Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Procedimiento Descriptivos
El procedimiento Descriptivos de SPSS muestra estadsticos de resumen univariados para varias
variables en una nica tabla y calcula valores tipificados (puntuaciones z). Los estadsticos que permite
calcular son:
tamao de muestra,
media,
mnimo,
mximo,
desviacin tpica,
varianza,
rango,
suma,
error tpico de la media,
curtosis y
asimetra con sus errores tpicos.
Repita el proceso con resto de las variables para seleccionarlas todas. Tiene la posibilidad de seleccionar la
opcin Guardar valores tipificados como variables para aadir al fichero de datos nuevas variables con los
valores tipificados.
41
Pulse Opciones para seleccionar los estadsticos y el orden de visualizacin.
Las correlaciones miden cmo estn relacionadas las variables o los rdenes de los rangos. Antes de calcular
el coeficiente de correlacin conviene inspeccionar los datos para detectar valores atpicos (podran producir
resultados equvocos) y evidencias de una relacin lineal.
El coeficiente de correlacin de Pearson es una medida de asociacin lineal. Si la relacin entre dos
variables, aunque perfecta, no es lineal, este coeficiente no ser un estadstico adecuado para medir su
asociacin.
El que la relacin entre cada par de variables sea o no significativa depender del correspondiente contraste
realizado sobre el valor de r. La hiptesis nula a contrastar es
Coeficientes de correlacin:
Para variables cuantitativas, normalmente distribuidas, seleccione el coeficiente de correlacin de Pearson.
Los coeficientes pueden estar entre 1 (relacin negativa perfecta) y +1 (relacin positiva perfecta). Un valor
0 indica que no existe relacin lineal.
Si los datos no estn normalmente distribuidos o tienen categoras ordenadas, deleccione la tau-b de Kendall
o de Spearman que miden la asociacin entre rdenes de rangos.
Prueba de significacin:
Se pueden selecionar probabilidades bilaterales o unilaterales. Si se conoce de antemano la direccin de la
asociacin, se selecciona Unilateral y en caso contrario Bilateral.
43
Marcar las correlaciones significativas:
Los coeficientes de correlacin significativos al nivel 0.05 se identifican por medio de un slo asterisco
mientras que los significaticos al nivel 0.01 mediante dos asteriscos.
Opciones:
Permite elegir estadsticos y manejar valores perdidos.
Seleccione todas las variables y deje las opciones Pulse el botn Opciones y deje activada la casilla
por defecto. Productos cruzados y covarianzas para que,
junto con la matriz de correlaciones, muestre
la de covarianzas.
En cuanto a las correlaciones decir que un p-valor (sig.) pequeo indica que se rechaza la hiptesis r = 0
(no hay relacin lineal entre las variables) y, por tanto, existe relacin entre las variables.
Los clculos necesarios para llevar a cabo un Anlisis Factorial pueden efectuarse mediante diversos
paquetes estadsticos. En lo que sigue se describe cmo hacerlos mediante SPSS.
Se comienza introduciendo los datos en un fichero o utilizando alguno disponible (Figura 1).
Figura 1
44
En el men se elige Analizar / Reduccin de Datos / Anlisis Factorial.
Figura 2
Seleccionadas las variables para el anlisis (Figura 2) los botones Descriptivos, Extraccin, Rotacin,
Puntuaciones y Opciones de la ventana de dilogo permiten introducir las especificaciones para el anlisis.
Figura 3
Estadsticos. Los estadsticos descriptivos univariados incluyen la media, desviacin tpica y el
nmero de casos vlidos para cada variable. La solucin inicial muestra las comunalidades iniciales,
los autovalores y el porcentaje de varianza explicada.
Matriz de correlaciones. Se dispone de las opciones: coeficientes, niveles de significacin,
determinante, inversa, reproducida, anti-imagen y KMO y prueba de efericidad de Bartlett.
45
Figura 4
Extraer. Permite elegir todos los factores cuyos autovalores excedan un valor especificado (por
defecto 1) o elegir un nmero especfico de factores.
