Documentos de Académico
Documentos de Profesional
Documentos de Cultura
LOGRO ESPERADO
Resuelve problemas utilizando la técnica de análisis factorial utilizando
las definiciones dadas en problemas de contexto profesional/científico.
INDICADORES DE LOGRO
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:
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:
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
ℎ𝑗2 = 𝑙𝑗1
2 2
+ 𝑙𝑗2 2
+ ⋯ + 𝑙𝑗𝑚
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:
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
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
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
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.