Академический Документы
Профессиональный Документы
Культура Документы
Anlisis
Multivariante en Cmic
Anlisis Componentes
Factorial Principales (ACP)
Anlisis SPSS
Cluster
El anlisis de
componentes principales
fue desarrollado por
Harold Hotelling en 1933.
Actualmente es el mtodo
ms utilizado en investigacin social
y comercial.
El mtodo presupone que no hay factores comunes. Por tanto, ms que reducir
el nmero de variables trata de simplificar la estructura de los datos
transformando las variables en unas pocas componentes principales que sean
combinaciones lineales de las variables.
En otras palabras, esta tcnica estadstica analizando la estructura de
dependencia y correlacin que existe entre las variables, trata de transformar
un conjunto de variables interrelacionadas en un conjunto de variables no
correlacionadas llamadas factores, especificando como stas explican parte de
la informacin que contienen los factores.
El anlisis de componentes
principales busca la mejor Tratando de ajustar de
combinacin lineal de forma optima una nube de
las variables. puntos sobre un espacio de
1, 2, , n dimensiones
La tcnica estadstica considera que dos variables, por lo que tienen en comn,
estn relacionadas por su comunalidad. De modo, que existen una serie de
correlaciones comunes que se tendrn que localizar.
Cada variable, adems del componente comn, tiene una parte especfica que
no est relacionada con las dems, siendo explicada por factores especficos o
nicos.
En el Visor de SPSS...
Extraccin de factores
KMO =
r + a
j h j
2
jh
j h j
2
jh
KMO =
r + a
j h j
2
jh
j h j
2
jh
h j
rjh2
MSA j =
h j
rjh2 + h j
a2jh
La variable X8 = contenido potasio tiene una relacin 0,062 con el primer factor,
de 0,847 con el segundo, y de 0,356 con el tercero; de modo que X8 forma parte del
segundo factor.
Advirtase que en la extraccin se
haba fijado el criterio de extraer
autovalores mayores que 1.
Si se hubiera decidido que fueran
mayor que 1,6 se tendra:
Observaciones
Una variable puede tener menor comunalidad por su permanencia simultnea a
dos factores, en contra de lo ideal que estuviera saturada en un nico factor.
Es una variable compleja que no sirve para identificar la naturaleza de los factores.
Lo mejor es eliminarla del modelo, lo que producira un aumento en el porcentaje
de varianza explicada.
Hay diversos mtodos para realizar rotaciones factoriales, divididos en dos grandes
grupos: mtodos ortogonales y oblicuos.
Mtodo ortogonal: Gira los ejes ortogonalmente, en el mismo ngulo, motivo por el
que se utiliza cuando no existe relacin entre los factores. Los ms importantes:
Varimax: Minimiza el nmero de variables que tienen saturaciones altas en
cada factor. El objetivo es aumentar las saturaciones ms altas en un factor,
mientras que se disminuyen las ms bajas para que el factor se pueda interpretar
mejor. Es el mtodo ms utilizado en la investigacin de mercado y social.
Quartimax: Minimiza el nmero de factores necesarios para explicar cada
variable, concentrando la mayor parte de la varianza de cada variable en un factor
y dejando prximas a 0 el resto de saturaciones de cada variable.
Equamax: Combinacin del mtodo Varimax que simplifica los factores y el
mtodo Quartimax que simplifica las variables.
Mtodo oblicuo: Considera que dos factores pueden explicar una misma realidad,
que existe correlacin entre los factores, y en consecuencia cada eje podra girar en
un ngulo diferente. Se utiliza poco en la investigacin de mercado y social.
Oblimin directo: Cuando Delta es igual a 0 (valor por defecto) las soluciones son
las ms oblicuas. A medida que Delta se va haciendo ms negativo los factores
son menos oblicuos. Para anular el valor por defecto de Delta se puede introducir
un nmero menor o igual que 0,8.
Promax: Se calcula ms rpido que una rotacin Oblimin directo, por lo que es
til para un gran conjunto de datos. El parmetro que controla el clculo es
Kappa, el valor por defecto es 4, valor vlido para la mayora de los anlisis.
Rotacin
Grfico de saturacin
de componentes con
Con la rotacin varimax las variables tienen rotacin varimax.
saturaciones ms altas en un factor y ms bajas
en los dems factores.
La variable X3= contenido cloruros tiene una relacin 0,975
con el primer factor, de 0,099 con el segundo, y de 0,043
con el tercero; de modo que X3 forma parte del primer factor.
La variable X4 = contenido sulfatos tiene una relacin 0,145
con el primer factor, de 0,939 con el segundo, y de 0,039 con
el tercero; de modo que X4 forma parte del segundo factor.
La variable X8 = contenido potasio tiene una relacin 0,030 con el primer factor,
de 0,112 con el segundo, y de 0,914 con el tercero; de modo que X8 forma parte del
tercer factor.
Un factor se interpreta fcilmente cuando varias variables correlacionan altamente
con ste, y adems no estn relacionadas con otros factores.
Con las puntuaciones factoriales de cada unos de los sujetos en los factores
(componentes) extrados, rotuladas con los nombres FAC1_1, FAC2_1, FAC3_1,
se puede trabajar igual que con el resto de variables de la investigacin,
sabiendo que se trata de variables tipificadas.