ANLISIS FACTORIAL

JAIRO ALBERTO VILLEGAS FLREZ

 ANLISIS FACTORIAL

El Anlisis Factorial es una tcnica que consiste en resumir

la informacin contenida en una matriz de datos con V
variables. Para ello se identifican un reducido nmero de
factores F, siendo el nmero de factores menor que el
nmero de variables. Los factores representan a la
variables originales, con una prdida mnima de
informacin.

El modelo del Anlisis Factorial se expresa como una combinacin lineal de

factores no directamente observables: Xij = F1i ai1 + F2i ai2+....+Fki aik
Modelo factorial ortogonal

X1
E( X )
Sea X con V ( X )
X
p
F1

Factores comunes: F
F
m 1

Factores especficos o errores:

m
l11 l12 l1m

l21 l22 l2 m Nota:
Matriz de cargas: L lij=carga de Xi sobre

Fj
l l p2 l pm pxm
p1 m p

ANLISIS FACTORIAL 3
 Modelo factorial ortogonal

Matricialmente, el modelo factorial es: X LF

Escribindolo de forma desarrollada, quedara

X 1 1 l11F1 l12 F2 l1m Fm 1

X 2 2 l21F1 l22 F2 l2 m Fm 2

X p p l p1 F1 l p 2 F2 l pm Fm p

ANLISIS FACTORIAL 4
Modelo factorial ortogonal

Requisitos:

(i ) E ( F ) 0 y V ( F ) E ( FF ' ) I
1 0

(ii ) E ( ) 0 y V ( ) E ( ' )
0
m
(iii ) y F son incorrelad os :
E ' F EF ' 0 cov( , F )

Si se cumplen estas tres condiciones se dice que

el modelo es factorial ortogonal.

ANLISIS FACTORIAL 5
Las variables dependen de factores inobservables.

Los factores latentes explican comportamientos

visibles en las variables.

El objetivo es analizar si hay factores (menos

que variables) que expliquen dichas variables.

ANLISIS FACTORIAL 6
 ANLISIS FACTORIAL
FACTOR PRINCIPAL

El Anlisis Factorial (mtodo factor principal)

supone que existe un factor comn subyacente a las
variables.

Este mtodo busca factores que expliquen la mayor

parte de la varianza comn. La varianza comn es la
parte de la variacin de la variable que es
compartida con las otras variables. La varianza nica
es la parte de la variacin de la variable que es
propia de esa variable.
 Anlisis factorial y componentes principales

El anlisis factorial y el anlisis de componentes

principales estn muy relacionados entre s, pero
existen varias diferencias:

Mientras que el anlisis de componentes

principales busca hallar combinaciones lineales de
las variables originales que expliquen la mayor parte
de la varianza total, el anlisis factorial
pretende hallar un nuevo conjunto de variables no
observables, menor
en nmero que las variables originales, que exprese
la mayor parte de la varianza comn.
ANLISIS FACTORIAL 8
Anlisis factorial y componentes principales

El anlisis factorial supone que existen

factores comunes subyacentes a todas las
variables, mientras
que el anlisis de componentes principales,
no.

ANLISIS FACTORIAL 9
 ANLISIS FACTORIAL
COMPONENTES PRINCIPALES

El Anlisis Factorial (mtodo componentes

principales) no supone que existe un factor comn
subyacente a las variables.

El Anlisis de Componentes Principales busca hallar

combinaciones lineales de las variables originales que
expliquen la mayor parte de la variacin total. El primer
factor o componente sera aquel que explica una mayor
parte de la varianza total, el segundo factor sera aquel que
explica la mayor parte de la varianza restante, y as
sucesivamente.
 ANLISIS FACTORIAL

Para que el Anlisis Factorial tenga sentido deberan

cumplirse dos condiciones bsicas:

Parsimonia e Interpretabilidad

Segn el principio de parsimonia el nmero de factores

debe ser lo ms reducido posible y estos deben ser
susceptibles de interpretacin sustantiva. Una buena
solucin factorial es aquella que es sencilla e interpretable.
 ANLISIS FACTORIAL

Se asume que los factores nicos no estn

correlacionados entre s ni con los factores comunes.

Se puede distinguir entre Anlisis Factorial Exploratorio,

donde no se conocen los factores "a priori sino que se
identifican por el anlisis factorial y, por otro lado estara
el Anlisis Confirmatorio donde se propone "a priori" un
modelo, segn el cual hay unos factores que representan
mejor a las variables originales.
 ANLISIS FACTORIAL
PASOS EN EL ANALISIS FACTORIAL

1- Calcular la matriz de correlaciones entre todas las variables

(conocida habitualmente como matriz R).

