AnlisisFactorial

SantiagodelaFuenteFernndez
AnlisisFactorial
SantiagodelaFuenteFernndez
AnlisisFactorial
SantiagodelaFuenteFernndez1
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:
1Melopasomuybienenmicasa,conmispadres
Muydeacuerdo=5
Deacuerdo=4
..
2Algunasvecesmegustaramarcharmedemicasa
Muydeacuerdo=1
Deacuerdo=2

Lavarianza
2
decadatemindicaladiferenciaquecreaenlasrespuestas.Sitodos
respondieranlomismolavarianzaseracero,nohabradiferencias.Silamitadestuvieramuy
agustoensucasaylaotramitadmuyadisgusto,lavarianzaseramxima.
AnlisisFactorial
SantiagodelaFuenteFernndez2
Cadatemovariabletienesuvarianza(diferenciasenlasrespuestas),lavarianzadecada
tempuedesercompartidaconlavarianzadeotrostems:Algunosindividuosencuestados
estnmuybienensucasaconsuspadres(tem1)ynuncapiensanirsedesucasa(tem2).
Otrosindividuosrespondernconotrasvariaciones.Enestecaso,lasrespuestassealadaa
estosdostemssoncoherentesconelsignificadopretendidodelosdostems,comparten
varianzaporquelosdostemsestnrelacionadospositivamente(estoybienencasa,nome
quieroir).
EstarelacinvieneexpresadaporelcoeficientedecorrelacinrdePearson,donder
2
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:
VarianzaTotal =
Varianzacompartida
ocomn
+
Varianzaespecfica
decadavariable
+
Varianzadeerrores
demedicin
Uniendolavarianzaespecficaconlavarianzadebidaaerroresdemedicin(todalavarianzanicao
nocompartidadecadatemovariable),setiene:
VarianzaTotal =
Varianzacompartida
ocomn
+
Varianzadeerrores
demedicin
QuhaceelAnlisisFactorial?
Seencargadeanalizarlavarianzacomnatodaslasvariables.Partiendodeunamatrizde
correlaciones,tratadesimplificarlainformacinqueofrece.Seoperaconlascorrelacioneselevadas
alcuadrador
2
(coeficientesdedeterminacin),queexpresanlaproporcindevarianzacomnentre
lasvariables.
Encadacasilladelamatrizdecorrelacionessereflejalaproporcindevarianzacomnadostemso
variables,exceptoenladiagonalprincipal(dondecadatemcoincideconsigomismo).Enlos1dela
diagonalprincipalsereflejalavarianzaquecadatemovariablecomparteconlosdemsytambin
losquenocomparte(laespecficaonicadecadatem).
Sisedeseaanalizarexclusivamentelavarianzacompartidahabrqueeliminarlosunosdelamatriz
decorrelacionesyponerensulugarlaproporcindevarianzaquecadatemtieneencomncon
todoslosdems.
AnlisisFactorial
SantiagodelaFuenteFernndez3
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:
a
1
a+b
1
b+c
1
c+....=TotalenelFactor1
a
2
a+b
2
b+c
2
c+....=TotalenelFactor2
....................................................................
a
n
a+b
n
b+c
n
c+....=TotalenelFactorn
a
1
eselpesoespecficodeltemaenelFactor1
a
2
eselpesoespecficodeltemaenelFactor2
............................................................................
a
n
eselpesoespecficodeltemaenelFactorn
Lasnuevaspuntuacionessonlaspuntuacionesfactorialesofactorscores.
Lospesospuedensergrandesopequeos,positivosonegativos.Generalmente,encadafactorhay
temsconpesosgrandesyotrosprximosacero;lostemsquemspesanencadafactorsonlosque
lodefinen.
Lavarianza(diversidad)detodaslasnuevasmedidasequivalealavarianzadelamedidaoriginal(no
atoda,perosalamximaqueesposibleexplicar);estosfactoresindicanlasfuentesdevarianza;si
haydiferenciasenlamedidaoriginalesporquelashayenestasnuevaspuntuaciones.
AnlisisFactorial
SantiagodelaFuenteFernndez4
Elanlisisfactorialsereducealabsquedadeestospesosparalocalizarmedidasdistintasapartirde
lasvariablesoriginales,ydemaneraque,apoderser,entretodaslasnuevasmedidasagoteno
expliquentodalavarianzapresenteenlasvariablesoriginales.
ESQUEMADEUNANLISISFACTORIAL:
FORMULACINDELPROBLEMA

ANLISISDELAMATRIZDECORRELACIN

EXTRACCINDEFACTORES

DETERMINACINDELNMERODEFACTORES

ROTACINDEFACTORES

INTERPRETACINDEFACTORES

VALIDACINDELMODELO

CLCULODEPUNTUACIONES
FACTORIALES
SELECCINDELAS
VARIABLESREPRESENTATIVAS

ANLISISPOSTERIORES:REGRESIN,CLUSTER...
ModelodelAnlisisFactorial
Sean(X
1
,X
2
,,X
p
)laspvariablesobjetodeanlisisquesupondremosentodoloquesigue,que
estntipificadas.Sinoloestuvieranelanlisisserealizaradeformasimilarperolamatrizutilizada
paracalcularlosfactoresnoseralamatrizdecorrelacinsinoladevarianzasycovarianzas.
Elinvestigadormideestasvariablessobrenindividuos,obtenindoselasiguientematrizdedatos:
Variables
Sujetos X
1
X
2 X
p
ElmodelodelAnlisisFactorialviene
dadohabitualmenteporlasecuaciones:
1 x
11
x
12 x
1p
2 x
21
x
22 x
2p

