Resumen y análisis del apoyo teórico: Aplicación

del análisis factorial en la investigación de

mercados

April 9, 2021

El análisis factorial es utilizado para ver que las variables agrupadas están
altamente correlacionadas y los grupos relativamente incorrelacionados. Con es-
to se puede reducir el numero de variables intercorrelacionadas a un numero
menor de factor no correlacionados, que permiten explicar la mayor parte de
la variabilidad de cada una de las variables. El modelo matemático del análisis
factorial supone las variables observadas en función de factores comunes mas
un factor único. Este análisis resulta en la determinación e interpretación de los
factores comunes y los específicos, ambos siendo no observables y variables hipo-
téticas. El análisis tiene como objetivo obtener factores comunes que expliquen
una buena parte de la variabilidad de las variables.
El caso nos muestra el estudio de 11 variables que tienen el objetivo de eva-
luar distintos supermercados y identificar la percepción de los clientes acerca de
las distintas cadenas de supermercados de las ciudades de Pereira y Resquebra-
das, Para esto cuentan con 1190 encuestas. Para realizar el análisis factorial se
seleccionaron aleatoria mente 100 encuestas del total.
Los pasos que se siguen para este análisis factorial son los siguientes:
Elaboración de la matriz de correlaciones. Donde se ubican las correlaciones
entre todas las variables consideradas realizando pruebas para ver si es pertinen-
te estilísticamente realizar el análisis factorial. si el determinante de la matriz
es muy bajo existen variables con interrelacionados muy altas, esto nos indica
que posmos continuar con el análisis factorial. Si el determinante es igual a 0
los datos no serian validos. El Test De La Esfericidad De Barlet. con este pro-
bamos la hipótesis nula que afirma que las variables no están correlacionadas
en la población (si la matriz es una matriz de identidad o no). si los resultados
son menores a 0.05 rechazamos la hipótesis nula y continuamos con el análisis.
El indice kaiser-meyer-olkin. mide la adecuación de la muestra y que tan apro-
piado es aplicar el análisis, esto sucede cuando los valores están entre 0.5 y 1.
El coeficiente de correlación parcial que muestra la fuerza de relación entre dos
variables descartando influencia de oras variables, estos coeficientes deben ser
casi 0 para poder realizar el análisis. El coeficiente de correlación anti-imagen
donde observamos los pocos valores elevados en términos absolutos, si existen

1
muchos coeficientes ceros no se lleva a cabo el análisis. La diagonal de la ma-
triz de correlación anti-imagen se toman los valores mínimos y máximos. Si los
valores de la diagonal son superiores a 0.5 entonces podemos continuar con el
análisis.
Extracción de los factores iniciales. El método principal es el de “componen-
tes principales” donde busca el factor que que explique la mayor cantidad de la
varianza de la matriz, para luego con este factor reducir la matriz hasta tener
una varianza que se puede explicar.
Rotación de los factores iniciales, es rotar los factores iniciales con el objetivo
de obtener una solución que sea fácil de interpretar. existen varios métodos de
rotación.
Denominación a los factores encontrados es una combinación que se reduce
a realizar mediante intuición y conocimiento de las variables.
En el caso observamos que estos pasos son realizados a detalle vemos que
las pruebas son superadas y concluyen que se puede proceder a la segunda
etapa del análisis factorial que es, principalmente, extraer los factores a través la
agrupación de todas las variables en nuevas variables, están serán combinaciones
de las variables originales.
Los resultados obtenidos nos muestran que no existe ambigüedad en la se-
lección de las variables sin embargo es necesario realizar una rotación que aclara
ambigüedades sobre las cargas factoriales, en este caso tras realizar la rotación,
nos confirman que la matriz rotada y la no rotada coinciden que esto significa
que no existían ambigüedades en la primera matriz en sus cargas. estos datos
se traducen en componentes principales que tienen agrupadas sus variables res-
pectivas logrando así reducir el total de las variables originales a numero menor
de factores para poder estudiar, en este caso, la percepción de los consumidores
sobre las cadenas de supermercados
El análisis factorial finaliza puntuando las variables en los factores extraídos
es decir los coeficientes que permiten expresar cada factor como combinación
lineal de todas las variables

En lo personal este análisis me parece muy interesante ya que se

utilizan una gran cantidad de métodos para solidificar la investigación,
y con esto obtener resultados mas reales que reducirían el el margen
de error a la hora de tomar decisiones. De igual manera la forma
en la que se reducen las variables a agrupaciones me parece que es
una forma mas sencilla para el investigador para poder concluir en
su estudio