2- Extraccin de los factores necesarios para representar los

datos. Anlisis de la matriz de cargas.

3- Rotacin de los factores con objeto de facilitar la

interpretacin. Representacin grfica.

4- Calcular las puntuaciones factoriales de cada individuo.

Interpretacin grfica del Anlisis
Factorial
 ANLISIS FACTORIAL

REQUISITOS PARA SU UTILIZACIN

Seleccin de variables que formen conjuntos

correlacionados.
Variables deben estar en escala mtrica.
Un mnimo de 100 casos
 ANLISIS FACTORIAL
EJEMPLO

Se intentan conocer los determinantes de los ingresos de la

ocupacin principal de los asalariados. Dado que se supone
que estos estn asociados a un conjunto de caractersticas
de la persona y del puesto. Dado que el conjunto de
variables es grande y se sospecha que algunas de ellas estn
muy relacionadas, por lo que parece conveniente antes del
anlisis intentar determinar si existen subconjuntos
diferenciados de ellas.
 ANLISIS FACTORIAL

EXAMEN DE LA MATRIZ DE CORRELACIONES

1- El primer paso en el Anlisis Factorial ser calcular la matriz de correlaciones entre

todas las variables que entran en el anlisis.

2- Una vez que se dispone de esta matriz cabe examinarla para comprobar si sus
caractersticas son adecuadas para realizar un Anlisis Factorial.

3- Uno de los requisitos que deben cumplirse para que el Anlisis Factorial tenga
sentido es que las variables estn altamente correlacionadas.
 ANLISIS FACTORIAL
EJEMPLO

EXAMEN DE LA MATRIZ DE CORRELACIONES

Correlation Matrix

Tamao
del
estableci Nivel de Calificaci
miento Instruccin Edad n laboral
Correlation Tamao del
1,000 ,281 ,136 ,379
establecimiento
Nivel de Instruccin ,281 1,000 -,101 ,554
Edad ,136 -,101 1,000 ,164
Calificacin laboral ,379 ,554 ,164 1,000
Sig. (1-tailed) Tamao del
,000 ,000 ,000
establecimiento
Nivel de Instruccin ,000 ,000 ,000
Edad ,000 ,000 ,000
Calificacin laboral ,000 ,000 ,000
 ANLISIS FACTORIAL
MATRIZ DE CARGA FACTORIAL

El Anlisis Factorial extrae una matriz factorial:

F1 F2
1 P11 P21
2 P12 P22

Cada columna es un factor y cada fila una variable. Los elementos Pij pueden
interpretarse como ndices de correlacin entre el factor i y la variable j.

Estos coeficientes reciben el nombre de pesos o cargas factoriales. Las cargas

indican el peso de cada variable en cada factor. Lo ideal es que cada variable cargue
alto en un factor y bajo en los dems.
 ANLISIS FACTORIAL
EJEMPLO

Component Matrixa

Component
1 2
Tamao del
,680 ,202
establecimiento
Nivel de Instruccin ,775 -,412
Edad ,185 ,931
Calificacin laboral ,859 1,103E-02
Extraction Method: Principal Component Analys is .
a. 2 components extracted.
 ANLISIS FACTORIAL
EIGENVALUES (VALORES PROPIOS)

El cuadrado de una carga factorial indica la proporcin de la varianza explicada por

un factor en una variable particular.

La suma de los cuadrados de los pesos de cualquier columna de la matriz factorial es

lo que denominamos eigenvalues, indica la cantidad total de varianza que explica ese
factor.

Las cargas factoriales pueden tener como valor mximo 1, por tanto el valor mximo
que puede alcanzar el valor propio es igual al nmero de variables.
 ANLISIS FACTORIAL
EJEMPLO

EXTRACCIN DE MATRIZ FACTORIAL

Communalities

Initial Extraction
Tamao del
1,000 ,504
establecimiento
Nivel de Instruccin 1,000 ,771
Edad 1,000 ,900
Calificacin laboral 1,000 ,738
Extraction Method: Principal Component Analys is .

