Escolar Documentos
Profissional Documentos
Cultura Documentos
Contenido
INTRODUCCIÓN ......................................................................................................................... 2
A. INFORMACIÓN EJERCICIOS ..................................................................................... 2
A.1. Ejercicio A. .................................................................................................................. 2
A.2. Ejercicio B ................................................................................................................... 3
4. KMO y prueba de Bartlett ............................................................................................... 5
5. Comunalidades ................................................................................................................ 5
6. Varianza total explicada .................................................................................................. 7
7. Gráfico de Sedimentación ............................................................................................... 8
8. Matriz de componentes. .................................................................................................. 9
9. Matriz de componentes rotada ...................................................................................... 10
10. Matriz de transformación de los componentes .......................................................... 11
11. Gráfica de componentes en espacio rotado ............................................................... 11
12. variables sustitutas de las iniciales ............................................................................ 11
13. Matriz de correlaciones ............................................................................................. 13
14. KMO y prueba de Bartlett: ........................................................................................ 14
15. Comunalidades .......................................................................................................... 14
16. Varianza total explicada ............................................................................................ 15
17. Gráfico de sedimentación .......................................................................................... 16
18. Matriz de componentes.............................................................................................. 17
19. Matriz de componentes rotados ................................................................................. 17
20. Matriz de transformación de los componentes .......................................................... 18
21. Gráfica de componentes en espacio rotado ............................................................... 19
22. Variables sustitutas de las iniciales ........................................................................... 19
23. Conclusiones.............................................................................................................. 20
24. Bibliografía ................................................................................................................ 20
25. Anexos ....................................................................................................................... 20
26. Glosario: .................................................................................................................... 20
1
“ANÁLISIS FACTORIAL SPSS”
INTRODUCCIÓN.
El análisis factorial es una técnica de reducción de datos que sirve para encontrar grupos homogéneos de
variables a partir de un conjunto numeroso de variables.
Por lo tanto, esos grupos homogéneos se forman con las variables que correlacionan mucho entre sí y
procurando, inicialmente, que unos grupos sean independientes de otros. En consecuencia, el análisis
factorial es una técnica de reducción de la dimensionalidad de los datos. Su propósito último consiste en
buscar el número mínimo de dimensiones capaces de explicar el máximo de información contenida en los
datos.
Por lo tanto, en el análisis factorial todas las variables del análisis cumplen el mismo papel, así, todas
ellas son independientes en el sentido de que no existe a priori una dependencia conceptual de unas
variables sobre otras.
A. INFORMACIÓN EJERCICIOS
A.1. Ejercicio A.
1. Cargue en SPSS el archivo de nombre MUNDO, este contiene indicadores económicos,
demográficos, sanitarios y de otros tipos para diversos países del mundo.
2. Realice un análisis factorial de las variables: índice de alfabetización (alfabet), aumento de la
población (inc_pob), esperanza de vida femenina (espvidaf), mortalidad infantil (mortinf), número
promedio de hijos por mujeres (fertilid), tasa de natalidad (tasa_nat), logaritmo del PIB (lob_pib),
Habitantes en ciudades (urbana) y la tasa de mortalidad (tasa _mor).
3. Determine si el Análisis de Correlaciones es adecuado para efectuar el análisis factorial,
explique, qué valor tiene la determinante de la matriz?
4. Determine si la medida de adecuación muestral KMO y la prueba de Barlett indican que es
adecuado el análisis. (cuanto son los valores para KMO Y para la probabilidad de la prueba de Barlett).
5. Determine de acuerdo a las comunalidades y los autovalores el número de factores que explican
la mayor parte de la varianza total explicada. (cuanto es el % explicado?)
6. Agrupe las variables en sus factores correspondientes (recuerde que la correlación también puede
ser negativa).
7. Presente en un cuadro las variables sustitutas de las iniciales que aparece en su “editor de datos”
una vez efectuado el análisis.
Realizar este mismo análisis para el ejercicio siguiente:
2
“ANÁLISIS FACTORIAL SPSS”
A.2. Ejercicio B.
