Curso Técnico de Medición Multidimensional de la Pobreza y sus Aplicaciones

Módulo IV. Métodos Multidimensionales para la medición de la pobreza (OPHI)

Notas de Análisis Factorial
OPHI

Criterios para decidir el número de factores: La decisión del correcto número de

factores debe llevarse a cabo antes de interpretar los resultados y requiere de la
experticia del analista más que de una regla estricta que pueda aplicarse de manera
automática. Los siguientes criterios suelen informar la decisión:

• Kaiser Criterion (Guttman, 1954): esta regla sugiere que se deben retener
todos los factores que tengan un eigenvalue de 1.0 o mayor; con el
razonamiento de que un factor no debe explicar menos que la varianza
equivalente que hubiera explicado una sola de las variables incluidas en el
análisis. La regla sin embargo no es estricta y debe analizarse en conjunto
con otros criterios.

• Análisis del Scree Plot (Cattell, 1966): este método complementa al anterior
y se basa también el análisis de la magnitud de los eigenvalues pero a partir
de la tendencia que se observa en el Scree Plot. Se procuran seleccionar un
grupo reducido de factores que
Ejemplo Scree
tengan eigenvalues Plot:
significativamente superiores a
Scree plot of eigenvalues after factor
los demás, para lo cual se
4

identifica el punto de inflexión

en la curva del scree plot
3

(también referido como el codo

Eigenvalues

por su semejanza con un brazo)

2

a partir del cual la curva se

transforma a una línea “plana”
1

o relativamente recta. En el
ejemplo que se presenta hay
0

un claro punto de inflexión 0 2 4

Number
6 8

después de dos factores.

1
 Curso Técnico de Medición Multidimensional de la Pobreza y sus Aplicaciones
Santiago de Chile, 6-15 Diciembre 2010

• Análisis paralelo (Horn, 1965): Esta regla suele complementar las anteriores
cuando el numero de variables iniciales y factores resultantes es elevado. El
procedimiento es basado en el principio de que los factores a extraer deben
dar cuenta de mas varianza que la que es esperada de manera aleatoria. El
procedimiento reordena las observaciones de manera aleatoria entre cada
variable y los eigenvalues son recalculados a partir de esta nueva base de
datos aleatoriamente ordenada. Los factores con eigenvalues mayores a los
valores aleatorios son retenidos para interpretación. Para poner en práctica
este método en STATA se debe instalar el archivo ADO “fapara” 1.

• Juicio teórico: En la práctica los distintos métodos pueden llevar a

conclusiones contradictorias por lo cual es importante que también se tome
en cuenta el juicio teórico del analista. En ocasiones la teoría puede indicar el
número de factores que es relevante extraer y el analista puede estar
interesado en comprobar que los ítems convergen en los factores en los que
teóricamente se esperarían que lo hicieran y que a su vez su peso en los
otros factores es relativamente bajo. Este es el procedimiento que se suele
seguir en procesos de validación de escalas. En otras ocasiones el analista
puede estar más interesado en explorar la data para lo cual intentará
diferentes extracciones guiadas por los métodos anteriores y procurará
identificar si el número de factores extraído es teoréticamente defendible.

1Para instalar el programa se debe utilizar el siguiente comando en STATA: “findit fapara:
http://www.ats.ucla.edu/stat/stata/faq/parallel.htm”. La información es
bajada de Internet por lo cual se requiere conexión en línea.
2
 Curso Técnico de Medición Multidimensional de la Pobreza y sus Aplicaciones
Santiago de Chile, 6-15 Diciembre 2010

Comandos básicos en STATA para Análisis Factorial Exploratorio

.factor varlist [if] [in] [weight] [, method options ]

