AnlisisFactorial

SantiagodelaFuenteFernndez
 AnlisisFactorial

SantiagodelaFuenteFernndez
 AnlisisFactorial
INTRODUCCINANLISISFACTORIAL

Elanlisisfactorialesunatcnicadereduccindedatosquesirveparaencontrargrupos
homogneosdevariablesapartirdeunconjuntonumerosodevariables.

Losgruposhomogneosseformanconlasvariablesquecorrelacionanmuchoentresyprocurando,
inicialmente,queunosgruposseanindependientesdeotros.

Cuandoserecogenungrannmerodevariablesdeformasimultnea(porejemplo,enun
cuestionariodesatisfaccinlaboral)sepuedeestarinteresadoenaveriguarsilaspreguntasdel
cuestionarioseagrupandealgunaformacaracterstica.Aplicandounanlisisfactorialalas
respuestasdelossujetossepuedenencontrargruposdevariablesconsignificadocomnyconseguir
deestemodoreducirelnmerodedimensionesnecesariasparaexplicarlasrespuestasdelos
sujetos.

ElAnlisisFactoriales,portanto,unatcnicadereduccindeladimensionalidaddelosdatos.Su
propsitoltimoconsisteenbuscarelnmeromnimodedimensionescapacesdeexplicarelmximo
deinformacincontenidaenlosdatos.

Adiferenciadeloqueocurreenotrastcnicascomoelanlisisdevarianzaoelderegresin,enel
anlisisfactorialtodaslasvariablesdelanlisiscumplenelmismopapel:todasellasson
independientesenelsentidodequenoexisteaprioriunadependenciaconceptualdeunasvariables
sobreotras.

FundamentalmenteloquesepretendeconelAnlisisFactorial(AnlisisdeComponentesPrincipales
odeFactoresComunes)essimplificarlainformacinquenosdaunamatrizdecorrelacionespara
hacerlamsfcilmenteinterpretable.
SepretendeencontrarunarespuestaalpreguntarnosPorquunasvariablesserelacionanms
entresymenosconotras?.Hipotticamenteesporqueexistenotrasvariables,otrasdimensioneso
factoresqueexplicanporquunostemsserelacionanmsconunosqueconotros.
Endefinitiva,setratadeunanlisisdelaestructurasubyacenteaunaseriedevariables?.

CONCEPTOSPREVIOSDELANLISISFACTORIAL

Unejemploconcretodeintroduccinalconceptodevarianzacompartidayvarianzanica:Sean
unostemsdeunaescaladeactitudes,dondelapuntuacindecadasujetoencuestadoeslasumade
lasrespuestasatodoslostems,segnlaclavedecorreccindiseada:

Muydeacuerdo=5
1Melopasomuybienenmicasa,conmispadres Deacuerdo=4
..
Muydeacuerdo=1
2Algunasvecesmegustaramarcharmedemicasa Deacuerdo=2

Lavarianza 2 decadatemindicaladiferenciaquecreaenlasrespuestas.Sitodos
respondieranlomismolavarianzaseracero,nohabradiferencias.Silamitadestuvieramuy
agustoensucasaylaotramitadmuyadisgusto,lavarianzaseramxima.

SantiagodelaFuenteFernndez1
 AnlisisFactorial
Cadatemovariabletienesuvarianza(diferenciasenlasrespuestas),lavarianzadecada
tempuedesercompartidaconlavarianzadeotrostems:Algunosindividuosencuestados
estnmuybienensucasaconsuspadres(tem1)ynuncapiensanirsedesucasa(tem2).
Otrosindividuosrespondernconotrasvariaciones.Enestecaso,lasrespuestassealadaa
estosdostemssoncoherentesconelsignificadopretendidodelosdostems,comparten
varianzaporquelosdostemsestnrelacionadospositivamente(estoybienencasa,nome
quieroir).
EstarelacinvieneexpresadaporelcoeficientedecorrelacinrdePearson,donder2
expresalaproporcindevarianzacomnodevariacinconjunta.Esdecir,silacorrelacin
entreestosdostemsesde0,90,estosignificaquetienenun81%devarianzacomn
(variacinenlasrespuestas).Elrestodelavarianza(19%)noesvarianzacompartida.

Lavarianzanocompartidapuededescomponerseenotrasdosfuentesdevarianza:Cada
variabletieneunavarianzaespecifica:unencuestadopuederesponderqueselopasamuy
bienconsuspadresyquelegustarairsedecasa,simplementeporquelegustaviajar.
Eltem1nocuantificanicamentelaintegracinfamiliar,tambintieneunsignificado
especficoqueparamuchosencuestadosnopuedecoincidirdeltodoconsentirsebienen
casa.
TambinhayunaVarianzadeerrordemedicin,ocasionadaporcansancio,estilos
personalesderesponder,ordenenqueseresponde,etc.

Lavarianzatotaldeuntempuededescomponerse:

Varianzacompartida Varianzaespecfica Varianzadeerrores

VarianzaTotal = + +
ocomn decadavariable demedicin

Uniendolavarianzaespecficaconlavarianzadebidaaerroresdemedicin(todalavarianzanicao
nocompartidadecadatemovariable),setiene:

Varianzacompartida Varianzadeerrores
VarianzaTotal = +
ocomn demedicin

QuhaceelAnlisisFactorial?

Seencargadeanalizarlavarianzacomnatodaslasvariables.Partiendodeunamatrizde
correlaciones,tratadesimplificarlainformacinqueofrece.Seoperaconlascorrelacioneselevadas
alcuadrador2(coeficientesdedeterminacin),queexpresanlaproporcindevarianzacomnentre
lasvariables.

Encadacasilladelamatrizdecorrelacionessereflejalaproporcindevarianzacomnadostemso
variables,exceptoenladiagonalprincipal(dondecadatemcoincideconsigomismo).Enlos1dela
diagonalprincipalsereflejalavarianzaquecadatemovariablecomparteconlosdemsytambin
losquenocomparte(laespecficaonicadecadatem).

Sisedeseaanalizarexclusivamentelavarianzacompartidahabrqueeliminarlosunosdelamatriz
decorrelacionesyponerensulugarlaproporcindevarianzaquecadatemtieneencomncon
todoslosdems.

SantiagodelaFuenteFernndez2
 AnlisisFactorial
EnelAnlisisFactorial,portanto,cabendosenfoques:

1. AnalizarTODAlavarianza(comnynocomn).Enestecasoutilizamoslosunosdelamatrizde
correlaciones.ElmtodomsusualeseldeAnlisisdeComponentesPrincipales.

2. AnalizarSOLOlavarianzacomn.Enestecaso,sesubstituyenlosunosdeladiagonalpor
estimacionesdelavarianzaquecadatemtieneencomnconlosdems(yquesedenominan
Comunalidades).Paralaestimacindelascomunalidadesnohayunclculonico,existen
diversosprocedimientos(correlacionesmltiplesdecadatemcontodoslosdems,coeficientes
defiabilidadsicadavariableesuntest).Elprocedimientoporelquesesustituyenlosunospor
lascomunalidadessedenominaAnlisisdeFactoresComunes.

LosdosenfoquescabenbajoladenominacingenricadeAnlisisFactorial,aunqueeselAnlisisde
FactoresComunesalqueconmspropiedadseleaplicaladenominacindeAnlisisFactorial.
Ambosenfoquesdanresultadossimilaresyseinterpretandemaneracasiidntica.

QuesunFACTOR?

Enrealidadlosfactoresnoexisten,loqueexistedecadasujetoesunasumadesusrespuestasauna
seriedetemsopreguntas,unacombinacinlinealdevariables(tema+temb+temc+).

Lasumatotaldetemssondistintosparacadasujeto,opuedenserlo,lavarianzadelostotalesnos
expresaladiversidadqueexisteentrelossujetos.

Sihaynfactores,seinterpretaqueelinstrumentooriginalsepuededescomponerenn
instrumentos(cadaunocompuestoportodoslostems),aunqueencadainstrumentolostems
tienenunpesoespecficodistintosegnseasurelacinconelfactor:

Siencontramos,porejemplo,tresfactores,estoquieredecirquepodemosdescomponer
elinstrumentooriginalentresinstrumentos;cadaunoestcompuestoportodoslostems,pero
encadainstrumentolostemstienenunpesoespecficodistintosegnseasurelacinconcada
factor:

a1a+b1b+c1c+....=TotalenelFactor1 a1eselpesoespecficodeltemaenelFactor1
a2a+b2b+c2c+....=TotalenelFactor2 a2eselpesoespecficodeltemaenelFactor2
.................................................................... ............................................................................
ana+bnb+cnc+....=TotalenelFactorn aneselpesoespecficodeltemaenelFactorn

Lasnuevaspuntuacionessonlaspuntuacionesfactorialesofactorscores.

Lospesospuedensergrandesopequeos,positivosonegativos.Generalmente,encadafactorhay
temsconpesosgrandesyotrosprximosacero;lostemsquemspesanencadafactorsonlosque
lodefinen.

Lavarianza(diversidad)detodaslasnuevasmedidasequivalealavarianzadelamedidaoriginal(no
atoda,perosalamximaqueesposibleexplicar);estosfactoresindicanlasfuentesdevarianza;si
haydiferenciasenlamedidaoriginalesporquelashayenestasnuevaspuntuaciones.

SantiagodelaFuenteFernndez3
 AnlisisFactorial
Elanlisisfactorialsereducealabsquedadeestospesosparalocalizarmedidasdistintasapartirde
lasvariablesoriginales,ydemaneraque,apoderser,entretodaslasnuevasmedidasagoteno
expliquentodalavarianzapresenteenlasvariablesoriginales.

