ANÁLISIS FACTORIAL EXPLORATORIO

MÉTODOS DE SELECCIÓN DE NÚMERO DE FACTORES Y DE

ROTACIÓN
ANÁLISIS FACTORIAL EXPLORATOR
AFE: En términos generales, el análisis factorial exploratorio (AFE) es el nombre genérico con que se
designa a un conjunto de métodos estadísticos multivariados de interdependencia cuyo propósito
principal es el de identificar una estructura de factores subyacentes a un conjunto amplio de datos.
(Medrano, 2010)

el análisis factorial es un método analítico de condensación de la varianza total de respuesta a las

variables (ítems en el caso de un test psicológico).

OBJETIVOS:
• tratar de encontrar o establecer, de manera exploratoria, una estructura interna, al generar nuevos
factores a partir de un conjunto de variables, o reducir el número de estas.

• Entender la estructura de un conjunto de variables (determinar factores)

• Y reducir variables
 ANÁLISIS FACTORIAL EXPLORATOR
MÉTODOS DE SELECCIÓN DE NÚMERO DE FACTORES
Para saber cuál de estos métodos se debe seleccionar, es importante considerar cuáles son los objetivos
del análisis factorial y qué tanto conocimiento a priori se tiene de las variables, especialmente en lo
relacionado con su variabilidad

1. análisis de componentes principales: explica la mayor cantidad de varianza posible en los datos
observados. Por consiguiente, este método analiza la varianza total asociada a las variables,
incluyendo la varianza específica y la varianza de error.

Cuando el error de varianza y la varianza única son relativamente pequeñas o cuando se busca
reducir variables, se recomienda el análisis de componentes principales, pues este considera la
varianza total y deriva factores que contienen pequeñas porciones de varianza única.
ANÁLISIS FACTORIAL EXPLORATOR
2. Análisis de factores comunes : Si el objetivo es crear nuevos factores o dominios, se recomienda
utilizar el análisis de factores comunes debido a que este se basa en la varianza compartida o varianza
común, y asume que la varianza única y el error de varianza no son de interés.

Desventajas:
no tiene una única solución para los puntajes del factor, y cuando su varianza común no es estimable o
no es válida, es necesario eliminar una o más variables del análisis
ANÁLISIS FACTORIAL EXPLORATOR
Entre las dos clasificaciones anteriores tenemos los siguientes métodos :

• Método del autovalor_ aporte se mide con los valores propios, que representan el total de varianza
explicada por el factor. El criterio utilizado para su uso se basa en tomar para el análisis solo aquellos
factores que tengan valores propios mayores a 1.

El inconveniente principal de este método es que generalmente conduce a la extracción de

demasiados factores, particularmente en tests con muchos ítems (50 o más).
ANÁLISIS FACTORIAL EXPLORATOR
Entre las dos clasificaciones anteriores tenemos los siguientes métodos :

• Método del porcentaje de varianza total explicada: establece de antemano el porcentaje de la varianza
total mínimo que debería ser explicado por los nuevos factores; por lo tanto, la selección final
corresponde a aquellos factores que se necesiten para cumplir con este requisito. Su principal problema
está en que, al no tener una idea clara de su variabilidad, existe la posibilidad de tomar muchos más
factores de los necesarios

El porcentaje de explicación de varianza puede ser una condición necesaria, pero en la práctica es un
criterio poco decisivo, puesto que podemos tener varias soluciones factoriales alternativas con
porcentajes adecuados de varianza explicada, y, por consiguiente, no sabremos por cual optar.
ANÁLISIS FACTORIAL EXPLORATOR
Entre las dos clasificaciones anteriores tenemos los siguientes métodos :

• Método del análisis paralelo: el análisis paralelo, parece ser una de las mejores alternativas para decidir
el número de factores a extraer. El análisis paralelo genera autovalores de una matriz de datos aleatorios
pero con el mismo número de variables y casos que la matriz original.

• En el análisis paralelo se comparan en una tabla el autovalor de cada factor en los datos reales con el
autovalor correspondiente de los datos aleatorios. Para decidir el número de factores a extraer se
identifica el autovalor de los datos reales con magnitud superior al autovalor de los datos simulados.

• La lógica del método es que solamente deben interpretarse los factores reales que explican más
varianza que los aleatorios
ANÁLISIS FACTORIAL EXPLORATOR
Entre las dos clasificaciones anteriores tenemos los siguientes métodos :

• Método del grafico de sedimentación (screen test): Al igual que el método del auto valor, depende de los
valores propios, pero se diferencia porque los valores son graficados y se hace un análisis visual buscando
en la curva un punto de inflexión donde esta cambie de sentido o de concavidad. Un problema que
puede llegar a presentar es ser muy subjetivo y, por lo tanto, depender básicamente del criterio del
investigador. No se recomienda cuando el número de variables en análisis es muy alto y la contribución
de los nuevos ítems es similar.