n x
n1
x
n2 x
np
X
1
=a
11
F
1
+a
12
F
2
++a
1k
F
k
+u
1
X
2
=a
21
F
1
+a
22
F
2
++a
2k
F
k
+u
2
..................
X
p
=a
p1
F
1
+a
p2
F
2
++a
pk
F
k
+u
p
AnlisisFactorial
SantiagodelaFuenteFernndez5
Donde,(F
1
,F
2
,,F
k
)(k<p)sonlosFactoresComunes,(u
1
,u
2,
,u
p
)losFactoresnicoso
especficos,ylosCoeficientes(a
ij
){i=1,,p;j=1,...,k}lasCargasfactoriales.
SesuponequelosFactoresComunesestnasuvezestandarizados[E(F
i
)=0;Var(F
i
)=1],losFactores
Especficostienenmedia0yestnincorrelados[E(u
i
)=0;Cov(u
i
,u
j
)=0sij;(i,j=1,,p)]yque
ambostiposdefactoresestnincorreladosCov(F
i
,u
j
)=0,i=1,..,k;j=1,,p.
Si,adems,losFactoresComunesestnincorrelados[Cov(F
i
,F
j
)=0siij;j,i=1,,k]estamosanteun
modeloconfactoresortogonales.
Encasocontrarioelmodelosedicequeesdefactoresoblicuos.
Expresadoenformamatricial:
x=Af+uX=FA'+U
Xmatrizdedatos
Amatrizdecargasfactoriales
Fmatrizdepuntuacionesfactoriales
donde:

=
P
2
1
X
X
X
x
M
,

=
k
2
1
F
F
F
f
M
,

=
p
2
1
u
u
u
u
M
,

=
pk 2 p 1 p
k 2 22 21
k 1 12 11
a a a
a a a
a a a
A
L
L L L L
L
L
,

=
pk 2 p 1 p
k 2 22 21
k 1 12 11
f f f
f f f
f f f
F
L
L L L L
L
L
Utilizandolashiptesisanteriores,setiene:

i
2
i i
k
1 j
2
ij i
h a ) X ( Var + = + =

=
) p , , 2 , 1 i ( L =
donde,

=

=
k
1 j
j ij
2
i
F a Var h y ) u ( Var
i i
= ,recibenlosnombres,respectivamente,deComunalidady
EspecificidaddelavariableX
i
Enconsecuencia,lavarianzadecadaunadelasvariablesanalizadassepuededescomponerendos
partes:laComunalidad
2
i
h querepresentalavarianzaexplicadaporlosfactorescomunesyla
Especificidad
i
querepresentalapartedelavarianzaespecficadecadavariable.Ademssetiene:
l i a a , F a , F a Cov ) X , X ( Cov
k
1 j
lj ij
k
1 j
k
1 j
j lj j ij l i
=

=

= = =
porloquesonlosfactorescomuneslosqueexplicanlasrelacionesexistentesentrelasvariables.
Porestemotivo,losfactorescomunestienenintersysonsusceptiblesdeinterpretacin
experimental.Losfactoresnicosseincluyenenelmodelodadalaimposibilidaddeexpresar,en
general,pvariablesenfuncindeunnmeromsreducidokdefactores.
AnlisisFactorial
SantiagodelaFuenteFernndez6
Ejemplo.Unosestudiantessonsometidosadiversostestendistintasmateriasparamedirsus
actitudesintelectuales.Comoconsecuencia,seobtienenunaseriedepuntuacionesestandarizadas
enMatemticas(Ma),Fsica(Fi),Qumica(Qu),Ingls(In),Historia(Hi)yDibujo(Di).
Elmodelofactorialvienedado
porlasecuaciones
Di 2 1 Qu 2 1
In 2 1 Fi 2 1
In 2 1 Ma 2 1
U F 85 , 0 F 25 , 0 Di U F 3 , 0 F 6 , 0 Qu
U F 82 , 0 F 15 , 0 Hi U F 3 , 0 F 7 , 0 Fi
U F 8 , 0 F 2 , 0 In U F 2 , 0 F 8 , 0 Ma
+ + = + + =
+ + = + + =
+ + = + + =
Losfactorescomunesestn
estandarizadoseincorrelados
E[F
i
]=0i=1,2;j{Ma,Fi,Qu,In,Hi,Di}
Var[F
i
]=1i=1,2;
Cov(F
1
,F
2
)=0
Losfactoresespecficos
tienenmedia0eincorrelados
E[u
i
]=0i=1,2;j{Ma,Fi,Qu,In,Hi,Di}
Cov(u
1
,u
2
)=0ij{Ma,Fi,Qu,In,Hi,Di}
Ambostiposdefactoresestnincorrelados
Cov(F
i
,u
j
)=0ij{Ma,Fi,Qu,In,Hi,Di}
Cov(u
1
,u
2
)=0ij{Ma,Fi,Qu,In,Hi,Di}
Lamatrizdecargasfactoriales

=
85 , 0 25 , 0
82 , 0 15 , 0
8 , 0 2 , 0
3 , 0 6 , 0
3 , 0 7 , 0
2 , 0 8 , 0
A
ComunalidadyEspecificidad:
Matemticas
Var[Ma]=1=Var[0,8F
1
+0,2F
2
+u
Ma
]=
=0,8
2
Var[F
1
]+0,2
2
Var[F
2
]+Var[u
Ma
]+2(0,8)(0,2)Cov(F
1
,F
2
)+2(0,8)Cov(F
1
,u
Ma
)+
+2(0,2)Cov(F
2
,u
Ma
)=0,68+
Ma
LaComunalidadenMatemticases 68 , 0 h
2
Ma
= ylaEspecificidad 32 , 0
Ma
=
Dibujo
Var[Di]=1=Var[0,25F
1
+0,85F
2
+u
Di
]=
=0,25
2
Var[F
1
]+0,85
2
Var[F
2
]+Var[u
Di
]+2(0,25)(0,85)Cov(F
1
,F
2
)+2(0,25)Cov(F
1
,u
Di
)+
+2(0,85)Cov(F
2
,u
Di
)=0,785+
Di
LaComunalidadenDibujoes 785 , 0 h
2
Di
= ylaEspecificidad 215 , 0
Di
=
Anlogamente,
Comunalidades
Matemticas 0,68
Fsica 0,42
Qumica 0,55
Ingls 0,215
Historia 0,36
Dibujo 0,785
o Comolaspuntuacionesestnestandarizadas,lamatrizdevarianzasycovarianzascoincide
conlamatrizdecorrelaciones:
AnlisisFactorial
SantiagodelaFuenteFernndez7

