1
Análisis Factorial 1
Ferreira, J., López, N.
Facultad de Humanidades y Educación. Universidad Central de Venezuela
0018: Psicometría II
Prof. Cindy Camacho
21 de octubre de 2024
2
KMO y Bartlett
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de ,789
muestreo
Prueba de esfericidad de Aprox. Chi-cuadrado 4078,924
Bartlett
gl 1653
Sig. ,000
Medida Kaiser-Meyer-Olkin (KMO)
Valor de KMO: 0.789: Esta medida evalúa si los datos son adecuados para un análisis
factorial. El índice KMO varía entre 0 y 1, donde un valor cercano a 1 indica que los datos son
adecuados para el análisis factorial, y valores por debajo de 0.5 sugieren que el análisis
factorial no es apropiado.
En este caso, el valor de KMO es 0.789, lo que indica una adecuada adecuación
muestral. Un valor superior a 0.7 es generalmente considerado aceptable para proceder con el
análisis factorial, por lo que podemos inferir que los datos son adecuados para este tipo de
análisis.
Prueba de esfericidad de Bartlett
En este caso, el valor de significancia (Sig.) es 0.000, lo que significa que el resultado
es estadísticamente significativo (p < 0.05). Esto indica que las correlaciones entre las variables
no son iguales a cero, por lo tanto, el análisis factorial es adecuado.
Conclusión
El valor de KMO de 0.789 sugiere que el muestreo es lo suficientemente adecuado para
realizar el análisis factorial y la prueba de Bartlett es significativa (p < 0.05), lo que sugiere que
las variables están correlacionadas de manera que permite identificar factores subyacentes.
Por lo tanto, ambos resultados indican que los datos son apropiados para realizar un análisis
factorial, lo que significa que es
Comunalidades
3
Inicial
Al tomar decisiones, elijo la que me genere tranquilidad 1,000
Me comparo con otros frecuentemente 1,000
Los desafíos y fracasos son oportunidades para aprender 1,000
Valoro mis esfuerzos, aunque no logre mis metas 1,000
Soluciono los problemas de acuerdo con mis posibilidades 1,000
Mi visión de la vida es única e irrepetible 1,000
Puedo crear un ambiente positivo y saludable a mi alrededor 1,000
Busco las soluciones para los desafíos que se presentan 1,000
Quiero ser la mejor versión de mí mismo 1,000
Merezco que otros sean irrespetuosos conmigo 1,000
El equilibrio en mi vida depende de cómo me sienta emocionalmente 1,000
Entiendo que no siempre puedo cumplir con los objetivos del día 1,000
Considero que mi vida no tiene ningún propósito 1,000
Tengo la capacidad de adaptarme a cualquier situación 1,000
No necesito la opinión de otros para tomar decisiones 1,000
Vivo de acuerdo con mis propias reglas 1,000
Encuentro satisfacción en aquello a lo que me dedico 1,000
Considero que el respeto es irrelevante en las relaciones interpersonales 1,000
Me llevo bien con mis compañeros a pesar de las diferencias 1,000
La solidaridad es importante para trabajar en equipo 1,000
Soy capaz de reconocer cuando no he hecho algo correctamente 1,000
El propósito de mi vida es ayudar a otras personas 1,000
Mi hogar me proporciona lo que necesito para estar a gusto 1,000
4
Mi autoestima es independiente de las circunstancias 1,000
Hago uso de diversas herramientas para seguir creciendo 1,000
Colocar límites es fundamental para mi bienestar 1,000
Respetarme a mí mismo es primordial para mi crecimiento personal 1,000
Mis fracasos y debilidades valen más que mis habilidades y fortalezas 1,000
Tengo un propósito definido en todas las áreas de mi vida 1,000
Prefiero comenzar con las tareas fáciles antes que las difíciles 1,000
Me mantengo firme a mis decisiones pese a las consecuencias 1,000
Soy capaz de tomar decisiones en situaciones complicadas 1,000
Desarrollo hábitos que me permiten conocerme mejor 1,000
