Clase Análisis Factorial PDF

ANÁLISIS FACTORIAL
EXPLORATORIO
ANÁLISIS MULTIVARIADO
Sebastián Muñoz Herrera
2019
OBJETIVOS DE APRENDIZAJE
➢ Diferenciar las técnicas de análisis factorial de otras técnicas

multivariadas.
➢ Determinar los usos principales de las técnicas de análisis factorial.
➢ Distinguir entre los usos exploratorios y confirmatorios de las

técnicas de análisis factorial.
Sebastián Muñoz Herrera | Análisis factorial

➢ Identificar las diferencias entre el análisis de componentes

principales y los modelos de análisis factorial común.
➢ Saber cuándo usar el análisis de componentes principales y el

análisis factorial común.
➢ Saber cómo determinar el número de factores a extraer.
➢ Explicar cómo denominar a un factor.

➢ Entender las ventajas y desventajas asociadas con las escalas

aditivas.
➢ Explicar el propósito de las puntuaciones de factores y cómo usarlas.
➢ Explicar cómo seleccionar las variables obtenidas para un análisis

posterior.
➢ Determinar las restricciones de las técnicas de análisis factorial.

PARTE 1
¿QÚÉ ES EL ANÁLISIS FACTORIAL ?
2019
ANÁLISIS FACTORIAL
• El análisis factorial es un nombre genérico que se da a una clase de

métodos estadísticos multivariantes cuyo propósito principal es:
Definir la estructura subyacente en una matriz de datos.
• Aborda el problema de cómo analizar la estructura de las

interrelaciones entre un gran número de variables con la definición
de una serie de dimensiones que se denominan factores.

ANÁLISIS FACTORIAL
Variable 1
Variable 2 FACTOR 1
Variable 3
Variable 4
Variable 5 FACTOR 2
Variable 6

¿QUÉ ES EL ANÁLISIS FACTORIAL?
El análisis factorial es una técnica de interdependencia en la

que se consideran todas las variables simultáneamente, cada
una relacionada con todas las demás y empleando todavía el
concepto del valor teórico, el compuesto lineal de las variables.
En el análisis factorial, los factores se forman para maximizar

su explicación de la serie de variables entera, y no para
predecir una(s) variable(s) dependiente(s).
Factores = Valor teórico.

PROCESO DE DECISIÓN
PASO 1
Objetivos del análisis
Identificación de Reducción de la
estructura mediante dimensionalidad de
el resumen de los los datos
datos

PASO 1
datos

IDENTIFICAR LA ESTRUCTURA MEDIANTE
EL RESUMEN DE LOS DATOS
Existen 2 tipos de análisis factorial:
Análisis factorial R:
Analiza una serie de variables para identificar
Muy utilizado
las dimensiones que son latentes (no son
observables fácilmente).
Análisis factorial Q: No muy usado

Método para combinar o condensar grandes Reemplazado
grupos de personas en grupos claramente frecuentemente
por un análisis
diferentes dentro de una población mayor. clúster.
PASO 1
datos

REDUCCIÓN DE DATOS
El análisis factorial también puede: Objetivo:
1. Identificar las variables suplentes de una Mantener

serie de variables más grandes para su naturaleza de las
utilización en análisis multivariantes variables
posteriores.
2. Crear una serie de variables completamente Reducir el número

nueva, mucho más pequeñas en número,
para reemplazar parcial o completamente
la serie original de variables para su Simplificar un
inclusión en técnicas posteriores. posterior análisis
PASO 2
Diseño de un análisis
factorial
Cálculo de los datos Diseño del estudio en Tamaño de la

de entrada (Matriz término de N° de muestra requerido
de correlación) variables, propiedades
de medición y tipo de
datos permisibles.

PASO 2
factorial

datos permisibles.

CÁLCULO DE LA MATRIZ DE ENTRADA

PASO 2
factorial

datos permisibles.

SELECCIÓN DE VARIABLES Y CUESTIONES
DE MEDICIÓN
¿Cómo de miden las variables? ¿Cuántas variables incluyo?
Por lo general, las variables a ✓ Aunque se busca reducir el

incluir en el análisis factorial número de variables, debe haber
tienen escala métrica. un número razonable por factor.
En algunos casos se pueden ✓ El poder del análisis factorial se

incluir variables medidas en basa en encontrar pautas entre
escalas no métricas, en ese grupos de variables y resulta de
caso existen análisis poca utilidad en la identificación
factoriales especiales. de factores compuestos de una
única variable.
PASO 2
factorial

datos permisibles.

