ANLISIS FACTORIAL

Es una tcnica de reduccin de datos que sirve para encontrarnos grupos homogneos de
variables a partir de un conjunto numerosos de variables. Estos grupos homogneos se forman
con las variables que correlacionan mucho entre s y procurando, inicialmente, que unos
grupos sean independientes de otros.
El anlisis factorial es una tcnica de reduccin de la dimensionalidad de los datos. Su
propsito ltimo consiste en buscar el nmero mnimo de dimensiones capaces de explicar al
mximo de informacin contenida en los datos.
Consta de tres fases caractersticas:

1. La extraccin del nmero ptimo de factores
2. La rotacin de la solucin para facilitar su interpretacin
3. La estimacin de las puntuaciones de los sujetos en las nuevas dimensiones.

Para ejecutar correctamente un anlisis factorial ser necesario tomar algunas decisiones en
cada una de estas fases.

Extraccin de Factores Comunes
Existen distintos mtodos de estimacin de los coeficientes de la matriz factorial L: los ms
comunes (para un AF exploratorio) son el mtodo de las Componentes Principales y el mtodo
de Ejes Factoriales.
Para proceder a la estimacin de los coeficientes factoriales vamos a partir de la identidad
fundamental del AF proporcionada por Thurstone en 1.947:
R = LL' w
Dnde:
R es la matriz de correlaciones entre las variables.
W es la matriz de varianzas y covarianzas de los factores nicos.
Consideramos una transformacin de R: R - w = LL' = R
*
(matriz de correlacin reducida) cuyos
elementos diagonales son las comunalidades y el resto, los coeficientes de correlacin lineal
entre las variables originales. La idea consiste en determinar L partiendo de alguna estimacin
para R
*
, y a partir de ella calcular los coeficientes de la matriz L.
Podemos optar por dos mtodos:
Mtodo 1 - AF de Componentes Principales (ACP)
El mtodo de componentes principales se basa en suponer que los factores comunes explican
el comportamiento de las variables originales en su totalidad de manera que el modelo es:
X = Lf
Las comunalidades iniciales de cada variable son igual a 1, porque el 100% de la variabilidad de
las p variable se explicar por los p factores. Evidentemente, carecera de inters sustituir las p
variables originales por p factores que, en ocasiones, son de difcil interpretacin. No obstante,
si las correlaciones entre las p variables fuesen muy altas, sera de esperar que unos pocos
factores explicasen gran parte de la variabilidad total. Supongamos que decidimos seleccionar
r factores. La comunalidad final de cada variable indicar la proporcin de variabilidad total
que explican los r factores finalmente seleccionados.
La estimacin de los coeficientes l

se obtiene diagonalizando la matriz de correlaciones.
Mtodo 2 - AF de Ejes Factoriales (PAF)
En este mtodo partimos de la base de que slo una parte de la variabilidad total de cada
variable depende de factores comunes y, por tanto, la comunalidad inicial no ser 1.
Estima dichas comunalidades mediante los coeficientes de determinacin mltiple de cada
variable con el resto. Se sustituyen estos valores en la diagonal principal de la matriz R
*
y se
procede a efectuar un ACP. Una vez obtenido el resultado, se estiman de nuevo las
comunalidades, se vuelven a sustituir en la diagonal principal de la matriz R
*
y el proceso se
retroalimenta hasta alcanzar un criterio de parada (por ejemplo cuando la diferencia entre lasa
comunalidades de dos iteraciones sucesivas sea menor que una cantidad prefijada).
La eleccin de uno u otro mtodo (ACP o PAF) depende de los objetivos del AF. As el ACP es
adecuado cuando el objetivo es resumir la mayora de la informacin original (varianza total)
con una cantidad mnima de factores con propsitos de prediccin. El AFC resulta adecuado
para identificar los factores subyacentes o las dimensiones que reflejan qu tienen en comn
las variables. El inconveniente del mtodo PAF es que el clculo de las comunalidades requiere
mucho tiempo y muchos recursos informticos y, adems, no siempre se pueden estimar o,
incluso, pueden ser no vlidas (comunalidades menores que 0 o mayores que 1).
Empricamente, se llega a resultados muy parecidos cuando el nmero de variables excede de
30 o las varianzas compartidas exceden de 0.6 para la mayora de las variables.
2. Rotacin de Factores
La interpretacin de los resultados del AF se basar en el anlisis de las correlaciones entre las
variables y los factores que como sabemos viene dado por las cargas factoriales.
Para que dicha interpretacin sea factible, es recomendable que:
Las cargas factoriales de un factor con las variables estn cerca de 0 de 1. As, las variables
con cargas prximas a 1 se explican en gran parte por el factor, mientras que las que tengan
cargas prximas a 0 no se explican por el factor.
Una variable debe tener cargas factoriales elevadas con un slo factor. Es deseable que la
mayor parte de la variabilidad de una variable sea explicada por un solo factor.
No debe haber factores con similares cargas factoriales
As, si con la solucin inicial no se consiguiese una fcil interpretacin de los factores, stos
pueden ser rotados de manera que cada una de las variables tenga una correlacin lo ms
prxima a 1 con un factor y a 0 con el resto de factores. Como hay menos factores que
variables, conseguiremos que cada factor tenga altas correlaciones con un grupo de variables y
baja con el resto. Si examinsemos las caractersticas de las variables de un grupo asociado a
un factor, se podran encontrar rasgos comunes que permitan identificar el factor y darle una
denominacin que responda a esos rasgos comunes. As, conseguiremos desvelar la naturaleza
de las interrelaciones existentes entre las variables originales. Los tipos de rotaciones ms
habituales son la ortogonal y la oblicua.
La rotacin ortogonal permite rotar los factores estimados inicialmente, de manera que se
mantenga la incorrelacin entre los mismos. El mtodo ms utilizado de rotacin es la varimax
(Varianza mxima), ideado por Kaiser. La rotacin oblcua no mantiene la ortogonalidad de los
factores, lo que nos lleva a aceptar que dos o ms factores expliquen a la vez una misma
realidad. Las comunalidades finales de cada variable permanecen inalteradas con la rotacin.
3. Clculo de las Puntuaciones factoriales
Una vez estimados los factores comunes, es importante calcular las puntuaciones de los
sujetos (individuos u objetos) investigados para saber cunto puntan en cada factor. As,
podremos:
Sustituir los valores de las p variables originales para cada sujeto de la muestra por las
puntuaciones factoriales obtenidas. En la medida en que el nmero de factores es menor que
el nmero de variables iniciales, si el porcentaje de explicacin de la varianza total fuese
elevado, dichas puntuaciones factoriales podran sustituir a las variables originales en muchos
problemas de anlisis o prediccin. Adems, muchas tcnicas estadsticas se ven seriamente
afectadas por la correlacin entre las variables originales. En la medida en que las
puntuaciones factoriales estn incorrelacionadase podrn utilizarse en ulteriores anlisis.
Colocar a cada sujeto en una determinada posicin en el espacio factorial y conocer qu
sujetos son los ms raros o extremos, dnde se ubican ciertos grupos de la muestra, los ms
jvenes frente a los mayores; los de clase alta frente a los de clase media o baja; los creyentes
frente a los no creyentes, etctera, obteniendo en qu factores sobresalen unos y otros.