ESQUEMADEUNANLISISFACTORIAL:

FORMULACINDELPROBLEMA

ANLISISDELAMATRIZDECORRELACIN

EXTRACCINDEFACTORES

DETERMINACINDELNMERODEFACTORES

ROTACINDEFACTORES

INTERPRETACINDEFACTORES

VALIDACINDELMODELO

CLCULODEPUNTUACIONES SELECCINDELAS
FACTORIALES VARIABLESREPRESENTATIVAS

ANLISISPOSTERIORES:REGRESIN,CLUSTER...

ModelodelAnlisisFactorial

Sean(X1,X2,,Xp)laspvariablesobjetodeanlisisquesupondremosentodoloquesigue,que
estntipificadas.Sinoloestuvieranelanlisisserealizaradeformasimilarperolamatrizutilizada
paracalcularlosfactoresnoseralamatrizdecorrelacinsinoladevarianzasycovarianzas.

Elinvestigadormideestasvariablessobrenindividuos,obtenindoselasiguientematrizdedatos:

Variables ElmodelodelAnlisisFactorialviene
Sujetos X1 X2 Xp dadohabitualmenteporlasecuaciones:
1 x11 x12 x1p X1=a11F1+a12F2++a1kFk+u1
2 x21 x22 x2p X2=a21F1+a22F2++a2kFk+u2
..................

Xp=ap1F1+ap2F2++apkFk+up
n xn1 xn2 xnp

SantiagodelaFuenteFernndez4
 AnlisisFactorial
Donde,(F1,F2,,Fk)(k<p)sonlosFactoresComunes,(u1,u2,,up)losFactoresnicoso
especficos,ylosCoeficientes(aij){i=1,,p;j=1,...,k}lasCargasfactoriales.

SesuponequelosFactoresComunesestnasuvezestandarizados[E(Fi)=0;Var(Fi)=1],losFactores
Especficostienenmedia0yestnincorrelados[E(ui)=0;Cov(ui,uj)=0sij;(i,j=1,,p)]yque
ambostiposdefactoresestnincorreladosCov(Fi,uj)=0,i=1,..,k;j=1,,p.

Si,adems,losFactoresComunesestnincorrelados[Cov(Fi,Fj)=0siij;j,i=1,,k]estamosanteun
modeloconfactoresortogonales.
Encasocontrarioelmodelosedicequeesdefactoresoblicuos.

Expresadoenformamatricial:

Xmatrizdedatos
x=Af+uX=FA'+U Amatrizdecargasfactoriales
Fmatrizdepuntuacionesfactoriales

X1 F1 u1 a11 a12 L a1k f11 f12 L f1k

X2 F2 u2 a21 a22 L a2k f21 f22 L f2k
donde: x= , f= , u= , A = , F =
M M M L L L L L L L L

X F u a L apk f fp2 L fpk
P k p p1 ap2 p1

Utilizandolashiptesisanteriores,setiene:

k
Var(Xi ) = a2ij + i = h2i + i (i = 1, 2, L ,p)
j=1

k
donde, h2i = Var aij Fj y i = Var(ui ) ,recibenlosnombres,respectivamente,deComunalidady
j=1
EspecificidaddelavariableXi

Enconsecuencia,lavarianzadecadaunadelasvariablesanalizadassepuededescomponerendos
partes:laComunalidad h2i querepresentalavarianzaexplicadaporlosfactorescomunesyla
Especificidad i querepresentalapartedelavarianzaespecficadecadavariable.Ademssetiene:

k k k
Cov(Xi , Xl ) = Cov aij Fj , alj Fj , = aij alj i l
j=1 j=1 j=1

porloquesonlosfactorescomuneslosqueexplicanlasrelacionesexistentesentrelasvariables.

Porestemotivo,losfactorescomunestienenintersysonsusceptiblesdeinterpretacin
experimental.Losfactoresnicosseincluyenenelmodelodadalaimposibilidaddeexpresar,en
general,pvariablesenfuncindeunnmeromsreducidokdefactores.

SantiagodelaFuenteFernndez5
 AnlisisFactorial
Ejemplo.Unosestudiantessonsometidosadiversostestendistintasmateriasparamedirsus
actitudesintelectuales.Comoconsecuencia,seobtienenunaseriedepuntuacionesestandarizadas
enMatemticas(Ma),Fsica(Fi),Qumica(Qu),Ingls(In),Historia(Hi)yDibujo(Di).

Ma = 0,8 F1 + 0,2F2 + UMa In = 0,2F1 + 0,8 F2 + UIn

Elmodelofactorialvienedado Fi = 0,7F1 + 0,3F2 + UFi Hi = 0,15F1 + 0,82F2 + UIn
porlasecuaciones
Qu = 0,6 F1 + 0,3F2 + UQu Di = 0,25F1 + 0,85F2 + UDi

E[Fi]=0i=1,2;j{Ma,Fi,Qu,In,Hi,Di}
Losfactorescomunesestn
Var[Fi]=1i=1,2;
estandarizadoseincorrelados
Cov(F1,F2)=0

Losfactoresespecficos E[ui]=0i=1,2;j{Ma,Fi,Qu,In,Hi,Di}
tienenmedia0eincorrelados Cov(u1,u2)=0ij{Ma,Fi,Qu,In,Hi,Di}

Cov(Fi,uj)=0ij{Ma,Fi,Qu,In,Hi,Di}
Ambostiposdefactoresestnincorrelados
Cov(u1,u2)=0ij{Ma,Fi,Qu,In,Hi,Di}

0,8 0,2

0,7 0,3
0,6 0,3
Lamatrizdecargasfactoriales A =
0,2 0,8
0,15 0,82

0,25 0,85

ComunalidadyEspecificidad:

Var[Ma]=1=Var[0,8F1+0,2F2+uMa]=
Matemticas =0,82Var[F1]+0,22Var[F2]+Var[uMa]+2(0,8)(0,2)Cov(F1,F2)+2(0,8)Cov(F1,uMa)+
+2(0,2)Cov(F2,uMa)=0,68+Ma
2
LaComunalidadenMatemticases hMa = 0,68 ylaEspecificidad Ma = 0,32

Var[Di]=1=Var[0,25F1+0,85F2+uDi]=
Dibujo =0,252Var[F1]+0,852Var[F2]+Var[uDi]+2(0,25)(0,85)Cov(F1,F2)+2(0,25)Cov(F1,uDi)+
+2(0,85)Cov(F2,uDi)=0,785+Di

LaComunalidadenDibujoes hDi2 = 0,785 ylaEspecificidad Di = 0,215

Anlogamente,
Comunalidades
Matemticas 0,68
Fsica 0,42
Qumica 0,55
Ingls 0,215
Historia 0,36
Dibujo 0,785
o Comolaspuntuacionesestnestandarizadas,lamatrizdevarianzasycovarianzascoincide
conlamatrizdecorrelaciones:

SantiagodelaFuenteFernndez6
 AnlisisFactorial

1 0,62 0,54 0,32 0,284 0,37

0,62 1 0,51 0,38 0,351 0,43
0,54 0,51 1 0,36 0,336 0,405

0,32 0,38 0,36 1 0,686 0,73
0,284 0,351 0,336 0,686 1 0,7345

0,37 0,43 0,405 0,73 0,7345 1

Advirtaseque,

Cov(Ma,Fi)=Cov(0,8F1+0,2F2+uMa,0,7F1+0,3F2+uFi)=
=(0,8)(0,7)Var(F1)+(0,8)(0,3)Cov(F1,F2)+(0,8)Cov(F1,uFi)+(0,2)(0,7)Cov(F2,F1)+(0,2)(0,3)Var(F2)
+(0,2)Cov(F2,uFi)+(0,7)Cov(uMa,F1)+(0,3)Cov(uMa,F2)+Cov(uMa,uFi)=0,56+0,06=0,62

Cov(Fi,Qi)=Cov(0,7F1+0,3F2+uFi,0,6F1+0,3F2+uQi)=
=(0,7)(0,6)Var(F1)+(0,6)(0,3)Cov(F1,F2)+(0,7)Cov(F1,uQi)+(0,3)(0,6)Cov(F2,F1)+(0,3)(0,3)
Var(F2)+(0,3)Cov(F2,uQi)+(0,6)Cov(uFi,F1)+(0,3)Cov(uFi,F2)+Cov(uFi,uQi)=0,42+0,09=0,51

ANLISISDELAMATRIZDECORRELACIN

Lafinalidaddeanalizarlamatrizdelascorrelacionesmuestrales R = (rij ) ,donderijeslacorrelacin

muestralobservadaentrelasvariables (Xi , X j ) ,escomprobarsisuscaractersticassonlasadecuadas
pararealizarunAnlisisFactorial.

Unodelosrequisitosquedebencumplirseesquelasvariablesseencuentranaltamente
intercorrelacionadas.Tambinseesperaquelasvariablesquetengancorrelacinmuyaltaentresla
tenganconelmismofactorofactores.

Enconsecuencia,silascorrelacionesentretodaslasvariablessonbajas,talveznoseaapropiadoel
AnlisisFactorial.

Existenvariosindicadoresparaanalizarlamatrizdecorrelacin:

TestdeesfericidaddeBarlett

Contrasta,bajolahiptesisdenormalidadmultivariante,silamatrizdecorrelacindelaspvariables
observadas( Rp )eslaidentidad.

Siunamatrizdecorrelacineslaidentidadsignificaquelasintercorrelacionesentrelasvariablesson
cero.Siseconfirmalahiptesisnula H0 : Rp = 1 o Rp = I ,lasvariablesnoestnintercorrelacionadas.

