AnlisisFactorial

SantiagodelaFuenteFernndez

AnlisisFactorial

SantiagodelaFuenteFernndez

AnlisisFactorial

INTRODUCCINANLISISFACTORIAL
Elanlisisfactorialesunatcnicadereduccindedatosquesirveparaencontrargrupos
homogneosdevariablesapartirdeunconjuntonumerosodevariables.
Losgruposhomogneosseformanconlasvariablesquecorrelacionanmuchoentresyprocurando,
inicialmente,queunosgruposseanindependientesdeotros.
Cuandoserecogenungrannmerodevariablesdeformasimultnea(porejemplo,enun
cuestionariodesatisfaccinlaboral)sepuedeestarinteresadoenaveriguarsilaspreguntasdel
cuestionarioseagrupandealgunaformacaracterstica.Aplicandounanlisisfactorialalas
respuestasdelossujetossepuedenencontrargruposdevariablesconsignificadocomnyconseguir
deestemodoreducirelnmerodedimensionesnecesariasparaexplicarlasrespuestasdelos
sujetos.
ElAnlisisFactoriales,portanto,unatcnicadereduccindeladimensionalidaddelosdatos.Su
propsitoltimoconsisteenbuscarelnmeromnimodedimensionescapacesdeexplicarelmximo
deinformacincontenidaenlosdatos.
Adiferenciadeloqueocurreenotrastcnicascomoelanlisisdevarianzaoelderegresin,enel
anlisisfactorialtodaslasvariablesdelanlisiscumplenelmismopapel:todasellasson
independientesenelsentidodequenoexisteaprioriunadependenciaconceptualdeunasvariables
sobreotras.
FundamentalmenteloquesepretendeconelAnlisisFactorial(AnlisisdeComponentesPrincipales
odeFactoresComunes)essimplificarlainformacinquenosdaunamatrizdecorrelacionespara
hacerlamsfcilmenteinterpretable.
SepretendeencontrarunarespuestaalpreguntarnosPorquunasvariablesserelacionanms
entresymenosconotras?.Hipotticamenteesporqueexistenotrasvariables,otrasdimensioneso
factoresqueexplicanporquunostemsserelacionanmsconunosqueconotros.
Endefinitiva,setratadeunanlisisdelaestructurasubyacenteaunaseriedevariables?.

CONCEPTOSPREVIOSDELANLISISFACTORIAL
Unejemploconcretodeintroduccinalconceptodevarianzacompartidayvarianzanica:Sean
unostemsdeunaescaladeactitudes,dondelapuntuacindecadasujetoencuestadoeslasumade
lasrespuestasatodoslostems,segnlaclavedecorreccindiseada:

1Melopasomuybienenmicasa,conmispadres

2Algunasvecesmegustaramarcharmedemicasa

Muydeacuerdo=5
Deacuerdo=4
..
Muydeacuerdo=1
Deacuerdo=2

Lavarianza 2 decadatemindicaladiferenciaquecreaenlasrespuestas.Sitodos
respondieranlomismolavarianzaseracero,nohabradiferencias.Silamitadestuvieramuy
agustoensucasaylaotramitadmuyadisgusto,lavarianzaseramxima.

SantiagodelaFuenteFernndez1

AnlisisFactorial

Cadatemovariabletienesuvarianza(diferenciasenlasrespuestas),lavarianzadecada
tempuedesercompartidaconlavarianzadeotrostems:Algunosindividuosencuestados
estnmuybienensucasaconsuspadres(tem1)ynuncapiensanirsedesucasa(tem2).
Otrosindividuosrespondernconotrasvariaciones.Enestecaso,lasrespuestassealadaa
estosdostemssoncoherentesconelsignificadopretendidodelosdostems,comparten
varianzaporquelosdostemsestnrelacionadospositivamente(estoybienencasa,nome
quieroir).
EstarelacinvieneexpresadaporelcoeficientedecorrelacinrdePearson,donder2
expresalaproporcindevarianzacomnodevariacinconjunta.Esdecir,silacorrelacin
entreestosdostemsesde0,90,estosignificaquetienenun81%devarianzacomn
(variacinenlasrespuestas).Elrestodelavarianza(19%)noesvarianzacompartida.

Lavarianzanocompartidapuededescomponerseenotrasdosfuentesdevarianza:Cada
variabletieneunavarianzaespecifica:unencuestadopuederesponderqueselopasamuy
bienconsuspadresyquelegustarairsedecasa,simplementeporquelegustaviajar.
Eltem1nocuantificanicamentelaintegracinfamiliar,tambintieneunsignificado
especficoqueparamuchosencuestadosnopuedecoincidirdeltodoconsentirsebienen
casa.
TambinhayunaVarianzadeerrordemedicin,ocasionadaporcansancio,estilos
personalesderesponder,ordenenqueseresponde,etc.

Lavarianzatotaldeuntempuededescomponerse:

VarianzaTotal

Varianzacompartida
+
ocomn

Varianzaespecfica
decadavariable

Varianzadeerrores
demedicin

Uniendolavarianzaespecficaconlavarianzadebidaaerroresdemedicin(todalavarianzanicao
nocompartidadecadatemovariable),setiene:
VarianzaTotal

Varianzacompartida
+
ocomn

Varianzadeerrores
demedicin

QuhaceelAnlisisFactorial?
Seencargadeanalizarlavarianzacomnatodaslasvariables.Partiendodeunamatrizde
correlaciones,tratadesimplificarlainformacinqueofrece.Seoperaconlascorrelacioneselevadas
alcuadrador2(coeficientesdedeterminacin),queexpresanlaproporcindevarianzacomnentre
lasvariables.
Encadacasilladelamatrizdecorrelacionessereflejalaproporcindevarianzacomnadostemso
variables,exceptoenladiagonalprincipal(dondecadatemcoincideconsigomismo).Enlos1dela
diagonalprincipalsereflejalavarianzaquecadatemovariablecomparteconlosdemsytambin
losquenocomparte(laespecficaonicadecadatem).
Sisedeseaanalizarexclusivamentelavarianzacompartidahabrqueeliminarlosunosdelamatriz
decorrelacionesyponerensulugarlaproporcindevarianzaquecadatemtieneencomncon
todoslosdems.

SantiagodelaFuenteFernndez2

AnlisisFactorial

EnelAnlisisFactorial,portanto,cabendosenfoques:
1. AnalizarTODAlavarianza(comnynocomn).Enestecasoutilizamoslosunosdelamatrizde
correlaciones.ElmtodomsusualeseldeAnlisisdeComponentesPrincipales.
2. AnalizarSOLOlavarianzacomn.Enestecaso,sesubstituyenlosunosdeladiagonalpor
estimacionesdelavarianzaquecadatemtieneencomnconlosdems(yquesedenominan
Comunalidades).Paralaestimacindelascomunalidadesnohayunclculonico,existen
diversosprocedimientos(correlacionesmltiplesdecadatemcontodoslosdems,coeficientes
defiabilidadsicadavariableesuntest).Elprocedimientoporelquesesustituyenlosunospor
lascomunalidadessedenominaAnlisisdeFactoresComunes.
LosdosenfoquescabenbajoladenominacingenricadeAnlisisFactorial,aunqueeselAnlisisde
FactoresComunesalqueconmspropiedadseleaplicaladenominacindeAnlisisFactorial.
Ambosenfoquesdanresultadossimilaresyseinterpretandemaneracasiidntica.
QuesunFACTOR?
Enrealidadlosfactoresnoexisten,loqueexistedecadasujetoesunasumadesusrespuestasauna
seriedetemsopreguntas,unacombinacinlinealdevariables(tema+temb+temc+).
Lasumatotaldetemssondistintosparacadasujeto,opuedenserlo,lavarianzadelostotalesnos
expresaladiversidadqueexisteentrelossujetos.
Sihaynfactores,seinterpretaqueelinstrumentooriginalsepuededescomponerenn
instrumentos(cadaunocompuestoportodoslostems),aunqueencadainstrumentolostems
tienenunpesoespecficodistintosegnseasurelacinconelfactor:
Siencontramos,porejemplo,tresfactores,estoquieredecirquepodemosdescomponer
elinstrumentooriginalentresinstrumentos;cadaunoestcompuestoportodoslostems,pero
encadainstrumentolostemstienenunpesoespecficodistintosegnseasurelacinconcada
factor:
a1a+b1b+c1c+....=TotalenelFactor1
a2a+b2b+c2c+....=TotalenelFactor2
....................................................................
ana+bnb+cnc+....=TotalenelFactorn

a1eselpesoespecficodeltemaenelFactor1
a2eselpesoespecficodeltemaenelFactor2
............................................................................
aneselpesoespecficodeltemaenelFactorn

Lasnuevaspuntuacionessonlaspuntuacionesfactorialesofactorscores.
Lospesospuedensergrandesopequeos,positivosonegativos.Generalmente,encadafactorhay
temsconpesosgrandesyotrosprximosacero;lostemsquemspesanencadafactorsonlosque
lodefinen.
Lavarianza(diversidad)detodaslasnuevasmedidasequivalealavarianzadelamedidaoriginal(no
atoda,perosalamximaqueesposibleexplicar);estosfactoresindicanlasfuentesdevarianza;si
haydiferenciasenlamedidaoriginalesporquelashayenestasnuevaspuntuaciones.

SantiagodelaFuenteFernndez3

AnlisisFactorial

Elanlisisfactorialsereducealabsquedadeestospesosparalocalizarmedidasdistintasapartirde
lasvariablesoriginales,ydemaneraque,apoderser,entretodaslasnuevasmedidasagoteno
expliquentodalavarianzapresenteenlasvariablesoriginales.
ESQUEMADEUNANLISISFACTORIAL:
FORMULACINDELPROBLEMA

ANLISISDELAMATRIZDECORRELACIN

EXTRACCINDEFACTORES

DETERMINACINDELNMERODEFACTORES

ROTACINDEFACTORES

INTERPRETACINDEFACTORES

VALIDACINDELMODELO

CLCULODEPUNTUACIONES
FACTORIALES

SELECCINDELAS
VARIABLESREPRESENTATIVAS

ANLISISPOSTERIORES:REGRESIN,CLUSTER...

