INFERENCIA ESTADÍSTICA

LOGRO ESPERADO
Resuelve problemas utilizando la técnica de análisis factorial utilizando
las definiciones dadas en problemas de contexto profesional/científico.

INDICADORES DE LOGRO

• Explica el significado de las comunalidades y especificidades.

• Explica el significado de la rotación de factores.
• Explica el significado de las puntuaciones de cada factor.
INTRODUCCIÓN
En numerosas áreas de la investigación no es posible medir
directamente las variables que interesan; por ejemplo, los conceptos
de inteligencia y de clase social. En estos casos es necesario recoger
medidas indirectas que estén relacionadas con los conceptos de
interés. Las variables que interesan reciben el nombre de variables
latentes y la metodología que las relaciona con variables observadas
recibe el nombre de Análisis Factorial.
ANÁLISIS FACTORIAL
El análisis factorial, al igual que el análisis de componentes principales,
es una técnica que permite examinar la interdependencia entre las
variables.
En el análisis factorial, los factores son seleccionados para explicar las
interrelaciones entre las variables; mientras que, en el análisis de
componentes principales, los componentes son seleccionados para
explicar la mayor parte de la variabilidad de las variables originales.
En el análisis factorial, las variables originales se explican por factores
no observables; mientras que, en el análisis de componentes
principales, los componentes son explicados por las variables
originales.
TIPOS DE ANÁLISIS FACTORIAL
El análisis factorial puede ser exploratorio o confirmatorio. En el
presente curso solo trabajaremos el tipo exploratorio.
OBJETIVO DEL ANÁLISIS FACTORIAL

El principal objetivo del análisis factorial es analizar la estructura de la

matriz de covarianzas o de correlaciones para determinar si es posible
expresar las relaciones entre varias variables en términos de pocas
variables no observables, llamados factores, de modo que se explique
una buena parte de la variabilidad.
MODELO DE ANÁLISIS FACTORIAL
Sean X1, X2,…, Xp un conjunto de p variables observables tipificadas, el
modelo se expresa de la siguiente manera:

𝑋1 = 𝑙11 𝐹1 + 𝑙12 𝐹2 + ⋯ + 𝑙1𝑚 𝐹𝑚 + 𝑒1

𝑋2 = 𝑙21 𝐹1 + 𝑙22 𝐹2 + ⋯ + 𝑙2𝑚 𝐹𝑚 + 𝑒2
⋮
𝑋𝑝 = 𝑙𝑝1 𝐹1 + 𝑙𝑝2 𝐹2 + ⋯ + 𝑙𝑝𝑚 𝐹𝑚 + 𝑒𝑝
donde:
𝐹𝑖 : Factor i; i=1,2, … , 𝑚<p
𝑒𝑗 : Factor único o específico j; j=1,2, … , 𝑝
𝑙𝑗𝑖 : Peso del factor i en la variable j (cargas factoriales)
MATRICIALMENTE
𝑋1 𝑙11 𝑙12 … 𝑙1𝑚 𝐹1 𝑒1
𝑋2 𝑙21 𝑙22 … 𝑙2𝑚 𝐹 2
𝑒 2
. . . .
. = . .
+ .
. . . .
𝑋𝑝 𝑙𝑝1 𝑙𝑝2 … 𝑙𝑝𝑚 𝐹 𝑒𝑝
𝑚

𝑿 = 𝑳𝑭 + 𝒆
HIPÓTESIS PARA LOS FACTORES 𝐹𝑖
Para realizar inferencias se deben cumplir las siguientes hipótesis sobre
los factores 𝐹𝑖 :
1. La esperanza de cada factor 𝐹𝑖 es cero; es decir 𝐸 𝑓 = 0
2. La varianza de cada factor 𝐹𝑖 es 1 y no están correlacionados entre
ellos; es decir, 𝐸 𝑓𝑓 𝑡 = 𝐼
Observación:
• 𝐸 𝑓𝑓 𝑡 es la matriz de covarianzas. Por tanto, la varianza de cada
factor es uno y los factores están incorrelacionados.
• 𝐼 es la matriz identidad
HIPÓTESIS PARA LOS FACTORES 𝑒𝑖
Para realizar inferencias se deben cumplir las siguientes hipótesis sobre
los factores 𝑒𝑖 :
1. La esperanza de cada factor 𝑒𝑖 es cero; es decir, 𝐸 𝑒 = 0
2. La matriz de covarianzas de los factores 𝑒𝑖 es la siguiente 𝐸 𝑒𝑒 𝑡 =
Ω
Observación:
Ω es una matriz diagonal. Por tanto, los factores 𝑒𝑖 están
incorrelacionados.
HIPÓTESIS ENTRE LOS FACTORES COMUNES Y
ÚNICOS 𝑒𝑖 𝑦 𝐹𝑖
Para realizar inferencias se debe cumplir que la matriz de
covarianzas entre los factores comunes y los factores únicos
(𝑒𝑖 𝑦 𝐹𝑖 ) es la siguiente:
𝐸 𝑓𝑒 𝑡 = 0
DESCOMPOSICIÓN DE LA MATRIZ DE
CORRELACIÓN
Como las p variables observables son tipificadas, la matriz de
covarianzas es igual a la matriz de correlación (R), la cual se puede
descomponer de la siguiente manera:
𝑅 = 𝐿𝐿𝑡 + Ω
Matricialmente:

