ANÁLISIS FACTORIAL 1.

Objeto Dada una matriz que contiene las puntuaciones de n sujetos o casos en p variables, el objeto del análisis factorial es encontrar un conjunto reducido de nuevas variables, a las que se denominan factores o componentes, que expliquen o den cuenta de las interrelaciones de las variables originales. Por tanto, es una técnica con un doble objetivo: • Obtener la estructura subyacente a una matriz de datos. • Reducir dimensionalidad. Para ello cada variable original u observada debe ser expresada como una combinación lineal de los variables latentes o factores. Haciendo una similitud con el análisis de regresión, cada variable observada es la variable dependiente o criterio, y los factores son las variables predictoras. Al mismo tiempo, cada factor puede ser expresado como una combinación lineal de las variables observadas. En este caso la variable criterio es el factor y las variables predictoras son las variables observadas. Con este análisis el investigador obtiene un conjunto nuevo de variables, mucho menor que el inicial, los factores, conociendo, además, la contribución de cada variable original a cada uno de los factores, y la parte de la variabilidad que está explicada por los factores. 2. Cuadros de diálogo En la ventana del SPSS pinchamos Analizar → Reducción de datos → Análisis Factorial En el cuadro izquierdo aparece la lista de variables que contiene el archivo de los datos. Pasar al cuadro de la derecha aquellas sobre las que se desea realizar el análisis factorial. Descriptivos Descriptivos univariados ofrece la media y la desviación típica y el número de casos. Solución inicial presenta la solución factorial sin rotar. Se puede solicitar también la matriz de correlaciones, el determinante de la misma, la inversa de la matriz, la prueba de Barlett, la prueba KMO, etc. La prueba de Barlett tiene como hipótesis nula que la matriz de correlaciones es la matriz identidad, dicho de otra manera que las variables no están correlacionadas. Por tanto, sólo cabe proceder a

70 0. factorización alfa y factorización imagen. si rechazamos la hipótesis nula. que: 1≥ KMO > 0. máxima verosimilitud. factorización de ejes principales.5 0 excelente bueno aceptable regular malo inaceptable La matriz anti-imagen presenta los negativos de los coeficientes de correlación parcial. Extracción Método: Permite especificar el método de extracción factorial. Los métodos disponibles son: componentes principales. ello significa que la relación entre ambas puede ser explicada por las variables restantes. es decir.60 ≥ KMO > 0.Olkin compara los coeficientes de correlación con los de correlación parcial. le sigue el segundo. excepto en la diagonal principal.70 ≥ KMO >0. que consiste en maximizar la probabilidad de los datos empíricos. mínimos cuadrados generalizados. común y específica. es decir. .80 ≥ KMO > 0. Si ello sucede para cada par de variables estamos con un cierto grado de colinealidad deseable para hacer el análisis factorial.realizar el análisis factorial si esta prueba es estadísticamete significativa. de forma que los últimos factores apenas si contienen varianza común. y así sucesivamente. En este método el primer factor explica la mayor parte de la varianza de las variables. Si el coeficiente de correlación parcial entre dos variables es pequeño y en cambio su correlación de Pearson es media o alta. no correlacionados. y que es deseable que se aproximen a uno. dónde se presentan las medidas de adecuación muestral para cada variable por separado. próximos a cero. Los factores obtenidos son ortogonales. Lo deseable es que contenga valores bajos. que consiste en utilizar toda la varianza de cada variable. • Por defecto. • El método de máxima verosimilitud extrae los factores según este criterio.90 ≥ KMO > 0. En general. mínimos cuadrados no ponderados.90 0. de cara a realizar el análisis factorial. para la extracción de factores. se considera para los valores de KMO. sino que suelen corresponderse con una sóla variable.60 0. • Factorización de ejes principales: es muy similar al de componentes principales. pero en la diagonal principal de la matriz de correlaciones se utiliza la comunalidad.50 KMO < 0. El coeficiente de correlación parcial entre dos variables es la correlación entre ambas una vez que se ha eliminado el influjo de las restantes variables.80 0. el método es el de componentes principales. La prueba de adecuación muestral de Kaiser-Meyer.

