ANALISIS FACTORIAL - PRCTICA

EJERCICIOS RELACIONADOS CON EL ANLISIS FACTORIAL

1. Se realiz un estudio con los clientes de un restaurante para que evalen sus
productos y servicios. Supongamos que para las variables de servicio en el restaurante,
se aplic la tcnica de anlisis factorial, con los siguientes resultados:
Colocar los valores en Excel. Objetivo principal del anlisis factorial: Reducir el nmero de
variables, por medio de factores, con el fin de no perder tanta varianza explicada por las
variables originales.
Concordancia
Similitudes

Variables
Precio
Ubicacin
Variedad
Estacionamiento
Promociones
Formas de pago
Tradicin
Confiabilidad
Higiene
Rapidez en Servicio
Espacio fsico
N empleados
Aglomeracin
Msica en el
ambiente

0,695
0,779
0,807
0,675
0,793
0,720
0,859
0,657
0,749
0,836
0,792
0,619
0,719
0,370

Interpr
IM
F
MF
IM
F
F
MF
IM
F
MF
F
IM
F
MP

Factor
1
2
3
4
5
6
7
8
9
10
11
12
13
14

Eigenvalue
5,70658
2,35543
2,00926
0,89745
0,75847
0,53520
0,50886
0,27607
0,24511
0,20505
0,19123
0,16982
0,10202
0,03946

% varianza
40,8%
16,8%
14,4%
6,4%
5,4%
3,8%
3,6%
2,0%
1,8%
1,5%
1,4%
1,2%
0,7%
0,3%

a) En base a la columna de valores propios, llenar la columna del % varianza de cada

factor (resultados con un decimal y luego multiplicar por 100) Eigenvalue divididos entre
14 (Numero de variables)
b) Con base a la concordancia, llenar la tercera columna, con el MP (Muy Perjudicial), P
(Perjudicial), IM (Impacto moderado), F (Favorecida) y MF (muy favorecida) Interpretar
Los 3 factores (con valores propios> 1) capturaron 69,5% de la variable precio y as
sucesivamente. Significa que existe una prdida razonable de 30,5% de las informaciones
de la variable original en los 3 factores. Similitudes: Cuanto fue preservado por variable, el
efecto combinado de los tres factores.
c) Cul es la varianza total, asumiendo un nivel mnimo de 1 para el valor propio?
Sugerencia: insertar columna con la variacin acumulada. Interpretar

Estadstica Avanzada / Modelos Multivariados -Mg. Ligia Cateriano Fonseca

Cuntos factores valor propio es mayor que 1? _______ 3 factores

Suponiendo nivel mnimo de 1, la varianza acumulada es 71,9%.
Interpretacin: valor propio: Cuanto fue preservado en media, del conjunto de variables
del efecto combinado de los tres factores.
Los tres primeros factores explican 71,9% de la varianza de las variables originales.
Los tres factores juntos capturaron 71,9% de la informacin original de las 14 variables.

d) Cuntos factores podra tener entre un 85% y 90% de conservacin de los datos
originales?
Seran 6 factores, o se puede imponer valores propios superiores a 0,51 (si es 0,50 seran 7
factores).
Si quisiera obtener la varianza total entre el 85% y el 90%, se necesitaran 6 factores. Es
decir, valores de Eigenvalue entre 0,50886 a 0,5352 .
2. Evaluacin de Computadoras
TS: tiempo de ejecucin de la suma
TM: tiempo de ejecucin multiplicacin
AS: espacio ocupado por el sistema operativo
MR: nmero mximo de palabras almacenadas
AR: mxima de almacenamiento
CT: ciclo de tiempo
Aplicar el anlisis factorial del archivo Computadores, teniendo en cuenta el mtodo de
componentes Principales por la rotacin Varimax y el mtodo de Regresin para la
obtencin de las puntuaciones factoriales.
A) Hacer un ranking descendente de computadores (micros) en funcin al factor 1 e
interpretar;
B) Hacer un ranking descendente de computadores (micros) en funcin de factor 2 e
interprete;
C) Hacer un diagrama de dispersin con puntuaciones de los factores de los
computadores.
Los valores negativos indican valores por debajo de la media. Para las variables con la letra
T, mientras ms negativo mejor. Primero se ejecuta el factorial: Analizar/Reduccionde
dimensiones/Factor

