Prof. Grabiela Montes Q.

El Anlisis Factorial es una tcnica que

consiste en resumir la informacin contenida
en una matriz de datos con p variables. Para
ello se identifican un reducido nmero de
factores F, siendo el nmero de factores
menor que el nmero de variables. Los
factores representan a las variables
originales, con una mnima prdida de
informacin.
El modelo matemtico del Anlisis Factorial
es parecido al de la regresin mltiple. Cada
variable, que debe estar medida en escala de
intervalo, se expresa como una combinacin
lineal de factores no directamente
observables (factores latentes).

X
ij
= F
1i
a
i1
+ F
2i
a
i2
+....+F
ki
a
ik
+ V
i
Siendo:
X
ij
la puntuacin del individuo i en la variable
j.
F
ij
son los coeficientes factoriales.
a
ij
son las puntuaciones factoriales.
V
i
es el factor nico de cada variable.
Calcular la matriz de correlaciones entre
todas las variables (matriz R).
Extraccin de los factores necesarios para
representar los datos.
Rotacin de los factores con objeto de
facilitar su interpretacin. Representacin
grfica.
Calcular las puntuaciones factoriales de
cada individuo.
En realidad slo los dos primeros pasos son
indispensables, el 3 y 4 son un
complemento.
Ingresar las variables:
Marcar como se muestra a continuacin:
El primer paso en el Anlisis Factorial ser calcular
la matriz de correlaciones entre todas las variables
que entran en el anlisis.
Utilizaremos como ejemplo los datos de Hatco:


Correlation Matrix

Velocidad de
entrega
Nivel de
precios
Flexibilidad de
precios
Imagen del
fabricante
Servicio
Conjunto
Imagen de
Fuerza de
ventas
Calidad de
Producto
Correlation Velocidad de
entrega
1.000 -.349 .509 .050 .612 .077 -.483
Nivel de
precios
-.349 1.000 -.487 .272 .513 .186 .470
Flexibilidad de
precios
.509 -.487 1.000 -.116 .067 -.034 -.448
Imagen del
fabricante
.050 .272 -.116 1.000 .299 .788 .200
Servicio
Conjunto
.612 .513 .067 .299 1.000 .241 -.055
Imagen de
Fuerza de
ventas
.077 .186 -.034 .788 .241 1.000 .177
Calidad de
Producto
-.483 .470 -.448 .200 -.055 .177 1.000
Una vez que se dispone de esta matriz
concierne examinarla para comprobar si sus
caractersticas son adecuadas para realizar un
Anlisis Factorial. Uno de los requisitos que
deben cumplirse para que el Anlisis Factorial
tenga sentido es que las variables estn
altamente correlacionadas.
Si alguna de la variables no est
correlacionada con al menos una de las otras
variables esta debe ser retirada del anlisis.
Pueden utilizarse dos mtodos diferentes
para comprobar el grado de asociacin entre
las variables:
1. El determinante de la matriz de
correlaciones: un determinante muy bajo
indicar altas intercorrelaciones entre las
variables, pero no debe ser cero (matriz no
singular), si el determinante de la matriz de
correlaciones es menor a 0.4 considerar que
las variables estn intercorrelacionadas.
Para el caso de Hatco se tiene un
determinante con valor de 0.003, el cual
nos indica que las variables s estn
intercorrelacionadas. El SPSS proporciona
el valor de la determinante de R debajo
de la matriz de correlaciones.
2. Test de Esfericidad de Bartlett: Comprueba
que la matriz de correlaciones (R) se ajuste
a la matriz identidad (I), es decir ausencia
de correlacin significativa entre las
variables. Esto significa que la nube de
puntos se ajustar a una esfera perfecta,
expresando as las hiptesis por:
H
0
: R = I
H
1
: R I
La estadstica de prueba es:



n = tamao muestral
p = nmero de variables
ln = logaritmo neperiano
R = matriz de correlaciones

El SPSS provee el p-valor para esta prueba.
R p n ln * 5 2 1
6
1
2

Si se acepta la hiptesis nula significa que
las variables no estn intercorrelacionadas y
por tanto no tiene mucho sentido llevar a
cabo un Anlisis Factorial.
Para nuestro ejemplo observamos que el p-
valor (Sig.) es 0.000, por lo tanto la variables
si estn intercorrelacionadas.

Antes de realizar el anlisis Factorial se debe
comprobar que la muestra en conjunto sea
adecuada, para esto se calcula el siguiente
indicador:
Indice KMO de Kaiser-Meyer-Olkin:



Donde r
ij
= correlacin simple.
a
ij
= correlacin parcial.
Valores bajos del ndice KMO desaconsejan la
utilizacin de Anlisis Factorial. Segn Kaiser:
Buena, si KMO 0.75,
Aceptable, si 0.5 < KMO < 0.75 y
Inaceptable, si KMO 0.5.
Siguiendo con nuestro ejemplo tenemos:
KMO = 0.446
Lo cual indica que la muestra en conjunto no
es adecuada para el anlisis factorial,
entonces sera necesario retirar una variable
para mejorar la adecuacin.
Medida de Adecuacin de la Muestra (MSA):
Estas medidas nos indican la adecuacin de
cada variable para el Anlisis Factorial:




donde
r
ij
= correlacin simple
a
ij
= correlacin parcial
Valores bajos (<=0.5) de este ndice
desaconsejan el uso la variable indicada en el
Anlisis Factorial. Estos valores se encuentran
en la diagonal de la matriz anti-imagen.