Cuando estoy en desacuerdo con algo, comunico mi opinión de forma asertiva 1,000
El respeto es parte fundamental en mis relaciones 1,000
Demuestro empatía en mis relaciones 1,000
Me identifico como una persona valiosa 1,000
Mi percepción, respecto a una meta, cambia con el tiempo 1,000
Comprendo que habrá situaciones fuera de mi control 1,000
Necesito presión de otras personas para poder realizar mis actividades 1,000
Me esfuerzo por hacer mejor las cosas 1,000
Procuro mantener relaciones laborales saludables 1,000
Sigo adelante a pesar de que no todo salga como espero 1,000
Al fijarme un objetivo, me concentro y lo alcanzo fácilmente 1,000
Los lugares que frecuento me hacen sentir cómodo 1,000
Cuando un hábito perjudica mi salud, sé cuándo detenerme 1,000
Siento que mis acciones me acercan a la persona que quiero ser 1,000
Soy amable y colaborador cuando otros necesitan de mi ayuda 1,000
5
Reconozco mis propias habilidades y fortalezas 1,000
Mi misión en la vida es divertirme y ser feliz 1,000
Me organizo para cumplir con mis tareas diarias 1,000
Valoro los diferentes puntos de vista para tomar decisiones 1,000
Tengo claridad sobre aquello que debo mejorar 1,000
Dedico esfuerzo en aprender de mis errores pasados. 1,000
Soy una persona transparente en mis relaciones 1,000
Soy una persona segura de mis propias habilidades 1,000
Mi aspiración es que mis proyectos logren un cambio en la sociedad. 1,000
Para mí el éxito es la satisfacción de alcanzar mis metas. 1,000
Método de extracción: análisis de componentes principales.
Análisis:
La tabla de comunalidades en un análisis factorial muestra qué proporción de la
varianza de cada variable original es explicada por los factores extraídos. El valor inicial de las
comunalidades es siempre 1, ya que cada variable explica el 100% de su propia varianza al
inicio del análisis. En este caso, cada variable original tiene una comunalidad inicial de 1, lo que
significa que el 100% de la varianza de cada variable está disponible para ser explicado por los
componentes o factores. Después de realizar el análisis de componentes principales, los
valores de comunalidades finales reflejarían qué proporción de la varianza de cada variable ha
sido explicada por los factores retenidos.
En esta tabla, sin los valores finales de comunalidad, no podemos ver cuánta varianza
ha sido explicada, pero en un análisis típico, valores más cercanos a 1 indicarían que gran
parte de la varianza de esa variable es explicada por los factores. Valores bajos (por ejemplo,
cerca de 0.5 o menos) sugerirían que la variable no está bien explicada por los factores y
quizás podría ser excluida o reconsiderada en el análisis.
Conclusiones potenciales (en base a los resultados esperados).
Comunalidades altas (cercanas a 1): Si la mayoría de las comunalidades finales
resultan cercanas a 1, significaría que los factores extraídos explican bien la varianza de cada
6
una de las variables. Esto sugeriría que el modelo factorial es adecuado para representar las
relaciones entre las variables originales.
Comunalidades bajas (mucho menores que 1): Si varios de los valores finales fueran
bajos (por ejemplo, menores a 0.5), eso indicaría que algunos de los ítems no están bien
representados por los factores extraídos. En este caso, podrías considerar eliminar esas
variables del análisis o aumentar el número de factores para mejorar la representación.
En resumen, el análisis de componentes principales busca reducir la complejidad de los
datos manteniendo la mayor cantidad de información posible, y las comunalidades nos ayudan
a entender cómo cada variable original está representada por los factores extraídos.
