UNIVERSIDAD NACIONAL SAN ANTONIO ABAD DEL CUSCO

FACULTAD DE CIENCIAS DE LA SALUD

CARRERA PROFESIONAL DE PSICOLOGA

NEUROPSICOLOGIA
ALUMNO: Cdigo : Sonco Huanca Jose Franklin 112166
Formatted: Font color: Accent 1

CUSCO PER 2013

ANALISIS FACTORIAL El anlisis factorial (AF) es una tcnica de anlisis multivalente que se utiliza para el estudio e Interpretacin de las correlaciones entre un grupo de variables. Parte de la idea de que dichas correlaciones no son aleatorias sino que se deben a la existencia de factores comunes entre ellas. El objetivo del AF es la identificacin y cuantificacin de dichos factores comunes. Por ejemplo, hay fenmenos como estilo de vida, imagen de un producto, actitudes de compra, nivel Socioeconmico, que es necesario conocer pero que no se pueden medir con una sola pregunta, porque se trata de fenmenos complejos que se manifiestan en infinidad de situaciones, sentimientos, Comportamientos y opiniones concretas. Estos fenmenos son el resultado de la medicin de un conjunto de Caractersticas. El AF nos permitir combinar preguntas de manera que podamos obtener nuevas variables o factores que no son directamente medibles pero que tienen un significado. Se trata de una tcnica adecuada para el caso de variables continuas altamente correlacionadas. Modelo Matemtico del Anlisis Factorial El modelo matemtico del AF supone que cada una de las p variables observadas es funcin de un nmero m factores comunes (m<p) ms un factor especfico o nico. Tanto los factores comunes como los especficos no son observables y su determinacin e interpretacin es el resultado del AF. Analticamente, supondremos un total de p variables observables tipificadas y la existencia de m factores comunes. El modelo se define de la siguiente forma:
Formatted: Font: Font color: Text 1 Formatted: Font: Font color: Text 1

Formatted: Font: Font color: Text 1

Formatted: Font: Font color: Text 1

Formatted: Font: Font color: Text 1

que podemos expresar de forma matricial como: X = Lf + e donde: X es el vector de las variables originales. L es la matriz factorial. Recoge las cargas factoriales (saturaciones). lih es la correlacin entre la variable j y el factor h. f es el vector de factores comunes. e es el vector de factores nicos. Como tanto los factores comunes como los especficos son variables hipotticas, supondremos, para Simplificar el problema, que: 1. Los factores comunes son variables con media cero y varianza 1. Adems se suponen Correlacionados entre s. 2. Los factores nicos son variables con media cero. Sus varianzas pueden ser distintas. Se supone que estn correlacionados entre s. De lo contrario la informacin contenida en ellos estara en los factores comunes. 3. Los factores comunes y los factores nicos estn correlacionados entre si Esta hiptesis nos permite realizar inferencias que permitan distinguir entre los factores comunes y los especficos. Basndonos en el modelo y en las hiptesis formuladas, podemos demostrar que la varianza (informacin contenida en una variable) de cada variable se puede descomponer en: aquella parte de la variabilidad que viene explicada por una serie de factores comunes con el resto de variables que llamaremos comunalidad de la variable y la parte de la variabilidad que es propia a cada variable y que, por tanto, es no comn con el resto de variables. A esta parte se le llama factor nico o especificidad de la variable.

Formatted: Font: Font color: Text 1

Formatted: Font: Font color: Text 1

Formatted: Font: Font color: Text 1 Formatted: Font: Font color: Text 1

Formatted: Font: Font color: Text 1 Formatted: Font: Font color: Text 1

El objetivo del AF ser, por tanto, obtener los factores comunes de modo que expliquen una buena parte de la variabilidad total de las variables. Cundo es adecuado realizar un AF? Un AF resultar adecuado cuando existan altas correlaciones entre las variables, que es cuando podemos suponer que se explican por factores comunes. El anlisis de la matriz de correlaciones ser pues el primer paso a dar. Analticamente, podemos comprobar el grado de correlacin con las siguientes pruebas o test: Fases del Anlisis Factorial 1. Extraccin de los factores comunes. 2. Rotacin de los factores con objeto de facilitar su interpretacin. 3. Puntuaciones factoriales. 1. Extraccin de Factores Comunes Existen distintos mtodos de estimacin de los coeficientes de la matriz factorial L: los ms comunes (para un AF exploratorio) son el mtodo de las Componentes Principales y el mtodo de Ejes Factoriales. Para proceder a la estimacin de los coeficientes factoriales vamos a partir de la identidad fundamental del AF proporcionada por Thurstone en 19471.947: R = LL' + w donde: R es la matriz de correlaciones entre las variables. w es la matriz de varianzas y covarianzas de los factores nicos. Consideramos una transformacin de R: R - w = LL' = R* (matriz de correlacin reducida) cuyos elementos diagonales son las comunalidades y el resto, los coeficientes de correlacin lineal entre las variables originales. La idea consiste en determinar L partiendo de alguna estimacin para R*, y a partir de ella calcular los coeficientes de la matriz L. Podemos optar por dos mtodos: Mtodo 1 - AF de Componentes Principales (ACP) El mtodo de componentes principales se basa en suponer que los factores comunes explican el comportamiento de las variables originales en su totalidad de manera que el modelo es: X = Lf Las comunalidades iniciales de cada variable son igual a 1, porque el 100% de la variabilidad de las p variables se explicar por los p factores. Evidentemente, carecera de inters sustituir las p variables originales por p factores que, en ocasiones, son de difcil interpretacin. No obstante, si las correlaciones entre las p variables fuesen muy altas, sera de esperar que unos pocos factores explicasen gran parte de la variabilidad total. Supongamos que decidimos seleccionar r factores. La comunalidad final de cada variable indicar la proporcin de variabilidad total que explican los r factores finalmente seleccionados. La estimacin de los coeficientes l j se obtiene diagonalizando la matriz de correlaciones. Mtodo 2 - AF de Ejes Factoriales (PAF) En este mtodo partimos de la base de que slo una parte de la variabilidad total de cada variable depende de factores comunes y, por tanto, la comunalidad inicial no ser 1. Estima dichas

