Anlisis Factorial con Componentes Principales para la interpretacin de

Instrumentos empleados en Fase Descriptiva de las variables: Rbrica en

Lenguaje; Autorregulacin; Metacognicin, Autoeficacia; Autoconcepto y
Rendimiento en Lenguaje y Matemtica 2013, relacionados con la
Autoevaluacin de nios y nias en Etapas Tempranas

El Anlisis Factorial con mtodo de extraccin de Componentes Principales

sobre la variable principal puede aplicarse como un procedimiento de realce
previo a cualquier interpretacin, identificando los rasgos comunes que
aparecen en la mayora de las variables descriptoras y las cuales se integran en
los primeros componentes.

El anlisis factorial es una tcnica multivariante que tiene como objetivo

principal reducir la dimensin de una tabla de datos para pasar de p variables
reales a k variables ficticias que aunque no observables, sean combinacin
de las reales y sinteticen la mayor parte de la informacin contenida en los
datos.

El anlisis factorial se dirige a establecer si las covarianzas o correlaciones

observadas sobre un conjunto de variables pueden ser explicados en trminos
de un nmero pequeo no observable de variables no latentes (ficticias). De
esta manera, considrese a X como un vector aleatorio de tamao (p x 1) con
media y matriz de covarianzas ; se trata entonces de indagar acerca del
siguiente modelo:

= + + U

(1)

Donde:

es un vector (m x 1) de variables latentes o factores no observables.

es una matriz (p x m) de constantes desconocidas (m<p). Contiene los

coeficientes que describen como factores , afectan a las variables
observadas x, y se denomina matriz de carga.

es un vector (p x 1) de perturbaciones no observadas. Recoge el efecto de

todas las variables distintas de los factores que influyen sobre x.

La ecuacin (1) implica que dada una muestra aleatoria simple de n elementos
generada por el modelo factorial, cada xij puede escribirse como:

xij = j + j11i + ..... + jmmi + ij

(2)

La ecuacin (2) seala que la informacin contenida por cada variable

engloba" varios aspectos, compartidos en grado o intensidad distinta por las
dems variables, y alguna informacin exclusiva de la variable. Los elementos
de f son llamados los factores comunes y los elementos de U factores nicos o
especficos.

Al aplicar la tcnica del anlisis factorial usando el mtodo de componentes

principales se busca estudiar y explicar las covarianzas y correlaciones
existentes entre las diferentes variables.

Aplicacin del Anlisis Factorial en Variables asociadas a Autoevaluacin.

La base de datos empleada en el desarrollo de este estudio est conformada

por cuatro variables cuantitativas y 306 registros, vaciadas a una base de datos
en IBM SPSS Statistics v.23, tal como se muestra en la siguiente figura.

Se utiliz el paquete estadstico SPSS para realizar el anlisis factorial con el

mtodo de extraccin de componentes principales.

Contraste en el modelo factorial

Para el caso en estudio y antes de emplear la tcnica multivariada se realiz un

contraste de esfericidad de Bartlett y de Medida de KMO para determinar si hay
correlacin entre las variables objeto de estudio y para determinar si la tcnica
de anlisis factorial es aplicable en este caso.

La prueba de esfericidad de Bartlett evala la aplicabilidad del anlisis factorial

de las variables estudiadas. El modelo es significativo (aceptamos la hiptesis
nula, H0) cuando se puede aplicar el anlisis factorial

El test KMO (Kaiser, Meyer y Olkin) relaciona los coeficientes de correlacin

observados entre las variables en estudio; cuanto ms cerca de 1 tenga el valor

obtenido del test KMO, implica que la relacin entre las variables es alta. Si el
test resulta KMO 0,9, el test es muy bueno; notable para KMO 0,8;
mediano para KMO 0,7; bajo para KMO 0,6; y muy bajo para KMO < 0,5.

Prueba de esfericidad de Bartlett

Si Sig. (p-valor) < 0,05 aceptamos H0 (hiptesis nula) > se puede aplicar el
anlisis factorial.
Si Sig. (p-valor) > 0,05 rechazamos H0 > no se puede aplicar el anlisis
factorial.

Tabla 1: Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuacin de
muestreo
Prueba de esfericidad de
Aprox. Chi-cuadrado
Bartlett
gl
Sig.

0,573
85,187
6
0,000

Al observar los resultados en la tabla 1, el estadstico KMO tiene un valor de

0,573 que es bajo lo que indica que los datos se adecuan pobremente para
efectuar un anlisis factorial; pero como el contraste de Bartlett muestra un pvalor 0,000 indica que se rechaza la hiptesis nula de que las variables inciales
no estn correlacionadas, por lo tanto se decide aplicar un anlisis factorial

En este orden de ideas se contina con un anlisis descriptivo univariante para

determinar el coeficiente de variacin y as tener un primer plano de que
variables presentan mayor variacin que otras.

Tabla 2: Estadsticos descriptivos

Autorrep
Autoefi
Metacog
Autocon
N vlido (por
lista)

Media

305
306
306
306

12,45
9,4
20,4
16,49

Desviaci
n
estndar
5,332
2,19
4,368
2,439

Coeficient
e de
variacin
0,428
0,233
0,214
0,148

305

Con base a los resultados de la tabla 2 se puede concluir que entre las variables
consideradas, la ms constante es la variable Autocon y la de mayor variacin
es la variable Autorrep.