ModelodelAnlisisFactorial
Sean(X1,X2,,Xp)laspvariablesobjetodeanlisisquesupondremosentodoloquesigue,que
estntipificadas.Sinoloestuvieranelanlisisserealizaradeformasimilarperolamatrizutilizada
paracalcularlosfactoresnoseralamatrizdecorrelacinsinoladevarianzasycovarianzas.
Elinvestigadormideestasvariablessobrenindividuos,obtenindoselasiguientematrizdedatos:

Sujetos

X1

Variables
X2

x11

x12

x1p

x21

x22

x2p

xn1

xn2

xnp

Xp

ElmodelodelAnlisisFactorialviene
dadohabitualmenteporlasecuaciones:
X1=a11F1+a12F2++a1kFk+u1
X2=a21F1+a22F2++a2kFk+u2
..................
Xp=ap1F1+ap2F2++apkFk+up

SantiagodelaFuenteFernndez4

AnlisisFactorial

Donde,(F1,F2,,Fk)(k<p)sonlosFactoresComunes,(u1,u2,,up)losFactoresnicoso
especficos,ylosCoeficientes(aij){i=1,,p;j=1,...,k}lasCargasfactoriales.
SesuponequelosFactoresComunesestnasuvezestandarizados[E(Fi)=0;Var(Fi)=1],losFactores
Especficostienenmedia0yestnincorrelados[E(ui)=0;Cov(ui,uj)=0sij;(i,j=1,,p)]yque
ambostiposdefactoresestnincorreladosCov(Fi,uj)=0,i=1,..,k;j=1,,p.
Si,adems,losFactoresComunesestnincorrelados[Cov(Fi,Fj)=0siij;j,i=1,,k]estamosanteun
modeloconfactoresortogonales.
Encasocontrarioelmodelosedicequeesdefactoresoblicuos.
Expresadoenformamatricial:

x=Af+uX=FA'+U

Xmatrizdedatos
Amatrizdecargasfactoriales
Fmatrizdepuntuacionesfactoriales

u1
a11 a12
X1
F1

u2
a21 a22
X2
F2
donde: x= , f= , u= , A =
M
L L
M
M

X
F
u
a
P
k
p
p1 ap2

L a1k
f11

L a2k
f21
, F =

L L
L

f
L apk
p1

f12 L f1k

f22 L f2k
L L L

fp2 L fpk

Utilizandolashiptesisanteriores,setiene:
k

Var(Xi ) = a2ij + i = h2i + i (i = 1, 2, L ,p)

j=1

donde, h2i = Var aij Fj y i = Var(ui ) ,recibenlosnombres,respectivamente,deComunalidady

j=1

EspecificidaddelavariableXi
k

Enconsecuencia,lavarianzadecadaunadelasvariablesanalizadassepuededescomponerendos
partes:laComunalidad h2i querepresentalavarianzaexplicadaporlosfactorescomunesyla
Especificidad i querepresentalapartedelavarianzaespecficadecadavariable.Ademssetiene:
k
k
k
Cov(Xi , Xl ) = Cov aij Fj , alj Fj , = aij alj i l
j=1
j=1
j=1

porloquesonlosfactorescomuneslosqueexplicanlasrelacionesexistentesentrelasvariables.
Porestemotivo,losfactorescomunestienenintersysonsusceptiblesdeinterpretacin
experimental.Losfactoresnicosseincluyenenelmodelodadalaimposibilidaddeexpresar,en
general,pvariablesenfuncindeunnmeromsreducidokdefactores.

SantiagodelaFuenteFernndez5

AnlisisFactorial

Ejemplo.Unosestudiantessonsometidosadiversostestendistintasmateriasparamedirsus
actitudesintelectuales.Comoconsecuencia,seobtienenunaseriedepuntuacionesestandarizadas
enMatemticas(Ma),Fsica(Fi),Qumica(Qu),Ingls(In),Historia(Hi)yDibujo(Di).

Elmodelofactorialvienedado
porlasecuaciones

Losfactorescomunesestn
estandarizadoseincorrelados

Ma = 0,8 F1 + 0,2F2 + UMa

In = 0,2F1 + 0,8 F2 + UIn

Fi = 0,7F1 + 0,3F2 + UFi

Hi = 0,15F1 + 0,82F2 + UIn

Qu = 0,6 F1 + 0,3F2 + UQu

Di = 0,25F1 + 0,85F2 + UDi

E[Fi]=0i=1,2;j{Ma,Fi,Qu,In,Hi,Di}
Var[Fi]=1i=1,2;
Cov(F1,F2)=0

E[ui]=0i=1,2;j{Ma,Fi,Qu,In,Hi,Di}
Losfactoresespecficos
tienenmedia0eincorrelados Cov(u1,u2)=0ij{Ma,Fi,Qu,In,Hi,Di}
Ambostiposdefactoresestnincorrelados

Cov(Fi,uj)=0ij{Ma,Fi,Qu,In,Hi,Di}
Cov(u1,u2)=0ij{Ma,Fi,Qu,In,Hi,Di}

0,8 0,2

0,7 0,3
0,6 0,3

Lamatrizdecargasfactoriales A =
0,2 0,8
0,15 0,82

0,25 0,85

ComunalidadyEspecificidad:
Var[Ma]=1=Var[0,8F1+0,2F2+uMa]=
Matemticas =0,82Var[F1]+0,22Var[F2]+Var[uMa]+2(0,8)(0,2)Cov(F1,F2)+2(0,8)Cov(F1,uMa)+
+2(0,2)Cov(F2,uMa)=0,68+Ma
2
LaComunalidadenMatemticases hMa
= 0,68 ylaEspecificidad Ma = 0,32

Dibujo

Var[Di]=1=Var[0,25F1+0,85F2+uDi]=
=0,252Var[F1]+0,852Var[F2]+Var[uDi]+2(0,25)(0,85)Cov(F1,F2)+2(0,25)Cov(F1,uDi)+
+2(0,85)Cov(F2,uDi)=0,785+Di

LaComunalidadenDibujoes hDi2 = 0,785 ylaEspecificidad Di = 0,215

Anlogamente,

Comunalidades
Matemticas
0,68
Fsica
0,42
Qumica
0,55
Ingls
0,215
Historia
0,36
Dibujo
0,785
o Comolaspuntuacionesestnestandarizadas,lamatrizdevarianzasycovarianzascoincide
conlamatrizdecorrelaciones:
SantiagodelaFuenteFernndez6

AnlisisFactorial

0,62 0,54 0,32 0,284

0,37
1

1
0,51 0,38 0,351
0,43
0,62
0,54 0,51
1
0,36 0,336 0,405

1
0,686
0,73
0,32 0,38 0,36
0,284 0,351 0,336 0,686
1
0,7345

0,37 0,43 0,405 0,73 0,7345

1

Advirtaseque,
Cov(Ma,Fi)=Cov(0,8F1+0,2F2+uMa,0,7F1+0,3F2+uFi)=
=(0,8)(0,7)Var(F1)+(0,8)(0,3)Cov(F1,F2)+(0,8)Cov(F1,uFi)+(0,2)(0,7)Cov(F2,F1)+(0,2)(0,3)Var(F2)
+(0,2)Cov(F2,uFi)+(0,7)Cov(uMa,F1)+(0,3)Cov(uMa,F2)+Cov(uMa,uFi)=0,56+0,06=0,62
Cov(Fi,Qi)=Cov(0,7F1+0,3F2+uFi,0,6F1+0,3F2+uQi)=
=(0,7)(0,6)Var(F1)+(0,6)(0,3)Cov(F1,F2)+(0,7)Cov(F1,uQi)+(0,3)(0,6)Cov(F2,F1)+(0,3)(0,3)
Var(F2)+(0,3)Cov(F2,uQi)+(0,6)Cov(uFi,F1)+(0,3)Cov(uFi,F2)+Cov(uFi,uQi)=0,42+0,09=0,51
ANLISISDELAMATRIZDECORRELACIN

Lafinalidaddeanalizarlamatrizdelascorrelacionesmuestrales R = (rij ) ,donderijeslacorrelacin

muestralobservadaentrelasvariables (Xi , X j ) ,escomprobarsisuscaractersticassonlasadecuadas
pararealizarunAnlisisFactorial.
Unodelosrequisitosquedebencumplirseesquelasvariablesseencuentranaltamente
intercorrelacionadas.Tambinseesperaquelasvariablesquetengancorrelacinmuyaltaentresla
tenganconelmismofactorofactores.
Enconsecuencia,silascorrelacionesentretodaslasvariablessonbajas,talveznoseaapropiadoel
AnlisisFactorial.
Existenvariosindicadoresparaanalizarlamatrizdecorrelacin:

TestdeesfericidaddeBarlett

Contrasta,bajolahiptesisdenormalidadmultivariante,silamatrizdecorrelacindelaspvariables
observadas( Rp )eslaidentidad.
Siunamatrizdecorrelacineslaidentidadsignificaquelasintercorrelacionesentrelasvariablesson
cero.Siseconfirmalahiptesisnula H0 : Rp = 1 o Rp = I ,lasvariablesnoestnintercorrelacionadas.
EltestdeesfericidaddeBarlettseobtienemedianteunatransformacindeldeterminantedela
matrizdecorrelacin.Elestadsticodeltestvienedadopor:
1

(2p + 11) p
dR = n 1 (2p + 5) log R = n
log ( j )

6
6
j=1

dondeneselnmerodeindividuosdelamuestray j (j=1,...,p)sonlosvalorespropiosdeR.
SantiagodelaFuenteFernndez7

AnlisisFactorial

Bajolahiptesisnula,elestadsticosedistribuyeasintticamentesegnuna

2
p(p1) 2

Silahiptesisnulaescierta,losvalorespropiosvaldrnuno,osulogaritmosernuloy,portanto,el
estadsticodeltestvaldracero.
Porelcontrario,siconeltestdeBarlettseobtienenvaloresaltosde 2 ,oundeterminantebajo,
hayvariablesconcorrelacionesaltas(undeterminanteprximoaceroindicaqueunaoms
variablespodranserexpresadascomocombinacinlinealdeotrasvariables).
Endefinitiva,sielestadsticodeltesttomavaloresgrandes(oundeterminanteprximoacero)se
rechazalahiptesisnulaconciertogradodesignificacin.Encasodeaceptarselahiptesisnula,las
variablesnoestnintercorreladasydeberareconsiderarselaaplicacindeunAnlisisFactorial.