1 7345 , 0 73 , 0 405 , 0 43 , 0 37 , 0
7345 , 0 1 686 , 0 336 , 0 351 , 0 284 , 0
73 , 0 686 , 0 1 36 , 0 38 , 0 32 , 0
405 , 0 336 , 0 36 , 0 1 51 , 0 54 , 0
43 , 0 351 , 0 38 , 0 51 , 0 1 62 , 0
37 , 0 284 , 0 32 , 0 54 , 0 62 , 0 1
Advirtaseque,
Cov(Ma,Fi)=Cov(0,8F
1
+0,2F
2
+u
Ma
,0,7F
1
+0,3F
2
+u
Fi
)=
=(0,8)(0,7)Var(F
1
)+(0,8)(0,3)Cov(F
1
,F
2
)+(0,8)Cov(F
1
,u
Fi
)+(0,2)(0,7)Cov(F
2
,F
1
)+(0,2)(0,3)Var(F
2
)
+(0,2)Cov(F
2
,u
Fi
)+(0,7)Cov(u
Ma
,F
1
)+(0,3)Cov(u
Ma
,F
2
)+Cov(u
Ma
,u
Fi
)=0,56+0,06=0,62
Cov(Fi,Qi)=Cov(0,7F
1
+0,3F
2
+u
Fi
,0,6F
1
+0,3F
2
+u
Qi
)=
=(0,7)(0,6)Var(F
1
)+(0,6)(0,3)Cov(F
1
,F
2
)+(0,7)Cov(F
1
,u
Qi
)+(0,3)(0,6)Cov(F
2
,F
1
)+(0,3)(0,3)
Var(F
2
)+(0,3)Cov(F
2
,u
Qi
)+(0,6)Cov(u
Fi
,F
1
)+(0,3)Cov(u
Fi
,F
2
)+Cov(u
Fi
,u
Qi
)=0,42+0,09=0,51
ANLISISDELAMATRIZDECORRELACIN
Lafinalidaddeanalizarlamatrizdelascorrelacionesmuestrales ) r ( R
ij
= ,donder
ij
eslacorrelacin
muestralobservadaentrelasvariables ) X , X (
j i
,escomprobarsisuscaractersticassonlasadecuadas
pararealizarunAnlisisFactorial.
Unodelosrequisitosquedebencumplirseesquelasvariablesseencuentranaltamente
intercorrelacionadas.Tambinseesperaquelasvariablesquetengancorrelacinmuyaltaentresla
tenganconelmismofactorofactores.
Enconsecuencia,silascorrelacionesentretodaslasvariablessonbajas,talveznoseaapropiadoel
AnlisisFactorial.
Existenvariosindicadoresparaanalizarlamatrizdecorrelacin:
TestdeesfericidaddeBarlett
Contrasta,bajolahiptesisdenormalidadmultivariante,silamatrizdecorrelacindelaspvariables
observadas(
p
R )eslaidentidad.
Siunamatrizdecorrelacineslaidentidadsignificaquelasintercorrelacionesentrelasvariablesson
cero.Siseconfirmalahiptesisnula I R o 1 R : H
p p 0
= = ,lasvariablesnoestnintercorrelacionadas.
EltestdeesfericidaddeBarlettseobtienemedianteunatransformacindeldeterminantedela
matrizdecorrelacin.Elestadsticodeltestvienedadopor:
) ( log
6
) 11 p 2 (
n R log ) 5 p 2 (
6
1
1 n d
p
1 j
j R

=

+
=

+ =
dondeneselnmerodeindividuosdelamuestray
j
(j=1,...,p)sonlosvalorespropiosdeR.
AnlisisFactorial
SantiagodelaFuenteFernndez8
Bajolahiptesisnula,elestadsticosedistribuyeasintticamentesegnuna
2
2 ) 1 p ( p

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:

+
=
i j j i
2
) p ( ij
i j j i
2
ij
i j j i
2
ij
r r
r
KMO 1 KMO 0
donde
) p ( ij
r eselcoeficientedecorrelacinparcialentre ) X , X (
j i
eliminandolainfluenciadelrestode
lasvariables.
ElndiceKMOseutilizaparacompararlasmagnitudesdeloscoeficientesdecorrelacinparcial,de
formaquecuntomspequeoseasuvalor,mayorserelvalordeloscoeficientesdecorrelacin
parciales
) p ( ij
r y,enconsecuencia,menosapropiadoesrealizarunAnlisisFactorial.
KaiserMeyerOlkinpararealizarunAnlisisFactorial,proponen:
KMO0,75Bien
KMO0,5Aceptable
KMO<0,5Inaceptable
LaexperienciaprcticaaconsejaqueesprecipitadotomarelndiceKMOcomonicamedidade
adecuacindelamuestraalashiptesisdelmodelodeAnlisisFactorial,sobretodosihayun
nmeropequeodevariablesconsideradas.
AnlisisFactorial
SantiagodelaFuenteFernndez9
Paratomarladecisindeeliminarunavariabledelestudioesaconsejablecomplementarla
informacinconotrasfuentes:lascomunalidadesdecadavariable,losresiduosdelmodelo,e
interpretarlosfactoresobtenidos.
EXTRACCINDEFACTORES
ElobjetivodelAnlisisFactorial(AF)esdeterminarunnmeroreducidodefactoresquepuedan
representaralasvariablesoriginales.
UnavezquesehadeterminadoqueelAFesunatcnicaapropiadaparaanalizarlosdatos,hayque
seleccionarelmtodoadecuadoparalaextraccindefactores.Existendiversosmtodos,cadauno
deellosconsusventajaseinconvenientes.
Elmodelofactorialenformamatricial: U ' A F X + = ,teniendoquecuantificarlamatrizAdecargas
factorialesqueexplicaXenfuncindelosfactores.
Partiendode U ' A F X + = ,sededucelallamadaIdentidadFundamentaldelAnlisisFactorial:
+ = ' A A R
p
dondeR
p
eslamatrizdecorrelacinpoblacionaldelasvariables(X
1
,X
2
,...,X
p
)y ) ( diag
i
= esla
matrizdiagonaldelasespecificidades.
Enestesentido,surgendosproblemas:
(a) ProblemasdeGradosdeLibertad.IgualandocadaelementodelamatrizR
p
conel
correspondientedelacombinacinlineal ) ' A A ( + ,resultan(pxp)ecuaciones,queesel
nmerodeelementosdeR.
Ahorabien,lamatrizR
p
essimtricay,enconsecuencia,estintegradapor
2
) 1 p ( p +
elementos
distintos,queeselnmerorealdeecuaciones.Enelsegundomiembrodelaigualdad,los
parmetrosaestimarcon(pxk)elementosdelamatrizAylospelementosdelamatriz.
Enconsecuencia,paraquepuedaefectuarseelprocesodeestimacinserequierequeelnmero
deecuacionesseamayoroigualqueelnmerodeparmetrosaestimar: ) 1 k ( p
2
) 1 p ( p
+
+
,olo
queesequivalente,
2
1 p
k

.
(b) NoUnicidaddelaSolucin.LassolucionesdadasporlamatrizAnosonnicas,puestoque
cualquiertransformacinortogonaldeAestambinsolucin.
SiTesunamatrizortogonal, I T ' T ' T T = = ,alaplicarunasolucinortogonaldeAseobtieneuna
solucindistintaalsistemaanterior.Estaeslabasedelosmtodosderotacindefactores.
Enconsecuencia,siTesunamatrizortogonal T A A =

essolucin
AnlisisFactorial
SantiagodelaFuenteFernndez10
Sedefine T F F =

(F*eselvectorFrotadoporlamatrizortogonalT).
SeverificaqueXyR
p
verificantambinlasecuacionesdelmodelo,esdecir:
+ = + = + = ' A A ) ' A ' T ( ) T A ( * A * A R
'
p
U ' A F U ) ' A ' T ( ) T F ( U * A * F X
'
+ = + = + =
Portanto,elmodeloesnicosalvorotacionesortogonales,esdecir,sepuedenrealizarrotaciones
delamatrizdelasponderacionesocargasfactorialessinalterarelmodelo.
Ejemplo.Enelmodelofactorialdefinidoanteriormente,setena:

Di
Hi
In
Qu
Fi
Ma
2
1
U
U
U
U
U
U
F
F
85 , 0 25 , 0
82 , 0 15 , 0
8 , 0 2 , 0
3 , 0 6 , 0
3 , 0 7 , 0
2 , 0 8 , 0
Di
Hi
In
Qu
Fi
Ma

Di 2 1 Qu 2 1
In 2 1 Fi 2 1
In 2 1 Ma 2 1
U F 85 , 0 F 25 , 0 Di U F 3 , 0 F 6 , 0 Qu
U F 82 , 0 F 15 , 0 Hi U F 3 , 0 F 7 , 0 Fi
U F 8 , 0 F 2 , 0 In U F 2 , 0 F 8 , 0 Ma
+ + = + + =
+ + = + + =
+ + = + + =
Sisedefinenlosfactores:

+ =
+ =
2 1 2
2 1 1
F
2
1
F
2
1
F
F
2
1
F
2
1
F
'
'
,siendolamatrizortogonal

=
2 1 2 1
2 1 2 1
T

+ =
=

' '
' '
'
'
'
'
2 1 2
2 1 1
2
1
2
1
2
1
2
1
F
2
1
F
2
1
F
F
2
1
F
2
1
F
F
F
F
F
2 1 2 1
2 1 2 1
F
F
2 1 2 1
2 1 2 1
F
F
dedonde,
Ma 2 1 Ma 2 1 Ma 2 1
U F 42 , 0 F 71 , 0 U F
2
6 , 0
F
2
1
U F 2 , 0 F 8 , 0 Ma
' ' ' '
+ = + = + + =
Fi 2 1 Ma 2 1 Fi 2 1
U F 28 , 0 F 71 , 0 U F
2
4 , 0
F
2
1
U F 3 , 0 F 7 , 0 Fi
' ' ' '
+ = + = + + =
Qu 2 1 Ma 2 1 Qu 2 1
U F 21 , 0 F 64 , 0 U F
2
3 , 0
F
2
9 , 0
U F 3 , 0 F 6 , 0 Qu
' ' ' '
+ = + = + + =
In 2 1
U F 42 , 0 F 71 , 0 In
' '
+ + =
Hi 2 1
U F 47 , 0 F 69 , 0 Hi
' '
+ + =
Di 2 1
U F 42 , 0 F 78 , 0 Di
' '
+ + =
verificndoseque 0 ) F , F ( Cov
' '
2 1
= ,porloquelasnuevascargasfactorialessernlascorrelacionesde
losnuevosfactoresconlasvariablesoriginales.
Lascomunalidades,especificidadesymatricesdecorrelacinpermanecenigual.
AnlisisFactorial
SantiagodelaFuenteFernndez11
Lanuevamatrizdecargasfactorialesser:

=
42 , 0 78 , 0
47 , 0 69 , 0
42 , 0 71 , 0
21 , 0 64 , 0
28 , 0 71 , 0
42 , 0 71 , 0
B
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
+ = ' A A R
p
,sustituyendolamatrizdelascorrelacionespoblacionales
p
R porlascorrelaciones
muestralesR,conloque:
' A A ' R R
'
= =
Respetando ' A A ' R R
'
= = ,elmtodoesiterativoyconsisteenalternarunaestimacindela
matrizdelasespecificidades conunaestimacindelamatrizdelascargasfactorialesA.
Separtedeunaestimacininicialdelamatriz ,
) 0 (
,yenelpasoisimodelalgoritmose
verificaque
' ) i ( ) i ( ) i (
A A R = .
Laestimacin
) i (
A seobtieneaplicandoelmtododelascomponentesprincipalesalamatriz
) 1 i (
R

.Posteriormente,secalcula
) i (
apartirdelaigualdad
' ) i ( ) i ( ) i (
A A R = yseiterahastaque
losvaloresdedichasestimacionesapenascambien.
EstemtodotienelaventajadeestarbasadoenelmodelodelAnlisisFactorialporloquesuele
proporcionarmejoresestimacionesqueelmtododecomponentesprincipales.Sinembargo,no
garantizasuconvergencia,sobretodoenmuestraspequeas.
AnlisisFactorial
SantiagodelaFuenteFernndez12
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
correlacinobservadaRyreproducida ' A
~
A
~
R
~
= ,eliminandoenlasdiferenciasloselementosde
ladiagonal.
MtodoMnimoscuadradosgeneralizados.MinimizaelmismocriterioLasumadelas
diferenciasalcuadradoentrelasmatricesdecorrelacinobservadaRyreproducida ' A
~
A
~
R
~
=
ponderandolascorrelacionesinversamenteporlavarianzadelfactorespecfico.Estemtodo
permite,adems,aplicarcontrastedehiptesisparadeterminarelnmerodefactores.
MtododeFactorizacinporimgenes.Consisteenaplicarelmtododecomponentes
principalesalamatrizdecorrelaciones R
~
obtenidaapartirdelaspartespredichasdelas
diversasregresioneslinealesdecadaunadelasvariablessobrelasdems(dichaparterecibeel
nombredeimagendelavariable).
MtodoAlfa.MaximizaelalfadeCronbachparalosfactores.
ComparacinentredistintosMtodos
o Cuandolascomunalidadessonaltas(>0,6)todoslosprocedimientostienenadarlamisma
solucin.
AnlisisFactorial
SantiagodelaFuenteFernndez13
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
AnlisisFactorial
SantiagodelaFuenteFernndez14
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 , , 1 l ; p , , 1 i ) F , F ( Cov a ) F , X ( Cov ) F , X ( Corre
l j
k
1 j
ij l i l i
L L = = = =

=
y,enparticular,silosfactoressonortogonales
k , , 1 l ; p , , 1 i a ) F , X ( Corre
il l i
L L = = =
Comoseobserva,lamatrizdecargasfactoriales(A)tieneunpapelfundamentalenlainterpretacin.
Porotraparte,lascargasfactorialesalcuadrado ) a (
2
il
indicansilosfactoressonortogonales,qu
porcentajedelavariableoriginal(X
i
)esexplicadoporelfactorF
l
.
Aefectosprcticos,enlainterpretacindelosfactores,sealar:
Identificarlasvariablescuyascorrelacionesconelfactorsonlasmselevadasenvalorabsoluto.
AnlisisFactorial
SantiagodelaFuenteFernndez15
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:

Di
Hi
In
Qu
Fi
Ma
2
1
U
U
U
U
U
U
F
F
85 , 0 25 , 0
82 , 0 15 , 0
8 , 0 2 , 0
3 , 0 6 , 0
3 , 0 7 , 0
2 , 0 8 , 0
Di
Hi
In
Qu
Fi
Ma
s factoriale
as arg c matriz
4 48 4 47 6

Di 2 1 Qu 2 1
In 2 1 Fi 2 1
In 2 1 Ma 2 1
U F 85 , 0 F 25 , 0 Di U F 3 , 0 F 6 , 0 Qu
U F 82 , 0 F 15 , 0 Hi U F 3 , 0 F 7 , 0 Fi
U F 8 , 0 F 2 , 0 In U F 2 , 0 F 8 , 0 Ma
+ + = + + =
+ + = + + =
+ + = + + =
8 , 0 ) F , U ( Cov ) F , F ( Cov 2 , 0 ) F ( Var 8 , 0 ) U F 2 , 0 F 8 , 0 ( Cov ) F , Ma ( Cov ) F , Ma ( Corr
1 Ma 1 2 1 Ma 2 1 1 1
= + + = + + = =
Engeneral,como
2 1
F F Lascorrelacionesdelascalificacionesdelostestcondichosfactores
vendrndadasporlascargasfactoriales.
AnlisisFactorial
SantiagodelaFuenteFernndez16
Observandolamatrizdelascargasfactoriales,seapreciaqueelfactor
1
F estmuyrelacionadocon
lavariablesMa,FiyQu,peropocorelacionadoconIn,HiyDi.Deotraparte,elfactor
2
F estmuy
relacionadoconIn,HiyDiypococonlasrestantes.
Anlogamente,analizandolamatrizdecargasfactorialescorrespondientesalosfactores
'
1
F y
'
2
F :
Seobservaqueelfactor
'
1
F estmuyrelacionadocontodaslasvariablesde
formadirectay,enconsecuencia,podrainterpretarsecomounfactorde
inteligenciageneral.
Porsuparte,elfactor
'
2
F destacaenlaaptitudverbal,alestarrelacionado
deformainversaconMa,FiyQu.

