UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
Departamento de Estadstica e Informtica
Tcnicas de Computacin
Captulo IV:
BOOTSTRAP EN EL ANLISIS FACTORIAL (AF)
Abrace a sus datos no al modelo
John Tukey
Introduccin
En muchos estudios de marketing, se desean analizar conceptos como
imagen de marca, estilo de vida, percepcin sobre canales de distribucin,
actitud ante el producto, etc, los cuales muchas veces no son observables
directamente. Sin embargo, se puede aproximar a tales conceptos de manera
indirecta midiendo un conjunto de variables que sean observables y que
conduzcan a una sntesis e interpretacin de tales conceptos.
Existen diferentes procedimientos que permiten lo anteriormente
mencionado, entre estos tenemos: el Anlisis de Componentes Principales y
el Anlisis Factorial.
El objetivo del Anlisis de Componentes Principales es explicar la mayor
parte de la variabilidad total de un conjunto de variables con el menor nmero
de componentes posible, en el Anlisis Factorial, los factores son
seleccionados para explicar las interrelaciones entre variables.
El Anlisis Factorial es un mtodo de interdependencia, esto es, no hace
distincin entre variables dependientes e independientes. Parte de un gran
nmero de variables para tratar de averiguar si tienen un nmero pequeo de
factores en comn que expliquen, bsicamente, lo mismo que las variables
observables de partida.
El Anlisis Factorial comprende diferentes mtodos que permiten examinar la
estructura subyacente en un conjunto de variables y condensar la informacin
que contienen, revelando las dimensiones fundamentales y por tanto,
simplificando las relaciones existentes entre las variables observables. En
suma, agrupan variables observables para formar otras nuevas denominadas
factores o factores latentes, que son combinaciones lineales de las anteriores
con la menor perdida de la informacin.
El Anlisis Factorial puede ser exploratorio o confirmatorio, en el anlisis
exploratorio se caracteriza porque no se conoce a priori el nmero de
factores y es en la aplicacin emprica donde se determina este nmero. Por
el contrario, en el anlisis de tipo confirmatorio los factores estn fijados a
priori, utilizndose contrastaciones empricas para su corroboracin.
En general, este mtodo se caracterizan por:
Ser mtodos descriptivos y de interdependencia
Reducir la dimensionalidad de un fenmeno tratando de perder la menor
informacin posible.
Trata toda la informacin disponible, son exhaustivos
Las escalas han de ser mtricas: de intervalos o de razn.
Ser de inters la representacin grafica que generan para la interpretacin.
La utilizacin del Anlisis Factorial se resume en dos trminos clave: reducir
e interpretar.
El objetivo de este captulo es desarrollar la aplicacin del Anlisis Factorial
con el Bootstrap y entender sus condiciones de aplicacin e interpretacin de
resultados.
MS Jaime Carlos Porras Cerrn
[email protected]
61
UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
Departamento de Estadstica e Informtica
Tcnicas de Computacin
El AF supone un proceso en el que se distinguen varias etapas
fundamentales:
1. Fase de Preparacin
a) Las variables
Las variables tienen que formar un conjunto coherente y susceptible de ser
captado mediante unas dimensiones fundamentales o factores.
Las variables deben venir medidas en escala mtrica puesto que este se
opera a partir de una matriz de correlaciones. Lgicamente, las escalas han
de ser comparables, puesto que si son muy diferentes es conveniente
estandarizar sus valores para efectuar el anlisis.
b) Las observaciones
Se recomienda tener al menos 100 casos para efectuar un anlisis factorial y
nunca menos de 50, aunque como indica Hair et al (1995), por lo menos se
ha de disponer de un numero de observaciones cinco veces mayor al nmero
de variables a analizar.
c) Las correlaciones
Para la obtencin de un nmero reducido de factores que reproduzcan y
expliquen la informacin contenida en la matriz de correlaciones tienen que
darse cierto nivel de correlacin entre las variables; si no fuera as el anlisis
factorial podra no tener sentido. Por tanto, antes de seguir con el anlisis
factorial es necesario examinar la matriz de correlaciones para comprobar si
efectivamente es pertinente continuar con el mismo.
1.1 Criterios para verificar si es factible realizar el AF
Existen diferentes criterios para determinar si se debe realizar o no un AF.
La matriz de correlaciones
Es un criterio prctico que consiste en observar si la mayora de
correlaciones entre pares de variables es superior a 0.5.
