ANLISIS FACTORIAL

CURSO DE ECONOMETRA 2

QU ES EL ANLISIS FACTORIAL
Es una tcnica de reduccin de datos que sirve para encontrar grupos

homogneos de variables a partir de un conjunto numerosos de

variables. Los grupos homogneos se forman con variables que
correlacionan mucho entre s y procurando, que unos grupos sean
independientes de otros.
El objetivo del Anlisis Factorial es buscar el mnimo nmero de
dimensiones capaces de explicar el mximo de informacin contenida en
los datos.
En trminos matemticos los factores son combinaciones lineales de
variables observadas originales en la que se incluye una parte debida al
azar:
F1=a11X1+a12X2+a1pXp+1

Fp=ap1X1+ap2X2+appXp+p

QU ES EL ANLISIS FACTORIAL
Los coeficientes aij se denominan cargas factoriales y

representa el grado de correlacin entre una variable i y cada

factor j, es decir cuantifica el grado en que la variable i se
identifica con el factor j.
Como ejemplo se midieron variables de relaciones personales
en un grupo de personas como: Habilidades sociales,
Capacidad de hablar con otros, Capacidad de despertar
inters en otros, Egosmo, capacidad de mentir y proporcin
de tiempo hablando de uno mismo. Los factores resultantes
fueron:

Ejemplo
La matriz de cargas factoriales
0.01
0.87

0.96 0.03
0.92
0.04

A
0.82
0
0.01 0.75

0.09

0
.
70

MTODOS DE IDENTIFICACIN
Cada variable observada tiene una determinada varianza. A esta

varianza se la denomina varianza total. Si dos variables estn

correlacionadas, dichas variables compartirn parte de su varianza
total; la cual se denomina varianza comn.
La proporcin de varianza comn entre dos variables se obtiene
elevando el coeficiente de correlacin de Pearson al cuadrado. Por
ejemplo si la correlacin entre las habilidades sociales y el inters
que un alumno despierta en sus semejantes es 0.879; entonces el
77.26% de la varianza de ambas es compartida.
La varianza no compartida se denomina varianza nica.
Para identificar los factores necesitamos obtener la cantidad de
varianza comn de cada variable, la cual se denomina
comunalidad.

MTODOS DE IDENTIFICACIN
Para obtener las comunalidades o la varianza comn de una

variable con todas las dems; se puede partir de la matriz de

correlacin al cuadrado; los r2 expresan la proporcin de
varianza comn entre par de variables, excepto en la diagonal
principal, los unos representan la varianza que comparte y no
comparte con las dems. Si el objetivo es analizar
exclusivamente la varianza comn, se deben eliminar los
unos de la matriz de correlaciones y poner en su lugar las
comunalidades.
Para ello existen dos enfoques:

MTODOS DE IDENTIFICACIN
Si se considera que toda la varianza es comn, esto es las

comunalidades son uno. El enfoque ms usual en este

enfoque es el de Componentes principales.
Como no se conoce la varianza total comn se la estima. Por
lo tanto se sustituye los unos de la diagonal principal por la
estimacin de las comunalidades. Estos procedimientos se
llaman anlisis de factores comunes. El anlisis de factores
comunes es al que con ms propiedad se le aplica la
denominacin de anlisis factoraial.
Para obtener los factores se parte de una matriz de
correlacin inicial, la que se trata de reproducir con los
factores obtenidos en el anlisis.

SUPUESTOS DEL ANLISIS FACTORIAL

Tamao de la muestra

Se recomienda tener un mnimo de 10 a 15 casos por

variable.
Tipo de variables
Las variables utilizadas deben ser cuantitativas con al menos
cuatro valores posibles.
Normalidad (test de Mardia)
Linealidad
Las variables pueden expresarse como combinacin lineal de
los factores y viceversa.

ADECUACIN DEL ANLISIS FACTORIAL

No se aplica anlisis factorial si todos los valores de los

coeficientes de correlacin son menores a 0.3. Se podra

aplicar el test de esfericidad de Barlett. Si una variable no
correlaciona con ninguna otra, se debera pensar en
eliminarla del anlisis.
Si todos los valores de las correlaciones son mayores a 0.9,
sera un sntoma de multicolinealidad, lo cual tambien puede
detectarse si el determinante de R es inferior a 0.00001. En
este caso se podra reconsiderar el hacer un anlisis factorial.
El ndice KMO (Keiser- Meyer- Olkin), es el ratio del r2
entre dos variables con respecto al cuadrado del coeficiente
de correlacin parcial entre estas.

