: Avavise Au ve TAG “tlic, Avclecs Ov, “Ta barn | Block, CAPEPULO : og Anilisis factorial OBJETIVOS DE APRENDIZAJE * Diferenciar las técnicas de analisis factorial de otras técnicas multivariantes. * Determinar los usos principales de las técnicas de andlisis factorial, . * Distinguir entre los usos exploratoritis y confirmatorios de las técnicas de andliss factorial, ' Identificar las ciferencias entre el analisis de componentes principales y los modelos de { andlisis factorial comon, Sabet Cudndd usar el aneiisis de timporscies plait Identificar la diferencia entre el andlisis factorial R y Q. Explicar el concepto de rotacion de factores. Saber come determinar ef nmero de factores a extraer, Explicar como denominar a un factor, Entender las ventajas y desventajas asociadas con las escalas aditivas. Explicar el propésito de las puntuaciones de factores y como usarlas Explicar cémo seleccionar las variables obtenias para un andlisis posterior, Determinar las restricciones de las técnicas de andlisis factorial, 4 ¢! andlisis factorial coman. Le cécniaestatstin mutivarane det anise factorial ha experimentado una utilizacién ere- cieute durante la ultima década en todas las éreas de investigacién de caficter empresarial. Con- forme aumenta cl niimero de variables necesarias en las t€chicas multivariantes, existe una necesidad mayor de conocer en profundidad la estructura y las interrelaciofies de las variables. Este capitulo describe el andliss factorial, una técnica especialmente adecuada para analizar las pautas de relaciones complejas y multidimensionales encontradas por los investigadores. Define y ex ca los aspectos fundamentales de las téenicas de analisis factorial en términos amplios y concep- |MULTIVARIANTE tuales, Se puede usar el andlisis factorial para exominar las pautas subyacentes o las relaciones pary tun amplio némero de variables y para determinar si la informacion puede ser condensads o resu miida en una serie de Factores o Componentes mis pequefios. Con el fin de hacer una clarificacign mas profunda de los conceptos met6dolégicos. tambien se incluyen direetrces Bisicas para pre sentar ¢ interpretar los resultados de estas técnicas, El anilisis factorial es un nombre genérico que se da a una clase de métodos estadisticos mul tivariantes cuyo propdsito principal es definir la estructura subyacente en una miatriz de datos Gencralmente hablando, aberda cl problema de cémo analizat la estructura de las interelacioncs (correlaciones) entre un gran miimero de variables (por ejemplo, las puntuaciones de prueba, amticulos de prueba, respuestas de cuestionarios) con la definicién de una serie de dimensiones subyacentes comunes. conocidas como factores. Con el anilisis factorial, el investigador puede 'dentificar primero las dimensiones separadas de Ia estructura y entonces determinar el grado en ue se justifice cada variable por eada dimensidn. Una vez que se determinan estas dimensiones y Ia explicacin de cada variable, se pueden lograr los dos objetives principales para el andlisis factorial —el resumen y la reduccién de datos. A la hora de resumir los datos, con el anlisis factorial se obticnen unas dimensiones subyacentes que, cuando son interpretadas y comprendidas, desctiben los datos con un nimero de conceptas mucho més reducido que las variables individusles originales. Se puede obtener la reduccian de datos con el célculo de la puntuacién para cada dimensign subyacente y sustituirlos por las variables originates. Introducimos el analisis factorial como nuestra primera técnica multivariante porque puede ju- gar un papel nico en Ia aplicacidn de otras técnicas multivariantes. Como ya hemos menciona do anteriormente, la'ventaja principal de las técaicas multivariantes es su capacidad para acomodar las variables miiltiples con el fin de comprender las relaciones complejas que no son posibles con los métodos univariantes y bivariantes, El incremento del nlimero de las variables también aumenta la posibitidad de que las variables estén no correlacionadas y no sean representativas de unos con- ‘Ceptos distintos. En su lugar, los grupos de variables pueden estar interrelacionados en la medi- da en que son todos representativos de un concepto més general. Esto se puede deber al disefio. como es el intento de medir las muchas facetas de personalidad o imagen de establecimiento, © puede surgir simplemente de la adicién de nuevas variables. En cualquier caso, el investigadortie- he que saber como se relacionan las variables para interpretar mejot los resultados. Finalmente, si el ntimero de variables es demasiado grande o existe la necesidad de dar una mejor represen tacion a un numero de conceptos mas pequeno en vez de las facetas miltiples, el analisis facto-, rial puede asistir en la seleccién de un subgrupo de variables represeniativo o incluso erear ‘nuevas variables como sustitutas para las Variables originales mientras mantengan su caracter ort ginal, El anilisis factorial es diferente de las técnicas de dependencia que se mencionan en la siguiente seccién (es decir, a regresién miltiple el andlisis discriminante, el andlisis multivariante de la va- rianza o la correlacién canénica), en cl que se consideran una o mas variables explicitamente como les variables de eriterio o dependientes y todas las demas son las variables de prediccién o inde- pendicntes. El andlisis factorial es una técnica de interdependencia en la que se consideran todas las variables simultineamente, cada una relacionada con todas las demis y empleando todavia el coneepto del valor teérico, el compuesto lineal de las variables. En el andlisis factorial, los valo- Fes teoricos (los factores) se forman para maximizar su explicacion de la serie de variables ent a, y no para predecir una(s) variable(s) dependicnie(s). Si hiciéramos una analogia con las téenicas de dependencia, cada una de las variables (originales) observadas seria una variable dependiente, ‘ue es una funcidn de una serie de factores (dimensiones) subyacentes y latentes que estin com Puestas por todas las otras variables. Por tanto, cada variable es predicha por todas las dems. Pot el contrario, se puede considerar cade factor (valor tebrico) como una variable dependiente que es |5 mule datos, ciones rueba, siones puede xdo en nalisis torial criben inales. ion ‘modar escon menta con medi- iseio. into, O lor tie- nente, reset facto- crear er ofie vuiente la va- como > inde- todas: avia el + valo- sente- cnicas Jiente, \com- 4s. Por quees ANALISISFACTORIAL 81 ca kas as. Cualquiera de estas analogias il junto entero de las variables observad: ta prediccion) y la interdependencts funcian del con facie de proposito nite ls teenies de dependens ( {idemtificacton de estructure). Tn tenis analitcas de Factores pueden Loar propositos desde wna perspeetiva explo: ratoria 0 confirmatoria, Existe una diseusion or Wegnuada acerca del papel adecuado del analisis > rafal, Muchos investigudores fo considera orrspmente exploratorio, util para la busqueda de ona ‘eamuetura entre una serie de va jon de datos. Desde esta pe fables o como un metodo de reduce pectiva as téenicas de analisis ioe aextaen lo que proporcionan les datosy nD nin: fruna restriccidn a prior! nasi ae acien de fos componentes ol numero de Corre ser sutvaido. Para muchas aplicaciones. si 0 i etesulta apropiada esta aplicacion del anifisis 6 aa No obstante, en otras situaciones el invest avr iene unos pensamientos preconcedides se tora Noutura real de los dats. qu s¢ basa en WF a tearico 0 investigaciones previes: Es fe que el invstgndor quer probs as psc OE rnplican cuzstiones tales como «le Po Aberin ser agrupadas en un factor o el nimers Soe Me factores, En estos cas0s. Sef tier un anaiss factorial que adopre un coon va frmatorio —es decit.valorar hasta que pt Feit ya usin o la estructura esprada. Los meinen Tratados en este capitulo no proporeio~ ve a cearacturanecesaria para la prueba de ipotre\s formalizada. Abordamos explicitamente la perspective confimateria el andlisis To 11. En este capitulo. sin embargo. ob- Servamos las teenieas analiticas alimente desde un punt de vista exploratrio © ‘no confirmatorio. Bu Siicaise oc do que afectan so eleccim ala hora de frecuenen CO ‘comercios. El comerciante quie~ meneionger como deciden los consumidores, pero opin GI Fe puede valorar las ochenta carac- Teriaicas individuales 0 desarrollar planes de accion Pay vantas variables, porque son demasiado apecificos. En su lugar. al comercio le gustaris ser 3 los consumidores piensan en una dimen sreeetorerminante mas 2oneral a wee de tinicamente aopectos eaprcifices, Para ‘dentificar e=- ao" gimensiones, el comerciante podria encargar 17% sncuesta solicitando valoraciones Je tas dimores sabre cada uno de estos aspectes especie ‘Se emplearia entonces el ansilisis fac torial para identifica las dimensiones determitat'es subyacentes. Se considera que 10s aspects erat fTcas que se corteacionan en gran media forma FA “Je una dimension més arplia. Es~ icas, que a su vez permiten & eer sees ces se convieren en compuesios de las variables speci 1a Gimensiones ser interpretadas y deseritas. En nuest"® ‘jemplo el aniliss factorial podria iden- 1a dimensiones como variedad de producto colidad ¢¢ FY Medueto, precios, personal de estable- tice argerveio y ambiente del establecimiento como as ‘dimensiones determinantes utilizadas Foros eneuestados, Cada una de estas dimensions vrontiene aspectos especificos que son una f= aorta dimension determinante més ampli A ralz e100 resultados, el comerciante puede cata de le imensiones (Factores) para defini Steas generis Pot ia planificacion y actuacion. ‘Ua cjemple ilustrativo de una apliacion sencilla 4c) vtdlisis factorial se expone en a Figura 3.1, aque representa la matriz de coreacion para nueve eCvienhe ide imagen de un establecimiento. Se ideas de oferta del progucto, personal del estsbiecinis0t, niveles de precios yel servicio y experiencia dentro de) srablecimiento. La pregunta que el investigaay = ros yer ex: estan todos estos elementos separados 6” $0 propiedades de valoracién ¢ cprupadiosy en areas mas generales de valoracion” Por Sjemplo, ;5© agrupan todos Tos elemenses “a producto juntos? ;Donde se ajusta el nivel de precios, o esta separado? ;Cémo se relacionan “as caracterstias del funcionamiento ge a cablecimiento (por ejemplo, el personal del es ta araefento et servicio ¥ ef ambiente)? La inspeccién ‘visual de la matriz de correlacion orig wal (Figura 3-1 parte |) no revea fcilmente une Pale capecifica, Existen correlaciones dispersas una investigacion cualitativa un 6 Supongamos que mediante Suponaaaeaceristcas diferentes de comers minoristos 8 08 ineluyen en esta serie7 +72 ANALISIS MULTIVARIANTE PARTE 1: MATRIZ DE CORRELACION ORIGINA:, { Jue tase r, r, rd] ie \ [ry nivel de precios | 1.000 | ¥ Personal | | | eel est | oa27_| 1.000 | | i. ea : Fa Polticsdereomo | 0302 [arn | 1.000 | ¥, Disponibilidad | | | del producto aaro | 0497 | 0427 | 1.000 ¥, Calidad de producto | 0.765 | o406 | 0.307 | 0.472 | 1,000 ¥, Profuadidad | de suniéo o2si | oa4s | 0423 | 713 | 0325 | 1.000 ¥, Anchura de surtdo o3sa | 0490 [oar | o.ri9 | 0378 | 0.724 | 1.000 1, Servicio dentro ‘eesublecimiento | 0242 | 0,719 | 0733 | 0.428 | o240 | ost | 0.435 | 1.000 ¥, Ambiente Gclestblecimieno | 9372 | 0.737 | 0.774 | 0.479 | 0326 | 0.429 | 0.466 | 0.710 | 1.000 ARTE » MATRIZ DE CORRELACION OE LAS VAMIABLES DESPUES DE AGKUPACION SEGUN EL ANALISI FACTORIAL % | % L% yf &% geet aie Pl ¥,Politica de retomo | 1,000 | 1, Sevieto dentro “1 Gel extabosimiento | 0,733 | 1.000 Ambiente delestbleciniento | 0,74 | 0,710 | 1,000 ¥, Personal delestablecimionto | 0741 | 0.719 | 0.787_| 1.000 ¥, Profundidad \ de suntdo 0423 | 0311 | e429 | 0.445 | 1,000 | de surtido oan | 043s | os | 0490 | 0.724 | 1,000 | ¥, Disponibilidad a del producto 0427 28 | 0.479 | 0.497 | 0.713 | 0,719 | 1,000 | V, Niveldeprecios | 0.302 | 0.242 | 0372 | 0.427 | 0281 | 0.354 | 0.470 | 1.000 i Las dreas somibreadas epresentan las variables agrupadss por el aniisis Factorial FIGURA 3.1. Ejemplo ilustrativo del uso del andlisis factorial pars identificar Ia estructura dentro de un grupo Je variables. | rcatidadde producto | 0.307 | 0.240 | 0326 | 0406 | 0325 | 0378 | 0.472 | 0765 4,000 | 'Primer ANALISIS FACTORIAL 83 atkas. pero las agrupaciones de variables no son Figen La aplieacidn dl aniisis factor ates Mo resultado fa agcupacion de variables (2) ¥ ceimo ce refleja en ta parte 2 de Ta Figur St Mgnt aparecen unas pastas interesante, En pet [ugar se agropan cuatco variables, tds 61a ‘Agu ati experiencia de compradores