Varianza total explicada
Autovalores iniciales Sumas de rotación de cargas al cuadrado
Componente Total % de varianza % acumulado Total % de varianza % acumulado
1 11,959 20,619 20,619 5,050 8,706 8,706
2 2,626 4,528 25,147 4,942 8,520 17,226
3 2,280 3,930 29,077 4,121 7,106 24,332
4 2,199 3,791 32,869 3,885 6,697 31,029
5 2,021 3,484 36,352 2,592 4,468 35,498
6 1,918 3,307 39,660 2,414 4,162 39,660
7 1,715 2,957 42,617
8 1,550 2,672 45,289
9 1,477 2,546 47,835
10 1,431 2,468 50,303
11 1,297 2,236 52,540
12 1,290 2,225 54,765
13 1,198 2,066 56,830
14 1,154 1,990 58,820
7
15 1,121 1,933 60,753
16 1,069 1,843 62,596
17 1,031 1,778 64,374
18 1,012 1,745 66,119
19 ,996 1,717 67,835
20 ,951 1,639 69,475
21 ,938 1,617 71,092
22 ,899 1,550 72,642
23 ,863 1,487 74,129
24 ,835 1,440 75,570
25 ,795 1,370 76,940
26 ,785 1,353 78,293
27 ,745 1,285 79,578
28 ,721 1,243 80,821
29 ,710 1,225 82,045
30 ,663 1,143 83,188
31 ,635 1,095 84,284
32 ,607 1,046 85,330
33 ,600 1,035 86,365
34 ,553 ,953 87,318
35 ,534 ,920 88,238
36 ,507 ,874 89,112
37 ,490 ,844 89,956
38 ,467 ,805 90,761
39 ,430 ,741 91,502
8
40 ,422 ,727 92,229
41 ,393 ,678 92,907
42 ,364 ,628 93,536
43 ,353 ,609 94,145
44 ,340 ,587 94,732
45 ,313 ,540 95,271
46 ,284 ,489 95,760
47 ,280 ,483 96,243
48 ,263 ,453 96,696
49 ,262 ,452 97,148
50 ,247 ,425 97,574
51 ,232 ,399 97,973
52 ,216 ,372 98,346
53 ,197 ,339 98,685
54 ,188 ,325 99,010
55 ,171 ,295 99,305
56 ,159 ,274 99,579
57 ,133 ,229 99,807
58 ,112 ,193 100,000
Método de extracción: análisis de componentes principales.
Análisis:
En esta tabla, se presenta la cantidad de varianza explicada por cada uno de los
componentes extraídos mediante el análisis de componentes principales. Esta información es
clave para determinar cuántos factores o componentes deben ser retenidos en el análisis, y
cuánta varianza total de los datos originales es explicada por dichos factores.
9
Los autovalores reflejan la cantidad de varianza que cada componente explica en los
datos originales. Solo los componentes con autovalores superiores a 1 suelen ser considerados
relevantes, según el criterio de Kaiser. En la tabla, los primeros seis componentes tienen
autovalores superiores a 1, lo que indica que estos seis componentes explican una cantidad
significativa de varianza en los datos originales.
El porcentaje de varianza muestra cuánta de la varianza total es explicada por cada
componente. El primer componente explica el 20.619% de la varianza total. El segundo
componente explica el 4.528%, sumando un total acumulado de 25.147%. En general, los
primeros seis componentes explican en conjunto un 39.660% de la varianza total, lo que
sugiere que estos seis componentes capturan una cantidad razonable de la información
contenida en los datos originales.
La varianza acumulada es importante para entender cuánto de la varianza total de los
datos originales es explicada por los componentes retenidos. Después de los primeros seis
componentes, se explica un total del 39.660% de la varianza. Si se consideraran más
componentes, se podría alcanzar el 50.303% de la varianza total con 10 componentes y el
66.119% con 18 componentes. Sin embargo, generalmente se retienen los componentes que
superan el criterio de Kaiser o aquellos necesarios para explicar un porcentaje acumulado
suficiente (generalmente alrededor del 60-70%).
Después de la rotación (un proceso que mejora la interpretación de los factores), se
observa cómo se redistribuye la varianza explicada entre los componentes. Por ejemplo, tras la
rotación, el primer componente explica solo el 8.706% de la varianza (en lugar del 20.619%
inicial), lo que indica que la rotación ha distribuido la varianza más equitativamente entre los
componentes. Tras la rotación, los seis primeros componentes explican en total el 39.660% de
la varianza, pero con una distribución más homogénea entre ellos.
