ANALISIS FACTORIAL.

Ejercicio A.
1. Cargue en SPSS el archivo de nombre MUNDO, este contiene indicadores
económicos, demográficos, sanitarios y de otros tipos para diversos países del
mundo.
2. Realice un análisis factorial de las variables: índice de alfabetización (alfabet),
aumento de la población (inc_pob), esperanza de vida femenina (espvidaf),
mortalidad infantil (mortinf), número promedio de hijos por mujeres (fertilid),
tasa de natalidad (tasa_nat), logaritmo del PIB (lob_pib), Habitantes en ciudades
(urbana) y la tasa de mortalidad (tasa _mor).
3. Determine si el Análisis de Correlaciones es adecuado para efectuar el análisis
factorial, explique, que valor tiene la determinante de la matriz?

Sí es adecuado debido que esta técnica muestra las correlaciones entre las
variables observadas y las no observadas, a las cuales, se les llama factores.
La determinante de la matriz es 0.00000002014.
 4. Determine si la medida de adecuación muestral KMO y la prueba de Barlett
indican que es adecuado el análisis. (cuanto son los valores para KMO Y para la
probabilidad de la prueba de Barlett).

Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación .865
de muestreo
Prueba de esfericidad Aprox. Chi-cuadrado 1544.363
de Bartlett gl 36
Sig. .000

Debido que el KMO es mayor que 0.5 y más cercano a 1, se puede inferir que el
análisis factorial es útil con los datos examinados. Al mismo tiempo, la prueba de
Barlett muestra un valor de 0.000, menor a 0.05, lo cual, expresa también un alto
nivel de análisis factorial.

5. Determine de acuerdo a las comunalidades y los autovalores el número de

factores que explican la mayor parte de la varianza total explicada. (cuanto es el
% explicado?)

Comunalidades
Inicial Extracción
Alfabetización (%) 1.000 .859
Aumento de la población (% anual) 1.000 .958
Esperanza de vida femenina 1.000 .964
Mortalidad infantil (muertes por 1000 nacimientos vivos) 1.000 .941
Número promedio de hijos 1.000 .921
Tasa de natalidad (por 1.000 habitantes) 1.000 .966
Log(10) de PIB_CAP 1.000 .754
Habitantes en ciudades (%) 1.000 .706
Tasa de mortalidad (por 1.000 habitantes) 1.000 .865
Método de extracción: análisis de componentes principales.
La tabla muestra que sólo dos factores en la solución inicial tienen autovalores
(eigenvalues) mayores que 1. Lo cual, significa que juntos alcanzan más del 88%
de la variabilidad. El porcentaje explicado es del 88.175% por lo que la correlación
es fuerte.

6. Agrupe las variables en sus factores correspondientes (recuerde que la

correlación también puede ser negativa).

Matriz de patróna
Componente 1 2
Alfabetización (%) -0.894 0.103
Esperanza de vida femenina -0.81 0.377
Log(10) de PIB_CAP -0.792 0.2
Habitantes en ciudades (%) -0.597 0.451
Tasa de mortalidad (por 1.000 habitantes) 0.195 -0.858
Mortalidad infantil (muertes por 1000 nacimientos vivos) 0.837 -0.313
Número promedio de hijos 0.976 0.068
Aumento de la población (% anual) 0.978 0.536
Tasa de natalidad (por 1.000 habitantes) 1.003 0.087
Método de extracción: análisis de componentes principales.
Método de rotación: Oblimin con normalización Kaiser.
a. La rotación ha convergido en 18 iteraciones.

Se pueden agrupar la Alfabetización, la Esperanza de vida femenina, el PIB y los

habitantes en ciudades como el Componente 1. La Mortalidad infantil, el Número
promedio de hijos, el Aumento de la población y la Tasa de Natalidad como el
Componente 2. La tasa de mortalidad no pertenece a ningún componente.
 7. Presente en un cuadro las variables sustitutas de las iniciales que aparece en su
“editor de datos” una vez efectuado el análisis.

No se observa alguna correlación significativa entre factores y el KMO es del

60.7%, lo cual, no es concluyente.

REALIZAR ESTE MISMO ANALISIS PARA.

Ejercicio B. Utilizando el archivo Empresas.sav que contiene información sobre

empresas por países según sectores de actividad, realice un análisis factorial de todas las
variables del archivo con la finalidad de reducirlas a un conjunto menor de variables con
la menor pérdida de información posible.
No se observa mayor correlación entre variables.
La determinante es de 0.0000002382.

Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación .134
de muestreo
Prueba de esfericidad Aprox. Chi-cuadrado 274.053
de Bartlett gl 36
Sig. .000

El KMO es de 13.4%, lo cual, es demasiado bajo para inferir una correlación.

Matriz de patróna
Componente 1 2 3
agricultura -0.848 -0.262 -0.246
minería -0.248 0.762 -0.411
bancos -0.092 0.044 0.928
centrales de energía 0.061 0.824 0.294
manufactura 0.412 0.649 -0.104
construcción 0.606 0.105 -0.077
servicios a empresas 0.64 -0.055 0.534
transporte y comunicaciones 0.76 0.106 -0.388
sector servicios 0.855 -0.252 0.066
Método de extracción: análisis de componentes
principales.
Método de rotación: Oblimin con normalización
Kaiser.
a. La rotación ha convergido en 13 iteraciones.

Los 3 componentes quedarían de este análisis quedarían de la siguiente manera:

1) Agricultura, minería, bancos
2) Centrales de energía
3) Manufactura, construcción servicios a empresas, transporte y
comunicaciones y sector servicios.