Analisis Factorial

Frida Coaquira

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

USOS MS FRECUENTES

Reduccin de
informacin

Identificacin de
estructuras
subyacentes

Creacin de
variables
resumen

ANLISIS FACTORIAL
El Anlisis Factorial es una tcnica que consiste
en resumir la informacin contenida en una
matriz de datos con V variables. Para ello se
identifican un reducido nmero de factores F,
siendo el nmero de factores menor que el
nmero de variables. Los factores representan a
la variables originales, con una prdida mnima de
informacin.
El modelo del Anlisis Factorial se expresa como
una combinacin lineal de factores no directamente
observables: Xij = F1i ai1 + F2i ai2+....+Fki aik + Vi

FACTOR PRINCIPAL

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

ANLISIS FACTORIAL
COMPONENTES PRINCIPALES

El Anlisis Factorial (mtodo componentes

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

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

ANLISIS FACTORIAL

Se asume que los factores nicos no estn

correlacionados entre s ni con los factores
comunes.
Se puede distinguir entre Anlisis Factorial
Exploratorio, donde no se conocen los factores "a
priori sino que se identifican por el anlisis
factorial y, por otro lado estara el Anlisis
Confirmatorio donde se propone "a priori" un
modelo, segn el cual hay unos factores que
representan mejor a las variables originales.

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

ANLISIS FACTORIAL

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

Modelo factorial ortogonal

X1

EX
Sea
X con
VX
X
p
F1

Factores comunes: F
F
m

1

Factores especficos o errores:

m

l11

l21
Matriz de cargas: L

l
p1

l12
l22

l p2

l1m

l2 m Nota:
lij=carga de Xi sobre

Fj
l pm pxm
m p

ANLISIS FACTORIAL

10

Modelo factorial ortogonal

Matricialmente, el modelo factorial es: X LF

Escribindolo de forma desarrollada, quedara

X 1 1 l11F1 l12 F2 l1m Fm 1

X 2 2 l21F1 l22 F2 l2 m Fm 2

X p p l p1 F1 l p 2 F2 l pm Fm p

ANLISIS FACTORIAL

11

Modelo factorial ortogonal

Requisitos:
(i) E ( F ) 0

y V ( F ) E ( FF' ) I

0
1

(ii) E ( ) 0 y V ( ) E ( ' )

(iii) y F son incorrelad os :

E ' F EF ' 0 cov( , F )

Si se cumplen estas tres condiciones se dice que

el modelo es factorial ortogonal.
ANLISIS FACTORIAL

12

Modelo factorial ortogonal

Observaciones:
(i) LL'

Comunalidad (hi2)
Especificidad

ii li21 li22 lim2 i hi2 i

La variabilidad de la variable i se descompone en
parte comn (se puede medir) y especfica (no
se puede medir).
(ii) cov(X , F ) L

ANLISIS FACTORIAL

13

Modelo factorial ortogonal

Ejemplo

(i) Nmero de variables y de factores.

(ii) Descomponer VX en comunalidad y especificidad.
(iii) cov(X3,X2).
(iv) cov(X3,F2).

19 30 2 12

30 57 5 23

2 5 38 47

12 23 47 68

ANLISIS FACTORIAL

14

EJEMPLOS

15

Modelo factorial ortogonal

(iii) No siempre existe un modelo factorial ortogonal.

(iv) Si existe modelo factorial no siempre es nico

(si tiene ms de un factor, no es nico).

ANLISIS FACTORIAL

16

Modelo factorial ortogonal

Ejemplo

Analizar si existe un modelo unifactorial para

explicar estas tres variables:

1 0,9 0,7

0,9 1 0,4
0,7 0,4 1

X1

X X2
X
3

ANLISIS FACTORIAL

17

Construccin del modelo factorial:

mtodo de componentes principales
X1

X
X
p

Sea

EX
VX

X LF .

Si tiene los siguientes autovalores y autovectores,

( 1, e1 ), , ( p , e p ) con 1 p 0
la descomposicin exacta de es
1e1e1 ' 2 e2 e2 ' p e p e p '

1 e1

1 e1 '

p e p LL'.

p ep '

ANLISIS FACTORIAL

18

Construccin del modelo factorial:

mtodo de componentes principales
La descomposicin exacta de
tiene p factores; se puede utilizar la matriz para
disminuir el nmero de factores.
Si tiene los siguientes autovalores y autovectores
( 1, e1 ), , ( p , e p ) con 1 p 0,

ANLISIS FACTORIAL

19

Construccin del modelo factorial:

mtodo de componentes principales
la descomposicin de es

pxp

1 e1

h
ii
i .
donde i

1 e1
1
0

m em pxm

m m
p

mxp

Entonces LL' .

