El documento describe el método de análisis factorial, una técnica estadística para reducir un conjunto de variables a factores subyacentes. Explica que el análisis factorial busca grupos homogéneos de variables altamente correlacionadas para simplificar la información en una matriz de correlaciones. También cubre el modelo del análisis factorial, las condiciones del modelo, el estudio de la matriz de correlación, la extracción y rotación de factores, y cómo calcular las puntuaciones factoriales.
El documento describe el método de análisis factorial, una técnica estadística para reducir un conjunto de variables a factores subyacentes. Explica que el análisis factorial busca grupos homogéneos de variables altamente correlacionadas para simplificar la información en una matriz de correlaciones. También cubre el modelo del análisis factorial, las condiciones del modelo, el estudio de la matriz de correlación, la extracción y rotación de factores, y cómo calcular las puntuaciones factoriales.
El documento describe el método de análisis factorial, una técnica estadística para reducir un conjunto de variables a factores subyacentes. Explica que el análisis factorial busca grupos homogéneos de variables altamente correlacionadas para simplificar la información en una matriz de correlaciones. También cubre el modelo del análisis factorial, las condiciones del modelo, el estudio de la matriz de correlación, la extracción y rotación de factores, y cómo calcular las puntuaciones factoriales.
Yeniffer Alejandra Cantillana Navarrete Juan Carlos Hurtado Salas Enzon Yimmy Santana Estay
RGIMEN DE ESTUDIOS VESPERTINO
Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial
2
INDICE N Pag. I. Introduccin
. 3 II. Qu es al anlisis factorial?
. 4 III. Formulacin del problema
. 4 IV. El modelo del anlisis factorial
. 5 V. Condiciones del modelo
. 6 VI. Estudio de la matriz de correlacin
. 7 VII. Extraccin de los factores
. 8 VIII. Rotacin de los factores
. 9 IX. Tipos de rotacin ortogonales
. 10 X. Tipos de rotaciones no ortogonales
. 11 XI. Calculo de puntuacin factorial
. 11 XII. Validacin del modelo
. 13
XIII. Ejemplo
. 15 XIV. Conclusin
. 17 XV. Bibliografa
. 18
Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial
3
I. INTRODUCCIN
El Anlisis Factorial es una tcnica de reduccin de datos que sirve para encontrar grupos homogneos de variables a partir de un conjunto numeroso de variables. Los grupos homogneos se forman con las variables que correlacionan mucho entre s y procurando, inicialmente, que unos grupos sean independientes de otros. Cuando se recogen un gran nmero de variables de forma simultnea (por ejemplo, en un cuestionario de satisfaccin laboral) se puede estar interesado en averiguar si las preguntas del cuestionario se agrupan de alguna forma caracterstica. Aplicando un anlisis factorial a las respuestas de los sujetos se pueden encontrar grupos de variables con significado comn y conseguir de este modo reducir el nmero de dimensiones necesarias para explicar las respuestas de los sujetos. El Anlisis Factorial es, por tanto, una tcnica de reduccin de la dimensin de los datos, su ltimo propsito consiste en buscar el nmero mnimo de dimensiones capaces de explicar el mximo de informacin contenida en los datos. A diferencia de lo que ocurre en otras tcnicas como el anlisis de varianza o el de regresin, en el anlisis factorial todas las variables del anlisis cumplen el mismo papel: todas ellas son independientes en el sentido de que no existe a priori una dependencia conceptual de unas variables sobre otras. Fundamentalmente lo que se pretende con el Anlisis Factorial (Anlisis de Componentes Principales o de Factores Comunes) es simplificar la informacin que nos da una matriz de correlaciones para hacerla ms fcilmente interpretable. Se pretende encontrar una respuesta al preguntarnos Por qu unas variables se relacionan ms entre s y menos con otras? Hipotticamente es porque existen otras variables, otras dimensiones o factores que explican por qu unos tems se relacionan ms con unos que con otros. En definitiva, se trata de un anlisis de la estructura subyacente a una serie de variables?
Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial
4
II. QU ES AL ANLISIS FACTORIAL? El Anlisis Factorial es una tcnica estadstica multivariante cuyo principal propsito es sintetizar las interrelaciones observadas entre un conjunto de variables en una forma concisa y segura, como una ayuda a la construccin de nuevos conceptos y teoras. Para ello utiliza un conjunto de variables aleatorias inobservables, que llamaremos factores comunes, de forma que todas las covarianzas o correlaciones son explicadas por dichos factores y cualquier porcin de la varianza inexplicada por los factores comunes se asigna a trminos de error residuales que llamaremos factores nicos o especficos. El Anlisis Factorial puede ser exploratorio o confirmatorio: El anlisis exploratorio se caracteriza porque no se conocen a priori el nmero de factores y es la aplicacin emprica donde se determina este nmero. El anlisis de tipo confirmatorio los factores estn fijados a priori, utilizndose contrastes de hiptesis para su corroboracin. En esta leccin nos centraremos en el Anlisis Factorial Exploratorio dado que el Anlisis Factorial Confirmatorio se suele estudiar como un caso particular de los Modelos de Ecuaciones Estructurales. III. FORMULACIN DEL PROBLEMA En esta etapa debe abordarse la seleccin de las variables a analizar as como la de los elementos de la poblacin en la que dichas variables van a ser observadas. Aunque pueden realizarse anlisis factoriales con variables discretas (Cuantitativas, son finitas o infinitas) y/o ordinales (Cualitativas, toma distintos valores ordenados) lo habitual ser que las variables sean Cuantitativas Continuas (pueden asumir infinitos valores) y en lo que sigue nos ceiremos a estas. Es importante, en todo caso, que dichas variables recojan los aspectos ms esenciales de la temtica que se desea investigar y su seleccin deber estar marcada por la teora subyacente al problema. No tiene sentido incluir variables que no vengan fundamentadas por los aspectos tericos del problema porque se corre el riesgo de que los resultados obtenidos ofrezcan una estructura factorial difcil de entender y con escaso contenido terico relevante. Es muy aconsejable en este paso que el analista tenga una idea ms o menos clara de cules son los factores comunes que quiere medir y que elija las variables de acuerdo con ellos y no al revs porque se corre el riesgo de encontrar factores espreos (no autnticos) o que los factores queden mal estimados por una mala seleccin de las variables. Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial
5
As mismo, la muestra debe ser representativa de la poblacin objeto de estudio y del mayor tamao posible. Como regla general debern existir por lo menos cuatro o cinco veces ms observaciones (tamao de la muestra) que variables. Si el tamao de la muestra es pequeo y esta relacin es menor, los resultados deben interpretarse con precaucin. Conviene hacer notar, finalmente, que los resultados del anlisis no tienen por qu ser invariantes a cambios de origen y escala por lo que se aconseja, si las unidades de medida de las variables no son comparables, estandarizar los datos antes de realizar el anlisis.
IV. EL MODELO DEL ANLISIS FACTORIAL
Sean X1, X2,, Xp las p variables objeto de anlisis que supondremos en todo lo que sigue que estn tipificadas. Si no lo estuvieran el anlisis se realizara de forma similar pero la matriz utilizada para calcular los factores no sera la matriz de correlacin sino la de varianzas y covarianzas. El investigador mide estas variables sobre n individuos, obtenindose la siguiente matriz de datos:
Sujetos
Variables X1 X2 Xp 1 X11X12 X1p 2 X21X22 X2p .. N Xn1Xn2 Xnp
El modelo del Anlisis Factorial viene dado habitualmente por las ecuaciones:
Donde: X- : vector (n1). F: vector (p1) de factores comunes linealmente independientes. A: matriz (np) cuyos elementos se conocen como cargas factoriales. U: vector (n1) de factores nicos o errores. (N filas por una columna).
Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial
6
V. CONDICIONES DEL MODELO
Las condiciones que tenemos que exigirle a este modelo son:
1. Los factores comunes, tienen media 0. Representacin matemtica E(F) = 0. 2. los factores comunes, varianza 1 y no estn correlacionados entre s. Representacin matemtica E(FFt) = pp. 3. Los factores nicos, tienen media 0 y varianzai. Representacin matemtica E(U) = 0 y E(UU) = nn. ( nn es una matriz diagonal, donde los elementos de la diagonal principal son i ) 4. Los factores comunes, no estn correlacionados con los factores nicos. Representacin matemtica E(UF) = 0.