TAMAÑO DE LA MUESTRA
✓ Por lo general, un investigador no utilizará un

análisis factorial en una muestra menor a 50
observaciones. (100 de preferencia)
✓ Como regla general, el mínimo es tener por lo

menos un número de observaciones cinco veces
mayor que el número de variables a ser analizadas.
Para no sobre-ajustar.
PASO 3
Supuestos en el
análisis factorial
Son más del tipo Se pueden obviar:

conceptual que del • Normalidad
tipo estadístico • Homocedasticidad
• Linealidad

SUPUESTOS EN EL ANÁLISIS FACTORIAL
• El investigador tiene que asegurarse también de que la matriz tiene

suficientes correlaciones para justificar la aplicación del análisis
factorial.
• Si la inspección visual revela que no hay un número sustancial de

correlaciones mayores que 0,30, entonces el análisis factorial es
probablemente inapropiado.
• Un supuesto básico del análisis factorial es que existe una estructura

subyacente en la serie de variables seleccionadas.
• El investigador debería asegurarse también de que la muestra es

homogénea con respecto a la estructura de factor subyacente.
¿CONVIENE EL ANÁLISIS FACTORIAL ?
Contraste de esfericidad de Barlett
Proporciona la probabilidad estadística de que la matriz de correlación

de las variables sea una matriz identidad.
Medida de suficiencia de muestreo (MSA)
Este índice se extiende de 0 a 1, llegando a 1 cuando cada variable es

perfectamente predicha sin error por las otras variables. La medida
puede ser interpretada con las siguientes directrices: 0,80 o superior,
sobresaliente; 0,70 o superior, regular; 0,60 o superior, mediocre; 0,50
o superior, despreciable; y por debajo de 0,50 inaceptable (Excluir esas
variables).
PASO 4
Estimación de
factores y valoración
del ajuste
Método de
extracción de Número de factores
factores seleccionados

PASO 4
Estimación de
del ajuste
Método de

ANÁLISIS FACTORIAL VS
COMPONENTES PRINCIPALES
Para escoger el modelo de extracción de factores es necesario

comprender la diferencia entre los distintos tipos de varianza.
Unidad Varianza total
Comunalidad Común Específica y error
Se define la varianza común como aquella varianza en una variable que

se comparte con todas las otras variables en el análisis.


La varianza específica es aquella varianza asociada solamente con una

variable especifica.


La varianza de error es aquella varianza que se debe a la poca fiabilidad

en el proceso de recolección de datos, al error de medición o un
componente aleatorio en el fenómeno medido.

Componentes principales
Análisis factorial
CUANDO USAR UNO U OTRO
Análisis de componentes principales:
➢ Apropiado cuando el interés principal se centra en la predicción o en

el número mínimo de factores necesarios para justificar la porción
máxima de varianza.
➢ Cuando el conocimiento previo sugiere que la varianza específica y

de error representan una porción relativamente pequeña de la
varianza total.

CUANDO USAR UNO U OTRO
Análisis factorial:
➢ Apropiado cuando el objetivo principal es identificar las dimensiones

latentes o las construcciones representadas en las variables
originales
➢ El investigador tiene poco conocimiento acerca de la varianza

específica y de error, y por tanto quiere eliminar esta varianza.

PROBLEMAS DEL ANÁLISIS FACTORIAL
❑ El análisis factorial padece de indeterminación de factores. Esto

significa que para cualquier encuestado individual, se pueden
calcular varias puntuaciones de factores diferentes a partir de los
resultados del modelo factorial.
❑ Cálculo de las varianzas compartidas estimadas que se usan para

representar la varianza compartida. Cuando se utilizan muestras de
gran tamaño o un gran número de variables, los cálculos pueden
requerir tiempo y recursos sustanciales del computador.