=
42 , 0 78 , 0
47 , 0 69 , 0
42 , 0 71 , 0
21 , 0 64 , 0
28 , 0 71 , 0
42 , 0 71 , 0
B
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.
AnlisisFactorial
SantiagodelaFuenteFernndez17
ExistendosformasbsicasderealizarlaRotacindeFactores:

Oblicua Rotacin
Ortogonal Rotacin
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 I T T T T
' '
= = ,entonces:
U B G U A T T F U A F X
' ' ' '
+ = + = + =
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).
AnlisisFactorial
SantiagodelaFuenteFernndez18
Enconsecuencia,elmtodoVarimaxdeterminalaMatrizBdeformaquemaximicelasumadelas
varianzas:

2
k
1 i
p
1 j
2
j
2
ij
2
k
1 i
p
1 j
j
ij
h
b
h
b
p V

= = = =

=
MtodoQuartimax.Elobjetivoesquecadavariabletengacorrelacioneselevadasconun
pequeonmerodefactores.Paraello,maximizalavarianzadelascargasfactorialesalcuadrado
decadavariableenlosfactores,esdecir,setratademaximizarlafuncin:
( )

= = =
= =
k
1 j
2
ij
2
i
2
p
1 i
p
1 j
2
i
2
ij
b
k
1
b , donde b b k S
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 I T T
'
= )sinonicamenteno
singular(matrizcuadradocuyodeterminantenoescero)
Deestamanera,losfactoresrotadosnotienenporquserortogonalesytener,portanto,
correlacionesdistintasdeceroentres.
Larotacinoblicuapuedeutilizarsecuandoesprobablequelosfactoresenlapoblacin
tenganunacorrelacinmuyfuerte.
Esnecesarioirconmuchaatencinenlainterpretacindelasrotacionesoblicuas,puesla
superposicindefactorespuedeconfundirlasignificacindelosmismos.
Deestaforma,elanlisisganamsflexibilidadyrealismoperoariesgodeperderrobustez,porlo
queconvieneaplicarestosmtodossielnmerodeobservacionesporfactoreselevada.
AnlisisFactorial
SantiagodelaFuenteFernndez19
Ejemplo.Enelmodelofactorialdefinido,setena:

Di
Hi
In
Qu
Fi
Ma
2
1
U
U
U
U
U
U
F
F
85 , 0 25 , 0
82 , 0 15 , 0
8 , 0 2 , 0
3 , 0 6 , 0
3 , 0 7 , 0
2 , 0 8 , 0
Di
Hi
In
Qu
Fi
Ma
s factoriale
as arg c matriz
4 48 4 47 6

Di 2 1 Qu 2 1
In 2 1 Fi 2 1
In 2 1 Ma 2 1
U F 85 , 0 F 25 , 0 Di U F 3 , 0 F 6 , 0 Qu
U F 82 , 0 F 15 , 0 Hi U F 3 , 0 F 7 , 0 Fi
U F 8 , 0 F 2 , 0 In U F 2 , 0 F 8 , 0 Ma
+ + = + + =
+ + = + + =
+ + = + + =
Sisedefinenlosfactores:

+ =
+ =
2 1 2
2 1 1
F
17
4
F
17
1
F
F
17
1
F
17
4
F
' '
' '

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

+ =
=

' ' ' '

' ' ' '
' '
' '
' '
' '
2 1 2
2 1 1
2
1
2
1
2
1
2
1
F
15
17 4
F
15
17
F
F
15
17
F
15
17 4
F
F
F
F
F
17 4 17 1
17 1 17 4
17
15
F
F
17 4 17 1
17 1 17 4
F
F
dedonde,
Ma 2 1 Ma 2 1 2 1 Ma 2 1
U F 0 F 82 , 0 U F
15
17 4
F
15
17
2 , 0 F
15
17
F
15
17 4
8 , 0 U F 2 , 0 F 8 , 0 Ma
' ' ' ' ' ' ' ' ' ' ' '
+ + = +

+ +

= + + =
Fi 2 1 Fi 2 1 2 1 Fi 2 1
U F 14 , 0 F 69 , 0 U F
15
17 4
F
15
17
3 , 0 F
15
17
F
15
17 4
7 , 0 U F 3 , 0 F 7 , 0 Fi
' ' ' ' ' ' ' ' ' ' ' '
+ + = +

+ +

= + + =
yassucesivamente.
Enestecaso,setienequelamatrizderotacin:

=
15
17 4
15
17
15
17
15
17 4
17 4 17 1
17 1 17 4
17
15
T
Lamatrizdeconfiguracin:
4 4 8 4 4 7 6
s factoriale
as arg c de matriz
87 , 0 04 , 0
86 , 0 06 , 0
82 , 0 00 , 0
17 , 0 58 , 0
14 , 0 69 , 0
00 , 0 82 , 0
B

=
AnlisisFactorial
SantiagodelaFuenteFernndez20
Lamatrizdelaestructuraseraquellaquecontienelascorrelacionesdelasvariablesoriginalescon
losnuevosfactores:
Seobservadenuevoque
' '
1
F sepuedeinterpretardenuevocomounfactordondedestacaen
(Matemticas,FsicayQumica),mientrasque
' '
2
F destacaen(Ingls,HistoriayDibujo),adiferencia
delosfactores
1
F y
2
F quesonincorrelados,enestanuevaestimacinambosfactorestienenuna
correlacinpositivasignificativa,loqueproporcionamsrealismoalanlisisrealizado.
MtodoOblimin.Buscaminimizarlaexpresin:

= < = =

+
k
1 q s
p
1 i
p
1 i
2
s
2
is
2
s
2
is
2
iq
2
is
) b b ( ) b b ( ) 1 ( b b


= < =
k
1 q s
p
1 i
2
iq
2
is
b b controlalainterpretabilidaddelosfactores


= < =
k
1 q s
p
1 i
2
s
2
is
2
s
2
is
) b b ( ) b b ( controlalaortogonalidaddelosfactores
o Para 1 = sealcanzaelmximogradodeoblicuidad.
o Cuntomsseaproximaa0,msortogonalessonlosfactores.
Enlarotacinoblicua,comolosfactoresestncorrelacionadosentres,lascargasfactorialesno
coincidenconlascorrelacionesentreelfactorylavariable.
Porrestemotivo,lospaquetesestadsticoscalculandosmatrices:
Lamatrizdecargasfactorialesquemuestralacontribucinnicadecadavariablealfactor.
Lamatrizdeestructurafactorialquemuestralascorrelacionesentrelosfactoresylas
variables,mostrandoinformacinacercadelacontribucinnicaydelascorrelacionesentre
factores.
Ademsdeestasdosmatrices,convieneanalizarlamatrizdecorrelacionesentrefactores.
4 48 4 47 6
estructura matriz
89 , 0 45 , 0
83 , 0 34 , 0
82 , 0 39 , 0
44 , 0 66 , 0
46 , 0 76 , 0
39 , 0 82 , 0
1 17 / 8
17 / 8 1
87 , 0 04 , 0
86 , 0 06 , 0
82 , 0 00 , 0
17 , 0 58 , 0
14 , 0 69 , 0
00 , 0 82 , 0

AnlisisFactorial
SantiagodelaFuenteFernndez21
Silascorrelacionesentrelosfactoressonmuypequeasesmsrobustoaplicarrotaciones
ortogonales.
Deotraparte,sidosfactoresestnmuycorrelacionadospuedeserporqueestnmidiendoelmismo
conceptoyque,portanto,hayaquereducirelnmerodefactores.
MtodoPromax.Alteralosresultadosdeunarotacinortogonalhastacrearunasolucincon
cargasfactorialeslomsprximasalaestructuraideal.
Laestructuraidealseobtieneelevandoaunapotencia(entre2y4)lascargasfactoriales
obtenidasenunarotacinortogonal.Cuantomayorsealapotencia,msoblicuaeslasolucin
obtenida.
SeaHlamatrizdecargasbuscadaporelmtodoPromax,buscaunamatrizTtalque H T A = .
Multiplicandoambosmiembrosporlamatriz ' A ) A ' A (
1
,setiene: H ' A ) A ' A ( T
1
=
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).
AnlisisFactorial
SantiagodelaFuenteFernndez22
Losfactoresestimadosseanestimadoresinsesgadosdelosverdaderosfactores.
Sealarqueelproblemadeestimacinescomplejoporlapropianaturalezadelosfactores
comunes.Sepuededemostrarquelosfactoresnoson,engeneral,combinacinlinealdelas
variablesoriginales.
Porotraparte,enlamayoradelassituaciones,noexistirunasolucinexactanisiquierasernica.
Todoslosmtodosdeobtencindepuntuacionesfactorialespartendelaexpresin U ' A F X + = ,con
[ ] [ ] = = U Var , 0 U E ,buscandoestimarelvalordeF.
Losmtodosdeestimacinmsutilizados:Regresin,Barlett,AndersonRubin
MtododeRegresin.EstimaFporelmtododelosmnimoscuadrados: X ' A ) A ' A ( F

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

1 1 1
=
MtododeAndersonRubin.EstimaFmedianteelmtododelosmnimoscuadrados
generalizados,imponiendolacondicin I F ' F =
X ' A ) A R ' A ( F