Métodos: pf principal factor; the default;
pcf principal-component factor;
ipf iterated principal factor;
ml maximum-likelihood factor.
Opciones útiles: factors(#) para definer el maximo numro de factores a retener
(normalmente se corre el análisis sin predefinir los factores primero);
blanks(#) para facilitar interpretación se muestran las contribuciones en
blanco cuando son menores a <# (esta función es útil pero es importante
que el analista observe todas las contribuciones para identificar variables
que podrían estar contribuyendo con más de un factor a la vez).
. screeplot [eigvals] [, options ]
. fapara, reps(10)
. rotate [, options]
Opciones útiles: varimax ejecuta el método varimax durante la rotación que corresponde al
método ortogonal más común;
promax ejecuta el método promax durante la rotación que corresponde al
método oblicuo más común.
blanks(#) es una función equivalente a la utilizada con el comando factor
explicado arriba.

.predict [type] newvar [if] [in] [, single_options]

Si las variables son dicotómicas o dummy se puede llevar a cabo el análisis con la matriz de
correlación tetracórica utilizar el comando:
. tetrachoric varlist [if] [in] [weight] [, options]
. matrix r = r(R)
.factormat r, n(#) {donde # es el número de casos considerados en el análisis

De manera similar se puede utilizar la matriz de correlación policórica para variables ordinales con
pocas categorías para asumir cardinalidad (también aplica para cuando se tienen variables mixtas
entre dicotómicas, ordinales y continuas)
.findit polychoric (en caso que no estuviera instalado el ADO file)
. polychoric varlist [if] [in] [weight] [, options]
. matrix r = r(R)
.factormat r, n(#) {donde # es el número de casos considerados en el análisis

Téngase en cuenta que el computo de las correlaciones polycóricas son computacionalmente

exigentes y que bajo ciertas circunstancias (suficientes categorías para cierto tipo de análisis) los
resultados son equivalentes al del procedimiento estándar.

3
 Curso Técnico de Medición Multidimensional de la Pobreza y sus Aplicaciones
Santiago de Chile, 6-15 Diciembre 2010

Pruebas psicométricas para evaluación de validez y confiabilidad de

escalas
Tipo de evidencia Preguntas Fundamentales Tipo de Análisis

Pruebas de Confiabilidad
¿Los indicadores de la escala miden niveles
Consistencia Interna Coeficiente de Alfa Cronbach
similares?
¿La escala produce similares medidas bajo
Mediciones sucesivas Múltiple Administración
condiciones equivalentes?
Pruebas de Validez
¿La escala parece medir lo que se supone que Evaluación por parte de
Apariencia quiere medir? “expertos” en desarrollo de
escalas
¿El contenido de los items refleja la definición Evaluación por un grupo de
del constructo teórico? expertos / Entrevista cognitiva /
Contenido
¿Los entrevistados entienden las Focus Group
preguntas/términos en la misma forma?
¿La escala mide el número de constructos
teóricos?

¿Se pueden defender los constructos

descubiertos? (desarrollo inicial)
Análisis Factorial Exploratorio
(AFE)
Factorial
¿Se confirman los constructos teóricos?
Análisis Factorial Confirmatorio
(Prueba de hipótesis) (AFE)

¿La estructura es comparable entre los grupos

relevantes?
SEM with covariate DIF
(Item invariance)
¿Las variables que deberían correlacionar con
Constructo
la escala lo hacen?
(Convergencia y Correlación, ANOVA, t-test
¿Las variables que no deberían correlacionar
Discriminancia)
con la escala no lo hacen?

¿Los puntajes de las escalas representan los

entrevistados adecuadamente con
Criterio Concurrente características conocidas?
(grupos-conocidos o Correlación, ANOVA, t-test
instruments-conocidos) ¿Las categorizaciones basadas en nuevas
escalas se relacionan bien con aquellas basadas
en medidas estandarizadas previas?

¿Los puntajes de las escalas predicen

Predictivo adecuadamente el comportamiento futuro o Correlación, ANOVA, t-test
las actitudes de los respondientes?
Fuente: Adaptado de Abell et al (2009).