Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Factorial Exporatorio
Factorial Exporatorio
1.1. Introducción
1.2. El Modelo De Análisis Factorial Exploratorio
1.3. Estructura De La Matriz De Correlaciones En El Modelo De
Análisis Factorial: Teorema Fundamental
1.3.1. Modelo De Factores Ortogonales
1.3.2. Modelo De Factores Oblicuos
1.4. Métodos De Extracción Factorial
1.4.1. El Análisis de Componentes Principales
1.4.2. Método de los Factores Principales
1.4.3. Máxima Verosimilitud
1.4.4. Otros Métodos De Extracción Factorial
1.5. Soluciones Factoriales Derivadas: Rotaciones
1.5.1. Métodos Gráficos
1.5.2. Métodos Analíticos
1.6. Interpretación De Los Factores Obtenidos
1.7. Puntuaciones Factoriales
Análisis Factorial Exploratorio
2
C N 1 0 .8 0 4 0 .3 6 6 0 .4 2 7 0 .2 3 2
M 1 0 .1 3 8 0 .4 2 6 0 .4 0 8
F 1 0 .8 1 3 0 .7 4 7
L a 1 Análisis Factorial
0 . 8 1Exploratorio
2
L i 1
desarrollado procedimientos que permiten caracterizarlo como
un método estadístico y permiten un uso inferencial y
confirmatorio de dicha técnica.
El objetivo esencial del análisis factorial es describir,
si fuera posible, las correlaciones o covarianzas observadas
entre un conjunto de variables en términos de un número menor
de variables aleatorias no observables denominadas factores,
variables latentes o constructos (Johnson, 1988, 1998). El
argumento que soporta este objetivo es el siguiente: en el
supuesto de que podamos identificar grupos de variables con
correlaciones altas entre sí y bajas con las variables que
pertenecen a otros grupos, se puede entender que cada grupo de
variables representa a una variable latente o factor. Este
factor subyacente es el responsable de las correlaciones
observadas.
Un ejemplo puede aclarar el objetivo del AFE. Reuchlin en
1964 se propuso estudiar la estructura factorial de la matriz
de correlaciones observadas entre asignaturas que se imparten
en enseñanza media. Concretamente, consideró las notas en las
asignaturas matemáticas, ciencias naturales, francés, latín y
literatura y calculó, a partir de la matriz de puntuaciones
observadas (X), la matriz de correlaciones entre las
asignaturas (R). La matriz de correlaciones obtenida fue:
CN M F La Li
3
Análisis Factorial Exploratorio
.8
.6
Asignaturas
.4 M
LI
.2 LA
F
F2
0.0 CN
0.0 .2 .4 .6 .8 1.0
F1
4
Análisis Factorial Exploratorio
x1 x2
5
Análisis Factorial Exploratorio
la facultad de Psicología.
7) Actitudes ante el conductismo de los alumnos de la Facultad
de Psicología de la Universidad de Sevilla.
8) Actitudes ante el consumo de refrescos en la población
española.
En resumen, el análisis factorial nos va a permitir
describir el fenómeno bajo estudio en términos de sus
dimensiones básicas eliminando la información redundante. Como
subproducto, va a ser posible, también, obtener las
puntuaciones de los sujetos en los factores latentes y
utilizar dichas puntuaciones en análisis posteriores. Las
nuevas variables (factores) no son directamente observables
obedeciendo a conceptos de naturaleza más abstracta que las
variables originales y se obtienen por un proceso de
elaboración a partir de las covariaciones o correlaciones
entre las variables observadas.
El punto de partida, como tendremos oportunidad de ver a
lo largo del desarrollo de este tema, va a ser la matriz de
correlaciones (R) entre las variables observadas o la matriz
de varianzas-covarianzas (S). De ahí que, sea necesario que
las variables estén medidas al menos en escala de intervalo y
que tengan una razonable unidad experimental. Por ejemplo, es
adecuado un análisis factorial sobre tests que midan la
inteligencia o sobre tests que midan personalidad, pero no
sería adecuado mezclar los dos tipos de tests (Cuadras, 1981).
Una vez descrito el objetivo del análisis factorial
exploratorio, en los puntos que siguen desarrollaremos los
aspectos formales necesarios para poder utilizar, con la ayuda
de software adecuado, el AFE.
x 1 a 11 f 1 a 12 f 2 ... a 1m f m d 1 u 1
x 2 a 21 f 1 a 22 f 2 ... a 2 m f m d 2 u 2
(1.1)
...................................................