dento de] erbecTt ‘A eontinuselon, tres Vi el antss explortoro a confiematorio? Seleecionae objets \.. Resume de datos © wensticaeion de bay estractras \_ Reduccidn de datos Confira Modelos de eeuucionesesrucaraes "Capita 11> Exploratario Segundo paso Seleccionar el tipo de sisi facial 206 ext siendo agropado as at Casos Analisis fatal tipo Q ‘alii claster (Capitulo 9) (Sy Disco de imestizariin {Cuiles son as variables inci? * {Came se mide Ta saris? {Cuil evel tse moestral deseads? Tewer nino Su Considersciones etaticas de normaldad iealidad y bomocedasticigad Homogeneiad dela mwesra [Nexosconceptusles acta uae pa, del analisis factorial FIGURA 3.2. Pasos 1-3en el diagrama de la deci dores utilizan algin tipo de analisis cluster (véase Capitulo 9) para agrupar los encuestados indi- viduales. También véase Stewart (37] para otras combinaciones posibles de grupos ¥ tipos de variables. arian Alsi |dos indi- grupos ¥ ANALISIS FACTORIAL Reduccion de datos eanaiss factorial también puede: (1) identiFiear variables suptentes de una serie de variables EL andgnde para su utilizaion en analsis multivalent pusteries. ¢ (2) crear una. serie de i etompletamente eva. mucho mis pequefd <1 Ni para reemplazair parcial @ comple rat a serie orginal de variables para su inclusion ef CE Tposterinres, Enambos eases. el propusto es retene fa naturale7a yl artjetet de las variables originales, pete rdhtcie t MUMEES er simplifear el analisis multivarante poster “Qungve fas técnicas multivarantcs se Tat Ha rollado para uilizar mltiples variables. el nvestigador siempre busca Ii serie de «tables deal para inclu en el aniiis. Tal y com $= PEO TE fel Capitulo 1, tanto las cu mre etonceptuates como ts empiricasrespaldan '9 E001 die medidas compuestas. El ani tones gr proporciona la base empirica para valora 3 estrus de lis variables yTa potencial pars foetoatas medidas compuestas 0 seleccionar una suserie ide vatiables suplentes para ea posterior. ree amen de datos hace que fa identficacin de as dimensic es subyacentes o las factores sean tines de por si ls estimaciones d 1s factors y Ios ‘contribuciones de cada variable a los tac= sores «Jenominadas cargas de los factores) constiuy™ todo To que se necesita para el anilisis. La sore on de datos depende también de las cagas de les Factores: no obstante. las utiliza como la trace para identificar las variables para su analisis ‘subsiguiente con otras tecnicas o bien para base Parjmaciones de los factores mismos (puntuaciones factores 0 escalas aditivas). que @ su sacetsemplazan las variables originales en anlisis suBSIEWIEFICS ‘Mas adelante, se trata el méto- Yo de calcular e interpretar las cargas factories El uso del andlisis factorial con otras técnicas multivariantes El aniliss factorial proporciona une visiin directa de fos interrelaciones entre las variables 0 los er anestados ¥ un apoyo empirico para abordar las cuestions ‘conceptuales que tienen relacion con encucsads gente de los dates. Tambien ueza un papel complement importante con otr@s ts eset avariantes mediante el resumen y i reuceton de dates ‘Desde la perspective del re- seer datos el anlisis factorial proporeiona al investigador 1 comprension clara de cuales sure ables podrian actor juntesy csntas de las variables reste ‘puede esperar que ten~ dee iapacto en el anaiis. Por ciempln. so esperari2 ae 1s variables altvmente corvelaciona~ Sar y mizinbros del mismo factor tuvieran perils similares de diferencia a través de los grupos das tae multvariane de [a varianza o en el aniliss iscrininar Los procedimientos que ent anit pact de las variables correlacionadas so Tos basaos 67 20 (stepwise) de lare- resign mutipe o el ariss discriminate, Estas wens introducen las variables, de forma se~ resign Mpasndas en su capacidad adicional de prediecion sobre Tas variables en el modelo. Cooatorne entra la variable de un facto. e8 menos probable die variables adicionales del mismo conor Gambign incluidas, porque estan altamente corelactonadas ¥ potencialmente tienen me- act aeidad de predicién adicional. que las variables que n9 00 ese factor. Esto no sig Fay je es otras variable del factor sean menos imparranies © 0000 ‘menos impacto, sino que ree Ato ya ha sido representado por la variable incluiga > 8 factor, El investigador compren- Gener elrazonariento que se halla tras fa inclusion de variables en esta técnica con un CO- hosimiento de ta estructura de las variables a vision proporcionada por el resumen de datos puede S67 incorporada directamente a otFas seen muttwarantes mediante cualquiera de as téenicas de Feduscio™ ‘de datos, El anilisis fac- weer proporsiona la base pars crear una nueva serie de variables que ineorporan el canister y Na ralevs de las variables originales en una cantidad de nuew ‘variables mas reducida, sea con Ie aaron de variables suplentes, sca con Ta puntuacién de facores © Tas escalas aditivas. De este urtiaacin en rede os problemas qu se asocian con las grandes ‘cantidades de variables « sane Sfgctones alta eng las variables con la sustitucign de fas Oe variables. El investiga are yede benetciase de las relacionesy fe wsion detallada ide lo base conceptual y la interpre tacion de los resultados.La reduccién y el resumen de datos pueden ser levados a cabo tanto con una serie de variables pre cexistentes como con las variables creadas por la nueva investigacion. Cus dor debe realizar una aproximacién conceptual para determinar qué variables incluir en el anilisis. El uso del andlisis factorial par alos es panic. larmente eritico cuando se requiere la comparabilidad a lo largo de un periodo de tiempo o en si riltiples. Cuando se usa en una nueva investigacién. el analisis tactorial puede determinar Ia estructura yio crear nuevas puntuaciones compuestas a partir de las variables origina les. Por ejemplo, uno de los primeras pasos en la construccion de la escala aditiva {vase Capit Jo 1) es valorar la naturaleza de su dimension y la conveniencia de las variables seleccionadas ‘mediante el andlisis factorial, Por tanto. aunque no es verdaderamente confirmatorio, el aniisis f torial se puede utilizar para valorar la naturaleza de una dimension propuesta Una vez que se especifica el propésito del anilisis factorial. el investigador tiene que definir la serie de variables a examinar. Por lo que se refiere tanto al andlisis factorial tipo R 0 tipo Q. el investigador especifica implicitamente las dimensiones potenciales que se pueden identificar me- diane el caractery la naturaleza de las variables sujetas al andlisis factorial. Por ejemplo. ela va loracion de las dimensiones de la imagen del establecimiento, el anilisis factorial no podria idertificar esta dimension si no han sido incluidas preguntas sobre el personal del establecimien- to, E] investigador también tiene que recordar que el andlisis factorial siempre producira factores, Por tanto, el anilisis factorial es siempre un candidato potencial para el fenomeno «basura dentro, basura fuera, Si el investigador incluye indiscriminadamente grandes cantidades de variables y espera que el analisis factorial «lo solucione». entonces la posibilidad de obtener malos resultados, esalta, La calidad y el significado de los factores derivados reflejan un acercamiento conceptual a las variables incluidas en el andlisis. El uso del analisis factorial como una técnica de resumen de datos no excluye la necesidad de una base conceptual para cualquiera de tas variables anali- zadas. Incluso si se usa meramente para la reduccién de datos. el anilisis factorial es mas eficien- te cuando las dimensiones definidas conceptualmente pueden ser representadas pot los factores obtenidos. se Usa Una nueva se Segtindo paso: El disefio de un anilisis factorial El diseito de un andlisis factorial implica tres decisiones basicas: (1) el céleulo de los datos de en- trada (una matrz de correlacién) para alcanzar los objetivos especificos de la agrupacion de varia- bles o encuestados: (2) el disefio del estudio en términos de numero de variables. las propiedades de medicion de las variables y los tipos de las variables permisibles: y (3) el tamaito de muestra necesario, tanto en términos absolutos como para la funcion del nimero de variables en el andliss. Las correlaciones entre las variables o los encuestados La primera decision en el disefio de un andlisis factorial se concentra en la aproximacién que se usa para caleular la matriz de correlacidn tanto para el andlisis factorial de tipo R como pata el de tipo Q. El investizador puede utilizar la matriz de datos de entrada a partic del citeulo de las co- rrelaciones entre las variables, empleando, por tanto, un analisis factorial de tipo R. El investiga- dor también puede elegir la matriz de correlacién de las correlaciones entre los encuestados individuales. En este tipo de andlisis factorial tipo Q, el resultado seré una matriz factorial que iden- tifica individuos similares. Por ejemplo. si los encuestados individuals se identifican por un nix mero, la pauta de factores de resultado podria indicamnos que los individuos 1, 5, 6 y 7 son similares. Del mismo modo. los encuestados 2. 3.4 y 8 quiza cargarian juntos sobre otro factory Clasificariamos estos individuos como similares. A partir de los resultados del anélisis factorial Q, se pueden idemtficar grupos o clusters de individuos que muestran una pauta similar sobre las va- riables que se ineluyen en el andlisis. lic Jos jeANAUISISFACTORIAL 83 ila 4 ees | Soe cerca) 1| ‘ Se, ol sate fables A | artiet b B F baat 5 ‘| t eee | ies ; : ' | = eae 4 ee ime Pentel podria ss esas alturas, una pregunta Lica sera, jcOmo s¢ diferencia el anilisis factorial tipo Q del ini . anilisisetuster. dado que ambes jraximaciones compara 1a pauta de Fespuesss 2 roo ‘de uit actores, ° serie de variables ¥ ‘clasifican a los: encuestados en grupos? La respuesta ¢s que el analisis fac~ dentro, torial tipo Q se basa en las, intercorrelaciones entre los encuestados, mientras qe ‘el andlisis clus- ablesy rorforma grupos que se basan en una rs Fada de similitud basada en Ta distancia entre Tas amas form Be eee as rans Pe Vitcreneia con caus runes es ae nnn Je a te Sere Fay 2 a ge 0 ea car casas EP a Fe SE SAE ae icien- «errs la apgoximacion de cluster sera sensible 2 Tas distancias reales entre las puntuaciones de eee fat asin pecan de proms rsa Fr Den Isenusi I pes A) Brian tale ‘i rei eas ccm vl a te et nee Cee ey Ee I iil ie oe grein vas om vez de a anasen de ue tneustaes aes fet | analisis. | is. La seleccion de variables y cuestiones de medicion ras casos, se pueden utiizar variables ficticlas ’ (covlificadas 0-1). aunque se consideran como no mins ‘Si todas las variables son ficticias. en- {cont as formas espevalizadas del andlisis factorial tales come ‘el anilisis factorial Boolean. son - tras apropiadas [3]. Ademis. el investigador debe ine Tninimizar el namero de variables que d rai riven: no dbstante, debe mantener un nimero rzonahe de variables por factor. Sise esté dic Se ane YG estudio para valorar una estructura propucst él ‘nvestigador deberd incluit varias va- : sie (einco.o mas) que puedan representar cada factor POPS El poder del andlisis factorial . rable contra pau etre grupos de variables ¥resull Pore utilidad en la identificacion Ahora es necesatio abordar dos preguntas: (1) zeGmmo se mt tas variables? ¥ (2) ,cudntas va re Geberian ser incluidas? Se supone. por repla genera}. Ve Tas variables a incluir en el ana= lisis factorial tienen escala métrica. En mt oe se ypuestos de ua orice variable Finalmente cuando S/S tuna investigacion 2° wctony | |¥ deers factorial el investigador deberia si cabe idee TO ‘variables claves ‘a ve~ vialQ, | ute a op indiendores elves owariables maradoras) Ue 905/27 detalle los factores las va fe subyacentes hipotéticos. de forma que se {acilite la validacidn de los factores derivades y Ia valo- oe gbre la significacion prctica de Tos resultados.tamalio muestral. generalmente el investigador no usitd el analiss inferior a 50 observaciones. y preferiblemente el tamaiin muestral Como regla general. ef minimo es tener por lo menos feces mayor que el nimero de variables a ser analizadas. siendo el io de diez a uno. Algunos investigadores proponen incluso un minim de Hay que recordar. sin embargo. que con 30 variables. por eiemplo, hay analisis factorial. Con un nivel de significacién de 0.03. es posible que correlaciones sean consideradas significativas y aparecerian en el anilisis ¢ por casualidad. El investigador siempre deberia procurar obtener el ratie s por variable para minimizar las posibilidades de «sobreajustary los datos (es | var los