Es una representación gráfica de la magnitud de los autovalores y ayuda a identificar el número

óptimo de factores que se deberían extraer o seleccionar.
 ANÁLISIS FACTORIAL EXPLORATOR
Rotación de factores: Como su nombre lo indica, rotar se refiere a girar los ejes factoriales a distintos
grados, pero manteniendo fijo el origen. El resultado obtenido al hacer esta rotación es redistribuir la
varianza de las variables originales en los factores, con el fin de lograr una mejor interpretación de los
resultados.

El resultado inicial del análisis factorial es una matriz factorial no rotada, es decir la matriz de
correlaciones de las variables con los factores. Esta matriz factorial inicial es difícil de interpretar y, en casi
todos los casos donde se extrae más de un factor, es indispensable obtener una matriz adicional de
factores rotados

Por consiguiente, luego de extraer los factores iniciales, estos son sometidos a un procedimiento
denominado rotación (cuando hay más de un factor en la solución).

La rotación se realiza para que la solución factorial se aproxime a lo que se denomina estructura simple, vale
decir que cada item tenga una correlación lo más próxima a 1 que sea posible con uno de los factores y
correlaciones próximas a 0 con los restantes factores.
 ANÁLISIS FACTORIAL EXPLORATOR
Rotación de factores:
A partir del método seleccionado, se procede a calcular la matriz de factores, la cual contiene las
ponderaciones (cargas o pesos) de cada variable. Estos pesos corresponden a las correlaciones de cada una
de las variables sobre cada factor.

Los valores en términos absolutos (debido a que la correlación puede ser positiva o negativa) indican
representatividad de la variable sobre el factor; por lo tanto, valores altos representan mayores
contribuciones, y valores bajos muestran baja representatividad. Estos primeros resultados cumplen el
objetivo de reducir datos; sin embargo, cuando el objetivo es buscar nuevos factores, se recomienda rotar
los ejes de los nuevos factores.

El investigador rota los factores con la finalidad de eliminar las correlaciones negativas importantes y reducir
el número de correlaciones de cada ítem en los diversos factores
ANÁLISIS FACTORIAL EXPLORATOR
Rotación de factores:

Rotación ortogonales: En el caso de las rotaciones ortogonales, los dos factores en análisis se
giran a la vez, lo cual mantiene siempre su independencia (es decir, siempre se tendrá un ángulo
de 90° entre ellos), mientras que con las rotaciones oblicuas esta independencia no se mantiene.

cuando todas las correlaciones entre los factores son inferiores a .32. se proponen realizar
una rotación oblicua inicial como filtro

Por lo tanto si observamos alguna correlación superior a .32 entre los factores deberíamos
escoger una rotación oblicua, y en caso contrario, una ortogona
ANÁLISIS FACTORIAL EXPLORATOR
Rotación de factores:

Dentro de los métodos de rotación ortogonal existe una gran variedad de posibilidades; sin
embargo, solo nos vamos a referir a los tres más utilizados: varimax, quartimax y equamax.

• En la rotación varimax se busca maximizar las ponderaciones a nivel del factor; es decir, se
espera que cada ítem o variable sea representativo en solo uno de ellos, con el fin de
minimizar al máximo el número de variables dentro de cada factor

• En el caso de la rotación quartimax, la maximización de las ponderaciones se realiza a nivel de

la variable, lo que busca minimizar el número de factores que ayude a explicar cada una de
ellas.

• Finalmente, con la rotación equamax se hace una combinación de las dos técnicas anteriores;
por consiguiente, la maximización de las ponderaciones se hace tanto a nivel del factor como a
nivel de la variable
ANÁLISIS FACTORIAL EXPLORATOR
Rotación de factores:

Rotación oblicua: En el caso de las rotaciones oblicuas, se parte del supuesto de correlación entre
los nuevos factores, que en la vida real es el escenario más común, lo que conduce a que las
ponderaciones calculadas no coincidan con las correlaciones entre el factor y la variable.

Dentro de los métodos de rotación oblicua más utilizados se encuentran el oblimin y el promax

- La rotación oblimin permite establecer relaciones jerárquicas entre los factores, para lo cual debe
establecer el grado de inclinación (δ) entre ellos. Un valor δ de cero da las rotaciones más oblicuas

- En cuanto a la rotación promax, modifica los resultados de una rotación ortogonal hasta crear una
solución con cargas factoriales lo más próximas posible a la “estructura ideal”
ANÁLISIS FACTORIAL EXPLORATOR
Rotación de factores:

Para decidir qué tipo de rotación utilizar, es necesario tener conocimiento previo del problema,
pues identificar de antemano correlación entre los nuevos factores significa que tiene más
sentido una rotación oblicua, mientras un supuesto de independencia hace preferible una
rotación ortogonal.

Las rotaciones colocan a las variables más cerca de los factores diseñados para explicarlas, concentran la
varianza de las variables en menos factores y, en general, proporcionan un medio para facilitar la
interpretación de la solución factorial obtenida