1 𝜌12 … 𝜌1𝑝 𝑙11 𝑙12 … 𝑙1𝑚 𝑙11 𝑙21 … 𝑙𝑝1 𝑤12 0 … 0

𝜌21 1 … 𝜌2𝑝 𝑙21 𝑙22 … 𝑙2𝑚 𝑙12 𝑙22 … 𝑙𝑝2 0 𝑤22 … 0
. . . .
. = . . + .
. . . .
𝜌𝑝1 𝜌𝑝2 … 1 𝑙𝑝1 𝑙𝑝2 … 𝑙𝑝𝑚 𝑙1𝑚 𝑙2𝑚 … 𝑙𝑝𝑚 0 0 … 𝑤𝑝2
DESCOMPOSICIÓN DE LA VARIANZA DE LA
VARIABLE 𝑋𝑗
A partir de la representación matricial, la varianza de cualquier variable Xj se puede
representar de la siguiente manera:
2 2 2
1 = 𝑙𝑗1 + 𝑙𝑗2 + ⋯ + 𝑙𝑗𝑚 + 𝑤𝑗2

Si ℎ𝑗2 = 𝑙𝑗1
2 2
+ 𝑙𝑗2 2
+ ⋯ + 𝑙𝑗𝑚 , se tiene:
1 = ℎ𝑗2 + 𝑤𝑗2
Se observa que la varianza de una variable Xj se puede expresar como la suma de 2 componentes
bajo el modelo factorial, ℎ𝑗2 es la comunalidad, que se define como la proporción de la varianza de
Xj que se debe a los factores comunes; mientras que, 𝑤𝑗2 es la especificidad, que se define como la
proporción de la varianza de Xj que se debe a los factores únicos.
Si el análisis factorial es recomendable para explicar las interrelaciones entre las variables, la
proporción de la varianza que se debe a los factores comunes debe ser mayor (lo más grande
posible) que la proporción de la varianza que se debe a los factores únicos.
COEFICIENTE DE CORRELACIÓN ENTRE LAS
VARIABLES 𝑋𝑖 𝑦 𝑋𝑗
El coeficiente de correlación se obtiene de la siguiente manera:

𝜌𝑖𝑗 = 𝑙𝑖1 𝑙𝑗1 + 𝑙𝑖2 𝑙𝑗2 + ⋯ + 𝑙𝑖𝑚 𝑙𝑗𝑚

ESTIMACIÓN DE LOS COEFICIENTES DE
CORRELACIÓN
Si 2 variables están correlacionadas se debe a que comparten factores
comunes.
El coeficiente de correlación puede ser estimado mediante:

𝑟𝑖𝑗 = 𝑙𝑖1 𝑙𝑗1 + 𝑙𝑖2 𝑙𝑗2 + ⋯ + 𝑙𝑖𝑚 𝑙𝑗𝑚

El problema es estimar los coeficientes 𝒍𝒋𝒊 .

MATRIZ DE CORRELACIÓN ESTIMADA
La matriz de correlación R, puede ser estimada mediante:

𝑅 = 𝐿𝐿𝑡 + Ω
donde:
1 𝑟12 … 𝑟1𝑝
𝑟21 1 … 𝑟2𝑝
.
𝑅= .
.
𝑟𝑝1 𝑟𝑝2 … 1
Se estimaran 𝐿 𝑦 Ω a partir de 𝑅.
MÉTODOS DE EXTRACCIÓN DE FACTORES
Entre los métodos de extracción de factores se tienen:
• Método de componentes principales
• Método de los ejes principales
• Mínimos cuadrados no ponderados
• Máxima verosimilitud

En el curso solo utilizaremos el método de componentes principales.