Si se dan todas estas suposiciones la matriz de covarianzas de X se puede expresar de la forma:
Si utilizamos esta expresin, la varianza de cada variable Xi se puede escribir como:
Si X est estandarizada, es decir, E(X) = 0 y Var(X) = 1, entonces los elementos de A representan la correlacin existente entre las variables y los factores ( N(0;1)). En este caso (variables estandarizadas), el modelo nos queda de la forma:
Por lo tanto se cumplen estas propiedades importantes que nos dan una interpretacin semntica de los coeficientes que aparecen en un anlisis factorial: = 0, i = 1= 1 y es la matriz de correlacin R, por ser variables normalizadas.
Las cargas factoriales son las correlaciones entre las variables y los factores.
Representa la proporcin de varianza explicada por los factores comunes. Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial
7
VI. ESTUDIO DE LA MATRIZ DE CORRELACIN
Dado que el anlisis factorial se basa en el estudio de la matriz de correlaciones hay que ver si se dan las condiciones adecuadas para poder aplicar un anlisis de este tipo. Cules son las condiciones adecuadas para poder aplicar un anlisis factorial? La respuesta a esta pregunta la podemos tener en la siguiente afirmacin:
La comprobacin de esta condicin se puede hacer utilizando las siguientes tcnicas: Mediante la visualizacin de la matriz de correlaciones. Este mtodo es un poco primitivo pero nos puede dar una idea inicial de por dnde podemos movernos. La dificultad principal estriba en que si el nmero de variables del modelo es alto es difcil extraer conclusiones ya que la matriz de correlaciones ser muy grande y, por lo tanto, difcil de visualizar en su conjunto. Mediante el estudio de unos determinados coeficientes como, por ejemplo, el Determinante de la matriz de correlaciones: Valor bajo alta adecuacin del AF. Test de esfericidad de Barlett H0: R= I frente a H1: R I. La medida de Kaiser-Meyer-Olkin (KMO), basada en estudios de coeficientes de correlacin parcial: KMO alto alta adecuacin del AF (por debajo de 0.5 no es aceptable el AF). Coeficiente de correlacin mltiple: Valor alto alta adecuacin del AF. Este coeficiente coincide con la comunalidad (se calcula matricialmente) inicial cuando el mtodo de extraccin no es el de Componentes principales. La matriz de correlacin anti-imagen: Esta matriz est formada por los negativos de los coeficientes de correlacin parcial: Elementos no diagonales pequeos alta adecuacin del AF. (La diagonal principal de esta matriz es la medida de adecuacin muestral (MSA): Si estos coeficientes son bajos es desaconsejable el AF. Se puede considerar eliminar variables con MSA bajo, siempre que estos valores sean bajos en unas pocas variables.) De las tcnicas antes mencionadas, las que quedan son capaces de explicar el modelo factorial.
Las variables han de estar altamente correlacionadas (Modelo Factorial) y la matriz de correlacin ha de tener una cierta estructura. Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial
8
VII. EXTRACCIN DE LOS FACTORES
Como ya hemos comentado, el objetivo del Anlisis Factorial consiste en determinar un nmero reducido de factores que puedan representar a las variables originales. Por tanto, una vez que se ha determinado que el Anlisis Factorial es una tcnica apropiada para analizar los datos, debe seleccionarse el mtodo adecuado para la extraccin de los factores. Existen diversos mtodos cada uno de ellos con sus ventajas e inconvenientes.
Los mtodos de extraccin de factores usualmente incluidos en los paquetes estadsticos son: Componentes principales. Ejes principales. Mnimos cuadrados. Anlisis Alfa. Anlisis Imagen. Mxima verosimilitud.
En este momento se plantea la cuestin de cul de estos mtodos es el mejor. Realmente no hay una respuesta convincente a esta pregunta por lo que la tctica usual es probar con todos y ver qu mtodo explica mejor nuestro problema. El mtodo ms popular y el que todos los paquetes traen por defecto es el de componentes principales. Si sabemos que nuestros datos se han extrado de una poblacin normal multivariado deberemos elegir el mtodo de mxima verosimilitud.