1 1 1 1
=
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.
AnlisisFactorial
SantiagodelaFuenteFernndez23
Unaformadellevaracabolaseleccindevariablesesestudiarlamatrizdecorrelacionesdelas
variablesconlosfactores,seleccionandocomorepresentantedecadafactorlavariableconla
correlacinmselevadaenste,queseamsfcildemediryquetengamssentidodesdeunpunto
devistaterico.
Encualquiercaso,convieneelegirlasvariablesdeformaqueunamismavariablenoseutilicepara
medirdosfactoresdistintos.
Unavezelegidaslasvariables,selesasignapesosbasadosensucorrelacinconelfactor,yse
compruebasuvalidezestimandosucorrelacinconlosfactoresquedeseaestimarmediantela
frmula ) R ( diag W ' A R
ss fs
= donde
ss
R 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
AnlisisFactorial
SantiagodelaFuenteFernndez24
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.
AnlisisFactorial
SantiagodelaFuenteFernndez 25
Ejemplo.Losdatosadjuntoscorrespondenalamedicinde17humedalesendeterminadapoca
delao.Lasvariablesmedidashansido:
1. X1:Conductividadelctrica
2. X2:Contenidoenbicarbonatos
3. X3:Contenidoencloruros
4. X4:Contenidoensulfatos
5. X5:Contenidoencalcio
6.X6:Contenidoenmagnesio
7.X7:Contenidoensodio
8.X8:Contenidoenpotasio
9.X9:Contenidoenfosfatos
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]
AnlisisFactorial
SantiagodelaFuenteFernndez 26
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:
AnlisisFactorial
SantiagodelaFuenteFernndez 27
ElanlisisseenfocaenlasComunalidades(quemuestranqueporcentajedecadavariablees
explicadoporlanuevaestructurafactorial),yenlamatrizdeComponentesdelanuevaestructura
(eliminandolosvaloresmenoresde0,3).
Paraello,enelbotn[Extraccin]se
eligen4factores
Enelbotn[Opciones]seeligeOrdenarlascoeficientespor
tamaoySuprimirvaloresabsolutosmenoresque0,3.
ElVisordeSPSSpresenta:
LasComunalidadessonmuyaltas,loqueimplicaquetodaslasvariablesestnmuybien
representadasenelespaciodelosfactores(laComunalidadrepresentaelcoeficientedecorrelacin
linealmltipledecadavariableconlosfactores).
Laestructurafactorialnoestmuyclaraenprincipio,yaquediversosfactorescompartenvariables.
AnlisisFactorial
SantiagodelaFuenteFernndez 28
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)formanunnguloprximoa45
o
concadaeje,locualnopermite
asociarlasaningunodeellos(las
saturacionesrepresentanenestecasolas
correlacionesdelasvariablesconcada
ejeyporlotantoelcosenodelnguloque
formanconellos).
Almismotiempo,lavariableBicarbonato
estacercadelejedecoordenadas,indica
quenoestrelacionadaconningunode
losdosejes.
AnlisisFactorial
SantiagodelaFuenteFernndez 29
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%(0,917
2
=84,08%)delavarianzatotal,
esdecir,el89,83%(0,8408/0,936=89,83%)deltotaldelespaciodelosfactores.
LaestructurafactorialcompletadeterminaalavariableClorurosunavarianzatotalde94,28%,
estoes,el98,31%deltotaldelespaciodelosfactores.
AnlisisFactorial
SantiagodelaFuenteFernndez 30
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
representael0,845
2
=71,40%desuvarianzatotal,esdecirel77,61%(0,714/0,92=77,61%)de
laexplicadaportodoslosfactores.
LavariableSulfatosquetieneunaComunalidadde0,93,unasaturacinde0,927,esexplicada
poresteejeconun85,93%(0,927
2
=0,8593),loqueesun92,4%enelespaciodelosfactores
(0,8593/0,93=92,397%).
LavariableCalcio,conunaComunalidadde0,915(representael91,5%),tieneunacarga
factorialde0,939,porloqueel88,17%desuvarianzatotal[0,939
2
=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.
AnlisisFactorial
SantiagodelaFuenteFernndez 31
Apartirdeunamatrizdecorrelaciones,elAnlisisFactorialextraeotramatrizquereproducela
primeradeformamssencilla.Estanuevamatrizsedenominamatrizfactorialyadoptalasiguiente
forma:
1 2
1 P
11
P
21
2 P
12
P
22
3 P
13
P
23
.. .. ..
l P
1l
P
2l
Cadacolumnaesunfactoryhaytantasfilascomovariablesoriginales.
LoselementosP
ij
puedeninterpretarsecomondicesdecorrelacinentreelfactorisimoyla
variablejsima,aunqueestrictamenteslosoncorrelacionescuandolosfactoresnoestn
correlacionadosentres,esdecir,sonortogonales.
Estoscoeficientesrecibenelnombredepesos,cargas,ponderacionesosaturacionesfactoriales.Los
pesosfactorialesindicanelpesodecadavariableencadafactor.Loidealesquecadavariablecargue
altoenunfactorybajoenlosdems.
Eigenvalues
Elcuadradodeunacargafactorialindicalaproporcindelavarianzaexplicadaporunfactorenuna
variableparticular.
Lasumadeloscuadradosdelospesosdecualquiercolumnadelamatrizfactorialesloque
denominamoseigenvalues(),indicalacantidadtotaldevarianzaqueexplicaesefactorparalas
variablesconsideradascomogrupo.
Lascargasfactorialespuedentenercomovalormximo1,portantoelvalormximoquepuede
alcanzarelvalorpropioesigualalnmerodevariables.
Sidividimoselvalorpropioentreelnmerodevariablesnosindicalaproporcindelasvarianzade
lasvariablesqueexplicaelfactor.

+ + + + =
+ + + + =
+ + + + =
2
ij
2
3 i
2
2 i
2
1 i i
2
j 2
2
23
2
22
2
21 2
2
j 1
2
13
2
12
2
11 1
P P P P
P P P P
P P P P
L
L
L

factor segundo por licada exp ianza var

n
factor primer por licada exp ianza var
n
2
1

Comunalidades
SedenominaComunalidadalaproporcindelavarianzaexplicadaporlosfactorescomunesenuna
variable.
LaComunalidad(h)eslasumadelospesosfactorialesalcuadradoencadaunadelasfilas.
ElAnlisisFactorialcomienzasusclculosapartirdeloqueseconocecomomatrizreducida
compuestaporloscoeficientesdecorrelacinentrelasvariablesyconlascomunalidadesenla
diagonal.
AnlisisFactorial
SantiagodelaFuenteFernndez 32
Comolacomunalidadnosepuedesaberhastaqueseconocenlosfactores,esteresultaserunodelos
problemasdelAnlisisFactorial.
EnelAnlisisdeComponentesPrincipalesnosesuponelaexistenciadeningnfactorcomnla
comunalidadtomacomovalorinicial1.
Enlosotrosmtodosseutilizandiferentesmodosdeestimarlacomunalidadinicial:
Estimandolacomunalidadporlamayorcorrelacinenlafilaisimadelamatrizdecorrelaciones.
Estimandolacomunalidadporelcuadradodelcoeficientedecorrelacinmltipleentrexylas
demsvariables.(SPSSpordefecto).
Elpromediodeloscoeficientesdecorrelacindeunavariablecontodaslasdems.
Calculandoapartirdelosdoscoeficientesdecorrelacinmayoresdeesavariablelasiguiente
operacin:
yz
xz xy 2
r
r r
h =
Lacomunalidadfinaldecadavariablevienedadapor:
2
kj
2
j 2
2
j 1
2
P P P h + + + = L
LaGrficatridimensionaldelasvariablesenelespaciodelosfactorespermitenvisualizarla
estructurafactorial
matrizdelascargasfactorialescorrespondientesalosfactores