PASO 4
Estimación de
del ajuste
Método de

CÁLCULO DEL NÚMERO DE FACTORES
Criterio de la raíz latente:
• Sólo se consideran los factores que tienen raíces latentes o

autovalores mayores que 1 (Explican al menos una variable).
• El uso del autovalor para establecer un corte es más fiable cuando el

número de variables está entre 20 y 50.
• Si el número de variables es menor que 20, hay una tendencia a que

este método extraiga un número de factores conservador
(demasiado poco); por el contrario, si hay más de 50 variables, lo
más común es que se extraigan demasiados factores.
Criterio a prori:
• Razonable bajo ciertas circunstancias. El investigador ya sabe

cuántos factores hay que extraer antes de iniciar el análisis factorial.
• Esta aproximación resulta de utilidad cuando se prueba una teoría o

una hipótesis acerca del número de factores para ser extraído.
• Puede ser justificado con el objetivo de replicar el trabajo de otro

investigador y extraer el mismo número de factores que se
encontraron previamente.

Criterio de porcentaje de la varianza:
• Se basa en obtener un porcentaje acumulado especificado de la

varianza total extraída.
• El propósito es asegurar una significación práctica de los factores

derivados, asegurando que explican por lo menos una cantidad
especificada de la varianza.
• Ciencias naturales → 95% de la varianza

• Ciencias sociales → 60% de la varianza (Incluso menos)

Criterio de contraste de caída (Regla del codo):
• Se utiliza para
identificar el número
óptimo de factores
que pueden ser
extraídos antes de
que la cantidad de la
varianza única
empiece a dominar la
estructura de la
varianza común.

PASO 5
Interpretación de los
factores
Cálculo de la matriz Uso de un método

de factores NO de rotación Valorar el modelo
rotados

PASO 5
factores

rotados

MATRIZ INICIAL DE FACTORES NO ROTADOS
❑ Visualización preliminar acerca del número de factores a extraer.
❑ La matriz de factores contiene las cargas factoriales para cada

variable sobre cada factor.
❑ En este punto, se está interesado en la mejor combinación lineal de

variables, es decir, en encontrar aquella combinación particular de
las variables originales que cuenta con el mayor porcentaje de
varianza de los datos.
❑ El primer factor puede contemplarse como el mejor resumen de las

relaciones lineales que los datos manifiestan.
❑ El segundo factor se define como la segunda mejor combinación

lineal de las variables, sujeta a la restricción de que sea ortogonal al
primer factor.
❑ Para ser ortogonal al primer factor, el segundo factor debe derivarse

de la varianza restante tras la extracción del primer factor.
❑ El segundo factor puede definirse como la combinación lineal de las

variables que da cuenta del mayor porcentaje de varianza residual
una vez se ha eliminado de los datos el efecto del primer factor.

❑ Las soluciones factoriales no rotadas alcanzan el objetivo de

reducción de los datos, pero el investigador debe preguntarse si la
solución factorial no rotada facilita una información que ofrezca la
interpretación más adecuada de las variables examinadas.
❑ La mayor parte de las veces no resulta ser así. La carga factorial es el

medio para interpretar la función que cada variable desempeña al
definir cada factor.
Las cargas factoriales son las correlaciones entre cada variable y el

factor.
PASO 5
factores

rotados

ROTACIÓN DE LOS FACTORES
❑ La solución factorial no rotada puede no suministrar un patrón

significativo de cargas de las variables.
❑ Si se espera que los factores no rotados sean significativos, el

usuario puede especificar que la rotación no se lleve a cabo.
❑ Generalmente, la rotación es deseable porque simplifica la

estructura de los factores, y habitualmente es difícil determinar si los
factores no rotados serán significativos.

❑ Entonces, se hace necesario

elegir un método de rotación
para lograr soluciones factoriales
más simples y teóricamente más
significativas.
❑ En muchos casos la rotación de

los factores mejora la
interpretación


❑ En muchos casos la rotación

mejorará la interpretación
paliando alguna de las
ambigüedades que a
menudo acompañan al
análisis preliminar.
❑ El objetivo último de toda

