P. 1
ANÁLISIS FACTORIAL

ANÁLISIS FACTORIAL

|Views: 119|Likes:

More info:

Published by: Conductista Colombiano on Nov 09, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

07/16/2013

pdf

text

original

ANÁLISIS FACTORIAL 1.

Objeto Dada una matriz que contiene las puntuaciones de n sujetos o casos en p variables, el objeto del análisis factorial es encontrar un conjunto reducido de nuevas variables, a las que se denominan factores o componentes, que expliquen o den cuenta de las interrelaciones de las variables originales. Por tanto, es una técnica con un doble objetivo: • Obtener la estructura subyacente a una matriz de datos. • Reducir dimensionalidad. Para ello cada variable original u observada debe ser expresada como una combinación lineal de los variables latentes o factores. Haciendo una similitud con el análisis de regresión, cada variable observada es la variable dependiente o criterio, y los factores son las variables predictoras. Al mismo tiempo, cada factor puede ser expresado como una combinación lineal de las variables observadas. En este caso la variable criterio es el factor y las variables predictoras son las variables observadas. Con este análisis el investigador obtiene un conjunto nuevo de variables, mucho menor que el inicial, los factores, conociendo, además, la contribución de cada variable original a cada uno de los factores, y la parte de la variabilidad que está explicada por los factores. 2. Cuadros de diálogo En la ventana del SPSS pinchamos Analizar → Reducción de datos → Análisis Factorial En el cuadro izquierdo aparece la lista de variables que contiene el archivo de los datos. Pasar al cuadro de la derecha aquellas sobre las que se desea realizar el análisis factorial. Descriptivos Descriptivos univariados ofrece la media y la desviación típica y el número de casos. Solución inicial presenta la solución factorial sin rotar. Se puede solicitar también la matriz de correlaciones, el determinante de la misma, la inversa de la matriz, la prueba de Barlett, la prueba KMO, etc. La prueba de Barlett tiene como hipótesis nula que la matriz de correlaciones es la matriz identidad, dicho de otra manera que las variables no están correlacionadas. Por tanto, sólo cabe proceder a

80 0. que: 1≥ KMO > 0. sino que suelen corresponderse con una sóla variable. y que es deseable que se aproximen a uno.70 0. común y específica. . En general. factorización alfa y factorización imagen.Olkin compara los coeficientes de correlación con los de correlación parcial. se considera para los valores de KMO. no correlacionados. es decir.80 ≥ KMO > 0. es decir.5 0 excelente bueno aceptable regular malo inaceptable La matriz anti-imagen presenta los negativos de los coeficientes de correlación parcial. el método es el de componentes principales. excepto en la diagonal principal. El coeficiente de correlación parcial entre dos variables es la correlación entre ambas una vez que se ha eliminado el influjo de las restantes variables. si rechazamos la hipótesis nula.90 ≥ KMO > 0. Los métodos disponibles son: componentes principales. pero en la diagonal principal de la matriz de correlaciones se utiliza la comunalidad. Si el coeficiente de correlación parcial entre dos variables es pequeño y en cambio su correlación de Pearson es media o alta.90 0. • Por defecto. le sigue el segundo.60 0. que consiste en utilizar toda la varianza de cada variable. factorización de ejes principales.50 KMO < 0. próximos a cero. En este método el primer factor explica la mayor parte de la varianza de las variables.70 ≥ KMO >0. de cara a realizar el análisis factorial. y así sucesivamente.60 ≥ KMO > 0. máxima verosimilitud. ello significa que la relación entre ambas puede ser explicada por las variables restantes. dónde se presentan las medidas de adecuación muestral para cada variable por separado. Lo deseable es que contenga valores bajos. Extracción Método: Permite especificar el método de extracción factorial. Si ello sucede para cada par de variables estamos con un cierto grado de colinealidad deseable para hacer el análisis factorial. Los factores obtenidos son ortogonales. de forma que los últimos factores apenas si contienen varianza común. mínimos cuadrados generalizados.realizar el análisis factorial si esta prueba es estadísticamete significativa. que consiste en maximizar la probabilidad de los datos empíricos. mínimos cuadrados no ponderados. para la extracción de factores. • El método de máxima verosimilitud extrae los factores según este criterio. • Factorización de ejes principales: es muy similar al de componentes principales. La prueba de adecuación muestral de Kaiser-Meyer.