factores que son especificos a la muestra con poca capacidad de generalizacion) De todas formas. se emplea una serie de variables menor al estar guiado por consideraciones onceptuales y pricticas. Aun asi. se tienen tamaiios muestrales mas peque?0s Vio ratios mas bajos asos y variables, debigndose interpretar los resultados con cautela, La cuestion del tamano uestral serd abordada también en una seccidn posterior sobre la interpretacién de las cargas de; los factores : am Tercer paso: Supuestos en el andlisis factorial . Los supuestos basicos subyacentes del analisis factorial son mas de tipo conceptual que estadist- co. Desde un punto de vista estadistico, se pueden obviar los supuestos de normalidad. homo: cedasticidad y linealidad siendo conscientes de que su incumplimiento produce una disminucion 1 en las correlaciones observadas, En realidad, sdlo es necesaria la normalidad cuando se aplica una \ cu prueba estadistica 2 la significacién de los factores; sin embargo. raramente se utilizan estas prue- del bas. De hecho, es daseable que haya cierto grado de multicolinealidad, dado que el objetivo es identficar series de variables interrelacionadas. ‘Adicionalmente a las bases estadisticas para las correlaciones de la matriz de los datos. el in- vestigador tiene que asegurarse también de que la matriz tiene suficientes correlaciones para jus- * —tificar la aplicacion del andlisis factorial. Si la inspeccion visual revela que no hay un numero: sustancial de correlaciones mayores que 0.30. entonces el andlisis factorial es probablemente ina- propiado. Las correlaciones entre las variables también pueden ser analizadas con el célculo de las + correlaciones parciales entre las variables: esto es, las correlaciones entre variables cuando se tie- nen en cuenta los efectos de las otras variables. Si los factores «verdaderos» existen en los datos. la correlacién parcial sera pequeia. porque se puede explicar la variable mediante los factores (valores tebricos con cargas para cada variable). Si las correlaciones parciales son altas. entonces no existen factores subyacentes «verdaderosn’ y el anilisis factorial es inapropiado. SPSS [36] y SAS [33] proporcionan la matriz de correlacién anti-imagen, que es simplemente el valor ne- zgativo de la correlacion parcial, mientras que el BMDP 5 proporciona directamente las corelaciones parciales. En cada caso, las correlaciones parciales o anti-imagen mayores son indicativas de una imatriz de datos que no es quiz’ adecuada para el andlisis factorial Otra manera de determinar la conveniencia del analisis factorial es examinar la matriz de co- relacisn entera, El contraste de esfericidad de Bartlett, una prucba estadistica para la presen- cia de correlaciones entre las variables, es una de estas medidas. Proporciona ta probabilidad esiadistica de que la matriz de correlacién de las variables sea na matriz identidad. El investiga- dor debe tener en cuenta. sin embargo. que el incremento del tamafio muestra! de lugar a que la prue- ba de contraste de Bartlett sea mas sensible a la deteccién de correlaciones entre las variables. Ota medida para cuamificar el grado de intercorrelaciones entre las variables y la conveniencia del and- lisis factorial es la medida de suficiencia de muestreo (MSA). Este indice se extiende de 0a 1, liegando a 1 cuando cada variable es perfectamente predicha sin error por las otras variables. La i ‘medida puede ser interpretada con las siguientes directrices: 0,80 0 superior, sobresaliente: 0.70 © superior, regular; 0.60 o superior, mediocre; 0,50 0 superior, despreciable: y por debajo de 0.50, |amo de dlo. hay ble que analisis el ratio 0s (es savin), aciones is bajos tamaio gas de stadisti- homo- inucién jcauna clin aa jus- wamero ate ina ode las »setie- 5 datos, actores onces B6ly ‘lor ne- aciones de una de co- resen- bilidad estiga- a prue- s. Ota elani- al, les. La : 0,70 20.50. ANALISIS FACTORIAL 89 +3),22), BL MSA aumenta conforme: (1) aumenta el tamafio muestra, (2) aunentan «(ar aumenta el numero de variables o (4) desciende el mumere de factor ambien a las variables mdividuales, anaceptable [ tus corvalaciones media 182 Dal. Las mismas directrices de MSA pueden extendersé wes atizador deberia examnnar primero los valores MSA para cada variable y €\°4 aquellos Fi cach en Ta gama deinaceptables. Una vez que las variables india s logran un nivel acep) ete valora el MSA general y se puede tomar una decision sobre Is continaavion del iiss factorial Los supuestos conceptuales que subyacen en el analisis factorial sr totes Bicecionadas y la muestra elegida, Un supuesto basico del anilisis factorial es ais ets senate joctura subyacente en [a serie de variables seleecionadas. Es responsabilidad de! es ange aseaurarse de que las pautas observadas sean validas y conceptualmente aprapiad ar cigar el analisis factorial porque la ténica no tiene medios de determinar la convenienea. sPet- caine conelaciones ene Ins variables. Por ejemplo, la mezcla de variables dependien’s> <0" ‘Jopendientes en un solo aniliss factorial y postriormente el uso de los factones dials Pitt spor fs relaciones de dependencia es inapropiado. El investigador deberia asesvrr rambien sree fa mest es homozénea con respetoa la estructura de factor subyacente, Por eyo. econ del anilisis factorial esultariainapropiada para una muestea de hombres y ates Qe aeaaeae reintas opiniones sobre una serie de aspectos segiin el sexo. Cuando se combina tas dos epetuewras (hombres ¥ mujeres), las correlaciones resultantes y la estructura de factores Sern usin sepresentacida pobre dela estructura nica de cada grupo. Por tanto, cuando se esperan grupos dl eoieret en la muestra, ce dcben practcar andlisis factorales separados y los resultados dehen ser ‘ertrnarados para idemtficar las diferencias que no se reflejan en los resultados de a muestra com- binada, onan con kr serie de paso: La estimacion de los factores y la valoraci6n del ajuste general : Una vez que se expecifcan las variables y se prepara Ia matriz de correlacion, el mwestizadet esi preparado ara aplicar el andlisis factorial que idetifique la estractarasubyacente de 2s prePaczase Figura 3-4), Pata realizar esta operacidn, ¢6 necesario tomar decisiones con relacion wet) el método de extraccion de los factores (andlisis factorial comin frente al andliss de com masnenes principales) y (2) cl mimero de factors seieccionados para represenar i esinitur byacents en los datos. La scleccdn del método de extraccion depende del objetivo del invest sadn, Se utiliza el andisis de componente principals cuando el objetivo es resumit fa mivoria seietiprormaeson original (varianza) en una cantiad minima de factores con propositos de pr see jn Por el contrario. se utiliza el analisis factorial comin para identificar los factores subya- seer ios dimensiones que reflejan qué es lo que las variables comparten en comin. Para talgwiera de estos métodos, eb investigador tiene que determinar tambien el nimero de factors ue seprexentan la serie de variables originales. Tanto las cuestiones conceptuales como empiri cas afectan a esta decisién. El andlisis factorial comun frente al andlisis de componentes principales El investigador puede utilizar dos modelos basicos para obtener soluciones factories. Estos se Eonocen como analisis factorial comin y analisis de componentes principales. Con el fir & Seleccionar el modelo apropiado, en primer lugar el investigador tiene que comprensier las dite seregas entre los tipos de varianza, Para los propésitos del analisis factorial, existen tres tipos de “aanza total (1) comin, (2) especifica (también conocida como inica), y (3) error. Estos ti- pos de varianza y surelacin con el proceso de seleccion de modelo factorial se ilustran & la Fi- {ura 3.5. Se define la varianza comin como aquelavarianza en una variable que se comparte con7 ANALISIS MULTIVARIANTE ra Sela 4 |. Peer ec et ee a ee | sect ace ase erin is smponentes pil es Feetril comin aoaen specificain de 1a maz futons Deerminrel mumen de fastones user tetenidos La seleccign de un tod de otis {Deberin estar corslasionados (bliewos) 060 ‘Some lagna: os FactvesrtogonalsF? vine paso Mato obiew Opin a quinn Promax uirimas othephgse Deemer | | Tnveretacin de may Fatoal de ai a eespecifisain del modelo fist Se elimine alguna variable? EQuiee eambvar el mero de Factores! {Qunereoetpo de tain? si Sesto pase ‘al aa aco Muestras divides JRnitins sera por sebconjunios Menta neato amxentes Sepsis pase tare Seleciin de as variables sstiuts ( Cel de fs puntuaciones ie futores Crean de escalas sumads | | HOURA4, Pose 47 ene carne de doo del ands ato |ANAUSIS FACTORIAL 91 = = ‘Comunaldad ‘Comin | TO Narinea euenits ( Narianzs perdidas FIGURA 3.5. Tipos de varianza llevados a la matrz factorial todas las otras variables en el anilisis. La varianza especifica es aquella varianza asoctada sola. jnente con una variable especifica. La varianza de error es aquella vatianza que se debe a la poca frabilidad en el proceso de recoleccién de datos. al error de medicién o un componente aleatorio ‘en el fendmeno medido. El anilisis de componentes principales considera la varianza total y tims los factores que contienen proporciones bajas de la varianza tinica y. en algunos casos. la va~ rianza de error. No obstante, los primeros factores no contienen la suficiente varianza Unica o de terror como para distorsionar la estructura de factores en su conjunto. Especificamente. con el ana- Tisis de componentes principales, se insertan las unidades en la diagonal de la matriz de correla cion, para que se traiga la varianza completa en la matriz de factores, tal y como se indica en la Figura 3.5. Por el contrario, en el andlisis factorial comiin se incorporan Tas varianzas comparti- das en la diagonal. Las comunalidades son estimaciones de la varianza compartida o comin en- tre las variables. Los factores que resultan del andlisis factorial comin se basan solamente en la varianza comin, La seleccién de un modelo u otro se basa en dos criterias: (1) los objetivos del sndlisis facto- rial y 2) el grado de conocimiento anterior acerca de la varianza en las variables. El anilisis de Componentes principales es apropiado cuando el interés primordial se centra en la prediceion 0 el ‘minimo niimero de factores necesarios para justificar la porcién maxima de la varianza represen- tada en la serie de variables original, y cuando el conocimiento previo sugiere que la varianza es- pecifica y de error representan una proporcidn relativamente pequefia dc la varianza total. Por el ontrario, cuando el objetivo principal es identficar las dimensiones latentes 0 las construcciones representadas en las variables originaies y el investigador tiene poco conocimisiuw accrea Ge la va~ sianza especifica y de error y por tanto quiere climinar esta varianza, lo mis apropiado es utilizar el modelo factorial comiin. Se considera que el andlisis factorial comin, con unos supuestos mas restrctivos y a uilizacion exclusiva de las dimensiones latentes (varianza compartida), se basa mais en la teoria. Aunque tedricamente valido, no obstante, el anilisis factorial comin tiene varios pro~ ‘blemas. En primer lugar, el anilisi factorial comiin adolece de indeterminacién de factores. Esto significa que para cualquier encuestado individual, se pueden calcular varias puntuaciones de fac~ tores diferentes a partir de los resultados del modelo factorial [25]. No existe una sola solucién tini- ca, tal y como ocurre con el andlisis de componentes principales; no obstante, y en la mayor parte de los casos, las diferencias no son sustanciales. La segunda cuesti6n sc refiere al eélculo de las vvarianzas compartidas estimadas que se usan para representar la varianza compartida, Cuando se utilizan muestras de gran tamatio o un gran nimero de variables, os cdlculos pueden requerir tiem ‘po y recursos sustanciales del computador. Ademés, las Varianzas compartidas no siempre se pue~ en estimar 0 pueden no ser vilidas (es decir, valores mayores que | 0 menores que 0), !o que requiere la supresion de la variable del andlsis (véase el ejemplo empirico del analisis factorial comin abordado mas adelante en este capitulo) Las complicaciones del andlisis factorial comin han contribuido al uso generalizado del and- lisis de componentes principales. Aunque todavia los expertos siguen discutiendo acerca de cual de los modelos factoriales es el mas apropiado (6, 18, 24, 35), la investigacién empirica ha mos- trado resultados similares en muchos easos [38]. En la mayoria de las aplicaciones, tanto el andli- sis de componentes principales como los