INTRODUCCION

El Anlisis Multivariante es el conjunto de mtodos estadsticos cuya finalidad es analizar simultneamente conjuntos de datos multivariantes en el sentido de que hay varias variables medidas para cada individuo objeto estudiado. Su razn de ser radica en un mejor entendimiento del fenmeno objeto de estudio obteniendo informacin que los mtodos estadsticos univariantes y bivariantes son incapaces de conseguir

Mediante el anlisis multivariado se pueden estudiar integralmente las mediciones de atributos o caractersticas de los elementos de una poblacin. Ofrece la posibilidad de cuantificar la intensidad de la influencia o asociacin de variables independientes en el modelo matemtico concreto, o bien, tomadas como punto de partida para investigar determinado fenmeno sobre una variable dependiente matemticamente.

Este tipo de anlisis, est integrado por varias tcnicas, cada una con sus propias peculiaridades, por lo que unas son ms adecuadas que otras, o tal vez, una sola puede ser la indicada. En muchas ocasiones puede aplicarse ms de una tcnica a la solucin del problema

CAPITULO I CONCEPTOS BSICOS

1.1.

Conceptos tericos que fundamentan la tcnica multivariada de Anlisis Factorial. El Anlisis Factorial es una tcnica estadstica multivariante cuyo principal propsito es sintetizar las interrelaciones observadas entre un conjunto de variables en una forma concisa y segura como una ayuda a la construccin de nuevos conceptos y teoras. Para ello utiliza un conjunto de variables aleatorias inobservables, que llamaremos factores comunes, de forma que todas las covarianzas o correlaciones son explicadas por dichos factores y cualquier porcin de la varianza inexplicada por los factores comunes se asigna a trminos de error residuales que llamaremos factores nicos o especficos. 1

El Anlisis Factorial puede ser exploratorio o confirmatorio. El anlisis exploratorio se caracteriza porque no se conocen a priori el nmero de factores y es en la aplicacin emprica donde se determina este nmero. Por el contrario, en el anlisis de tipo confirmatorio los factores estn fijados a priori, utilizndose contrastes de hiptesis para su

corroboracin.

En esta leccin nos centraremos en el Anlisis Factorial Exploratorio dado que el Anlisis Factorial Confirmatorio se suele estudiar como un caso particular de los Modelos de Ecuaciones Estructurales. Remitimos al lector interesado en ste ltimo al libro de Kline (1998) en el que se hace una buena exposicin de dicho tipo de modelos

Alderson, Ch. J., Clapham, C. y Wall, D. (1995). Exmenes de idiomas, elaboracin y evaluacin. Madrid: Cambridge University Press. Coleccin Cambridge de didctica de lenguas, 1998.

1.2.

Modelo matemtico El Anlisis Factorial es un mtodo matemtico/estadstico de tratamiento de datos -susceptibles de ser expresados numricamente- cuya aplicacin al estudio de los fenmenos psicolgicos puede revestir singular importancia. No podemos obviar, en consecuencia, su descripcin

El Anlisis Factorial es una tcnica que consiste en resumir la informacin contenida en una matriz de datos con V 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 prdida mnima de informacin.2

El modelo matemtico del Anlisis Factorial es parecido al de la regresin mltiple. Cada variable se expresa como una combinacin lineal de factores no directamente observables. A saber: Xij = F1iai1 + F2iai2 +....+ Fkiaik + Vi siendo: Xij la puntuacin del individuo i en la variable j . Fij son los coeficientes factoriales. aij son las puntuaciones factoriales. Vi es el factor nico de cada variable.

Se asume que los factores nicos no estn correlacionados entre s ni con los factores comunes. As mismo, podemos distinguir entre Anlisis Factorial Exploratorio, donde no se conocen los factores "a priori", sino que se determinan mediante el Anlisis Factorial y, por otro lado estara el Anlisis Confirmatorio donde se propone "a priori" un modelo segn el cual hay unos factores que representan a las variables originales, siendo

Bisquerra, R. (1987). Introduccin a la Estadstica aplicada a la investigacin educativa. Un enfoque informtico con los paquetes BMDP y SPSSX. Barcelona: PPU.

el nmero de stos superior al de aquellos, y se somete a comprobacin el modelo.