Medidasdeadecuacindelamuestra

Elcoeficientedecorrelacinparcialesunindicadordelgradoderelacionesentredosvariables,
eliminandolainfluenciadelresto.
Silasvariablescompartenfactorescomunes,elcoeficientedecorrelacinparcialentreparesde
variablesesbajo,puestoqueseeliminanlosefectoslinealesdelasotrasvariables.
Lascorrelacionesparcialessonestimacionesdelascorrelacionesentrelosfactoresnicos,debiendo
serprximasacerocuandoelAnlisisFactorialesadecuado,dadoquesesuponequelosfactores
nicosestnincorreladosentres.
Endefinitiva,siexisteunnmeroelevadodecoeficientesdecorrelacinparcialdistintosdecero,se
interpretaquelashiptesisdelmodelofactorialnosoncompatiblesconlosdatos.
UnamaneradecuantificarestehechoesconlaMediadeAdecuacindelaMuestraKMOpropuesta
porKaiserMeyerOlkin:
rij2
ji i j
KMO =
0 KMO 1
r
ij2 + rij2(p)
ji i j

ji i j

donde rij (p) eselcoeficientedecorrelacinparcialentre (Xi , X j ) eliminandolainfluenciadelrestode

lasvariables.
ElndiceKMOseutilizaparacompararlasmagnitudesdeloscoeficientesdecorrelacinparcial,de
formaquecuntomspequeoseasuvalor,mayorserelvalordeloscoeficientesdecorrelacin
parciales rij (p) y,enconsecuencia,menosapropiadoesrealizarunAnlisisFactorial.
KMO0,75Bien
KaiserMeyerOlkinpararealizarunAnlisisFactorial,proponen: KMO0,5Aceptable
KMO<0,5Inaceptable
LaexperienciaprcticaaconsejaqueesprecipitadotomarelndiceKMOcomonicamedidade
adecuacindelamuestraalashiptesisdelmodelodeAnlisisFactorial,sobretodosihayun
nmeropequeodevariablesconsideradas.

SantiagodelaFuenteFernndez8

AnlisisFactorial

Paratomarladecisindeeliminarunavariabledelestudioesaconsejablecomplementarla
informacinconotrasfuentes:lascomunalidadesdecadavariable,losresiduosdelmodelo,e
interpretarlosfactoresobtenidos.
EXTRACCINDEFACTORES

ElobjetivodelAnlisisFactorial(AF)esdeterminarunnmeroreducidodefactoresquepuedan
representaralasvariablesoriginales.
UnavezquesehadeterminadoqueelAFesunatcnicaapropiadaparaanalizarlosdatos,hayque
seleccionarelmtodoadecuadoparalaextraccindefactores.Existendiversosmtodos,cadauno
deellosconsusventajaseinconvenientes.
Elmodelofactorialenformamatricial: X = F A' + U ,teniendoquecuantificarlamatrizAdecargas
factorialesqueexplicaXenfuncindelosfactores.
Partiendode X = F A' + U ,sededucelallamadaIdentidadFundamentaldelAnlisisFactorial:
Rp = A A' +
dondeRpeslamatrizdecorrelacinpoblacionaldelasvariables(X1,X2,...,Xp)y = diag(i ) esla
matrizdiagonaldelasespecificidades.
Enestesentido,surgendosproblemas:
(a) ProblemasdeGradosdeLibertad.IgualandocadaelementodelamatrizRpconel
correspondientedelacombinacinlineal (A A' + ) ,resultan(pxp)ecuaciones,queesel
nmerodeelementosdeR.
p (p + 1)
elementos
2
distintos,queeselnmerorealdeecuaciones.Enelsegundomiembrodelaigualdad,los
parmetrosaestimarcon(pxk)elementosdelamatrizAylospelementosdelamatriz.

Ahorabien,lamatrizRpessimtricay,enconsecuencia,estintegradapor

Enconsecuencia,paraquepuedaefectuarseelprocesodeestimacinserequierequeelnmero
p (p + 1)
deecuacionesseamayoroigualqueelnmerodeparmetrosaestimar:
p (k + 1) ,olo
2
p 1
queesequivalente, k
.
2
(b) NoUnicidaddelaSolucin.LassolucionesdadasporlamatrizAnosonnicas,puestoque
cualquiertransformacinortogonaldeAestambinsolucin.

SiTesunamatrizortogonal, T T' = T' T = I ,alaplicarunasolucinortogonaldeAseobtieneuna

solucindistintaalsistemaanterior.Estaeslabasedelosmtodosderotacindefactores.
Enconsecuencia,siTesunamatrizortogonal A = A T essolucin
SantiagodelaFuenteFernndez9

AnlisisFactorial

Sedefine F = F T (F*eselvectorFrotadoporlamatrizortogonalT).
SeverificaqueXyRpverificantambinlasecuacionesdelmodelo,esdecir:
Rp = A * A *' + = (A T) (T' A') + = A A'+
X = F * A *' + U = (F T) (T' A') + U = F A'+ U
Portanto,elmodeloesnicosalvorotacionesortogonales,esdecir,sepuedenrealizarrotaciones
delamatrizdelasponderacionesocargasfactorialessinalterarelmodelo.
Ejemplo.Enelmodelofactorialdefinidoanteriormente,setena:

Ma 0,8 0,2
UMa

Fi 0,7 0,3
UFi
Ma = 0,8 F1 + 0,2F2 + UMa
Qu 0,6 0,3 F U
Qu
1
+
Fi = 0,7F1 + 0,3F2 + UFi
=
In 0,2 0,8 F2 UIn
Qu = 0,6 F1 + 0,3F2 + UQu
Hi 0,15 0,82
U
Hi

Di 0,25 0,85
U

Di

In = 0,2F1 + 0,8 F2 + UIn

Hi = 0,15F1 + 0,82F2 + UIn
Di = 0,25F1 + 0,85F2 + UDi

1
' 1
F1 = 2 F1 + 2 F2
1 2 1
Sisedefinenlosfactores:
,siendolamatrizortogonal T =
1
1
1 2 1
F2' =
F1 +
F2

2
2

F' 1 2 1
1' =
F 1 2 1
2

1
2 F1

1
2 F2

2
2

F1 =
1 2 F1' F1

1 2 F2' F2
F2 =

1 '
F1
2
1 '
F1 +
2

1 '
F2
2
1 '
F2
2

dedonde,
Ma = 0,8 F1 + 0,2F2 + UMa =
Fi = 0,7F1 + 0,3F2 + UFi =

1 ' 0,6 '

F1
F2 + UMa = 0,71 F1' 0,42 F2' + UMa
2
2

1 ' 0,4 '

F1
F2 + UMa = 0,71 F1' 0,28 F2' + UFi
2
2

Qu = 0,6 F1 + 0,3F2 + UQu =

0,9 ' 0,3 '

F1
F2 + UMa = 0,64 F1' 0,21 F2' + UQu
2
2

In = 0,71 F1' + 0,42 F2' + UIn Hi = 0,69 F1' + 0,47 F2' + UHi Di = 0,78 F1' + 0,42 F2' + UDi
verificndoseque Cov(F1' , F2' ) = 0 ,porloquelasnuevascargasfactorialessernlascorrelacionesde
losnuevosfactoresconlasvariablesoriginales.
Lascomunalidades,especificidadesymatricesdecorrelacinpermanecenigual.
SantiagodelaFuenteFernndez10

AnlisisFactorial

0,71 0,42

0,71 0,28
0,64 0,21

Lanuevamatrizdecargasfactorialesser: B =
0,71 0,42
0,69 0,47

0,78 0,42

LaformadecalcularlamatrizderotacinTyladenuevacargasfactorialesBdalugaralosdistintos
mtodosderotacinortogonales,siendolosmtodosmsutilizados:Varimax,Quartimaxy
Equamax.

MTODOSDEEXTRACCINDEFACTORES

Existendiferentesmtodosparaobtenerlosfactorescomunes,losimplantadosenSPSSson:
MtododelasComponentesPrincipales,MtododelosEjesprincipalesyMtododeMxima
Verosimilitud.

MtododelasComponentesPrincipales.Consisteenestimarlaspuntuacionesfactoriales
mediantelaspuntuacionestipificadasdelasprimeraskcomponentesylamatrizdecargas
factorialesmediantelascorrelacionesdelasvariablesoriginalescondichascomponentes.

Estemtodotienelaventajadequesiempreproporcionaunasolucin.
TieneelinconvenientedequealnoestarbasadoenelmodelodeAnlisisFactorialpuedellevara
estimadoresmuysesgadosdelamatrizdecargasfactoriales,especialmente,siexistenvariables
conComunalidadesbajas.