EltestdeesfericidaddeBarlettseobtienemedianteunatransformacindeldeterminantedela
matrizdecorrelacin.Elestadsticodeltestvienedadopor:

1 (2p + 11) p
dR = n 1 (2p + 5) log R = n
6 6
j=1
log ( j )

dondeneselnmerodeindividuosdelamuestray j (j=1,...,p)sonlosvalorespropiosdeR.

SantiagodelaFuenteFernndez7
 AnlisisFactorial
Bajolahiptesisnula,elestadsticosedistribuyeasintticamentesegnuna 2
p(p1) 2

Silahiptesisnulaescierta,losvalorespropiosvaldrnuno,osulogaritmosernuloy,portanto,el
estadsticodeltestvaldracero.

Porelcontrario,siconeltestdeBarlettseobtienenvaloresaltosde 2 ,oundeterminantebajo,
hayvariablesconcorrelacionesaltas(undeterminanteprximoaceroindicaqueunaoms
variablespodranserexpresadascomocombinacinlinealdeotrasvariables).

Endefinitiva,sielestadsticodeltesttomavaloresgrandes(oundeterminanteprximoacero)se
rechazalahiptesisnulaconciertogradodesignificacin.Encasodeaceptarselahiptesisnula,las
variablesnoestnintercorreladasydeberareconsiderarselaaplicacindeunAnlisisFactorial.

Medidasdeadecuacindelamuestra

Elcoeficientedecorrelacinparcialesunindicadordelgradoderelacionesentredosvariables,
eliminandolainfluenciadelresto.

Silasvariablescompartenfactorescomunes,elcoeficientedecorrelacinparcialentreparesde
variablesesbajo,puestoqueseeliminanlosefectoslinealesdelasotrasvariables.

Lascorrelacionesparcialessonestimacionesdelascorrelacionesentrelosfactoresnicos,debiendo
serprximasacerocuandoelAnlisisFactorialesadecuado,dadoquesesuponequelosfactores
nicosestnincorreladosentres.

Endefinitiva,siexisteunnmeroelevadodecoeficientesdecorrelacinparcialdistintosdecero,se
interpretaquelashiptesisdelmodelofactorialnosoncompatiblesconlosdatos.

UnamaneradecuantificarestehechoesconlaMediadeAdecuacindelaMuestraKMOpropuesta
porKaiserMeyerOlkin:
rij2
ji i j
KMO = 0 KMO 1
ij2 + rij2(p)
r
ji i j ji i j

donde rij (p) eselcoeficientedecorrelacinparcialentre (Xi , X j ) eliminandolainfluenciadelrestode

lasvariables.

ElndiceKMOseutilizaparacompararlasmagnitudesdeloscoeficientesdecorrelacinparcial,de
formaquecuntomspequeoseasuvalor,mayorserelvalordeloscoeficientesdecorrelacin
parciales rij (p) y,enconsecuencia,menosapropiadoesrealizarunAnlisisFactorial.

KMO0,75Bien
KaiserMeyerOlkinpararealizarunAnlisisFactorial,proponen: KMO0,5Aceptable
KMO<0,5Inaceptable
LaexperienciaprcticaaconsejaqueesprecipitadotomarelndiceKMOcomonicamedidade
adecuacindelamuestraalashiptesisdelmodelodeAnlisisFactorial,sobretodosihayun
nmeropequeodevariablesconsideradas.

SantiagodelaFuenteFernndez8
 AnlisisFactorial
Paratomarladecisindeeliminarunavariabledelestudioesaconsejablecomplementarla
informacinconotrasfuentes:lascomunalidadesdecadavariable,losresiduosdelmodelo,e
interpretarlosfactoresobtenidos.

EXTRACCINDEFACTORES

ElobjetivodelAnlisisFactorial(AF)esdeterminarunnmeroreducidodefactoresquepuedan
representaralasvariablesoriginales.

UnavezquesehadeterminadoqueelAFesunatcnicaapropiadaparaanalizarlosdatos,hayque
seleccionarelmtodoadecuadoparalaextraccindefactores.Existendiversosmtodos,cadauno
deellosconsusventajaseinconvenientes.

Elmodelofactorialenformamatricial: X = F A' + U ,teniendoquecuantificarlamatrizAdecargas

factorialesqueexplicaXenfuncindelosfactores.

Partiendode X = F A' + U ,sededucelallamadaIdentidadFundamentaldelAnlisisFactorial:

Rp = A A' +

dondeRpeslamatrizdecorrelacinpoblacionaldelasvariables(X1,X2,...,Xp)y = diag(i ) esla

matrizdiagonaldelasespecificidades.

Enestesentido,surgendosproblemas:

(a) ProblemasdeGradosdeLibertad.IgualandocadaelementodelamatrizRpconel
correspondientedelacombinacinlineal (A A' + ) ,resultan(pxp)ecuaciones,queesel
nmerodeelementosdeR.

p (p + 1)
Ahorabien,lamatrizRpessimtricay,enconsecuencia,estintegradapor elementos
2
distintos,queeselnmerorealdeecuaciones.Enelsegundomiembrodelaigualdad,los
parmetrosaestimarcon(pxk)elementosdelamatrizAylospelementosdelamatriz.

Enconsecuencia,paraquepuedaefectuarseelprocesodeestimacinserequierequeelnmero
p (p + 1)
deecuacionesseamayoroigualqueelnmerodeparmetrosaestimar: p (k + 1) ,olo
2
p 1
queesequivalente, k .
2

(b) NoUnicidaddelaSolucin.LassolucionesdadasporlamatrizAnosonnicas,puestoque
cualquiertransformacinortogonaldeAestambinsolucin.

SiTesunamatrizortogonal, T T' = T' T = I ,alaplicarunasolucinortogonaldeAseobtieneuna

solucindistintaalsistemaanterior.Estaeslabasedelosmtodosderotacindefactores.

Enconsecuencia,siTesunamatrizortogonal A = A T essolucin
SantiagodelaFuenteFernndez9
 AnlisisFactorial

Sedefine F = F T (F*eselvectorFrotadoporlamatrizortogonalT).

SeverificaqueXyRpverificantambinlasecuacionesdelmodelo,esdecir:

Rp = A * A *' + = (A T) (T' A') + = A A'+

X = F * A *' + U = (F T) (T' A') + U = F A'+ U

Portanto,elmodeloesnicosalvorotacionesortogonales,esdecir,sepuedenrealizarrotaciones
delamatrizdelasponderacionesocargasfactorialessinalterarelmodelo.

Ejemplo.Enelmodelofactorialdefinidoanteriormente,setena:

Ma 0,8 0,2 UMa

Fi 0,7 0,3 UFi
Qu 0,6 0,3 F U Ma = 0,8 F1 + 0,2F2 + UMa In = 0,2F1 + 0,8 F2 + UIn
= + Fi = 0,7F1 + 0,3F2 + UFi Hi = 0,15F1 + 0,82F2 + UIn
1 Qu

In 0,2 0,8 F2 UIn

Hi 0,15 0,82 U Qu = 0,6 F1 + 0,3F2 + UQu Di = 0,25F1 + 0,85F2 + UDi
Hi
Di 0,25 0,85 U
Di

' 1 1
F1 = 2 F1 + 2 F2 1 2 1 2
Sisedefinenlosfactores: ,siendolamatrizortogonal T =
F2' =
1
F1 +
1
F2 1 2 1 2
2 2

1 ' 1 '
F' 1 2 1 2 F1 1 2 1 2 F1' F1 F1 = F1 F2
1' = =
2 2
F 1 2 1
2 2 F2 1
2 1 2 F2' F2 F2 =
1 '
F1 +
1 '
F2
2 2
dedonde,

1 ' 0,6 '

Ma = 0,8 F1 + 0,2F2 + UMa = F1 F2 + UMa = 0,71 F1' 0,42 F2' + UMa
2 2

1 ' 0,4 '

Fi = 0,7F1 + 0,3F2 + UFi = F1 F2 + UMa = 0,71 F1' 0,28 F2' + UFi
2 2

0,9 ' 0,3 '

Qu = 0,6 F1 + 0,3F2 + UQu = F1 F2 + UMa = 0,64 F1' 0,21 F2' + UQu
2 2

In = 0,71 F1' + 0,42 F2' + UIn Hi = 0,69 F1' + 0,47 F2' + UHi Di = 0,78 F1' + 0,42 F2' + UDi
verificndoseque Cov(F1' , F2' ) = 0 ,porloquelasnuevascargasfactorialessernlascorrelacionesde
losnuevosfactoresconlasvariablesoriginales.

Lascomunalidades,especificidadesymatricesdecorrelacinpermanecenigual.

SantiagodelaFuenteFernndez10
 AnlisisFactorial

0,71 0,42

0,71 0,28
0,64 0,21
Lanuevamatrizdecargasfactorialesser: B =
0,71 0,42
0,69 0,47

0,78 0,42

LaformadecalcularlamatrizderotacinTyladenuevacargasfactorialesBdalugaralosdistintos
mtodosderotacinortogonales,siendolosmtodosmsutilizados:Varimax,Quartimaxy
Equamax.

MTODOSDEEXTRACCINDEFACTORES

Existendiferentesmtodosparaobtenerlosfactorescomunes,losimplantadosenSPSSson:
MtododelasComponentesPrincipales,MtododelosEjesprincipalesyMtododeMxima
Verosimilitud.

MtododelasComponentesPrincipales.Consisteenestimarlaspuntuacionesfactoriales
mediantelaspuntuacionestipificadasdelasprimeraskcomponentesylamatrizdecargas
factorialesmediantelascorrelacionesdelasvariablesoriginalescondichascomponentes.

Estemtodotienelaventajadequesiempreproporcionaunasolucin.