MÉTODOS DE COMPONENTES PRINCIPALES
Este método también es conocido como el método de Factores
Principales. Se basa en suponer que los factores comunes explican el
comportamiento de las variables originales en su totalidad.
De acuerdo con la definición de componentes principales, se tiene:

𝑍1 = 𝜇11 𝑋1 + 𝜇12 𝑋2 + ⋯ + 𝜇1𝑝 𝑋𝑝

𝑍2 = 𝜇21 𝑋1 + 𝜇22 𝑋2 + ⋯ + 𝜇2𝑝 𝑋𝑝
⋮
𝑍𝑝 = 𝜇𝑝1 𝑋1 + 𝜇𝑝2 𝑋2 + ⋯ + 𝜇𝑝𝑝 𝑋𝑝
El sistema anterior puede expresarse de la siguiente manera:

𝑋1 = 𝜇11 𝑍1 + 𝜇21 𝑍2 + ⋯ + 𝜇𝑝1 𝑍𝑝

𝑋2 = 𝜇12 𝑍1 + 𝜇22 𝑍2 + ⋯ + 𝜇𝑝2 𝑍𝑝
⋮ …(*)
𝑋𝑝 = 𝜇1𝑝 𝑍1 + 𝜇2𝑝 𝑍2 + ⋯ + 𝜇𝑝𝑝 𝑍𝑝

El problema que presenta el sistema anterior es que las componentes Z

no están tipificadas; por tal motivo, se utilizarán variables tipificadas Y,
que pueden obtenerse de la siguiente manera:
𝑍ℎ
𝑌ℎ = → 𝑍ℎ = 𝜆ℎ 𝑌ℎ
𝜆ℎ
Reemplazando 𝑍 en cada término de (*), cada X está en función de las
Y. De acuerdo a lo estudiado en componentes principales, se tiene que:
𝑟𝑗ℎ = 𝜇ℎ𝑗 𝜆ℎ
ESTIMACIÓN DE LA COMUNALIDAD Y DE LA
ESPECIFIDAD
Debido a lo anterior, los coeficientes 𝒍𝒋𝒊 se estiman de la siguiente
manera:
𝑙𝑗𝑚 = 𝑟1𝑚
La comunalidad de la variable 𝑋𝑗 se estima de la siguiente manera:

ℎ𝑗2 = 𝑙𝑗1
2 2
+ 𝑙𝑗2 2
+ ⋯ + 𝑙𝑗𝑚

La especifidad de la variable 𝑋𝑗 se estima de la siguiente manera:

𝑤𝑗2 = 1 − ℎ𝑗2
 CONTRASTE PREVIO A LA APLICACIÓN DEL ANÁLISIS FACTORIAL:
ÍNDICE KAISER- MEYER - OLKIN (KMO)
Una clasificación comúnmente aceptada para la evaluación de la adecuación del
modelo factorial (Kaiser 1974) y su interpretación es la siguiente:
0.90 < KMO ≤ 1, la adecuación es excelente
0.80 < KMO ≤ 0.90, la adecuación es buena
0.70 < KMO ≤ 0.80, la adecuación es aceptable
0.60 < KMO ≤ 0.70, la adecuación es regular
0.50 < KMO ≤ 0.60, la adecuación es mala
KMO ≤ 0.50, la adecuación es muy mala
 ROTACIÓN DE FACTORES

En muchas ocasiones es complicado hacer una interpretación adecuada de los

factores iniciales; razón por la cual, se hace necesario obtener un nuevo grupo de
factores a partir de los factores estimados originalmente. De esta manera, se
obtienen factores que pueden interpretarse con mayor facilidad.
La rotación puede ser ortogonal u oblicua.
 ROTACIÓN ORTOGONAL

Una rotación ortogonal es una transformación ortogonal de las influencias de los

factores que permite una interpretación más fácil de las influencias de los factores.
Las influencias rotadas mantienen la matriz de correlación o covarianzas, las
varianzas específicas y las comunalidades. Debido a que las comunalidades
cambian, la varianza que representa cada factor y la proporción correspondiente
cambian.
La rotación coloca los ejes cerca de tantos puntos como sea posible y asocia cada
grupo de variables con un factor. Sin embargo, en algunos casos, una variable está
cerca de más de un eje y se asocia por lo tanto con más de un factor.
https://support.minitab.com/es-mx/minitab/19/help-and-how-to/modeling-statistics/multivariate/how-to/factor-analysis/methods-and-formulas/methods-and-formulas/#rotating-the-loadings

Los métodos disponibles son: varimax , equimax, quartimax, entre otros.