ADECUACIN DEL ANLISIS FACTORIAL

Valores cercanos a 0 del KMO indica que la correlacin

parcial es alta y que estas variables compartes poca

informacin con las otras variables, lo que implicara no
identificar claramente los posibles factores. Mientras que
valores cercanos a 1 muestran existencia de factores
identificables con suficiente confianza.
KMO<0.5

No realizar AF

0.5<KMO<0.6

Aceptable hacer un AF

KMO>0.7

S es adecuado hacer un AF

ADECUACIN DEL ANLISIS FACTORIAL

Se puede usar la matriz de correlacin anti imagen que

contiene los valores negativos de las correlaciones parciales.

Por tanto para una buena adecuacin la mayora de las
correlaciones anti imagen deben ser en valor absoluto
menores que 0.3.

EXTRACCIN DE FACTORES
El modelo factorial en forma matricial se lo puede expresar:

X=FA+U; donde A es la matriz de cargas y F es la matriz de

puntuaciones factoriales y E(U)=0; Cov(ui, uj)=0; Cov(Fi,
uj)=0
Si adems Cov(Fi, Fj)0 no estamos ante un modelo de factores
ortogonales, sino ante un modelo de factores oblicuos.
Adems la matriz de correlacin se puede reproducir como
R= AA+, donde es una matriz diagonal de
especificidades (varianza especfica de cada variable).
A parte del mtodo de componentes principales para la
extraccin de factores, hay otros mtodos que se pueden usar
entre ellos:

EXTRACCIN DE FACTORES
Mtodo de factorizacin por imgenes: Aplica el mtodo de

componentes principales a la matriz de correlaciones obtenida a

partir de las estimaciones de las regresiones lineales de cada una
de las variables sobre las dems.
Mtodo de Ejes principales: Basado en la ecuacin R= AA+,
considerando la estimacin de R por la matriz de correlacin
muestral R, entonces R- = AA. Se parte de una estimacin
inicial 0, y a R- 0, se le realiza el anlisis de componentes
principales para obtener la matriz A1, se obtiene 1 a partir de
R`-A1A1, y se itera hasta que los valores de aquellas matrices
apenas cambien.

EXTRACCIN DE FACTORES
El nmero de factores a usar puede ser determinado por diversos

criterios:
Regla de Kaiser: Calcula los valores propios de la matriz de
correlacin R y toma como nmero de factores el nmero de
valores propios superiores a la unidad.
Criterio de Casttell: Se trata de una representacin grfica donde
los factores estn en el eje de las abcisas y los valores propios en las
ordenadas. Se suele considerar los factores antes del punto de
inflexin.
Criterio del porcentaje de varianza: Consiste en retener aquellos
factores hasta obtener un porcentaje acumulado especfico de
varianza total extrida.

Interpretacin de los Factores

Muy a menudo nos encontramos con variables con cargas factoriales

altas en los factores ms importantes y con valores bajos en el resto de

factores. En estos casos casi siempre utilizar algn procedimiento de
rotacin puede mejorar mucho la interpretacin. Estos procedimientos
no son ms que transformaciones lineales de las cargas factoriales que no
alteran la varianza explicada por estos.
Un factor se considera interpretable si se dan las siguientes condiciones:
A) las cargas factoriales asociadas a las variables agrupadas por un mismo
factor deberan ser prximas a la unidad.
b) Una variable debera tener slo cargas elevadas sobre un factor.
c)No es conveniente que existan factores con cargas similares. Si dos
factores tienen cargas factoriales altas en las mismas variables quiere
decir que seran redundantes y explican lo mismo.

Interpretacin de los Factores

Existen dos tipos de rotaciones:

Mediante la rotacin ortogonal, rotamos los factores

mantenindolos independientes.

Interpretacin de los Factores

Interpretacin de los Factores

Entre los mtodos de rotacin ortogonal tenemos: Varimax,

donde se maximiza la varianza de los factores; y Quartimax,

se consigue que muchas variables tengan pesos grandes en el
mismo factor y es aconsejable si se cree que un solo factor
explica toda la varianza.
Mediante la rotacin oblicua rotamos los factores de modo
que estos estn correlacionados.
Como regla general, se aconseja asociar con un factor
aquellas variables cuya carga sean mayores o iguales a 0.4