rotación es obtener algunos
factores teóricamente
significativos y, si es posible,
la estructura de factores más
simple.
ROTACIÓN ORTOGONAL
QUARTIMAX:
se centra en rotar los factores iniciales de tal forma que una variable
cargue alto sobre un factor y tan bajo como sea posible sobre los otros
factores.
VARIMAX:
Se centra en simplificar las columnas de la matriz de factores.
Maximiza la suma de las varianzas de las cargas requeridas de la matriz
de factores.
EQUIMAX:
En lugar de concentrarse bien en la simplificación de las filas, bien de
las columnas, procura cumplir con las dos.
SELECCIÓN DEL MÉTODO DE ROTACIÓN
QUARTIMAX:
se centra en rotar los factores iniciales de tal forma que una variable
cargue alto sobre un factor y tan bajo como sea posible sobre los otros
factores.
VARIMAX:
Se centra en simplificar las columnas de la matriz de factores.
Maximiza la suma de las varianzas de las cargas requeridas de la matriz
de factores.
EQUIMAX:
En lugar de concentrarse bien en la simplificación de las filas, bien de
las columnas, procura cumplir con las dos.
PASO 5
factores
Cálculo de la matriz Uso de un método Valorar el modelo

de factores NO de rotación
rotados (Interpretar)

ASEGURAR SIGNIFICACIÓN PRÁCTICA
Consiste en un tipo de regla empírica empleado frecuentemente como

forma de realizar un examen preliminar de la matriz de factores.
✓ Las cargas factoriales mayores a ±0,30 se considera que

están en el nivel mínimo.
✓ Las cargas de ±0,40 se consideran más importantes.
✓ Las cargas de ±0,50 o mayores, se consideran
prácticamente significativas.
Así, cuanto mayor sea el tamaño absoluto de la carga factorial, más

importante resulta la carga al interpretar la matriz factorial.

ASEGURAR SIGNIFICACIÓN PRÁCTICA
El cuadrado de la carga es la cuantía de la varianza total de la variable

de la que da cuenta el factor.
• Una carga de 0,30 implica aproximadamente una explicación

de un 10 por ciento.
• Una carga de 0,50 quiere decir que un 25 por ciento de la
varianza es debida al factor.
• Para que un factor explique un 50 por ciento de la varianza ha
de contar con una carga que supere 0.7.
El investigador debería darse cuenta de que cargas extremadamente

elevadas (0,80 o más) no son normales y que la significación práctica es
un criterio importante.
SIGNIFICACIÓN ESTADÍSTICA

INTERPRETACIÓN DE LA MATRIZ DE
FACTORES
1. Examen de la matriz de cargas factoriales. (Visualización preliminar)
2. Identificación de la mayor carga para cada variable. (Ver la

significación)
3. Valoración de la comunalidad. (< 0,5 carentes de explicación

suficiente)
4. Etiquetar los factores. (Asignación de nombre)

PASO 6 Validación del análisis

factorial
• Replicabilidad: Muestra vs Original. (Comparar análisis factoriales es

complejo).
• Estabilidad: Si la muestra lo permite, separar en 2 los datos y realizar un

análisis factorial para cada uno.
• Detectar observaciones influyentes: Con y sin datos atípicos para medir

la influencia de estas observaciones.
Usos adicionales de los

PASO 7 resultados del análisis factorial
❑ Si el objetivo simplemente consiste en identificar combinaciones

lógicas de variables y una mejor comprensión de las relaciones entre
variables, entonces basta con la interpretación de los factores.
❑ Si el objetivo, sin embargo, es identificar variables apropiadas para

aplicaciones subsiguientes de otras técnicas estadísticas, entonces:
1. Selección de variables suplentes

2. Creación de escalas aditivas.
3. Puntuación factorial
SELECCIÓN DE VARIABLES SUPLENTES PARA
EL ANÁLISIS SUBSIGUIENTE
❑ Cuenta con la alternativa de examinar la matriz factorial y

seleccionar la variable con la mayor carga factorial sobre cada factor
para que actúe como variable suplente del factor.
❑ SÓLO cuando una variable tiene una carga factorial que es

sustancialmente mayor que las otras cargas factoriales.
❑ El proceso de selección es complejo. Dos o más variables podrían

tener cargas altas y cercanas entre sí. El investigador debe conocer
la teoría y poder decidir por una como representante.

CREACIÓN DE ESCALAS ADITIVAS
❑ La escala aditiva, que está formada por la combinación de varias

variables individuales dentro de una única medida compuesta.
❑ Simplificando, se combinan todas las variables que cargan alto

sobre un factor, y el total - o más normalmente la puntuación media
de las variables - se emplea como variable de sustitución.
1. Elude el error de medida de las variables.

Ventajas
2. Representa múltiples aspectos de un concepto
en una única medida.

