:
Gunst y Mason (1980) toman 15 medidas antropomtricas y de rendimiento fsico a 50 policas de una gran ciudad. Las correlaciones lineales son altas (>0,3) salvo con la reaccin visual y presin diastlica. Las corr. parciales son todas <0,4

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Ejemplo 2:
Factor Analysis ----------------------------------------------Factor autovalor %V %V acum. 1 5,01278 47,871 47,871 2 2,04749 19,553 67,424 3 0,946747 9,041 76,465 4 0,793066 7,574 84,038 5 0,690385 6,593 90,631 6 0,416064 3,973 94,605 7 0,304284 2,906 97,511 8 0,219814 2,099 99,610 9 0,040874 0,390 100,000 10 0,0 0,000 100,000 11 0,0 0,000 100,000 12 0,0 0,000 100,000 13 0,0 0,000 100,000 14 0,0 0,000 100,000 15 0,0 0,000 100,000

Eigenvalue

5 4 3 2 1 0 0 3 6 9 12 15

Factor

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Ejemplo 2: Se decide utilizar todos los parmetros El nmero de factores elegido es 5 Elegimos la estimacin de mxima verosimilitud (mtodo clsico) El mtodo de rotacin varimax

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Ejemplo 2:

Variable Communality ----------------------------------------------------------------reaccion visual 0,433273 estatura 0,746427 peso 0,940737 ancho espalda 0,739887 a pelvis 0,728866 torax 0,892508 espesor piel 0,842592 pulso 0,472639 pres diastlica 0,358759 n flexiones 0,715872 capacidad pulmonar 0,506498 frec pulso 0,583405 velocidad 0,622358 aguante 0,286925 grasa cuerpo 0,937507 ------------------------------------------------------------------

Las comunalidades son altas por lo que el modelo obtenido puede ser adecuado

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Ejemplo 2:
Matriz factorial original
Factor Factor Factor Factor Factor variables 1 2 3 4 5 ------------------------------------------------------------------------------------------reaccion visual 0,104753 0,184032 0,0683623 -0,332853 0,544737 estatura 0,672771 -0,360882 0,349974 -0,24831 0,156148 peso 0,961668 -0,0648953 -0,0386423 0,130012 0,00904715 ancho espalda 0,662464 -0,349141 0,304915 0,0819886 -0,188232 a pelvis 0,647828 -0,32159 0,159467 0,3399 0,188134 torax 0,826678 -0,0097753 -0,0781708 0,327624 -0,0539064 espesor piel 0,646615 0,496019 -0,245036 -0,179969 -0,107692 pulso -0,24812 0,480605 0,423153 -0,0489768 -0,00535452 pres diastlica -0,0683411 0,323128 0,108775 0,373766 0,34555 n flexiones -0,645652 -0,361567 0,221189 0,210725 0,00697844 capacidad pulmonar 0,527637 -0,069253 0,337881 -0,285158 0,0189415 frec pulso -0,052274 0,573175 0,444149 0,0383129 -0,339814 velocidad -0,068812 -0,683927 -0,132073 -0,236085 -0,151017 aguante -0,41048 -0,060454 -0,042545 0,128251 0,160414 grasa cuerpo 0,852566 0,369949 -0,251083 -0,0161583 0,0008112

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Ejemplo 2:
Matriz factorial rotada
Factor Factor Factor Factor Factor variables 1 2 3 4 5 ------------------------------------------------------------------------------------------reaccion visual 0,104248 0,014105 0,00274885 0,12171 0,656625 estatura 0,144587 0,787356 -0,102413 -0,223664 0,300052 peso 0,636728 0,696878 -0,213779 0,0856838 -0,0582384 ancho espalda 0,166665 0,781542 -0,0463495 -0,160487 -0,171449 a pelvis 0,137029 0,733972 -0,282289 0,240312 -0,0672869 torax 0,567733 0,583435 -0,18952 0,21767 -0,232015 espesor piel 0,861718 0,078856 0,1146 0,00244919 0,0791144 pulso -0,103912 -0,139151 0,629782 0,160411 0,146672 pres diastlica -0,0394324 -0,0473322 0,126544 0,594155 0,0848031 n flexiones -0,770092 -0,147179 -0,0162915 0,0182477 -0,160231 capacidad pulmonar 0,225718 0,547348 0,142048 -0,212415 0,251393 frec pulso 0,110744 -0,0317572 0,778385 0,0843323 -0,138577 velocidad -0,284018 0,115854 -0,431487 -0,530976 -0,0791911 aguante -0,344756 -0,259727 -0,0805441 0,152155 0,0136573 grasa cuerpo 0,901933 0,300465 -0,0514621 0,135391 0,0478926

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Ejemplo 2:
Qu se observa en los factores?
Factor I Factor II Factor III Factor IV Factor V
Peso, torax, espesor de piel, grasa del cuerpo y negativamente flexiones Estatura, peso, capacidad pulmonar, torax, anchura de espalda y pelvis Pulso y frecuencia de pulso Presin diastlica y negativamente la velocidad reaccion visual

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Ejemplo 2:
Qu se observa en los factores?
Talla Envergadura Actividad Fuerza Factor trivial
Peso, torax, espesor de piel, grasa del cuerpo y negativamente flexiones Estatura, peso, capacidad pulmonar, torax, anchura de espalda y pelvis Pulso y frecuencia de pulso Presin diastlica y negativamente la velocidad reaccion visual

Eliminar y repetir

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Ejemplo 2:
Matriz factorial original con CP
Factor Factor Factor Factor Factor variables 1 2 3 4 5 ------------------------------------------------------------------------------------------reaccion visual 0,115771 0,23649 -0,127622 -0,0616796 -0,900823 estatura 0,697829 -0,337249 -0,419024 -0,0597184 -0,228197 peso 0,951866 -0,0444574 0,0767846 -0,100931 0,0610142 ancho espalda 0,685652 -0,32752 -0,31506 -0,11806 0,231965 a pelvis 0,671231 -0,299374 -0,0879763 -0,487107 0,109135 torax 0,824163 0,005584 0,146635 -0,159021 0,188939 espesor piel 0,649055 0,475925 0,263523 0,227961 -0,0131707 pulso -0,272585 0,591604 -0,529906 -0,0202328 0,00285753 pres diastlica -0,0817311 0,429164 0,0490836 -0,774715 -0,0528924 n flexiones -0,666793 -0,365783 -0,274776 -0,240072 0,125651 capacidad pulmonar 0,576319 -0,0503616 -0,503535 0,171492 -0,177682 frec pulso -0,058222 0,657629 -0,458096 0,114922 0,417287 velocidad -0,0670392 -0,762356 -0,0313468 0,219866 -0,0445652 aguante -0,46683 -0,083117 0,149595 -0,36143 -0,0919711 grasa cuerpo 0,841053 0,347341 0,267382 0,0723551 -0,0154591

ANLISIS FACTORIAL

ANLISIS MULTIVARIANTE

Ejemplo 2:
Talla Actividad Resistencia Fuerza Factor trivial
Estatura, peso, capacidad pulmonar, torax, anchura de espalda y pelvis, espesor de piel, grasa del cuerpo y negativamente flexiones Pulso, frecuencia de pulso y negativamente la velocidad Pulso y capacidad pulmonar Presin diastlica reaccion visual

Resultado distinto: diferentes factores, diferente interpretacin Resultado distinto: diferentes factores, diferente interpretacin