anélisis factoriales comunes Hegan a resultados22°) ANALISIS MULTIVARIANTE exceden de 0.60 para Ia mayoris de las variables. i cl investigador est@ preocupad por ie upnesis del analisis de Componentes principales, entonces debe aplicar tambien el andige factorial comin para valorar su estructura de representacin, sein eee a una decison acerca del modelo factorial. investigador esta preparado pag Feet ars sin rotacon iniciles, Con el examen de la matriz de factores sin o.acign extraer. Sin embargo. se debe esperar pars Criterios para el cdlculo del numero de factores 4 ser extraidos {Como decidimas el nimero de Factores que se deben extraer? Cuando una gran serie de «1 ables Neate ae een accion de factores, en primer lugar el metodo extrac las combinavions de tag Narables que explican la cantidad mayor de lavarianza y después continia con combinacionss que * Justifican cantidades de varianza cada vez menores. Para decidir cudntos factores se debs extraer, ¢l investigador empieza generalmente con algiin criterio predeterminado, tal como el orceniaje de varianza o el eriterio de raiz latent, sata legara un numero de factores especifen (xe abordan : adelante). Después de estimar la solucién inicial, se calcu. | iaygumero de estructurasfactoriales diferentes que se derivan de varias solueiones de prochon o investigador puede comparar y consrastar para llegar a la mejor representacion de les date Se Buede decir que todavia no se ha desarollado una base cuantitativa enacta para devidt el man Senet extraee No obstante, en general se utlizan los siguientes eriterios pare Ia i extraccién del numero de Factores Criteria de raizlatente La técnica que se uiliza més frecuentemente esl citerio de rai late : i Fata éenica es sencilla de aplicar La racionaidad que se usa para el eiterio de rae niga ns us cualquier factor individual deberia justificar la varianza de por lo menos une unica sarvole | Kan Satiable contituye con un valor de 1 para el autovalor total Por tanto, sdlo oe conse i rene ees as tenen ratcesLntentes 0 autovalores mayores que I; explicanalimenos use ee | riable, se considera que todos los factores con raices latentes menores gue I (explican menos de a sarge) no Son significatvas y por tanto, se desestiman ala hora de incorpovarioe le me, PreSlen, El uso del autovalor para establecer un corte es mis fiable cuando el numero de veri metals enntt 20 50. Si el mero de variables es menor que 20, hay una tendencls a sue ooo | Fe seas ttaiga un nimero de factores conservador (demasiado poco) por el contigs hay mas de 50 variables, lo més comin es que se extraigan demasiados frctoreerubles de las 2s que ‘trace, enigie vordan caleu- ANALISIS FACTORIAL 98 sirerio de porcentaje de varianza es una apron wdo especificado de la varianza total extra de los tactores derivadas. asegurande que & iganpor lo onenos una cantdad especies de a vaninye PS hha adoptado un uma ab explican pot agas ls apicaiones Sin embargo. en as ceneas nates procedimiento de f solute ar Tppente no deberia ser detenio Masta que [os Factores exva os ast lo menos rae ror eiento de la varianzao hasta que e factor justgue ssloens oe peque- a: el 5 por clen}. Por contrast en ls cienias sociales. donde Hee tnvchas fe men tee precisa, es normal considera ura Soluién que fepesente un 0 par CSN des eee otal (yen algunos casos incluso menos) como satsfactorit de eteciterio implica la slecciga de sufcemes factors pars One Oe smut para sada una de Tas varbles, Silas razonestebricaso pricticns SAVES sient mud eid praca warble eonces la investigaién incl anos rtores come S88 roi repesentar deforma adccuada cada una de Tas variables oisinaes terio de porcentaje de la varianza Ele! ‘pasa en obtener Un porcentaje acum +f una significaciOn practi crit macion que Se tia. El propasito ¢s asegura con el modeto de anilisis de componentes Criterio de contraste de caida Recordemos que (os contienen tanto la varianza comin como prineipales os factores posteriores que han sido ext: Pre pee nica, Aungue todos los factores conienen por lo menos ajguna varane’ lt la pro- foreidn de la varia inca es sustancialmente ins lta en os Factores posteriores que en los pri- aor otraste de caida se wiliza par identifica el nimnero Optio de Tacoves At pueden metas Foor antes de que Ia cantidad dela varianza nica empiece a dominar 0 set dela Hea fn [9]. Se estima el contraste de caida con el tazo de raices latent oo funcién del dane aorrvres en su orden de extraceion, y se wiliza ta forma dela cures consigus Dt sarge ol punto de come, La Figura 3.6 representa 10s primeros 18 Factores ‘extraidos de una in- cea op realizada por todos los autores de est libro. Si empezamos con © PANT factor. el tra seit jimente una inelinacion descendent ya continuaein se convie pauslinane =o aos mds 0 menos horizontal. Se considera que el punto en que la.curva emPIezt rectificar- une hea el miximo namero de factores a extract. En el caso que nos oc\Ps,$& incluiran los pri- 5: indi actores, Por encima de 10, se incluiria una proporeiOn de In vanianza AOI demasiado rari, po lo que ests factoes no son aceptables. Es importante ‘sehalar que con el uso del cri- aoa fea ltcnte, solamente se tienen en cuenta ocho factores, Pore! con™™rt, la utilizacién det tere i bntaste de eaida nos nroporciona dos Factores mis, Por rela general cl contraste de Cielo corte rene como resultado que se ineluyan uno y a veces dos o mis actores a Sionales que cuando se utiliza elcrterio de raiz latente [9] Heterogeneidad de la muestra _Lacxistencia de varianza compartda sot las variables es aera de los modelos de fctores comunes como de los de components, is Pen sub- Slvente esque ln varianza compartisa se extiende ato largo de foun MeN Si la muestra es are set al menos con respect aun subconjunt de variables. los primeros frome OT rar eaeas variables que son mis homogéneas a lo largo de toda la muesva 8s variables con vaivor eapacidad de discriminar entre subconjuntos muesrales cargarin sob Jos iltimos facto- ray cas ocasiones aquellos no seleccionados de acuerdo alos citeioscomentades TEST Te[t6], Cuando el objetivo sea idemtficarfactores que diseriminen entre sybeonan muestrales, Ar lsgpadordebera extract factoes adicionales ene aquellos seialados por Ios ‘métodos ante- convene uestosy exarniar la capacidad de los fatoresadicionales para disedininar ore Ce pos. Si resultan ser peores al diserimina, la solucién puede estar en proceder de nuevo y eliminar estos ultimos factores. Resumen de los criterios de seleccién de factores Fn la practica, ths ioe los reeestigadores ulilizan un dnico erterio al determinar cuantos factors extrite En su lugar, sreettent emplean un criteio como el dela raz latente como orientacion en un Primes intentoa | 94 ANALISIS MULTIVARIANTE | i 1 ' ( i z Chiro de ei tet avant Cherise contre decid | Po a at | orrs4s 60x eww ws wae mero de toe FIGURA 3.6. Grifico de autovalor para el criterio de contraste ce caida, dtc interpretacién. Después de haber interpretado los faetores. como se expone en la siguiente Secci6n, se valora su caricter prictico. También se interpretan los factores identficados mediantc otros riterios. Elegir el nimero de factores esti interrelacionado con la valoracion de Ie estructura, lo que se revela en la etapa de interpretacién. De esta forma. se examinan varias Soluciones factoriales con diferentes nimeros de factores antes de que la estructura este bier definida. Lin aviso previo @ la seieccidn del conjunto definitivo de factores: puede resultar incovenien: sy te seleccionar tanto muchos como pocos factores para representar los datos. Si se emplean poses Factores, no se evela la estructura correcta y pueden omitirse importantes dimensiones. Sise man. tiene demasiados factores, las interpretaciones resultan mis dificiles cuando se rotan los resulta, dios (como se expone en la siguiente seccidn). Tal y como ocurre con otros aspectos de los modelos ‘multivariantes, ¢5 importante la parsimonia. Una excepeion a destacares cuando el andlisis de fa tores se emplea en exclusiva para la reduccidn de datos y se especifica la extraccion de un aie Conjunto de varianza. El investigador deberia siempre esforzarse en conseguir el conjuto de fac. ‘ores lo mas representativo y parsimonioso posible. .Quinto paso: Interpretacion de los factores ER intepreiar las factoresy seleccionar la solucicn factorial defintiva se deben sep tres pass. En primer lugar. se calcula la matriatnicial de Factores no rotados para que nos dé una indicccsba reiminar acerca del nimero de factores a extraer. La matrz de factores contiene las carpe factoriales(véase el siguiente parrafo) para cada variable sobre cada factor Al caleulor Ia necae Ge Factores no rotada, el investigador simplemente esti interesado en la mejor combinacién neal de variables, es decir. en encontrar aquella combinacion particular de las variables originales que seerua Con el mayor porcentaje de varianza de los datos. En consecuencia. el primer factor pucde Sontemplarse como el mejor resumen de las relaciones lineales que los datos manifiesten, El Scaundo factor se define como la segunda mejor combinacin lineal de las variables, sujeta a la Fare si de ae Sea ortogonal al primer factor. Para ser ortogonal al primer factor el segundo jaotor debe derivarse de la varanza restante tas la entracion del primer factor Asi el secure factor puede definirse como Is combinacién lineal de las variables que de eucrta del mayor Poreenaje de varianza residual una vez. se ha eliminado de los datos el efecto del primer factor ‘fos factores subsiguientes se definen de forma aniloga hasta haber agotado la virianen de datos.sulta delos > fac: nivel 2 fac- asos. argas, vatriz, ineal sque uede a. El ala undo ando ctor ¢ los, al ANALISIS FACTORIAL samngan et objetivo de reducetin de Tos datos, PSY clin Las soluciones factorstes no Folds al, vadecui 2 10s FequIsitos Ms sa solve factorial no rade (Ue 58 vestigador debe PF wSrriicos deseables) facilid sOformacion que oftezca fa interpresacin TN, ‘adeeuads de [as eradas, La mayer part de las veces 1 aa lka set asi La carga factorial ese! waniables exe yas fae- Mio para interpreta rion que cada variable desempeti 3 definir cada factor. Las: Tes san [as correlaciones CHUTE 2 vin yarable y el factor. Las cargis 'n8/e el grado de Wey el factor, haciendo a una variable CO" ayor eatwa repre= Fondencia ene cada vari ora factor La solucion factorial no oxada puede no Sumit UP PRL S ficative jivos. el Usuario a dt arable. SS esta gUe OS HO Totados sean sii ade especificar que La * acidn no se Tleve a cabo. Generalmente: Potacion es deseable Pores samplifica la est aetowes-y habitualmente es Jifiell deter ia los Enctares HO FO- todos ser Se tue hace use de an metodo de Te TY ends SeionesFctorinis mAs SMES dee més signiiatvas En reas 2 lara i os atoes mera ENDS tary agua de tas ambiiedes QU in Js ans slucones To no rotadas. wi aegrera clap. iveSigNgOrVaLOO Heid de especificar de nuevo el Made Ge actores debido a (1) Ie eliminacion “ge variables en el anilisi. (2) el deseo ‘de emplear un méiodo de rotacién diferente para Jnterpretacion, (3) lanecesidad de atraer un niimero diferente de fae de rary el dese de cambiar de un metodo of aoe a oo. La espeificacion nueva del Ny torso) viene acompanada dela well aint ec con, rotacion de factores y de nuevo su interpretacion. ori gructra de 10S ificatives. Por tanto. él me Rotacién de factores Ua herramienta importante al iterPrert tos factres es la rotacion de Factores. EL ei) ro Una etgifies exactamenté fo que indies: ‘Genereramente. s€ giran en el orien 10s <1 de re- jor de los factores hasta aleamzar und scorer posicion, Como se indice previame tas rere ones factorales no rotadas EXE veres seg su orden de importancia. E} FA factor sais ser un factor general por el q¥e CT a arable se ve afectada sienificativan 1% dan- Uo cuenta del mayor porcentae so cor, Cada uno expla poreenajes de Var cada residual Spevores es redisebu a varianza 26 Tos primeros factores @ patton de factores mis simple ¥ tebricamente mas significativo. Et caso mas simple de rotaci6n c8 le nee Jor ortogonal, en la que 10s ejes Se MANN for- sand an angulo Je 90 grados. Tambien &s ose roar Tos ejes 0 mantenet et angulo de 90 tras entte los cjes de referencia rio no se limita a ser ortogonal ta rota 5 ‘denomina a eas rotacones de factors orogo0 Wy oblicua estan iustradas en Tas Figuras 3.7 y 3.8 res pectivamente a El segundo y Siguiente a ta varianza syetnores. El efecto altimo de rotar Is os ultimos para lograr Un una ilustracién de fa rotacién de factor La Figura 3.7, en el que se han represent, sinsjnco