Determinante de R
Otro criterio prctico que se puede utilizar para saber si se debe realizar el
Anlisis Factorial consiste en calcular el determinante de la matriz de
correlaciones R.
Si el determinante de R es menor a 0.4 se puede afirmar que las variables se
encuentran intercorrelacionadas.
El ndice KMO
Otro indicador es el estadstico de Kaiser-Meyer-Olkin, o ndice KMO, que es
un cociente que compara la magnitud de los coeficientes de correlacin
observables con los coeficientes de correlaciones parciales. Su expresin es:
n
KMO
r
i 1 j i
r
i 1 j i
2
ij
2
ij
aij2
i 1 j i
MS Jaime Carlos Porras Cerrn
[email protected]62
UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
Departamento de Estadstica e Informtica
Tcnicas de Computacin
El valor de KMO vara entre 0 y 1. Para valores de 0.8 y 0.9 es bueno o muy
bueno; 0.7 es un valor intermedio, y 0.5 es el lmite por debajo del cual se
considera inaceptable el anlisis puesto que las correlaciones se daran entre
pares de variables, de tal forma que en tales correlaciones no intervendran
otras variables y no habra estructura de correlacin.
La prueba de esfericidad de Bartlett
Es una forma consistente de comprobar que la matriz de correlaciones es
significativamente distinta de la matriz identidad (cuya diagonal es la unidad y
los dems trminos son ceros). En caso que la matriz de correlaciones fuera
una matriz identidad no habra correlacin entre variables y no tendra sentido
seguir con el anlisis factorial. Una prueba que nos permite esta
comprobacin es el test de esfericidad de Bartlett, que es una transformacin
de la 2 y supone una poblacin normal multivariante.
2 p 5 ln R ~ 2
2 n 1
p 2 p 2
6
Donde:
n: Tamao de la muestra
p: Nmero de variables observadas
R : Determinante de la matriz de correlacin estimada.
La hiptesis nula y alternante seria las siguientes:
H0 : R I
H1 : R I
Si no se rechaza la hiptesis nula, y H0 : R I , entonces las p variables
observadas son mutuamente no correlacionadas. Por lo tanto no tendra
sentido aplicar el Anlisis Factorial.
El ndice MSA
Otro indicador es la medida de adecuacin de la muestra para cada variable
(MSA), este ndice es similar al KMO, pero para cada variable. Si el valor del
MSA fuera pequeo, no se aconsejara el AF. Por el contrario, valores
prximos a 1 indicaran que la variable Xj es adecuada para incluirla con el
resto en un AF.
Su expresin es:
rij2
j i
MSAi
rij2
j i
aij2
j i
En muchas ocasiones, se eliminan las variables con MSA muy bajo. (diagonal
principal de la matriz de correlacin anti-imagen).
MS Jaime Carlos Porras Cerrn
[email protected]63
UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
Departamento de Estadstica e Informtica
Tcnicas de Computacin
2. Extraccin y seleccin de los factores
2.1 Extraccin:
Comprende los procedimientos que permiten transformar las variables
observadas en factores o variables latentes (que son transformaciones
matemticas de las variables observadas) con el fin de reducir la
dimensionalidad de los datos. Estos factores se extraen de forma que sean
independientes entre s, o sea, ortogonales o incorrelacionados. Existen
diferentes mtodos para realizar esta transformacin algunos son:
Mtodo de componentes principales
Mnimos cuadrados no ponderados,
Mnimos cuadrados generalizados
Mxima verosimilitud.
Factorizacin de ejes principales
Anlisis alfa
Anlisis imagen
Aqu solo describiremos el Mtodo de Componentes Principales, dado que es
el ms utilizado y el que presentan por defecto la mayora de programas
estadsticos.
Anlisis de Componentes Principales (ACP)
Mediante este procedimiento, se busca la mejor combinacin lineal de
variables que recoja una mayor parte de la varianza de los datos. La
primera componente puede ser considerada como la que mejor resume las
relaciones lineales existentes en los datos. La segunda componente ser la
segunda mejor y as sucesivamente. La solucin de componentes principales
dar lugar a tantas componentes como variables haya en el anlisis.
Grficamente se entiende que el tamao de los ngulos puede relacionarse
directamente con el coeficiente de correlacin. Cuando dos variables
coinciden su coeficiente de correlacin es 1, el ngulo que forman es cero y
su coseno es 1 (-1 para variables opuestas). Si forman un ngulo de 90 su
coseno es 0 y no estn correlacionadas, luego son variables ortogonales.
