Tema 4

Universidad de Castilla-
La Mancha

ANÁLISIS FACTORIAL Y
ANÁLISIS DE
COMPONENTES
PRINCIPALES

Asignatura:
Métodos Avanzados de Investigación
Laura Ros Segura
Laura.Ros@uclm.es

Máster en Criminología y Delincuencia Juvenil

 TEMA 4
ANÁLISIS FACTORIAL Y ANÁLISIS DE COMPONENTES PRINCIPALES

1. Objetivos y usos del análisis factorial

En la investigación criminológica es frecuente estudiar conceptos que no pueden

ser observados directamente como son el miedo al delito, el autocontrol o las actitudes
punitivas. Estos conceptos reciben el nombre de factores o variables latentes. Aunque
no es posible medir el miedo al delito directamente, sí se pueden evaluar algunas de sus
manifestaciones. Se podrían cuantificar el número de medidas preventivas que adopta
una persona, las situaciones cotidianas que evita, etc. Posteriormente, se debería
comprobar en qué medida todos los indicadores reflejan una misma variable (en este
caso, miedo al delito).
En este tema se abordan las técnicas de análisis factorial y de componentes
principales, cuya finalidad es agrupar conjuntos de datos. En concreto, análisis factorial
es el nombre genérico que reciben una serie de técnicas multivariantes cuyos objetivos
son:
- Resumir un conjunto de datos, manteniendo el máximo de información original.
- Identificar la estructura subyacente a un conjunto de datos.

2. Análisis Factorial (AF) vs. Análisis de Componentes Principales (ACP)

Aunque comparten aspectos comunes, el análisis factorial y el análisis de

componentes principales presentan importantes diferencias que es necesario conocer
para poder escoger la técnica más adecuada en cada caso.
Mientras que el análisis factorial intenta explicar el máximo de varianza común
utilizando el menor número de factores, el análisis de componentes principales intenta
explicar el máximo de varianza total transformando los indicadores originales en
componentes lineales.
Ambos procedimientos pretenden reducir la matriz de correlaciones/covarianzas
utilizando un conjunto menor de dimensiones. En el análisis factorial estas dimensiones
se denominan factores y representan constructos latentes. En el análisis de componentes

1
principales los datos son transformados en combinaciones lineales que reciben el
nombre de componentes.
En los documento “Costello&Osborne2005” y “Pérez2004” se explican en detalle
las características de cada procedimiento.

3. Diseño y supuestos del análisis factorial y de los componentes principales

Existen tres aspectos especialmente relevantes:

- La selección de las variables a incluir en el análisis. En general, tendrán una

escala métrica, aunque podrán emplearse variables dicotómicas u ordinales si se
utiliza la matriz de correlaciones apropiada (tetracórica o policórica).
- El tamaño muestral. Aunque no existe un límite consensuado en la literatura,
suele aceptarse un tamaño muestral mínimo de 200-300 observaciones. En
cualquier caso, tendrán que valorarse otros aspectos complementarios como son
el número de variables incluidas en el análisis, o la comunalidad (varianza
común) que presentan dichas variables.
- El cumplimiento de los supuestos. El supuesto fundamental es la existencia de
suficientes correlaciones entre las variables. Además de explorar la matriz de
correlaciones, existen una serie de estadísticos que aportan información en este
sentido, incluyendo el test de esfericidad de Bartlett, el coeficiente Kaiser-
Meyer-Olkim o el Determinante de la Matriz.
Aunque cierto grado de multicolinealidad no es problemática, sí lo es la
multicolinealidad extrema (r>0.8; Determinante<0.00001).
Además, deberán evaluarse los supuestos de normalidad, homocedasticidad
y linealidad, ya que su incumplimiento supondría una disminución en las
correlaciones observadas.

4. La estimación e interpretación de los factores

Una vez que se han seleccionado las variables y se han comprobado los
supuestos, se está en condiciones de aplicar la técnica de análisis. En este sentido, será
necesario tomar decisiones relacionadas con:
- El método de extracción de los factores. Análisis factorial Vs. Análisis de
Componentes Principales.

2
 - El número de factores que se extraerán. Los procedimientos para determinar
el número de factores son diversos (criterio de la raíz latente, criterio de
contraste de caída, criterio de porcentaje de la varianza, criterio a priori, análisis
paralelo, correlaciones residuales, procedimiento MAP…) y varían de unos
programas estadísticos a otros. Tanto en el artículo de Costello y Osborne
(2005) como en los documentos “Ferrando&Anguiano2010” y “Pérez2004”
encontraréis una explicación y discusión de los mismos.
- La rotación de los factores. Generalmente, la rotación es deseable porque
simplifica la estructura de los factores y, por tanto, su interpretación. Esta
rotación puede ser ortogonal –cuando los factores se presumen independientes-
u oblicua –cuando se presumen relacionados-. En este sentido, será la literatura
previa la que permita determinar el grado de dependencia o independencia que
presentan. Continuando con el ejemplo del miedo al delito, lo más razonable
sería asumir que sus distintas dimensiones se encuentran relacionadas y que los
factores guardarán relación entre sí.
- La interpretación de los factores. Una vez que se han identificado los
indicadores que se agrupan en cada factor, se le asignará un nombre que refleje,
con precision, su significado.

