Professional Documents
Culture Documents
428
este principio bsico se suma la necesidad de que los factores extrados sean es
tadsticamente significativos y susceptibles de interpretacin sustantiva.
2. La obtencin de puntuaciones factoriales, variables tpicas o, en su caso, variables
sucedneas, para cada factor. stas actuarn en representacin de los factores
o componentes en anlisis posteriores.
Este segundo objetivo, a diferencia del anterior, slo se cumple cuando el plan
de anlisis de una investigacin no concluye con la obtencin de un modelo fac
torial. Al contrario, la obtencin del modelo factorial constituye un paso previo
a la aplicacin de otras tcnicas analticas multi variables, como ei anlisis de re
gresin mltiple, el anlisis discriminante o el anlisis de varianza, entre otros.
5.1. Orgenes del aislisis factorial y su relacin con oirs tcnicas roulivariables
Los antecedentes inmediatos del anlisis factorial se remontan a una publicacin
de Kar Pearson de 1901 (On lines and planes of closest fit to systems of points in space, PhiL, May, 2: 559-572). En esta publicacin se hace la primera propuesta del pro
cedimiento de anlisis de componentes principales. En 1904 Karl Spearman publi
c un artculo con el ttulo "General inteliigence objectively determined and measured
(en la revista Am erican Journal o f Psychology, 15: 201-293) que trata sobre la covariacin entre variables. Spearman parte de la hiptesis de que las distintas medidas de
inteligencia pueden sintetizarse en un factor general (llamado factor G ), comn a to
das las medidas, y un cierto nmero de factores especficos asociados a unas cuantas
medidas: capacidad de anlisis verbal, capacidad de anlisis matemtico y capacidad
de integracin espacial. Para ello observa las correlaciones entre ias distintas pun
tuaciones de tests de varios tipos. Advierte que muchas de las correlaciones observadas
pueden explicarse mediante un modelo ms simple.
Pero fue en 1933, de la mano de Hotelling, cuando se describen los mtodos de clculo
especficos al anlisis de componentes principales (Analysis of a complex of statistical variables into principal components, Journal o f Educational Psychology, 24:
417-441; 498-520). En 1947 Thurstone (en Mltiple factor analysis , The University of
Chicago Press) incorpora al anlisis factorial el lgebra matricial para el anlisis de las
correlaciones. A partir de entonces se suceden las publicaciones sobre el anlisis
factorial en cualquiera de sus variantes. Al igual que el resto de tcnicas analticas multivariables, su uso se ampla con la llegada de los ordenadores.
En los captulos precedentes se ha hecho mencin de la relacin del anlisis facto
rial con otras tcnicas multivariables. En especial, con el anlisis de regresin mltiple,
el anlisis discriminante y el anlisis de conglomerados. Con las dos ltimas tcnicas ana
lticas comparte un mismo propsito: la agrupacin de objetos (casos o variables). Si bien
se recomienda su uso complementario, con el anlisis de conglomerados en una fase pos
terior, y con el anlisis discriminante, como paso previo a su ejecucin.
El uso complementario del anlisis factorial con el anlisis de conglomerados
cumple una funcin confirmatoria. Su aplicacin se dirige a la corroboracin o con
429
las dos series de variables originales por los factores o componentes. Siguiendo
este procedimiento se gana en simplicidad, al tener menos coeficientes can
nicos que interpretar.
b) Realizar un nico anlisis factorial en la serie total de variables. Esta segunda
opcin permite comprobar cules son los factores o componentes que mejor re
flejan la estructura de los datos en cada una de las seres de variables.
5.2. Lto variedad de modeJos factoriales: ipologas
La denominacin genrica de anlisis factorial rene una variedad de procedi
mientos analticos que tienen un objetivo comn: sintetizar la informacin contenida
430
431
pottico de la estructura comn latente en los datos analizados. Hasta la fecha sta ha
sido la aplicacin ms frecuente del anlisis factorial: explorar las dimensiones la
tentes en los datos ms que confirmarlas.
La explicacin del anlisis factorial realizada en el presente captulo se limita ex
clusivamente al anlisis factorial exploratorio. El anlisis factorial confirmatorio se expone
en el captulo 6, dedicado al modelado de ecuaciones estructurales. La decisin de pos
tergar la explicacin de esta variedad analtica al captulo siguiente se fundamenta en
la necesidad de conocer, previamente, la tcnica del modelado de ecuacin estructu
ral para comprender el anlisis factorial confirmatorio. Como se ver en el captulo 6,
ambos procedimientos de anlisis tienen elementos comunes, tanto en su formulacin
como en su desarrollo, razn que justifica su exposicin conjunta.