Estadstica Avanzada / Modelos Multivariados -Mg. Ligia Cateriano Fonseca

Datos
TS
-,28
3,51
-,39
-,06
,38
-,43
-,26
,70
-,47
-,28
-,49
-,50
-,51
-,51
-,52

TM
-,36
3,61
-,34
-,28
-,27
-,38
,37
,68
-,39
-,23
-,39
-,39
-,39
-,39
-,12

AS
-,49
-,55
-,55
-,55
-,46
-,55
-,55
-,60
-,37
-,02
-,13
1,32
,36
3,26
-,13

MR
-,52
-,60
-,53
-,57
-,50
-,52
-,52
-,61
-,52
-,14
,16
2,47
,16
2,47
-,23

AR
-,48
-,87
-,59
-,83
-,88
-,48
-,59
-,92
-,48
-,77
1,71
1,08
1,70
1,08
1,33

CT
-,27
3,74
-,27
-,26
-,27
-,27
-,27
-,27
-,27
-,27
-,27
-,27
-,27
-,27
-,27

Descriptivas: Pedir anti-imagen, KMO, descriptivos univariados, solucin inicial ,

coefficientes;
Extraccin: Mtodo: Componentes Principales, Visualiz: solucin factorial sin rotar,
Analizar: matriz de correlaciones, Extraer: base de valores propios superiores a 1 , el
nmero de iteraciones: 25 ;
Rotacin: Varimax, Solucin rotada, Grafico de Saturaciones.
Puntuaciones: Guardar las variables (Regresin)
INTERPRETACIN:
Primero ver el KMO. No hay problema (por encima de 0,5). KMO: Estadstica que
confronta las correlaciones entre las variables y las correlaciones entre los errores. El
resultado 0.716 indica que las correlaciones entre las variables son ms expresivas
(importantes) que las correlaciones entre los errores. Resultado apropiado (OK )

Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuacin de muestreo
Prueba de esfericidad de
Aprox. Chi-cuadrado
Bartlett
gl
Sig.

.716
90.429
15
.000

Estadstica Avanzada / Modelos Multivariados -Mg. Ligia Cateriano Fonseca

Bartlett:
H0: La matriz de correlacin entre las variables es igual a la matriz identidad
Se Espera tener una correlacin significativa. Queremos rechazar la H0 = que sea falsa.
Decisin: H0 es falsa (sig < 0.05) La probabilidad de H0 ser verdadera es 0. Resultado
adecuado (OK)
Interpretacin Sobre la Varianza Acumulada

Varianza acumulada 89.16% para 2 factores. Los 2 factores capturaron 89.16% de la

Varianza de datos originales, la prdida fue de 10.8%.
Hubo preservacin del 89% de las informaciones originales de las variables
colectivamente. Resultado OK.

Interpretacin Sobre Concordancias Similitudes

La menor es 0.621. Todas favorecen, a excepcin de AR. (impacto moderado)

Comunalidades
Inicial
Extraccin
ts
1.000
.977
tm
1.000
.974
as
1.000
.896
mr
1.000
.920
ar
1.000
.621
ct
1.000
.962
Mtodo de extraccin: anlisis de
componentes principales.