variables en un diagrams de Factores Catimensional, ilusira i rotacion de fACores El je vertical representa el factor no eet el horizontal el factor no rotado E10 indica el igen de coordenadas yendo estas 10's 1,0. El nimero sobre tos eles Fepresen las ear- fas factorales. Las cinco variables an enominadas como Vy. Vo Va¥ Ve ‘La carga fac- S08 gh para La variable 2(V/) sobre el factor Me ort att indigada horizontalmente mesons tora Pa de rayas del punto de los datos a ele aso Tel factor Il. Andlogamente se dibwle vina linea vertical de ta variable 2 af ele oa fatal del factor no rorado | para determi lacar- faa dela variable 2 sobre el factor tO" rocedimiento similar para as Vaahles restantes de- we i as cargas factorales para las solucione® Te to signs y rotadas, como se mucstra en {3 vera 3.1 a efectos comparaivos. SObTE €! PUAN rotor no rotado, todas las variables CorBs® bastante alto. Sobre el segundo factor no Crip. las variables | y 2 eargan muy alte el lado positive., J 96 sNALISIS MULTIVARIATE Faso sort Bea t eg ts “oak Fost | rotate E Rotacidn factorial ertogonal FIGURA 3.7, | {a tatlable 5 tiene una carga moderadamente alta en el lado negativo.y las variables 3 YAties fie nen cargas considerablemente inferiores en el lado negativo. io 1 tgpeceiOn visual dete Figura 37, resulta obvio que hay dos grupos de variables. Las va. as aeons ee gin duntas. asi como las 3.4 y'5. Sin embargo, este patton de variables macs ob- hob. 10s. Rotando los ejes originales en el sentido de las ic Ing daulas del rela), como se indica en la Figura 3.7, btenemos un patrén de carpe faeserrh comple fiple. famentedistinto, Nétese que al rotar los factores, los ejes mantienen el ngule de 90 grados. Este {Este Factor tt Rovacise so ret ‘onoxona: <9, ‘actor It Rosen oblicus | fet Fr ie | hy ro Ho Rowacién i ‘stan 030 > en Teter FIGURA3.8. Rotacidn factorial oblicua | |de las comple. dos. Este I 1 °8 « PS ANALISISFACTORIAL 97 omparacin entre carges fcroriols ford88 ¥ no rotadas Cangas tactoriales rtadas 050 0.60 090 x0 ' 0.60 prac iientoimpiea a 0s son matermticamenteindependientes¥ que 19 TO ba proce agonal. Después de rota ele de maser warables 3 y 4 earean muy Doce SOME side iy las | y 2cargan mucho sobre + ae I, Asi, el patton o agrupamiento de a0 Tr facto dos grupos resulta ms obvio ave TT “Hela votacion. incluso la posicbon relativa © com ar cracion de ls variables permanc, inalterada. aaa nisms peincipios generales dc 2s era ones ortogorales atafen 2 las oblicuas; E} me go dy fa oracian oblicua es mas Next ore tos ejes de Factores no nccesitan 6 OT onale’. do en es mas cealista porque ls dimensi oes subyacentes teoricamente mas importancs. $= jonen elacionadas ete si. En Figura 38 se eomparan Los das metodos de TOE Notese que poms acion de factores ablicua repress 2 ggrupamiento de variables con mas Prcsis4 Esa pre- tense deriva det heeho de que cada cle 3 eegores rotado esté ahora mas cerca del STA Te eotivo de variables, Ademas, 12 ee Oe ablicua provee de informacion sobre la medida en que pect crores realmente estan corelacionados 2 con otf. tao or parce de los investizadares extn d= on pando en que soluciones factoriales nO FO", dts aunque iis directs, no resultan swCIeeTe ae fpei,en muchos casos fa rotacién mejor (ashterpretacion patiando alguna de 95 a pedades que a menudo acompafan 2) analisis preli- ta iter altematvas disponibles on rote arzonal ola ablicua. EL objetivo dltime ce toda mat es obtener alts factors Corea Significativosy.sies posible 1a estuctare de face rota fs simple. La rotacion ortogonal 5S Drapes con mis frecuencia dada u pressncr todos Toe programas informaticos de andlisis ee ientas que Tos rétodasobliCUOS PO EE tan tos rgjos, Ademis, Ins rtseiones OTOEONT! icrtzan con inas Frecuencia porque 10s Proce See jentosanaitcos para evar a cabo o\a61o ®icuas no estan totalmente desarotladgos Y 5 Gienieavia suetos a controversia. Existen VaN%e rproximaciones distintas para Hevar © ‘abo xa ones ondogonales u oblicuas. Sin empareo. arin mero eseaso de procedimientos dc 1° ror iopptieua esta disponible en tamayorts Tos programas estaisticos por «50 ¢l investigador tac de acepar probablemente alguna J 10S provistos. étodos de rotacién ortogonal Enla piven. objetivo de todos los métodos de rauncon re implica ls filas y columns de la mat" ses gores para fciitar la interpetacion. En 00 tea exsten varias medidas que se relacionan con cada item aislado incluyendo ls carelacion sar eral (a correlacion del item con la puntuaciOn de la escala aditiva)o la eorrelacion inter ite (la corelacin entce items). La prictica empiricasugiere que la correlacin item-tota exceds 68 {30 y que las correlaciones intcr-item excedan de 0,30 [30]. El segundo tipo de medida de alae wants evel coeficiente de fiablidad que valora la consistencia de la escala enteral alfa de Cron- bach [27, 28) que es ln medida mas extensamente uilizada. El acuerdo general sobre el Vite inferior para alalfa de Cronbach es de 0,70 (30, 31}, aunque puede bajar @ 0,60 en la investiga:106 -loracién del alta de Cronbach es su relacidn positiva con Debido 2 que al aumentar el nimero de items, incluso con el mis. crementard el valor de la fiabilidad. los investivadores deben escalas con un mayor nimero de items. También estin dis. pomibies medidas de fisbilided derivadas del andlisis factorial confirmatorio. Dentro de ellas es. media extraida, ambas discutidas con mayor detalle en et utilizados contiene ahora médulos de evaluacién dor esta provisto de un andlisis completo de medidas fe flabilidad globales. En toda escala aditi-a debe. ion de su Validacién Habiendo asequrado que una escala (1) se adeca a su definicién conceptual. (2) ¢s unidimensional, y (3) alcanza los niveles necesarios de fiabilidad, el investigador debe rea- lizar una evaluacién final: la validaci6n de la escala. La validacién es la medida en que una es- cala o un conjunto de medidas representa con precisin el concepto de interés. Ya hemos discutido una forma de validacién —el contenido o validacién por confrontacion— en relacién 2 Jas definiciones conceptuales. Otras formas de validacion se miden empiricamente por la co- rrelacién entre los conjuntos de variables definidas teéricamente, Las tres formas més extensa- ‘mente admitidas de validacién son la convergente, la discriminante y la nomoléyica [8, 29]. La validacién convergente valora el grado en el cual dos medidas del mismo concepto estan co- relacionadas. Aqui el investigador debe buscar medidas alterativas de un concepto y correla- cionarlas con la escala aditiva. Altas correlaciones indican que la escala est midiendo el concepto que se pretendia. La validacién discriminante es el grado en el cual dos conceptos con- ceptualmente parecidos difieren. El contraste empirico de nuevo es la correlacidn entre las me- didas, pero esta vez la escala aditive esta correlacionada con una medida parecida, pero conceptualmente distinta. Ahora la correlacién deberia ser baja, demostrando que la escala adi- tiva es conceptualmente distinta de otro concepto parecido. Finalmente, la validacion nomolé- ica refleja el grado en que la escala aditiva hace predicciones precisas de otros conceptos en tun modelo basado en Ia tcoria. Fl investigador debe identificar relaciones apoyadas en invest acim previa o en principios acentados v evaluar.si la escala cuenta con las correspondientes relaciones. En resumen, la validacion convergente confirma que la escala esta corrclacionada con otras medidas conocidss del concepio. la validacién discriminante asegura que la escala es suficientemente distinta de otros conceptos parecidos que sean distintos. y la validacién no- mologica determina si a escala demuestra las relaciones cuya existencia se deriva de la teoria jt) y/o de investigacion previa. : Existen varios méiodos para evalua In validacin, que van desde el multirasgo las matrices | rmultimétodo (MTMM) alas aproximaciones basadas en ecuaciones estructurales. Aunque vayan as alld dal aleance de este libro, existen una serie de fuentes que orientan sobre el conjunto de métodos disponibles y de Ics aspectos implicados por las técnicas concretas (8, 20, 29] Resumen Las escalasaditvas, uno de los desarollos recientes en Ia investigncion académica, euentan con |" | aplicacién ereciente en investigacidn aplicada y también en gestion empresarial. La capecidad de | | la escala aditiva para plasmar conceptos complejos en una tinica medida reduciendo ci error de me- dida supone un eiiadido valioso en cualquier andlisis multivariante. El anilisis factorial offece al investigador una evaluacién empirica de las relaciones entre las variables, eseneial en la formacién de los fundamentos conceptuales y empiricos de la escala aditiva por medio de la evaluacién de la validacién det contenido y la dimensionalidad de la escalwacién nedidas adeb. ual. (2) be rea: hemos elacién r laco. xtensa- ptos en investi- dientes jonada scala es (on no- a teoria satrices 2 vayen tanto de tan con idad de de me- frece al macion cin de t ANALISISFACTORIAL 107 Calculo de la puntuacién factorial caterer alerativa para crear un conjunto mas pequein de variables es reemplzay cont rare Pegtculo de Ta puntuacidn factorial. Las puntuaciones factoriales consti original por me sptualmente. oe edias compuestas de cada factor calculadas para cads sujeto. Com *Gntucion Factorial representa el grado en el cul cada individuo punta en el grupo de items que ation orgaselevadas sobre un ftor, Por tnt mayors valores en as arabes Son 3S uepag Sore un factor rsultaan en uns mayor puntuacion factorial, Lina de tas earacteisticas ci car ierenci a pntuacOn factorial de a escala ative es que ls pumas factorial Se cal- we a ise Tas cree factories, mientras quel scala aiiva se alee commando S200 cate legis, Er consecuenca, aunque el investigadr sea capa de earaterizaun 510" Pot matriz factorial, sho dee en eho. Denominacién de los tactores Cuando se ha obtenido una solucion factorial satisfacto- Ua. ¢l investigador normalmente intenta atribuirle alg signifien ignificado. El proceso implica la i. — en esfueron paren oc Pan de cages fatorales para las variables nclodes oe ie lc la intetpretacion. debe selec. mnificacion para el factor. Normalmente. en la inter ignificativas. Pero las variables con mayores seleccionada para representar 3 I Aro carga significativas y el factor 2, dos. Para el factor 1. vernos d los grupos de variables, El pri- Tee aanseamivel de precios (2%) y ta calidad del producto (X.), ambas cos signos positivos. Las otras {fos variables, la rapidez en ei envio (X,)y la flexibilidad ce el nivel de precios varian precios (X,) tienen signos negativos. Juntos, lo mismo que la rapidez en el Por ello, la calidad del producto y “(imagen del productor) y X, (imagen ue Pas con Componentes de imagen, apuntando quia aun es duc ‘enen el mismo signo, suwirien-—a—_— 14. ANALISIS MULTIVARIANTE y similares en las respuestas no actuando en sentidos opus. x estas pereepciones son bastan ecno observames con ¢l primer factor | lobal (X,) no estaba incluido en el andlisis factorial, Cuan. se decidi6 no incluir esta variable, itivariante. ¥, podria incluirse como una variable 1 fuera ortogonal a la puntuacién factorial. © ¢l proceso de denominar los factores. Se habri notado que esti ba. nvestigador. En multitud de ocasiones. varios investigadores no 8 los mismos resultados debido a las diferencias en su fr | proceso de denominar los factores esta sujeto a una con. iar un nombre légico ue represente i naiuraleza ita la presentacién y comprensién de la solucidn tac~ -dimiento justificable subyacente de los facto es un proc por tant La aplicacion de una rotacién oblicua La rotacién VARIMAX es ortogonal. lo que sig | nifica que los factores permanecen incorrelacionados con el proceso de rotacién. Pero en muchas ‘casiones. los factores no necesitan estar incortelacionados ¢ incluso pueden estat conceptualmente ; ligados, lo que requiere una correlacidn entre los Factores, En nuestro ejemplo, es bantante razo- nable esperar que las dimensiones perceptivas puedan estar eorrelacionadlas; asi quedaria justf cada una rotacién oblicua. La Tabla 3.8 contiene las matrices de patrin y estructura con las cargas factoriales para cada variable sobre cada factor. Como se discutié mis arriba, la maiz de patro- res se emplea normalmente con fines interpretativos, coneretamente silos Factores cuentan con una alta correlacién entre ellos. En este caso, a correlacion entre los factores es slo del 0,12. por eso las matrices de patrones y estructura tienen cargas bastante comparables, Examinando las varia. bles que cargan alto sobre cada factor, notamos que la interpretacién es exactamente la misma que se encontré con la rotacién VARIMAX. TABLA 3.8, Rotacién oblicua de una mattie factorial del anzlisis de componente Cargas de rotacisn 1 ‘ots ‘able: Factor $ Conn igh Ao Maris eptones ongs i vlad etapa 0.03 66 Ay Nel depres ou oss i Flestidat depres 08 os i ge et abate ost os a a magen dl prot de venss 036 oar i : BC de poss 0738 oa | Matis geese / ‘X; Velocidad de entregs . 