5. La validación de los resultados

Uno de los procedimientos más habituales para validar los resultados del análisis
factorial consiste en realizar una validación cruzada. Para ello, se divide la
muestra original en dos mitades equivalentes. Sobre una de ellas se aplica el análisis
factorial exploratorio y sobre la otra un análisis factorial confirmatorio (cuyas
características se describen en los artículos de Ferrando Anguiano 2010 y Schmitt
2011).
En ocasiones, la muestra original no es lo suficientemente grande como para ser
dividida, en cuyo caso podrá obtenerse una muestra adicional. En todo caso, deberán
compararse los resultados obtenidos con los hallazgos previos de la literatura científica.

3
Figura 1. Fases en la aplicación del análisis factorial.

6. Análisis de fiabilidad

La fiabilidad hace referencia a distintos aspectos, incluyendo la ausencia de

errores de medida (aleatorios), el grado de consistencia interna de los indicadores que
componen una misma escala, y la estabilidad de las puntuaciones obtenidas en
distintos momentos temporales.
Es frecuente utilizar el análisis factorial como procedimiento para la
construcción de escalas que representan variables no observables (como el miedo al
delito, la impulsividad o el autocontrol). En este contexto, resulta fundamental evaluar
la consistencia interna de las escalas, garantizando que los indicadores utilizados
covarían. Uno de los estadísticos empleados en mayor medida es el coeficiente alfa de
Cronbach (α), cuyos valores oscilan entre 0 (ausencia total de comunalidad) y 1.
Aunque habitualmente se consideran adecuados los valores superiores a 0.70, es
necesario tomar ciertas precauciones adicionales a la hora de interpretar los resultados.

- Número de ítems que componen la escala. A medida que aumenta el número

de ítems, lo hace el valor de alfa. Cortina (1993) ilustra este fenómeno al comparar dos
escalas con α = 0.80. La primera de ellas contiene 3 indicadores y la correlación

4
media entre ellos es r = .57. La segunda escala está integrada por 10 indicadores cuya
correlación media es mucho menor (r = .28). Aunque es evidente la desigual

consistencia interna, el coeficiente alfa de Cronbach indica que ambas escalas son
igualmente fiables.
- Dirección de los ítems que componen la escala. El hecho de que los ítems
estén formulados en dirección opuesta (por ejemplo, “me siento seguro caminando sólo
por mi vecindario durante la noche” y “me siento inseguro estando sólo en mi
domicilio”), hace decrecer el valor de alfa. Por ello, antes de calcular el coeficiente, es
recomendable recodificar las variables de manera que una puntuación más elevada
indique mayor presencia de aquello que se mide en todos los casos.
- Finalmente, cabe recordar que el coeficiente alfa asume la naturaleza continua
de las variables. Cuando éstas son ordinales, su valor se reduce (Elosúa y Zumbo,
2008), por lo que resulta más adecuado estimar coeficientes de fiabilidad ordinales (es
posible con el entorno R, el programa Factor, o los paquetes MPlus, EQS…) calculados
sobre la matriz de correlaciones policóricas.

Bibliografía
Cortina, J.M. (1993). What is coefficient alpha? An examination of theory and
applications. Journal of Applied Psychology, 78, 98–104. Disponible en
http://www.psycholosphere.com/what%20is%20coefficient%20alpha%20by%2
0Cortina.pdf
Costello, A.B. y Osborne, J.W. (2005). Best practices in Exploratory Factor Analysis:
Four recommendations for getting the most from your analysis. Practical
Assessment, Research & Evaluation, 10(7), 1-9.
Ferrando, P.J. y Anguiano-Carrasco, C. (2010). El análisis factorial como técnica de
investigación en psicología. Papeles del Psicólogo, 31(1), 18-33. Disponible en
http://www.papelesdelpsicologo.es/pdf/1793.pdf
Pérez, C. (2004). Técnicas de análisis multivariante de datos. Aplicaciones con SPSS.
Madrid: Prentice Hall.
Piquero, A.R., Macintosh, R. y Hickman, M. (2000). Does self-control affect survey
response? Applying exploratory, confirmatory, and item response theory
analysis to Grasmick et al.’s self-control scale. Criminology, 38(3), 897-930.
doi: 10.1111/j.1745-9125.2000.tb00910.x

5
Referencias complementarias para profundizar en los contenidos:
Elosúa, P. y Zumbo, B.D. (2008). Coeficientes de fiabilidad para escalas de respuesta
categórica ordenada. Psicothema, 20(4), 896-901. Disponible en
http://www.psicothema.com/pdf/3572.pdf
Schmitt, T.A. (2011). Current methodological considerations in exploratory and
confirmatory factor analysis. Journal of Psychoeducational Assessment, 29(4)
304-321. doi: 10.1177/0734282911406653