Mostrar. Permite pedir la solucin factorial sin rotar y el grfico de sedimentacin de los autovalores.
- Varimax,
- Equamax,
- Quartimax,
- Oblimin directo,
- Promax.
Figura 5
Mostrar. Permite incluir los resultados de la solucin rotada, as como los grficos de las
saturaciones (coeficientes factoriales) para los dos o tres primeros factores.
46
Figura 6
Guardar como variables. Se tiene la opcin de guardar como variables las puntuaciones factoriales,
creando una nueva variable para cada factor en la solucin final. El cuadro Mtodo permite
seleccionar uno de los mtodos alternativos para calcular las puntuaciones factoriales: Regresin,
Barlett, Anderson-Rubin (por defecto Regresin).
Mostrar matriz de coeficientes de las puntuaciones factoriales. Muestra los coeficientes por los
que se multiplican las variables para obtener las puntuaciones factoriales. Tambin muestra las
correlaciones entre las puntuaciones factoriales.
Figura 7
Valores perdidos. Permite especificar el tratamiento a dar a los valores perdidos. Las alternativas
disponibles son:
o Excluir casos segn lista, omite los casos que tienen valores perdidos en cualquiera de las
variables seleccionadas para el anlisis.
o Excluir casos segn pareja, excluye los casos que tengan valores perdidos en cualquiera, o en
ambas, de las variables de una pareja implicada en el clculo de un estadstico especfico.
o Reemplazar por la media, sustituye los valores perdidos por la media de la variable.
En todas las ventanas de dilogo el botn Continuar permite pasar a la ventana de dilogo Anlisis factorial
para seguir fijando especificaciones. Una vez elegidas se pulsa Aceptar para obtener los resultados del
Anlisis Factorial.
47
4.3 Prcticas de Anlisis Multivariante con SPSS
DATOS
Seleccione todas las variables y deje las opciones por Pulse el botn Opciones y deje activada la casilla
defecto. Productos cruzados y covarianzas para que
junto con la matriz de correlaciones, muestre la de
covarianzas.
49
ANLISIS DE LOS RESULTADOS
1. La salida de resultados tras aplicar el Procemiento Descriptivos muestra el vector de medias:
En cuanto a las correlaciones, podemos decir lo siguiente. Un p-valor (sig.) pequeo indica que se rechaza la
hiptesis r=0 (no hay relacin lineal entre las variables) y, por tanto, existe relacin entre las variables.
50
4.4 Prcticas de Anlisis factorial con SPSS
Figura 1
Figura 2
51
3. Se eligen las cuatro variables (todas excepto la ordinal).
Figura 3
Descriptivos. Se solicita la solucin inicial. Para analizar las correlaciones se pide la matriz de
coeficientes, el determinante, ndice KMO y prueba de esfericidad de Barlett y la matriz anti-imagen.
Figura 4
Figura 5
52
Figura 6
Figura 7
En nuestro caso, un examen de la matriz de correlaciones (Figura 8) indica que hay variables que
correlacionan muy alto entre s (DA con CB), otras que correlacionan de forma moderada (por encima de
0.30, CM y DB) y que el resto de correlaciones son muy bajas. Esto parece indicar que sern dos los factores
a extraer.
Matriz de correlacionesa
DA DB CM CB
Correlacin DA 1.000 .000 -.083 .839
DB .000 1.000 .471 -.161
CM -.083 .471 1.000 -.152
CB .839 -.161 -.152 1.000
a. Determinante = .208
Figura 8
Cuando el nmero de variables es elevado (muy habitual) no es adecuada una inspeccin visual de la matriz
de correlaciones, es necesario utilizar diversos ndices que permitan saber si hay correlaciones altas en la
matriz que permitan extraer factores.
