SEMINARIO DE POSGRADO

ESTRATEGIAS Y DISEÑOS AVANZADOS

DE INVESTIGACIÓN SOCIAL

Titular: Agustín Salvia

MÓDULO 4 B

ANÁLISIS FACTORIAL
 ANÁLISIS FACTORIAL

EN LA INVESTIGACIÓN SOCIAL SE TRABAJA CON

MUCHOS CONCEPTOS COMPLEJOS QUE NO SON
DIRECTAMENTE OBSERVABLES

USOS MÁS FRECUENTES

Reducción de Creación de
Identificación de variables
información estructuras resumen
subyacentes
 ANÁLISIS FACTORIAL

El Análisis Factorial es una técnica que consiste

en resumir la información contenida en una
matriz de datos con V variables. Para ello se
identifican un reducido número de factores F,
siendo el número de factores menor que el
número de variables. Los factores representan a
la variables originales, con una pérdida mínima de
información.

El modelo del Análisis Factorial se expresa como

una combinación lineal de factores no directamente
observables: Xij = F1i ai1 + F2i ai2+....+Fki aik + Vi
 ANÁLISIS FACTORIAL
FACTOR PRINCIPAL

El Análisis Factorial (método factor

principal) supone que existe un factor
común subyacente a las variables.

Este método busca factores que expliquen la

mayor parte de la varianza común. La
varianza común es la parte de la variación de
la variable que es compartida con las otras
variables. La varianza única es la parte de la
variación de la variable que es propia de esa
variable.
 ANÁLISIS FACTORIAL
COMPONENTES PRINCIPALES

El Análisis Factorial (método componentes

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

El Análisis de Componentes Principales busca

hallar combinaciones lineales de las variables
originales que expliquen la mayor parte de la
variación total. El primer factor o componente
sería aquel que explica una mayor parte de la
varianza total, el segundo factor sería aquel que
explica la mayor parte de la varianza restante, y
así sucesivamente.
 ANÁLISIS FACTORIAL

Para que el Análisis Factorial tenga sentido

deberían cumplirse dos condiciones básicas:

Parsimonia e Interpretabilidad

Según el principio de parsimonia el número de

factores debe ser lo más reducido posible y estos
deben ser susceptibles de interpretación
sustantiva. Una buena solución factorial es
aquella que es sencilla e interpretable.
 ANÁLISIS FACTORIAL

Se asume que los factores únicos no están

correlacionados entre sí ni con los factores
comunes.

Se puede distinguir entre Análisis Factorial

Exploratorio, donde no se conocen los factores "a
priori“ sino que se identifican por el análisis
factorial y, por otro lado estaría el Análisis
Confirmatorio donde se propone "a priori" un
modelo, según el cual hay unos factores que
representan mejor a las variables originales.
 ANÁLISIS FACTORIAL
PASOS EN EL ANALISIS FACTORIAL

1- Calcular la matriz de correlaciones entre todas las

variables (conocida habitualmente como matriz R).

2- Extracción de los factores necesarios para

representar los datos. Análisis de la matriz de
cargas.

3- Rotación de los factores con objeto de facilitar la

interpretación. Representación gráfica.

4- Calcular las puntuaciones factoriales de cada

individuo.
 ANÁLISIS FACTORIAL

REQUISITOS PARA SU
UTILIZACIÓN

 Selección de variables que formen

conjuntos correlacionados.
 Variables deben estar en escala
métrica.
 Un mínimo de 100 casos
 ANÁLISIS FACTORIAL
EJEMPLO

Se intentan conocer los determinantes de los

ingresos de la ocupación principal de los
asalariados. Dado que se supone que estos están
asociados a un conjunto de características de la
persona y del puesto. Dado que el conjunto de
variables es grande y se sospecha que algunas de
ellas están muy relacionadas, por lo que parece
conveniente antes del análisis intentar determinar
si existen subconjuntos diferenciados de ellas.
 ANÁLISIS FACTORIAL

EXAMEN DE LA MATRIZ DE CORRELACIONES

1- El primer paso en el Análisis Factorial será calcular

la matriz de correlaciones entre todas las variables que
entran en el análisis.

2- Una vez que se dispone de esta matriz cabe

examinarla para comprobar si sus características son
adecuadas para realizar un Análisis Factorial.