Rotación Es posible que los factores extraídos no tengan una interpretación razonable. En este caso los factores obtenidos tras la rotación son independientes. Después de este número el programa cesará haya alcanzado o no una solución óptima. además de la posición de los ejes. Factorización alfa: considera las variables como una muestra de una población de variables. es decir se rotan los ejes perpendiculares que representan a los factores. sin embargo las más utilizadas son la Varimax y la Oblimín: Varimax es un procedimiento de rotación ortogonal. Se considera que es adecuado el número de factores hasta que se estabiliza el gráfico.Permite solicitar la solución factorial sin rotar y el gráfico de sedimentación de los autovalores. Extraer:.. Por defecto el valor es 25. El programa ofrece varios métodos de rotación. más correlacionados en la medida en que el ángulo entre los mismos es más agudo.• • • • Mínimos cuadrados no ponderados: para un número de factores genera una matriz de pesos que minimizan la suma de las diferencias cuadráticas entre la matriz de correlaciones observada y la estimada. pero manteniendo la perpendicularidad de los mismos. Este gráfico se utiliza para determinar el número de factores a extraer.Da la opción para analizar una matriz de correlaciones o una matriz de covarianzas. . La rotación de los mismos pretende obtener una solución que nos ofrezca mejor interpretación. Factorización imagen: cada variable se considera imagen del resto de las variables a través de una combinación lineal de las mismas. Mínimos cuadrados generalizados: es el mismo criterio anterior pero los coeficientes de correlación son ponderados inversamente con el coeficiente de unicidad de cada variable. Permite especificar el número máximo de iteraciones que el algoritmo puede seguir para estimar la solución. que representa la varianza no común de cada variables. cambia también el ángulo entre los mismos. que representa en el plano los valores de los autovalores frente a los respectivos factores. Oblimín es una rotación que. Mostrar. fijado por el investigador.Permite extraer sólo aquellos factores cuyos autovalores excedan un valor especificado o un número concreto de ellos. maximizando la fiabilidad de los factores. Número máximo de iteraciones para convergencia. Analizar:. En este caso obtenemos factores correlacionados.

v. pero que se han agrupado de forma que cada variable es la agrupación de cinco elementos. pues bien. nos dan la puntuación factorial de ese individuo. Dieciséis variables en total. . 3. los coeficientes de esa combinación son los pesos factoriales. Puntuaciones factoriales La puntuación factorial es una puntuación propia de cada sujeto. mientras que. por defecto este número es 25. Cada variable sature en un solo factor No existan factores duplicados. Ejemplo Se presenta un archivo con 16 variables y 4828 casos. en todos ellos lo que se pretende es obtener una mejor interpretación de los factores en términos de las variables que los conforman o saturan. e. Nos encontramos. Este archivo ha sido cedido amablemente por TEA. r. las restantes variables tengan pesos próximos a cero. En el cuadro de diálogo correspondiente a las puntuaciones factoriales podemos elegir: Guardar como variables. • • El cuadro de diálogo de la rotación nos permite también elegir el número de iteraciones hasta alcanzar la solución rotada. es decir una puntuación factorial es la puntuación de un sujeto en un factor concreto. y sumando para todas las variables. por el contrario. También muestra las correlaciones entre las puntuaciones factoriales. que multiplicados por las puntuaciones de un sujeto en las p variables. y que consta inicialmente de 80 elementos. Un sujeto tiene tantas puntuaciones factoriales como factores. n. por tanto con cuatro variables para cada aptitud. verbal. con la misma composición de variables. más un número. Muestra los coeficientes (pesos factoriales) por los cuales se multiplican las variables para obtener puntuaciones factoriales. Es un test que se aplica con todos los elementos mezclados. En el archivo de datos aparece una nueva variable para cada factor. espacial y numérico. Antes hemos indicado que un factor puede ser expresado como combinación lineal de las variables observadas. es decir. que corresponden a las puntuaciones obtenidas por 4828 sujetos en un test que mide cuatro aptitudes: razonamiento.Sea cual fuere el procedimiento utilizado. El objetivo es que la solución obtenida tras la rotación se caracterice por: • Cada factor esté definido por unas cuantas variables que presentan pesos altos en el mismo. que en el archivo aparecen simbolizadas por las letras. Mostrar matriz de coeficientes de las puntuaciones factoriales.