El determinante de la matriz se emplea como ndice del tamao de las correlaciones. Cuando su valor es
elevado, las correlaciones dentro de la matriz son bajas, mientras que un determinante bajo indica que hay
algunas correlaciones altas en la matriz. En este ejemplo su valor es 0.208.
La prueba de esfericidad de Bartlett contrasta la hiptesis de que los elementos fuera de la diagonal principal
(las correlaciones) de la matriz de correlaciones sean cero. En este caso el valor del estadstico es 10.733 con
un p-valor p=0.097, prximo a la significatividad.
53
KMO y prueba de Bartlett
Medida de adecuacin muestral de
Kaiser-Meyer-Olkin. .483
Figura 9
Otro ndice es la medida de Kaiser-Meyer-Olkin que tiene en cuenta las correlaciones y las correlaciones
parciales entre variables. Es aconsejable obtener valores grandes (ms de 0.60) para que el anlisis factorial
pueda realizarse con garantas. En este ejemplo nos encontramos un valor mediocre, 0.483.
Matrices anti-imagen
DA DB CM CB
Covarianza anti-imagen DA .277 -.108 1.725E-02 -.232
DB -.108 .725 -.339 .114
CM 1.725E-02 -.339 .771 6.573E-03
CB -.232 .114 6.573E-03 .270
Correlacin anti-imagen DA .477a -.242 3.736E-02 -.849
DB -.242 .429a -.453 .258
CM 3.736E-02 -.453 a
.549 1.442E-02
CB -.849 .258 1.442E-02 .489a
a. Medida de adecuacin muestral
Figura 10
Una vez decidido si los datos son apropiados para una anlisis factorial, si la decisin es positiva, puede
pasarse a la extraccin de los factores. En este ejemplo se ha solicitado el mtodo de los ejes principales,
mtodo recursivo de computo semejante al de las componentes principales (es una generalizacin de esa
tcnica).
SPSS muestra en primer lugar la solucin factorial inicial. En el caso de extraccin por ejes principales, las
comunalidades son las que muestra la Figura 11.
Comunalidades
Inicial Extraccin
DA .723 .876
DB .275 .607
CM .229 .367
CB .730 .834
Mtodo de extraccin: Factorizacin de Ejes principales.
Figura 11
54
Las comunalidades representan la varianza de cada variable explicada por los factores o las componentes
principales. La comunalidad de una variable es la suma de las cargas factoriales asociadas a ella elevadas al
cuadrado. Su cmputo se realiza a partir de la matriz de cargas factoriales. En el caso de componentes
principales, cuando se retienen todas las variables, la comunalidad es siempre 1. Cuando se emplean otros
mtodos de extraccin, la comunalidad inicial es el coeficiente de correlacin mltiple entre cada variable y
todas las dems.
La comunalidad final suele tener mayor inters puesto que indica la variabilidad de cada variable que es
explicada por el conjunto de factores retenidos
En este caso se observa, si se adopta una solucin de dos factores, que se explica ms del 80% de la varianza
de las variables DA y CB (el 87.6% de la variable DA y el 83.4% dela variable CB), mientras que se explica
el 60.7% de la variable DB y el 36.7% de CM.
La eleccin del nmero de factores a considerar en el modelo puede hacerse segn diversos criterios.
el segundo un 34.86%, el tercero un 13.32% y el cuarto un 3.63%, lo que indica que los dos primeros factores
explican conjuntamente un 83.05% de la varianza total. Parece lgoco seleccionar estos dos factores,
reducindose la dimensionalidad del problema de 4 a 2.
Est generalizado el admitir que han de seleccionarse aquellos factores cuyo autovalor sea superior a 1.
Obviamente esto conlleva una prdida de capacidad explicativa, lo impoortante es que esa perdida no sea
significativa.
Todos estos datos, autovalores y varianzas explicadas antes y despus de la extraccin y despus de la
rotacin se muestran en la Figura 12.