 ROTACIÓN ORTOGONAL: MÉTODO VARIMAX
El método varimax es un método de rotación que minimiza el número
de variables con cargas altas en un factor, mejorando así la
interpretación de factores.
Es un método de rotación que minimiza el número de variables con
cargas altas en un factor, mejorando así la interpretación de factores.
 ROTACIÓN OBLICUA

Con la rotación oblicua, los factores rotados ya no son ortogonales, con lo que se
pierde una propiedad importante entre los factores.
La rotación oblicua puede utilizarse cuando es probable que los factores en la
población tengan una correlación muy fuerte. Es necesario ir con mucha atención
en la interpretación de las rotaciones oblicuas, pues la superposición de factores
puede confundir la significación de los mismos.
 PUNTUACIÓN DE LOS FACTORES

Es necesario conocer los valores que toman los factores en cada observación, pues
en ocasiones, el análisis factorial es un paso previo a otros análisis: regresión
múltiple o análisis de conglomerados, en los que se sustituye el conjunto de
variables originales por los factores obtenidos.
PASOS RECOMENDADOS PARA REALIZAR EL
ANALISIS FACTORIAL
Los pasos recomendados para realizar el Análisis Factorial son:
• Calcular la matriz de correlaciones entre las variables. El primer paso
en el análisis factorial es obtener la matriz de correlaciones entre las
variables. El análisis factorial es recomendable si existan altas
correlaciones entre las variables, en este caso se supone que se debe
a la existencia de factores comunes.
• Extraer los factores necesarios para representar los datos.
• Rotar los factores con la finalidad de facilitar su interpretación cuando
sea necesario.
• Calcular las puntuaciones factoriales para cada individuo.
EJEMPLO DE APLICACIÓN
La siguiente tabla contiene información del grado de desarrollo de algunos
países del mundo:

Y1: Tasa de mortalidad infantil por cada 1000 nacidos vivos

Y2: Porcentaje de mujeres en la población activa.
Y3: Producto nacional bruto (PNB) per cápita en 1995 (en $)
Y4: Producción de electricidad (en millones de kw/h)
Y5: Promedio sw líneas telefónicas por cada 1000 habitantes.
Y6: Consumo de agua per cápita en m3 (de 1980 a 1995)
Y7: Consumo de energía per cápita en 1994.
Y8: Emisión de CO2 per cápita en 1992 (en Tm)
DATA
País Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8
Albania 30 41 670 3903 12 94 341 1.2
Angola 124 46 410 955 6 57 89 0.5
Benín 95 48 370 6 5 26 20 0.1
Congo 90 43 680 435 8 20 331 1.6
Etiopía 112 41 100 1293 2 51 22 0.1
Ghana 73 51 390 6115 4 35 93 0.2
Haití 72 43 250 362 8 7 29 0.1
Honduras 45 30 600 2672 29 294 204 0.6
Kenia 58 46 280 3539 9 87 110 0.2
Mozanbique 113 48 80 490 3 55 40 0.1
Nepal 91 40 200 927 4 150 28 0.1
Nicaragua 46 36 380 1688 23 367 300 0.6
Senegal 62 42 600 1002 10 202 97 0.4
Sudán 77 28 260 1333 3 633 66 0.1
Tanzania 82 49 120 1913 3 40 34 0.1
Yemen 100 29 260 2159 12 335 206 0.7
Zambia 109 45 400 7785 8 186 149 0.3
Zimbawe 55 44 540 7334 14 136 438 1.8
VARIABLES TIPIFICADAS
PAÍS X1 X2 X3 X4 X5 X6 X7 X8
Albania -1.8560 -0.0973 1.5930 0.6110 0.4104 -0.3690 1.5142 1.3386
Angola 1.6567 0.6325 0.2301 -0.6198 -0.4259 -0.5960 -0.4255 0.0209
Benín 0.5730 0.9244 0.0204 -1.0160 -0.5653 -0.7861 -0.9566 -0.7320
Congo 0.3861 0.1946 1.6455 -0.8369 -0.1471 -0.8229 1.4372 2.0915
Etiopía 1.2083 -0.0973 -1.3950 -0.4787 -0.9835 -0.6328 -0.9412 -0.7320
Ghana -0.2491 1.3623 0.1252 1.5346 -0.7047 -0.7309 -0.3947 -0.5438
Haití -0.2865 0.1946 -0.6087 -0.8674 -0.1471 -0.9027 -0.8873 -0.7320
Honduras -1.2954 -1.7028 1.2261 0.0971 2.7801 0.8577 0.4597 0.2092
Kenia -0.8097 0.6325 -0.4514 0.4591 -0.0077 -0.4120 -0.2638 -0.5438
Mozanbique 1.2456 0.9244 -1.4998 -0.8140 -0.8441 -0.6083 -0.8026 -0.7320
Nepal 0.4235 -0.2433 -0.8708 -0.6315 -0.7047 -0.0256 -0.8950 -0.7320
Nicaragua -1.2581 -0.8271 0.0728 -0.3138 1.9437 1.3055 1.1986 0.2092
Senegal -0.6602 0.0487 1.2261 -0.6002 0.1316 0.2934 -0.3639 -0.1673
Sudán -0.0996 -1.9947 -0.5563 -0.4620 -0.8441 2.9370 -0.6025 -0.7320
Tanzania 0.0872 1.0703 -1.2902 -0.2198 -0.8441 -0.7003 -0.8488 -0.7320
Yemen 0.7598 -1.8488 -0.5563 -0.1171 0.4104 1.1092 0.4751 0.3974
Zambia 1.0961 0.4865 0.1777 2.2319 -0.1471 0.1953 0.0363 -0.3556
Zimbawe -0.9218 0.3406 0.9116 2.0436 0.6892 -0.1114 2.2608 2.4680
 MATRIZ DE CORRELACIÓN