Total Variance Explained

Extraction Sums of Squared

Initial Eigenvalues Loadings Rotation Sums of Squared Loadings
% of Cumulativ % of Cumulativ % of Cumulativ
Component Total Variance e% Total Variance e% Total Variance e%
1 1,836 45,910 45,910 1,836 45,910 45,910 1,821 45,531 45,531
2 1,077 26,913 72,823 1,077 26,913 72,823 1,092 27,292 72,823
3 ,702 17,544 90,367
4 ,385 9,633 100,000
Extraction Method: Principal Component Analys is .
 ANLISIS FACTORIAL
COMUNALIDADES

Se denomina "comunalidad" a la proporcin de la varianza explicada por los factores

comunes en una variable. La comunalidad es la suma de los pesos factoriales al
cuadrado en cada una de las filas.

El Anlisis Factorial comienza sus clculos a partir de lo que se conoce como matriz
reducida compuesta por los coeficientes de correlacin entre las variables y con las
comunalidades en la diagonal.

Como la comunalidad no se puede saber hasta que se conocen los factores, este
resulta ser uno de los problemas del Anlisis Factorial.
 ANLISIS FACTORIAL
NUMERO DE FACTORES A CONSERVAR

La matriz factorial presenta un nmero de factores superior al

necesario para explicar la estructura de los datos.
Generalmente hay un conjunto reducido de factores, los
primeros, que son los que explican la mayor parte de la
variabilidad total. Los otros factores suelen contribuir
relativamente poco.

Existen diversos criterios para determinar el nmero de

factores a conservar. Uno de los ms utilizados es la regla de
Kaiser: "conservar aquellos factores cuyos valores propios
(eigenvalues) son mayores a la unidad". Este criterio tiende a
sobreestimar el nmero de factores.
 ANLISIS FACTORIAL
EJEMPLO

Scree Plot
2,0

1,5

1,0

,5
Eigenvalue

0,0
1 2 3 4

Component Number
 ANLISIS FACTORIAL
ROTACIONES FACTORIALES

La matriz factorial resulta difcil de interpretar pues no queda claro en que factor
satura cada variable. Para facilitar la interpretacin se realizan lo que se denominan
rotaciones factoriales, la cual consiste en hacer girar los ejes de coordenadas, que
representan a los factores, hasta conseguir que se aproxime al mximo a las variables
en que estn saturados.

La saturacin de factores transforma la matriz factorial inicial en otra denominada

matriz factorial rotada, de ms fcil interpretacin. La matriz factorial rotada es una
combinacin lineal de la primera y explica la misma cantidad de varianza inicial.
 ANLISIS FACTORIAL
EVALUACIN DE LA MATRIZ ROTADA

La matriz factorial debe reunir las siguientes caractersticas:

1- Cada factor debe tener unos pocos pesos altos y los otros prximos a 0.
2- Cada variable no debe estar saturada ms que en un factor.
3- Los factores distintos deben presentar distribuciones de cargas altas y bajas
distintas.

Con la rotacin factorial aunque cambie la matriz factorial las comunalidades no se

alteran, sin embargo, cambia la varianza explicada por cada factor. Existen varios
mtodos de rotacin: ortogonales para factores independientes (Varimax) y oblicuos
para factores correlacionados (Oblimin).
 ANLISIS FACTORIAL
EJEMPLO

MATRIZ ROTADA

Rotated Component Matrixa

Component Transformation Matrix
Component
1 2 Component 1 2
Tamao del 1 ,990 ,141
,645 ,296
establecimiento
2 -,141 ,990
Nivel de Ins truccin ,826 -,298
Edad 5,196E-02 ,947 Extraction Method: Principal Component Analysis.
Calificacin laboral ,849 ,132 Rotation Method: Varimax with Kaiser Normalization.
Extraction Method: Principal Component Analysis .
Rotation Method: Varimax with Kais er Normalization.
a. Rotation converged in 3 iterations .
 ANLISIS FACTORIAL
EJEMPLO

Component Plot in Rotated Space

1,0 edad

,5
tamao del estableci
calific acin laboral

0,0

nivel de instruc cin

Component 2

-,5

-1,0
-1,0 -,5 0,0 ,5 1,0

Component 1
 ANLISIS FACTORIAL
INTERPRETACIN DE RESULTADOS

Dos cuestiones pueden ayudar a la interpretacin y

reconocimiento de los factores: 1) Ordenar la matriz rotada de
forma que las variables con saturaciones altas en un factor
aparezcan juntas. 2) Eliminar las variables con cargas
factoriales bajas (aquellas por debajo de 0,25).

Llamaremos variable compleja a aquella que satura altamente

en ms de un factor y que no debe ser utilizada para
identificar los factores. Factores bipolares, son aquellos en los
que unas variables cargan positivamente y otras tienen carga
negativa.