Figura 12
Un mtodo alternativo para la seleccin del nmero de factores es el grfico de sedimentacin en el que se
representan grficamente los autovalores (eje de ordenadas) para cada factor (eje de abscisas). El anlisis
visual de este grfico se centra en la bsqueda de un punto de inflexin en la grfica, lo que habitualmente se
produce con valores por debajo de 1.
55
Grfico de sedimentacin
2.5
2.0
1.5
1.0
.5
Autovalor
0.0
1 2 3 4
Nmero de factor
Figura 13
En este ejemplo la visin del grfico de sedimentacin justifica la seleccin de dos factores, algo que ya se
haba producidido al fijar el criterio de autovalor en la unidad.
Los pesos de cada variable en cada factor aparecen bajo el epgrafe Matriz factorial (Figura 14).
Matriz factoriala
Factor
1 2
DA .901 .254
DB -.224 .746
CM -.232 .560
CB .910 7.492E-02
Mtodo de extraccin: Factorizacin del eje principal.
a. Se han intentado extraer 2 factores. Requidas ms
de 25 iteraciones. (Convergencia=4.345E-03). Se
ha terminado la extraccin.
Figura 14
Cuando no se espera que los factores estn correlados se elegir una rotacin ortogonal en la que los ejes,
despus de la rotacin, siguen siendo perpendiculares. El mtodo Varimax es el ms frecuentemente
utilizado. Est orientado a la maximizacin de la varianza de los factores, lo que se traduce en que algunos
factores tengan cargas altas y otras prximas a cero y de ah que bastantes variables tengan saturaciones bajas
en un factor. Los resultados del mtodo Varimax son semejantes a los obtenidos por el mtodo Quartimax.
Con l se reduce le nmero de factores que son necesarios para explicar una variable. La rotacin Equamax,
mezcla de las dos anteriores, simplifica la interpretacin puesto que reduce el nmero de variables que
saturan alto en un factor y adems reduce el nmero de factores necesarios para explicar una variable.
Las rotaciones oblicuas se utilizan cuando se espera que los factores estn correlacionados. Los ejes del
espacio eucldeo no son ortogonales. Son poco recomendables para interpretar la estructura factorial (puede
confundirse la interpretacin de los factores). La mayora de los investigadores prefieren las rotaciones no
oblicuas.
En este ejemplo, la matriz de factores rotados con los pesos despus de la rotacin Varimax y la matriz de
transformacin empleada para realizar la rotacin se muestra en las figuras 15 y 16.
56
Matriz de factores rotadosa
Factor
1 2
DA .936 1.195E-02
DB -2.33E-02 .779
CM -7.89E-02 .601
CB .899 -.164
Mtodo de extraccin: Factorizacin del eje principal.
Mtodo de rotacin: Normalizacin Varimax con Kaiser.
a. La rotacin ha convergido en 3 iteraciones.
Figura 15
Matriz de transformacin de los factores
Factor 1 2
1 .966 -.259
2 .259 .966
Mtodo de extraccin: Factorizacin del eje principal.
Mtodo de rotacin: Normalizacin Varimax con Kaiser.
Figura 16
Los valores de la matriz de factores rotados indican que las variables DA y CB tienen alta carga en el primer
factor, mientras que DB y CM la tienen alta en el segundo. Se podra decir que las primeras dependen de un
mecanismo diferente que las segundas. Examinando las tareas con detalle se concluira que DA y CB
implican un almacn a corto plazo y DB y CM la funcin ejecutiva de la memoria operativa.
La representacin grfica de las variables en el espacio factorial rotado aparece en la Figura 17. Las variables
se sitan ms prximas al factor con el que estn ms correlacionadas.
cm
.5
da
0.0
cb
-.5
Factor 2
-1.0
-1.0 -.5 0.0 .5 1.0
Factor 1
Figura 17
A veces interesa conocer las puntuaciones que obtendran los sujetos si pudiesen ser medidos directamente en
cada factor. stas slo pueden conocerse de modo indirecto mediante las puntuaciones factoriales. En la
Figura 18 se recogen los coeficientes para el clculo de estas puntuaciones.