Matriz de correlación

x1 x2 x3 x4 x5 x6 x7 x8
X1 1
x2 0.246 1
x3 -0.527 -0.110 1
x4 -0.251 0.168 0.271 1
x5 -0.634 -0.501 0.541 0.179 1
x6 -0.234 -0.840 0.027 0.017 0.347 1
x7 -0.530 -0.231 0.706 0.451 0.606 0.149 1
x8 -0.362 -0.116 0.725 0.324 0.418 -0.034 0.935 1
CARGAS DE FACTORES NO ROTADOS Y
COMUNALIDADES
Las cargas de factores no rotados representan la influencia que tiene cada factor en cada una de las variables en el análisis de
factores. Las cargas varían entre -1 y 1. Las cargas cercanas a -1 ó 1 indican que el factor influye mucho en la variable.

Variable Factor1 Factor2 Factor3 Factor4 Factor5 Factor6 Factor7 Factor8 Comunalidad
x1 -0.723 0.065 0.030 0.600 -0.245 -0.225 0.038 0.007 1.000
x2 -0.431 0.849 -0.041 -0.204 0.028 -0.007 0.221 -0.017 1.000
x3 0.802 0.278 0.247 -0.021 0.213 -0.416 -0.015 0.013 1.000
x4 0.417 0.398 -0.807 0.033 -0.049 -0.088 -0.074 -0.007 1.000
x5 0.796 -0.255 0.083 -0.295 -0.440 -0.101 0.060 -0.021 1.000
x6 0.343 -0.841 -0.274 0.175 0.186 -0.048 0.180 -0.021 1.000
x7 0.915 0.234 0.013 0.237 -0.052 0.190 0.081 0.082 1.000
x8 0.801 0.376 0.196 0.383 0.024 0.159 -0.022 -0.076 1.000

Varianza 3.7540 1.9286 0.8359 0.7230 0.3405 0.3050 0.0991 0.0140 8.0000
% Var 0.469 0.241 0.104 0.090 0.043 0.038 0.012 0.002 1.000

Se observa que lo 2 primeros factores tienen varianza (valores propios) mayor que 1. Con base en este resultado inicial, se
pueden extraer solo 2 factores, los cuales explican el 71% de la varianza. Para la rotación, se utilizará el método de Varimax.
La comunalidad de la extracción inicial es igual a 1, ya que se consideran todos los factores.
CARGAS DE FACTORES NO ROTADOS Y COMUNALIDADES
PARA LOS 2 PRIMEROS FACTORES
Cargas de factores no rotados y comunalidades