TieneelinconvenientedequealnoestarbasadoenelmodelodeAnlisisFactorialpuedellevara
estimadoresmuysesgadosdelamatrizdecargasfactoriales,especialmente,siexistenvariables
conComunalidadesbajas.

Mtodo de los Ejes Principales.- BasadoenlaIdentidadFundamentaldelAnlisisFactorial

Rp = A A' + ,sustituyendolamatrizdelascorrelacionespoblacionales Rp porlascorrelaciones
muestralesR,conloque:

R ' = R ' = A A'

Respetando R' = R ' = A A' ,elmtodoesiterativoyconsisteenalternarunaestimacindela

matrizdelasespecificidades conunaestimacindelamatrizdelascargasfactorialesA.

Separtedeunaestimacininicialdelamatriz , (0) ,yenelpasoisimodelalgoritmose

verificaque R (i) = A (i) A (i)' .

Laestimacin A(i) seobtieneaplicandoelmtododelascomponentesprincipalesalamatriz

R (i1) .Posteriormente,secalcula (i) apartirdelaigualdad R (i) = A (i) A (i)' yseiterahastaque
losvaloresdedichasestimacionesapenascambien.
EstemtodotienelaventajadeestarbasadoenelmodelodelAnlisisFactorialporloquesuele
proporcionarmejoresestimacionesqueelmtododecomponentesprincipales.Sinembargo,no
garantizasuconvergencia,sobretodoenmuestraspequeas.

SantiagodelaFuenteFernndez11
 AnlisisFactorial

MtododelaMximaVerosimilitud.Basadoenelmodelox=Af+uX=FA'+U,
adoptandolahiptesisdenormalidadmultivariante,aplicaelmtododelamxima
verosimilitud.

Sobrelosanteriores,tienelaventajadequelasestimacionesobtenidasnodependendela
escalademedidadelasvariables.

Porotraparte,comoestbasadoenelmtododemximaverosimilitud,tienetodaslas
propiedadesestadsticasdestey,enparticular,esasintticamenteinsesgada,eficientey
normalsilashiptesisdelmodelofactorialsonciertas.
Adems,permiteseleccionarelnmerodefactoresmediantecontrastesdehiptesis.

EstemtodotambinpuedeserutilizadoenelAnlisisFactorialConfirmatorio,dondeel
investigadorpuedeplantearhiptesiscomoquealgunascargasfactorialessonnulas,que
algunosfactoresestncorrelacionadoscondeterminadosfactores,etc.,yaplicartests
estadsticosparadeterminarsilosdatosconfirmanlasrestriccionesasumidas.

Elprincipalinconvenientedelmtodoradicaenque,alrealizarselaoptimizacindelafuncin
deverosimilitudpormtodositerativos,silasvariablesoriginalesnosonnormales,puedehaber
problemasdeconvergenciasobretodoenmuestrasfinitas.

MtodoMnimoscuadradosnoponderados.Paraunnmerofijodefactores,generauna
matrizdecoeficientesqueminimizalasumadelasdiferenciasalcuadradoentrelasmatricesde
~=A
correlacinobservadaRyreproducida R ~A~ ' ,eliminandoenlasdiferenciasloselementosde
ladiagonal.

MtodoMnimoscuadradosgeneralizados.MinimizaelmismocriterioLasumadelas
~=A
diferenciasalcuadradoentrelasmatricesdecorrelacinobservadaRyreproducida R ~A~ '
ponderandolascorrelacionesinversamenteporlavarianzadelfactorespecfico.Estemtodo
permite,adems,aplicarcontrastedehiptesisparadeterminarelnmerodefactores.

MtododeFactorizacinporimgenes.Consisteenaplicarelmtododecomponentes
~ obtenidaapartirdelaspartespredichasdelas
principalesalamatrizdecorrelacionesR
diversasregresioneslinealesdecadaunadelasvariablessobrelasdems(dichaparterecibeel
nombredeimagendelavariable).

MtodoAlfa.MaximizaelalfadeCronbachparalosfactores.

ComparacinentredistintosMtodos

o Cuandolascomunalidadessonaltas(>0,6)todoslosprocedimientostienenadarlamisma
solucin.

SantiagodelaFuenteFernndez12
 AnlisisFactorial
o Cuandolascomunalidadessonbajasparaalgunasdelasvariables,elmtodode
componentesprincipalestiendeadarsolucionesmuydiferentesdelrestodelosmtodos,
concargasfactorialesmayores.

o Sielnmerodevariablesesalto(>30),lasestimacionesdelacomunalidadtienenmenos
influenciaenlasolucinobtenidaytodoslosmtodostiendenaofrecerelmismoresultado.

o Sielnmerodevariablesesbajo,tododependedelmtodoutilizadoparaestimarlas
comunalidadesydesistassonaltasmsquedelmtodoutilizadoparaestimarlas.

o Esmsrobustoutilizarunmtodoparaelmodelodefactorescomunes.Elnicoproblema
puedeserlafaltadeconvergenciadelmtodoutilizado.

DETERMINARELNMERODEFACTORES

Lamatrizfactorialpuederepresentarunnmerodefactoressuperioralnecesarioparaexplicarla
estructuradelosdatosoriginales.Generalmente,hayunconjuntopequeodefactores,los
primeros,quecontienencasitodalainformacin.Elrestodefactoressuelencontribuir
relativamentepoco.

Unodelosproblemasconsisteendeterminarelnmerodefactoresqueconvieneconservar,pues
setratadecumplirelprincipiodeparsimonia.

Existendiversasreglasycriteriosparadeterminarelnmerodefactoresaconservar,algunosdelos
msutilizadosson:

(a) Determinacinapriori.Eselcriteriomsfiablesilosdatosylasvariablesestnbienelegidos
yelinvestigadorconocelasituacin,loidealesplantearelAnlisisFactorialconunaideaprevia
decuntosfactoreshayyculesson.

(b) RegladeKaiser.CalculalosvalorespropiosdelamatrizdecorrelacionesRytomacomo
nmerodefactoreselnmerodevalorespropiossuperioresalaunidad.
EstecriterioesunaalusindelAnlisisdeComponentesPrincipalesysehaverificadoen
simulacionesque,generalmente,tiendeainfraestimarelnmerodefactoresporloquese
recomiendasuusoparaestablecerunlmiteinferior.Unlmitesuperiorsecalcularaaplicando
estemismocriteriotomandocomolmite0,7.

(c) Criteriodelporcentajedelavarianza.EsunaalusindelAnlisisdeComponentesPrincipalesy
consisteentomarcomonmerodefactoreselnmeromnimonecesarioparaqueelporcentaje
acumuladodelavarianzaexplicadoalcanceunnivelsatisfactorio(75%,80%).
Tienelaventajadequesepuedeaplicartambincuandolamatrizanalizadaesladevarianzasy
covarianzas,peronotieneningunajustificacintericaoprctica.

(d) CriteriodeSedimentacin.Setratadelarepresentacingrficadondelosfactoresestnenel
ejedeabscisasylosvalorespropioseneldeordenadas.
Losfactoresconvarianzasaltassuelendiferenciarsedelosfactoresconvarianzasbajas.Se
puedenconservarlosfactoressituadosantesdeestepuntodeinflexin.
Ensimulacioneselcriteriohafuncionadobien,tieneelinconvenientedequedependedelojo
SantiagodelaFuenteFernndez13
 AnlisisFactorial
delanalista.

(e) Criteriodedivisinalamitad.Lamuestrasedivideendospartesigualestomadasalazaryse
realizaelAnlisisFactorialencadaunadeellas.
Soloseconservanlosfactoresquetienenaltacorrespondenciadecargasdefactoresenlasdos
muestras.Antesdeaplicarlo,convienecomprobarquenoexistendiferenciassignificativasentre
lasdosmuestrasenloqueserefierealasvariablesestudiadas.

PRUEBASDESIGNIFICACIN

Paraseleccionarelnmero,consisteenaplicarcontrastesdehiptesisdemodelosanidados.Este
criteriosepuedeutilizarsielmtodoempleadoparaestimarlosfactoreseseldemxima
verosimilitud.

Enlamayorpartedeloscasoexploratoriosknopuedeserespecificadoporadelantadoy,en
consecuencia,seutilizanprocedimientossecuencialesparadeterminark.

Secomienzausualmenteconk=1(valorpequeo),losparmetrosenelmodelofactorialson
estimadosutilizandoelmtododemximaverosimilitud.Sielestadsticodeltestnoessignificativo,
seaceptaelmodeloconestenmerodefactores,encasocontrario,seaumentak=2yserepiteel
procesohastaalcanzarunasolucinaceptable.

Elprincipalinconvenientedeestemtodoesqueestbasadoenresultadosasintticosyque,siel
tamaodelamuestraesgrande,secorreelriesgodetomarelvalorkexcesivamentegrande
puestoqueeltestdetectacualquierfactorporpequeoqueseasupoderexplicativo.

INTERPRETACINDELOSFACTORES

Lainterpretacindelosfactoressebasaenlascorrelacionesestimadasdelosmismosconlas
variablesoriginales.

ElmodelodeAnlisisFactorialescierto,siseverifica:

k
Corre(Xi , Fl ) = Cov(Xi , Fl ) = aij Cov(Fj , Fl ) i = 1, L , p ; l = 1, L , k
j=1

y,enparticular,silosfactoressonortogonales

Corre(Xi , Fl ) = ail i = 1, L , p ; l = 1, L , k

Comoseobserva,lamatrizdecargasfactoriales(A)tieneunpapelfundamentalenlainterpretacin.
Porotraparte,lascargasfactorialesalcuadrado (a2il ) indicansilosfactoressonortogonales,qu
porcentajedelavariableoriginal(Xi)esexplicadoporelfactorFl.

