Bondad del ajuste del modelo

de componentes principales

El análisis de componentes principales

asume que las variables se pueden
expresar como una combinación lineal una
de otras y calcula tantas combinaciones
lineales como variables, pero de nada de
tal forma que las primeras explican el
mayor porcentaje de varianza total

El programa proporciona la matriz de en el caso de componentes

correlaciones reproducida desde la ortogonales la correlación
pantalla de factor analysis accedemos estimada entre 2 variables que
presionando en el botón de descriptivo en obtendría desde la suma del
la sección de correlation matrix marcamos producto de las saturaciones en
con un punto la opción reproduce vamos a cada componente
continuar para volver a la pantalla inicial
ok para realizar el calculo
 Análisis factorial
exploratorio

El análisis factorial exploratorio parte del

supuesto de la existencia de unos factores o
dimensiones subyacentes que explican las
relaciones lineales compartidas por
variables esto implica que la puntuación en
cada variable puede descomponerse en una
parte atribuible a factores comunes mi otra
el factor único o factor no compartido con
las demás variables

Recomendaciones fundamentales para que se

cumplan los supuestos son por parte de contar
con una muestra aleatoria grande por grandes
se entiende desde un tamaño que permita
estimaciones de las correlaciones poblacionales
con un intervalo de confianza del 95% y un error
de estimación de: hasta que haya una
proporción de al menos 20 entre el número de
sujetos y un número de variables que es el
criterio para el análisis de regresión lineal
múltiple
 Lectura 1. Análisis factorial
exploratorio

Interpretación de
los componentes
principales

este se realiza desde las saturaciones más
altas en cada componente para tal fin el
paquete estadístico ofrece 2 opciones
desde la pantalla de factor analysis
presionamos el botón de options y se abre
una nueva pantalla
Una opción también sería para una
base de datos con bastantes casos
ausentes lo que limitará la fiabilidad
de los resultados en este caso sería
más aconsejable ampliar la muestra

También es importante revisar el

archivo de datos para identificar los
casos de excesivamente desviados de la
media a fin de detectar posibles errores Tomando en cuenta el contenido de
de captura y eliminarlos o atenuar su cada elemento las expectativas teóricas
valor de tal forma que queden próximos podemos interpretar y nominar los
al límite de las desviaciones estándar de componentes
la media ya que pueden alterar el valor
de la correlación