57
Matriz de coeficientes para el clculo
de las puntuaciones factoriales
Factor
1 2 Matriz de covarianza de las puntuaciones factoriales
DA .597 .180
DB .035 .608 Factor 1 2
1 .921 -2.28E-02
CM .016 .303
CB 2 -2.28E-02 .686
.406 -.171
Mtodo de extraccin: Factorizacin del eje principal. Mtodo de extraccin: Factorizacin del eje principal.
Mtodo de rotacin: Normalizacin Varimax con Kaiser. Mtodo de rotacin: Normalizacin Varimax con Kaiser.
Figura 18 Figura 19
Los valores de cada individuo en los dos nuevos factores aparecen en dos nuevas variables en el fichero de
datos (Figura 20). El anlisis de las puntuaciones factoriales de los sujetos proporciona una informacin que
depende de la interpretacin de los factores. Por ejemplo, si asociamos, como se ha indicado previamente, el
primer factor a almacn a corto plazo, se tendra una medida de las diferencias entre los distintos sujetos en
capacidad de almacn.
Figura 20
58
4.5 Prcticas de Anlisis de componentes principales con SPSS
DATOS
Figura 1
59
2. Se selecciona Analizar/Reduccin de Datos/Anlisis Factorial.
Figura 2
Figura 3
4. Mediante los botones Descriptivos, Extraccin, Rotacin y Puntuaciones se especifican las
caractersticas del anlisis.
Figura 4
60
Figura 5
Figura 6
Puntuaciones. Se selecciona Guardar como variables y Mostrar la matriz de coeficientes de las
puntuaciones factoriales.
Figura 7
En primer lugar aparecen los estadsticos descriptivos univariantes asociados a cada una de las
variables consideradas para el anlisis, concretamente media, desviacin tpica y tamao de la muestra. La
suma de las varianzas de cada variable representa la inercia total de la nube de puntos que habr de ser
explicada en la mayor medida con el modelo de anlisis de comoponentes principales que se especifica.
61
Estadsticos descriptivos
Desviacin
Media tpica N del anlisis
LENGUA 5.85 1.53 20
MATEMTICAS 5.45 2.21 20
FSICA 5.35 2.25 20
INGLS 5.85 1.95 20
FILOSOFA 5.75 2.02 20
HISTORIA 5.75 2.05 20
QUMICA 5.20 2.14 20
EDUCACIN FSICA 5.55 1.88 20
Figura 8
En la Figura 9 se muestra la tabla de las comunalidades asociada al anlisis. Las comunalidades iniciales
representan la varianza de cada variable explicada por todas las componentes principales (antes de la
extraccin el nmero de componentes coincide con el nmero de variables), por tanto valen siempre 1.
Comunalidades
Inicial Extraccin
LENGUA 1.000 .957
MATEMTICAS 1.000 .948
FSICA 1.000 .941
INGLS 1.000 .920
FILOSOFA 1.000 .841
HISTORIA 1.000 .929
QUMICA 1.000 .948
EDUCACIN FSICA 1.000 .146
Mtodo de extraccin: Anlisis de Componentes principales.
Figura 9
La comunalidad final indica la variabilidad de cada variable que es explicada por el conjunto de componentes
retenidas por el modelo. Se puede observar que, salvo Educacin Fsica (slo es explicada en un 14.6%), las
variables quedan bien explicadas por el modelo (Filosofa en un 84.10%, el resto en ms de un 90%).
La Figura 10 contiene la tabla de valores propios y las inercias explicadas por las componentes, iniciales en
el primer bloque, despus de la extraccin en el segundo, y despus de la rotacin en el tercero.
Varianza total explicada
Figura 10
62
Se observa que las dos primeras componentes son las que ms peso tienen a la hora de explicar los datos. La
primera explica un 49.962% de la inercia total de la nube de puntos y la segunda un 32.917% con lo que en
total explican un 82.879%.