1.3.

ndice de discriminacin o anlisis de tems Se entiende por anlisis de tems el estudio del comportamiento individual de los tems contestados en una prueba de correccin objetiva, por un grupo determinado de estudiantes o examinandos. En el contexto del anlisis clsico de tems el trmino se refiere a la aplicacin de mtodos estadsticos para establecer las caractersticas de cada tem. Los aspectos que tradicionalmente se tienen en cuenta son el coeficiente de dificultad (facility value), que permite establecer el nmero de estudiantes que han contestado correctamente a un mismo tem, y el ndice de discriminacin (discrimination index), que distingue los tems, segn hayan sido resueltos correctamente por los estudiantes que han conseguido mejores resultados globales en la tarea de la que el tem analizado forma parte, o por los que han tenido resultados globales poco satisfactorios en la misma tarea.3

El coeficiente de dificultad de un tem viene determinado por el porcentaje de candidatos, del grupo al que se administra la prueba, que lo contestan correctamente. Si un tem lo resuelven 10 de 100 estudiantes, su ndice de dificultad es de 01 (10 dividido por 100) y se considera demasiado difcil, mientras que si lo resuelven 90 de 100 estudiantes (90 dividido por 100), su ndice de dificultad es de 09 y resulta demasiado fcil. Un tem muy fcil o muy difcil no proporciona informacin sobre los distintos conocimientos de los miembros del grupo de estudiantes que ha realizado la prueba, slo informa del hecho de que la mayora de los estudiantes lo han encontrado fcil o difcil, algo poco probable en una situacin de la vida real, en la que se supone que no todos los estudiantes del grupo tienen un comportamiento

Bisquerra, R. (1989). Mtodos de investigacin educativa. Barcelona: CEAC.

homogneo con relacin a los distintos aprendizajes. Los especialistas consideran que ese tipo de tem debe desestimarse.

Para que una prueba tenga un nivel de dificultad determinado, los responsables de la misma seleccionan los tems que se prev que tienen la facilidad/dificultad adecuada al nivel de conocimientos medio que se supone a los candidatos. El pilotaje deber confirmar la previsin de los elaboradores de la prueba, que debern comprobar si el resultado del mismo coincide con las previsiones realizadas para el grupo de candidatos en cuestin. El resultado global es la dificultad media de los tems incluidos en la prueba. Una dificultad media del 75 % indica que hay muchos tems en la prueba que tienen una dificultad menor. Si los responsables de la prueba determinan dificultarla incluirn tems con un coeficiente de dificultad mayor y si lo que quieren es facilitarla, por el contrario, incluirn tems con un menor coeficiente de dificultad.

1.4.

Creacin y anlisis de la matriz factorial El Anlisis Factorial (AF) es una tcnica de interdependencia del anlisis multivariante que se utiliza para el estudio e interpretacin de las covarianzas o correlaciones entre un grupo de variables. La idea de partida es que dichas correlaciones se deben a la presencia de factores comunes de los que las variables observadas son indicadores. El objetivo del AF es la identificacin y cuantificacin de dichos factores. 4

En esta prctica, utilizaremos el programa SPSS (V. 13.0) para realizar un anlisis factorial sobre una matriz de datos que recoge la frecuencias de las conductas que los padres y madres utilizan para relacionarse con sus hijos e hijas en una tarea de construccin con piezas de madera.

Cuadras, C.M. (1981). Mtodos de Anlisis Multivariado. Coleccin Laboratorios de Clculo No. 23. Ed. Universitaria de Barcelona.

El objetivo de la investigacin era determinar estilos de interaccin educativa (Gonzlez y Palacios, 1990). La muestra estaba compuesta de 68 nios de uno y otro sexo y sus padres. En el momento de ser estudiados, la edad media era de 22 meses y medio. La distribucin por sexos de los nios fue: 31 nios y 37 nias. Los padres, por nivel educativo, se repartan de la siguiente manera: 49 eran de nivel educativo bajo, 41 de medio y 43 de alto.

Padres e hijos fueron grabados en video mientras interactuaban en torno a una tarea consistente en realizar una construccin con piezas de madera: una pirmide con 12 piezas en el caso de las madres y un abeto con 16 piezas en el caso de los padres. Para poder realizar la tarea se deban colocar las piezas siguiendo un cierto nmero de reglas, dos de las cuales eran comunes a ambas tareas: la seriacin de las piezas de mayor a menor y su insercin en un pivote. Una tercera regla hacia diferentes a ambas tareas: en el caso de las madres, los nios deban colocar piezas alternativamente con un escaln hacia arriba y hacia abajo, mientras en el caso de los padres la regla se relacionaba no con la orientacin, sino con la forma de la pieza: deban alternar una pieza rectangular con otra redonda.

El modelo de Anlisis Factorial es un modelo de regresin mltiple que relaciona variables latentes con variables observadas. El Anlisis Factorial tiene muchos puntos en comn con el anlisis de componentes principales, y busca esencialmente nuevas variables o factores que expliquen los datos. En el anlisis de componentes principales, en realidad, slo se hacen transformaciones ortogonales de las variables originales, haciendo hincapi en la varianza de las nuevas variables. En el anlisis factorial, por el contrario, interesa ms explicar la estructura de las covarianzas entre las variables.5

Hope, K (1968).. Mtods Multivariate Analysis. Ed. Unibooks, University de London Press. Ltd,

Al igual que en el mtodo de los componentes principales, para efectuar el anlisis factorial, es necesario que las variables originales no estn incorreladas porque si lo estuvieran no habra nada que explicar de las variables.