En el ACP se empieza con la matriz de correlaciones entre las variables, y el
objetivo es generar a partir de ellas un nuevo conjunto de variables que no
estn correlacionadas entre s.
Si partimos de p variables observadas x1 , x2 ,, x p y tratamos de obtener
otras p variables (factores) relacionadas con las primeras de forma que:
y1 u11 x1 u12 x 2 u1 p x p
y 2 u 21 x1 u 22 x 2 u 2 p x p
y p u p1 x1 u p 2 x 2 u pp x p
Una medida de la variabilidad de las variables observadas la proporciona la
suma de la diagonal de la matriz de covarianzas. Para el caso de las
variables y1, y 2 , , y p se obtiene a partir de los autovalores j de la matriz de
covarianzas o de correlaciones.
MS Jaime Carlos Porras Cerrn
[email protected]64
UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
Departamento de Estadstica e Informtica
Tcnicas de Computacin
p
tr j
tr R j p
j 1
o
Si se utiliza la matriz de correlaciones esta suma es igual a p, dado que la
matriz de correlacin es de dimensin pxp y en la diagonal presenta p unos.
j 1
La proporcin de la variabilidad total que sintetiza una componente se calcula
dividiendo su valor propio por cualquiera de los trminos de la igualdad
anterior:
i
i
p i o
tr R p
tr
j
j 1
2.2 Seleccin de factores
Una vez determinado el procedimiento de cmo se obtendrn los factores el
siguiente paso es determinar cuntos factores se deben extraer. Existen
diferentes criterios entre algunos de ellos tenemos:
Fijar a priori el nmero de factores determinado: Tiene sentido su uso cuando
se dispone de informacin previa del fenmeno en estudio y por tanto del
nmero de factores que se espera identificar.
Fijar un porcentaje mnimo de varianza que se quiere conservar para el
anlisis y en funcin de esto, seleccionar el nmero de ejes. De esta forma se
asegura un cierto porcentaje de varianza explicada.
Grfico de sedimentacin o scree plot: Consiste en representar en la abscisa
el nmero de factores y en la ordenada el porcentaje explicado por cada
factor, seleccionando factores hasta que se llegue a uno cuya no
consideracin suponga una prdida de informacin mnima.
Criterio del valor propio (regla de Kaiser), segn el cual se seleccionan o
retienen a los que factores con valores propios mayores a uno.
Ejemplo del grfico de sedimentacin
Grfico de sedimentacin
Autovalor
0
1
Nmero de componente
MS Jaime Carlos Porras Cerrn
[email protected]65
UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
Departamento de Estadstica e Informtica
Tcnicas de Computacin
La Comunalidad
Es la proporcin de variabilidad de una variable explicada por el conjunto de k
primeros factores. Dado que, en el caso particular de la solucin inicial, dicho
conjunto coincide con el de todos los posibles, la variabilidad de todas y cada
una de las variables est totalmente explicada y, en consecuencia, todas las
comunalidades son iguales a uno.
La matriz de Componentes
Muestra la correlacin existente entre cada variable con cada uno de los
componentes extrados.
La matriz de componentes es til para determinar que variables tienen mayor
incidencia (o peso) en la formacin de cada factor y esto ayudara a dar un
nombre al factor extrado.
Si se eleva al cuadrado los elementos de cada factor y se suma por
Fila: Se obtienen las comunalidades de cada variable
Columna: Se obtiene los autovalores correspondientes a cada factor
3. Interpretacin: Representacin y Rotacin de Factores
3.1 Interpretacin
Los factores obtenidos son latentes, no observables, y su descripcin e
interpretacin debe contribuir a una mejor comprensin del tema objeto de
estudio.
La interpretacin se efecta considerando las correlaciones del factor con las
variables observadas iniciales (estos valores se encuentran en la matriz de
componentes), analizando cuales de estas variables contribuyen en mayor
medida a la formacin del mismo y a facilitar la identificacin de un nombre
para el factor. Se recomienda valores superiores a 0.5 en trminos absolutos.
La interpretacin supone un ejercicio en el que se pone de relieve la destreza
y habilidad del analista conocedor del fenmeno en estudio.
No obstante, se presentan casos en los que el coeficiente de correlacin de
las variables iniciales con el factor no permite una clara interpretacin ,
entonces se puede proceder a efectuar rotaciones para aumentar el valor de
los coeficientes de correlacin de algunas de las variables con los factores y
facilitar su interpretacin.