Aefectosprcticos,enlainterpretacindelosfactores,sealar:

Identificarlasvariablescuyascorrelacionesconelfactorsonlasmselevadasenvalorabsoluto.

SantiagodelaFuenteFernndez14
 AnlisisFactorial
Intentardarunnombrealosfactores.Elnombreseasignadeacuerdoconlaestructuradelas
correlaciones:Cuandoespositiva(resp.negativa)larelacinentreelfactorydichavariablees
directa(resp.inversa).
Analizandoconquvariablestieneunarelacinfuerteesposible,enmuchoscasos,teneruna
ideamsomenosclaradeculeselsignificadodeunfactor.

Unaayudaenlainterpretacindelosfactorespuedeserlarepresentacingrficadelos
resultadosobtenidos.Larepresentacinsehacetomandolosfactoresdosados.Cadafactor
representaunjedecoordenadas.Aestosejesselesdenominaejesfactoriales.
Sobrelosejesfactorialesseproyectanlasvariablesoriginales.
Lascoordenadasvienendadasporlosrespectivoscoeficientesdecorrelacinentrelavariabley
elfactor,deformaquelasvariablessaturadasenunmismofactoraparecenagrupadas.Esto
puedeservirdeayudaparadescubrirlaestructuralatentedeestefactor.

Lasvariablesalfinaldeunejesonaquellasquetienencorrelacionesaltassloenesefactory,
enconsecuencia,lodescriben.
Lasvariablescercadelorigentienencorrelacionesreducidasenambosfactores.
Lasvariablesquenoestncercadeningunodelosejesserelacionanconambosfactores.

Ordenarlamatrizfactorialdeformaquelasvariablesconcargasaltasparaelmismofactor
aparezcanjuntas.

Eliminarlascargasfactorialesbajasydeestemodosuprimirinformacinredundante.El
investigadordecideapartirdequvalordebeneliminarselascargasfactoriales.
Decaraaunamayorfacilidadinterpretativa,elinvestigadorpuedeordenarlamatrizfactorialy
eliminarlascargasfactorialesbajas.
Generalmente,setomacomosignificativaslascargassuperioresa0,5envalorabsoluto.Aunque,
sielfactoresmstardooelnmerodevariablesesgrande,seelevaelvalormnimodelacarga
factorialsignificativa.

Ejemplo.Enelmodelofactorialdefinido,setena:

matriz carg as
factoriales
64 4744 8
Ma 0,8 0,2 UMa

Fi 0,7 0,3 UFi
Qu 0,6 0,3 F U Ma = 0,8 F1 + 0,2F2 + UMa In = 0,2F1 + 0,8 F2 + UIn
= + Fi = 0,7F1 + 0,3F2 + UFi Hi = 0,15F1 + 0,82F2 + UIn
1 Qu

In 0,2 0,8 F2 UIn

Hi 0,15 0,82 U Qu = 0,6 F1 + 0,3F2 + UQu Di = 0,25F1 + 0,85F2 + UDi
Hi
Di 0,25 0,85 U
Di

Corr(Ma, F1 ) = Cov(Ma, F1 ) = Cov(0,8 F1 + 0,2F2 + UMa ) = 0,8 Var(F1 ) + 0,2 Cov(F2 , F1 ) + Cov(UMa , F1 ) = 0,8

Engeneral,como F1 F2 Lascorrelacionesdelascalificacionesdelostestcondichosfactores
vendrndadasporlascargasfactoriales.

SantiagodelaFuenteFernndez15
 AnlisisFactorial
Observandolamatrizdelascargasfactoriales,seapreciaqueelfactor F1 estmuyrelacionadocon
lavariablesMa,FiyQu,peropocorelacionadoconIn,HiyDi.Deotraparte,elfactor F2 estmuy
relacionadoconIn,HiyDiypococonlasrestantes.

Anlogamente,analizandolamatrizdecargasfactorialescorrespondientesalosfactores F1' y F2' :

0,71 0,42
Seobservaqueelfactor F1' estmuyrelacionadocontodaslasvariablesde
formadirectay,enconsecuencia,podrainterpretarsecomounfactorde 0,71 0,28
0,64 0,21
inteligenciageneral.
B=
0,71 0,42
Porsuparte,elfactor F2' destacaenlaaptitudverbal,alestarrelacionado 0,69 0,47

deformainversaconMa,FiyQu. 0,78 0,42

CabepreguntarseCuleslainterpretacinmscorrecta?.Tododependerdelateoraquesubyace
alproblemaquellevaralanalistaahacermshincapienunainterpretacinuotra.Decualquier
modo,tendrquevalidarelmodeloelegido.

ROTACINDELOSFACTORES

Lamatrizdecargasfactorialestieneunpapelimportanteparainterpretarelsignificadodelos
factores.Cuandolosfactoressonortogonalescuantificanelgradoytipodelarelacinentrestosy
lasvariablesoriginales.

Enlaprctica,losmtodosdeextraccindefactorespuedennoproporcionarmatricesdecargas
factorialesadecuadasparalainterpretacin.

ParaacometeresteproblemaestnlosprocedimientosdeRotacindeFactoresque,apartirdela
solucininicial,buscanfactorescuyamatrizdecargasfactorialesloshaganmsfcilmente
interpretables.

EstosmtodosintentanaproximarlasolucinobtenidaalPrincipiodeEstructuraSimple(LouisLeon
Thurstone,1935),segnelcuallamatrizdecargasfactorialesdebereunirtrescaractersticas:

1. Cadafactordebetenerunospocospesosaltosylosdemsprximosacero.

2. Cadavariablenodebeestarsaturadamsqueenunfactor.

3. Nodebenexistirfactoresconlamismadistribucin,estoes,dosfactoresdistintosdeben
presentardistribucionesdiferentesdecargasaltasybajas.

Deestamanera,dadoquehaymsvariablesquefactorescomunes,cadafactortendruna
correlacinaltaconungrupodevariablesybajaconelrestodelasvariables.

Alexaminarlascaractersticasdelasvariablesdeungrupoasociadoaundeterminadofactorse
puedenencontrarrasgoscomunesquepermitanidentificarelfactorydarleunadenominacinque
respondaaesosrasgoscomunes.
Siseconsigueidentificarclaramenteestosrasgos,ademsdereducirladimensindelproblema,
tambinsedesvelalanaturalezadelasinterrelacionesexistentesentrelasvariablesoriginales.
SantiagodelaFuenteFernndez16
 AnlisisFactorial

Rotacin Ortogonal
ExistendosformasbsicasderealizarlaRotacindeFactores:
Rotacin Oblicua

Seeligeunouotroprocedimientosegnquelosfactoresrotadossigansiendoortogonalesono.

Sealarqueenambasrotacioneslacomunalidaddecadavariablenosemodifica,estoes,larotacin
noafectaalabondaddelajustedelasolucinfactorial:aunquecambielamatrizfactorial,las
especificidadesnocambiany,enconsecuencia,lascomunidadespermaneceninvariantes.Sin
embargo,cambialavarianzaexplicadaporcadafactor,portanto,losnuevosfactoresnoestn
ordenadosdeacuerdoconlainformacinquecontienen,cuantificadamediantesuvarianza.

RotacinOrtogonal.Losejesserotandeformaquequedepreservadalaincorrelacinentrelos
factores.Esdecir,losnuevosejes(ejesrotados)sonperpendicularesdeigualformaqueloson
losfactoressinrotar.
Larotacinseapoyaenelproblemadefaltadeidentificabilidaddelosfactoresobtenidospor
rotacionesortogonales,deformaquesiTesunamatrizortogonalcon T T' = T' T = I ,entonces:

X = F A' + U = F T T'A' + U = GB' + U

LamatrizGgeomtricamenteesunarotacindeF,verificandolasmismashiptesisquesta.

Realmenteloqueserealizaesungirodeejes,deformaquecambianlascargasfactorialesylos
factores.

SetratadebuscarunamatrizTtalquelanuevamatrizdecargasfactorialesBtengamuchos
valoresnulosocasinulos,yunospocosvalorescercanosalaunidaddeacuerdoconelprincipio
deestructurasimple.

Losmtodosempleadosenlarotacinortogonaldefactoresson:Varimax,Quartimax,Equamax,
ObliminyPromax.

MtodoVarimax.Esunmtododerotacinqueminimizaelnmerodevariablesconcargas
altasenunfactor,mejorandoaslainterpretacindefactores.

Elmtodoconsideraque,siselograaumentarlavarianzadelascargasfactorialesalcuadradode
cadafactorconsiguiendoquealgunasdesuscargasfactorialestiendanaacercarsea1mientras
queotrasseaproximana0,seobtieneunapertenenciamsclaraeinteligibledecadavariableal
factor.

Losnuevosejesseobtienenmaximizandolasumaparaloskfactoresretenidosdelasvarianzas
delascargasfactorialesalcuadradodentrodecadafactor.

Paraevitarquelasvariablesconmayorescomunalidadestenganmspesoenlasolucinfinal,se
efectalanormalizacindeKaiser(dividiendocadacargafactorialalcuadradoporla
comunalidaddelavariablecorrespondiente).

SantiagodelaFuenteFernndez17
 AnlisisFactorial
Enconsecuencia,elmtodoVarimaxdeterminalaMatrizBdeformaquemaximicelasumadelas
varianzas:

2 2
kb pk p b2
V = p ij 2ij
i=1 j=1 h
i=1 j=1 h j j

MtodoQuartimax.Elobjetivoesquecadavariabletengacorrelacioneselevadasconun
pequeonmerodefactores.Paraello,maximizalavarianzadelascargasfactorialesalcuadrado
decadavariableenlosfactores,esdecir,setratademaximizarlafuncin:

S = k (b b )
p p
1 k 2
2
ij
2
i donde , b2i = bij
k j=1
i=1 j=1

Conello,selograquecadavariableconcentresupertenenciaenundeterminadofactor,estoes,
presenteunacargafactorialaltamientrasque,enlosdemsfactores,suscargasfactoriales
tiendenaserbajas.