1.5.

Creacin de componentes o factores El Anlisis de Componentes Principales (ACP) es una tcnica estadstica de sntesis de la informacin, o reduccin de la dimensin (nmero de variables). Es decir, ante un banco de datos con muchas variables, el objetivo ser reducirlas a un menor nmero perdiendo la menor cantidad de informacin posible.

a) En primer lugar hay que tener clara la diferencia entre Componentes Principales y Factores Comunes. Con el anlisis de Componentes Principales analizamos toda la varianza, comn y no comn (ponemos los unos en la diagonal de la matriz de correlaciones) y con el anlisis de Factores Comunes slo se analiza la varianza compartida (estimaciones de la comunalidad en la diagonal). En el anlisis de Factores Comunes (como Maximum Likeliho d)los factores van explicando sucesivamente la mxima proporcin de varianza en la poblacin, no en la muestra. El trmino Anlisis Factorial se refiere en rigor solamente al anlisis de Factores Comunes aunque es habitual utilizarlo para designar al anlisis de Componentes Principales. 6

b) La estructura factorial que resulta en ambos tipos de anlisis es ms o menos la misma 1) cuando las variables (tems) son muchas (unas 20, o incluso menos; Nunnally (1978:418-419) recomienda el anlisis de Componentes Principales siempre que dispongamos de unas 20 variables) y 2) cuando hay una estructura factorial clara. Podemos considerar que existe una estructura factorial clara cuando los tems
6

Kshirsagar, A.A. (1972 Multivariate Analysis) Ed. Marcel Dekker, Inv. N.Y. 1972.

que definen un factor tienen pesos de .50 o ms en este factor y menores en los dems. En la prctica y en la mayora de los anlisis, los resultados vienen a ser los mismos (Nunnally y Bernstein, 1994:535; (Beaver, Lounsbury, Richards, Huck, Skolits y Esquivel, 2013).

c) En el anlisis de Componentes Principales los pesos tienden a estar sobrestimados sobre todo si los tems son pocos y esto hay que tenerlo en cuenta en su interpretacin. Esta sobrestimacin se debe a los unos que ponemos en la diagonal de la matriz, en vez de poner una estimacin de la varianza que cada variable comparte con las dems variables y que no llega a la unidad (el 100% de la varianza).

CAPITULO II RESPONDER A LAS SIGUIENTES PREGUNTAS EN LA PARTE FINAL DE LA MONOGRAFA

1. Cundo es adecuado o recomendable realizar un Anlisis Factorial? El anlisis factorial (AF) es una tcnica de anlisis multivariante que se utiliza para el estudio e interpretacin 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 identificacin y cuantificacin de dichos factores comunes.7

Un AF resultar adecuado cuando existan altas correlaciones entre las variables, que es cuando podemos suponer que se explican por factores comunes. El anlisis de la matriz de correlaciones ser pues el primer paso a dar. Analticamente, podemos comprobar el grado de correlacin con las siguientes pruebas o test:

Test de esfericidad de Bartlett. Es necesario suponer la normalidad de las variables. Contrasta la H0 de que la matriz de correlaciones es una matriz identidad (incorrelacin lineal entre las variables). Si, como resultado del contraste, no pudisemos rechazar esta H0, y el tamao de la muestra fuese razonablemente grande, deberamos reconsiderar la realizacin de un AF, ya que las variables no estn correlacionadas

Linares, G. y M. (1977) Vzquez. Estadstica Multivariada, Facultad de Psicologa, La Habana., ENSPES.

2. Cul es el criterio que se debe tener en cuenta para no considerar un tem pregunta en la creacin la matriz factorial? En el caso de Componentes Principales (con unos en la diagonal de la matriz) los pesos en los factores tienden a ser artificialmente grandes (sobre todo cuando el nmero de variables va siendo inferior a unas 20), aunque las variables que los definen tengan correlaciones bajas entre s; en este caso un valor prudente para tener en cuenta las variables que definen el factor no debe ser inferior a .40, sobre todo si las variables son pocas (en este caso, antes de las rotaciones, suele interesar examinar el primer factor). 8

Puede suceder tambin que dos variables tengan pesos grandes en un mismo factor, por ejemplo de .50, y aparentemente contribuyen a definir este factor, y a la vez una tiene un peso de -.50 en un segundo factor y la otra un peso de .50 en el mismo segundo factor; esta situacin (dos variables con pesos grandes en dos factores y en un caso con signos opuestos) puede estar indicando que la correlacin entre las dos variables es muy baja (Nunnally, 1978:434).