0.773 | ! Riel de prec O70 A Flea pesto oan: i X; Imagen del fabricante o.t6 i X¢ Imagen del personal de ventas 0.088 | B Cat de peti oon ! Matis deconseten dears Fase! Fasor2 Fass ona 1.00 “Los valores de las varinzas comparidas no son iguales al suma de les eargas al cundrado debido a ta coeelacion de los tactores, | | | Facer ia |esti by dores no ‘su for. sturaleza cin fae tele | 2. por eso \ rrelacin ae ANALISIS FACTORIAL sexto paso: Validacién del andlisis factorial La validacian de los resultados de cualquier analisis factorigl es esencial. especialmente cusmdo se aria estructura subyacete ene as variables, Optimamente, deviance ime als atonal con alu forma deans feo confrmatorin. elcwns I rome esructraes (seas Capital 11). peo esto a miemido noes facie. Deberes dele rr medion como el anlisisdedvisién dele masta apfcacon a rmuestras ene Soe ee ernplo. dividimos Ia muestra en dos partes iguales de SO respuesas sfeestmanys vos mriilos faetoraies para conrastor la comparabilidad, La Tabla 3.9 contiens las rorcions Wy RiutaX para los dos modelos factorales, junto alas comunalidades, Como puede vor las dos ant umes VARIMAX son bastante comparables en términos tanto de tas cargos cos de las co. isu para las seis percepciones, Un suceso notable es el cambio de signo del acto" nire las Variables Tr primera submuesta fente a I segunda. Las interpetaciones de fa relacion ina ejemplo, la rapidez del envio crece. la percepeion éel nivel de precios deerece) so camibian org estn relacionadas com las cargas en eada factor Ce oSMfos resultados, podemos estar mas seguros de que los resultados son estables lento de rucarg muestra De ser posible, nos gustaria evar a cabo un trabajo posterior obteniendo respuesias mcionales y asegurando que los resultados se generatizan entre la poblacion. Séptimo paso: Usos adicionales de los resuitados del andlisis factorial Elinvestigador tiene Ia posbilidad de utilizar et andisis factorial no s6lo como instrumento pars aaarrtrdatos, como hemos visto en a discusion previa, ino también como instrumento part re~ sas on En este contexto. el andlisis de factores podria servir de ayuda para educir cl mime oer aa sples,o para seleccionar un conjunto de variables suplenes, una por factor, o creando «ora variables compuestas para cada factor. Las siguientes secciones detallan los aspectos pro- pias de la reduccidn de datos para este ejemplo Geleccién de variables suplentes para un andlisis subsiguiente Examinemos los da- cvs de la Tal para ia seiecein de vaniaines supientes, Pviane- 3.7 puta aclarar of prosaic TABLA 3.9. Validocién dol andlisis de componente por estimacién de division dela muestra VARIMAX Cargas rotadas VARIMAX Kariables Factor | Factor 2 Commatidades Muestas de division | . Velocidad de entregs 0.695 0397 0.64 Ny Nivel de precio 0142 062 X; Flexibilidad de precio 0.098 0.69 1g Imagen del fabricante M 944 ony 1 Imagen del personal de ventas 0,056 0916 084 1} Calidad de producto osil 0,083 0.66 Muesteas de division 2 1 Velocidad de entregs oxa2 0.902 ont {Ay Nivel de precio -0.625 0.396 055 “A; Flexibilidad de precio 0829 0.107 0.70 1 Imagen del fabricante 0.167 ogis 087 ‘yj Imagen del personal de ventas 0.008 0.945 089 1X} Calidad de producto 0.681 0315 05610. recordemos que las variables suplentes deberian seleccionearse sélo cuando la rotacion sea g,, togonal. porque cuando estamos interesados en utilizar variables suplentes en anilisis subst guientes, es Jo mejor, en lz medida de lo posible, que las variables independientes esten incorrelacionadas entre si. Por ello debe clegirse una solucién ortogonal en lugar de una oblicuy Suponiendo que queremos seleccionar una Gnica variable para su uso posterior. antes que construir una escala aditiva o utilizar la puntuacién factorial (véanse las siguientes secciones). esa. ‘minariamos la magnitud de las cargas factoriales. Centrandonos en las cargas factoriales del fac ‘vemos que la carga para la variable 1, es 0.933 y para la variable es de 0.934. La seleccicn un representante es diticil en casos como éste porque los tamaios de las carvas son esencil identicos. Sin embargo. si no tenemos pruebas previas que sugieran que la fiabilidad o v9. ‘on para una de las variables es mejor que para la otra, podriamos seleccionar la \. con iplente, sabiendo que representa elementos de ima F grado, Dada’ lis alias a ambs variables, la seleccidn de una sola podria ser suficiente debido al alto grado de intereorrelacin entre ellas (mostrado por las altisimas cargas sobre el mismo factor o componen, t=), De la misma forma, las cargas para el factor | son de 0.714 para la variable 1 y de 0.74 para \...con cargas negativas comparables para ¥, (-0.787) y 4, (-0.804). Para ambos factores. ning. na variable «representa» el mejor componente; por lo que la puntuacién factorial o escalas adit. vvas serian mas apropiados. Creacién de escalas aditivas Una escala aditiva es un valor compuesto para un coniumo de variables calculado por un procedimiento tan sencillo como tomar la media de las variables en ln escala, Esto es bastante parecido a los valores tedricos en otras técnicas multivariantes, excep. to que las ponderaciones para cada variable se supone son iguales en el proceso de promediac El analisis factorial ayuda en la construccién de escalas aditivas identificando la dimensionalidad de las variables, que puede entonces estar relacionada con la definicién conceptual. En este ejemplo, la solucién de dos factores sugiere que deberian construirse dos escalas aditivas. Los dos factores, \ratados previamente, corresponden a dimensiones que pueden denominarse y relacionarse can com. eept0s con un contenido de validacién adecuado. La dimensionalidad de cada escala estd apoys dda por a interpretacién «clara» de cada factor. con mayores cargas factoriales de cada variable solo sobre un factor. La fiabilidad de las escalas aditivas esté mejor representada por el alfa de Cron. bach, que en este caso es de 0.77 para la escala | y de 0.85 para la escala 2. Ambos valores exer. den cl nivel recomendado del 0,70, Aunque no hay disponible ningiin contraste directo para cevaluar la validacién de la escala activa, se pueden hacer comparaciones coa sasaiisis hechos con las variables originales y la puntuacién factorial. La Tabla 3.10 ilustra el uso de las escalas aditi- vas junto con la puntuacién factorial como sustitutos de las variables originales. Seleccionamos el cjemplo de identificar diferencias entre respuestas de pequefias empresas frente a grandes (1). Las esealas aditivas muestran los mismos patrones de diferencias entre pequefas y grandes empresas ‘anto en variables individuales como en ta puntuacién factorial. Por eso, demuestran cierto nivel de validacién convergente con estas otras medidas. Los diferentes signos de las cargas del factor | apuntan a un aspecto importante al construir es- calas aditivas. Cuando las variables tienen cargas tanto positivas como negativas dentro del mis. mo factor, o bien las variables con las cargas positivas o negativas, deben tener los valores de los datos cambiados. Normalmente, las variables con las cargas negativas tienen ls puntuacidn facto- rial cambiada por lo que las correlaciones, y las cargas, estén ahora en positivo dentro del factor La puntuacién inversa es el proceso por el cual se cambian los valores de los datos de una va~ "able para que las correlaciones con las otras variables cambien de signo (esto es, pasen de nega tivo a positivo). Por ejemplo, sobre nuestra escala de 0 a 10, podriamos cambigr la puntuacién de una variable sustrayendo de 10 el valor original (cs decir, puntuacién inversa = 10 - valor or nal), De esta forma, las puntuaciones originales de 10 y 0 ahora tendrian las puntuaciones inver- sas de 0 y 10, Se mantendrian todas las caracteristicas de la distribucién; s6lo que la distribuci seria la opuesta Ta Gnalidad de la puntuacidn inversa es evitar una wcancelaciSn» de variables con cargas po- sitivas y neyativas. Usemos como ejemplo dos variables con una correlacién negativa, Vy V.con es ee ee hai i sel Lasclon wi coma altas do de pars ingu: adit. {junto ses en sxcep. ine. EL hadde mpl. tores, com spoya- le sola Cron © para oscon sadit- mosel soe Las vpresas o nivel aires: sl mis- de los 1 facto- facto. tna ve nega sidn de = origi- inver bucién as po- hi. sel Lis el tie ANALISIS FACTORIAL HI Valoracién del reemplaze de las variables originales por puntuaciones de factores o TABLA 3.10. ‘eccalas auitivas sees ge reece eect eee ee Prucha estadistica Diverencia de media enne grupos de encuestades Tnasuela cnt Np. sama de empress Puntuaciones de media Prucha-F po | Gru) Medida renpresas grandesenpresas Ratio Sigguificaetun Variables originales 1 Velocidad de entrega* 419 250 ou o.000 [Xs Nivel de precio 198 399 2o von) LX; Flexibilidad de precio” 862 6.80 70.2 0.000 1X; Imagen del fabricante 5. 530 ol 6.709 “Xglmagen del personal de ventas 2.69 2.63 02 oer 1X, Calidad de producto 6.09 829 862 0.000 Puntuaciones de factores Puntuacion de factor | 0640 0.959 139.8 0,000 Puntuacién de factor 2 0082 -0.078 ost 0.535 Escalas aditvas Escala | 3.81 599 156.8 0,000 Escala ? 3.95 3.96 0.00 0937 Corretaciones entre las puntuaciones de factores las escalas aditivas Puncuaciones de factores Escalas aditivas! Puntuacién de factor t Puntuacion de factor 2 Eseala adtiva ‘Escala aditiva 2" 1.000 0.000 0.995 0.075 0,000 1.00 0.085 0.985 0.995 0.085 1,000 0.154 0.075 0.985 0154 1.000 © Tene carga de foes news. eeenen a eee como putcin media ao ago de los ancl, Por ejemplo, escala | sla mein de, 1", teniendo carga positiva y V. tope en V, seria 0. Supongamos scala invers,debido a ss carzas de factres negtvas, \epativa, Esto significa que si 10eles la puntuacién tope en Ve ahora dos casos, En el caso 1. Y, tiene un valor de 10 y V, de 0 (el tnejor case). En el caso 2, iene un valor de O y V, 6e 10 (el pear caso). Sia V no se le invies- tela puntuacin, entonces Ia escala de puntuacien calculada sumando las dos variables para am- tos casos I'y 2s 10, sin mostrar ninguna diferencia, mientras que sabemos que el caso 1 es cl mejor y el caso 2 el peor. Si invertimos la puntuaci Caso I tiene valores de 10 y 10 sobre Vy nde V, sin embargo la situacién cambia. Ahora el respectivamente, y el caso 2 tiene valores de 0 y 0. La puntuacion de escala oditiva es ahora de 20 para el caso ! y 0 para el caso 2, que los distingue como la mejor y Ia peor situacién. Uso de las puntuaciones factoriales En lugar de calcular las escalas aditivas, podria: mos calcular las puntuaciones factoriales para cada uno de los dos factores en nuestro andli= ide componentes principales. De esta forma, eada respuesta contaria con dos nuevas. vars (puntuaciones factoriales para Jos factores | y 2) que podrian sustituir a las seis variables ort thales en otra técnicas multivariantes. En el eontraste de diferencia de medias entre dos grt pos de respuestas (Tabla 3.9), ‘vemos que todas las variables que cargan alto sobre el factoree (41, 4. 1, yA‘) son sigbificativamente distintas en las respuestas de pequeiias ¥ grandes em, presas. mientras que [as Variables que cargan alto sobre el factor 2 (1, y N.) no cuentan con di ferencias significativas. Las puntuaciones factoriales y las esculas aditivas deberian mostrse patrones similares si son realmente representativas de las variables. Como se vie en la Tabla 3 1g las puntuaciones factoriales difieren en concordancia con este patron. La puntuacion factorial | muestra diferencia signficatvas que In puntuseig del factor 2 no wene. Se coniemplan df encias similares entre ambos grupos para las escalas aitvas. Ademis estas escalas extn al} tamente correlacionadas con las puntuaciones factoriales. Por eso, en este ejemplo, tanto las ntuaciones factoriales como las escalas aditivas retratan con precision los Conceptos que re Seleccidn del método de reduccién de los datos Si las variables originales se van g feemplazar por las puntuaciones factorales 0 las escalasaditivas, se debe decidir su uso Eva 2, decision esté basada en la necesidad de réplica en otros estudios (que favorece el uso de esea las aditivas) frente al deseo de ortogonalidad de las medidas (que favorece las puntuaciones fac. torialcs). La Tabla 3.10 también contiene la matriz de correlacién de las puntuaciones factoriales y las escalas aditivas, Debido a que empleamos una rotacién ortogonal, la correlacian entre las Puntuaciones factoriales es de 0.0. Pero las escalas aditivas pueden estar correlacionadas y en este caso Ia correlacidn esa de 0.1545. E1 investigador debe averiguar la necesidad de la orto. gonalidad frente a la replicabilidad al seleccionar las puntuaciones factoriales frente a las esca. las aditivas Analisis factorial comun: Pasos cuarto y quinto ‘ El analisis factorial comiin es el segundo modelo de analisis factorial que presentamos. La prime +a distincién entre analisis de componentes principales y andlisis factorial comiin es que el iltimo 3 ‘considera sélo la varianza comin asociada con un conjunto de variables. Este objetivo se cumple + factorizando una mattiz de correlacién «reducida» con comunalidades iniciales estimadas en la dia. sgonal en lugar de unidades. Las diferencias entre el anilisis de componentes principales y el ané- .