Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Discriminante (Evaluar
Contraste (prueba de Descriptivo (Según el
Correlación pertenencia a un Modelos de Ajuste Otras Técnicas
hipótesis) sentido del análisis)
grupo)
Análisis de estructura
Análisis Factorial
latente
Análisis de
Coordenadas
Principales
Análisis Factorial
Propósitos (Técnica de reducción estructural
asume interdependencia entre las variables)
Reducción de Dimensionalidad
(Ítems – variables)
De variable original a variable
1. Resumir Supuesto 1: intervalo – razón
que resume: Información
Componentes como mecanismo
de representación (Características)
Matriz de
Adecuación
Modelo Características Factores no
Individual
rotada
Matriz de Puntajes de
Solución inicial
factores rotada factores
Comprobación de supuestos y requerimientos
previos I
• Normalidad
Asimetría cercana a cero: indica posible normalidad
Curtosis
n<50
n>50
Matriz de
Adecuación
Modelo Características Factores no
Individual
rotada
Matriz de Puntajes de
Solución inicial
factores rotada factores
Procedimiento II 0<|R|<1: cercano a cero es conveniente realizar AF
R: determinante de la matriz de correlación
Matriz de
Adecuación
Modelo Características Factores no
Individual
rotada
Matriz de Puntajes de
Solución inicial
factores rotada factores
• Matriz de correlacionesa
• a. Determinante = ,003
Matriz de
Adecuación
Modelo Características Factores no
Individual
rotada
Matriz de Puntajes de
Solución inicial
factores rotada factores
Prueba de contraste de esfericidad de Barlett
• Cierto grado de multicolinealidad entre las variables
• Búsqueda de interrelaciones
• Contraste de si la matriz de correlación es una matriz identidad
Ho: |R| = I; no realizar AF para resumir información
Ha: |R| ≠ I; si realizar AF
Donde:
R matriz de correlación
I matriz identidad
La prueba obtiene un valor Chi-cuadrado tal que:
1
𝑋𝑐 2 = 𝑛 − 1 − 2𝑚 + 5 ln |𝑅|
6
Donde:
m: número de variables
n: número de datos
|R|: determinante de la matriz de correlación
Matriz de
Adecuación
Modelo Características Factores no
Individual
rotada
Matriz de Puntajes de
Solución inicial
factores rotada factores
Sumatoria de coeficientes de correlación
parcial de variables
Sólo se puede interpretar cuando Barlett rechazó Ho
KMO: es una medida global que indica qué tan sólida (“fuerte”)es la posible solución a encontrar
Matriz de
Adecuación
Modelo Características Factores no
Individual
rotada
Matriz de Puntajes de
Solución inicial
factores rotada factores
Matriz anti-imagen de la matriz de
correlaciones (MASi)
• Es el valor negativo de la correlación parcial y la diagonal de dicha
matriz
• Sirve para revisar la adecuación individual de cada variable
• Fuera de la diagonal de esta matriz no deben existir valores
(absolutos) grandes; los de la diagonal deben ser grandes
• Si KMO (adecuación general) MASg > 0,5; si MASi < 0,5 se debe
“considerar” eliminar la variable (y volver al inicio)
Procedimiento II
de factores
Matriz de
Adecuación
Modelo Características Factores no
Individual
rotada
Matriz de Puntajes de
Solución inicial
factores rotada factores
Selección del modelo de factores
Confirmatorio
Comprobación de Teoría Componentes Principales
(h)
Exploratorio
Búsqueda de Estructuras Factor Común
Latentes (factores
comunes)
Modelo de Factores
Centroide
Ejes principales
Procedimiento II
Matriz de
Adecuación
Modelo Características Factores no
Individual
rotada
Matriz de Puntajes de
Solución inicial
factores rotada factores
Selección de criterio para determinar qué
características deben estar presente en los factores
ORTOGONAL OBLÍCUO
• Relación entre factores igual a • Ejes en cualquier posición,
cero: características relación entre ejes
independientes (dependientes)
• Extracción: 90° • Extracción: distinta de 90°
F1
F1 F2
F2
Procedimiento II
Matriz de
Adecuación
Modelo Características Factores no
Individual
rotada
Matriz de Puntajes de
Solución inicial
factores rotada factores
Conceptos previos
• Matriz de factores no rotada: descomposición espectral que muestra
• Eigenvectores: conjunto de cargas de un factor
• Elementos Individuales: Carga de Factor (relación de cada variable con factor)
• Útil para determinar el número de factores (tentativo) porque las cargas
resultan altas
• Primer factor: mayor cantidad de información
• Eigenvalor: cantidad de información que cada uno de los factores logra captar
de c/u de las variables
• Porcentaje de variación explicada: relación entre la variación explicada por el
factor con respecto a la variación total del conjunto de variables
• Comunalidad: variación explicada por el conjunto de valores para cada
variable.