maximizando la fiabilidad de los factores. es decir se rotan los ejes perpendiculares que representan a los factores. fijado por el investigador. En este caso obtenemos factores correlacionados. Número máximo de iteraciones para convergencia. Se considera que es adecuado el número de factores hasta que se estabiliza el gráfico. Analizar:. Rotación Es posible que los factores extraídos no tengan una interpretación razonable. pero manteniendo la perpendicularidad de los mismos. Mínimos cuadrados generalizados: es el mismo criterio anterior pero los coeficientes de correlación son ponderados inversamente con el coeficiente de unicidad de cada variable.Permite extraer sólo aquellos factores cuyos autovalores excedan un valor especificado o un número concreto de ellos.Permite solicitar la solución factorial sin rotar y el gráfico de sedimentación de los autovalores. Oblimín es una rotación que. más correlacionados en la medida en que el ángulo entre los mismos es más agudo. que representa en el plano los valores de los autovalores frente a los respectivos factores. Permite especificar el número máximo de iteraciones que el algoritmo puede seguir para estimar la solución. Factorización imagen: cada variable se considera imagen del resto de las variables a través de una combinación lineal de las mismas. El programa ofrece varios métodos de rotación. Mostrar.. Extraer:. que representa la varianza no común de cada variables.• • • • Mínimos cuadrados no ponderados: para un número de factores genera una matriz de pesos que minimizan la suma de las diferencias cuadráticas entre la matriz de correlaciones observada y la estimada.Da la opción para analizar una matriz de correlaciones o una matriz de covarianzas. Después de este número el programa cesará haya alcanzado o no una solución óptima. Factorización alfa: considera las variables como una muestra de una población de variables. sin embargo las más utilizadas son la Varimax y la Oblimín: Varimax es un procedimiento de rotación ortogonal. además de la posición de los ejes. Por defecto el valor es 25. cambia también el ángulo entre los mismos. La rotación de los mismos pretende obtener una solución que nos ofrezca mejor interpretación. En este caso los factores obtenidos tras la rotación son independientes. . Este gráfico se utiliza para determinar el número de factores a extraer.

con la misma composición de variables. verbal. es decir. pues bien. El objetivo es que la solución obtenida tras la rotación se caracterice por: • Cada factor esté definido por unas cuantas variables que presentan pesos altos en el mismo. y sumando para todas las variables. que multiplicados por las puntuaciones de un sujeto en las p variables. r. • • El cuadro de diálogo de la rotación nos permite también elegir el número de iteraciones hasta alcanzar la solución rotada. n. es decir una puntuación factorial es la puntuación de un sujeto en un factor concreto. Un sujeto tiene tantas puntuaciones factoriales como factores. Antes hemos indicado que un factor puede ser expresado como combinación lineal de las variables observadas. Muestra los coeficientes (pesos factoriales) por los cuales se multiplican las variables para obtener puntuaciones factoriales. También muestra las correlaciones entre las puntuaciones factoriales. . Mostrar matriz de coeficientes de las puntuaciones factoriales. por tanto con cuatro variables para cada aptitud. y que consta inicialmente de 80 elementos. 3. En el cuadro de diálogo correspondiente a las puntuaciones factoriales podemos elegir: Guardar como variables. que corresponden a las puntuaciones obtenidas por 4828 sujetos en un test que mide cuatro aptitudes: razonamiento. las restantes variables tengan pesos próximos a cero. por defecto este número es 25. Puntuaciones factoriales La puntuación factorial es una puntuación propia de cada sujeto. v. espacial y numérico. nos dan la puntuación factorial de ese individuo. que en el archivo aparecen simbolizadas por las letras. Nos encontramos. En el archivo de datos aparece una nueva variable para cada factor. en todos ellos lo que se pretende es obtener una mejor interpretación de los factores en términos de las variables que los conforman o saturan. Cada variable sature en un solo factor No existan factores duplicados. Es un test que se aplica con todos los elementos mezclados. Este archivo ha sido cedido amablemente por TEA. mientras que. más un número.Sea cual fuere el procedimiento utilizado. Dieciséis variables en total. e. por el contrario. Ejemplo Se presenta un archivo con 16 variables y 4828 casos. los coeficientes de esa combinación son los pesos factoriales. pero que se han agrupado de forma que cada variable es la agrupación de cinco elementos.