# isis factorial comin aparecen en las etapas de estimacién de los factores y de interpretacion {pasos 4 y 5). Una vez que las comunalidades estan en la diagonal, el modeto factorial comuin ex- trae los tactores de un modo similar al anatisis de cotopuncntes principales. El investigados Uli za los mismos criterios para la seleccién de los factores y su interpretacién. Para ilustrar las diferencias que pueden aparecer entre andlisis factorial comin y de componentes principales, las ~ siguientes secciones detallan la extraccidn e interpretacisn en el analisis factorial comiin de las seis percepciones HATCO empleadas en el andlisis de componentes principales. Cuarto paso: Derivacién de los factores y valoracién del ajuste global Se ha empleado la matriz de correlaciones «reducidas» con las comunalidades en la diagonal en eLanalisis factorial comin, Notese que 2, se omitié del analisis de componentes principales debi- do a un valor MSA inaceprable. Si se hubiera incluido en el andlisis factorial comin, sin embar- 0, la comunalidad nc’se podria haber estimado en la extraccidn original de factores. Por eso, el Analisis factorial comon todavia podria haberse levado a cabo con seis variables incluso si X, n0 se hubiera eliminado debido al bajo valor MSA. : El primer paso es determinar el nimero de factores que se mantendran para su examen y po- sible rotacién, La Tabla 3.11 muestra las estadisticas de la extraccidn, Si fuéramos a empleat él criterio de raiz latente eon un valor de corte de 1,0 para el autovator, se mantendian das facto- res, Sin embargo, el anilisis de caida indica que se retienen tres factores (véase Figura 3.10). Al combinar estos dos criterias, mantendremos dos factores para el anlisis posterior debido al bajotactoria -mplan di sestan al. smo las tos que re- wuso, Esta so de esce sciones fac factoriales on entre la rnadas ¥ €= » se cumple as enladia les y el and- terpretacion inde lasses diagonal en pales debi- «sin embar- Por e50, 2 uso si X50 samen y PO -emplear el nn dos facto ura 3.10). Al sbido al bajo ANALISIS FACTORIAL 119 TABLA 3.11. Resultados para ls extraccion de factores comanes Porcenaie Parcentaye Autovator de variance cactumilute de vari 1 251049 419) a9 2 3: 20 0s 3 100 sas 0.52956 SS sr 5 oatst3 69 one 6 020822 ad 100 ss de com valor del autovalor para el terer factory para mantener la comparabilidad 98 anil ponentes principales. De nuevo, como em el sumalisis de componentes principales examinado pre Foe eatigadordeberia emplear una combinacion de eniterios ova detennn el numero vie pantener y podria incluso examinar [a solucion de tres Factores como YS alte rativa : V2 are de factors no rotados (Tabla 3.12) muestra que fa solucion fatal Comet dacuen- «nde ses toe cienta del otal dela varianza. Debido a que et modelo facional Soe final difie- 19d 38.6 po Se inaciones de extraceion incales (véase Tabla 3.11; el invesiene deberia £8 ete en iestadstcas de extracion pare el modelo factorial comén 1h Siel in- sees no estuviera satisfecho cool varianza total explicads, pods snr ‘ademis un mo- vest communes que enaiga tes factres, Notemas que las comers a0 de cada elo dearer oneal encontaas en cl anaisis de components principa'es, Faro se debe en tamer igor ala menor varanza global explicads, no a compe amie de ninguna variable. De Pre Hye ploracian del modelo de tres fctores podria ser realizada por inerenere las comu- aaa raat la vrianza general explicad. Para muss pfoposits aqui Imemreines la solucion de dos factores Quinto paso: Interpretacién de los factores aecianteel examen de las cargas no rotadas, serasamos la necesiday ¢& Sot rotacion ae matriz area Nos centramos entonces en el andlisis factorial comin rotado ‘VARIMAX (Tabla 3.13). Feaminemos edmo se compara con Ta matriz del anslisis de componentes de Factores rotados. aw [ ° Crier deri tem Cairn de FIGURA 3.10. Conttote de caida paral slucion del andisis factrialcomdnTABLA 3.12. Matriz ge factor comin sin rotacién Comumalidaster 030 4s 032 0.629 0.602 062 ‘Suma de cuadrados (autovalor) Porcentaje de azo" + Tam (0 (soma de los aurovalore La informacion que proporciona la solucin de factores comunes es similar a aquella que propor ir ciona Ia solucidn de anilisis de componentes principales. Se proporcionan las sumas de cua. |. drados, los porcentajes de varianza, las comunalidades, las sumas totales de cuadrados y las fs varianzas totales extraidas de la misma manera que con la solucién del analisis de componen- tes principales. ‘Una comparacion de la informacién proporcionada en la matriz de andlisis factorial cominde fe factores y la matriz del anilisis de componente de factores rotados demuestra una sirilitud nota. ble. Las diferencias principales entre el andlisis de componentes principales y el analisis factorial {al comin son las cargas generalmente mas bajas en el anilisis factorial comin, principalmente de- bido a las varianzas compartidas més bajas de las variables utilizadas en el anilisis factorial {ia comin, Otra comparacidn que podria ser de utilidad pare el investizador es el porcentaje de la va- | rianza total indicado por cada factor. En el andlisis de componentes principales (Tabla 3.7) los dos | os factores con rotacién tenian una diferencia de un 8 por ciento (39,5 por ciento frente a 31.4 porcien. | ae tment) Ex los ellos de factor contin (Tabla 13), lade leon adapeson fe para los dos factores es casi igual en la varianza indicada (31.0 por ciento para el factor I y27.6 6 por clerta pars +! factor 2). Sin 2~harae, inelaso con estas diferencias tan ligeras em! war'enra ik | indicada, las pautas de las cargas y las interpretaciones basicas son idénticas entre el andlisis de com- ponentes principales y el anilisis factorial comiin TABLA 3.13. VARIMAX matriz de factor comin con rotacion Cargas con rotacion | VARIMAX ' passes ae eee | variables Factor Factor? Comunalidades {wnt aeonep 068 ; || Xi Nivel e precio 0620 043 | 1X: Flesibided de precio 072 052 | 1. Imagen de fabseante 0.108 087 ‘XImagen del personal de vents 0.037 on X¢ Calidad de producto osm oa Tau Suma de cuadrados(autovalor) 1.86 186 3.2 Porcentaje de taro 310 16 386 + Tra 0 summa de los autovaloces{que propor nas de cua. irados y las ‘companen. al comin de nilitud nota: isis factorial valmente de- sis factorial aje de la va. 3.7), los dos 1.4 por cien- n adispersay or Ly 276 is youteere lisis de com- wmalidades 0.50 03 032 O87 072 048, if 3.52 586 ANALISISFACTOREML 121 aa consideracion gerencial de fos resultados ‘Tanto el andliss de componentes principales como et alisis factorial comin propersionan alin rare dor varias ideas claves acerca de a estructura ce las variables v las opciones paral reduecion Sees en primer hugar.con relaciin ala estractura de Is variables. evistenelaramente dos dt oe aevones de valoracion separadas y destacadas uilizadas por los clientes de HATCO, Una die meeian, denominada el valor basico, se reiere a los aspecios tangibles de! HATCO y st. Productos, Deno de esa dimension existe una concesion ene el previe del product la cal rretfente alos caracterticas de a velocidad de entrega y la Menibifidad de precios. La scaund Gianeneion la imagen de HATCO, se refiere alas percepciones de imazen del tabricame y su per sonal de ventas Los planiicadores empresariales dentro de HATCO pueden debatir planes a pant ce estas dos jreas en ve2 de tener que tratar con las variables por separado, canals fatorial tambien proporciona la base par la reduccin de datos mediante ks eseaas aditivaro ln puntuaciones de factores. El investigador tiene ahora un miétodo para combinar la seinbles dentro de cada factor y con una puntuacidn tnica que puede reemiplazar li sevie de wa Nables original eon dos variables compuestas nuevas. Cuando se buscan diferencias. tales come: ciel que exsten entre las ernpresas grandes y pequetas. esas nuevas variables compuestas irleden se ulizadas para que solo se analicen las diferencias en dos valores. ef valor hisiey © En este capitulo se ha presentado la tgenicaestadistica multivariante del anlisis factorial en t&t- mninos coneeptusles amplios. Se incluyen directrices basicas para interpetar los resultados par cla- Tifear aun mas los conceptos metodologicos. Se prescnta un ejemplo de la aplicacion del analisis factorial basada en la base de datos en el Capitulo 1 El andlisis factorial puede ser una técnica estadistica multivariante muy atl y poderosa para la cextracelon efectiva de informacién de las grandes bases de datos y descifiar grandes cantidades de Gatos interrelacionados. Cuando funciona bien, indica relaciones interesantes que podrian no ha- ber sido obvias mediante fa simple iavestigacién de los datos primarios 0 incluso la uulizacron de ‘una matriz de correlacidn. El andlisis factorial tiene la capacidad de identificar series de variables relacionadas ¢ incluso desarrollar una dinica medida compuesta para representar la serie entera de ‘atlables relacionadas. con lo que se ofece al investigador una herramienta poderosa para obt yer una mejor comprensién de la estructura de los datos y ura manera de simplificar otros andli- is de una tran serie de variables mediante las variables compuestas de reemplazo. Las aplicaciones potenciales de las téenieas analitieas de factores para la soluciin de problemas y para la toma de Fecisiones en la investigaciOn empresarial son numerosas. El uso de estas téenicas continuara cre- iendo conforme los investigadores adquieran familiaridad con los beneficios del resumen de da- tos y Ia reduceién de datos. El analisis factorial es una cuestién mucho mas compleja y énrevesada de lo que podria pare- cer tras esta breve exposicidn. Tres de las limitaciones mas citadas son las siguientes: primero, exis teri muchas téenicas para llevar a cabo los anilisis factoriales y existe cierta controversia acerca ide cual de las tZenicas es la mejor. En segundo lugar, los aspecios subjetivos del anilisis factorial {por ejemplo, decidir cudntos Factores extrac. qué técnica deberia ser utlizada para rotar los oes feetorrales, cuales de las cargas de factores son importantes) estén todos sujetos a muchas diferencias de opinién, Tercero, el problema de fiabilidad es reat, Igual que con otros procedimientos esta- distigos, un andlisis factorial empieza con una serie de datos imperfectos. Cuando los datos cam- pian como resultado de cambios en Ia muestra, el proceso de recogida de datos, o numerosos tipos errores de medida, los resultados del andlisis también cambian, Los resultados de cualquier simn- pleanilisis son, por tanto, algo menos que perfectamente seguros, Este problema es especialmente1 qué punto 1s multivariantes? 3s te Expliquelas brevement des de una solucién aniltica de un Unico fostor 1 que la credibilidad no es gerantia de valid los objetivos del resumen de catos y la lisis factorial ayudar al investigadar a mejorar los restliados de fuccion de datos? piles son las directrices que se pueden usar para determinar el niimero de factores a ey, 4, como se usa la riatriz de carga de factores para interpreta el significado de los Factores? 5. {Como y euindo se deben usar hhieas estadisticas multivariantes? las puntuaciones de factores conjuntamente con las otras téc. 6. {Cules son las diferencias entre las puntuaciones de factores y las escalas aditivas? (Cun. tio resulta mas ap’opiada la aplicacion de cada una de ellas? 7. gCuil es la diferencia entre el anilisis factorial tipo Q y el andlisis cluster? ‘el investigador una rotacion oblicua en vez de una rotacién ortogonal’?