Mtodo de los Ejes Principales.- BasadoenlaIdentidadFundamentaldelAnlisisFactorial

Rp = A A' + ,sustituyendolamatrizdelascorrelacionespoblacionales Rp porlascorrelaciones

muestralesR,conloque:
R ' = R ' = A A'
Respetando R' = R ' = A A' ,elmtodoesiterativoyconsisteenalternarunaestimacindela
matrizdelasespecificidades conunaestimacindelamatrizdelascargasfactorialesA.
Separtedeunaestimacininicialdelamatriz , (0) ,yenelpasoisimodelalgoritmose
verificaque R (i) = A (i) A (i)' .
Laestimacin A(i) seobtieneaplicandoelmtododelascomponentesprincipalesalamatriz
R (i1) .Posteriormente,secalcula (i) apartirdelaigualdad R (i) = A (i) A (i)' yseiterahastaque
losvaloresdedichasestimacionesapenascambien.
EstemtodotienelaventajadeestarbasadoenelmodelodelAnlisisFactorialporloquesuele
proporcionarmejoresestimacionesqueelmtododecomponentesprincipales.Sinembargo,no
garantizasuconvergencia,sobretodoenmuestraspequeas.
SantiagodelaFuenteFernndez11

AnlisisFactorial

MtododelaMximaVerosimilitud.Basadoenelmodelox=Af+uX=FA'+U,
adoptandolahiptesisdenormalidadmultivariante,aplicaelmtododelamxima
verosimilitud.

Sobrelosanteriores,tienelaventajadequelasestimacionesobtenidasnodependendela
escalademedidadelasvariables.
Porotraparte,comoestbasadoenelmtododemximaverosimilitud,tienetodaslas
propiedadesestadsticasdestey,enparticular,esasintticamenteinsesgada,eficientey
normalsilashiptesisdelmodelofactorialsonciertas.
Adems,permiteseleccionarelnmerodefactoresmediantecontrastesdehiptesis.
EstemtodotambinpuedeserutilizadoenelAnlisisFactorialConfirmatorio,dondeel
investigadorpuedeplantearhiptesiscomoquealgunascargasfactorialessonnulas,que
algunosfactoresestncorrelacionadoscondeterminadosfactores,etc.,yaplicartests
estadsticosparadeterminarsilosdatosconfirmanlasrestriccionesasumidas.
Elprincipalinconvenientedelmtodoradicaenque,alrealizarselaoptimizacindelafuncin
deverosimilitudpormtodositerativos,silasvariablesoriginalesnosonnormales,puedehaber
problemasdeconvergenciasobretodoenmuestrasfinitas.

MtodoMnimoscuadradosnoponderados.Paraunnmerofijodefactores,generauna
matrizdecoeficientesqueminimizalasumadelasdiferenciasalcuadradoentrelasmatricesde
~=A
~A
~ ' ,eliminandoenlasdiferenciasloselementosde
correlacinobservadaRyreproducida R
ladiagonal.

MtodoMnimoscuadradosgeneralizados.MinimizaelmismocriterioLasumadelas
~=A
~A
~ '
diferenciasalcuadradoentrelasmatricesdecorrelacinobservadaRyreproducida R
ponderandolascorrelacionesinversamenteporlavarianzadelfactorespecfico.Estemtodo
permite,adems,aplicarcontrastedehiptesisparadeterminarelnmerodefactores.

MtododeFactorizacinporimgenes.Consisteenaplicarelmtododecomponentes
~ obtenidaapartirdelaspartespredichasdelas
principalesalamatrizdecorrelacionesR
diversasregresioneslinealesdecadaunadelasvariablessobrelasdems(dichaparterecibeel
nombredeimagendelavariable).

MtodoAlfa.MaximizaelalfadeCronbachparalosfactores.

ComparacinentredistintosMtodos
o Cuandolascomunalidadessonaltas(>0,6)todoslosprocedimientostienenadarlamisma
solucin.

SantiagodelaFuenteFernndez12

AnlisisFactorial

o Cuandolascomunalidadessonbajasparaalgunasdelasvariables,elmtodode
componentesprincipalestiendeadarsolucionesmuydiferentesdelrestodelosmtodos,
concargasfactorialesmayores.
o Sielnmerodevariablesesalto(>30),lasestimacionesdelacomunalidadtienenmenos
influenciaenlasolucinobtenidaytodoslosmtodostiendenaofrecerelmismoresultado.
o Sielnmerodevariablesesbajo,tododependedelmtodoutilizadoparaestimarlas
comunalidadesydesistassonaltasmsquedelmtodoutilizadoparaestimarlas.
o Esmsrobustoutilizarunmtodoparaelmodelodefactorescomunes.Elnicoproblema
puedeserlafaltadeconvergenciadelmtodoutilizado.

DETERMINARELNMERODEFACTORES

Lamatrizfactorialpuederepresentarunnmerodefactoressuperioralnecesarioparaexplicarla
estructuradelosdatosoriginales.Generalmente,hayunconjuntopequeodefactores,los
primeros,quecontienencasitodalainformacin.Elrestodefactoressuelencontribuir
relativamentepoco.
Unodelosproblemasconsisteendeterminarelnmerodefactoresqueconvieneconservar,pues
setratadecumplirelprincipiodeparsimonia.
Existendiversasreglasycriteriosparadeterminarelnmerodefactoresaconservar,algunosdelos
msutilizadosson:
(a) Determinacinapriori.Eselcriteriomsfiablesilosdatosylasvariablesestnbienelegidos
yelinvestigadorconocelasituacin,loidealesplantearelAnlisisFactorialconunaideaprevia
decuntosfactoreshayyculesson.
(b) RegladeKaiser.CalculalosvalorespropiosdelamatrizdecorrelacionesRytomacomo
nmerodefactoreselnmerodevalorespropiossuperioresalaunidad.
EstecriterioesunaalusindelAnlisisdeComponentesPrincipalesysehaverificadoen
simulacionesque,generalmente,tiendeainfraestimarelnmerodefactoresporloquese
recomiendasuusoparaestablecerunlmiteinferior.Unlmitesuperiorsecalcularaaplicando
estemismocriteriotomandocomolmite0,7.
(c) Criteriodelporcentajedelavarianza.EsunaalusindelAnlisisdeComponentesPrincipalesy
consisteentomarcomonmerodefactoreselnmeromnimonecesarioparaqueelporcentaje
acumuladodelavarianzaexplicadoalcanceunnivelsatisfactorio(75%,80%).
Tienelaventajadequesepuedeaplicartambincuandolamatrizanalizadaesladevarianzasy
covarianzas,peronotieneningunajustificacintericaoprctica.

(d) CriteriodeSedimentacin.Setratadelarepresentacingrficadondelosfactoresestnenel
ejedeabscisasylosvalorespropioseneldeordenadas.
Losfactoresconvarianzasaltassuelendiferenciarsedelosfactoresconvarianzasbajas.Se
puedenconservarlosfactoressituadosantesdeestepuntodeinflexin.
Ensimulacioneselcriteriohafuncionadobien,tieneelinconvenientedequedependedelojo
SantiagodelaFuenteFernndez13

AnlisisFactorial

delanalista.
(e) Criteriodedivisinalamitad.Lamuestrasedivideendospartesigualestomadasalazaryse
realizaelAnlisisFactorialencadaunadeellas.
Soloseconservanlosfactoresquetienenaltacorrespondenciadecargasdefactoresenlasdos
muestras.Antesdeaplicarlo,convienecomprobarquenoexistendiferenciassignificativasentre
lasdosmuestrasenloqueserefierealasvariablesestudiadas.

PRUEBASDESIGNIFICACIN

Paraseleccionarelnmero,consisteenaplicarcontrastesdehiptesisdemodelosanidados.Este
criteriosepuedeutilizarsielmtodoempleadoparaestimarlosfactoreseseldemxima
verosimilitud.
Enlamayorpartedeloscasoexploratoriosknopuedeserespecificadoporadelantadoy,en
consecuencia,seutilizanprocedimientossecuencialesparadeterminark.
Secomienzausualmenteconk=1(valorpequeo),losparmetrosenelmodelofactorialson
estimadosutilizandoelmtododemximaverosimilitud.Sielestadsticodeltestnoessignificativo,
seaceptaelmodeloconestenmerodefactores,encasocontrario,seaumentak=2yserepiteel
procesohastaalcanzarunasolucinaceptable.
Elprincipalinconvenientedeestemtodoesqueestbasadoenresultadosasintticosyque,siel
tamaodelamuestraesgrande,secorreelriesgodetomarelvalorkexcesivamentegrande
puestoqueeltestdetectacualquierfactorporpequeoqueseasupoderexplicativo.

INTERPRETACINDELOSFACTORES

Lainterpretacindelosfactoressebasaenlascorrelacionesestimadasdelosmismosconlas
variablesoriginales.
ElmodelodeAnlisisFactorialescierto,siseverifica:
k

Corre(Xi , Fl ) = Cov(Xi , Fl ) = aij Cov(Fj , Fl )

j=1

i = 1, L , p ; l = 1, L , k

y,enparticular,silosfactoressonortogonales
Corre(Xi , Fl ) = ail

i = 1, L , p ; l = 1, L , k

Comoseobserva,lamatrizdecargasfactoriales(A)tieneunpapelfundamentalenlainterpretacin.
Porotraparte,lascargasfactorialesalcuadrado (a2il ) indicansilosfactoressonortogonales,qu
porcentajedelavariableoriginal(Xi)esexplicadoporelfactorFl.
Aefectosprcticos,enlainterpretacindelosfactores,sealar:

Identificarlasvariablescuyascorrelacionesconelfactorsonlasmselevadasenvalorabsoluto.

SantiagodelaFuenteFernndez14

AnlisisFactorial

Intentardarunnombrealosfactores.Elnombreseasignadeacuerdoconlaestructuradelas
correlaciones:Cuandoespositiva(resp.negativa)larelacinentreelfactorydichavariablees
directa(resp.inversa).
Analizandoconquvariablestieneunarelacinfuerteesposible,enmuchoscasos,teneruna
ideamsomenosclaradeculeselsignificadodeunfactor.