2. en algunos casos la variabilidad es mayor. solución inicial. Opciones: dejamos las opciones por defecto. 3. Mostrar: solución factorial sin rotar. Comentario de resultados (1) Estadísticos descriptivos: se puede observar que. Selección del análisis Abrimos el archivo Aptitud Pinchamos: Analizar → Reducción de datos → Análisis Factorial Descriptivos: seleccionamos Descriptivos univariados. reflejando una mayor incertidumbre. Método: regresión. ya que sus medias son más bajas. Puntuaciones: Guardar puntuaciones factoriales como variables. También seleccionamos gráfico de sedimentación. Extracción: dejamos las opciones por defecto: Método: componentes principales Analizar: matriz de correlaciones Extraer: autovalores mayores que 1.1. y. Aceptar 3. . Mostrar: solución rotada. en general. para las cuatro aptitudes las dos últimas variables tienen más dificultad que los primeras. Nº máximo de iteraciones:25 Rotación: Método: varimax. y KMO y prueba de esfericidad de Barlett.Realizamos un análisis factorial para determinar si la estructura factorial confirma la estructura aptitudinal supuesta en este test.

4733 3. vale 0. La prueba de esfericidad de Barlett es estadísticamente significativa por lo rechazamos la hipótesis de independencia de las variables.Estadísticos descriptivos Media 3. En definitiva.0662 . es decir. que aparece en el cuadro siguiente.8419 Desviación típica 1.9880 1. Sin embargo.000 (3)Comunalidades: la comunalidad es la proporción de la varianza de cada variable que está explicada por los factores. esta proporción es la unidad.2978 1.5491 4.7438 . KMO. r3 y r4) las que.5645 1. que está en el límite de lo aceptable.6875 1.7784 1. porque hay tantos componentes como variables. la comunalidad de cada variable ya no es la unidad: podemos ver que. Prueba de esfericidad de Bartlett Chi-cuadrado aproximado gl Sig.6128 . cuando se extraen los seis primeros componentes. En la solución inicial.7409 . las restantes se mueven entre casi 0.9662 4.0801 .680 9750. siendo las variables de razonamiento (r1.6384 1.4741 . .5054 1.5 y algo más de 0.0140 1.3056 2.2014 2.5787 2.7085 .39.5348 4. los valores de estos dos estadísticos nos indican que es razonable realizar un análisis factorial con estas variables.6339 2.2728 1.1747 N del análisis 4826 4826 4826 4826 4826 4826 4826 4826 4826 4826 4826 4826 4826 4826 4826 4826 R1 R2 R3 R4 V1 V2 V3 V4 E1 E2 E3 E4 N1 N2 N3 N4 (2) KMO y prueba de Barlett: la medida de adecuación muestral. . presentan comunalidades más altas.100 120 .7.2493 2.7590 4.68.3226 . KMO y prueba de Bartlett Medida de adecuación muestral de Kaiser-Meyer-Olkin.7670 1. no hay reducción de dimensionalidad.5539 1. salvo la tercera variable verbal (v3). r2. como conjunto aptitudinal. cuya comunalidad es 0.4269 2. según la tabla orientativa de valores ofrecida anteriormente.

En un segundo bloque se repite esta información.000 1.487 .495 . como vemos.Comunalidades R1 R2 R3 R4 V1 V2 V3 V4 E1 E2 E3 E4 N1 N2 N3 N4 Inicial 1.000 1.000 1.000 1. que explican el 100% de la variabilidad de las variables originales.000 Extracción .623 .364 %. .000 1.605 .000 1.000 1.682 .000 1.390 . que explica el primer componente. En un primer bloque esta información se presenta para la solución inicial que.000 1.000 1.53 %. 328 % del sexto.571 . (4) Varianza total explicada: se presentan los autovalores.662 . la varianza explicada y la acumulada por cada autovalor.623 . que explican un 57. consta de 16 componentes.713 .000 1.492 Método de extracción: Análisis de Componentes principales.000 1. Podemos observar como la varianza explicada por cada componente va descendiendo desde 16.710 .523 .499 .000 1. hasta 6.000 1. El tercer bloque presenta la información para la solución de los seis factores pero después de la rotación.577 .000 1. pero sólo referida a los seis primeros componentes.552 .