Según el criterio de Kaiser (autovalores mayores a 1), se deberían retener los primeros
6 componentes, ya que tienen autovalores superiores a 1 y explican juntos el 39.660% de la
varianza. Aunque este porcentaje de varianza no es extremadamente alto, es común que, en
análisis de datos complejos, los primeros factores expliquen menos del 50% de la varianza,
especialmente cuando se trata de datos psicológicos o sociales, donde las variables son más
diversas.
Aunque los seis primeros factores explican casi el 40% de la varianza, si se deseara
explicar más del 60% de la varianza, se tendrían que retener más factores, probablemente
10
hasta el componente 17 o 18. Sin embargo, esto podría complicar la interpretación del análisis,
ya que añadir más componentes disminuye la simplicidad del modelo.
Cada uno de los componentes extraídos tras la rotación debe ser interpretado en
términos de las variables originales que más fuertemente cargan en ese componente. Estos
factores podrían representar dimensiones subyacentes clave dentro de los datos, y su
interpretación dependerá del análisis de las cargas factoriales. En resumen, para este análisis
factorial, se recomienda retener los primeros 6 componentes basándose en el criterio de Kaiser
y la varianza explicada. Estos componentes, tras la rotación, explican el 39.660% de la
varianza de los datos, lo cual es adecuado para un análisis factorial en dominios donde las
variables pueden ser complejas y multifactoriales.
Figura 1: Gráfico de sedimentación mostrando los autovalores asociados con los componentes extraídos
en el análisis factorial
El gráfico proporcionado es un gráfico de sedimentación, que muestra los autovalores
asociados con cada componente extraído en un análisis factorial. Este gráfico se utiliza para
decidir cuántos factores o componentes deben ser retenidos en el análisis.
11
En el eje vertical se muestran los autovalores de los componentes. Un autovalor mayor
a 1 significa que ese componente explica una varianza significativa en los datos. El eje
horizontal representa los componentes extraídos, ordenados por la cantidad de varianza que
explican, desde el componente que explica más varianza (componente 1) hasta el que explica
menos (componente 58 en este caso).
Normalmente, solo se retienen los componentes cuyos autovalores son mayores a 1, ya
que estos explican más varianza que una sola variable original. En el gráfico, podemos
observar que los primeros 6 componentes tienen autovalores mayores a 1, lo que está en línea
con el análisis de la tabla de varianza total explicada previamente.
El “codo” del gráfico es el punto donde la curva empieza a aplanarse. Este es un
indicativo clave para determinar cuántos componentes deben ser retenidos. En este caso, el
“codo” se encuentra alrededor del componente 6, lo que sugiere que los primeros 6
componentes explican la mayor parte de la varianza. A partir del componente 6, los autovalores
disminuyen rápidamente y la adición de más componentes no explicaría mucha más varianza
significativa.
Conclusiones:
Número de componentes retenidos: El análisis del gráfico de sedimentación, junto con
el criterio de Kaiser (autovalores > 1), indica que los primeros 6 componentes deben ser
retenidos en el análisis factorial, ya que explican la mayor cantidad de varianza significativa.
Varianza explicada: Los primeros 6 componentes explican una parte importante de la
varianza total de los datos (39.660%, según la tabla de varianza total explicada).
Simplificación del modelo: Retener estos 6 componentes permite reducir la complejidad
del conjunto de datos, ya que se puede trabajar con una menor cantidad de factores sin perder
mucha información, optimizando así la interpretación. En resumen, el gráfico de sedimentación
refuerza la decisión de retener los primeros 6 componentes en el análisis factorial, ya que estos
explican una cantidad significativa de la varianza en los datos.
