4.

ANÁLISIS FACTORIAL

 Introducción
 Modelo factorial ortogonal
 Construcción del modelo factorial:
método de componentes principales
 Construcción del modelo factorial:
método de máxima verosimilitud
 Análisis factorial y componentes
principales

1
 Introducción

Las variables dependen de factores inobservables.

Los factores latentes explican comportamientos

visibles en las variables.

El objetivo es analizar si hay factores (menos

que variables) que expliquen dichas variables.

2
ANÁLISIS FACTORIAL
Modelo factorial ortogonal
 X1 
    EX
Sea X     con
X    VX
 p
 F1 
 
Factores comunes: F    
F 
 m  1 
 
Factores específicos o errores:     
 
 m
 l11 l12  l1m 
 
 l21 l22  l2 m  Nota:
Matriz de cargas: L        l =carga de X sobre F
ij i j

 
l l p2  l pm  pxm
 p1 m p

3
ANÁLISIS FACTORIAL
 Modelo factorial ortogonal

Matricialmente, el modelo factorial es: X    LF  

Escribiéndolo de forma desarrollada, quedaría

X 1  1  l11 F1  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

4
ANÁLISIS FACTORIAL
Modelo factorial ortogonal

Requisitos:

(i ) E ( F )  0 y V ( F )  E ( FF ' )  I
 1 0 
 
(ii ) E ( )  0 y V ( )  E ( ' )    
0  
 m
(iii )  y F son incorrelados :
E ' F  EF '  0  cov( , F )

Si se cumplen estas tres condiciones se dice que

el modelo es factorial ortogonal.

5
ANÁLISIS FACTORIAL
Modelo factorial ortogonal

Observaciones:

Comunalidad (hi2)
(i )   LL '  Especificidad

 ii  li21  li22    lim2  i  hi2  i

La variabilidad de la variable i se descompone en
parte común (se puede medir) y específica (no
se puede medir).

(ii ) cov( X , F )  L

6
ANÁLISIS FACTORIAL
Modelo factorial ortogonal

Ejemplo

(i) Número 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 
 

7
ANÁLISIS FACTORIAL
EJEMPLOS 8
Modelo factorial ortogonal

(iii) No siempre existe un modelo factorial ortogonal.

(iv) Si existe modelo factorial no siempre es único

(si tiene más de un factor, no es único).

9
ANÁLISIS FACTORIAL
 Modelo factorial ortogonal

Ejemplo

Analizar si existe un modelo unifactorial para

explicar estas tres variables:

 1 0,9 0,7   X1 
   
   0,9 1 0,4  X   X2 
 0,7 0,4 1  X 
   3

10
ANÁLISIS FACTORIAL
Construcción del modelo factorial:
método de componentes principales
 X1 
    EX
Sea X    y ; X    LF   .
X    VX
 p
Si  tiene los siguientes autovalores y autovectores,
( 1, e1 ), , ( p , e p ) con  1    p  0
la descomposición exacta de  es
   1e1e1 ' 2 e2 e2 '    p e p e p ' 
  1 e1 ' 
 
   1 e1  
 p e p     LL'.
 
  p ep '
11
ANÁLISIS FACTORIAL
Construcción del modelo factorial:
método de componentes principales

La descomposición exacta de
 tiene p factores; se puede utilizar la matriz  para
disminuir el número de factores.

Si  tiene los siguientes autovalores y autovectores

( 1, e1 ),, ( p , e p ) con  1    p  0,

12
ANÁLISIS FACTORIAL
 Construcción del modelo factorial:
método de componentes principales

la descomposición de  es

  1 e1   1 0 
   
 pxp    1 e1  
 m em pxm       ,
  0 
  e
m m   p
mxp

donde i   ii  h 2
i .

Entonces   LL '  .

13
ANÁLISIS FACTORIAL
Construcción del modelo factorial:
método de componentes principales
Modelo factorial muestral

 X 11  X 1 p   X1 
   
X      con X     y S
X  X  X 
 n1 np   p

Entonces

~~ ~
X  X  L L '  ,

14
ANÁLISIS FACTORIAL
Construcción del modelo factorial:
método de componentes principales

donde los autovalores y autovectores son

(ˆ 1, eˆ1 ), , (ˆ p , eˆ p ) con ˆ 1   ˆ p  0

~
y la matriz de cargas L   ˆ 1 eˆ1 ˆ m eˆm 
 

~2 ~2 ~2
Además, hi  li1    lim

Nota:
Análogamente para R

15
ANÁLISIS FACTORIAL
Construcción del modelo factorial:
método de máxima verosimilitud
X    LF  
Sea X ~ N p (  , ), donde
  LL ' 

Y sea f ( x1 ,  , xn )   f ( xi ) 
n
1  1 
 1/ 2
exp   ( xi   )'  1
( x i   ) 
i 1 ( 2 )   2 
p/2

1  1 n 

(2 ) np / 2
LL ' 
n/2
exp 


2

i 1
( xi   )' ( LL '  ) 1
( xi   ) 


Sean Lˆ , 
ˆ , ˆ que maximizan f ( x , , x ).
1 n

16
ANÁLISIS FACTORIAL
Construcción del modelo factorial:
método de máxima verosimilitud

Propiedades

 No hay óptimo único: se requiere

L'  1 L   (diagonal )

 La solución se obtiene computacionalmente.

 Las comunalidades son

hˆi2  lˆi12    lˆin2

17
ANÁLISIS FACTORIAL
Construcción del modelo factorial:
método de máxima verosimilitud

 No se obtiene el mismo resultado por el método

de máxima verosimilitud que por componentes
principales.

 La proporción de varianza explicada por el factor

j-ésimo calculada por máxima verosimilitud es:

hˆi2
Varianza total
s11   s pp Nota:
Análogamente para R

18
ANÁLISIS FACTORIAL
 Análisis factorial y componentes principales

El análisis factorial y el análisis de componentes

principales están muy relacionados entre sí, pero
existen varias diferencias:

 Mientras que el análisis de componentes

principales busca hallar combinaciones lineales de
las variables originales que expliquen la mayor parte
de la varianza total, el análisis factorial
pretende hallar un nuevo conjunto de variables no
observables, menor
en número que las variables originales, que exprese
la mayor parte de la varianza común.
19
ANÁLISIS FACTORIAL
 Análisis factorial y componentes principales

 El análisis factorial supone que existen factores

comunes subyacentes a todas las variables, mientras
que el análisis de componentes principales, no.

20
ANÁLISIS FACTORIAL
EJEMPLOS 21
EJEMPLOS 23
EJEMPLOS 24
EJEMPLOS 26
EJEMPLOS 27
EJEMPLOS 28
EJEMPLOS 29
EJEMPLOS 30
EJEMPLOS 31
EJEMPLOS 32
EJEMPLOS 33
EJEMPLOS 34
EJEMPLOS 37
EJEMPLOS 39
EJEMPLOS 48
EJEMPLOS 49
EJEMPLOS 50
EJEMPLOS 54
EJEMPLOS 55
EJEMPLOS 56
EJEMPLOS 57
EJEMPLOS 58
EJEMPLOS 59