Unaayudaenlainterpretacindelosfactorespuedeserlarepresentacingrficadelos
resultadosobtenidos.Larepresentacinsehacetomandolosfactoresdosados.Cadafactor
representaunjedecoordenadas.Aestosejesselesdenominaejesfactoriales.
Sobrelosejesfactorialesseproyectanlasvariablesoriginales.
Lascoordenadasvienendadasporlosrespectivoscoeficientesdecorrelacinentrelavariabley
elfactor,deformaquelasvariablessaturadasenunmismofactoraparecenagrupadas.Esto
puedeservirdeayudaparadescubrirlaestructuralatentedeestefactor.

Lasvariablesalfinaldeunejesonaquellasquetienencorrelacionesaltassloenesefactory,
enconsecuencia,lodescriben.
Lasvariablescercadelorigentienencorrelacionesreducidasenambosfactores.
Lasvariablesquenoestncercadeningunodelosejesserelacionanconambosfactores.

Ordenarlamatrizfactorialdeformaquelasvariablesconcargasaltasparaelmismofactor
aparezcanjuntas.

Eliminarlascargasfactorialesbajasydeestemodosuprimirinformacinredundante.El
investigadordecideapartirdequvalordebeneliminarselascargasfactoriales.
Decaraaunamayorfacilidadinterpretativa,elinvestigadorpuedeordenarlamatrizfactorialy
eliminarlascargasfactorialesbajas.
Generalmente,setomacomosignificativaslascargassuperioresa0,5envalorabsoluto.Aunque,
sielfactoresmstardooelnmerodevariablesesgrande,seelevaelvalormnimodelacarga
factorialsignificativa.

Ejemplo.Enelmodelofactorialdefinido,setena:
matriz carg as
factoriales

64
4744
8
UMa
Ma 0,8 0,2

UFi
Fi 0,7 0,3
Ma = 0,8 F1 + 0,2F2 + UMa
Qu 0,6 0,3 F U
Qu
1
Fi = 0,7F1 + 0,3F2 + UFi
+
=
In 0,2 0,8 F2 UIn
Qu = 0,6 F1 + 0,3F2 + UQu
U
Hi 0,15 0,82
Hi

U
Di 0,25 0,85
Di

In = 0,2F1 + 0,8 F2 + UIn

Hi = 0,15F1 + 0,82F2 + UIn
Di = 0,25F1 + 0,85F2 + UDi

Corr(Ma, F1 ) = Cov(Ma, F1 ) = Cov(0,8 F1 + 0,2F2 + UMa ) = 0,8 Var(F1 ) + 0,2 Cov(F2 , F1 ) + Cov(UMa , F1 ) = 0,8
Engeneral,como F1 F2 Lascorrelacionesdelascalificacionesdelostestcondichosfactores
vendrndadasporlascargasfactoriales.

SantiagodelaFuenteFernndez15

AnlisisFactorial

Observandolamatrizdelascargasfactoriales,seapreciaqueelfactor F1 estmuyrelacionadocon
lavariablesMa,FiyQu,peropocorelacionadoconIn,HiyDi.Deotraparte,elfactor F2 estmuy
relacionadoconIn,HiyDiypococonlasrestantes.
Anlogamente,analizandolamatrizdecargasfactorialescorrespondientesalosfactores F1' y F2' :
Seobservaqueelfactor F1' estmuyrelacionadocontodaslasvariablesde
formadirectay,enconsecuencia,podrainterpretarsecomounfactorde
inteligenciageneral.
Porsuparte,elfactor F2' destacaenlaaptitudverbal,alestarrelacionado
deformainversaconMa,FiyQu.

0,71 0,42

0,71 0,28
0,64 0,21

B=
0,71 0,42
0,69 0,47

0,78 0,42

CabepreguntarseCuleslainterpretacinmscorrecta?.Tododependerdelateoraquesubyace
alproblemaquellevaralanalistaahacermshincapienunainterpretacinuotra.Decualquier
modo,tendrquevalidarelmodeloelegido.

ROTACINDELOSFACTORES

Lamatrizdecargasfactorialestieneunpapelimportanteparainterpretarelsignificadodelos
factores.Cuandolosfactoressonortogonalescuantificanelgradoytipodelarelacinentrestosy
lasvariablesoriginales.
Enlaprctica,losmtodosdeextraccindefactorespuedennoproporcionarmatricesdecargas
factorialesadecuadasparalainterpretacin.
ParaacometeresteproblemaestnlosprocedimientosdeRotacindeFactoresque,apartirdela
solucininicial,buscanfactorescuyamatrizdecargasfactorialesloshaganmsfcilmente
interpretables.
EstosmtodosintentanaproximarlasolucinobtenidaalPrincipiodeEstructuraSimple(LouisLeon
Thurstone,1935),segnelcuallamatrizdecargasfactorialesdebereunirtrescaractersticas:
1. Cadafactordebetenerunospocospesosaltosylosdemsprximosacero.
2. Cadavariablenodebeestarsaturadamsqueenunfactor.
3. Nodebenexistirfactoresconlamismadistribucin,estoes,dosfactoresdistintosdeben
presentardistribucionesdiferentesdecargasaltasybajas.
Deestamanera,dadoquehaymsvariablesquefactorescomunes,cadafactortendruna
correlacinaltaconungrupodevariablesybajaconelrestodelasvariables.
Alexaminarlascaractersticasdelasvariablesdeungrupoasociadoaundeterminadofactorse
puedenencontrarrasgoscomunesquepermitanidentificarelfactorydarleunadenominacinque
respondaaesosrasgoscomunes.
Siseconsigueidentificarclaramenteestosrasgos,ademsdereducirladimensindelproblema,
tambinsedesvelalanaturalezadelasinterrelacionesexistentesentrelasvariablesoriginales.
SantiagodelaFuenteFernndez16

AnlisisFactorial

Rotacin Ortogonal
ExistendosformasbsicasderealizarlaRotacindeFactores:
Rotacin Oblicua
Seeligeunouotroprocedimientosegnquelosfactoresrotadossigansiendoortogonalesono.
Sealarqueenambasrotacioneslacomunalidaddecadavariablenosemodifica,estoes,larotacin
noafectaalabondaddelajustedelasolucinfactorial:aunquecambielamatrizfactorial,las
especificidadesnocambiany,enconsecuencia,lascomunidadespermaneceninvariantes.Sin
embargo,cambialavarianzaexplicadaporcadafactor,portanto,losnuevosfactoresnoestn
ordenadosdeacuerdoconlainformacinquecontienen,cuantificadamediantesuvarianza.

RotacinOrtogonal.Losejesserotandeformaquequedepreservadalaincorrelacinentrelos
factores.Esdecir,losnuevosejes(ejesrotados)sonperpendicularesdeigualformaqueloson
losfactoressinrotar.
Larotacinseapoyaenelproblemadefaltadeidentificabilidaddelosfactoresobtenidospor
rotacionesortogonales,deformaquesiTesunamatrizortogonalcon T T' = T' T = I ,entonces:

X = F A' + U = F T T'A' + U = GB' + U

LamatrizGgeomtricamenteesunarotacindeF,verificandolasmismashiptesisquesta.
Realmenteloqueserealizaesungirodeejes,deformaquecambianlascargasfactorialesylos
factores.
SetratadebuscarunamatrizTtalquelanuevamatrizdecargasfactorialesBtengamuchos
valoresnulosocasinulos,yunospocosvalorescercanosalaunidaddeacuerdoconelprincipio
deestructurasimple.

Losmtodosempleadosenlarotacinortogonaldefactoresson:Varimax,Quartimax,Equamax,
ObliminyPromax.
MtodoVarimax.Esunmtododerotacinqueminimizaelnmerodevariablesconcargas
altasenunfactor,mejorandoaslainterpretacindefactores.
Elmtodoconsideraque,siselograaumentarlavarianzadelascargasfactorialesalcuadradode
cadafactorconsiguiendoquealgunasdesuscargasfactorialestiendanaacercarsea1mientras
queotrasseaproximana0,seobtieneunapertenenciamsclaraeinteligibledecadavariableal
factor.
Losnuevosejesseobtienenmaximizandolasumaparaloskfactoresretenidosdelasvarianzas
delascargasfactorialesalcuadradodentrodecadafactor.
Paraevitarquelasvariablesconmayorescomunalidadestenganmspesoenlasolucinfinal,se
efectalanormalizacindeKaiser(dividiendocadacargafactorialalcuadradoporla
comunalidaddelavariablecorrespondiente).

SantiagodelaFuenteFernndez17

AnlisisFactorial

Enconsecuencia,elmtodoVarimaxdeterminalaMatrizBdeformaquemaximicelasumadelas
varianzas:
2

k p b2
b
V = p ij 2ij
i=1 j=1 h
i=1 j=1 h j
j

MtodoQuartimax.Elobjetivoesquecadavariabletengacorrelacioneselevadasconun
pequeonmerodefactores.Paraello,maximizalavarianzadelascargasfactorialesalcuadrado
decadavariableenlosfactores,esdecir,setratademaximizarlafuncin:

S = k (b b
p

i=1

j=1

2
ij

2
i

donde , b2i =

1 k 2
bij
k j=1

Conello,selograquecadavariableconcentresupertenenciaenundeterminadofactor,estoes,
presenteunacargafactorialaltamientrasque,enlosdemsfactores,suscargasfactoriales
tiendenaserbajas.
Deestemodo,lainterpretacinganaenclaridadporcuantolacomunalidadtotaldecadavariable
permanececonstante,quedandomsevidentehaciaqufactorseinclinaconmsfuerzacada
variable.
Elmtodosermsclarificador,cuantomayornmerodefactoressehayancalculado.Este
mtodotiendeaproducirunprimerfactorgeneral,conocidoconelnombredetamao,yel
restodefactorespresentanponderacionesmenoresquelasdadasporelmtodoVarimax.
MtodoEquamax.Tratademaximizarlamediadeloscriteriosanteriores.Conun
comportamientosimilaraldelosmtodosanteriores.