Matriz de componente rotadoa
Componente
1 2 3 4 5 6
Cuando un hábito perjudica mi salud, sé cuándo detenerme ,709
Al fijarme un objetivo, me concentro y lo alcanzo fácilmente ,642
Reconozco mis propias habilidades y fortalezas ,565 ,472
Tengo un propósito definido en todas las áreas de mi vida ,565
12
Me organizo para cumplir con mis tareas diarias ,557 ,342
El respeto es parte fundamental en mis relaciones ,519 ,315 -,364
Me identifico como una persona valiosa ,503 ,365 ,306
Encuentro satisfacción en aquello a lo que me dedico ,499 ,305
Soy una persona segura de mis propias habilidades ,422 ,336 ,329
Siento que mis acciones me acercan a la persona que quiero ser ,407
Mi misión en la vida es divertirme y ser feliz ,323 ,311
Valoro los diferentes puntos de vista para tomar decisiones ,565
El propósito de mi vida es ayudar a otras personas ,549
Hago uso de diversas herramientas para seguir creciendo ,537 ,375
Me llevo bien con mis compañeros a pesar de las diferencias ,537
La solidaridad es importante para trabajar en equipo ,305 ,519 -,361
Mi autoestima es independiente de las circunstancias ,517
Valoro mis esfuerzos, aunque no logre mis metas ,363 ,503
Procuro mantener relaciones laborales saludables ,479 ,339
Cuando estoy en desacuerdo con algo, comunico mi opinión de forma
,449
asertiva
Merezco que otros sean irrespetuosos conmigo -,414
Mi hogar me proporciona lo que necesito para estar a gusto ,399 ,360
Desarrollo hábitos que me permiten conocerme mejor ,360 ,398
Los lugares que frecuento me hacen sentir cómodo ,322 ,331
Quiero ser la mejor versión de mí mismo ,619
Para mí el éxito es la satisfacción de alcanzar mis metas. ,543
Respetarme a mí mismo es primordial para mi crecimiento personal ,496
Colocar límites es fundamental para mi bienestar ,488
Dedico esfuerzo en aprender de mis errores pasados. ,461
Al tomar decisiones, elijo la que me genere tranquilidad ,419
Soy amable y colaborador cuando otros necesitan de mi ayuda ,364 ,411 ,347
Busco las soluciones para los desafíos que se presentan ,374 ,409 ,323
Puedo crear un ambiente positivo y saludable a mi alrededor ,357 ,403
Me esfuerzo por hacer mejor las cosas ,382 -,304
Tengo la capacidad de adaptarme a cualquier situación ,360
Comprendo que habrá situaciones fuera de mi control ,635
No necesito la opinión de otros para tomar decisiones ,573
Me mantengo firme a mis decisiones pese a las consecuencias ,495
Soluciono los problemas de acuerdo con mis posibilidades ,322 ,451
13
Sigo adelante a pesar de que no todo salga como espero ,439 ,449
Entiendo que no siempre puedo cumplir con los objetivos del día ,414
Soy una persona transparente en mis relaciones ,401
Soy capaz de tomar decisiones en situaciones complicadas ,345 ,310 ,373 ,340
Demuestro empatía en mis relaciones ,355 -,345
Tengo claridad sobre aquello que debo mejorar ,324 ,343
Los desafíos y fracasos son oportunidades para aprender ,332
Soy capaz de reconocer cuando no he hecho algo correctamente ,301
Mi percepción, respecto a una meta, cambia con el tiempo -,622
El equilibrio en mi vida depende de cómo me sienta emocionalmente -,537
Necesito presión de otras personas para poder realizar mis actividades ,362 ,499
Prefiero comenzar con las tareas fáciles antes que las difíciles -,321 -,462
Considero que mi vida no tiene ningún propósito ,329 ,452
Me comparo con otros frecuentemente ,325 ,362
Mi visión de la vida es única e irrepetible ,586
Vivo de acuerdo con mis propias reglas ,584
Considero que el respeto es irrelevante en las relaciones interpersonales -,405
Mis fracasos y debilidades valen más que mis habilidades y fortalezas ,355 -,374
Mi aspiración es que mis proyectos logren un cambio en la sociedad. ,345
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.a
En esta tabla se muestra cómo cada variable, se agrupa en distintos factores
(componentes) después de realizar la rotación Varimax. Esta técnica de rotación busca
maximizar la varianza de las cargas factoriales para facilitar la interpretación, a continuación,
puntos relevantes:
1. Método de extracción: Se utilizó el análisis de componentes principales, que busca
reducir la cantidad de variables a un conjunto de factores que explican la mayor cantidad de
varianza posible.
