Documente Academic
Documente Profesional
Documente Cultură
MÉXICO
ANÁLISIS MULTIVARIADO
EQUIPO 7
INTEGRANTES:
CARDENAS RAMIREZ JOSE MARIA
GONZÁLEZ PEÑALOZA ERIKA DANIELA
GONZÁLEZ RUIZ JUAN GUILLERMO
NÁJERA LÓPEZ KAREN
SALINAS CASTRO MARIA GUADALUPE
El análisis de factores también conocido como análisis factorial, todas sus variables
tienen la misma importancia y son independientes. Tiene un gran número de
variables a las que denomina dimensión
Los objetivos específicos de esta técnica son:
1. Identificar un conjunto de dimensiones o características que se encuentran
latentes dentro de un gran conjunto de variables.
2. Encontrar características que describan a núcleos poblacionales
3. Identificar nuevas variables.
4. Crear datos paras las nuevas variables encontradas.
5. Obtener los mapas de posicionamiento semántico.
El objetivo general, por ejemplo, seria, sintetizar conceptos globales a partir de
temas o aspectos económicos.
Los objetivos específicos deberán ser por lo menos dé y cada uno englobara al
menos dos preguntas
PASOS GENERALES PARA LLEVAR A CABO UNNANALISIS DE FACTORES
No agrupa a las variables, si no a las regiones o épocas por lo que en los renglones
no se pone la información de los n años de una región que se pretende analizar,
sino la información de cada país
Análisis de factores de tipo-S:
¿Qué se desea agrupar? – personas – los renglones son las épocas o fechas y las
columnas corresponden a las personas.
Agrupa a personas a las cuales se les realiza una medición y se le da seguimiento a
lo largo de cierto tiempo
Análisis de factores de tipo-T:
¿Qué se desea agrupar? – periodos- si en la base de datos se tiene en las
columnas personas y en los renglones periodos o lugares.
Agrupa regiones o épocas que identifican a grupos de personas por haber analizado
sus características a lo largo del cierto tempo
Matriz correlación.
Proporciona una medida de relación entre las variables de interés
comparándolas por parejas. Debe de existir cero grados de relación entre los
grupos de las variables
La matriz de correlación muestra cuales variables posiblemente quedaran
agrupadas en el mismo factor y cuales posiblemente no lo hagan.
Sirve para cuando las variables se identifican con más de un factor o
característica y se tiene que deslindar para que cada variable se relaciones
con un solo factor
∑ ∑ r 2 jk
h≠ j
KMO= 2 2
∑∑r jh+∑ ∑ a jh
h≠ j h≠ j
∑ r2 jh
h≠ j
MASi= 2 2
∑r j +∑ a jh
h
h≠ j h≠ j
Componentes principales.
el modelo asume que la Var ( específica ) es tan pequeña que se considera 0, lo mismo
sucede con la Var ( aleatoria ), por lo tanto: Var ( total ) =Var ( común ) . Significa que el
máximo valor que puede tener la Var ( común ) es 1.
Para el análisis de tipo confirmatorio, el factor esta formado de una combinación
lineal de variables originales: F 1 j=U 1 X 1 j +U 2 X 2 j+U 3 X 3 j +…+ A k X kj.
F :el factor 1 de la observacion j .
U :importancio o peso relativo que cada v . estandarizada tiene con respecto al factor encontrado .
X : variable . j: número de la observación . k : número de variable .
Factor común.
Se asume que la Var ( específica ) es importante, se debe calcular y eliminar del
modelo de variación para que el resto intente agrupar a las v.
Var ( total ) −Var ( específica )=Var ( común )
Significa que el valor máximo que puede tener la Var ( común )es < 1, pero si la
Var ( específica ) es 0, entonces puede llegar a valer 1.
Para un análisis de tipo exploratorio se supone que las v. comparten algo que es
común del grupo y una parte de ellas es especifico o propio, esta ultima se elimina y
se trabaja solo con la parte común.
X ij =U 1ij F 1 +U 2 ij F 2+U 3ij F 3 +…+U mij Fm + eij
F : factores comunes .
U :importancia que cada v . estandarizada tiene con respecto al factor encontrado .
