SEMINARIO DE POSGRADO

ESTRATEGIAS Y DISEOS
AVANZADOS DE INVESTIGACIN
SOCIAL
Titular: Agustn Salvia
MDULO 4 B

ANLISIS FACTORIAL

ANLISIS FACTORIAL
EN LA INVESTIGACIN SOCIAL SE TRABAJA
CON MUCHOS CONCEPTOS COMPLEJOS QUE
NO SON DIRECTAMENTE OBSERVABLES

USOS MS FRECUENTES

Reduccin de
informacin

Identificacin de
estructuras
subyacentes

Creacin de
variables
resumen

ANLISIS FACTORIAL
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 la
variables originales, con una prdida
mnima de informacin.
El modelo del Anlisis Factorial se expresa
como una combinacin lineal de factores no

ANLISIS FACTORIAL
FACTOR PRINCIPAL

El Anlisis Factorial (mtodo factor

principal) supone que existe un factor
comn subyacente a las variables.
Este mtodo busca factores que
expliquen la mayor parte de la varianza
comn. La varianza comn es la parte
de la variacin de la variable que es
compartida con las otras variables. La
varianza nica es la parte de la
variacin de la variable que es propia

ANLISIS FACTORIAL
COMPONENTES PRINCIPALES

El
Anlisis
Factorial
(mtodo
componentes principales) no supone
que existe un factor comn subyacente
a las variables.
El Anlisis de Componentes Principales busca
hallar
combinaciones
lineales
de
las
variables originales que expliquen la mayor
parte de la variacin total. El primer factor o
componente sera aquel que explica una
mayor parte de la varianza total, el segundo
factor sera aquel que explica la mayor parte

ANLISIS FACTORIAL
Para que el Anlisis Factorial tenga
sentido
deberan
cumplirse
dos
condiciones bsicas:
Parsimonia e Interpretabilidad
Segn el principio de parsimonia el nmero
de factores debe ser lo ms reducido
posible y estos deben ser susceptibles de
interpretacin
sustantiva.
Una
buena
solucin factorial es aquella que es sencilla
e interpretable.

ANLISIS
FACTORIAL
Se asume que los factores nicos no
estn correlacionados entre s ni con los
factores comunes.
Se puede distinguir entre Anlisis Factorial
Exploratorio, donde no se conocen los
factores "a priori sino que se identifican
por 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 mejor a
las variables originales.

ANLISIS
FACTORIAL
PASOS
EN EL ANALISIS FACTORIAL
1- Calcular la matriz de correlaciones entre
todas las variables (conocida habitualmente
como matriz R).
2- Extraccin de los factores necesarios para
representar los datos. Anlisis de la matriz de
cargas.
3- Rotacin de los factores con objeto de
facilitar la interpretacin. Representacin
grfica.

ANLISIS
FACTORIAL
REQUISITOS PARA SU
UTILIZACIN
Seleccin de variables que formen
conjuntos correlacionados.
Variables deben estar en escala
mtrica.
Un mnimo de 100 casos

ANLISIS
FACTORIAL
EJEMPLO
Se intentan conocer los determinantes de los
ingresos de la ocupacin principal de los
asalariados. Dado que se supone que estos
estn
asociados
a
un
conjunto
de
caractersticas de la persona y del puesto.
Dado que el conjunto de variables es grande
y se sospecha que algunas de ellas estn
muy relacionadas, por lo que parece
conveniente antes del anlisis intentar
determinar
si
existen
subconjuntos
diferenciados de ellas.

ANLISIS
FACTORIAL
EXAMEN DE LA MATRIZ DE CORRELACIONES
1- El primer paso en el Anlisis Factorial ser
calcular la matriz de correlaciones entre todas
las variables que entran en el anlisis.
2- Una vez que se dispone de esta matriz cabe
examinarla
para
comprobar
si
sus
caractersticas son adecuadas para realizar un
Anlisis Factorial.
3- Uno de los requisitos que deben cumplirse
para que el Anlisis Factorial tenga sentido es

ANLISIS
FACTORIAL
EJEMPLO
EXAMEN DE LA MATRIZ DE CORRELACIONES
Correlation Matrix

Correlation

Sig. (1-tailed)

Tamao del
establecimiento
Nivel de Instruccin
Edad
Calificacin laboral
Tamao del
establecimiento
Nivel de Instruccin
Edad
Calificacin laboral

Tamao
del
estableci
miento

Nivel de
Instruccin

1,000

,281

,136

,379

,281
,136
,379

1,000
-,101
,554

-,101
1,000
,164

,554
,164
1,000

,000

,000

,000

,000

,000
,000

,000
,000
,000

,000
,000

Edad

,000

Calificaci
n laboral

ANLISIS
FACTORIAL

MATRIZ DE CARGA
FACTORIAL
El Anlisis Factorial extrae una matriz factorial:
1
2

F1
P11
P12

F2
P21
P22

Cada columna es un factor y cada fila una

variable.Los
elementos
Pij
pueden
interpretarse como ndices de correlacin entre
el factor i y la variable j.
Estos coeficientes reciben el nombre de pesos
o cargas factoriales. Las cargas indican el peso
de cada variable en cada factor. Lo ideal es que

ANLISIS
FACTORIAL

EJEMPLO

Component Matrixa
Component
1
Tamao del
establecimiento
Nivel de Instruccin
Edad
Calificacin laboral

2
,680

,202

,775
,185
,859

-,412
,931
1,103E-02

Extraction Method: Principal Component Analysis.

a. 2 components extracted.