Una vez que hemos decidido el mtodo de extraccin de los factores debemos decidir tambin el nmero de factores con el que nos vamos a quedar. Esta eleccin es importante ya que nuestro objetivo es la reduccin de la dimensin del problema sin demasiada prdida de informacin.
El modelo factorial en forma matricial viene dado por X= FA+ U y el problema consiste en cuantificar la matriz A de cargas factoriales que explica X en funcin de los factores. A partir de esta expresin se deduce la llamada identidad fundamental del Anlisis Factorial: R= AA+
Donde R es la matriz de correlacin poblacional de las variables X1, ..., Xpy = diag(i) es la matriz diagonal de las especificidades. Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial
9
VIII. ROTACIN DE LOS FACTORES
El anlisis factorial es intil si no se pueden interpretar los factores. Esto es importante ya que los factores son variables no observables y si no los podemos interpretar, no podemos extraer conclusiones sobre entes que no sabemos lo que significan. Para facilitar la interpretacin vamos a utilizar la siguiente propiedad que tienen las cargas factoriales:
Es decir, la descomposicin de la matriz de regresin es invariante frente a las transformaciones ortogonales.
Es importante hacer notar que si se aplica una rotacin ortogonal los factores siguen estando no correlacionados.
Esta propiedad nos indica que la solucin al problema no es nica (en este sentido) por lo que debemos escoger la mejor.
La estructura del problema no cambia s se le aplica una rotacin ortogonal (transformacin rgida que respeta los ngulos). ROTACIN En efecto, si tenemos una matriz ortogonal T, es decir, TT= TT= I, entonces X= AF+ U X= ATTF+ U (X = BG + U donde B = AT y G = TF).
La descomposicin de matriz de regresin asociada al modelo antes de aplicarle la rotacin es: R= AA+ Y la descomposicin asociada al modelo despus de efectuar la rotacin es: R= BB+ = AT(AT) + U= ATTA+ = AA+
Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial
10
En qu sentido podremos hablar de mejor solucin? Para el investigador la mejor solucin ser aquella que mejor explique su problema. Debemos escoger la solucin en la que las cargas factoriales sean altas en algunas variables y bajas en otras.
De forma grfica lo podemos ver a continuacin:
Rotacin Ortogonal
Ejemplo:
(1, 3, 1)* = (3, 3, 3)
Al rotar la solucin puntos que tenan valores intermedios en ambos factores pasan a tener valores altos en uno y bajos en otro. Puesto que las cargas factoriales representan la correlacin entre las variables y los factores, este hecho nos permitir explicar'' el significado semntico de los factores.
IX. TIPOS DE ROTACIN ORTOGONALES
Hay diversos mtodos para la realizacin de rotaciones ortogonales. Cada uno de estos mtodos prima la maximizacin de las cargas en un sentido.
Varimax Este mtodo, minimiza el nmero de variables con cargas altas en un factor, mejorando as la interpretacin de factores. Quartimax el objetivo es que cada variable tenga correlaciones elevadas con un pequeo nmero de factores. Para ello busca maximizar la varianza de las cargas factoriales al cuadrado de cada variable en los factores, es decir, el mtodo trata de maximizar la funcin. Equimax Es un hbrido de las anteriores en intentar optimizar a la vez por variables y por factores.
3 1 3 Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial
11
X. TIPOS DE ROTACIONES NO ORTOGONALES Hay otro tipo de rotaciones que no son ortogonales y que se conocen como rotaciones oblicuas. Estos mtodos se utilizan si las rotaciones ortogonales no producen resultados satisfactorios.
Los ms utilizados son los mtodos oblimin y promax.
En este caso despus de rotar los factores s estn correlacionados y las cargas no se pueden interpretar como la correlacin entre variables y factores. Por lo tanto habr que considerar la matriz de correlacin entre los factores para comprobar lo que nos alejamos de la no correlacin entre factores.