Variable Factor1 Factor2 Comunalidad

x1 -0.723 0.065 0.528
x2 -0.431 0.849 0.907
x3 0.802 0.278 0.720
x4 0.417 0.398 0.332
x5 0.796 -0.255 0.698
x6 0.343 -0.841 0.824
x7 0.915 0.234 0.892
x8 0.801 0.376 0.783

Varianza 3.7540 1.9286 5.6825

% Var 0.469 0.241 0.710

La proporción de la varianza explicada al seleccionar los 2 primeros factores se mantiene igual, pero no las comunalidades ya que
solo se trabaja con 2 factores.
donde:
Factor 1: Grado de desarrollo económico e Industrial
Factor 2: Porcentaje de mujeres en la población activa y consumo de agua per cápita en m 3
GRÁFICO DE INFLUENCIAS SIN ROTACIÓN
Gráfica de cargas factoriales (sin rotación)
1.0
x2

0.5 x4 x8
x3
x7
Segundo factor

x1

0.0

x5

-0.5

x6

-1.0
-0.5 0.0 0.5 1.0
Primer factor
CARGAS DE FACTORES ROTADOS Y COMUNALIDADES CON
LOS 2 PRIMEROS FACTORES: ROTACIÓN VARIMAX
Cargas de factores rotados y comunalidades. Rotación Varimax

Variable Factor1 Factor2 Comunalidad Especificidad

x1 -0.633 0.356 0.528 0.472
x2 -0.044 0.951 0.907 0.093 Tener en cuenta que la comunalidad, es la
x3 0.845 -0.077 0.720 0.280 proporción de la varianza de X que se debe a
x4 0.543 0.191 0.332 0.668 los factores comunes; mientras que, la
x5 0.620 -0.560 0.698 0.302 especificidad es la proporción de la varianza
x6 -0.033 -0.907 0.824 0.176 de X que se debe a los factores únicos.
x7 0.930 -0.163 0.892 0.108
x8 0.885 0.014 0.783 0.217

Varianza 3.4452 2.2373 5.6825

% Var 0.431 0.280 0.710
La proporción de la varianza explicada y las comunalidades no cambian al rotar los factores, pero las cargas si lo hacen. Debido a
que los factores son ortogonales, las cargas factoriales representan los coeficientes de correlación entre variables y factores.
Obs.
(-0.633)2+0.0442+…+0.8852=3.4452
(-0.633)2+0.3562=0.528
GRÁFICO DE INFLUENCIAS CON ROTACIÓN
Gráfica de cargas factoriales (con rotación)
1.0 x2

0.5
x1
Segundo factor
x4

x8
0.0 x3
x7

-0.5 x5

x6

-1.0
-0.50 -0.25 0.00 0.25 0.50 0.75 1.00
Primer factor

En el gráfico se observa claramente que X3, X5, X4, X7 y X8 tienen influencias positivas grandes en el
primer componente; mientras que, X1 tiene influencias negativas en este componente. Además, se
observa que X2 tiene influencias positivas grandes en el segundo componente; mientras que, X6 tiene
influencias negativas en este componente.
COEFICIENTES DE PUNTUACIÓN DE FACTORES

Variable Factor1 Factor2

x1 -0.162 0.110
x2 0.076 0.449
x3 0.254 0.043
x4 0.186 0.142
x5 0.139 -0.208
x6 -0.096 -0.435
x7 0.272 0.010
x8 0.275 0.090

Los coeficientes de puntuaciones de factores se utilizan para calcular las puntuaciones factoriales que se muestran en la siguiente
diapositiva.
−0.162 × −1.8560 + 0.076 × −0.0973 + ⋯ + 0.275 × 1.3386 = 1.684
PUNTUACIONES DE CADA FACTOR
Porcentaje de mujeres en
la población activa y
Grado de desarrollo consumo de agua per
económico e Industrial cápita en m3
1.68310389 0.12053207
-0.38869708 0.73230736
-0.67023068 0.71696167
1.23840753 0.67395068
-1.17914407 0.3639335
0.17724036 1.21864622
-0.63080102 0.25375986
0.89510592 -1.76572574
-0.03244655 0.36958263
-1.1413941 0.73584467
-0.96559765 -0.10820051
0.62870258 -1.49056793
0.15540903 -0.25680579
-1.12754129 -2.16980085
-0.78267644 0.80737131
-0.23841106 -1.31339829
0.19295612 0.57796285
2.18601449 0.5336463

Las puntuaciones de factores se utilizan para examinar el comportamiento de las observaciones y en otros análisis tales como el
análisis de regresión.