Ayudantía: Análisis Factorial

En el mismo estudio sobre el mercado del gas, se preguntó cuánta importancia se le daba a
ciertos atributos al momento de decidir la marca de gas. Ellos debían escoger una nota de 1 a 7,
siendo 1 poco importante y 7 muy importante.

Los resultados están en el documento Excel: Factorial.

Para comenzar el análisis se debe abrir este documento en el programa SPSS. Luego en Vista de
Variables se debe verificar que todos los Tipos estén en Numérico. Y se cambian las Medidas a
Ordinal.

Luego se realiza el análisis. En Analizar, se busca Reducción de dimensiones y luego Factor.

Se deben traspasar todas las variables a
Variables.
En Descriptivos se debe marcar: Descriptivos univariados, Solución Inicial, Coeficientes y KMO y
prueba de esfericidad de Bartlett.

En Extracción se debe marcar el método de Componentes principales, Matriz de correlaciones,

solución factorial sin rotar, gráfico de sedimentación y basado en autovalor, autovalores mayores
que 1.

En Rotación se debe marcar método varimax y solución rotada.

En Puntuaciones se deja tal cual y finalmente en Opciones se marca Excluir casos según lista y
Ordenador por tamaño.

Luego se presiona aceptar y se realiza el Análisis.

Resultados y análisis.

En el primer recuadro tenemos los estadísticos descriptivos como la media y la desviación típica de
cada atributo.

Matriz de correlaciones: entrega el coeficiente de correlación de Pearson entre cada par

de variable. Calculado con el método de extracción de componentes principales.
Como el valor de KMO es mayor a 0.5 se puede realizar el análisis factorial con los
datos muestrales que se tienen.

Debido a que el nivel crítico (Sig) no es mayor a 0,05, podremos rechazar la hipótesis nula
de esfericidad y podemos decir que el modelo factorial es adecuado para explicar los datos.

El aporte real o importancia de cada variable quedan expresados en la siguiente tabla de

Comunalidades, en donde se puede observar que las variables que son peores explicadas son
control de consumo y Servicios Adicionales.
Varianza total explicada: Ofrece un listado de auto valores de la matriz varianza covarianza y el
porcentaje de varianza que explica cada uno de ellos. En esta tabla se puede decir que existen
4 autovalores mayores que uno, por lo que el procedimiento extrae 4 factores que consiguen
explicar el 64,839% de la varianza de los datos originales.

Matriz de componentes: Contiene las correlaciones entre cada una de las variables originales y
cada uno de los factores. De la matriz de componentes rotados se puede deducir que el primer
grupo está formado por las variables Calidad de servicio, estabilidad, seguridad. (calidad del
suministro)

La segunda componente: publicidad, prestigio de marca y servicios adicionales.(imagen de marca)

Gráfico de sedimentación: Hay 4 componentes mayores que uno. Hay dos

pendientes significativas, por lo que estos auto valores explican la mayor parte de la
varianza.