Criterios para la determinación del número
de factores (solución inicial)
• Matriz no rotada
• Aquella solución que agrupe a los factores de manera lógica será la
definitiva
• Criterio a priori
• Criterio de raíz latente
• Criterio de porcentaje de variación explicada
• Criterio scree test
Criterio a priori
• Probar teoría o hipótesis
• De antemano conocer número de factores
• Se recomienda para análisis confirmatorio
Raíz característica
Mayor que 1
Toda vez que:
Los eigenvalores representan
las varianzas (datos
estandarizados = 1)
Mayor información captada>1
Se recomienda en análisis
factorial exploratorio
Criterio de % de variación explicada
• 60 – 95%
Criterio Scree Test
Procedimiento II
Matriz de
Adecuación
Modelo Características Factores no
Individual
rotada
Matriz de Puntajes de
Solución inicial
factores rotada factores
Procedimiento II
Matriz de
Adecuación
Modelo Características Factores no
Individual
rotada
Matriz de Puntajes de
Solución inicial
factores rotada factores
Matriz de factores rotada
• Cargas definitivas
• Solución final lógica
• Ajusta coordenadas:
• mayor valor teórico
• identificación con un solo factor
Criterios para la rotación de factores
• Ortogonal
• Varimax: maximización de la varianza
• Quartimax: identificar cada variable con al menos un factor, cargas tan bajas
como se pueda
• Equamax: simplificación
• Oblícua
• Oblimin directo: simplificación de pesos factoriales sobre factores primarios y
no ejes de referencia
• Promax: relación entre factores (criterios de varimax)
• Quartimin: cercano a cero con demás factores, menos al que corresponde
(factores altamente relacionados)
Identificación de cargas significativas
• n entre 50 y 100
• 0,5 en adelante (prioridad 1)
• 0,4 a 0,5 (prioridad 2)
• 0,3 a 0,4 (prioridad 3)
• n entre 100 y 200
• 0,19 en adelante
• n entre 200 y 300
• 0,14 en adelante
• n>300
• 0,11 en adelante
Componente
1 2 3 4 5
G1 -,009 -,004 ,027 ,875 ,088 ,875 -,009
G2 ,134 ,033 ,116 ,204 ,692 ,692 ,033
G3 -,052 -,161 -,630 -,081 ,016 ,016 -,630
G4 ,211 -,037 ,711 ,134 -,012 ,711 -,037
G5 ,124 ,087 ,315 -,023 ,692 ,692 -,023
D1 ,431 ,061 ,455 ,009 ,161 ,455 ,009
D2 -,054 ,102 ,158 ,848 ,072 ,848 -,054
D3 ,041 ,067 ,665 -,028 ,351 ,665 -,028
D4 ,755 ,175 ,074 -,038 ,250 ,755 -,038
D5 -,779 -,092 -,075 -,056 -,013 -,013 -,779
R1 -,707 -,227 -,081 ,101 -,155 ,101 -,707
R2 ,292 ,046 -,125 ,016 ,505 ,505 -,125
R3 ,664 ,162 ,067 -,068 ,252 ,664 -,068
R4 ,640 ,199 ,125 -,088 ,099 ,640 -,088
R5 ,769 -,047 ,162 ,134 ,022 ,769 -,047
R6 ,240 ,711 ,125 -,064 ,162 ,711 -,064
R7 ,073 ,823 ,077 ,075 ,121 ,823 ,073
R8 ,225 ,759 ,030 ,091 -,103 ,759 -,103