Utilizando el archivo Empresas.sav que contiene información sobre empresas por países según sectores
de actividad, realice un análisis factorial de todas las variables del archivo con la finalidad de reducirlas a
un conjunto menor de variables con la menor pérdida de información posible.
Ejercicio A: Análisis Factorial Mundo
El siguiente análisis de casos, está basado en las técnicas de análisis factorial de datos (SPSS), el cual está
dividido en dos casos, 7 incisos y acompañadas de los análisis respectivos, referencias conceptuales,
respuestas y conclusiones.
INCISO 1 y 2:
1
Variables: Deberán ser cuantitativas a nivel de intervalo o de razón. Por lo tanto, los datos categóricos (Religión, país)
no son adecuados para el análisis factorial.
2
Descriptivos: Se establecen los estadísticos más relevantes relativos a las variables que ofrecerá e análisis.
3
Determinante de la matriz: Nos indica el nivel de correlacionadas están las variables independientes. Por
lo tanto, si dicho determinante es muy bajo, entonces significa que existe variables con intercorrelaciones muy altas, y
entonces es factible continuar con el análisis factorial.
4
Extracción: Permite especificar el método de extracción factorial.
5
Rotación: Permite seleccionar el método de rotación factorial.
3
“ANÁLISIS FACTORIAL SPSS”
Matriz de correlacionesa
a. Determinante = 2.01E-007
Interpretación:
Uno de los requisitos más importantes que debe cumplir la matriz de datos está el que las
variables independientes tienen que estar altamente correlacionadas, y para esto se tiene que tomar en
cuenta el determinante de la matriz. Por lo tanto, si dicho determinante es muy bajo, entonces significa
que existe variables con intercorrelaciones muy altas, y entonces es factible continuar con el análisis
factorial. Sin embargo, el determinante no debe ser igual a cero, pues en este caso los datos no serían
válidos. Para el caso de este estudio se obtuvo en determinante igual a 2.01E-007. Esto nos indica que
dicho determinante es muy próximo a cero, Por lo tanto es factible continuar con el análisis factorial.
Valor de la determinante de la matriz = 2.01E-007 Como siguiente paso:
Es importante el comprobar si la matriz de correlaciones es una matriz donde la
intercorrerlaciones entre las variables sean ceros, para esa comprobación se utiliza el “Test de esfericidad
de Bartlett”, el cual consiste en una estimación de “ji-
6
Rotación Varimax: Trata de que los factores tengan pocas saturaciones altas y muchas caulas en las variables. Esto hace que
haya factores con correlaciones altas con un número pequeño de variables correlaciones nulas en el resto, quedando así
redistribuida la varianza de los factores.
7
Puntuaciones: Crea una nueva variable para cada factor en la solución final que contiene las puntuaciones.
8
Opciones: Permite especificar el tratamiento que reciben los valores perdidos.
4
“ANÁLISIS FACTORIAL SPSS”
5
“ANÁLISIS FACTORIAL SPSS”
representados como alfabetización (.859), tasa mortalidad (.865), Log PIB ( .754) y habitantes ciudades (
.706).
La variable tasa de natalidad es la mejor explicada (0.964), mientras la variable habitantes
ciudad es la peor explicada (0.706), el modelo sólo puede explicar el 70.6% de su variabilidad original.
A partir de esta tabla podemos empezar a plantearnos si el número de factores obtenidos es
suficiente para explicar todas y cada una de las variables incluidas en el análisis.
También podemos empezar a plantearnos en este momento si, dando por bueno el número de
factores extraído, alguna de las variables incluidas podría quedar fuera del análisis.
INCISO 5:
6
“ANÁLISIS FACTORIAL SPSS”
v l v l v l
a a a a a a
ri d ri d ri d
a o a o a o
n n n
z z z
a a a
1 6 7 7 6 7 7 4 5 5
. 4 4 . 4 4 . 0 0
6 . . 6 . . 5 . .