Realizamos un análisis factorial para determinar si la estructura factorial confirma la estructura aptitudinal supuesta en este test.2. . Mostrar: solución rotada. y KMO y prueba de esfericidad de Barlett. Comentario de resultados (1) Estadísticos descriptivos: se puede observar que. solución inicial. Extracción: dejamos las opciones por defecto: Método: componentes principales Analizar: matriz de correlaciones Extraer: autovalores mayores que 1. 3. Selección del análisis Abrimos el archivo Aptitud Pinchamos: Analizar → Reducción de datos → Análisis Factorial Descriptivos: seleccionamos Descriptivos univariados. Mostrar: solución factorial sin rotar. ya que sus medias son más bajas. en algunos casos la variabilidad es mayor. en general.1. Puntuaciones: Guardar puntuaciones factoriales como variables. Opciones: dejamos las opciones por defecto. Aceptar 3. para las cuatro aptitudes las dos últimas variables tienen más dificultad que los primeras. También seleccionamos gráfico de sedimentación. y. Nº máximo de iteraciones:25 Rotación: Método: varimax. reflejando una mayor incertidumbre. Método: regresión.

0801 .3226 .0662 .Estadísticos descriptivos Media 3. KMO y prueba de Bartlett Medida de adecuación muestral de Kaiser-Meyer-Olkin.2728 1. la comunalidad de cada variable ya no es la unidad: podemos ver que. que está en el límite de lo aceptable.6384 1. vale 0. presentan comunalidades más altas. no hay reducción de dimensionalidad.5 y algo más de 0. salvo la tercera variable verbal (v3).1747 N del análisis 4826 4826 4826 4826 4826 4826 4826 4826 4826 4826 4826 4826 4826 4826 4826 4826 R1 R2 R3 R4 V1 V2 V3 V4 E1 E2 E3 E4 N1 N2 N3 N4 (2) KMO y prueba de Barlett: la medida de adecuación muestral.7784 1.7.7590 4. .4269 2. . Sin embargo. r3 y r4) las que. siendo las variables de razonamiento (r1.4733 3.6339 2. En la solución inicial. cuando se extraen los seis primeros componentes. La prueba de esfericidad de Barlett es estadísticamente significativa por lo rechazamos la hipótesis de independencia de las variables. como conjunto aptitudinal.4741 .7085 .5645 1.0140 1. Prueba de esfericidad de Bartlett Chi-cuadrado aproximado gl Sig.6875 1. KMO. los valores de estos dos estadísticos nos indican que es razonable realizar un análisis factorial con estas variables.3056 2. cuya comunalidad es 0.2978 1. porque hay tantos componentes como variables.9880 1.7438 .2014 2. las restantes se mueven entre casi 0.5491 4.6128 .39. es decir.100 120 . según la tabla orientativa de valores ofrecida anteriormente.9662 4. que aparece en el cuadro siguiente.7409 .000 (3)Comunalidades: la comunalidad es la proporción de la varianza de cada variable que está explicada por los factores. En definitiva.2493 2. r2.5787 2.8419 Desviación típica 1.5054 1.68.5348 4.5539 1. esta proporción es la unidad.7670 1.680 9750.

328 % del sexto. como vemos.623 .Comunalidades R1 R2 R3 R4 V1 V2 V3 V4 E1 E2 E3 E4 N1 N2 N3 N4 Inicial 1.523 . Podemos observar como la varianza explicada por cada componente va descendiendo desde 16.000 1.710 .577 .000 1.000 1. hasta 6.390 .682 . En un segundo bloque se repite esta información.552 .000 1.571 . que explican el 100% de la variabilidad de las variables originales.53 %.000 1.000 1. (4) Varianza total explicada: se presentan los autovalores.000 1.487 . El tercer bloque presenta la información para la solución de los seis factores pero después de la rotación.000 1.713 .000 1. pero sólo referida a los seis primeros componentes.000 Extracción .000 1.000 1.492 Método de extracción: Análisis de Componentes principales.000 1. que explican un 57. consta de 16 componentes.499 .000 1.623 .605 . .000 1.495 . la varianza explicada y la acumulada por cada autovalor. En un primer bloque esta información se presenta para la solución inicial que.662 . que explica el primer componente.364 %.000 1.