Ahora se analiza la matriz de correlaciones para observar cmo se comporta

cada variable frente a las otras y para observar su determinante, el cual debe
ser muy pequeo para poder decir que el grado de intercorrelacin entre las
variables es muy alto.

Tabla 3: Matriz de Correlaciones

Correlacin

Sig.
(unilateral)

Autorrep
Autoefi
Metacog
Autorrep
Autoefi

Autoefi Metacog Autocon

0,052
0,066
-0,028
0,428
0,178
0,253
0,181
0,125
0,311
0,000
0,001

Metacog

0,000

En la tabla 3 se observa que el determinante indica en general un bajo grado

de intercorrelacin entre las variables; aun cuando se observa que las variables
Autoefi y Metacong son las ms relacionadas (con r=0,428 y su p-valor=0,000);
y la variable Autorrep como las menos relacionadas con las otras tres.

Al aplicar el mtodo de extraccin de componentes principales en el anlisis

factorial con rotacin Varimax se observan los resultados mostrados en las
Tablas 4.

Tabla 4: Varianza total explicada

Autovalores iniciales

Componen
te
Total
1
2
3
4

% de
varianza

1,593

39,833

1,017

25,422

0,827
0,563

20,675
14,070

Sumas de rotacin de cargas al

cuadrado

%
acumulado Total
1,59
0
1,02
65,255
0
85,930
100,000
39,833

% de
varianza

%
acumulado

39,745

39,745

25,510

65,255

Mtodo de extraccin: anlisis de componentes principales.

En la Tabla 4 la columna Total, en la columna Sumas de rotacin de cargas al

cuadrado, representa los valores propios conocidos tambin como eigenvalores
para cada componente; en la siguiente columna se observa el porcentaje de
varianza explicada con el mtodo de extraccin, sin embargo al aplicar la
rotacin de los ejes se ve como el porcentaje de explicacin particular vara,
pero el acumulado sigue siendo el mismo (respecto de los autovalores
iniciales), esto se debe a que en el momento de realizar la rotacin algunas
variables cambian de componente, pero el objetivo sigue siendo el mismo, el
cual es minimizar las distancias entre cada grupo perdiendo la mnima
informacin posible a la vez que se aumenta la relacin de las variables que
quedan en cada factor. Con base a la teora se puede concluir como con la

tcnica de anlisis factorial se pasa de cuatro variables observables a dos

ficticias con las cuales se explica el 65,255 % de la variacin total.

La Tabla 5 contiene las proyecciones de cada una de las variables sobre cada
uno de los factores encontrados mediante el mtodo de componentes
principales, estas proyecciones reciben el nombre de saturaciones. Al sumar el
cuadrado de cada saturacin para cada componente Factor se obtiene su
eigenvalor citado en la tabla 4, por lo tanto para el primer factor ser: 0,057 +
0,761 + 0,807 + 0,597 = 2,222. De igual manera el clculo para el factor 2
ser: -0,948 + 0,126 + 0,099 - 0,309 = 0,864.

Tabla 5: Matriz de componente

rotadoa
Componente
1
Autorrep
Autoefi
Metacog
Autocon

2
0,057
0,761
0,807
0,597

0,948
0,126
0,099
-0,309

Mtodo de extraccin: anlisis de

componentes principales.
Mtodo de rotacin: Varimax con
normalizacin Kaiser.

Del anlisis factorial (Matriz de

componentes rotados) se puede
concluir que las cuatro variables
son explicadas suficientemente
con dos factores, en donde el
primer factor agrupa las variables:
Autoefi, Metacog y Autocon.

a) Componente 1: la asociacin de las variables Autoefi, Metacog y Autocon

estn relacionadas con la Autoevaluacin. La relacin tan alta con Metacog
implica que esta variable es responsable en mayor cuanta del incremento
en la Autoevaluacin. Se llamar Factor de Cognicin.

b) b) Componente 2: La relacin tan alta de Autorrep implica que esta variable

es responsable, por si sola, en mayor cuanta del incremento en la
Autoevaluacin. Se llamar Factor de Responsabilidad.

Con la Tabla 6 se puede obtener las transformaciones lineales que relacionan

los componentes con las variables, y por lo tanto encontrar el resultado de las
dos nuevas variables ficticias para cada registro.
Tabla 6: Matriz de coeficiente de puntuacin de componente
Componente
1

Autorrep

0,009

0,929

Autoefi

0,476

0,103

Metacog

0,506

0,074

Autocon

0,385

-0,320

Mtodo de extraccin: anlisis de componentes principales.

Mtodo de rotacin: Varimax con normalizacin Kaiser.
Puntuaciones de componente.

De tal manera que las frmulas para las nuevas transformaciones lineales son:

C1 = 0,009*Autorrep + 0,476*Autoefi + 0,506*Metacog + 0,385*Autocon

(3)
C2 = 0,929*Autorrep + 0,103*Autoefi + 0,074*Metacog 0,320*Autocon
(4)
Conclusin
Al reemplazar en las ecuaciones (3) y (4) el valor de las variables originales del
primer registro presentado en la Tabla 2 se encuentra el valor de dichas
variables sustitutas:
C1 = 21,2575

C2 = 8,76705

Esto indica que la variable Metacog incide fuertemente en el valor de la primera

transformacin, tal como se observa en la Tabla 5.
Adems, con la tcnica de anlisis factorial se pudo reducir la dimensin de
cuatro variables originales a dos variables sustitutas con las que se podrn
realizar estudios en dos dimensiones siendo ms prctico para quin las realice.