Você também pode gostar

• Personalidad Resistente Estres y Bienestar

  

  Documento8 páginas

  Personalidad Resistente Estres y Bienestar

  Anthony Salas

  Ainda não há avaliações
• Ejemplp de Ingeniería Conductual para Diseño de Intervención

  

  Documento2 páginas

  Ejemplp de Ingeniería Conductual para Diseño de Intervención

  Anthony Salas

  Ainda não há avaliações
• Programa Criminología 2016-U

  

  Documento2 páginas

  Programa Criminología 2016-U

  Anthony Salas

  Ainda não há avaliações
• • Revistas
  • Podcasts
  • Partituras
• Suma Contra Los Gentiles

  

  Documento9 páginas

  Suma Contra Los Gentiles

  Anthony Salas

  Ainda não há avaliações
• La Patria Mitica

  

  Documento12 páginas

  La Patria Mitica

  Anthony Salas

  Ainda não há avaliações
• Primera Guerra Mundial. Trabajo Final

  

  Documento11 páginas

  Primera Guerra Mundial. Trabajo Final

  Anthony Salas

  Ainda não há avaliações
• Dis 38

  

  Documento49 páginas

  Dis 38

  Anthony Salas

  Ainda não há avaliações
• Evaluacion Matemáticas 1° Básico

  

  Documento4 páginas

  Evaluacion Matemáticas 1° Básico

  ADRIANA

  Ainda não há avaliações
• Aca 3 Logica

  

  Documento25 páginas

  Aca 3 Logica

  Edwin Paez

  Ainda não há avaliações
• Matemática Inicial - IUT Delta

  

  Documento10 páginas

  Matemática Inicial - IUT Delta

  Jean Carlos Rivas

  Ainda não há avaliações
• Codigo para El 16f84

  

  Documento30 páginas

  Codigo para El 16f84

  neoflash

  0% (1)
• 2019-1 DMAE E003 06 Medidas de Posicion

  

  Documento11 páginas

  2019-1 DMAE E003 06 Medidas de Posicion

  Joaquin Ignacio Milla Fuentes

  Ainda não há avaliações
• Ejercicios para Clase

  

  Documento4 páginas

  Ejercicios para Clase

  Luis Egberto Alvarado Pintado

  Ainda não há avaliações
• Ulti

  

  Documento16 páginas

  Ulti

  Tania Miranda

  Ainda não há avaliações
• Fundamentos de Teoría Armonía

  

  Documento45 páginas

  Fundamentos de Teoría Armonía

  Fernando Ruiz

  100% (3)
• Med2 U3 A2 V1 Feac

  

  Documento3 páginas

  Med2 U3 A2 V1 Feac

  Karina Jimenez

  100% (1)
• Karen Figueroa - ALGEBRA TAREA 1 - 598

  

  Documento10 páginas

  Karen Figueroa - ALGEBRA TAREA 1 - 598

  Karen Juliana figueroa carreño

  Ainda não há avaliações
• Diagrama de Momento Flector y de Fuerza Cortante

  

  Documento14 páginas

  Diagrama de Momento Flector y de Fuerza Cortante

  Jose Llanco Santos

  Ainda não há avaliações
• Nooo

  

  Documento5 páginas

  Nooo

  Emmanuel Aguilera

  Ainda não há avaliações
• Transporte de Sedimentos Rio Parana

  

  Documento14 páginas

  Transporte de Sedimentos Rio Parana

  Juan Manuel Becerril Lara

  Ainda não há avaliações
• Informe

  

  Documento4 páginas

  Informe

  Hugo German L. C.

  Ainda não há avaliações
• Problemas Con División para Tercer Grado de Primaria

  

  Documento7 páginas

  Problemas Con División para Tercer Grado de Primaria

  MariaDelRosarioCabrera

  100% (2)
• Ing. Proyecto

  

  Documento13 páginas

  Ing. Proyecto

  La Rotonda Licoreria

  Ainda não há avaliações
• Evaluacion Tecnica en El Grado de Presicion Del Control Direccional Gyro PDF

  

  Documento110 páginas

  Evaluacion Tecnica en El Grado de Presicion Del Control Direccional Gyro PDF

  soraida perez

  Ainda não há avaliações
• Taller 5 Mecanica

  

  Documento4 páginas

  Taller 5 Mecanica

  DanielOrtiz

  Ainda não há avaliações
• INFORME DE LABORATORIO Primera Ley Termo

  

  Documento4 páginas

  INFORME DE LABORATORIO Primera Ley Termo

  Angie Paola Ruiz Prieto

  Ainda não há avaliações
• 3.5.2 Integración de Evaluación en El PAT Ok

  

  Documento2 páginas

  3.5.2 Integración de Evaluación en El PAT Ok

  Hector Ramon Flores Bernal

  100% (4)
• Modos y Acordes Modales

  

  Documento68 páginas

  Modos y Acordes Modales

  Nicky Alejandrino

  100% (1)
• Control Optimo Proyectil - QyR

  

  Documento7 páginas

  Control Optimo Proyectil - QyR

  GEORGE AR�MIS VASQUEZ LLANOS

  Ainda não há avaliações
• Taller2 - Numerico - Docx (3) (1) - 2-4

  

  Documento3 páginas

  Taller2 - Numerico - Docx (3) (1) - 2-4

  MillerArmandoAvilaMacias

  Ainda não há avaliações
• Chomsky

  

  Documento1 página

  Chomsky

  Paz Brodsky

  Ainda não há avaliações
• Libro de Criptografia

  

  Documento260 páginas

  Libro de Criptografia

  luciano7horta

  Ainda não há avaliações
• Arcos Ideales en Ortodoncia

  

  Documento89 páginas

  Arcos Ideales en Ortodoncia

  juan1pablo1gutierr-6

  100% (7)
• Parcial 1 Semana 4 Modelo Toma de Decisiones

  

  Documento14 páginas

  Parcial 1 Semana 4 Modelo Toma de Decisiones

  Kimberly Tatiana

  Ainda não há avaliações
• Trabajo - Practica - Docente I

  

  Documento15 páginas

  Trabajo - Practica - Docente I

  Hilder Lozada Vasquez

  Ainda não há avaliações
• Universidad Rafael Landivar Facultad de Ciencias Ambientales Y Agricolas Matematica I Inga. Gabriela Pisquiy

  

  Documento5 páginas

  Universidad Rafael Landivar Facultad de Ciencias Ambientales Y Agricolas Matematica I Inga. Gabriela Pisquiy

  Criss Ortiz

  Ainda não há avaliações
• 1ondas de de Broglie

  

  Documento9 páginas

  1ondas de de Broglie

  Alejandro Cardenas

  Ainda não há avaliações