575 1.328 57.112 6 Método de extracción: Análisis de Componentes principales.0 Autovalor .898 5.364 16. Gráfico de sedimentación 3.052 6.189 .191 7.013 6.442 44.773 90.629 1.723 79. sin llegar a estabilizarse.396 .672 .052 6.938 5.211 28. Se utiliza para determinar el número de factores a extraer.191 7.756 4.531 1. como ya hemos visto. (5) Gráfico de sedimentación: en este gráfico se presentan los autovalores frente al número de factores o componentes.5 1.187 1.378 8.636 3.657 94. recomendándose un número a partir del cual el gráfico se estabilice. trata de buscar la mejor adecuación de los ejes en .615 69.574 51.Varianza total explicada Autovalores iniciales % de la Total varianza % acumulado 2.376 8 1.214 .289 8 1.575 1.269 74.212 83.611 37. El sistema ha extraído seis.011 .053 97.585 3.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Número de componente (6) Matriz de componentes: presenta las saturaciones de las 16 variable en cada uno de los factores. tiene una pendiente muy suave a partir del quinto o del sexto.202 1.618 16.618 16.364 16.954 12. En este ejemplo vemos cómo el gráfico cae muy rápidamente en los tres primeros componentes y.604 3.603 16 1.280 . Se presenta esta matriz antes de la rotación.364 2.442 44.211 28.674 4.629 1.531 .527 9 1.202 1.372 2.0 1.364 1. La rotación.865 63.328 57.843 5.187 1.000 Componente 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Sumas de las saturaciones al cuadrado Suma de las satu de la extracción de la % de la %d Total varianza % acumulado Total varia 2. y después de ella.489 3.954 12.298 8 1.619 .961 .003 .5 0.574 51.974 87.0 2.5 2.013 6.611 37.378 8.328 100.

. y tampoco tenemos los enunciados de los elementos. conformado por las variables verbales. En cualquier caso constatamos la existencia de dos factores independientes explicando la varianza de las cuatro pruebas de razonamiento. de contenido muy diferente. A partir de la matriz de componentes rotados se debe interpretar los factores considerando las variables que presentan las saturaciones más altas en cada uno de ellos. El factor 6 es un factor verbal. veamos el factor primero: está conformado por variables verbales. propios de cada aptitud. y las numéricas N3 y N4. En concreto. puntuaciones bajas. nos indica que debe calibrarse mejor la dificultad de los elementos de estas variables. que también es difícil. Procedemos a la interpretación. Al comentar los descriptivos indicamos que las últimas variables de cada aptitud parecían más difíciles. saturan en este factor las variables verbales V3 y V4. ya mencionados. Por último. manteniendo la ortogonalidad o independencia de los mismos ya que hemos usado el método Varimax. V1 y V2. lo que arrastraría a estas variables. aparecen delimitadas las aptitudes. Resumiendo. dado que cada variable representa la puntuación en cinco elementos. y en menor medida por E3. con el fin de eliminar este factor y ver si las estas variables se agrupan con aquellas otras indicando la misma aptitud. explicado por las variables E1 y E2 principalmente. se traduce en este factor. las espaciales E3 y E4. formando un factor entre ambas. es decir. aquéllas que no han saturado en los otros factores. en última instancia. ello es debido a que esta variable tiene una variación más fuerte con la variable R1. presenta una saturación moderada. mientras que el cuatro lo está por R2 y R4. Vemos que la variable R4. el tres está explicado por las variables R1 y R3. La aparición de un factor de dificultad. En este ejemplo no podemos hacer una explicación muy detallada. El factor 5 es espacial. N2 y N3. lo que evita que R4 presente una saturación más alta en el factor primero. numéricas y espaciales. Tentativamente podría ser identificado como un factor de dificultad. N1. Aparecen dos factores de razonamiento. Conociendo los elementos que integran cada una de estas variables se podría otorgar un significado diferencial a cada uno de estos dos factores. después de haber analizado los otros: El factor 2 es claramente un factor numérico que agrupa a las tres primeras variables de este tenor. pero dejamos el factor 1 para el final. a una covariación que. pero la aptitud de razonamiento se nos desdobla en dos. el factor tres y el factor cuatro. Esta dificultad nos ofrecería elementos no respondidos. con variables de las cuatro aptitudes.el espacio de las variables. y no uno sólo.