ANLISIS
FACTORIAL

EIGENVALUES (VALORES
PROPIOS)
El cuadrado de una carga factorial indica la
proporcin de la varianza explicada por un
factor en una variable particular.
La suma de los cuadrados de los pesos de
cualquier columna de la matriz factorial es lo
que
denominamos
eigenvalues,
indica
la
cantidad total de varianza que explica ese
factor.
Las cargas factoriales pueden tener como
valor mximo 1, por tanto el valor mximo que
puede alcanzar el valor propio es igual al

ANLISIS
FACTORIAL

EJEMPLO

EXTRACCIN DE MATRIZ FACTORIAL

Communalities
Initial
Tamao del
establecimiento
Nivel de Instruccin
Edad
Calificacin laboral

Extraction

1,000

,504

1,000
1,000
1,000

,771
,900
,738

Extraction Method: Principal Component Analysis.

Total Variance Explained

Component
1
2
3
4

Initial Eigenvalues
% of
Cumulativ
Total
Variance
e%
1,836
45,910
45,910
1,077
26,913
72,823
,702
17,544
90,367
,385
9,633
100,000

Extraction Method: Principal Component Analysis.

Extraction Sums of Squared

Loadings
% of
Cumulativ
Total
Variance
e%
1,836
45,910
45,910
1,077
26,913
72,823

Rotation Sums of Squared Loadings

% of
Cumulativ
Total
Variance
e%
1,821
45,531
45,531
1,092
27,292
72,823

ANLISIS
FACTORIAL

COMUNALIDADES

Se denomina "comunalidad" a la proporcin de

la varianza explicada por los factores comunes
en una variable. La comunalidad es la suma de
los pesos factoriales al cuadrado en cada una de
las filas.
El Anlisis Factorial comienza sus clculos a
partir de lo que se conoce como matriz reducida
compuesta por los coeficientes de correlacin
entre las variables y con las comunalidades en
la diagonal.
Como la comunalidad no se puede saber hasta

ANLISIS
FACTORIAL

NUMERO DE FACTORES A
CONSERVAR
La matriz factorial presenta un nmero de
factores superior al necesario para explicar la
estructura de los datos. 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.
Existen diversos criterios para determinar el nmero
de factores a conservar. Uno de los ms utilizados es
la regla de Kaiser: "conservar aquellos factores
cuyos valores propios (eigenvalues) son mayores a

ANLISIS
FACTORIAL

EJEMPLO

Scree Plot
2,0

1,5

Eigenvalue

1,0

,5

0,0
1

Component Number

ANLISIS
FACTORIAL

ROTACIONES
FACTORIALES
La matriz factorial resulta difcil de interpretar
pues no queda claro en que factor satura cada
variable. Para facilitar la interpretacin se
realizan lo que se denominan rotaciones
factoriales, la cual consiste en hacer girar los
ejes de coordenadas, que representan a los
factores, hasta conseguir que se aproxime al
mximo a las variables en que estn saturados.
La saturacin de factores transforma la matriz
factorial inicial en otra denominada matriz
factorial rotada, de ms fcil interpretacin. La
matriz factorial rotada es una combinacin lineal

ANLISIS
FACTORIAL

EVALUACIN DE LA MATRIZ
ROTADA
La matriz factorial debe reunir las siguientes
caractersticas: 1- Cada factor debe tener unos
pocos pesos altos y los otros prximos a 0. 2Cada variable no debe estar saturada ms que
en un factor. 3- Los factores distintos deben
presentar distribuciones de cargas altas y bajas
distintas.
Con la rotacin factorial aunque cambie la
matriz factorial las comunalidades no se alteran,
sin embargo, cambia la varianza explicada por
cada factor. Existen varios mtodos de rotacin:
ortogonales
para
factores
independientes

ANLISIS
FACTORIAL
EJEMPLO
MATRIZ ROTADA
Rotated Component Matrixa

Component Transformation Matrix

Component
1
Tamao del
establecimiento
Nivel de Instruccin
Edad
Calificacin laboral

2
,645

,296

,826
5,196E-02
,849

-,298
,947
,132

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.

Component
1
2

1
,990
-,141

2
,141
,990

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.

ANLISIS
FACTORIAL
EJEMPLO
Component Plot in Rotated Space
edad

1,0

,5
tamao del estableci
calificacin laboral
0,0

Component 2

nivel de instruccin
-,5

-1,0
-1,0

Component 1

-,5

0,0

,5

1,0

ANLISIS FACTORIAL
INTERPRETACIN DE RESULTADOS
Dos cuestiones pueden ayudar a la
interpretacin
y
reconocimiento
de
los
factores: 1) Ordenar la matriz rotada de forma
que las variables con saturaciones altas en un
factor aparezcan juntas. 2) Eliminar las
variables
con
cargas
factoriales
bajas
(aquellas por debajo de 0,25).
Llamaremos variable compleja a aquella que
satura altamente en ms de un factor y que no
debe ser utilizada para identificar los factores.
Factores bipolares, son aquellos en los que
unas variables cargan positivamente y otras