3- Uno de los requisitos que deben cumplirse para que

el Análisis Factorial tenga sentido es que las variables
estén altamente correlacionadas.    
 ANÁLISIS FACTORIAL
EJEMPLO

EXAMEN DE LA MATRIZ DE CORRELACIONES

Correlation Matrix

Tamaño
del
estableci Nivel de Calificació
miento Instrucción Edad n laboral
Correlation Tamaño del
1,000 ,281 ,136 ,379
establecimiento
Nivel de Instrucción ,281 1,000 -,101 ,554
Edad ,136 -,101 1,000 ,164
Calificación laboral ,379 ,554 ,164 1,000
Sig. (1-tailed) Tamaño del
,000 ,000 ,000
establecimiento
Nivel de Instrucción ,000 ,000 ,000
Edad ,000 ,000 ,000
Calificación laboral ,000 ,000 ,000
 ANÁLISIS FACTORIAL
MATRIZ DE CARGA FACTORIAL

El Análisis 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
índices de correlación 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 demás.
 ANÁLISIS FACTORIAL
EJEMPLO

Component Matrixa

Component
1 2
Tamaño del
,680 ,202
establecimiento
Nivel de Instrucción ,775 -,412
Edad ,185 ,931
Calificación laboral ,859 1,103E-02
Extraction Method: Principal Component Analysis.
a. 2 components extracted.
 ANÁLISIS FACTORIAL
EIGENVALUES (VALORES PROPIOS)

• El cuadrado de una carga factorial indica la

proporción 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

máximo 1, por tanto el valor máximo que puede
alcanzar el valor propio es igual al número de
variables.
 ANÁLISIS FACTORIAL
EJEMPLO

EXTRACCIÓN DE MATRIZ FACTORIAL

Communalities

Initial Extraction
Tamaño del
1,000 ,504
establecimiento
Nivel de Instrucción 1,000 ,771
Edad 1,000 ,900
Calificación laboral 1,000 ,738
Extraction Method: Principal Component Analysis.

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 Analysis.
 ANÁLISIS FACTORIAL
COMUNALIDADES

• Se denomina "comunalidad" a la proporción 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 Análisis Factorial comienza sus cálculos a partir de

lo que se conoce como matriz reducida compuesta por
los coeficientes de correlación 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 Análisis Factorial.
 ANÁLISIS FACTORIAL
NUMERO DE FACTORES A CONSERVAR

La matriz factorial presenta un número 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 número de

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

Scree Plot
2,0

1,5

1,0

,5
Eigenvalue

0,0
1 2 3 4

Component Number
 ANÁLISIS FACTORIAL
ROTACIONES FACTORIALES

La matriz factorial resulta difícil de interpretar pues no

queda claro en que factor satura cada variable. Para
facilitar la interpretación 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
máximo a las variables en que están saturados.

La saturación de factores transforma la matriz factorial

inicial en otra denominada matriz factorial rotada, de
más fácil interpretación. La matriz factorial rotada es
una combinación lineal de la primera y explica la
misma cantidad de varianza inicial.
 ANÁLISIS FACTORIAL
EVALUACIÓN DE LA MATRIZ ROTADA

La matriz factorial debe reunir las siguientes

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

Con la rotación factorial aunque cambie la matriz

factorial las comunalidades no se alteran, sin embargo,
cambia la varianza explicada por cada factor. Existen
varios métodos de rotación: ortogonales para factores
independientes (Varimax) y oblicuos para factores
correlacionados (Oblimin).
 ANÁLISIS FACTORIAL
EJEMPLO

MATRIZ ROTADA
Rotated Component Matrixa
Component Transformation Matrix
Component
1 2 Component 1 2
Tamaño del 1 ,990 ,141
,645 ,296
establecimiento
2 -,141 ,990
Nivel de Instrucción ,826 -,298
Edad 5,196E-02 ,947 Extraction Method: Principal Component Analysis.
Calificación laboral ,849 ,132 Rotation Method: Varimax with Kaiser Normalization.
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
 ANÁLISIS FACTORIAL
EJEMPLO

Component Plot in Rotated Space

1,0 edad

,5
tamaño del estableci

calificación laboral

0,0

nivel de instrucción
Component 2

-,5

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

Component 1
 ANÁLISIS FACTORIAL
INTERPRETACIÓN DE RESULTADOS

Dos cuestiones pueden ayudar a la interpretación 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 más 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.