472 9.334E-02 6.558E-02 Componente 3 4 .824E-02 3.740 -.852E-02 -5.42E-02 6.302 -.085E-02 -.537 -.965E-02 .115 4.32E-02 4.448E-02 Método de extracción: Análisis de componentes principales. a.429 .918E-02 .553 2.592E-02 7.142 6.837E-02 .599 -3.160 Componente 3 4 5 6 .293E-03 .482E-02 -.60E-02 3.666 .169 -.159 -3.639 2 3.39E-02 2.172 -2.760E-02 -5.720E-02 -.592 .39E-02 .174 .44E-02 -1.751 4.278 .375 -.133 -.202 -.591 .704E-02 4.664 .010E-03 .203E-02 9.222 .392 .298 5.571 -. a.102 -4.640 2 .589 2.278 -.293 -.18E-02 8.737 -9.575E-02 .960E-02 .779 .210 -.776 .97E-02 2.528E-02 -6.157 .109 .172 -.76E-02 .803 2.587 .72E-02 .03E-02 6.140 -5.530E-02 -3.58E-02 5 2.00E-02 3. 6 componentes extraídos a Matriz de componentes rotados R1 R2 R3 R4 V1 V2 V3 V4 E1 E2 E3 E4 N1 N2 N3 N4 1 -.197E-02 -7.175 -.745E-02 6.569 .134 -.315 .70E-02 .102E-02 1.267 .151 -1.127 1.56E-02 .298 -. Método de rotación: Normalización Varimax con Kaiser.838E-02 .a Matriz de componentes R1 R2 R3 R4 V1 V2 V3 V4 E1 E2 E3 E4 N1 N2 N3 N4 1 -.104 4.746 -.151E-02 .362 6.00E-02 7.549E-03 .10E-02 .695 .203 -.154 2.492 .180 -5. .267 6 4.871E-02 -8.135 -7.418 .162E-02 5.180 .142 .970E-02 2.211 -9.250 .577 .183 .092E-02 .217 .453E-02 .74E-02 3.19E-02 -6.160E-02 .497 .523 6. La rotación ha convergido en 5 iteraciones.06E-02 -.40E-02 9.189 .904E-03 -2.221 .09E-02 .456E-02 -.177E-02 -.131E-02 -.120 -.47E-02 .210 6.429 .544 .183 -5.09E-02 .23E-02 .111 -7.704E-02 -.126 3.496 -.151E-02 9.181 5.546 -8.947E-02 .18E-02 .190E-02 5.219 .775 6.06E-02 -1.120 -.402E-02 -.266 3.662E-02 .532 -8.146 .414 -1.25E-02 -4.57E-02 .352 -6.798E-02 4.13E-03 4.806 .247 .930E-02 Método de extracción: Análisis de componentes principales.409 .176 -6.544E-02 -5.65E-02 .438E-02 1.140 .078E-02 -5.694 .137 -.374 2.106 -4.162 4.88E-02 .425 -5.171 .114 -.195 7.975E-02 -.73E-02 .739 -9.314 .012E-02 .261 9.886E-02 6.

4.666 -.235 -.f.031 4 . respectivamente.386 -.023 -. cada factor viene a ser algo así como un conglomerado de variables interrelacionadas. • b) Se distingue entre análisis factorial R y análisis factorial Q.801 -.624 -. y que las saturaciones o pesos de las variables en el factor son los coeficientes de la combinación lineal.245 .030 .562 .061 -. entonces.020 -. R. • El primero.233 5 -. tanto con respecto al número de dimensiones latentes como de las variables que saturan en cada una de ellas.694 .f. para el sujeto primero su puntuación factorial en el factor primero se obtendría multiplicando sus puntuaciones en las 16 variables por los pesos respectivos de estas variables en el primer factor. y así sucesivamente para todos los factores. es decir.609 -.373 6 .175 . . Por tanto.082 -.Conceptos a) Se distingue entre análisis factorial exploratorio y análisis factorial confirmatorio: • En el a. sino que trata de obtener la mejor estructura que da cuenta de las interrelaciones entre las variables.369 -. de imponer a los datos esa estructura y confirmar si los datos se ajustan o no a la misma. se trata de sustituir el conjunto inicial de variables por otro más reducido. confirmatorio el investigador tiene ya una hipótesis previa acerca de tal estructura. exploratorio se parte de la matriz inicial de datos sin imponer restricciones acerca de la estructura de los mismos.383 -. Es el que acabamos de exponer. (7) Puntuaciones factoriales: en el archivo de datos han aparecido seis nuevas variables.057 . correspondientes a las puntuaciones de los sujetos en los seis factores..232 -. Recordar que cada factor es una combinación lineal de las variables. Por ejemplo.021 .087 .379 .042 2 . es el que se ha descrito.308 . Ello no significa que el investigador no tenga alguna hipótesis previa que guíe la recogida de los datos.025 .863 Método de extracción: Análisis de componentes principales.244 3 -.995 -. En el a.024 . Se trata.268 .596 .024 .212 . Método de rotación: Normalización Varimax con Kaiser.Matriz de transformación de las componentes Componente 1 2 3 4 5 6 1 . sin embargo el análisis matemático no parte imponiendo una estructura previa a los mismos.