XI. CALCULO DE PUNTUACIN FACTORIAL
Una vez determinados los factores rotados el siguiente paso es calcular la matriz de puntuaciones factoriales F. Las posibilidades de analizar las puntuaciones factoriales de los sujetos son muy variadas segn lo que se pretenda:
Conocer qu sujetos son los ms raros o extremos, es decir, la representacin grfica de las puntuaciones factoriales para cada par de ejes factoriales puede ayudar a detectar casos atpicos. Conocer dnde se ubican ciertos grupos o subcolectivos de la muestra (los jvenes frente a los mayores, los de clase alta frente a los de baja, los ms catlicos frente a los no catlicos, los de una provincia frente a los de otras provincias, etc). Conocer en qu factor sobresalen unos sujetos y en qu factor no, etc. Explicar, analizando las informaciones anteriores, por qu han aparecido dichos factores en el anlisis realizado.
En otras ocasiones un paso previo a otros anlisis, como por ejemplo, Regresin Mltiple o Anlisis Cluster, en los que se sustituye el conjunto de variables originales por los factores obtenidos. Por ello, es necesario conocer los valores que toman los factores en cada observacin.
Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial
12
Mtodos de clculo de las puntuaciones: Existen diversos mtodos de estimacin de la matriz F. Las propiedades deseables que verificasen los factores estimados son:
Cada factor estimado tenga correlacin alta con el verdadero factor. Cada factor estimado tenga correlacin nula con los dems factores verdaderos. Los factores estimados sean incorrelacionados dos a dos, es decir, mutuamente ortogonales si son ortogonales. Los factores estimados sean estimadores insesgados de los verdaderos factores.
Sin embargo, por la propia naturaleza de los factores comunes, el problema de su estimacin es complejo. Se puede demostrar que los factores no son, en general, combinacin lineal de las variables originales. Adems, en la mayora de las situaciones, no existir una solucin exacta ni siquiera ser nica.
Todos los mtodos de obtencin de puntaciones factoriales parten de la expresin:
X = F + U con E*U+=0, Var*U+ = a partir de la cual buscan estimar el valor de F.
Tres de los mtodos de estimacin ms utilizados son los siguientes:
Mtodo de regresin: Estima F mediante el mtodo de los mnimos cuadrados
F= () X
Mtodo de Barlett: Utiliza el mtodo de los mnimos cuadrados generalizados estimando las puntuaciones factoriales mediante:
F= ( ) X
Mtodo de Anderson-Rubin: Estima F mediante el mtodo de los mnimos cuadrados generalizados pero imponiendo la condicin adicional FF = I
F= ( R) X Comparacin de los tres mtodos
Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial
13
El mtodo de regresin da lugar a puntuaciones con mxima correlacin con las puntuaciones tericas. Sin embargo, el estimador no es insesgado, ni unvoco y, en el caso de que los factores sean ortogonales, puede dar lugar a puntuaciones correlacionadas. El mtodo de Bartlett da lugar a puntuaciones correlacionadas con las puntuaciones tericas, insesgadas y unvocas. Sin embargo, en el caso de que los factores sean ortogonales, puede dar lugar a puntuaciones correlacionadas. El mtodo de Anderson-Rubin da lugar a puntuaciones ortogonales que estn correlacionadas con las puntuaciones tericas. Sin embargo, el estimador no es insesgado ni es unvoco.
XII. VALIDACIN DEL MODELO El ltimo paso en el Anlisis Factorial es estudiar la validez del modelo. Dicha validacin debe hacerse en dos direcciones: analizando la bondad de ajuste del mismo y la generabilidad de sus conclusiones.
Bondad de ajuste
Una suposicin bsica subyacente al Anlisis Factorial es que la correlacin observada entre las variables puede atribuirse a factores comunes. Por consiguiente, las correlaciones entre variables pueden deducirse o reproducirse a partir de las correlaciones estimadas entre las variables y los factores. A fin de determinar el ajuste del modelo, pueden estudiarse las diferencias entre las correlaciones observadas (como se dan en la matriz de correlacin de entrada) y las correlaciones reproducidas (como se estiman a partir de la matriz factorial). Estas diferencias se conocen como residuos. Si el modelo factorial es adecuado entonces estos residuos deben ser pequeos. Si existe un porcentaje elevado de residuos superiores a una cantidad pequea prefijada (por ejemplo, 0.05), esto ser indicativo de que el modelo factorial estimado no se ajusta a los datos. Se sabe adems que hay ms estabilidad en los resultados si el nmero de casos por variable es alto.