531 1.674 4.756 4.202 1.364 2.843 5.575 1.629 1. recomendándose un número a partir del cual el gráfico se estabilice.000 Componente 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Sumas de las saturaciones al cuadrado Suma de las satu de la extracción de la % de la %d Total varianza % acumulado Total varia 2.211 28.212 83.0 2.5 1.0 Autovalor .611 37.378 8. Gráfico de sedimentación 3.575 1.364 1.974 87.603 16 1.214 .280 . como ya hemos visto.489 3.723 79. tiene una pendiente muy suave a partir del quinto o del sexto. Se presenta esta matriz antes de la rotación.636 3.5 0.954 12.364 16.328 57.898 5.003 .865 63.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Número de componente (6) Matriz de componentes: presenta las saturaciones de las 16 variable en cada uno de los factores.202 1.187 1.527 9 1.954 12.011 .328 100.615 69.442 44.187 1. La rotación.531 .5 2. Se utiliza para determinar el número de factores a extraer.396 .585 3.378 8.0 1.191 7.611 37. sin llegar a estabilizarse.211 28.328 57.618 16.112 6 Método de extracción: Análisis de Componentes principales.672 . trata de buscar la mejor adecuación de los ejes en .189 .052 6. En este ejemplo vemos cómo el gráfico cae muy rápidamente en los tres primeros componentes y.013 6.Varianza total explicada Autovalores iniciales % de la Total varianza % acumulado 2.013 6.442 44.289 8 1.604 3.619 .191 7.657 94. (5) Gráfico de sedimentación: en este gráfico se presentan los autovalores frente al número de factores o componentes.618 16.629 1.053 97. El sistema ha extraído seis.298 8 1.372 2.961 .938 5.364 16.773 90.574 51.269 74.052 6.376 8 1. y después de ella.574 51.

Aparecen dos factores de razonamiento. puntuaciones bajas. N2 y N3. El factor 6 es un factor verbal. Procedemos a la interpretación. Tentativamente podría ser identificado como un factor de dificultad. aquéllas que no han saturado en los otros factores. propios de cada aptitud. lo que evita que R4 presente una saturación más alta en el factor primero. dado que cada variable representa la puntuación en cinco elementos. nos indica que debe calibrarse mejor la dificultad de los elementos de estas variables. Esta dificultad nos ofrecería elementos no respondidos. Resumiendo. manteniendo la ortogonalidad o independencia de los mismos ya que hemos usado el método Varimax. después de haber analizado los otros: El factor 2 es claramente un factor numérico que agrupa a las tres primeras variables de este tenor. El factor 5 es espacial. En concreto. Por último. Conociendo los elementos que integran cada una de estas variables se podría otorgar un significado diferencial a cada uno de estos dos factores. las espaciales E3 y E4. A partir de la matriz de componentes rotados se debe interpretar los factores considerando las variables que presentan las saturaciones más altas en cada uno de ellos. conformado por las variables verbales. mientras que el cuatro lo está por R2 y R4. y las numéricas N3 y N4. el tres está explicado por las variables R1 y R3. presenta una saturación moderada. a una covariación que. y no uno sólo. y en menor medida por E3. que también es difícil. N1. V1 y V2. pero dejamos el factor 1 para el final. y tampoco tenemos los enunciados de los elementos. La aparición de un factor de dificultad. . numéricas y espaciales.el espacio de las variables. con el fin de eliminar este factor y ver si las estas variables se agrupan con aquellas otras indicando la misma aptitud. ya mencionados. En este ejemplo no podemos hacer una explicación muy detallada. el factor tres y el factor cuatro. aparecen delimitadas las aptitudes. con variables de las cuatro aptitudes. En cualquier caso constatamos la existencia de dos factores independientes explicando la varianza de las cuatro pruebas de razonamiento. lo que arrastraría a estas variables. explicado por las variables E1 y E2 principalmente. Vemos que la variable R4. de contenido muy diferente. se traduce en este factor. formando un factor entre ambas. ello es debido a que esta variable tiene una variación más fuerte con la variable R1. pero la aptitud de razonamiento se nos desdobla en dos. Al comentar los descriptivos indicamos que las últimas variables de cada aptitud parecían más difíciles. en última instancia. es decir. saturan en este factor las variables verbales V3 y V4. veamos el factor primero: está conformado por variables verbales.