2. Método de rotación: Se aplicó la rotación Varimax con normalización Kaiser, que
facilita la interpretación distribuyendo las cargas factoriales de manera más clara en cada
componente.
3. Cargas factoriales: Los números en la tabla representan la fuerza de la relación entre
cada variable (pregunta) y el factor correspondiente. Las cargas factoriales más altas indican
que una variable está fuertemente asociada con ese componente en particular.
14
4. Componentes: Se identifican 6 componentes, cada uno de los cuales agrupa
afirmaciones con características comunes. A continuación, se analiza qué tipo de variables
agrupa cada uno:
Componente 1: Este componente agrupa afirmaciones que parecen estar relacionadas
con el autocontrol, el enfoque y la confianza personal: “Cuando un hábito perjudica mi salud, sé
cuándo detenerme” (0.709). “Al fijarme un objetivo, me concentro y lo alcanzo fácilmente”
(0.642). “Reconozco mis propias habilidades y fortalezas” (0.565). Este componente parece
medir la capacidad de la persona para autogestionarse y enfocarse en sus objetivos
personales.
Componente 2: Este grupo parece representar el valor de la autoevaluación y el respeto
por las relaciones interpersonales: “Valoro los diferentes puntos de vista para tomar decisiones”
(0.565). “El propósito de mi vida es ayudar a otras personas” (0.549). “Hago uso de diversas
herramientas para seguir creciendo” (0.537). Aquí, el énfasis está en la auto-mejora y el
respeto por los demás en entornos de trabajo y personales.
Componente 3: Este componente parece estar relacionado con la percepción del éxito y
la autoimagen: “Quiero ser la mejor versión de mí mismo” (0.619). “Para mí el éxito es la
satisfacción de alcanzar mis metas” (0.543). “Respetarme a mí mismo es primordial para mi
crecimiento personal” (0.496). Estas afirmaciones parecen estar orientadas hacia una
percepción positiva del éxito personal y el respeto propio.
Componente 4: Las variables agrupadas aquí parecen representar la capacidad de
adaptación y la toma de decisiones en situaciones difíciles: “Comprendo que habrá situaciones
fuera de mi control” (0.635). “No necesito la opinión de otros para tomar decisiones” (0.573).
“Me mantengo firme a mis decisiones pese a las consecuencias” (0.495). Este componente
parece reflejar la independencia en la toma de decisiones y la capacidad de adaptarse a
situaciones complejas.
Componente 5: Las afirmaciones en este componente parecen estar relacionadas con la
percepción negativa de uno mismo y de los desafíos: “Mi percepción respecto a una meta
cambia con el tiempo” (-0.622). “El equilibrio en mi vida depende de cómo me sienta
emocionalmente” (-0.537). “Necesito presión de otras personas para poder realizar mis
actividades” (0.499). Este componente podría estar relacionado con la inseguridad o la
dificultad para mantener un equilibrio emocional.
Componente 6: Este componente parece reflejar creencias personales y la
independencia de pensamiento: “Mi visión de la vida es única e irrepetible” (0.586). “Vivo de
15
acuerdo con mis propias reglas” (0.584). Este componente podría estar midiendo la
autenticidad y el deseo de seguir un camino único en la vida.
Conclusiones:
El análisis factorial sugiere que los datos se pueden agrupar en 6 componentes
principales, cada uno de los cuales capta una dimensión distinta del comportamiento o actitud
de los encuestados. Los componentes agrupan variables que reflejan temas específicos como
el autocontrol, la autoevaluación, el éxito personal, la capacidad de adaptación, la percepción
negativa, y la autenticidad. Estos factores son útiles para interpretar las diferentes áreas de la
vida de las personas relacionadas con su bienestar y autoimagen. Algunos componentes
contienen cargas negativas, lo que podría reflejar creencias limitantes o dificultades personales
que podrían ser importantes para el análisis posterior. Estos resultados podrían ser utilizados
para desarrollar intervenciones o programas que fortalezcan áreas como la autoestima, la toma
de decisiones autónoma, la gestión emocional y el desarrollo personal. En resumen, el análisis
factorial revela seis componentes principales que agrupan una variedad de variables
relacionadas con la autopercepción, la motivación personal y las relaciones interpersonales.