PUNTUACIÓN FACTORIAL
❑ Reemplazar el conjunto original por medio del cálculo de la

puntuación factorial.
La puntuación factorial son medidas compuestas de cada factor

calculadas para cada sujeto.
❑ Se calcula en base a las cargas factoriales, mientras que la escala

aditiva se calcula combinando sólo las variables elegidas.
❑ Una desventaja de la puntuación factorial es que no se pueden

replicar fácilmente en otros estudios debido a que están basados en
la matriz factorial obtenida en cada estudio.
ANÁLISIS FACTORIAL
EXPLORATORIO
ANÁLISIS MULTIVARIADO
2019

Clase Análisis Factorial PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase Análisis Factorial PDF

Cargado por

Copyright:

Formatos disponibles

ANÁLISIS FACTORIAL

Sebastián Muñoz Herrera

➢ Diferenciar las técnicas de análisis factorial de otras técnicas

➢ Determinar los usos principales de las técnicas de análisis factorial.

➢ Distinguir entre los usos exploratorios y confirmatorios de las

Sebastián Muñoz Herrera | Análisis factorial

➢ Identificar las diferencias entre el análisis de componentes

➢ Saber cuándo usar el análisis de componentes principales y el

➢ Saber cómo determinar el número de factores a extraer.

➢ Explicar cómo denominar a un factor.

Sebastián Muñoz Herrera | Análisis factorial

➢ Entender las ventajas y desventajas asociadas con las escalas

➢ Explicar el propósito de las puntuaciones de factores y cómo usarlas.

➢ Explicar cómo seleccionar las variables obtenidas para un análisis

➢ Determinar las restricciones de las técnicas de análisis factorial.

Sebastián Muñoz Herrera | Análisis factorial

¿QÚÉ ES EL ANÁLISIS FACTORIAL ?

Sebastián Muñoz Herrera

• El análisis factorial es un nombre genérico que se da a una clase de

Definir la estructura subyacente en una matriz de datos.

• Aborda el problema de cómo analizar la estructura de las

Sebastián Muñoz Herrera | Análisis factorial

Sebastián Muñoz Herrera | Análisis factorial

El análisis factorial es una técnica de interdependencia en la

En el análisis factorial, los factores se forman para maximizar

Factores = Valor teórico.

Sebastián Muñoz Herrera | Análisis factorial

Objetivos del análisis

Sebastián Muñoz Herrera | Análisis factorial

Objetivos del análisis

Sebastián Muñoz Herrera | Análisis factorial

Existen 2 tipos de análisis factorial:

Análisis factorial Q: No muy usado

Objetivos del análisis

Sebastián Muñoz Herrera | Análisis factorial

El análisis factorial también puede: Objetivo:

1. Identificar las variables suplentes de una Mantener

2. Crear una serie de variables completamente Reducir el número

Cálculo de los datos Diseño del estudio en Tamaño de la

Sebastián Muñoz Herrera | Análisis factorial

Cálculo de los datos Diseño del estudio en Tamaño de la

Sebastián Muñoz Herrera | Análisis factorial

Sebastián Muñoz Herrera | Análisis factorial

Cálculo de los datos Diseño del estudio en Tamaño de la

Sebastián Muñoz Herrera | Análisis factorial

¿Cómo de miden las variables? ¿Cuántas variables incluyo?

Por lo general, las variables a ✓ Aunque se busca reducir el

En algunos casos se pueden ✓ El poder del análisis factorial se

Cálculo de los datos Diseño del estudio en Tamaño de la

Sebastián Muñoz Herrera | Análisis factorial

✓ Por lo general, un investigador no utilizará un

✓ Como regla general, el mínimo es tener por lo

Son más del tipo Se pueden obviar:

Sebastián Muñoz Herrera | Análisis factorial

• El investigador tiene que asegurarse también de que la matriz tiene

• Si la inspección visual revela que no hay un número sustancial de

• Un supuesto básico del análisis factorial es que existe una estructura

• El investigador debería asegurarse también de que la muestra es

Contraste de esfericidad de Barlett

Proporciona la probabilidad estadística de que la matriz de correlación

Medida de suficiencia de muestreo (MSA)

Este índice se extiende de 0 a 1, llegando a 1 cuando cada variable es

Sebastián Muñoz Herrera | Análisis factorial