Anlisis Factorial en Spss

Recordemos el procedimiento de realizacin de un anlisis factorial

En pasos:

1. Eleccin de las variables

2. Supuestos sobre los datos

Adecuacin de la muestra (kmo)

Matriz de correlaciones = identidad (esfericidad de barlett)

3. Extraccin de los ejes factoriales

Mtodos de extraccin (c.ppales, min cuadrados,.)

Determinacin del nmero de ejes (4 criterios)

4. Resultados

Contribuciones = correlacin factor variable

Comunalidad = % de informacin de la variable que se explica por los factores

Unicidad = % especfico de informacin de la variable (no explicado por los factores)

5. Rotacin. Si es necesaria para mejorar los resultados

(asignacin a factores y % comunalidad)

6. Puntuaciones: valor de los individuos en los nuevos factores

7. Interpretacin

Contribuciones = asignar variables las originales a los factores latentes con los que ms
se relaciona

Dar nombre a factores latentes. Interpretar tericamente los factores que resumen las
variables

Representar los individuos. Calcular las puntuaciones de los individuos en los factores
creados
1. Eleccin de las variables.

Esta etapa es terica y previa al uso del software.

A.Factorial en Spss: Anlisis- Reduccin de dimensiones- Factorial

Introducir todas las variables utilizadas en el anlisis.

Hay que tener en cuenta que deben ser variables cuantitativas (escala en spss)
Adems no hay variables dependientes.
En el uso del anlisis factorial como paso previo a la regresin, NO incluya la variable
dependiente en el A. Factorial.
2. Supuestos del Modelo sobre los datos
Prueba de adecuacin muestral: Kaiser-Meyer-Olkin (KMO).
Estudia los coeficientes de correlacin parcial (relacin de las dos variables
sin contar al resto) y los coeficientes de correlacin de todos los pares de
variables

Test de Esfericidad de Barlett: Contrasta la hiptesis de que la matriz de

correlaciones es la identidad (es decir las variables son independientes
entre s). Si eso ocurre, no sirve de nada hacer A.Factorial
Ho: Rij =Id
Ha: Rij Id

En SPSS

En esa misma ventana se puede seleccionar descriptivos univariados,

mediante la que obtendremos promedios y desviaciones de todas las
variables involucradas. Con ello nos podemos hacer una idea de dnde se
sita nuestra muestra.
 Observacin 1: En general, es una prctica recomendable en cualquier anlisis
multivariante realizar una exploracin previa de la matriz de datos, mediante el anlisis
descriptivo univariante(incluso grfico) y la matriz de varianzas-covarianzas o la matriz
de correlaciones (o una matriz de diagramas de dispersin).

Observacin 2: El anlisis factorial hace siempre por defecto una normalizacin de

todas las variables de la matriz de datos, con el objetivo de eliminar la distorsin que
pueda producir la escala de las variables. Por tanto la primera accin a realizar (spss la
hace por defecto) es transformar la matriz de datos en una matriz con valores
estandarizados (todas las columnas-variables tienen promedio 0 y desviacin tpica 1)

3. Extraccin de los factores

a) Clculo de los factores.

Se transforma la matriz Xnxp (con n-individuos y v1,,vp variables) en una matriz
equivalente con n filas y p columnas pero ya no son las variables sino f1,, fp factores.

Esa transformacin reordena la informacin de la matriz original de modo que el

mximo de informacin se acumula en las primeras columnas.

Esta transformacin se obtiene con la descomposicin de la matriz original calculando

valores propios y una base de vectores asociados (Teora de Algebra Lineal). Con esos
vectores propios se genera la matriz de factores.

Existen muchos mtodos para el clculo de los factores latentes.

El ms usado es el mtodo de las componentes principales. En este mtodo, el primer
factor es el vector (la direccin) que contiene la mayor variabilidad (informacin) de
los datos. El segundo factor es la direccin perpendicular a la primera que contiene el
mximo de informacin restante. El tercero es perpendicular a los otros dos y
contienen el mximo de la informacin restante. Sucesivamente hasta tener p
factores que contienen toda la informacin de la matriz original.
Al final del proceso se tiene una matriz con la misma dimensin que la original pero
con la informacin ordenada por columnas.
En spss
Analisis factorial- Extraccin

b) Eleccin del nmero de factores

Como el objetivo es reducir la dimensin de la matriz de datos con la mnima prdida
de informacin, no tiene sentido quedarnos con todos los p- factores que hemos
construido. Hay que considerar los dos criterios: sencillez e informacin, a la hora de
determinar el nmero de factores que vamos a retener.
Existen cuatro criterios habituales para ayudar en esta decisin:
1. Autovalores mayores que 1: Criterio de Kaiser. Cada autovalor se asocia a
un factor. Se supone que los autovalores mayores que uno pertenecen a
factores que retienen ms informacin de la matriz que una columna de la
matriz original. Por tanto retengo tantos factores como autovalores
mayores que 1.
2. Scree-plot: (regla del codo) se representan los autovalores ordenados.
Observamos la progresin y seleccionamos los autovalores (factores) que
quedan despus del cambio de tendencia. Se supone que ese cambio de
tendencia indica un aumento significativo en la cantidad de informacin
explicada por el factor.