Deestemodo,lainterpretacinganaenclaridadporcuantolacomunalidadtotaldecadavariable
permanececonstante,quedandomsevidentehaciaqufactorseinclinaconmsfuerzacada
variable.

Elmtodosermsclarificador,cuantomayornmerodefactoressehayancalculado.Este
mtodotiendeaproducirunprimerfactorgeneral,conocidoconelnombredetamao,yel
restodefactorespresentanponderacionesmenoresquelasdadasporelmtodoVarimax.

MtodoEquamax.Tratademaximizarlamediadeloscriteriosanteriores.Conun
comportamientosimilaraldelosmtodosanteriores.

Rotacinoblicua.EnestecasolamatrizTderotacinnotienequeserortogonal(cuando
unamatrizmultiplicadaporsutranspuestaeslamatrizidentidad T T' = I )sinonicamenteno
singular(matrizcuadradocuyodeterminantenoescero)

Deestamanera,losfactoresrotadosnotienenporquserortogonalesytener,portanto,
correlacionesdistintasdeceroentres.

Larotacinoblicuapuedeutilizarsecuandoesprobablequelosfactoresenlapoblacin
tenganunacorrelacinmuyfuerte.

Esnecesarioirconmuchaatencinenlainterpretacindelasrotacionesoblicuas,puesla
superposicindefactorespuedeconfundirlasignificacindelosmismos.

Deestaforma,elanlisisganamsflexibilidadyrealismoperoariesgodeperderrobustez,porlo
queconvieneaplicarestosmtodossielnmerodeobservacionesporfactoreselevada.

SantiagodelaFuenteFernndez18
 AnlisisFactorial

Ejemplo.Enelmodelofactorialdefinido,setena:

matriz carg as
factoriales
64 4744 8
Ma 0,8 0,2 UMa

Fi 0,7 0,3 UFi
Qu 0,6 0,3 F U Ma = 0,8 F1 + 0,2F2 + UMa In = 0,2F1 + 0,8 F2 + UIn
= + Fi = 0,7F1 + 0,3F2 + UFi Hi = 0,15F1 + 0,82F2 + UIn
1 Qu

In 0,2 0,8 F2 UIn

Hi 0,15 0,82 U Qu = 0,6 F1 + 0,3F2 + UQu Di = 0,25F1 + 0,85F2 + UDi
Hi
Di 0,25 0,85 U
Di

'' 4 1
F = F1 + F2
1 17 F1 = 4 17 F1
'' 17 1
Sisedefinenlosfactores: 17
F2'' =
1
F1 +
4
F2
F'' 1
2 17 4 17 F2
17 17

8
Corr(F1'' , F2'' ) = = 0,47 0 a Losnuevosfactoresestarncorrelacionados.
17
4 17 '' 17 ''
F1'' 4 17 1 17 F1
15 4 17 1 17 F1 F1
'' F1 = F1 F2
= = 15 15
F'' 1
2 17 4 17 F2 17 1 17 4 17 F2'' F2 F = 17 F'' + 4 17 F''
2 15
1
15
2

dedonde,

4 17 '' 17 '' 17 '' 4 17 ''

Ma = 0,8 F1 + 0,2F2 + UMa = 0,8 F1 F2 + 0,2 F1 + F2 + UMa = 0,82 F1'' + 0 F2'' + UMa
15 15 15 15

4 17 '' 17 '' 17 '' 4 17 ''

Fi = 0,7F1 + 0,3F2 + UFi = 0,7 F1 F2 + 0,3 F1 + F2 + UFi = 0,69 F1'' + 0,14 F2'' + UFi
15 15 15 15

yassucesivamente.
4 17 17

15 4 17 1 17 15 15
Enestecaso,setienequelamatrizderotacin: T = =
17 1 17 4 17 17 4 17

15 15
matriz de c arg as
factoriales
6447448
0,82 0,00

0,69 0,14
0,58 0,17
Lamatrizdeconfiguracin: B =
0,00 0,82
0,06 0,86

0,04 0,87

SantiagodelaFuenteFernndez19
 AnlisisFactorial

Lamatrizdelaestructuraseraquellaquecontienelascorrelacionesdelasvariablesoriginalescon
losnuevosfactores:
matriz estructura
64 4744 8
0,82 0,00 0,82 0,39

0,69 0,14 0,76 0,46
0,58 0,17 1 8 / 17 0,66 0,44
=
0,00 0,82 8 / 17 1 0,39 0,82
0,06 0,86 0,34 0,83

0,04 0,87 0,45 0,89

Seobservadenuevoque F1'' sepuedeinterpretardenuevocomounfactordondedestacaen

(Matemticas,FsicayQumica),mientrasque F2'' destacaen(Ingls,HistoriayDibujo),adiferencia
delosfactores F1 y F2 quesonincorrelados,enestanuevaestimacinambosfactorestienenuna
correlacinpositivasignificativa,loqueproporcionamsrealismoalanlisisrealizado.

k
p p

MtodoOblimin.Buscaminimizarlaexpresin: b2is b2iq + (1 ) (b2is bs2 )(b2is bs2 )
s<q=1 i=1 i=1

k p
b2is b2iq controlalainterpretabilidaddelosfactores
s<q=1 i=1

k p
(b2is bs2 )(b2is bs2 ) controlalaortogonalidaddelosfactores
s<q=1 i=1

o Para = 1 sealcanzaelmximogradodeoblicuidad.
o Cuntomsseaproximaa0,msortogonalessonlosfactores.

Enlarotacinoblicua,comolosfactoresestncorrelacionadosentres,lascargasfactorialesno
coincidenconlascorrelacionesentreelfactorylavariable.

Porrestemotivo,lospaquetesestadsticoscalculandosmatrices:

Lamatrizdecargasfactorialesquemuestralacontribucinnicadecadavariablealfactor.

Lamatrizdeestructurafactorialquemuestralascorrelacionesentrelosfactoresylas
variables,mostrandoinformacinacercadelacontribucinnicaydelascorrelacionesentre
factores.

Ademsdeestasdosmatrices,convieneanalizarlamatrizdecorrelacionesentrefactores.
SantiagodelaFuenteFernndez20
 AnlisisFactorial
Silascorrelacionesentrelosfactoressonmuypequeasesmsrobustoaplicarrotaciones
ortogonales.

Deotraparte,sidosfactoresestnmuycorrelacionadospuedeserporqueestnmidiendoelmismo
conceptoyque,portanto,hayaquereducirelnmerodefactores.

MtodoPromax.Alteralosresultadosdeunarotacinortogonalhastacrearunasolucincon
cargasfactorialeslomsprximasalaestructuraideal.

Laestructuraidealseobtieneelevandoaunapotencia(entre2y4)lascargasfactoriales
obtenidasenunarotacinortogonal.Cuantomayorsealapotencia,msoblicuaeslasolucin
obtenida.

SeaHlamatrizdecargasbuscadaporelmtodoPromax,buscaunamatrizTtalque A T = H .

Multiplicandoambosmiembrosporlamatriz (A' A)1 A' ,setiene: T = (A' A)1 A' H

CLCULODEPUNTUACIONESFACTORIALES

Habiendodeterminadolosfactoresrotados,secalculalasmatricesdepuntuacionesfactorialesF.

Sonvariadaslasposibilidadesdeanalizarlaspuntuacionesfactorialesdelossujetos:

Conocerqusujetossonlosmsrarosoextremos,esdecir,larepresentacingrficadelas
puntuacionesfactorialesparacadapardeejesfactorialesfacilitadetectarcasosatpicos.

Conocerdndeseubicanciertosgrupososubcolectivosdelamuestra(ejemplo;clasealtafrente
aclasebaja,unaprovinciafrentealasotrasprovincias,jvenesfrenteamayores,etc.)

Conocerenqufactorsobresalenunossujetosynqufactorno.

Explicar,atendiendolasinformacionesanteriores,porquhanaparecidodichosfactoresenel
anlisisfactorialrealizado.

Esnecesarioconocerlosvaloresquetomanlosfactoresencadaobservacin,puesenocasiones,el
AnlisisFactorialesunpasoprevioaotrosanlisis:RegresinMltipleoAnlisisCluster,enlosque
sustituyeelconjuntodevariablesoriginalesporlosfactoresobtenidos.

MtodosdelClculodelasPuntuaciones.ExistendiversosmtodosdeestimacindelamatrizF,
laspropiedadesdeseablesqueverificasenlosfactoresestimadosson:

Cadafactorestimadopresenteunacorrelacinaltaconelverdaderofactor.

Cadafactorestimadotengacorrelacinnulaconlosdemsfactoresverdaderos.

Losfactoresestimadossonincorreladosdosados(mutuamenteortogonalessisonortogonales).

SantiagodelaFuenteFernndez21
 AnlisisFactorial
Losfactoresestimadosseanestimadoresinsesgadosdelosverdaderosfactores.

Sealarqueelproblemadeestimacinescomplejoporlapropianaturalezadelosfactores
comunes.Sepuededemostrarquelosfactoresnoson,engeneral,combinacinlinealdelas
variablesoriginales.

Porotraparte,enlamayoradelassituaciones,noexistirunasolucinexactanisiquierasernica.

Todoslosmtodosdeobtencindepuntuacionesfactorialespartendelaexpresin X = F A'+U ,con

E[U] = 0, Var[U] = ,buscandoestimarelvalordeF.