9 3 3 9 3 3 2 2 2
1 4 4 1 4 4 4 6 6
4 4 4 4 5 5
2 1 1 8 1 1 8 3 3 8
. 3 8 . 3 8 . 7 8
2 . . 2 . . 4 . .
4 8 1 4 8 1 1 9 1
5 3 7 5 3 7 2 1 7
1 5 1 5 0 5
3 . 5 9
5 . 4
3 9 .
2 0 0
7 8
3
4 . 2 9
1 . 6
9 1 .
8 9 2
6 7
9
5 . 1 9
1 . 8
7 9 .
4 3 2
2 1
1
6 . . 9
0 7 8
6 2 .
6 9 9
4
0
7
“ANÁLISIS FACTORIAL SPSS”
7 . . 9
0 6 9
5 2 .
6 1 5
6
1
8 . . 9
0 2 9
2 8 .
5 0 8
4
1
9 . . 1
0 1 0
1 5 0
4 9 .
0
0
0
Método de extracción: Análisis de Componentes principales.
Interpretación:
Se extraen tantos factores como autovalores mayores que 1 tiene la matriz analizada. En
nuestro ejemplo hay 2 autovalores mayores que 1, por lo que el procedimiento extrae 2 factores que
consiguen explicar un 88.175 % de la varianza de los datos originales
La información de esta tabla puede utilizarse para tomar una decisión sobre el número idóneo
de factores que deben extraerse. Si quisiéramos explicar, por ejemplo, un mínimo del 95% de la
variabilidad contenida en los datos, sería necesario extraer cuatro factores. (4)
La matriz de varianzas-covarianzas analizada en el ejercicio, es la matriz de correlaciones
entre las 9 variables incluidas en el análisis. Puesto que esta matriz es de dimensiones 9x9, es posible
extraer hasta 9 factores independientes. Tal como muestra la columna de porcentajes acumulados (%
acumulado), con los 9 factores que es posible extraer se consigue explicar el 100% de la varianza total,
pero con ello no se consigue el objetivo de reducir el número de dimensiones necesarias para explicar los
datos.
8
“ANÁLISIS FACTORIAL SPSS”
7. Gráfico de Sedimentación
Interpretación:
El gráfico de sedimentación indica que sólo son mayores que 1 los autovalores de las dos
primeras variables, con lo que estas dos variables resumirán al resto. Por lo tanto, serán las 2
componentes principales que resumen toda la información.
Se puede observar que la tabla de la varianza total explicada coincide con la gráfica de
sedimentación ya que en el codo o punto donde cambia la tendencia de la sedimentación quedan dos
factores a la izquierda del punto.
En la tabla siguiente, se encuentra la matriz de componentes. Que es la matriz factorial que recoge la
ponderación de cada factor en cada una de las variables.
INCISO 6:
Agrupe las variables en sus factores correspondientes (recuerde que la correlación también
puede ser negativa).
9
“ANÁLISIS FACTORIAL SPSS”
8. Matriz de componentes.
Se refiere a la matriz factorial que recoge la carga de cada factor en cada una de las variables.
Matriz de componentes
Matriz de componentesa
Componentes (Factores)
1 2
Alfabetización (%) -.925 -.067
Aumento de la población (% anual) .727 .656
Esperanza de vida femenina -.963 .194
Mortalidad infantil (muertes por 1000 nacimientos .961 -.132
vivos)
Número promedio de hijos .931 .235
Tasa de natalidad (por 1.000 habitantes) .949 .257
Log(10) de PIB_CAP -.867 .039
Habitantes en ciudades (%) -.785 .299
Tasa de mortalidad (por 1.000 habitantes) .568 -.737
Método de extracción: Análisis de componentes principales.
a. 2 componentes extraídos
Interpretación:
Por lo tanto, comparando las saturaciones relativas de cada variable en cada uno de los dos factores
podemos apreciar cómo están constituidos los factores según la saturación de las variables.
Se observa que la primer componente esta correlacionada positivamente con
mortalidad infantil (.961), tasa natalidad (.949), numero promedio hijos (.931) y aumento población
(.727). Además, se observa que en primer componente está correlacionado negativamente con esperanza
de vida femenina (-.963), alfabetización (-,925), Log PIB (- .867) y habitantes ciudades (-.785)
Se observa que en el segundo componente está correlacionada negativamente con
tasa de mortalidad (-.737).