261 9.126 3. a.298 -.250 .662E-02 .09E-02 .76E-02 .546 -8.334E-02 6.456E-02 -.587 .127 1. Método de rotación: Normalización Varimax con Kaiser.751 4.88E-02 .577 .174 .151 -1.140 .544 .293E-03 .159 -3.960E-02 .704E-02 -.202 -.558E-02 Componente 3 4 .140 -5.414 -1.133 -.639 2 3.739 -9.947E-02 .852E-02 -5.092E-02 .314 .010E-03 .106 -4.278 .47E-02 .315 .00E-02 7.537 -.203E-02 9.532 -8.57E-02 .172 -2.183 .219 .157 .409 .154 2. .592E-02 7.131E-02 -.720E-02 -.553 2.210 6.592 .302 -.03E-02 6.664 .375 -.210 -.176 -6.162 4.142 6.975E-02 -.172 -. La rotación ha convergido en 5 iteraciones.591 .189 .162E-02 5.492 .352 -6.418 .142 .217 .267 .60E-02 3.195 7.40E-02 9.425 -5.115 4.183 -5.429 .197E-02 -7.135 -7.120 -.528E-02 -6.798E-02 4.247 .482E-02 -.160 Componente 3 4 5 6 .779 .39E-02 2.151E-02 .453E-02 .169 -.523 6.012E-02 .104 4.120 -.549E-03 .392 .806 .695 .737 -9.745E-02 6.177E-02 -.180 -5.746 -.666 .42E-02 6.085E-02 -.111 -7.575E-02 .73E-02 .837E-02 .704E-02 4.871E-02 -8.530E-02 -3.918E-02 .18E-02 8.221 .402E-02 -.266 3.137 -.904E-03 -2.181 5.00E-02 3.09E-02 .32E-02 4.10E-02 .776 .078E-02 -5.70E-02 .496 -.965E-02 . a.374 2.838E-02 .13E-03 4. 6 componentes extraídos a Matriz de componentes rotados R1 R2 R3 R4 V1 V2 V3 V4 E1 E2 E3 E4 N1 N2 N3 N4 1 -.824E-02 3.180 .211 -9.740 -.278 -.429 .160E-02 .18E-02 .497 .203 -.694 .06E-02 -1.39E-02 .151E-02 9.589 2.74E-02 3.293 -.362 6.298 5.134 -.171 .760E-02 -5.102E-02 1.599 -3.44E-02 -1.569 .25E-02 -4.06E-02 -.175 -.72E-02 .448E-02 Método de extracción: Análisis de componentes principales.970E-02 2.19E-02 -6.803 2.544E-02 -5.886E-02 6.438E-02 1.a Matriz de componentes R1 R2 R3 R4 V1 V2 V3 V4 E1 E2 E3 E4 N1 N2 N3 N4 1 -.102 -4.114 -.775 6.640 2 .23E-02 .109 .930E-02 Método de extracción: Análisis de componentes principales.222 .571 -.65E-02 .146 .190E-02 5.56E-02 .58E-02 5 2.267 6 4.97E-02 2.472 9.

Por tanto.175 .995 -.024 .020 -. R.609 -. y así sucesivamente para todos los factores.023 -. Se trata.863 Método de extracción: Análisis de componentes principales.031 4 .694 . para el sujeto primero su puntuación factorial en el factor primero se obtendría multiplicando sus puntuaciones en las 16 variables por los pesos respectivos de estas variables en el primer factor. es decir. se trata de sustituir el conjunto inicial de variables por otro más reducido. En el a. respectivamente. entonces.666 -. Recordar que cada factor es una combinación lineal de las variables.268 . tanto con respecto al número de dimensiones latentes como de las variables que saturan en cada una de ellas.087 .024 .057 .Conceptos a) Se distingue entre análisis factorial exploratorio y análisis factorial confirmatorio: • En el a.386 -. (7) Puntuaciones factoriales: en el archivo de datos han aparecido seis nuevas variables.025 . sin embargo el análisis matemático no parte imponiendo una estructura previa a los mismos. y que las saturaciones o pesos de las variables en el factor son los coeficientes de la combinación lineal.061 -. de imponer a los datos esa estructura y confirmar si los datos se ajustan o no a la misma.245 .596 .383 -.624 -.235 -.. correspondientes a las puntuaciones de los sujetos en los seis factores. sino que trata de obtener la mejor estructura que da cuenta de las interrelaciones entre las variables. • b) Se distingue entre análisis factorial R y análisis factorial Q. Ello no significa que el investigador no tenga alguna hipótesis previa que guíe la recogida de los datos.308 .379 .801 -.f.232 -.030 .369 -.233 5 -. confirmatorio el investigador tiene ya una hipótesis previa acerca de tal estructura.373 6 . • El primero. Es el que acabamos de exponer.042 2 . 4. Por ejemplo. cada factor viene a ser algo así como un conglomerado de variables interrelacionadas.021 .082 -. exploratorio se parte de la matriz inicial de datos sin imponer restricciones acerca de la estructura de los mismos.Matriz de transformación de las componentes Componente 1 2 3 4 5 6 1 .244 3 -. .f. Método de rotación: Normalización Varimax con Kaiser.562 . es el que se ha descrito.212 .

