Análisis Fáctoriál

Justifica el poder considerar una variable en la investigación. Determina si una variable es

importante a considerar o no dentro de la investigación. Variable que impacta más y cual no.
Herramienta multivariante.

El análisis factorial cuenta con diferentes métodos para poder ser estudiadas las variables dentro
de una investigación, uno de estos métodos es el análisis de componentes principales el cual se
utiliza en el área agroalimentaria debido a que regula y controla los procesos biológicos de
acuerdo al comportamiento que tienen estos con la interacción en el ambiente. Este análisis busca
encontrar combinaciones lineales de las variables que puedas explicar la mayor parte de la
variación total. El primer factor o componente es aquel que explica la mayor parte de la variación
que presentan las variables a través de las siguientes fases del análisis (4 fases).

1. Calculo de la matriz capaz de expresar la variabilidad conjunta de todas las variables.

2. La extracción del número óptimo de factores.
3. Rotación de la solución para facilitar la interpretación.
4. Estimación de las puntuaciones de los sujetos para las nuevas dimensiones

Requisitos

1. Tener al menos 100 datos.

2. Que las variables a utilizar sean de escalas métricas
3. Que la selección de variables pueda formar conjuntos.( Ej. alimentación la ingesta
carbohidratos y proteínas , se puede formar conjuntos de esa ingesta)

Interpretación a través de factorial por medio de componentes

Tablas a interpretar a las hojas de resultado

Índice KMO
Me valida de tal forma que si el índice KMO se encuentra entre los valores de .5 a .8 quiere decir
que si se pueden formar factores (puede excluir variables). Si el Índice KMO es inferior a .5 quiere
decir que cada variable impacta en la variación de mis datos (no se pueden excluir variables).
Variables superiores a .8 todas las variables se agrupan en un factor por ende con que tenga una
me representa a todas las demás. (.9)

Prueba Battelle
Esta prueba contrasta la hipótesis nula de que la matriz de correlaciones observadas es en realidad
una matriz identidad, de tal manera que la significancia es mayor a .05 y por ende no se puede
rechazar esta hipótesis, de tal forma que el modelo factorial no es el adecuado para el análisis de
estos datos. (.07)
Tabla de comunalidades
En esta tabla la comunalidad de una variable es la proporción de varianza que puede ser explicada
por el modelo factorial pudiendo detectar cuáles son las mejores variables así como las peores.

Porcentaje de varianza total explicada

[La cantidad de factores que se forman (cada variable es un factor) hay mucha homogeneidad
entre ellos por la variación que tiene ellos entre datos.]

Me indica la cantidad de factores o componentes formados para poder tener variedades la suma
de estos componentes o factores debe de ser igual o superior a un 70%, de no ser así no se
justifica la formación de estos factores.

Gráfico de sedimentación
Representación gráfica del cuadro anterior Porcentaje de varianza total explicada, donde el Eje Y
es el eje de los autovalores, de tal forma que los autovalores superiores a la unidad (1)menor son
variables que puedo excluir, me indicaran la cantidad de factores o componentes reales.

Matriz de componentes
[.7 si hay relación]. Se encuentra la relación entre las variables y cada uno de los factores,
pudiendo detectar las variables que componen cada factor considerando un intervalo entre .7 a 1
de correlación.

Matriz antimargen
En esta matriz me indica la covarianza y la correlación de las variables, en este contexto un
coeficiente de correlación expresa el grado de relación existente entre dos variables tras eliminar
el efecto de las restantes variables incluidas en el análisis.