3. Porcentaje de varianza.
Para explicar la matriz de datos original. Retengo el nmero de ejes que
capturen el 75% de la varianza total.
Se puede reducir ese porcentaje
 4. Criterio del investigador.
Por justificacin terica (el diseo previo de un test dice que hay tres
dimensiones) por observacin de los resultados (el modelo de las variables
se ajusta perfectamente a cuatro factores), o por cualquier otra razn
jsutificada, el investigador siempre tiene la ltima palabra. Yo decido
cuntos ejes retengo (pero tengo que explicar por qu lo hago)

4. Resultados
Una vez decidido el nmero de factores a retener, se realiza el anlisis factorial para
asignar las variables a los factores.
En primer lugar se resume la descomposicin y la cantidad de informacin obtenida
a) Componentes: relacin de cada variable con los factores.
Para la interpretracin, se recomienda pedir al spss que presente las
contribuciones ordenadas de mayor a menor y que elimine las contribuciones
pequeas (por irrelevantes). De ese modo se facilitar la interpretacin de los
resultados. En Opciones:

El resultado es la siguiente tabla:

b) Comunalidades: % de informacin de la variable explicado por los factores

c) Unicidad: 1- comunalidades

d) Caractersticas de la solucin:
Hay que destacar que por construccin necesitamos que los ejes cumplan algunas
caractersticas:
Es deseable que cada variable se relacione fuertemente con un factor y
muy poco con el resto
Cada factor debe estar muy relacionado con algunas variables y muy poco
con el resto
No es recomendable que dos factores tengan la misma distribucin de
cargas (relaciones con las variables)
5. Rotacin
En ocasiones el resultado obtenido no es todo lo satisfactorio que se podra esperar.
Algunas variables originales no se asignan claramente a uno de los factores, estn
altamente relacionadas con dos de ellos. Otras variables no tienen relacin con
ninguno de los factores. El problema puede ser de perspectiva. Hay que recordar que
lo que hemos hecho es construir nuevos ejes y veos los puntos (las observaciones) a
travs de proyecciones en estos ejes. Imaginemos que queremos representar la
realidad de tres dimensiones (al menos) en una superficie bidimensional a travs de
una foto. Es posible que puntos que no estn cercanos entre s en el espacio,
aparezcan juntos en la foto. En nuestro caso tenemos el mismo problema de
perspectiva. Y la solucin es la misma, cambiar el punto de vista. Para ello, lo que se
hace es rotar los ejes.
Existen dos tipos de rotaciones:
La ortogonal mantiene la perpendicularidad entre los ejes. Es decir mantenemos los
factores independientes entre s. (varimax, quartimax y equamax)
La oblicua adems del punto de vista cambia el ngulo entre los ejes, ahora los ejes
pueden estar relacionados entre s. Esta situacin es ms compleja, pero se adapta
ms a la realidad. (oblimin oblicuo)

En Spss
Pedimos que nos entregue la solucin rotada, con eso aparecer una matriz de
componentes(relacin ejes-variables) pero calculada tras la rotacin de los ejes.
6. Puntuaciones

Una vez que estoy seguro de que mis resultados son los mejores que puedo conseguir
(reduccin de dimensin, captura de informacin, clasificacin de las variables,
ejes,), puedo pasar de estudiar las variables a estudiar los individuos.

Este paso no siempre es necesario. Slo cuando utilice el Anlisis Factorial como un
instrumento previo de reduccin de dimensin para simplificar anlisis posteriores
tiene sentido calcular las puntuaciones de los individuos en los nuevos factores
calculados.

Igual que cada variable se construye como combinacin lneal de los factores
(comunalidad) y de su parte nica, tambin puedo dar la vuelta a las ecuaciones y
expresar los factores como combinaciones lineales de las variables originales
(calculados como regresiones en las que las variables relacionadas con el factor
tendrn coeficientes grandes y el resto coeficientes cercanos a cero).

De ese modo, si tengo las puntuaciones de cada individuo en las variables originales,
puedo calcular las puntaciones del individuo en cada uno de los factores construidos.
As en el caso de las asignaturas y las reas de la carrera, conociendo las puntuaciones
de los alumnos en las asignaturas, podr calcular la habilidad en cada una de las reas.

En spss

Con ese comando, el programa va a generar nuevas variables, tantas como factores he
retenido, y a cada individuo le va a estimar el valor en cada uno de esos factores.
7. Interpretacin y usos

Asociar las variables originales a las variables latentes (factores) con los
que ms se relaciona, usando para ello la matriz de componentes.
Relacionado con lo anterior, es posible asignar un nombre terico a cada
uno de los factores en funcin de las variables que se relacionan con l.
Hay que destacar que en principio no sabemos la existencia de los factores
latentes ni su asociacin, por lo que la interpretacin previa slo es posible
si existe una hiptesis terica previa, lo cual no ocurre en general. Por ello
se puede diferenciar entre anlisis factorial Exploratorio (el que hemos
visto) y Anlisis Factorial Confirmatorio (en base a la teora de modelos
estructrales).
Con la reduccin de la dimensin y el clculo de las puntuaciones
factoriales puedo realizar anlisis descriptivos y representaciones ms
fcilmente interpretables de mi muestra.
Las puntuaciones factoriales son un resultado instrumental para continuar
analizando la base de datos con la ventaja de contar ahora con una matriz
de menor dimensin y con variables independientes.