Puntuaciones de los factores
El anlisis factorial es en muchas ocasiones un paso previo a otros anlisis,
en los que se sustituye el conjunto de variables originales por los factores
obtenidos. Por ello, es necesario conocer los valores que toman los factores
en cada observacin.
Cuando se usa el mtodo de componentes principales las puntaciones
tambin conocidas como scores
se obtienen reemplazando las
observaciones estandarizados en cada una de las combinaciones lineales.
Representacin de las variables observadas
La representacin sobre el plano formado por los factores F 1 y F2 de las
variables se hace teniendo en cuenta que sus coordenadas son los
respectivos coeficientes de correlacin con esos factores. Es frecuente que el
MS Jaime Carlos Porras Cerrn
[email protected]66
UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
Departamento de Estadstica e Informtica
Tcnicas de Computacin
grfico se represente con un crculo cuyo centro es el origen o centro de
gravedad y su radio es la unidad.
Las variables que estn ms prximas al crculo estarn bien representadas,
y cuanto ms prximas estn a los factores o componentes mas constituyen
a su interpretacin. Por el contrario cuando no estn mas prximas al crculo
estn mal representadas, seguramente estarn correlacionadas con otras
dimensiones.
Representacin de individuos
Tambin es posible obtener una representacin de los casos mediante las
coordenadas sobre los factores considerados, lo que permite identificar
grupos de casos con determinadas segn la dimensin considerada.
Sin embargo, se ha de tener presente que los ejes resumen la informacin
aportada por el conjunto de los puntos y no la aportada por cada individuo
aisladamente. Como ocurre con las variables, algunos individuos pueden
estar mal representados por sus proyecciones sobre el plano factorial. No hay
que olvidar la cantidad de informacin que representa cada factor.
3.2 Rotacin de factores
Cuando se aplica el anlisis factorial se trata de que los factores comunes
tengan una interpretacin clara, porque de esa forma se analizan mejor las
interrelaciones existentes entre las variables originales. Sin embargo, en muy
pocas ocasiones resulta fcil encontrar una interpretacin adecuada de los
factores iniciales, con independencia del mtodo que se haya utilizado para
su extraccin.
Los procedimientos de rotacin de factores se han ideado para obtener, a
partir de la solucin inicial, unos factores que sean fcilmente interpretables.
En la solucin inicial cada uno de los factores comunes esta correlacionado
en mayor o menor medida con cada una de las variables originales. Pues
bien, con los factores rotados se trata de que cada una de las variables
originales tenga una correlacin lo ms prxima a 1 que sea posible con uno
de los factores y correlaciones prximas a cero con el resto de factores.
Existen varias formas de rotacin algunas de las ms importantes son:
Varimax,
Quartimax
Equamax
Promax
Oblimin directo
Una forma prctica de saber si los factores deben ser rotados consiste en
evaluar la matriz de componentes si muchas correlaciones para cada factor
de manera independiente son menores a 0.3, los factores deben ser rotados.
MS Jaime Carlos Porras Cerrn
[email protected]67
UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
Departamento de Estadstica e Informtica
Tcnicas de Computacin
Caso de Aplicacin: Machin Service
Una compaa de estudio de mercado desea analizar la percepcin que los
consumidores tienen respecto al servicio de mantenimiento de vehculos que
presta la empresa Machin Service. Las variables de inters tomados en
cuenta en este estudio fueron las siguientes:
X1 : Tiempo de entrega del vehculo
X2 : Nivel del costo por el servicio
X3 : Flexibilidad en los costos adicionales (cambio de repuestos, etc.)
X4 : Imagen del servicentro
X5 : Capacidad del servicentro
X6 : Imagen de los tcnicos de servicentro
X7 : Calidad del servicio
Cada uno de los encuestados emiti sus respuestas calificadas en la escala
de 0 a 100, siendo la respuesta calificada con 100 puntos el de Excelente y
totalmente responsable mientras el de 0 puntos Muy deficiente y totalmente
irresponsable.
Los datos recogidos se encuentran en el archivo Machin.sav.
1. Fase de Preparacin
Matriz de Correlaciones
Matriz de correlaciones
X1
X2
X3
X4
X5
X6
X7
1,000
,508
-,300
,268
,220
,228
,840
,508
1,000
-,487
,272
,513
,186
,470
-,300
-,487
1,000
-,116
,067
-,034
-,448
Imagen del servicentro (X4)
,268
,272
-,116
1,000
,299
,788
,200
Capacidad del servicentro (X5)
,220
,513
,067
,299
1,000
,241
-,055
,228
,186
-,034
,788
,241
1,000
,177
,840
,470
-,448
,200
-,055
,177
1,000
Tiempo de entrega del vehculo (X1)
Nivel del costo por el servicio (X2)
Flexibilidad en los costos adicionales
(X3)
Imagen de los tcnicos del
servicentro (X6)
Calidad del servicio (X7)
a. Determinante = ,021
Se puede observar una alta correlacin entre las variables X1 con X2, X7; X2
con X5 y X6 con X6.