Por lo tanto, la identificación de los componentes es poco clara, así procederemos a realizar
una rotación.
10
“ANÁLISIS FACTORIAL SPSS”
Tasa de natalidad (por 1.000 .898 Tasa de mortalidad (por 1.000 habitantes) -.930
habitantes)
Log (10) de PIB_CAP -.649
Interpretación:
En el cuadro anterior se puede comparar las saturaciones relativas a cada variable por factor.
El primer factor está conformado por las variables alfabetización, aumento población, numero
promedio hijos, tasa natalidad y Log de PIB. Todas estas variables saturan en un único factor porque
constituyen un grupo diferenciado de variables de la matriz de correlaciones, por lo que este factor
pareciera reflejar los condicionantes de la segmentación en ciudades.
El segundo factor recoge las variables esperanza de vida femenina, mortalidad infantil,
habitantes en ciudades, tasa mortalidad, por lo que vendría a representar algo así como mortalidad en
ciudades.
11
“ANÁLISIS FACTORIAL SPSS”
Interpretación:
INCISO 7:
Presente en un cuadro las variables sustitutas de las iniciales que aparece en su “editor de
datos” una vez efectuado el análisis.
12. variables sustitutas de las iniciales
Factor 1 Factor 2
1 .40303 .06526
2 -2.74903 -.63281
3 .87670 -1.07011
4 .22149 1.63207
5 .55998 -.25381
6 .65521 .30775
7 .99705 -.30867
8 .69294 -1.18559
9 .80509 1.66289
1 -1.56926 .10010
0
… …. ….
1 -1.54407 -.37009
0
9
Interpretación
12
“ANÁLISIS FACTORIAL SPSS”
13
“ANÁLISIS FACTORIAL SPSS”
empres
comun
transp
agricul
central
sector
banco
orte y
servici
icacio
ucción
servici
minerí
manuf
energí
actura
constr
n es
es de
os a
tura
os
as
s
a
a
agricultura 1 . - - - - - - -
. 0 . . .5 . . . .
0 3 6 4 38 7 2 7 5
0 6 7 0 3 2 4 6
0 1 0 7 0 7 5
minería . 1 . . - - - - .
0 . 4 4 .0 . . . 1
3 0 4 0 26 3 4 2 5
6 0 5 5 9 4 8 7
0 7 3 1
manufactura - . 1 . .4 . - . .
. 4 . 3 94 2 . 1 3
6 4 0 8 0 1 5 5
7 5 0 5 4 5 4 1
1 0 6
centrales de energía - . . 1 .0 . . . .
. 4 3 . 60 2 1 1 3
4 0 8 0 0 1 3 7
0 5 5 0 2 0 2 5
0 0
construcción - - . . 1. . . . .
. . 4 0 00 3 0 1 3
5 0 9 6 0 5 1 5 8
3 2 4 0 6 6 8 8
8 6
servicios a empresas - - . . .3 1 . . .
. . 2 2 56 . 3 5 1
7 3 0 0 0 6 7 8
3 9 4 2 0 6 2 8
7 7 0
bancos - - - . .0 . 1 . -
. . . 1 16 3 . 1 .
2 4 1 1 6 0 0 2
2 4 5 0 6 0 8 4
0 3 6 0 6
sector servicios - - . . .1 . . 1 .
. . 1 1 58 5 1 . 5
7 2 5 3 7 0 0 6
Correlación
4 8 4 2 2 8 0 8
7 1 0
transporte y - . . . .3 . - . 1
comunicaciones . 1 3 3 88 1 . 5 .
5 5 5 7 8 2 6 0
6 7 1 5 8 4 8 0
6 0
U
5
S
a
(
)
.
t
i
i
l
agricultura . . . .0 . . . .