ANLISIS FACTORIAL

20

Construccin del modelo factorial:

mtodo de componentes principales
Modelo factorial muestral

X 11 X 1 p

X
X

X
np
n1

X1

con X y S
X
p

Entonces

~~ ~
X X L L ' ,
ANLISIS FACTORIAL

21

Construccin del modelo factorial:

mtodo de componentes principales

donde los autovalores y autovectores son

( 1, e1 ),, ( p, e p ) con 1 p 0
~
y la matriz de cargas L 1 e1

m em

~2 ~2
~2
Adems, hi li1 lim
Nota:
Anlogamente para R

ANLISIS FACTORIAL

22

Construccin del modelo factorial:

mtodo de mxima verosimilitud
Sea X ~ N p ( , ),
Y sea

donde

X LF
LL '

f ( x1 , , xn ) f ( xi )

1
exp

(
x

)'

(
x

i
i
1/ 2
p/2
2

i 1 ( 2 )
1
1 n

exp ( xi )' ( LL' ) ( xi )

n/2
np / 2
(2 )
LL'
2 i 1

, que maximizan f ( x ,, x ).
Sean L,
1
n
ANLISIS FACTORIAL

23

Construccin del modelo factorial:

mtodo de mxima verosimilitud
Propiedades

No hay ptimo nico: se requiere

L' 1 L (diagonal)

La solucin se obtiene computacionalmente.

Las comunalidades son

hi2 li12 lin2

ANLISIS FACTORIAL

24

Construccin del modelo factorial:

mtodo de mxima verosimilitud
No se obtiene el mismo resultado por el mtodo
de mxima verosimilitud que por componentes
principales.
La proporcin de varianza explicada por el factor
j-simo calculada por mxima verosimilitud es:

Varianza total

hi2
s11 s pp

Nota:
Anlogamente para R

ANLISIS FACTORIAL

25

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

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

ANLISIS FACTORIAL
EJEMPLO

EXAMEN DE LA MATRIZ DE CORRELACIONES

Correlation Matrix

Correlation

Sig. (1-tailed)

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

Tamao
del
estableci
miento

Nivel de
Instruccin

1,000

,281

,136

,379

,281
,136
,379

1,000
-,101
,554

-,101
1,000
,164

,554
,164
1,000

,000

,000

,000

,000

,000
,000

,000
,000
,000

,000
,000

Edad

,000

Calificaci
n laboral

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

F1
P11
P12

F2
P21
P22

Cada columna es un factor y cada fila una

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

ANLISIS FACTORIAL
EJEMPLO
Component Matrixa
Component
1
2
Tamao del
establecimiento
Nivel de Instruccin
Edad
Calificacin laboral

,680

,202

,775
-,412
,185
,931
,859 1,103E-02

Extraction Method: Principal Component Analysis.

a. 2 components extracted.

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

ANLISIS FACTORIAL
EJEMPLO
EXTRACCIN DE MATRIZ FACTORIAL
Communalities
Initial
Tamao del
establecimiento
Nivel de Instruccin
Edad
Calificacin laboral

Extraction

1,000

,504

1,000
1,000
1,000

,771
,900
,738

Extraction Method: Principal Component Analysis.

Total Variance Explained

Component
1
2
3
4

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

Extraction Method: Principal Component Analysis.

Extraction Sums of Squared

Loadings
Rotation Sums of Squared Loadings
% of
Cumulativ
% of
Cumulativ
Total
Variance
e%
Total
Variance
e%
1,836
45,910
45,910
1,821
45,531
45,531
1,077
26,913
72,823
1,092
27,292
72,823

ANLISIS FACTORIAL
COMUNALIDADES
Se denomina "comunalidad" a la proporcin de la
varianza explicada por los factores comunes en una
variable. La comunalidad es la suma de los pesos
factoriales al cuadrado en cada una de las filas.
El Anlisis Factorial comienza sus clculos a partir de
lo que se conoce como matriz reducida compuesta por
los coeficientes de correlacin entre las variables y con
las comunalidades en la diagonal.

Como la comunalidad no se puede saber hasta que se

conocen los factores, este resulta ser uno de los
problemas del Anlisis Factorial.

ANLISIS FACTORIAL
NUMERO DE FACTORES A CONSERVAR
La matriz factorial presenta un nmero de factores
superior al necesario para explicar la estructura de
los datos. Generalmente hay un conjunto reducido
de factores, los primeros, que son los que explican la
mayor parte de la variabilidad total. Los otros
factores suelen contribuir relativamente poco.
Existen diversos criterios para determinar el nmero de
factores a conservar. Uno de los ms utilizados es la regla
de Kaiser: "conservar aquellos factores cuyos valores
propios (eigenvalues) son mayores a la unidad". Este
criterio tiende a sobreestimar el nmero de factores.

ANLISIS FACTORIAL
EJEMPLO
Scree Plot
2,0

1,5

Eigenvalue

1,0

,5

0,0
1

Com ponent Num ber

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

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

ANLISIS FACTORIAL
EJEMPLO
MATRIZ ROTADA
Rotated Component Matrixa

Component Transformation Matrix

Component
1
2
Tamao del
,645
establecimiento
Nivel de Instruccin
,826
Edad
5,196E-02
Calificacin laboral
,849

,296
-,298
,947
,132

Component
1
2

1
,990
-,141

2
,141
,990

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.

Extraction Method: Principal Component Analysis.

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

ANLISIS FACTORIAL
EJEMPLO
Component Plot in Rotated Space
edad

1,0

,5
tamao del estableci
calif icacin laboral
0,0

Component 2

niv el de instruccin

-,5

-1,0
-1,0

Com ponent 1

-,5

0,0

,5

1,0

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