Entre las dos técnicas se prefiere el análisis factorial. • c) Tamaño de la muestra No se recomienda realizar un análisis factorial cuando el tamaño de la muestra es inferior a 50 casos. Si los factores son ortogonales la saturación es la correlación del factor con la variable. algunos autores . podemos decir. sino un grupo de sujetos. Así. y. que son similares en sus objetivos: • El análisis factorial R y el análisis de conglomerados de variables. d) Se considera que la varianza total de cada variable puede dividirse en tres partes: una que es común con otras variables de la matriz de datos. pero lo deseable es que sea 10 veces. Ambos análisis tratan de obtener grupos de variables relacionadas entre sí. sin embargo. Q.• El segundo. Con este objeto se prefiere el análisis de conglomerados. por último. la proporción de varianza de la variable que está explicada por todos los factores. Se recomienda que el número de casos sea cinco veces el de variables como mínimo. Se obtiene como la suma de los cuadrados de las saturaciones de la variable en los distintos factores. Ambas técnicas tratan de obtener grupos de sujetos con comportamiento semejante en las variables. una parte de varianza residual debida a los errores de medida. es un análisis sobre sujetos. es decir no compartida. El análisis factorial Q y el análisis de conglomerados de casos. e) El autovalor o valor propio de un factor representa la parte de varianza explicada por el factor. La comunalidad puede utilizarse como criterio para decidir las variables que se mantienen el en análisis. En el método de componentes principales el primer factor es el que presenta el autovalor más alto. Así. si una variable presenta una comunalidad baja entonces esta variable contribuye poco a la solución factorial y debe ser eliminada. La suma de todos los autovalores representa la varianza total de la muestra. otra que es específica. R. Este análisis se utiliza poco porque se prefiere la alternativa que ofrece el análisis de conglomerados para sujetos. f) Aunque hemos visto que el SPSS presenta como procedimiento por defecto el de componentes principales. o lo que es lo mismo. Ahora no es un grupo de variables el que define cada factor. El cuadrado de la saturación representa la proporción de varianza compartida entre el factor y la variable. siguiendo la extracción de factores el orden en magnitud de los autovalores. La saturación (peso de la variable en el factor) indica la contribución de la variable al factor. La comunalidad de una variable representa la proporción de varianza común o compartida con otras variables.

Esto no significa que el investigador deba poseer de antemano una hipótesis en relación a la estructura de los datos. mientras que en el procedimiento de componentes principales se utiliza toda la varianza de la variable: la compartida. En general. llamando factorial al procedimiento que utiliza en la solución factorial sólo la varianza común o compartida entre las variable. No debe perderse de vista que el análisis siempre proporcionará factores. . la específica y la residual. Lo que queremos decir es que las variables deben ser relevantes. meter basura implica sacar basura. la investigación empírica no ha mostrado grandes diferencias entre ambos procedimientos.distinguen entre ambos análisis. el investigador debe saber qué está midiendo y con qué propósito. ya que el análisis es exploratorio. que los primeros factores apenas tienen varianza específica y residual. en el método de componentes principales suele suceder que los últimos factores se correspondan con una única variable. y si las variables se introducen sin ningún principio que guíe su selección. es probable que obtengamos una solución sin interpretación. factorial y componentes principales. Como algunos autores señalan. y debido al problema de la indeterminación de los factores en el análisis factorial (no hay una solución única. g) La interpretación de un factores se realiza de acuerdo con las variables que saturan en el mismo. bien es cierto. Aunque. mientras que en el de componentes principales sí la hay) se ha generalizado el uso del método de componentes principales.

Sign up to vote on this title
UsefulNot useful