x p a p1 f 1 a p 2 f 2 ... a pm f m d p u p
6
Análisis Factorial Exploratorio
o en forma compacta
X =Af+Du (1.2)
Corr (ui,uk) = 0
7
Análisis Factorial Exploratorio
8
Análisis Factorial Exploratorio
R= E(xx’) = E((Af+Du)(Af+Du)’)
R= E(xx’) = AE(ff’)A’+DE(uu’)D’
(1.3)
R= AA’+DD’ (1.4)
m 2 m m
a1 j a1 j a 2 j .. a 1j a pj
1 r12 .. r1 p j 1 j 1 j 1 d 12 0 .. 0
r2 p a a
m m m
a .. a 2 j a pj 0 d 2
2
r21 1 .. 2 .. 0
2 j 1j 2j
.. .. .. .. j 1 j 1 j 1 .. .. .. ..
r r
.. .. .. ..
p1 p 2 .. 1 m m m
0 0 .. d p 2
a pj a1 j a pj a2 j .. a 2pj
j 1 j 1 j 1
9
Análisis Factorial Exploratorio
m
1 a i21 a i22 ... a im2 d i2 a ij2 d i2 (1.5)
j 1
donde
a
j 1
2
ij
m
1 a ij2 d i2 hi2 d i2
j 1
Figura 1.3. Partición de varianza de una variable en un modelo de tres factores ortogonales.
10
Análisis Factorial Exploratorio
d i2 1 hi2
Ra=AA’
E(xf’) = AE(ff’)+DE(uf’)
E(xf’) = A (1.7)
11
Análisis Factorial Exploratorio
0.8 0.2
0.9 0.1
0.1 0.9
0.3 0.8
0.2 0.8
d 12 1 0.68 0.32
d 22 1 0.82 0.18
d 32 1 0.82 0.18
d 42 1 0.73 0.27
d 52 1 0.68 0.32
12
Análisis Factorial Exploratorio
13
Análisis Factorial Exploratorio
14
Análisis Factorial Exploratorio
Y1 Y2 Y3 ... Yp
Varianza
Explicada 1 2 3 ... p > 0
j 1
j p . Normalmente suele proporcionarse el porcentaje que
de la varianza total explica cada componente. Este porcentaje
se calcula como
j
100
p
Se demuestra (utilizando el procedimiento de
multiplicadores de Lagrange) que, las varianzas explicadas por
cada componente se obtienen resolviendo la ecuación
R I 0
2
La varianza total disponible se puede definir como la traza de la matriz R
(Tr (R)).
15
Análisis Factorial Exploratorio
0 R i I vi'
Una vez obtenida la matriz de pesos de las componentes en las
variables, lo normal es derivar a partir de la misma la
matrizo patrón factorial A que relaciona las variables
observables con las componentes. La relación entre estas dos
matrices es
1
A V'D 2
a ij v ji j
16
Análisis Factorial Exploratorio
17
Análisis Factorial Exploratorio
Calcular:
a) Varianza y porcentaje de varianza del conjunto de variables
explicada por cada componente.
b) Comunalidad de cada variable en función de las cinco
componentes.
c) Aplicando el criterio de Kaiser determinar la matriz
factorial final.
d) Comunalidad de cada variable en función de las componentes
retenidas según el criterio de Kaiser.
e) Matriz de correlaciones reducida o reproducida por la
matriz factorial final.
f) Matriz de correlaciones residual (la matriz de
correlaciones residual se obtiene restando a la matriz de
correlaciones observada la matriz reproducida)
18
Análisis Factorial Exploratorio
1 a112 a 21
2
.. a 2p1 (1.8)
R a I 0 (1.10)
Ra
i I a1 0
El segundo factor se elige de manera que explique el
19
Análisis Factorial Exploratorio
p
j a ij2
i 1
20
Análisis Factorial Exploratorio
m
rˆik ai1ak1 ai 2 ak 2 ... aim akm a a
j 1
ij kj
21
Análisis Factorial Exploratorio
1 0.63 0.77
2 0.71 -0.56
3 0.71 0.68
4 0.88 -0.16
5 0.74 -0.58
Calcular:
a) Varianza explicada por los dos factores comunes de cada
variable.
b) Matriz de correlaciones reproducida.
c) Matriz de correlaciones residual (la matriz de
correlaciones residual se obtiene restando a las correlaciones
observadas las reproducidas por la solución factorial).
22
Análisis Factorial Exploratorio
variables F1 F2 F3
23
Análisis Factorial Exploratorio
X1 0 X 0
X2 0 X 0
X3 0 X 0
X4 X 0 0
X5 X 0 0
X6 X 0 0
X7 0 0 X
X8 0 0 X
X9 0 0 X
24
Análisis Factorial Exploratorio
1
0,8
0,6
0,4
0,2
0
-0,2 0 0,2 0,4 0,6 0,8 1
-0,4
-0,6
-0,8
25
1,2
0,8
0,2
Figura 1.5. Representación de las cinco variables socioeconómicas en los factores rotados.
Referencias
Cuadras, C. M (1981). Métodos de análisis multivariante.
Barcelona: Barcelona
Dillon, W.R. y Goldstein, M. (1984). Multivariate Analysis:
Methods and Applications. New York: John Willey & Sons.
26
Análisis Factorial Exploratorio
27