4 0 0 02 0 1 0 0
14
“ANÁLISIS FACTORIAL SPSS”
3 0 2 0 4 0 0
1 0 1 0 0 0 1
minería . . . .4 . . . .
4 0 0 51 0 0 0 2
3 1 2 2 1 8 2
1 1 0 2 2 2 2
manufactura . . . .0 . . . .
0 0 0 05 1 2 2 0
0 1 2 5 2 2 4
0 1 6 9 4 6 0
centrales de energía . . . .3 . . . .
0 0 0 86 1 2 2 0
2 2 2 6 9 6 2
1 0 6 1 7 0 9
construcción . . . . . . . .
0 4 0 3 0 4 2 0
0 5 0 8 3 6 2 2
2 1 5 6 7 9 0 5
servicios a empresas . . . . .0 . . .
0 0 1 1 37 0 0 1
0 2 5 6 3 0 7
0 2 9 1 3 1 9
bancos . . . . .4 . . .
1 0 2 2 69 0 3 1
4 1 2 9 3 0 1
0 2 4 7 3 0 3
sector servicios . . . . .2 . . .
0 0 2 2 20 0 3 0
0 8 2 6 0 0 0
0 2 6 0 1 0 1
transporte y . . . . .0 . . .
comunicaciones 0 2 0 0 25 1 1 0
0 2 4 2 7 1 0
1 2 0 9 9 3 1
a. Determinante = 2.382E-006
Interpretación
Uno de los requisitos más importantes que debe cumplir la matriz de datos está el que las
variables independientes tienen que estar altamente correlacionadas, y para esto se tiene que tomar en
cuenta el determinante de la matriz. Por lo tanto, si dicho determinante es muy bajo, entonces significa
que existe variables con intercorrelaciones muy altas, y entonces es factible continuar con el análisis
factorial. Sin embargo, el determinante no debe ser igual a cero, pues en este caso los datos no serían
válidos. Para el caso de este estudio se obtuvo en determinante igual a 2.0382E-006. Esto nos indica que
dicho determinante es muy próximo a cero, Por lo tanto es factible continuar con el análisis factorial.
Valor de la determinante de la matriz = 2.382E-006
15
“ANÁLISIS FACTORIAL SPSS”
Como siguiente paso: Es importante el comprobar si la matriz de correlaciones es una matriz donde la
intercorrerlaciones entre las variables sean ceros, para esa comprobación se utiliza el “Test de esfericidad
de Bartlett”, el cual consiste en una estimación de “ji- cuadrado” a partir de una transformación del
determinante de la matriz de correlaciones.
INCISO 4:
Determine si la medida de adecuación muestral KMO y la prueba de Barlett indican que es
adecuado el análisis. (cuanto son los valores para KMO Y para la probabilidad de la prueba de Barlett).
14. KMO y prueba de Bartlett:
KMO y prueba de Bartlett
Medida de adecuación muestral de Kaiser-Meyer-Olkin. .134
Chi-cuadrado aproximado 274.05
3
Prueba de esfericidad de Bartlett
gl 36
Sig. .000
Interpretación:
Se observa lo siguiente;
El KMO (.134) por lo tanto es menor que 0.5 lo nos indica que no es aceptable para el análisis factorial.
La prueba de esfericidad de Bartlett (.000) nos dice que no es significativa la hipótesis
nula de variables iniciales incorrelacionadas, por lo tanto es menor que
0.05 con lo cual es adecuado el realizar el análisis factorial.
15. Comunalidades
Comunalidades
Inicial Extracción
agricultura 1.000 .965
minería 1.000 .858
manufactura 1.000 .714
centrales de energía 1.000 .719
construcción 1.000 .400
servicios a empresas 1.000 .776
bancos 1.000 .837
sector servicios 1.000 .735
transporte y comunicaciones 1.000 .711
16
“ANÁLISIS FACTORIAL SPSS”
Interpretación
Se puede observar que existen componentes que quedan bastante bien representados con la
solución factorial como los son tasa agricultura (.965), minería (.858), bancos (.837), servicios a empresas
(.776), y otros ítems que están menos representados como sector servicios (.735), centrales de energía
(.719), manufactura ( .714) y transporte y comunicaciones ( .711).