Al analizar el determinante de la matriz de correlaciones (0.021) es menor a
0.4, lo que indica que las variables se encuentran mutuamente
correlacionadas.
MS Jaime Carlos Porras Cerrn
[email protected]68
UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
Departamento de Estadstica e Informtica
Tcnicas de Computacin
Matrices anti-imagen
Matrices anti-imagen
X1
X2
X3
X4
X5
X6
X7
Tiempo de entrega del vehculo
,217
,006
-,047
-,014
-,117
,007
-,169
Nivel del costo por el servicio
,006
,375
,221
-,011
-,249
,017
-,068
-,047
,221
,598
,046
-,139
-,041
,062
Imagen del servicentro
-,014
-,011
,046
,354
-,041
-,278
,005
Capacidad del servicentro
-,117
-,249
-,139
-,041
,440
-,016
,141
,007
,017
-,041
-,278
-,016
,372
-,019
-,169
-,068
,062
,005
,141
-,019
,189
,022
-,129
-,050
-,378
,025
-,834
,022
,467
-,030
-,613
,044
-,257
,099
-,271
-,087
,184
-,104
-,767
,021
-,040
,489
-,072
Flexibilidad en los costos
adicionales
Covarianza anti-imagen
Imagen de los tcnicos del
servicentro
Calidad del servicio
Tiempo de entrega del vehculo
Nivel del costo por el servicio
Flexibilidad en los costos
,622
,604
-,129
,467
Imagen del servicentro
-,050
-,030
,099
,598
Capacidad del servicentro
-,378
-,613
-,271
-,104
,356
,025
,044
-,087
-,767
-,040
,569
-,834
-,257
,184
,021
,489
-,072
adicionales
Correlacin anti-imagen
,588
Imagen de los tcnicos del
servicentro
Calidad del servicio
a. Medida de adecuacin muestral
Se puede apreciar que en la diagonal de la matriz de correlacin antiimagen
todos los valores son superiores a 0.5 excepto el correspondiente a la
variable X5 lo que indica que esa variable debe ser eliminada del anlisis.
Se debe volver a correr el anlisis eliminando la variable X5
Matriz de
correlaciones
a. Determinante = .047
Ahora el determinante de la matriz de correlaciones es 0.047 pero sigue
siendo menor a 0.4 con lo cual indica que se debe realizar en Analisis
Factorial
KMO
Segn el KMO=0.602> 0.5 se debe realizar el Anlisis Factorial porque las
variables se encuentran mutuamente correlacionadas.
MS Jaime Carlos Porras Cerrn
[email protected]69
,536
UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
Departamento de Estadstica e Informtica
Tcnicas de Computacin
Prueba de Esfericidad de Bartlett
H0 : R 1
H1 : R 1
=0.05
sig = 0.00< 0.05
Conclusin
Existe suficiente evidencia estadstica para afirmar que las variables
observadas son mutuamente correlacionadas; es decir se debe realizar el AF.
KMO y prueba de Bartlett
Medida de adecuacin muestral de Kaiser-Meyer-Olkin.
Prueba de esfericidad de
Chi-cuadrado aproximado
Bartlett
gl
Sig.
,602
293,413
15
,000
2. Extraccin y Seleccin de Factores
Grfico de Sedimentacin
Si se ubica el primer punto de inflexin este se encuentra en el tercer
componente es decir se debe considerar tres factores para el anlisis.
MS Jaime Carlos Porras Cerrn
[email protected]70
UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
Departamento de Estadstica e Informtica
Tcnicas de Computacin
Varianza Total explicada
Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales
extraccin
% de la
Componente
Total
varianza
% de la
% acumulado
Total
varianza
% acumulado
2,830
47,167
47,167
2,830
47,167
47,167
1,532
25,529
72,696
1,532
25,529
72,696
,803
13,380
86,076
,496
8,266
94,342
,207
3,454
97,796
,132
2,204
100,000
Mtodo de extraccin: Anlisis de Componentes principales.