Rotacinoblicua.EnestecasolamatrizTderotacinnotienequeserortogonal(cuando
unamatrizmultiplicadaporsutranspuestaeslamatrizidentidad T T' = I )sinonicamenteno
singular(matrizcuadradocuyodeterminantenoescero)

Deestamanera,losfactoresrotadosnotienenporquserortogonalesytener,portanto,
correlacionesdistintasdeceroentres.
Larotacinoblicuapuedeutilizarsecuandoesprobablequelosfactoresenlapoblacin
tenganunacorrelacinmuyfuerte.
Esnecesarioirconmuchaatencinenlainterpretacindelasrotacionesoblicuas,puesla
superposicindefactorespuedeconfundirlasignificacindelosmismos.

Deestaforma,elanlisisganamsflexibilidadyrealismoperoariesgodeperderrobustez,porlo
queconvieneaplicarestosmtodossielnmerodeobservacionesporfactoreselevada.

SantiagodelaFuenteFernndez18

AnlisisFactorial

Ejemplo.Enelmodelofactorialdefinido,setena:
matriz carg as
factoriales

64
4744
8
UMa
Ma 0,8 0,2

UFi
Fi 0,7 0,3
Ma = 0,8 F1 + 0,2F2 + UMa
Qu 0,6 0,3 F U
Qu
1
Fi = 0,7F1 + 0,3F2 + UFi
+
=
In 0,2 0,8 F2 UIn
Qu = 0,6 F1 + 0,3F2 + UQu
U
Hi 0,15 0,82
Hi

U
Di 0,25 0,85
Di

''
F =
1
Sisedefinenlosfactores:
F2'' =

4
F1 +
17
1
F1 +
17

1
F2
''
17 F1 = 4
F'' 1
4
2
F2
17

17 1
17 4

In = 0,2F1 + 0,8 F2 + UIn

Hi = 0,15F1 + 0,82F2 + UIn
Di = 0,25F1 + 0,85F2 + UDi

17 F1

17 F2

8
= 0,47 0 a Losnuevosfactoresestarncorrelacionados.
17

4 17 ''
17 ''
F1
F2
'
'
F1 =

17 1 17 F1
15 4 17 1 17 F1 F1
15
15

=
17 1 17 4 17 F2'' F2
17 4 17 F2
F = 17 F'' + 4 17 F''
1
2
2
15
15

Corr(F1'' , F2'' ) =
F1'' 4
=
F'' 1
2

dedonde,
4 17 ''
17 '' 4 17 ''
17 ''
Ma = 0,8 F1 + 0,2F2 + UMa = 0,8
F1
F2 + 0,2
F1 +
F2 + UMa = 0,82 F1'' + 0 F2'' + UMa
15
15
15
15

4 17 ''
17 '' 4 17 ''
17 ''
Fi = 0,7F1 + 0,3F2 + UFi = 0,7
F1
F2 + 0,3
F1 +
F2 + UFi = 0,69 F1'' + 0,14 F2'' + UFi
15
15
15
15

yassucesivamente.
Enestecaso,setienequelamatrizderotacin: T =

15 4 17

17 1 17

4 17

1 17 15
=
17
4 17

15

17

15
4 17

15

matriz de c arg as
factoriales

6447448
0,82 0,00

0,69 0,14
0,58 0,17

Lamatrizdeconfiguracin: B =
0,00 0,82
0,06 0,86

0,04 0,87

SantiagodelaFuenteFernndez19

AnlisisFactorial

Lamatrizdelaestructuraseraquellaquecontienelascorrelacionesdelasvariablesoriginalescon
losnuevosfactores:
matriz estructura

64
4744
8
0,82 0,39
0,82 0,00

0,76 0,46
0,69 0,14
0,58 0,17 1
8 / 17 0,66 0,44

=
1 0,39 0,82
0,00 0,82 8 / 17
0,34 0,83
0,06 0,86

0,45 0,89
0,04 0,87

Seobservadenuevoque F1'' sepuedeinterpretardenuevocomounfactordondedestacaen

(Matemticas,FsicayQumica),mientrasque F2'' destacaen(Ingls,HistoriayDibujo),adiferencia
delosfactores F1 y F2 quesonincorrelados,enestanuevaestimacinambosfactorestienenuna
correlacinpositivasignificativa,loqueproporcionamsrealismoalanlisisrealizado.

s<q=1
k

MtodoOblimin.Buscaminimizarlaexpresin:
k

b2is b2iq

i=1

i=1

b2is b2iq + (1 ) (b2is bs2 )(b2is bs2 )

controlalainterpretabilidaddelosfactores

s<q=1 i=1

(b2is bs2 )(b2is bs2 ) controlalaortogonalidaddelosfactores

s<q=1 i=1

o Para = 1 sealcanzaelmximogradodeoblicuidad.
o Cuntomsseaproximaa0,msortogonalessonlosfactores.

Enlarotacinoblicua,comolosfactoresestncorrelacionadosentres,lascargasfactorialesno
coincidenconlascorrelacionesentreelfactorylavariable.

Porrestemotivo,lospaquetesestadsticoscalculandosmatrices:

Lamatrizdecargasfactorialesquemuestralacontribucinnicadecadavariablealfactor.

Lamatrizdeestructurafactorialquemuestralascorrelacionesentrelosfactoresylas
variables,mostrandoinformacinacercadelacontribucinnicaydelascorrelacionesentre
factores.

Ademsdeestasdosmatrices,convieneanalizarlamatrizdecorrelacionesentrefactores.
SantiagodelaFuenteFernndez20

AnlisisFactorial

Silascorrelacionesentrelosfactoressonmuypequeasesmsrobustoaplicarrotaciones
ortogonales.
Deotraparte,sidosfactoresestnmuycorrelacionadospuedeserporqueestnmidiendoelmismo
conceptoyque,portanto,hayaquereducirelnmerodefactores.

MtodoPromax.Alteralosresultadosdeunarotacinortogonalhastacrearunasolucincon
cargasfactorialeslomsprximasalaestructuraideal.

Laestructuraidealseobtieneelevandoaunapotencia(entre2y4)lascargasfactoriales
obtenidasenunarotacinortogonal.Cuantomayorsealapotencia,msoblicuaeslasolucin
obtenida.
SeaHlamatrizdecargasbuscadaporelmtodoPromax,buscaunamatrizTtalque A T = H .
Multiplicandoambosmiembrosporlamatriz (A' A)1 A' ,setiene: T = (A' A)1 A' H

CLCULODEPUNTUACIONESFACTORIALES

Habiendodeterminadolosfactoresrotados,secalculalasmatricesdepuntuacionesfactorialesF.
Sonvariadaslasposibilidadesdeanalizarlaspuntuacionesfactorialesdelossujetos:

Conocerqusujetossonlosmsrarosoextremos,esdecir,larepresentacingrficadelas
puntuacionesfactorialesparacadapardeejesfactorialesfacilitadetectarcasosatpicos.

Conocerdndeseubicanciertosgrupososubcolectivosdelamuestra(ejemplo;clasealtafrente
aclasebaja,unaprovinciafrentealasotrasprovincias,jvenesfrenteamayores,etc.)

Conocerenqufactorsobresalenunossujetosynqufactorno.

Explicar,atendiendolasinformacionesanteriores,porquhanaparecidodichosfactoresenel
anlisisfactorialrealizado.

Esnecesarioconocerlosvaloresquetomanlosfactoresencadaobservacin,puesenocasiones,el
AnlisisFactorialesunpasoprevioaotrosanlisis:RegresinMltipleoAnlisisCluster,enlosque
sustituyeelconjuntodevariablesoriginalesporlosfactoresobtenidos.

MtodosdelClculodelasPuntuaciones.ExistendiversosmtodosdeestimacindelamatrizF,
laspropiedadesdeseablesqueverificasenlosfactoresestimadosson:
Cadafactorestimadopresenteunacorrelacinaltaconelverdaderofactor.
Cadafactorestimadotengacorrelacinnulaconlosdemsfactoresverdaderos.
Losfactoresestimadossonincorreladosdosados(mutuamenteortogonalessisonortogonales).
SantiagodelaFuenteFernndez21

AnlisisFactorial

Losfactoresestimadosseanestimadoresinsesgadosdelosverdaderosfactores.

Sealarqueelproblemadeestimacinescomplejoporlapropianaturalezadelosfactores
comunes.Sepuededemostrarquelosfactoresnoson,engeneral,combinacinlinealdelas
variablesoriginales.

Porotraparte,enlamayoradelassituaciones,noexistirunasolucinexactanisiquierasernica.
Todoslosmtodosdeobtencindepuntuacionesfactorialespartendelaexpresin X = F A'+U ,con
E[U] = 0, Var[U] = ,buscandoestimarelvalordeF.
Losmtodosdeestimacinmsutilizados:Regresin,Barlett,AndersonRubin
MtododeRegresin.EstimaFporelmtododelosmnimoscuadrados: F = (A' A)1 A' X
MtododeBarlett.Utilizaelmtododelosmnimoscuadradosgeneralizadosestimandolas
puntuacionesfactorialesmediante: F = (A' 1 A)1 A' 1 X
MtododeAndersonRubin.EstimaFmedianteelmtododelosmnimoscuadrados
generalizados,imponiendolacondicin F'F = I

F = (A' 1 R 1 A)1 A' 1 X

Anlisisdelostresmtodos:

ElMtododeRegresindalugarapuntuacionesconmximacorrelacinconlaspuntuaciones
tericas.Sinembargo,elestimadornoesinsesgado,niunvocoy,encasodequelosfactores
seanortogonales,puededarlugarapuntuacionescorreladas.
ElMtododeBarlettdalugarapuntuacionescorreladasconlaspuntuacionestericas,insesgadas
yunvocas.Sinembargo,encasodequelosfactoresseanortogonales,puededarlugara
puntuacionescorreladas.
ElMtododeAndersonRubindalugarapuntuacionesortogonalesqueestncorreladasconlas
puntuacionestericas.Sinembargo,elestimadornoesinsesgadoniunvoco.