A partir de esta tabla podemos empezar a plantearnos si el número de factores obtenidos es
suficiente para explicar todas y cada una de las variables incluidas en el análisis.
También podemos empezar a plantearnos en este momento si, dando por bueno el
número de factores extraído, alguna de las variables incluidas podría quedar fuera del análisis
INCISO 5:
Determine de acuerdo a las comunalidades y los autovalores el número de factores que
explican la mayor parte de la varianza total explicada. (cuanto es el % explicado?)
En la siguiente tabla, (Varianza total explicada) se ofrece un listado de los autovalores de la matriz de
varianzas-covarianzas y del porcentaje de varianza que representa cada uno de ellos. Los autovalores
expresan la cantidad de la varianza total que está explicada por cada factor; y los porcentajes de varianza
explicada asociados a cada factor se obtienen dividiendo su correspondiente autovalor por la suma de los
autovalores.
16. Varianza total explicada
Varianza total explicada
Sumas de las Suma de las saturaciones al
Autovalores iniciales
saturaciones al cuadrado
cuadrado de la de la rotación
extracción
et % % % % % de %
Tot T T
acu ac la ac
al o o
d mu d u varia u
t t
e lad e m nza m
a a
la o la ul ul
l l
Componen
v v ad ad
ar ar o o
ia ia
n n
z z
a a
1 3.4 3 38. 3 3 38 3 33.9 33
87 8. 74 . 8 .7 . 92 .9
7 6 4 . 46 0 92
4 8 7 5
6 7 4 9
6
2 2.1 2 62. 2 2 62 1 21.1 55
30 3. 41 . 3 .4 . 31 .1
6 5 1 . 15 9 24
6 3 6 0
17
“ANÁLISIS FACTORIAL SPSS”
9 0 6 2
9
3 1.0 1 74. 1 1 74 1 19.5 74
99 2. 62 . 2 .6 . 02 .6
2 5 0 . 25 7 25
1 9 2 5
1 9 1 5
1
4 .99 1 85.
4 1. 67
0 5
5
0
5 .54 6. 91.
3 0 71
3 1
6
6 .38 4. 95.
3 2 97
6 1
0
7 .22 2. 98.
6 5 48
0 0
8
8 .13 1. 99.
7 5 99
2 9
0
9 4.5 .0 10
63 0 0.0
E- 1 00
00
5
18
“ANÁLISIS FACTORIAL SPSS”
Método de extracción: Análisis de Componentes principales.
Interpretación:
Se observan que los tres primeros componentes extraídos resumen el 74.625 % de la
variabilidad total.
17. Gráfico de sedimentación
Interpretación:
El gráfico de sedimentación indica que sólo son mayores que 1 los autovalores de las tres
primeras variables, con lo que estas tres variables resumirán al resto. Por lo tanto, serán las 3
componentes principales que resumen toda la información.
Se puede observar que la tabla de la varianza total explicada coincide con la gráfica de
sedimentación ya que en el codo o punto donde cambia la tendencia de la sedimentación quedan dos
factores a la izquierda del punto.
En la tabla siguiente, se encuentra la matriz de componentes. Que es la matriz factorial que recoge la
ponderación de cada factor en cada una de las variables.
INCISO 6:
Agrupe las variables en sus factores correspondientes (recuerde que la correlación también
puede ser negativa).
19
“ANÁLISIS FACTORIAL SPSS”
Matriz de componentesa
Componente
1 2 3
agricultura -.978 .078 -.051
minería -.002 .902 .211
manufactura .649 .518 .158
centrales de energía .478 .381 .588
construcción .607 .075 -.161
servicios a empresas .708 -.511 .121
bancos .139 -.662 .616
sector servicios .723 -.323 -.327
Interpretación:
Se observó que es difícil agrupar las variables en componentes, con lo que se procedería a
realizar una rotación, para tratar de que las variables puedan ser
identificadas en los grupos.