Podemos observar que en la matriz de
correlaciones anti-imagen del ejemplo,
tenemos que, para la variable Servicio
Conjunto le corresponde un valor de MSA de
0.288, menor que 0.5 y el menor de todos,
por lo tanto antes de continuar con el anlisis
deberamos retirar esta variable y volver a
realizar el procedimiento del Factorial.

Retirando la variable Servicio Conjunto hemos
realizado nuevamente el Anlisis Factorial, y
obtenido ahora un valor adecuado de KMO
(0.665), y todos los MSA, mayores que 0.5.
Por lo tanto podemos proceder al anlisis de
los datos.
MATRIZ FACTORIAL
A partir de una matriz de correlaciones, el
Anlisis Factorial extrae otra matriz que
reproduce la primera de forma ms sencilla.
Esta nueva matriz se denomina matriz
factorial y adopta la siguiente forma:

Factor1 Factor2
X1 P
11
P
21

X2 P
12
P
22

X3 P
13
P
23

X4 P
14
P
24

X5 P
15
P
25

X6 P
16
P
26

Cada columna es un factor y hay tantas filas
como variables originales.
Los elementos P
ij
pueden interpretarse como
ndices de correlacin entre el factor i y la
variable j.
Estos coeficientes reciben el nombre de
pesos, cargas, ponderaciones o saturaciones
factoriales. Los pesos factoriales indican el
peso de cada variable en cada factor. Lo ideal
es que cada variable cargue alto en un factor
y bajo en los dems. Consideraremos alto, si
el valor absoluto de los pesos factoriales es
mayor que 0.7 y bajo, si el valor absoluto es
menor que 0.3.
Podemos observar que slo las variables Nivel de
precios y Calidad de Producto estn representadas
muy bien por el factor 1, en cambio las otras variables
no quedan representadas por ningn factor.
Tambin se observa que ninguna variable queda
representada en el factor 2, entonces ser necesario
rotar la solucin hallada.
Indica la cantidad total de varianza que
explica el factor correspondiente para las
variables consideradas como grupo.
i. factor el por explicada varianza de Proporcin 100 *
p

P ... P P
P ... P P
i
2
2j
2
22
2
21 2
2
1j
2
12
2
11 1

A continuacin se presenta la tabla de la
Varianza total explicada, donde aparecen
los autovalores, y las proporciones de
varianza explicada por cada factor.

Se denomina "comunalidad" a la proporcin
de la varianza explicada por los factores
comunes en una variable.
La comunalidad (h) es la suma de los pesos
factoriales al cuadrado en cada una de las
filas de la matriz factorial.
La comunalidad final de cada variable viene
dada por:


Para el ejemplo tenemos:
2
kj
2
2j
2
1j
2
j
P ... P P h
Existen diversos criterios para determinar el
nmero de factores a conservar. Uno de los
ms conocidos y utilizados es el criterio o
regla de Kaiser (1960) que indicara lo
siguiente: "conservar solamente aquellos
factores cuyos valores propios (eigenvalues)
son mayores a uno".
Otro criterio propuesto ha sido, el Scree-test
de Cattell (1966) consistente en representar
en un sistema de ejes los valores que toman
los eigenvalues (ordenadas) y el nmero de
factor (abscisas). Sobre la grfica resultante
se traza una lnea recta base a la altura de los
ltimos autovalores (los ms pequeos) y
aquellos que queden por encima indicarn el
nmero de factores a retener.
A partir de la matriz factorial muchas veces
resulta difcil la interpretacin de los factores.
Como pudimos observar en el ejemplo
anteriormente la matriz de componentes
siguiente necesitaba una rotacin.
La matriz factorial rotada es una combinacin
lineal de la primera y explica la misma
cantidad de varianza inicial.


La matriz factorial debe reunir las siguientes
caractersticas:
Cada factor debe tener unos pocos pesos
altos y los otros prximos a 0.
Cada variable no debe estar saturada ms
que en un factor.
No deben existir factores con la misma
distribucin, es decir, los factores distintos
deben presentar distribuciones de cargas
altas y bajas distintas.
De entre las rotaciones ortogonales la ms
utilizada es la Varimax mientras que en las
oblicuas es la Oblimin.
A efectos prcticos se sugieren dos pasos en
el proceso de interpretacin:
Estudiar la composicin de las saturaciones
factoriales significativas de cada factor.
Intentar dar nombre a los factores. Nombre
que se debe dar de acuerdo con la estructura
de sus saturaciones.
Una vez que se tienen los factores puede
interesar conocer que puntuacin obtendran
los sujetos en estos factores. Para contestar a
esto hay que calcular lo que se conoce como
puntuaciones factoriales de cada individuo.
El clculo de las puntuaciones factoriales se
realiza a partir de la matriz factorial rotada y
se basa en el modelo de la regresin mltiple,
de acuerdo con la frmula:

r ir i l il ij
Z P Z P Z P F ...
2 2
F
ij
= en la puntuacin factorial del individuo j
en el factor i.
P
il
es la ponderacin factorial de la variable l
en el factor i.
Z
l
son las puntuaciones tpicas.

El SPSS calcula estas puntuaciones y permite
que sean almacenadas en una columna.