SeleccindeVariables.Elinvestigadorenocasionesdeseaseleccionarlasvariablesms
representativasdelosfactores,enlugardecalcularsuspuntuaciones.

Porejemplo,siseutilizaelAnlisisFactorialparareducirelnmerodedatos,porrazonesde
economa,sisequierenaplicarlosresultadosobtenidosaobjetosdiferentesdelosestudiadosenel
anlisis,esmsinteresanteseleccionaralgunasdelasvariablesoriginalmentemedidasdadala
dificultaddelclculodelaspuntuacionesfactorialesparalasquesenecesitaramedirtodaslas
variablesutilizadasenelestudio.

SantiagodelaFuenteFernndez22

AnlisisFactorial

Unaformadellevaracabolaseleccindevariablesesestudiarlamatrizdecorrelacionesdelas
variablesconlosfactores,seleccionandocomorepresentantedecadafactorlavariableconla
correlacinmselevadaenste,queseamsfcildemediryquetengamssentidodesdeunpunto
devistaterico.
Encualquiercaso,convieneelegirlasvariablesdeformaqueunamismavariablenoseutilicepara
medirdosfactoresdistintos.
Unavezelegidaslasvariables,selesasignapesosbasadosensucorrelacinconelfactor,yse
compruebasuvalidezestimandosucorrelacinconlosfactoresquedeseaestimarmediantela
frmula Rfs = A' W diag(Rss ) donde Rss eslamatrizdecorrelacionesdelaspuntuacionesestimadas.

VALIDACINDELMODELO.ElltimopasoenelAnlisisFactorialesestudiarlavalidezdelmodelo.
Elprocesodeberealizarseendosdirecciones:AnalizandolabondaddeajusteylaGeneralidaddelos
resultados.
BondaddeAjuste.UnasuposicinbsicasubyacentealAnlisisFactorialesquelacorrelacin
observadaentrelasvariablespuedeatribuirseafactorescomunes.

Porconsiguiente,lascorrelacionesentrevariablespuedendeducirseoreproducirseapartirdelas
correlacionesestimadasentrelasvariablesylosfactores.
Afindedeterminarelajustedelmodelo,puedenestudiarselasdiferencias(residuos)entrelas
correlacionesobservadas(matrizdecorrelacindeentrada)ylascorrelacionesreproducidas(como
seestimanapartirdelamatrizfactorial).
Elmodelofactorialesadecuadocuandolosresiduossonpequeos.
Sihayunporcentajeelevadoderesiduossuperioresaunacantidadpequeaprefijada(por
ejemplo,0,05),serunaindicacindequeelmodelofactorialestimadonoseajustaalosdatos.
Sesabeademsquehaymsestabilidadenlosresultadossielnmerodecasosporvariablees
alto.

Generalidaddelosresultados.Esconvenienterefrendarlosresultadosdelprimeranlisisfactorial
realizandonuevosanlisisfactorialessobrenuevasmuestrasextradasdelapoblacinobjetode
estudioy,encasodenoserposible,sobresubmuestrasdelamuestraoriginal.

Encadacasohabrqueestudiarqufactoresdeloscalculadossoncorroboradosenlosdistintos
anlisisllevadosacabo.
Otraposibilidadesrealizarnuevosanlisisfactorialesmodificandolasvariablesconsideradas,bien
seaeliminandoaquellasvariablesquenotienenrelacinconningnfactoroeliminandolas
variablesconrelacionesmsfuertestratandodedescubrircmosecomportaelrestodeellassin
supresencia.
Otrodelosprocedimientosmetodolgicosyestadsticosquecomplementanyprofundizanlas
interpretacionesquesededucendelanlisisfactorialconsisteenlarealizacindeotrosanlisis
factorialesenbase,noalconjuntototaldelamuestraopoblacin,sinoreferidoasubcolectivoso
gruposqueestnpresentesenlamuestrayquepuedenformarseutilizandolascategorasdelas
SantiagodelaFuenteFernndez23

AnlisisFactorial

variablesprimarias(sexo,clasesocial,tipodecentro,tipodemetodologapedaggica,tiposde
actitud,etc.).
Loquesedesprendedelostrabajoseinvestigacionesquehanutilizadoesteprocedimientoesque
generalmentelainterpretacinquesedayqueesvlidaparaelconjuntototaldesujetosdebe
modificarse,enalgunoscasossustancialmente,cuandoserefiereaesossubcolectivos.Encasode
seras,sederivaunadobleconclusin:
(a) LasvariablessecomportanenelAnlisisFactorialdedistintaformasegndequmuestra
setrate.
(b) Noexisteelsujetotiposinoqueexistendiferentestiposdesujetosenlamuestraglobal.
Finalmente,sedeberaplantearunAnlisisFactorialConfirmatorioparacomprobarlosresultados
obtenidosenlaversindeAnlisisFactorialExploratorio.

Resumen.ElAnlisisFactorialesunatcnicaestadsticamultivariantecuyafinalidadesanalizarlas
relacionesdeinterdependenciaexistentesentreunconjuntodevariables,calculandounconjuntode
variableslatentes,denominadasfactores,queexplicanconunnmeromenordedimensiones,
dichasrelaciones.

Porestemotivo,elAnlisisFactorialesunatcnicadereduccindedatosconunnmeromenorde
variablessindistorsionardichainformacin,loqueaumentaelgradodemanejoeinterpretacinde
lamisma.

SantiagodelaFuenteFernndez24

AnlisisFactorial

Ejemplo.Losdatosadjuntoscorrespondenalamedicinde17humedalesendeterminadapoca
delao.Lasvariablesmedidashansido:
1.
2.
3.
4.
5.

X1:Conductividadelctrica
X2:Contenidoenbicarbonatos
X3:Contenidoencloruros
X4:Contenidoensulfatos
X5:Contenidoencalcio

Humedal
Caja
Camuas
Capacete
Cerero
Chica
Dulce
FPSalinas
FPVicaria
Grande
Gualdal.May
Hoyos1
Lobn
Marcela
Ratosa
Redonda
Salada
Viso

X1
0,315
8
3,41
3,94
2,8
1,56
11
8,75
2,6
6,37
1,18
0,57
3,4
3,48
4,62
3,8
0,3

X2
1,6694
3,7282
4,0642
1,4585
4,4862
2,4745
1,2206
2,6384
3,3251
2,5483
5,1966
1,7494
2,1189
1,7207
1,0357
0,8685
1,8567

X3
5
2388
732
1359
220
269
3038
4325
840
2320
13
110
1121
1484
472
1023
7

6.X6:Contenidoenmagnesio
7.X7:Contenidoensodio
8.X8:Contenidoenpotasio
9.X9:Contenidoenfosfatos
X4
86
7638
881
772
2510
495
923
456
2270
1040
499
42
866
554
2964
2274
15

X5
55
2123
218
251
572
157
233
234
609
1294
202
21
157
151
752
1946
39

X6
4
972
122
96
20
38
226
229
86
192
20
12
115
151
160
360
3

X7
4
1757
379
710
458
162
1488
2371
284
485
5
60
643
708
652
430
4

X8
2
5
41
14
7
9
11
11
7
23
18
6
4
7
34
23
2

X9
1,8082
0,3228
74,588
0,0968
0,0968
0,3228
0,0645
1,1947
0,5166
0,4843
6,7807
0,5812
0,7426
0,1291
0,1291
0,5489
4,4882

Lasvariablesestnmedidasendistintasunidades,teniendoquetipificarensumomento
PararealizarenSPSSelAnlisisFactorialporelmtododeComponentesPrincipales:
[Analizar/ReduccindeDatos/AnlisisFactorial]

SantiagodelaFuenteFernndez

25

AnlisisFactorial

Enelbotn[Extraccin]sepuedecambiarlaopcindemtododeseado,SPSSrealizapordefectoel
mtododeComponentesprincipales.Losmtodosdisponiblesson:Componentesprincipales,
Mnimoscuadradosnoponderados,Mnimoscuadradosgeneralizados,Mximaverosimilitud,
FactorizacindeEjesprincipales,FactorizacinAlfayFactorizacinImagen.

Loprimeroqueserealizaesdeterminarla
estructurafactorialnecesaria,enlaopcin[Extraer]
seutilizaelmtododeKaiserquedeterminatantos
factorescomoautovaloresmayoresque1.Esel
mtodopordefectoquerealizaSPSS.

LaregladeKaiserproporciona
unaestructurafactorialcontres
factoresqueexplicanel81,946%
delavarianzatotal.

Noobstante,elcuartovalorseencuentramuyprximoa1,proporcionaunfactorquedeterminael
10,963%delavarianza,porloquesedecideincluirlotambinenlaestructurafactorial.
Finalmente,seeligeunaestructurafactorialdecuatrofactoresqueexplicaranel92,639%dela
varianza.EstadecisinseobservatambinenelGrficodeSedimentacin:

SantiagodelaFuenteFernndez

26

AnlisisFactorial

ElanlisisseenfocaenlasComunalidades(quemuestranqueporcentajedecadavariablees
explicadoporlanuevaestructurafactorial),yenlamatrizdeComponentesdelanuevaestructura
(eliminandolosvaloresmenoresde0,3).