19. Matriz de componentes rotados
Matriz de componentes rotadosa
Componente
1 2 3
agricultura -.871 -.343 -.299
minería -.186 .743 -.520
manufactura .465 .692 -.136
centrales de energía .146 .809 .207
construcción .607 .174 -.030
servicios a empresas .643 -.006 .602
bancos -.060 -.005 .913
sector servicios .824 -.157 .177
.751 .205 -.325
transporte y comunicaciones
20
“ANÁLISIS FACTORIAL SPSS”
Se puede observar que los componentes tienen saturaciones altas según los siguientes factores:
El primer factor está conformado por las variables agricultura, construcción, servicios a
empresas, sector servicios y transporte y comunicaciones. Todas estas variables saturan en un único factor
porque constituyen un grupo diferenciado de variables de la matriz de correlaciones. No obstante no ayudan
a identificar los grupos de variables.
El segundo factor recoge las variables de minería, manufactura, y centrales de energía. No obstante
no ayudan a identificar los grupos de variables.
El tercer factor recoge las variables de bancos. No obstante no ayudan a identificar los grupos
de variables.
20. Matriz de transformación de los componentes
Matriz de transformación de las componentes
Componente 1 2 3
1 .903 .372 .213
2 -.107 .677 -.729
3 -.416 .635 .651
Método de extracción: Análisis de componentes principales. Método de rotación: Normalización Varimax con Kaiser.
21
“ANÁLISIS FACTORIAL SPSS”
Interpretación:
El gráfico de componentes del espacio rotado, no ayudan a identificar los grupos de variables.
INCISO 7:
Presente en un cuadro las variables sustitutas de las iniciales que aparece en su “editor de
datos” una vez efectuado el análisis.
22. Variables sustitutas de las iniciales
Factor 1 Factor 2 Factor 3
1 .85420 -.15303 .85967
2 .97388 -1.34615 .56948
3 .24465 -.06635 .93657
4 .17994 .50582 .45398
5 -.16874 .01980 .42485
6 .64543 -.90680 -.22697
7 .19517 .93780 .14546
8 .96908 -.61946 1.13177
9 .35660 .82698 1.06005
1 .14221 .91499 .69708
0
…
2 -3.02516 .70776 1.85046
6
22
“ANÁLISIS FACTORIAL SPSS”
23. Conclusiones
El análisis factorial (AF) es una técnica de análisis multivariante que se utiliza para el estudio
e interpretación de las correlaciones entre un grupo de variables. Parte de la idea de que dichas
correlaciones no son aleatorias sino que se deben a la existencia de factores comunes entre ellas. El
objetivo del AF es la identificación y cuantificación de dichos factores comunes.
Por ejemplo, hay fenómenos como índice de alfabetización (alfabet), aumento de la población
(inc_pob), etc, que es necesario conocer pero que no se pueden medir con una sola pregunta, porque se
trata de fenómenos complejos que se manifiestan en infinidad de situaciones, sentimientos,
comportamientos y opiniones concretas. En consecuencia, estos fenómenos son el resultado de la
medición de un conjunto de características. El AF nos permitirá combinar preguntas de manera que
podamos obtener nuevas variables o factores que no son directamente medibles pero que tienen un
significado. Por lo tanto, se trata de una técnica adecuada para el caso de variables continuas altamente
correlacionadas.
En conclusión:
El análisis factorial se usa, con mucho éxito, en las ciencias del comportamiento tales como
ciencias sociales, marketing, gestión de productos, investigación de operaciones y otras ciencias aplicadas
que tratan con grandes cantidades de datos.
24. Bibliografía
Mollinedo, K. (6 de Enero de 2007). Google. Recuperado el 3 de Mayo de 2014, de
http://es.scribd.com/doc/51801258/Tesis-K-Mollinedo-Diagrama-de-la-persona
25. Anexos
26. Glosario:
1. Comunalidad de una variable:
Es la proporción de su varianza que puede ser explicada por el modelo factorial obtenido. Por
lo tanto, estudiando las comunalidades de la extracción podemos valorar cuáles de las variables son peor
explicadas por el modelo.
23