Estadstica Avanzada / Modelos Multivariados -Mg. Ligia Cateriano Fonseca

Interpretacin Sobre Matriz Anti-imagen (MSA)

Matrices anti-imagen
ts
Covarianza anti-imagen

Correlacin anti-imagen

tm

as

mr

ar

ct

ts

.047

-.029

.002

-.003

.069

-.024

tm

-.029

.050

.001

.004

-.019

-.026

as

.002

.001

.136

-.117

.005

-.004

mr

-.003

.004

-.117

.126

-.057

-.001

ar

.069

-.019

.005

-.057

.452

-.059

ct

-.024

-.026

-.004

-.001

-.059

.069

ts

-.603

.025

-.041

.475

-.419

-.603

.010

.050

-.124

-.439

.010

-.893

.019

-.039

-.893

-.239

-.006

-.334

.736

tm
as

.025

mr

-.041

.782

.050

.623

.619

ar

.475

-.124

.019

-.239

.713

ct

-.419

-.439

-.039

-.006

-.334

.797

a. Medidas de adecuacin de muestreo (MSA)

Correlacin entre pares de errores, no puede ser muy alto

Menor y Mayor medidas de adecuacin de la muestra son: 0.619 y 0.797 respect.

MSA: Mayor que 0.5 en todas las variables.
Correlacin entre pares de errores entre mr y as es 0.89 No es necesario hacer alguna accin
correctiva, los resultados pueden resolver esto.

MSA: para cada variable, estadstica que confronta las correlaciones entre una variable
dada y las dems con las correlaciones entre el error en esa variable y los errores en las
dems.
Interpretacin Sobre Matriz de Correlacin - Ver de la diagonal para abajo.
Matriz de correlaciones
ts
Correlacin

tm

as

mr

ar

ct

ts

1.000

.965

-.264

-.282

-.421

.940

tm

.965

1.000

-.231

-.247

-.329

.953

as

-.264

-.231

1.000

.929

.561

-.147

mr

-.282

-.247

.929

1.000

.604

-.161

ar

-.421

-.329

.561

.604

1.000

-.234

ct

.940

.953

-.147

-.161

-.234

1.000

Estadstica Avanzada / Modelos Multivariados -Mg. Ligia Cateriano Fonseca

MS
A

Antes de la rotacin, hay variables con cargas cercanas en los 2 factores (as y mr).
Despus de la rotacin (Ver matriz de componentes - antes de la rotacin y despus de la
rotacin), las variables, as, mr, y ar han sido bien definidas en el factor 2.
Nombramos los dos factores: F1: Procesamiento lento (demora) y F2: capacidad de
almacenamiento (memoria)

Matriz de componente

Matriz de componente rotado

Componente

Componente

ts

.906

.395

ts

.964

-.219

tm

.879

.448

tm

.974

-.161

as

-.614

.721

as

-.067

.944

mr

-.634

.720

mr

-.084

.956

ar

-.645

.453

ar

-.250

.747

ct

.824

.533

ct

.979

-.059

Inverso de
Rapidez =
Lentitud

Mtodo de extraccin: anlisis de

Mtodo de extraccin: anlisis de

componentes principales.

componentes principales.

a. 2 componentes extrados.

Mtodo de rotacin: Varimax

con normalizacin Kaiser.
a. La rotacin ha convergido en 3
iteraciones.

Interpretacin Sobre Grafico de componentes

Grafico de las cargas de las variables en los factores: facilita la visualizacin de las
variables en los factores.
Estadstica Avanzada / Modelos Multivariados -Mg. Ligia Cateriano Fonseca

A Y B) Orden de las puntuaciones factoriales Tener en cuenta los signos (+, -)

M2 ms lento, seguido de M8, M14
M9 y M6 los ms rpidos
M14, M12, M13 Mayor capacidad de almacenamiento
M8, M4 No tiene mucha memoria disponible
MICROS
m1
m2
m3
m4
m5
m6
m7
m8
m9
m10
m11
m12
m13
m14
m15

FACTOR 1 - TIEMPO
-.39396
3.53978
-.42774
-.29898
-.14384
-.45402
-.14782
.25735
-.45563
-.28121
-.40545
-.10957
-.37193
.04524
-.35222

FACTOR 2 - MEMORIA
-.58828
-.21266
-.64931
-.72824
-.67330
-.61507
-.61528
-.74302
-.54417
-.32799
.46890
1.79113
.66127
2.56537
.21064

Estadstica Avanzada / Modelos Multivariados -Mg. Ligia Cateriano Fonseca