Losmtodosdeestimacinmsutilizados:Regresin,Barlett,AndersonRubin

MtododeRegresin.EstimaFporelmtododelosmnimoscuadrados: F = (A' A)1 A' X

MtododeBarlett.Utilizaelmtododelosmnimoscuadradosgeneralizadosestimandolas
puntuacionesfactorialesmediante: F = (A' 1 A)1 A' 1 X

MtododeAndersonRubin.EstimaFmedianteelmtododelosmnimoscuadrados
generalizados,imponiendolacondicin F'F = I

F = (A' 1 R 1 A)1 A' 1 X

Anlisisdelostresmtodos:

ElMtododeRegresindalugarapuntuacionesconmximacorrelacinconlaspuntuaciones
tericas.Sinembargo,elestimadornoesinsesgado,niunvocoy,encasodequelosfactores
seanortogonales,puededarlugarapuntuacionescorreladas.

ElMtododeBarlettdalugarapuntuacionescorreladasconlaspuntuacionestericas,insesgadas
yunvocas.Sinembargo,encasodequelosfactoresseanortogonales,puededarlugara
puntuacionescorreladas.

ElMtododeAndersonRubindalugarapuntuacionesortogonalesqueestncorreladasconlas
puntuacionestericas.Sinembargo,elestimadornoesinsesgadoniunvoco.

SeleccindeVariables.Elinvestigadorenocasionesdeseaseleccionarlasvariablesms
representativasdelosfactores,enlugardecalcularsuspuntuaciones.

Porejemplo,siseutilizaelAnlisisFactorialparareducirelnmerodedatos,porrazonesde
economa,sisequierenaplicarlosresultadosobtenidosaobjetosdiferentesdelosestudiadosenel
anlisis,esmsinteresanteseleccionaralgunasdelasvariablesoriginalmentemedidasdadala
dificultaddelclculodelaspuntuacionesfactorialesparalasquesenecesitaramedirtodaslas
variablesutilizadasenelestudio.

SantiagodelaFuenteFernndez22
 AnlisisFactorial
Unaformadellevaracabolaseleccindevariablesesestudiarlamatrizdecorrelacionesdelas
variablesconlosfactores,seleccionandocomorepresentantedecadafactorlavariableconla
correlacinmselevadaenste,queseamsfcildemediryquetengamssentidodesdeunpunto
devistaterico.

Encualquiercaso,convieneelegirlasvariablesdeformaqueunamismavariablenoseutilicepara
medirdosfactoresdistintos.

Unavezelegidaslasvariables,selesasignapesosbasadosensucorrelacinconelfactor,yse
compruebasuvalidezestimandosucorrelacinconlosfactoresquedeseaestimarmediantela
frmula Rfs = A' W diag(Rss ) donde Rss eslamatrizdecorrelacionesdelaspuntuacionesestimadas.

VALIDACINDELMODELO.ElltimopasoenelAnlisisFactorialesestudiarlavalidezdelmodelo.
Elprocesodeberealizarseendosdirecciones:AnalizandolabondaddeajusteylaGeneralidaddelos
resultados.

BondaddeAjuste.UnasuposicinbsicasubyacentealAnlisisFactorialesquelacorrelacin
observadaentrelasvariablespuedeatribuirseafactorescomunes.

Porconsiguiente,lascorrelacionesentrevariablespuedendeducirseoreproducirseapartirdelas
correlacionesestimadasentrelasvariablesylosfactores.

Afindedeterminarelajustedelmodelo,puedenestudiarselasdiferencias(residuos)entrelas
correlacionesobservadas(matrizdecorrelacindeentrada)ylascorrelacionesreproducidas(como
seestimanapartirdelamatrizfactorial).

Elmodelofactorialesadecuadocuandolosresiduossonpequeos.
Sihayunporcentajeelevadoderesiduossuperioresaunacantidadpequeaprefijada(por
ejemplo,0,05),serunaindicacindequeelmodelofactorialestimadonoseajustaalosdatos.

Sesabeademsquehaymsestabilidadenlosresultadossielnmerodecasosporvariablees
alto.

Generalidaddelosresultados.Esconvenienterefrendarlosresultadosdelprimeranlisisfactorial
realizandonuevosanlisisfactorialessobrenuevasmuestrasextradasdelapoblacinobjetode
estudioy,encasodenoserposible,sobresubmuestrasdelamuestraoriginal.

Encadacasohabrqueestudiarqufactoresdeloscalculadossoncorroboradosenlosdistintos
anlisisllevadosacabo.

Otraposibilidadesrealizarnuevosanlisisfactorialesmodificandolasvariablesconsideradas,bien
seaeliminandoaquellasvariablesquenotienenrelacinconningnfactoroeliminandolas
variablesconrelacionesmsfuertestratandodedescubrircmosecomportaelrestodeellassin
supresencia.

Otrodelosprocedimientosmetodolgicosyestadsticosquecomplementanyprofundizanlas
interpretacionesquesededucendelanlisisfactorialconsisteenlarealizacindeotrosanlisis
factorialesenbase,noalconjuntototaldelamuestraopoblacin,sinoreferidoasubcolectivoso
gruposqueestnpresentesenlamuestrayquepuedenformarseutilizandolascategorasdelas
SantiagodelaFuenteFernndez23
 AnlisisFactorial
variablesprimarias(sexo,clasesocial,tipodecentro,tipodemetodologapedaggica,tiposde
actitud,etc.).
Loquesedesprendedelostrabajoseinvestigacionesquehanutilizadoesteprocedimientoesque
generalmentelainterpretacinquesedayqueesvlidaparaelconjuntototaldesujetosdebe
modificarse,enalgunoscasossustancialmente,cuandoserefiereaesossubcolectivos.Encasode
seras,sederivaunadobleconclusin:

(a) LasvariablessecomportanenelAnlisisFactorialdedistintaformasegndequmuestra
setrate.

(b) Noexisteelsujetotiposinoqueexistendiferentestiposdesujetosenlamuestraglobal.

Finalmente,sedeberaplantearunAnlisisFactorialConfirmatorioparacomprobarlosresultados
obtenidosenlaversindeAnlisisFactorialExploratorio.

Resumen.ElAnlisisFactorialesunatcnicaestadsticamultivariantecuyafinalidadesanalizarlas
relacionesdeinterdependenciaexistentesentreunconjuntodevariables,calculandounconjuntode
variableslatentes,denominadasfactores,queexplicanconunnmeromenordedimensiones,
dichasrelaciones.

Porestemotivo,elAnlisisFactorialesunatcnicadereduccindedatosconunnmeromenorde
variablessindistorsionardichainformacin,loqueaumentaelgradodemanejoeinterpretacinde
lamisma.

SantiagodelaFuenteFernndez24
 AnlisisFactorial
Ejemplo.Losdatosadjuntoscorrespondenalamedicinde17humedalesendeterminadapoca
delao.Lasvariablesmedidashansido:

1. X1:Conductividadelctrica
6.X6:Contenidoenmagnesio
2. X2:Contenidoenbicarbonatos
7.X7:Contenidoensodio
3. X3:Contenidoencloruros
8.X8:Contenidoenpotasio
4. X4:Contenidoensulfatos
9.X9:Contenidoenfosfatos
5. X5:Contenidoencalcio

Humedal X1 X2 X3 X4 X5 X6 X7 X8 X9
Caja 0,315 1,6694 5 86 55 4 4 2 1,8082
Camuas 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
FPSalinas 11 1,2206 3038 923 233 226 1488 11 0,0645
FPVicaria 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
Lobn 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

Lasvariablesestnmedidasendistintasunidades,teniendoquetipificarensumomento
PararealizarenSPSSelAnlisisFactorialporelmtododeComponentesPrincipales:
[Analizar/ReduccindeDatos/AnlisisFactorial]

SantiagodelaFuenteFernndez
25
 AnlisisFactorial

Enelbotn[Extraccin]sepuedecambiarlaopcindemtododeseado,SPSSrealizapordefectoel
mtododeComponentesprincipales.Losmtodosdisponiblesson:Componentesprincipales,
Mnimoscuadradosnoponderados,Mnimoscuadradosgeneralizados,Mximaverosimilitud,
FactorizacindeEjesprincipales,FactorizacinAlfayFactorizacinImagen.

Loprimeroqueserealizaesdeterminarla
estructurafactorialnecesaria,enlaopcin[Extraer]
seutilizaelmtododeKaiserquedeterminatantos
factorescomoautovaloresmayoresque1.Esel
mtodopordefectoquerealizaSPSS.

LaregladeKaiserproporciona
unaestructurafactorialcontres
factoresqueexplicanel81,946%
delavarianzatotal.

Noobstante,elcuartovalorseencuentramuyprximoa1,proporcionaunfactorquedeterminael
10,963%delavarianza,porloquesedecideincluirlotambinenlaestructurafactorial.

Finalmente,seeligeunaestructurafactorialdecuatrofactoresqueexplicaranel92,639%dela
varianza.EstadecisinseobservatambinenelGrficodeSedimentacin:

SantiagodelaFuenteFernndez
26
 AnlisisFactorial
ElanlisisseenfocaenlasComunalidades(quemuestranqueporcentajedecadavariablees
explicadoporlanuevaestructurafactorial),yenlamatrizdeComponentesdelanuevaestructura
(eliminandolosvaloresmenoresde0,3).

Paraello,enelbotn[Extraccin]se
eligen4factores

Enelbotn[Opciones]seeligeOrdenarlascoeficientespor
tamaoySuprimirvaloresabsolutosmenoresque0,3.

