El modelo de Análisis Factorial es un modelo de regresión múltiple que relaciona variables latentes con
variables observadas. El Análisis Factorial tiene muchos puntos en común con el análisis de
componentes principales, y busca esencialmente nuevas variables o factores que expliquen los datos.
Al igual que en el método de los componentes principales, para efectuar el análisis factorial, es
necesario que las variables originales no estén incorreladas porque si lo estuvieran no habría nada que
explicar de las variables.
Las nuevas variables o Componentes, se pueden utilizar con múltiples objetivos, tales como:
Describir con claridad gran cantidad de datos cuantitativos y analizar las relaciones existentes
entre ellos.
Se midieron diferentes variables como: Su identificación, sexo, edad, estado civil, número de hijos,
ingresos mensuales, salario, ahorros anuales, peso, altura, salud y actividades. Para este caso se
analizara a través del análisis factorial.
Utilizamos un análisis factorial sobre las variables edad, número de hijos, salario, ingresos mensuales,
ahorros anuales, peso y altura
Análisis factorial
Estadísticos descriptivos
Desviación
Media estándar N de análisis
INTERPRETACION
De los 122 sujetos se concluyó que el numero promedio de hijos es aproximadamente 2, su edad
promedio es de 45 años y su salario de cada uno es aproximadamente de s/ 900.00.
El peso aproximadamente es de 81.20 kg y su altura de 1.7205, concluyendo así que tienen un peso y
una altura promedio.
Matriz de correlacionesa
INGRESOSMENS AHORROSANUA
EDAD HIJOS SALARIO UALES LES PESO ALTURA
gl 21
Sig. ,043
INTERPRETACION
El test KMO (Kaiser, Meyer y Olkin) relaciona los coeficientes de correlación, en este caso se obtiene
0.891 quiere decir que cuanto más cerca de 1 tenga el valor obtenido del test KMO, implica que la
relación entre las variables es alta.
La prueba de esfericidad de Bartlett evalúa la aplicabilidad del análisis factorial de las variables
estudiadas. El modelo es significativo ,cuando se puede aplicar el análisis factorial
Comunalidades
Inicial Extracción
INTERPRETACION
La variable salario es la mejor explicada (0.878), mientras la variable edad es la peor explicada (0.331),
el modelo solo puede explicar el 33.1 % de su variable original.
A partir de esta tabla podemos empezar a plantearnos si el número de factores obtenidos es suficiente
para explicar todas y cada una de las variables incluidas en el análisis.
También podemos empezar en este momento si, dando por bueno el número de factores extraído,
alguna de las variables incluidas podría quedar fuera del análisis
Varianza total explicada
INTERPRETACION
La tabla de varianza total explicada, explica más en detalle la selección de los dos componentes
principales. Como se puede observar, únicamente los dos primeros factores tienen valores propios
mayores que 1 y explican el 56.327% de la varianza, esto quiere decir que con estos dos factores se
puede representar un 56.327 % del problema original, produciéndose la perdida de tan solo el 43.673 %
de la información original representada por siete variables iniciales
Matriz de componentea
Componente
1 2
INTERPRETACION
Podemos observar que el primer factor estaría compuesto por 7 variables, mientras que el segundo
factor lo componen 5 variables.
Con estos resultados observamos que la primera componente tiende a ser muy general agrupando a un
número significativo de variables, mientras que la otra componente agrupa a un número poco
significativo de variables, sin embargo, las cargas son claras, por lo que no existe ambigüedad en la
selección de las variables por factor
Correlaciones reproducidas
Correlación reproducida EDAD ,331a -,395 ,041 ,024 ,375 ,018 ,108
Componente
1 2
Componente 1 2
1 1,000 ,000
2 ,000 1,000
INTERPRETACION
La matriz de las covarianzas de las puntuaciones factoriales contiene en la diagonal principal la varianza
de las puntuaciones factoriales y las covarianzas entre pares de factores. Si vale cero, eso significa que
son completamente independientes entre sí, es decir no existe correlación entre ellas.
CONLUSIONES
El análisis factorial (AFP) es una técnica de análisis multivariante que se utiliza para el estudio e
interpretación 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.
Por ejemplo, hay variables como salud, estado civil, actividades, etc, que es necesario conocer pero que
no se pueden medir con una sola pregunta, porque se trata de fenómenos complejos que se manifiestan
en infinidad de situaciones, comportamientos y opiniones concretas. En consecuencia estos fenómenos
son el resultado de la medición de un conjunto de características. El AF nos permitirá obtener nuevas
variables o factores que no son directamente medibles pero que tienen un significado. Por lo tanto se
trata de una técnica adecuada para el caso de variables continuas altamente correlacionadas.