Anlisis factorial

INTRODUCCIN:
El AF es un modelo estadstico que representa las relaciones entre un
conjunto de variables. Plantea que estas relaciones pueden explicarse a
partir de una serie de variables no observables denominadas factores,
siendo el nmero de factores substancialmente menor que el de
variables. Este modelo se obtiene directamente como extensin de
ciertas ideas base de los modelos de regresin lineal y de correlacin
parcial. Del primer modelo se derivan las ecuaciones fundamentales del
AF. Del segundo se derivan las ideas clave para evaluar el ajuste del
modelo a los datos. En el AF se analiza un conjunto de variables
observables (tems, subtests o tests) cada una de las cuales puede
considerarse como un criterio.
LAS IDEAS BSICAS:
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. Por tanto, el anlisis factorial una
tcnica estadstica multivariante cuya finalidad es analizar las relaciones
de interdependencia existentes entre un conjunto de variables,
calculando un conjunto de variables latentes, denominadas factores, que
explican con un nmero menor de dimensiones ,lo que aumenta el
nmero mnimo de dimensiones capaces de explicar el mximo de
informacin contenida en los datos. Pretendiendo encontrar respuesta a
la pregunta Por qu unas variables se relacionan ms entre s y menos
con otras?
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.
CASOS EN LOS QUE SE APLICA:
Debemos tener en cuenta:

a) Signos de las correlaciones tem-factor: Los signos (signo ms o

signo menos) de los pesos (correlacin tem-factor) no tienen significado
especial. Si hay variables con signos opuestos en el mismo factor quiere
decir que se relacionan con el factor (y lo definen) de manera opuesta;
la interpretacin es la misma que haramos con cualquier coeficiente de
correlacin. En el anlisis factorial de tests y escalas, cuando se
observan signos opuestos donde no se esperan, se puede revisar la
codificacin (clave de correccin de los tems, en nmeros) de los datos,
que en algunos casos puede estar invertida (o puede haber un error en
la codificacin) y no ser la ms apropiada para interpretar los datos con
facilidad.
b) Heterogeneidad de la muestra: Si la muestra es heterognea con
respecto a variables importantes (sexo, nivel educacional, etc.), los
factores resultantes pueden estar producidos por diferencias en estas
variables. La heterogeneidad de la muestra debe ser del mismo estilo
que la de la poblacin a la que se van a generalizar los resultados; en
general los resultados son ms fcilmente interpretables si la muestra es
homognea en las variables que se consideran importantes o que
pueden influir en la variable objeto del anlisis. Estas variables, como el
sexo (1 0) se pueden incluir en el anlisis correlacional previo y
comprobar as cmo se relacionan con el resto de las variables (tems).
c) Significacin estadstica y significacin conceptual: En la
interpretacin de los factores, como dimensiones bsicas que explican la
estructura que subyace a las variables, no hay que olvidar que el
anlisis factorial, como todos los mtodos estadsticos, opera a un nivel
puramente estadstico y no conceptual. Las consideraciones estadsticas
solas no garantizan unos resultados con significacin conceptual: la
relevancia de un factor no depende de sus caractersticas estadsticas,
sino del contenido terico de las variables que, en cuanto tal, no entra
en el anlisis numrico (Heisse, 1974). Los factores resumen
consistencias conductuales (u opinativas si nos referimos literalmente a
las escalas de actitudes) y no indican necesariamente entidades
causales subyacentes y estables, como tampoco indican que las
variables-tems que tienen su pesos mayores en un factor lo estn
describiendo al mismo nivel, como si se tratara de indicadores
equivalentes del mismo rasgo. Dos variables con pesos importantes en
el mismo factor pueden estar relacionadas entre s porque hay una
relacin de efecto a causa, no porque midan lo mismo(McDonald, 1981).

d) Indeterminacin de la estructura factorial: Los factores solemos

denominarlos fijndonos en el significado comn de las variables que
tienen sus pesos mayores en cada factor. Y nuestra interpretacin suele
ser que los factores nos describen la estructura que subyace a las
diversas variables. Sin embargo el anlisis factorial no nos da un retrato
fiel de la realidad subyacente. Si aadimos nuevas variables podremos
ver que o bien se mantienen los factores, y quizs haya que matizar o
cambiar su significado, o bien cambia la estructura. Si eliminamos
alguna variable, puede suceder que desaparezca un factor, y las otras
variables que definan el factor desaparecido pasan a contribuir a la
definicin de los otros factores. Y otras variables distintas pueden
conformar los mismos factores. No hay por lo tanto una representacin
clara de una supuesta realidad objetiva; queda una cierta
indeterminacin si lo que pretendemos es fijar una estructura. El anlisis
factorial no puede darnos una visin ntida y no ambigua sobre cmo
funciona la realidad. El puro empiricismo tiene unos lmites bien claros.
En realidad el anlisis factorial exploratorio no prueba teoras, sino que
ms bien las sugiere como hiptesis que habra que contrastar, y en este
sentido el anlisis factorial confirmatorio puede ser una buena ayuda,
aunque no hay una solucin que podamos llamar tcnica (una
explicacin ms completa puede verse en Gaviria, 1991). Por este tipo
de consideraciones Anastasi (1985), analizando las tendencias
emergentes en psicometra, insiste en el carcter descriptivo del anlisis
factorial y en un uso ms flexible del mismo.