Para seleccionar los tems que definen mejor un factor conviene fijarse tambin en sus intercorrelaciones, y no slo en los pesos en el factor, al menos en casos en los que los resultados del anlisis factorial no se ven claros

3. Cules son sus criterios en los que se deben basar para considerar que la matriz factorial obtenida es vlida? Es til examinar las correlaciones entre factores. Los tems de un factor pueden tener una correlacin con el total (en el anlisis de tems) semejante a la del resto de los tems del mismo factor y sin embargo diferenciarse mucho de los otros factores; en este caso se puede plantear como hiptesis que no miden el mismo rasgo que se pretende medir con todos los tems.
8

Overall, klett. (1972) Applied Multivariate Analysis, Ed. McGraw-Hill, London.

En este sentido el anlisis factorial (y la mera inspeccin de la matriz de correlaciones entre los tems) puede complementar la informacin del anlisis de tems. Si partimos de manera explcita y bien fundamentada de una estructura hipottica sobre la estructura del constructo (nmero y composicin de los factores) el anlisis factorial confirmatorio puede confirmarnos (o no) nuestra hiptesis (Stapleton, 1997b), pero este anlisis no debe utilizarse sin una buena justificacin.

Se pueden utilizar (y se utilizan de hecho con frecuencia) los factores como medidas independientes en otros estudios; algunos factores pueden discriminar entre tipos de sujetos, o tener correlaciones distintas con otros criterios y ser por lo tanto de utilidad distinta.

4. Cmo se determina la cantidad de factores o componentes? La matriz factorial puede presentar un nmero de factores superior al necesario para explicar la estructura de los datos originales. Generalmente hay un conjunto reducido de factores, los primeros, que son los que explican la mayor parte de la variabilidad total. Los otros factores suelen contribuir relativamente poco. Uno de los problemas que se plantean, por tanto, consiste en determinar el nmero de factores que debemos conservar, de manera que se cumpla el principio de parsimonia.9

Se han dado 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 la unidad". Este criterio es el que suelen utilizar los programas estadsticos por defecto. Sin embargo, este criterio es generalmente inadecuado tendiendo a

sobreestimar el nmero de factores.

Yela, M (1964). La Tcnica del Anlisis Factorial, Un mtodo de Investigacin en Psicologa y Pedagoga. Ed. 2.

Otros

criterios

propuestos

han

sido

por

ejemplo,

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

CONCLUSIONES

Se refiere a todos los mtodos estadsticos que analizan simultneamente medidas mltiples de cada individuo u objeto sometido a investigacin. Cualquier anlisis simultneo de ms de dos variables puede ser considerado aproximadamente como un anlisis multivariante. En sentido estricto, muchas tcnicas multivariantes son extensiones del anlisis univariante (anlisis de distribuciones de una sola variable) y del anlisis bivariante (clasificaciones cruzadas, correlacin, anlisis de la varianza y regresiones simples utilizadas para analizar dos variables).

La capacidad del anlisis multivariante para identificar interrelaciones complejas tambin implica que puede darse el caso de que los resultados sean especificas slo para la muestra y no generalizables a la poblacin. El investigador debe siempre asegurar que existen observaciones suficientes por parmetro estimado para evitar el sobreajuste de la muestra. como se ha discutido antes.

BIBLIOGRAFIA

Alderson, Ch. J., Clapham, C. y Wall, D. (1995). Exmenes de idiomas, elaboracin y evaluacin. Madrid: Cambridge University Press. Coleccin Cambridge de didctica de lenguas, 1998.

Bisquerra,

R.

(1987). Introduccin

la

Estadstica

aplicada

la

investigacin educativa. Un enfoque informtico con los paquetes BMDP y SPSSX. Barcelona: PPU. Bisquerra, R. (1989). Mtodos de investigacin educativa. Barcelona: CEAC. Cuadras, C.M. (1981). Mtodos de Anlisis Multivariado. Coleccin Laboratorios de Clculo No. 23. Ed. Universitaria de Barcelona. Hope, K (1968).. Mtods Multivariate Analysis. Ed. Unibooks, University de London Press. Ltd, Kshirsagar, A.A. (1972 Multivariate Analysis) Ed. Marcel Dekker, Inv. N.Y. 1972. Linares, G. y M. (1977) Vzquez. Estadstica Multivariada, Facultad de Psicologa, La Habana., ENSPES. Overall, klett. (1972) Applied Multivariate Analysis, Ed. McGraw-Hill, London. Yela, M (1964). La Tcnica del Anlisis Factorial, Un mtodo de Investigacin en Psicologa y Pedagoga. Ed. 2.