X : v . ide laobservacion j .
m: número maximo de factores.
e : factores únicos
Pasos:
1. Se calculan los valores propios de cualquier matriz A, satisfaciendo:
| A−λI |=0. i.e. del Det ( A )=0 y existirá más de un eigenvector,
dependiendo del rango de A. sí A=R, y R es la matriz de correlación
entonces:|R−λI|=0.
Los eigenvalores dependen de las dimensiones de la matriz y del
número de v.
2. Calcular para cada valor propio su vector propio: si v representa los
vectores propios de A, entonces se satisface: ( A−λI ) v=0.
los eigenvectores a extraer serán los que satisfacen: : ( R− λI ) v=0.
El objetivo de la técnica es reducir las v. o dimensiones.
Conceptos
Carga del factor: es una medida de correlación entre la v. y el factor. A todo el
conjunto de cargas de un solo factor se le llama eigenvector.
Eigenvalor: denomina la cantidad de información que cada uno de los factores capta
del conjunto de v.; se obtiene al elevar al cuadrado cada carga en la matriz no
rotada y se suma cada factor.
1. La suma de los cuadrados de las cargas factoriales los suele ser igual a la
comunalidad. En consecuencia, las cargas oblicuas no indican la proporción
de varianza para cada variable explicada por los factores.
2. Las correlaciones originales entre variables no pueden ser reproducidas a
partir de los productos de las cargas factoriales.
3. Se debe tener cuidado en la explicación de los factores, ya que dos factores
pueden estar superpuestos, lo que traería confusión al tratar de distinguirlos o
interpretarlos.
Una vez generada la matriz rotada es necesario identificar las cargas significativas y
con ello con qué factor se ha identificado cada una de las variables.
Criterio para la identificación de cargas significativas.
Se requiere conocer el tamaño de la muestra, ya que conforme va aumentando se
tiene una mayor credibilidad o confianza en la información y por lo tanto se puede
manejar un límite cada vez menor en la carga de factor, para considerarla
significativa. Por el contrario, al manejar un nivel de significancia menor se es más
LUNES 13 DE Análisis de factores. 8
ABRIL DE 2020
RESUMEN 2
estricto con la confiabilidad del factor, por lo tanto, qué manejará un límite cada vez
mayor en la carga del factor para considerarla significativa.
Los criterios para identificar cargas significativas son los siguientes:
3. Para un alfa igual 1%, la carga significativa es 0.26 en adelante, habiendo
aplicado primero las prioridades del inciso 1.
El objetivo de estos criterios es identificar la variable con solo un factor y por eso se
establecen las prioridades. Si existe una variable que no tenga carga significativa,
es decir, que no se haya identificado con ningún factor puede deberse a que esta
tiene una variación especifica muy alta y es muy particular.
Cuando esto sucede se tienen dos alternativas de acción:
1. Se deja la solución tal cual, sin agrupar a esa variable y así se realiza el
análisis.
2. Se elimina del banco de datos y se vuelve a correr de nuevo la solución.
Obtención de puntajes de factores.
Se llama puntajes a los datos con los que se manejaría cada factor como variable.
Los puntajes se pueden obtener a través de 3 enfoques:
Preciso.
Existen tres criterios para obtener coeficientes estandarizados que forman
ecuaciones lineales para la extracción de los puntajes, los cuales son:
Regresión
Aanderson-Rubin y
Barlett
F ij=U 1 X ij +∙ ∙∙+U I X IJ
Aproximado.
También se le denomina corto; consiste en utilizar como puntajes los datos
originales de la variable que se haya identificado más con el factor, para esto es
necesario volver a la matriz rotada y encontrar la variable que tenga mayor carga,
pero por factor.
Promedio.
Consiste en utilizar como puntajes los promedios de las variables que se agruparon
con cada factor.
Análisis posteriores.
El análisis de factores es una técnica útil si se tiene un gran número de variables,
las cuales se pueden resumir en pocos factores o componentes.
En factores se obtienen nuevas variables que se pueden explicar con más éxito
alguna estructura que pueden ser utilizadas en el análisis de regresión múltiple, en
el análisis discriminante, etc.