Paraello,enelbotn[Extraccin]se
eligen4factores

Enelbotn[Opciones]seeligeOrdenarlascoeficientespor
tamaoySuprimirvaloresabsolutosmenoresque0,3.

ElVisordeSPSSpresenta:

LasComunalidadessonmuyaltas,loqueimplicaquetodaslasvariablesestnmuybien
representadasenelespaciodelosfactores(laComunalidadrepresentaelcoeficientedecorrelacin
linealmltipledecadavariableconlosfactores).

Laestructurafactorialnoestmuyclaraenprincipio,yaquediversosfactorescompartenvariables.
SantiagodelaFuenteFernndez

27

AnlisisFactorial

Porejemplo,lavariablePotasio(X8)estrelacionadaconlosfactoressegundo,terceroycuarto.La
variableFosfatos(X9)aparecetantoenelsegundofactorcomoeneltercero.Lomismoocurrepara
lasvariablesSulfatos(X4)yCalcio(X5)respectoalosejesprimeroytercero.

Grficamenteserepresentanlasvariablesenel
planodelosfactores(primero,tercero).Paraello,
enelbotn[Rotacin]seeligelaopcin
Grficosdesaturaciones.

EnelVisordeSPSSsaleelGrficodecomponentestridimensionaldelosfactores:

HaciendodosclickenelGrfico,obienconelbotndelaizquierdadelratnseleccionandoObjeto
GrficodeSPSS,seseleccionaPropiedades,yseeligenlasVariablesquesedeseanrepresentar.

Seobservaquelasdosvariables(Sulfatos,
Calcio)formanunnguloprximoa45o
concadaeje,locualnopermite
asociarlasaningunodeellos(las
saturacionesrepresentanenestecasolas
correlacionesdelasvariablesconcada
ejeyporlotantoelcosenodelnguloque
formanconellos).
Almismotiempo,lavariableBicarbonato
estacercadelejedecoordenadas,indica
quenoestrelacionadaconningunode
losdosejes.

SantiagodelaFuenteFernndez

28

AnlisisFactorial

Conlaideadeclarificarlaestructurafactorialsinperder
poderexplicativo,serealizaunarotacindeejes.Seeligeel
botn[Rotacin]yelmtodoVarimax(mtododerotacin
ortogonalqueminimizaelnmerodevariablesquetienen
saturacionesaltasencadafactor).
Lainterpretacinsimplificadelosfactoresoptimandola
solucinporcolumnaproducelasiguientematrizde
componentes(lascomunalidadesnovaran):

Factor1:AsociadoalasvariablesdeCloruros,Sodio,ConductividadElctricayenmenorproporcin
aMagnesio.Tieneunpoderexplicativodel44,291%delavarianzatotal(elporcentajedeinerciase
refierealosejesquesehanobtenidoenprimerlugarynotienenporqucoincidirconlos
porcentajesdeinerciaunavezrotados,aunquescoincideconeltotalexplicado,SSPSmuestrael
porcentajeenlarotacinVarimax:32,471%,29,308%,18,144%y12,716%).

LavariableConductividadElctricaquedaexplicadaporeltotaldelosfactoresenun93,6%
(Comunalidad0,936),mientrasquerepresentael84,08%(0,9172=84,08%)delavarianzatotal,
esdecir,el89,83%(0,8408/0,936=89,83%)deltotaldelespaciodelosfactores.

LaestructurafactorialcompletadeterminaalavariableClorurosunavarianzatotalde94,28%,
estoes,el98,31%deltotaldelespaciodelosfactores.

SantiagodelaFuenteFernndez

29

AnlisisFactorial

LavariableSodiotieneunaComunalidadde0,951,conun95,1%delavarianzaexplicada
(89,11%porestefactory93,7%enelespaciodelosfactores).

LavariableMagnesioquedaexplicadaporlaestructurafactorialenun92%,conmenoscarga
factorialquelasanteriores(0,447),loquerepresentacasiel20%desuvarianza(21,71%enla
estructurafactorial).

Factor2:AsociadoalasvariablesCalcio,SulfatosyMagnesio.Conunpoderexplicativode20,448%
deinercia.

LavariableMagnesio,representadaporunaestructurafactorialde92%(Comunalidadde0,92),
estmsrepresentadaporestefactor,susaturacin(cargafactorial)esde0,845,conloque
representael0,8452=71,40%desuvarianzatotal,esdecirel77,61%(0,714/0,92=77,61%)de
laexplicadaportodoslosfactores.

LavariableSulfatosquetieneunaComunalidadde0,93,unasaturacinde0,927,esexplicada
poresteejeconun85,93%(0,9272=0,8593),loqueesun92,4%enelespaciodelosfactores
(0,8593/0,93=92,397%).

LavariableCalcio,conunaComunalidadde0,915(representael91,5%),tieneunacarga
factorialde0,939,porloqueel88,17%desuvarianzatotal[0,9392=88,17%]viene
representadaporesteeje(96,36%deloexplicadoporlaestructurafactorialtotal
0,8817/0,915=96,36%)

Factor3:AsociadoalasvariablesPotasioyFosfatos,conunporcentajedeinerciaexplicadadel
17,207%.(18,144%conejesrotados).

LavariablePotasio,conunaComunalidadde0,922,yestefactoraportael89,68%,esdecir,un
97,27%deloexplicadoporlaestructurafactorial.

LavariableFosfatosestrepresentadaenelespaciodelosfactoresporunaComunalidadde
0,864,queatribuiblealtercerfactoresel65,55%,conunasaturacinde0,834,estoes,el80,5%
delespaciodelosfactores.

Factor4:RepresentadoprincipalmenteporlavariableBicarbonato,representadaporunaestructura
factorialde94,2%(Comunalidadde0,942),tieneunacargafactorialde0,956.Lavarianzaexplicada
porelfactores91,39%,loqueequivaleal97,02%delodeterminadoporloscuartofactores.
LaestructurafactorialhaquedadoclarificadaysolamentelavariableMagnesioparecequecomparte
partedesuvarianzacondosfactores.Elsiguientepasoserainterpretarentrminosgeolgicosel
significadodelosfactores,osea,intentarresumirelporquseunenesasvariableseinclusointentar
darunnombreacadafactor.

SantiagodelaFuenteFernndez

30

AnlisisFactorial

Apartirdeunamatrizdecorrelaciones,elAnlisisFactorialextraeotramatrizquereproducela
primeradeformamssencilla.Estanuevamatrizsedenominamatrizfactorialyadoptalasiguiente
forma:
1
2
3
..
l

1
P11
P12
P13
..
P1l

2
P21
P22
P23
..
P2l

Cadacolumnaesunfactoryhaytantasfilascomovariablesoriginales.
LoselementosPijpuedeninterpretarsecomondicesdecorrelacinentreelfactorisimoyla
variablejsima,aunqueestrictamenteslosoncorrelacionescuandolosfactoresnoestn
correlacionadosentres,esdecir,sonortogonales.
Estoscoeficientesrecibenelnombredepesos,cargas,ponderacionesosaturacionesfactoriales.Los
pesosfactorialesindicanelpesodecadavariableencadafactor.Loidealesquecadavariablecargue
altoenunfactorybajoenlosdems.
Eigenvalues
Elcuadradodeunacargafactorialindicalaproporcindelavarianzaexplicadaporunfactorenuna
variableparticular.
Lasumadeloscuadradosdelospesosdecualquiercolumnadelamatrizfactorialesloque
denominamoseigenvalues(),indicalacantidadtotaldevarianzaqueexplicaesefactorparalas
variablesconsideradascomogrupo.
Lascargasfactorialespuedentenercomovalormximo1,portantoelvalormximoquepuede
alcanzarelvalorpropioesigualalnmerodevariables.

Sidividimoselvalorpropioentreelnmerodevariablesnosindicalaproporcindelasvarianzade
lasvariablesqueexplicaelfactor.

1 = P112 + P122 + P132 + L + P12j

1

var ianza exp licada por primer factor

2
2
2
2
2 = P21 + P22 + P23 + L + P2 j
n

var ianza exp licada por segundo factor

2
2
2
2
i = Pi1 + Pi2 + Pi3 + L + Pij
n

Comunalidades

SedenominaComunalidadalaproporcindelavarianzaexplicadaporlosfactorescomunesenuna
variable.
LaComunalidad(h)eslasumadelospesosfactorialesalcuadradoencadaunadelasfilas.
ElAnlisisFactorialcomienzasusclculosapartirdeloqueseconocecomomatrizreducida
compuestaporloscoeficientesdecorrelacinentrelasvariablesyconlascomunalidadesenla
diagonal.
SantiagodelaFuenteFernndez

31

AnlisisFactorial

Comolacomunalidadnosepuedesaberhastaqueseconocenlosfactores,esteresultaserunodelos
problemasdelAnlisisFactorial.
EnelAnlisisdeComponentesPrincipalesnosesuponelaexistenciadeningnfactorcomnla
comunalidadtomacomovalorinicial1.
Enlosotrosmtodosseutilizandiferentesmodosdeestimarlacomunalidadinicial:
Estimandolacomunalidadporlamayorcorrelacinenlafilaisimadelamatrizdecorrelaciones.
Estimandolacomunalidadporelcuadradodelcoeficientedecorrelacinmltipleentrexylas
demsvariables.(SPSSpordefecto).
Elpromediodeloscoeficientesdecorrelacindeunavariablecontodaslasdems.
Calculandoapartirdelosdoscoeficientesdecorrelacinmayoresdeesavariablelasiguiente
r r
operacin: h2 = xy xz
ryz

Lacomunalidadfinaldecadavariablevienedadapor: h2 = P12j + P22j + L + Pkj2

LaGrficatridimensionaldelasvariablesenelespaciodelosfactorespermitenvisualizarla
estructurafactorial

matrizdelascargasfactorialescorrespondientesalosfactores

SantiagodelaFuenteFernndez

32