Anlisis factorial.

Es un procedimiento matemtico mediante el cual se pretende reducir la dimensin

de un conjunto de p variables obteniendo un nuevo conjunto de variables ms
reducido, pero capaz de explicar la variabilidad comn encontrada en un grupo de
individuos sobre los cuales se han observado las p variables originales.

Es claro que el anlisis factorial y anlisis de componentes principales no es

la misma cosa. La diferencia estriba en que , en el caso del anlisis factorial, esta
bsqueda de variables fundamentales o factores comunes est encaminada a un
objeto final que es el de encontrar relaciones matemticas que nos permitan
expresar las variables originales a travs de los factores comunes ms los factores
especficos de cada variable observada.

En la aplicacin del anlisis factorial debe diferenciarse entre el anlisis

factorial exploratorio y el anlisis factorial confirmatorio.

Anlisis factorial exploratorio Anlisis factorial confirmatorio

El objetivo es explorar los datos para Es un mtodo de desarrollo

descubrir las dimensiones desarrollado por Joreskog en 1973. Se
fundamentales. Fue para este propsito basa en los estudios previos o una
que el anlisis factorial fue determinada teora, se hacen hiptesis
originalmente desarrollado por sobre las cargas tanto como sea
Spearman en 1904. As el anlisis posible. Adems de medir la calidad de
factorial en sus orgenes solo fue un ajuste.
mtodo exploratorio.

Modelo matemtico del anlisis factorial:

Sean:
X 1 , X 2 ... , X p Variables observadas
F1 , F 2 ..., F m Factores comunes
e 1 , e 2 ... , e p Factores especficos

Se supone que las variables observadas estn tipificadas.

El modelo de anlisis se escribe de la siguiente forma:
X 1=11 11 F 1 +...+11 m F m +e 1
X 2=11 21 F1 +...+12 m Fm + e2

X p =11 p 1 F 1+ ...+1 pm F m+ e p
Forma matricial del modelo:

(frmula pg.341)
Sobre este modelo deben hacerse algunas hiptesis:

Hiptesis sobre factores comunes:

1. E [ f ]=0
2. La matriz de varianzas- covarianzas: E [ ff t ]=I
Los factores son variables tipificadas e incorrelacionadas entre s

Hiptesis sobre factores especficos:

1. E [ e ] =0
2. La matriz de varianzas- covarianzas: E [ ee t ] = Donde es una matriz
diagonal
Los factores especficos son incorrelacionados

Hiptesis sobre la relacin entre factores comunes y especficos:

La matriz de varianzas-covarianzas entre los factores comunes y especficos es:

E [ fe t ] =0
Los factores comunes y los especficos estn incorrelacionados entre s

(frmulas pg. 341- 342)

El problema que plantea el anlisis factorial es la estimacin de los coeficientes

I jk . A los coeficientes estimados se les llama cargas factoriales estimadas ,
aunque se suele prescindir del adjetivo estimadas.

Los mtodos de obtencin de factores

El mtodo de anlisis en componentes principales ya comentado es uno de los

mtodos de obtencin de factores del anlisis factorial. Los factores comunes
obtenidos a travs del mtodo de anlisis en componentes principales son,
precisamente, las componentes principales.

(formulas pgina 343 - 344)

Las componentes son factores reales porque se derivan directamente de la matriz

de correlacin. Los factores comunes del anlisis factorial son hipotticos porque
son estimados a partir de datos.

Mxima verosimilitud:
El mtodo de mxima verosimilitud obtiene a travs de factorizaciones sucesivas un
conjunto de factores. El mtodo de mxima verosimilitud es considerado como un
mtodo estadstico porque, como en el caso de la estadstica inferencial, las
inferencias se hacen de la muestra de poblacin.

Cuando los test de fiabilidad y las comunalidades son altas, la diferencia entre el
anlisis factorial por mxima verosimilitud y el anlisis por componentes es trivial.

Ejes principales:

Es parecido al de componentes principales, pero supone un procedimiento iterativo.

La diferencia es que en lugar de encontrar unos en la diagonal de la matriz de
correlacin las comunalidades son estimadas.
El proceso se itera siempre que la varianza debida al factor nico sea positiva o,
ms concretamente, mayor que un valor positivo suficientemente pequeo
establecido a priori.

Mtodo alfa

Se considera que las variables del estudio constituyen una muestra de un universo
de potenciales variables, observadas sobre una poblacin dada de sujetos. De este
modo, la eleccin de las variables es aleatoria mientras que los individuos, en tanto
que poblacin, dan lugar a los valores fijos de los parmetros que los caracterizan.

Mnimos cuadrados no ponderados

El criterio que se aplica en este mtodo es la minimizacin de las sumas de las

diferencias al cuadrado entre los elementos de las matrices de correlacin
observada y reproducida.

Mnimos cuadrados generalizados

Este mtodo aplica el mismo criterio que el mtodo anterior, pero ponderamos las
correlaciones con la inversa de la especificidad de las variables.

La rotacin de factores

Una vez completado el anlisis factorial, por cualquiera de los mtodos vistos, los
factores deben ser interpretados e identificados. Para esto las soluciones deben ser
rotadas ya que, por un lado, factores con muchas cargas factoriales son difciles de
interpretar y, por otro, no existe una solucin perfecta o ideal en anlisis factorial.

Existen dos tipos de rotaciones: ortogonales y oblicuas.

En las rotaciones originales los factores se rotan de tal modo que los ngulos entre
ellos sean siempre ngulos rectos. La rotacin ortogonal de factores hace variar las
cargas factoriales y por tanto, el significado de los factores.

Dentro de los mtodos de rotacin ortogonal comentaremos las rotaciones

Varimax, Quartimax y Equimax.

Mtodo Varimax El objetivo es minimizar el nmero de variables que tienen cargas

altas en un factor, y para ello se maximiza la suma de las varianzas de las cargas
factoriales dentro de ese factor dejando por columna cantidades prximas bien a 1,
bien a 0.

Mtodo Quartimax En este caso el objeto de la rotacin es conseguir que una

variable tenga una carga alta en un factor y baja en los dems, de esta manera se
obtendr un factor general con cargas altas en todas las variables.

Mtodo Equimax Es una solucin intermedia entre las anteriores, se pueden

combinar ambos mtodos y asignar pesos a cada criterio.

Las rotaciones ortogonales son las adecuadas cuando el inters principal es reducir
la informacin y sobre todo, si se quiere que los factores estn incorrelacionados.

En las rotaciones oblicuas los ejes factoriales pueden tomar cualquier posicin en
el estudio factorial. El coseno del ngulo entre los ejes factoriales indica la
correlacin entre ellos. Las rotaciones oblicuas permiten ms libertad en la seleccin
de las posiciones de los factores.

En general, se identifican dos tipos de enfoques para la rotacin oblicua: uno que
utiliza ejes de referencia y otro que emplea el modelo de matriz primaria.

Rotaciones oblicuas basadas en los ejes de referencia: Se apoya en la idea de la

existencia de grupos definidos de variables que representan dimensiones
separadas y correctamente identificadas por factores primarios.
Rotaciones oblicuas basadas en el modelo de los factores primarios: Oblimin
directo. Se apoyan en la simplificacin de los pesos factoriales sobre los factores
primarios y no sobre los ejes de referencia.