d) Se considera que la varianza total de cada variable puede dividirse en tres partes: una que es común con otras variables de la matriz de datos. Ahora no es un grupo de variables el que define cada factor. la proporción de varianza de la variable que está explicada por todos los factores. una parte de varianza residual debida a los errores de medida. La saturación (peso de la variable en el factor) indica la contribución de la variable al factor. siguiendo la extracción de factores el orden en magnitud de los autovalores.• El segundo. El análisis factorial Q y el análisis de conglomerados de casos. Si los factores son ortogonales la saturación es la correlación del factor con la variable. f) Aunque hemos visto que el SPSS presenta como procedimiento por defecto el de componentes principales. Q. sino un grupo de sujetos. • c) Tamaño de la muestra No se recomienda realizar un análisis factorial cuando el tamaño de la muestra es inferior a 50 casos. Ambas técnicas tratan de obtener grupos de sujetos con comportamiento semejante en las variables. Se recomienda que el número de casos sea cinco veces el de variables como mínimo. Con este objeto se prefiere el análisis de conglomerados. sin embargo. Ambos análisis tratan de obtener grupos de variables relacionadas entre sí. si una variable presenta una comunalidad baja entonces esta variable contribuye poco a la solución factorial y debe ser eliminada. por último. y. es un análisis sobre sujetos. La suma de todos los autovalores representa la varianza total de la muestra. Entre las dos técnicas se prefiere el análisis factorial. R. otra que es específica. La comunalidad de una variable representa la proporción de varianza común o compartida con otras variables. es decir no compartida. La comunalidad puede utilizarse como criterio para decidir las variables que se mantienen el en análisis. podemos decir. que son similares en sus objetivos: • El análisis factorial R y el análisis de conglomerados de variables. Así. Así. o lo que es lo mismo. Este análisis se utiliza poco porque se prefiere la alternativa que ofrece el análisis de conglomerados para sujetos. e) El autovalor o valor propio de un factor representa la parte de varianza explicada por el factor. El cuadrado de la saturación representa la proporción de varianza compartida entre el factor y la variable. En el método de componentes principales el primer factor es el que presenta el autovalor más alto. algunos autores . Se obtiene como la suma de los cuadrados de las saturaciones de la variable en los distintos factores. pero lo deseable es que sea 10 veces.

la específica y la residual. .distinguen entre ambos análisis. No debe perderse de vista que el análisis siempre proporcionará factores. en el método de componentes principales suele suceder que los últimos factores se correspondan con una única variable. mientras que en el de componentes principales sí la hay) se ha generalizado el uso del método de componentes principales. meter basura implica sacar basura. g) La interpretación de un factores se realiza de acuerdo con las variables que saturan en el mismo. el investigador debe saber qué está midiendo y con qué propósito. llamando factorial al procedimiento que utiliza en la solución factorial sólo la varianza común o compartida entre las variable. es probable que obtengamos una solución sin interpretación. factorial y componentes principales. En general. que los primeros factores apenas tienen varianza específica y residual. la investigación empírica no ha mostrado grandes diferencias entre ambos procedimientos. Lo que queremos decir es que las variables deben ser relevantes. Aunque. Esto no significa que el investigador deba poseer de antemano una hipótesis en relación a la estructura de los datos. y debido al problema de la indeterminación de los factores en el análisis factorial (no hay una solución única. mientras que en el procedimiento de componentes principales se utiliza toda la varianza de la variable: la compartida. bien es cierto. ya que el análisis es exploratorio. y si las variables se introducen sin ningún principio que guíe su selección. Como algunos autores señalan.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->