ANÁLISIS FACTORIAL
3. Existen tres métodos disponibles para calcular las puntuaciones factoriales; y las
puntuaciones pueden guardarse como variables para análisis adicionales.
Por ejemplo. ¿Qué actitudes subyacentes hacen que las personas respondan a las pre-
guntas de una encuesta polı́tica de la manera en que lo hacen? Examinando las corre-
laciones entre los elementos de la encuesta se deduce que hay una superposición signi-
ficativa entre los diversos subgrupos de elementos (las preguntas sobre los impuestos
tienden a estar correlacionadas entre sı́, las preguntas sobre temas militares también
están correlacionadas entre sı́, y ası́ sucesivamente). Con el análisis factorial, podemos
investigar el número de factores subyacentes y, en muchos casos, podremos identificar
lo que los factores representan conceptualmente. Adicionalmente, se pueden calcular
las puntuaciones factoriales para cada encuestado, que pueden utilizarse en análisis
subsiguientes. Por ejemplo, es posible construir un modelo de regresión logı́stica para
predecir el comportamiento de voto basándose en las puntuaciones factoriales.
19
20 Análisis Factorial
Entre las salidas que proporciona destaca; para cada variable el número de casos
válidos, la media y la desviación tı́pica. Para cada análisis factorial obtendremos la
matriz de correlaciones (incluidos niveles de significación), el determinante, la inversa
de las variables y la matriz de correlaciones reproducida, que incluye anti-imagen. Pro-
porciona además la solución inicial y dentro de esta las comunalidades, los autovalores
y el porcentaje de varianza explicada; la prueba KMO (medida de la adecuación mues-
tral de Kaiser-Meyer-Olkin) y prueba de esfericidad de Bartlett. La Solución sin rotar
con las saturaciones factoriales, las comunalidades y los autovalores. Si elegimos una
rotación, devuelve la solución rotada, que incluye la matriz de configuración rotada y
la matriz de transformación. Para las rotaciones oblicuas las matrices de estructura
y de configuración rotadas; la matriz de coeficientes para el cálculo de las puntuacio-
nes factoriales y la matriz de covarianza entre los factores. Por último proporciona los
gráficos de sedimentación y el gráfico de las saturaciones de los dos o tres primeros
factores.
Analizar
Reducción de datos
Análisis factorial.
a) Descriptivos.
1) Descriptivos univariados. Incluyen la media, la desviación tı́pica y el
número de casos válidos para cada variable.
2) Solución inicial. Muestra las comunalidades iniciales, los autovalores y
el porcentaje de varianza explicada.
b) Extracción.
1) Método. Nos permite especificar el método de extracción factorial. Los
métodos disponibles son: Componentes principales, Mı́nimos cuadrados
no ponderados, Mı́nimos cuadrados generalizados, Máxima verosimili-
tud, factorización de Ejes principales, factorización Alfa y factorización
Imagen.
2) Analizar. Para especificar o una matriz de correlaciones o una matriz
de covarianza.
3) Extraer. Utilizado para retener todos los factores cuyos autovalores ex-
cedan un valor especificado o retener un número especı́fico de factores.
4) Mostrar. Permite solicitar la solución factorial sin rotar y el gráfico de
sedimentación de los autovalores.
5) Número máximo de iteraciones para convergencia. Permite especificar
el número máximo de pasos que el algoritmo puede seguir para estimar
la solución.
c) Rotación.
d ) Puntuaciones factoriales.
1) Guardar como variables. Crea una nueva variable para cada factor en la
solución final. Los métodos alternativos para calcular las puntuaciones
factoriales son regresión, Bartlett o Anderson-Rubin.
2) Mostrar matriz de coeficientes de las puntuaciones factoriales. Muestra
los coeficientes por los cuales se multiplican las variables para obtener
puntuaciones factoriales. También muestra las correlaciones entre las
puntuaciones factoriales.
e) Opciones.
1) Valores perdidos. Permite especificar el tratamiento que reciben los valo-
res perdidos. Las alternativas disponibles son: Excluir casos según lista,
Excluir casos según pareja y Reemplazar por la media.
Los datos han de tener una distribución normal bivariante para cada pareja de
variables, y las observaciones deben ser independientes. El modelo de análisis factorial
especifica que las variables vienen determinadas por los factores comunes (los factores
estimados por el modelo) y por factores únicos (los cuales no se superponen entre las
distintas variables observadas); las estimaciones calculadas se basan en el supuesto de
que ningún factor único está correlacionado con los demás, ni con los factores comunes.