Teniendo en cuenta los porcentajes de variabilidad explicados por cada una de las componentes no
seleccionadas para el modelo, se podra decidir incluir alguno ms si se deseara conseguir una representacin
de la inercia total mayor que la conseguida con dos componentes (basta seleccionar un nmero fijo de
componentes en Extraccin).
1
Autovalor
0
1 2 3 4 5 6 7 8
Nmero de componente
Figura 11
Los pesos de cada variable en cada componente antes de la rotacin aparecen bajo el epgrafe Matriz de
componentes (Figura 12). La suma de los cuadrados de los valores de cada columna coincide con el autovalor
correspondiente a la componente asociada y la suma de los cuadrados de los valores de cada fila coinciden
con la comunalidad de cada variable.
Estos coeficientes corresponden a los coeficientes de correlacin lineal de Pearson entre la componente y la
variable implicadas. Se observa que las variables Lengua, Ingls, Filosofa e Historia estn relacionadas en
mayor medida con la primera componente y las variables Matemticas, Fsica y Qumica lo estn con la
segunda componente.
Matriz de componentesa
Componente
1 2
LENGUA .925 -.320
MATEMTICAS .405 .885
FSICA .479 .844
INGLS .910 -.302
FILOSOFA .883 -.247
HISTORIA .900 -.344
QUMICA .470 .852
EDUCACIN FSICA .329 -.194
Mtodo de extraccin: Anlisis de componentes principales.
a. 2 componentes extrados
Figura 12
Aunque en este caso parece clara la relacin de cada componente con las variables, se ha solicitado una
rotacin varimax que identifique de forma ms precisa esta relacin (en el sentido de seguir el principio de
estructura simple) si es posible.
63
Matriz de componentes rotadosa
Componente
1 2
LENGUA .974 8.919E-02
MATEMTICAS 4.657E-03 .974
FSICA 8.906E-02 .966
INGLS .954 9.904E-02
FILOSOFA .907 .138
HISTORIA .962 5.649E-02
QUMICA 7.763E-02 .970
EDUCACIN FSICA .380 -4.11E-02
Mtodo de extraccin: Anlisis de componentes principales.
Figura 13
Matriz de transformacin de las componentes
Componente 1 2
1 .911 .411
2 -.411 .911
Mtodo de extraccin: Anlisis de componentes principales.
Figura 14
Efectivamente, se corrobora lo que ya se haba esbozado a la vista de la matriz factorial. Se observa que las
variables Lengua, Ingls, Filosofa e Historia estn altamente relacionadas con la primera componente,
siendo prcticamente nula la correlacin que presentan con la segunda componente. Las variables
Matemticas, Fsica y Qumica estn relacionadas con la segunda componente y la correlacin es casi cero
con la primera componente.
La representacin grfica de los pesos de las componentes despus de la rotacin es la que se muestra en la
Figura 15. Las variables se sitan ms prximas a la componente con la que estn ms correlacionadas.
.5
filosofa
ingls
lengua
historia
0.0 educacin fsica
Componente 2
-.5
-1.0
-1.0 -.5 0.0 .5 1.0
Componente 1
Figura 15
64
Las puntuaciones de cada individuo en las componentes principales aparecen en el fichero de datos como dos
nuevas variables (Figura 18). En la Figura 16 se muestra la matriz de coeficientes para su clculo.
Componente
1 2
LENGUA .231 -.121
Matriz de covarianza de las
MATEMTICAS .101 .336 puntuaciones de las componentes
FSICA .120 .320
INGLS .228 -.115 Componente 1 2
1 1.000 .000
FILOSOFA .221 -.094
2 .000 1.000
HISTORIA .225 -.131
QUMICA Mtodo de extraccin: Anlisis de componentes principales.
.118 .324
EDUCACIN FSICA .082 -.074 Mtodo de rotacin: Normalizacin Varimax con Kaiser.
Mtodo de extraccin: Anlisis de componentes principales. Puntuaciones de componentes.
Figura 16 Figura 17
Figura 18
65