Segn este anlisis solo se deben considerar dos factores porque sus
autovalores son mayores a 1 (Regla de Kaiser)
Con dos factores se explica el 72.696% de la variabilidad total.
La suma de los autovalores (2.83++0.132) debe ser igual a p (nmero de
variables) dado que se est trabajando con la matriz de correlaciones.
El valor 47.167% se obtiene de dividir 2.83 entre 6, es decir la variabilidad
explicada por cada uno de los factores se obtiene de dividir su autovalor entre
p dado que p es la suma total de los autovalores.
Si se quiere conservar como mnimo un 80% de variabilidad total se debe
considerar utilizar tres factores.
Si se quiere conservar como mnimo un 95% de variabilidad total se debe
considerar utilizar cinco factores.
Comunalidades
Comunalidades
Inicial
Extraccin
Tiempo de entrega del vehculo (X1)
1,000
,733
Nivel del costo por el servicio (X2)
1,000
,581
Flexibilidad en los costos adicionales (X3)
1,000
,485
Imagen del servicentro (X4)
1,000
,885
Imagen de los tcnicos del servicentro (X6)
1,000
,894
Calidad del servicio (X7)
1,000
,785
Mtodo de extraccin: Anlisis de Componentes principales.
El 73.3% de la variabilidad de la variable Tiempo de entrega del vehculo es
explicado por los 2 factores extrados.
El 58.1% de la variabilidad de la variable Nivel del costo de servicio es
explicado por los 2 factores extrados.
La variable mejor explicada es Imagen de los tcnicos del servicentro (mayor
comunalidad), la peor explicada es Flexibilidad en los costos adicionales
(menor comunalidad)
MS Jaime Carlos Porras Cerrn
[email protected]71
UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
Departamento de Estadstica e Informtica
Tcnicas de Computacin
3. Interpretacin: Representacin y Rotacin de Factores
Matriz de componentes
a
Matriz de componentes
Componente
1
Tiempo de entrega del vehiculo (X1)
,825
-,229
Nivel del costo por el servicio (X2)
,733
-,210
-,578
,388
Imagen del servicentro (X4)
,579
,741
Imagen de los tcnicos del servicentro (X6)
,517
,791
Calidad del servicio (X7)
,822
-,331
Flexibilidad en los costos adicionales (X3)
Mtodo de extraccin: Anlisis de componentes principales.
a. 2 componentes extrados
La variable Tiempo de entrega del vehculo, Nivel de costos por el servicio,
Flexibilidad en los costos adicionales y la Calidad del servicio, se encuentran
mejor representadas en el primer factor dado que tienen una correlacin
superior a 0.5 con este factor.
Las variablesImagen del Servicentro e Imagen de los tcnicos del servicentro
se encuentra mejor representada en el segundo factor dado que que tienen
una correlacin superior a 0.5con este factor.
Por lo tanto las variables X1, X2, X3 y X7tendran una mayor ponderacin en la
formacin del primer factor F1 ={X1, X2, X3 y X7} se le puede asignar un
nombre que englobe estas cuatrocaractersticas como por ejemplo el nombre
Servicio conjunto. Para la formacin del segundo las variables X4 y
X6tendran una mayor ponderacin F2={X4, X6} a este factor se le puede
denominar Imagen del Servicentro
Otra forma de calcular la comunalidad de cualquier variable es elevando al
cuadrado y sumando por fila los elementos de la matriz de componentes. Por
ejemplo para la variable Tiempo de entrega del vehculo es igual a (0.825)2 +
(-0.229)2 = 0.733
Otra forma de calcular los autovalores de cada factor es elevando al
cuadrado y sumando por columna los elementos de la matriz de
componentes. Por ejemplo para el primer factror es igual a (0.825)2 + (0.733)2
+ (-0.578)2++(-0.822)2= 2.83.
Como se pueden observar en la matriz de componentes todas las mayores
correlaciones de las variables con cada uno de los factores son superiores a
0.5 por lo que no es necesario rotar los factore.
Grfico de componentes
Se puede apreciar que las variables X1, X2 y X7 esta relacionadas
positivamente con el factor 1 y la variable X3 negativamente con el factor 1.
Las variables X4 y X6 se encuentran asociadas positivamente con el factor 2.
MS Jaime Carlos Porras Cerrn
[email protected]72
UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
Departamento de Estadstica e Informtica
Tcnicas de Computacin
Grfico de puntuaciones (o scores)
MS Jaime Carlos Porras Cerrn
[email protected]73