2.3. Ejemplo
Los siguientes datos corresponden a la medición que sobre 17 humedales se ha reali-
zado en una determinada época del año. Las variables medidas han sido las siguientes:
Humedal X1 X2 X3 X4 X5 X6 X7 X8 X9
Caja 0,315 1,6694 5 86 55 4 4 2 1,8082
Camuñas 8 3,7282 2388 7638 2123 972 1757 5 0,3228
Capacete 3,41 4,0642 732 881 218 122 379 41 74,588
Cerero 3,94 1,4585 1359 772 251 96 710 14 0,0968
Chica 2,8 4,4862 220 2510 572 20 458 7 0,0968
Dulce 1,56 2,4745 269 495 157 38 162 9 0,3228
FP Salinas 11 1,2206 3038 923 233 226 1488 11 0,0645
FP Vicaria 8,75 2,6384 4325 456 234 229 2371 11 1,1947
Grande 2,6 3,3251 840 2270 609 86 284 7 0,5166
Gualdal. May 6,37 2,5483 2320 1040 1294 192 485 23 0,4843
Hoyos1 1,18 5,1966 13 499 202 20 5 18 6,7807
Lobón 0,57 1,7494 110 42 21 12 60 6 0,5812
Marcela 3,4 2,1189 1121 866 157 115 643 4 0,7426
Ratosa 3,48 1,7207 1484 554 151 151 708 7 0,1291
Redonda 4,62 1,0357 472 2964 752 160 652 34 0,1291
Salada 3,8 0,8685 1023 2274 1946 360 430 23 0,5489
Viso 0,3 1,8567 7 15 39 3 4 2 4,4882
Hay que tener en cuenta que las variables están medidas en unidades distintas, por
lo que en su momento será necesario tipificar.
Analizar
Reducción de Datos
Análisis Factorial
Lo primero será determinar cual será la estructura factorial necesaria, para lo cual
usaremos el método de Kaiser que determina tantos factores como autovalores mayores
que 1. Este es el método que por defecto realiza el programa (se puede cambiar en el
botón de Extracción).
Si aplicamos la regla de Kaiser nos proporcionarı́a una estructura factorial con tres
factores que explican el 81.94 % de la varianza total. Sin embargo observamos que el
cuarto autovalor, que está muy cercano a uno, proporciona un factor que determina
el 10.693 % de la varianza, por lo tanto decidimos incluirlo también en la estructura
factorial. Es decir, finalmente, nos quedarı́amos con una estructura factorial de cuatro
factores que explicarı́an el 92.010 % de la varianza.
Las comunalidades son muy altas, lo cual implica que todas las variables están muy
bien representadas en el espacio de los factores (la comunalidad representa el coeficiente
de correlación lineal múltiple de cada variable con los factores). La estructura factorial
no está muy clara en principio, ya que diversos factores comparten variables, ya que, por
ejemplo, la variable potasio está relacionada con los factores segundo, tercero y cuarto,
la variable fosfatos aparece tanto en el segundo factor como en el tercero. Lo mismo
ocurre para las variables sulfatos y calcio respecto a los ejes primero y tercero. Para
observar esto vemos las representaciones de las variables en el plano de los factores
primero y tercero, en donde vemos que las dos últimas variables citadas forman un
ángulo próximo a 45o con cada eje, lo cual no permite asociarlas a ninguno de ellos
(las saturaciones representan en este caso las correlaciones de las variables con cada
eje y por lo tanto el coseno del ángulo que forman con ellos). Al mismo tiempo vemos
como la variable bicarbonato esta cerca del eje del coordenadas, lo cuál indica que no
está relacionada con ninguno de los dos ejes.
Todos estos resultados conducen a algunas complicaciones a la hora de interpretar
los factores, por lo que realizamos una rotación de los ejes con la idea de clarificar la
estructura factorial sin perder poder explicativo. Para rotar los ejes solo hemos de elegir
el botón ROTACIÓN y elegir alguno de los métodos que nos aparecen. En nuestro caso
optaremos por una rotación varimax, que produce la siguiente matriz de componentes
(las comunalidades no varı́an):
a) La variable potasio tiene una comunalidad del 0.922, y este factor aporta el
89.68 %, o sea, un 97.26 % de lo explicado por la estructura factorial
b) En cuanto a la variable fosfatos, está representada en el espacio de los fac-
tores por una comunalidad de 0.864, que atribuible al tercer factor es el
69.55 %, con una saturación de 0.834, es decir, el 80.5 % del espacio de los
factores.