ElVisordeSPSSpresenta:

LasComunalidadessonmuyaltas,loqueimplicaquetodaslasvariablesestnmuybien
representadasenelespaciodelosfactores(laComunalidadrepresentaelcoeficientedecorrelacin
linealmltipledecadavariableconlosfactores).

Laestructurafactorialnoestmuyclaraenprincipio,yaquediversosfactorescompartenvariables.

SantiagodelaFuenteFernndez
27
 AnlisisFactorial
Porejemplo,lavariablePotasio(X8)estrelacionadaconlosfactoressegundo,terceroycuarto.La
variableFosfatos(X9)aparecetantoenelsegundofactorcomoeneltercero.Lomismoocurrepara
lasvariablesSulfatos(X4)yCalcio(X5)respectoalosejesprimeroytercero.

Grficamenteserepresentanlasvariablesenel
planodelosfactores(primero,tercero).Paraello,
enelbotn[Rotacin]seeligelaopcin
Grficosdesaturaciones.

EnelVisordeSPSSsaleelGrficodecomponentestridimensionaldelosfactores:

HaciendodosclickenelGrfico,obienconelbotndelaizquierdadelratnseleccionandoObjeto
GrficodeSPSS,seseleccionaPropiedades,yseeligenlasVariablesquesedeseanrepresentar.

Seobservaquelasdosvariables(Sulfatos,
Calcio)formanunnguloprximoa45o
concadaeje,locualnopermite
asociarlasaningunodeellos(las
saturacionesrepresentanenestecasolas
correlacionesdelasvariablesconcada
ejeyporlotantoelcosenodelnguloque
formanconellos).
Almismotiempo,lavariableBicarbonato
estacercadelejedecoordenadas,indica
quenoestrelacionadaconningunode
losdosejes.

SantiagodelaFuenteFernndez
28
 AnlisisFactorial

Conlaideadeclarificarlaestructurafactorialsinperder
poderexplicativo,serealizaunarotacindeejes.Seeligeel
botn[Rotacin]yelmtodoVarimax(mtododerotacin
ortogonalqueminimizaelnmerodevariablesquetienen
saturacionesaltasencadafactor).
Lainterpretacinsimplificadelosfactoresoptimandola
solucinporcolumnaproducelasiguientematrizde
componentes(lascomunalidadesnovaran):

Factor1:AsociadoalasvariablesdeCloruros,Sodio,ConductividadElctricayenmenorproporcin
aMagnesio.Tieneunpoderexplicativodel44,291%delavarianzatotal(elporcentajedeinerciase
refierealosejesquesehanobtenidoenprimerlugarynotienenporqucoincidirconlos
porcentajesdeinerciaunavezrotados,aunquescoincideconeltotalexplicado,SSPSmuestrael
porcentajeenlarotacinVarimax:32,471%,29,308%,18,144%y12,716%).

LavariableConductividadElctricaquedaexplicadaporeltotaldelosfactoresenun93,6%
(Comunalidad0,936),mientrasquerepresentael84,08%(0,9172=84,08%)delavarianzatotal,
esdecir,el89,83%(0,8408/0,936=89,83%)deltotaldelespaciodelosfactores.

LaestructurafactorialcompletadeterminaalavariableClorurosunavarianzatotalde94,28%,
estoes,el98,31%deltotaldelespaciodelosfactores.

SantiagodelaFuenteFernndez
29
 AnlisisFactorial
LavariableSodiotieneunaComunalidadde0,951,conun95,1%delavarianzaexplicada
(89,11%porestefactory93,7%enelespaciodelosfactores).

LavariableMagnesioquedaexplicadaporlaestructurafactorialenun92%,conmenoscarga
factorialquelasanteriores(0,447),loquerepresentacasiel20%desuvarianza(21,71%enla
estructurafactorial).

Factor2:AsociadoalasvariablesCalcio,SulfatosyMagnesio.Conunpoderexplicativode20,448%
deinercia.

LavariableMagnesio,representadaporunaestructurafactorialde92%(Comunalidadde0,92),
estmsrepresentadaporestefactor,susaturacin(cargafactorial)esde0,845,conloque
representael0,8452=71,40%desuvarianzatotal,esdecirel77,61%(0,714/0,92=77,61%)de
laexplicadaportodoslosfactores.

LavariableSulfatosquetieneunaComunalidadde0,93,unasaturacinde0,927,esexplicada
poresteejeconun85,93%(0,9272=0,8593),loqueesun92,4%enelespaciodelosfactores
(0,8593/0,93=92,397%).

LavariableCalcio,conunaComunalidadde0,915(representael91,5%),tieneunacarga
factorialde0,939,porloqueel88,17%desuvarianzatotal[0,9392=88,17%]viene
representadaporesteeje(96,36%deloexplicadoporlaestructurafactorialtotal
0,8817/0,915=96,36%)

Factor3:AsociadoalasvariablesPotasioyFosfatos,conunporcentajedeinerciaexplicadadel
17,207%.(18,144%conejesrotados).

LavariablePotasio,conunaComunalidadde0,922,yestefactoraportael89,68%,esdecir,un
97,27%deloexplicadoporlaestructurafactorial.

LavariableFosfatosestrepresentadaenelespaciodelosfactoresporunaComunalidadde
0,864,queatribuiblealtercerfactoresel65,55%,conunasaturacinde0,834,estoes,el80,5%
delespaciodelosfactores.

Factor4:RepresentadoprincipalmenteporlavariableBicarbonato,representadaporunaestructura
factorialde94,2%(Comunalidadde0,942),tieneunacargafactorialde0,956.Lavarianzaexplicada
porelfactores91,39%,loqueequivaleal97,02%delodeterminadoporloscuartofactores.

LaestructurafactorialhaquedadoclarificadaysolamentelavariableMagnesioparecequecomparte
partedesuvarianzacondosfactores.Elsiguientepasoserainterpretarentrminosgeolgicosel
significadodelosfactores,osea,intentarresumirelporquseunenesasvariableseinclusointentar
darunnombreacadafactor.

SantiagodelaFuenteFernndez
30
 AnlisisFactorial

Apartirdeunamatrizdecorrelaciones,elAnlisisFactorialextraeotramatrizquereproducela
primeradeformamssencilla.Estanuevamatrizsedenominamatrizfactorialyadoptalasiguiente
forma:
1 2
1 P11 P21
2 P12 P22
3 P13 P23
.. .. ..
l P1l P2l

Cadacolumnaesunfactoryhaytantasfilascomovariablesoriginales.

LoselementosPijpuedeninterpretarsecomondicesdecorrelacinentreelfactorisimoyla
variablejsima,aunqueestrictamenteslosoncorrelacionescuandolosfactoresnoestn
correlacionadosentres,esdecir,sonortogonales.
Estoscoeficientesrecibenelnombredepesos,cargas,ponderacionesosaturacionesfactoriales.Los
pesosfactorialesindicanelpesodecadavariableencadafactor.Loidealesquecadavariablecargue
altoenunfactorybajoenlosdems.

Eigenvalues

Elcuadradodeunacargafactorialindicalaproporcindelavarianzaexplicadaporunfactorenuna
variableparticular.

Lasumadeloscuadradosdelospesosdecualquiercolumnadelamatrizfactorialesloque
denominamoseigenvalues(),indicalacantidadtotaldevarianzaqueexplicaesefactorparalas
variablesconsideradascomogrupo.

Lascargasfactorialespuedentenercomovalormximo1,portantoelvalormximoquepuede
alcanzarelvalorpropioesigualalnmerodevariables.

Sidividimoselvalorpropioentreelnmerodevariablesnosindicalaproporcindelasvarianzade
lasvariablesqueexplicaelfactor.

1 = P112 + P122 + P132 + L + P12j 1

var ianza exp licada por primer factor
2 = P21 + P22 + P23 + L + P2 j
2 2 2 2
n

2
var ianza exp licada por segundo factor
i = Pi1 + Pi2 + Pi3 + L + Pij
2 2 2 2
n

Comunalidades

SedenominaComunalidadalaproporcindelavarianzaexplicadaporlosfactorescomunesenuna
variable.

LaComunalidad(h)eslasumadelospesosfactorialesalcuadradoencadaunadelasfilas.
ElAnlisisFactorialcomienzasusclculosapartirdeloqueseconocecomomatrizreducida
compuestaporloscoeficientesdecorrelacinentrelasvariablesyconlascomunalidadesenla
diagonal.

SantiagodelaFuenteFernndez
31
 AnlisisFactorial

Comolacomunalidadnosepuedesaberhastaqueseconocenlosfactores,esteresultaserunodelos
problemasdelAnlisisFactorial.

EnelAnlisisdeComponentesPrincipalesnosesuponelaexistenciadeningnfactorcomnla
comunalidadtomacomovalorinicial1.

Enlosotrosmtodosseutilizandiferentesmodosdeestimarlacomunalidadinicial:

Estimandolacomunalidadporlamayorcorrelacinenlafilaisimadelamatrizdecorrelaciones.
Estimandolacomunalidadporelcuadradodelcoeficientedecorrelacinmltipleentrexylas
demsvariables.(SPSSpordefecto).
Elpromediodeloscoeficientesdecorrelacindeunavariablecontodaslasdems.
Calculandoapartirdelosdoscoeficientesdecorrelacinmayoresdeesavariablelasiguiente
r r
operacin: h2 = xy xz
ryz
Lacomunalidadfinaldecadavariablevienedadapor: h2 = P12j + P22j + L + Pkj2

LaGrficatridimensionaldelasvariablesenelespaciodelosfactorespermitenvisualizarla
estructurafactorial

matrizdelascargasfactorialescorrespondientesalosfactores

SantiagodelaFuenteFernndez
32