Formatted: Font: Font color: Text 1

Formatted: Font: Font color: Text 1 Formatted: Font: Font color: Text 1 Formatted: Font: Font color: Text 1

Formatted: Font: Font color: Text 1 Formatted: Font: Font color: Text 1 Formatted: Font: Font color: Text 1

Formatted: Font: Font color: Text 1

Formatted: Font: Font color: Text 1 Formatted: Font: Font color: Text 1

Formatted: Font: Font color: Text 1

comunalidades mediante los coeficientes de determinacin mltiple de cada variable con el resto. Se sustituyen estos valores en la diagonal principal de la matriz R* y se procede a efectuar un ACP. Una vez obtenido el resultado, se estiman de nuevo las comunalidades, se vuelven a sustituir en la diagonal principal de la matriz R* y el proceso se retroalimenta hasta alcanzar un criterio de parada (por ejemplo cuando la diferencia entre lasa comunalidades de dos iteraciones sucesivas sea menor que una cantidad prefijada). La eleccin de uno u otro mtodo (ACP o PAF) depende de los objetivos del AF. As el ACP es adecuado cuando el objetivo es resumir la mayora de la informacin original (varianza total) con una cantidad mnima de factores con propsitos de prediccin. El AFC resulta adecuado para identificar los factores subyacentes o las dimensiones que reflejan qu tienen en comn las variables. El inconveniente del mtodo PAF es que el clculo de las comunalidades requiere mucho tiempo y muchos recursos informticos y, adems, no siempre se pueden estimar o, incluso, pueden ser no vlidas (comunalidades menores que 0 o mayores que 1). Empricamente, se llega a resultados muy parecidos cuando el nmero de variables excede de 30 o las varianzas compartidas exceden de 0.6 para la mayora de las variables. 2. Rotacin de Factores La interpretacin de los resultados del AF se basar en el anlisis de las correlaciones entre las variables y los factores que como sabemos viene dado por las cargas factoriales. Para que dicha interpretacin sea factible, es recomendable que: Las cargas factoriales de un factor con las variables estn cerca de 0 de 1. As, las variables con cargas prximas a 1 se explican en gran parte por el factor, mientras que las que tengan cargas prximas a 0 no se explican por el factor. Una variable debe tener cargas factoriales elevadas con un slo factor. Es deseable que la mayor parte de la variabilidad de una variable sea explicada por un solo factor. No debe haber factores con similares cargas factoriales As, si con la solucin inicial no se consiguiese una fcil interpretacin de los factores, stos pueden ser rotados de manera que cada una de las variables tenga una correlacin lo ms prxima a 1 con un factor y a 0 con el resto de factores. Como hay menos factores que variables, conseguiremos que cada factor tenga altas correlaciones con un grupo de variables y baja con el resto. Si examinsemos las caractersticas de las variables de un grupo asociado a un factor, se podran encontrar rasgos comunes que permitan identificar el factor y darle una denominacin que responda a esos rasgos comunes. As, conseguiremos desvelar la naturaleza de las interrelaciones existentes entre las variables originales. Los tipos de rotaciones ms habituales son la ortogonal y la oblicua. La rotacin ortogonal permite rotar los factores estimados inicialmente, de manera que se mantenga la incorrelacin entre los mismos. El mtodo ms utilizado de rotacin es la varimax (Varianza mxima), ideado por Kaiser. La rotacin oblcua no mantiene la ortogonalidad de los factores, lo que nos lleva a aceptar que dos o ms factores expliquen a la vez una misma realidad. Las comunalidades finales de cada variable permanecen inalteradas con la rotacin. 4. Clculo de las Puntuaciones factoriales Una vez estimados los factores comunes, es importante calcular las puntuaciones de los sujetos (individuos u objetos) investigados para saber cunto puntan en cada factor. As, podremos: Sustituir los valores de las p variables originales para cada sujeto de la muestra por las puntuaciones factoriales obtenidas. En la medida en que el nmero de factores es menor que el nmero de variables iniciales, si el porcentaje de explicacin de la varianza total fuese elevado, dichas puntuaciones factoriales podran sustituir a las variables originales en muchos problemas de anlisis o prediccin. Adems, muchas tcnicas estadsticas se ven seriamente afectadas por la correlacin entre las variables originales. En la medida en que las puntuaciones factoriales estn incorrelacionadas podrn utilizarse en ulteriores anlisis. Colocar a cada sujeto en una determinada posicin en el espacio factorial y conocer qu sujetos son los ms raros o extremos, dnde se ubican ciertos grupos de la muestra, los ms jvenes frente a los mayores; los de clase alta frente a los de clase media o baja; los creyentes frente a los no creyentes, etc obteniendo en qu factores sobres alen unos y otros.

Formatted: Font: Font color: Text 1

Formatted: Font: Font color: Text 1

Formatted: Font: Font color: Text 1