Matriz de transformación de componente
Componente 1 2 3 4 5 6
1 ,552 ,521 ,440 ,418 ,233 ,033
2 -,049 -,520 ,363 ,329 ,103 -,690
3 ,405 -,331 -,515 ,578 -,309 ,179
4 -,139 -,478 ,424 ,130 ,269 ,695
5 ,232 -,088 ,470 -,245 -,809 ,059
6 -,675 ,334 ,098 ,554 -,335 ,062
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
La matriz de transformación de componentes proporciona información sobre cómo los
componentes extraídos han sido transformados mediante rotación. En este caso, se utilizó la
rotación Varimax con normalización Kaiser, que busca maximizar la varianza dentro de cada
componente, facilitando la interpretación de los factores.
Cada celda de la matriz muestra la correlación entre los componentes originales y los
componentes rotados. Los valores más altos indican una mayor relación entre esos
16
componentes, y por lo tanto, muestran cómo han cambiado los componentes después de la
rotación.
Componente 1: Alta correlación con el componente original 1 (0.552), el componente 2
(0.521) y el componente 3 (0.440). Esto indica que el Componente 1 tras la rotación está
compuesto por una combinación de los primeros tres componentes originales, con mayor peso
en el primero.
Componente 2: Está inversamente relacionado con los componentes 2 (-0.520) y 1 (-
0.049), lo que sugiere que después de la rotación, este componente ha cambiado su relación
original. Además, tiene una fuerte correlación negativa con el Componente 6 (-0.690), lo que
indica que, tras la rotación, está más alineado con este componente.
Componente 3: Está relacionado principalmente con el componente original 4 (0.578) y
tiene una correlación negativa con el componente 3 (-0.515). El Componente 3 ha cambiado su
estructura original tras la rotación y ahora representa una combinación de estos factores.
Componente 4: Alta correlación con el componente 3 (0.424) y el componente 6 (0.695),
lo que sugiere que tras la rotación, este componente se ha reconfigurado significativamente.
Muestra una relación negativa con el componente 1 (-0.139), lo que refleja cambios importantes
en su estructura.
Componente 5: Está fuertemente correlacionado con el componente original 5 (-0.809),
lo que indica que este componente ha mantenido en gran parte su identidad original tras la
rotación. Tiene correlaciones más bajas con otros componentes, lo que sugiere que es un
factor relativamente independiente.
Componente 6: Tiene una fuerte correlación negativa con el componente 1 (-0.675) y
positiva con el componente 4 (0.554). Esto muestra que este componente ha experimentado
una transformación considerable después de la rotación.
Conclusiones: La rotación ha distribuido las cargas factoriales más equitativamente
entre los componentes, facilitando su interpretación. Antes de la rotación, los componentes
podían estar más correlacionados entre sí, pero después de la rotación Varimax, se han
reorganizado para que cada componente represente un conjunto de variables más definidas.
Los componentes 1, 2, y 3 han sido significativamente transformados, como se observa
por sus altas correlaciones con múltiples componentes originales. Estos componentes ahora
capturan una combinación de características de los componentes originales. Los componentes
5 y 6 muestran una mayor estabilidad, manteniendo en gran parte su identidad original.
17
La rotación facilita la identificación de patrones claros entre los componentes y las
variables asociadas. Cada componente rotado ahora refleja mejor un conjunto particular de
características, lo que permite una interpretación más clara.
Esta matriz es útil para comprender cómo los componentes se han reorganizado y cuál
es su relación tras la rotación. En aplicaciones prácticas, los componentes rotados pueden ser
más fáciles de interpretar y asignar a factores específicos, como la motivación personal, la
autoconfianza o las relaciones interpersonales. En resumen, la matriz de transformación de
componentes muestra cómo los componentes originales han sido reconfigurados tras la
rotación Varimax, lo que ha facilitado una mejor interpretación de los factores subyacentes en
el análisis factorial. Esto permite una visión más clara de las dimensiones psicológicas o
conductuales capturadas por los componentes extraídos.