Generalidad de los resultados
Tambin es adecuado refrendar los resultados del primer anlisis factorial realizando nuevos anlisis factoriales sobre nuevas muestras extradas de la poblacin objeto de estudio y, caso de no ser posible esto ltimo, sobre submuestras de la muestra original. En Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial
14
cada caso se estudiara qu factores de los calculados son replicados en los distintos anlisis llevados a cabo. Otra posibilidad es realizar nuevos anlisis factoriales modificando las variables consideradas bien sea eliminando aquellas variables que no tienen relacin con ningn factor o eliminando las variables con relaciones ms fuertes tratando de descubrir cmo se comporta el resto de ellas sin su presencia. Otro de los procedimientos metodolgicos y estadsticos que complementan y profundizan las interpretaciones que se deducen del anlisis factorial consiste en la realizacin de otros anlisis factoriales en base, no al conjunto total de la muestra o poblacin, sino referido a subcolectivos o grupos que estn presentes en esa muestra y que pueden formarse utilizando las categoras de las variables primarias: sexo, clase social, tipo de centro, tipo de metodologa pedaggica, tipos sociolgicos, tipos de actitud, etc. Lo que se desprende de los trabajos e investigaciones que han utilizado este procedimiento es que normalmente la interpretacin que se da y que es vlida para el conjunto total de sujetos debe modificarse, en algunos casos sustancialmente, cuando se refiere a esos subcolectivos. En caso de ser as, se deriva en una doble conclusin: Las variables se comportan en el Anlisis Factorial de distinta forma segn de qu muestra se trate. No existe el sujeto tipo sino que existen diferentes tipos de sujetos en la muestra global. Finalmente se debera plantear un Anlisis Factorial Confirmatorio para comprobar los resultados obtenidos en la versin Exploratoria.
Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial
15
XIII. EJEMPLO
Unos estudiantes son sometidos a diversos test en distintas materias para medir sus actitudes intelectuales. Como consecuencia, se obtienen una serie de puntuaciones estandarizadas en Matemticas (Ma), Fsica (Fi), Qumica (Qu), Ingls (In), Historia (Hi) y Dibujo (Di).
El modelo factorial viene dado por las ecuaciones
Los factores comunes estn estandarizados e incorrelacionados
Los factores especficos tienen media 0 e incorrelacionados
Ambos tipos de factores estn incorrelacionados
La matriz de cargas factoriales
Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial
16
Comunalidad y Especificidad:
La Comunalidad en Matemticas es h2MA 0,68 y la Especificidad MA 0,32
La Comunalidad en Dibujo es hDI 0,785 y la Especificidad DI 0,215
Anlogamente,
Como las puntuaciones estn estandarizadas, la matriz de varianzas y covarianzas coincide con la matriz de correlaciones:
Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial
17
XIV. CONCLUSIN
El anlisis factorial es una tcnica de reduccin de datos que ayuda a expresar la informacin encontrada en un conjunto de datos con un nmero menor de variables sin cambiar la informacin, esto facilita el anlisis de la misma.
Es importante realizar un buen planteamiento del problema en la seleccin de las variables y en la de los objetos sobre las que deben ser evaluados. De igual manera conocer qu factores queremos medir y elegir las variables con relacin a estas es vital para este mtodo. Realizando esto, el anlisis factorial va a arrojarnos datos precisos y los esperados.
Sin embargo, es necesario tener en cuenta que los datos obtenidos no siempre sern los reales ya que como cualquiera de los otros mtodos tiene un margen de error, por esto la utilizacin de un segundo mtodo ser de gran ayuda para que los resultados finales sean totalmente confiables.
Conviene insistir, finalmente, en la importancia que tiene realizar un buen planteamiento del problema tanto en la seleccin de las variables a analizar como en la de los objetos sobre las que deben ser medidos. Es muy conveniente tener un conocimiento previo de qu factores queremos medir y elegir las variables de acuerdo con los mismos. Actuando de esta manera el anlisis gana en potencia y generalidad aumentando significativamente el grado de inteligibilidad de los resultados obtenidos.
Universidad Iberoamericana
Facultad de Administracin y Negocios Ingeniera Comercial