En 1985 Comrey propone la distincin entre el anlisis factorial tipo i? y el anlisis fac
torial tipo Q. El primero se caracteriza por tener como objetivo principal la identificacin
de un nmero reducido de dimensiones latentes en un conjunto de variables. sta es la
modalidad de anlisis factorial ms usual. En cambio, el anlisis factorial Q se ocupa de
las interrelaciones entre casos, no entre variables. Ha tenido gran aplicacin en psicolo
ga y dems ciencias de ia conducta en la elaboracin de tipologas de sujetos. Se trata de
un procedimiento de clasificacin similar al anlisis de conglomerados. Ambos persiguen un
mismo objetivo bsico: la clasificacin de un conjunto de individuos u objetos (pases, mu
nicipios, partidos polticos, colegios...) en un nmero reducido de grupos mutuamente ex
cluyanles. Los grupos han de estar formados por casos lo ms similares posible entre s y
diferentes de los integrantes de los otros grupos. Pero, como se ver en la lectura com
parada de ambas tcnicas analticas, existen amplias diferencias entre ellas.
En general, e{ anlisis de conglomerados se presenta como un anlisis ms rgidoque no permite que un mismo caso pertenezca a ms de un grupo. Ln el anlisis fae
torial Q, por el contrario, un mismo caso puede tener un peso importante en ms d
un factor. Este es uno de los inconvenientes ms frecuentemente sealado en el an
lisis factorial Q. Dillon y Goldstein (1984: 43) aaden otra limitacin importante: Las
correlaciones tipo Q eliminan diferencias atribuibles tanto a la media como a la dis
persin de los individuos. De manera que, dos individuos que muestren un mismo or
den de puntuaciones de rango y espacio relacionado correlacionarn bastante, sin con
siderar cualquier diferencia en los niveles de la media o dispersin, cuando en realidad
las diferencias de medias y varianzas entre individuos adquieren especial importancia
en cualquier agrupacin de individuos.
A estas dos variedades del anlisis factorial se suman otras, aunque de menor apli
cacin: el anlisis factorial tipo S, T, P y O. Estas variedades difieren en la dimensin
temporal que se considere, en la unidad de anlisis, los ndices de asociacin y en la des
cripcin de los factores en trminos de variables u ocasiones (vase Dillon y Goldstein,
1984; Bisquerra, 1989),
432
433
<*2=
+V*2 +... +v ,
cpk=
+ \ 2x 2 + . . . + V
Para evitar la influencia indebida que las unidades originales de medicin de las va
riables observadas pueden ejercer en la ponderacin de los componentes, generalmente
se procede a la estandarizacin de las variables originales previo a la extraccin del mo
del de componentes principales. S las variables estuviesen estandarizadas, la letra Z
sustituir a X en las ecuaciones. La letra A representa los pesos o coeficientes de
saturacin de los distintos indicadores en cada componente principal.
434
435
com unalida ) y varianza especfica. La com unalidad de cada variable (hf) ex- ;
presa la porcin de la varianza total de a variable X que es compartida con las,;
p r-1 variables observadas restantes. La varianza especfica (e) es, por el con
trario, la porcin de la varianza total de la variable que no es explicada por los
. factores comunes.. Si la variable X i se halla estandarizada, como es usual, su va
rianza total es 1: Var X i ~ l = h'f+ e. De lo que se deduce que e = 1 - hf.
En suma, el objetivo fundamental del AFC es maximizar ola varianza total,
sino la comunalidad totai, a partir de un nmero inferior de factores latentes (que
resumen la informacin contenida en un nmero superior de variables observadas).
Son los factores comunes los que contribuyen a la covariacin de los indicadores.
2. La diferencia bsica anterior entre ACP y AFC repercute en el punto de par
tida de ambos anlisis: la m atriz de correlacin. En ACP, la diagonal de la ma
triz est integrada por unos, dado que se trata de explicar la varianza total de las
variables. En AFC, que analiza la covariacin o varianza compartida, en la dj i
gonal de la matriz figuran las comunalidades. Su valor es igual a la correlacin
mltiple cuadrada de cada variable con las dems variables del anlisis, o la co
rrelacin absoluta ms alta en una fila de a matriz de correlacin (vase su
bapartado 5.4.3). El procedimiento seguido en la extraccin de las dimensiones
latentes (factores o componentes) es, no obstante, muy similar en ambas va
riedades analticas de reduccin de datos, como se ver en ei apartado 5.5.
3. En ACP los componentes principales se explican en funcin de las variables ob
servadas, determinndose los pesos o saturaciones de cada variable en cada
componente. En AFC las variables observadas o indicadores son, por el con
trario, las que actan a modo de variables dependientes en la ecuacin lineal.
stas se explican por variables no observadas: factores comunes y nicos. Re
curdese que en AFC se diferencia entre varianza comn y varianza especfica,
a diferencia de ACP, donde no se hace dicha segregacin de la varianza.
^ =V
^2
i +V
2+ - H A ^ 1
= ^21-^1 + ^2 2 ^ 2 + + ^ 2 K ^ K
+ fi2
436
437
En paquetes estadsticos como, por ejemplo, el SPSS, ambos anlisis figuran bajo
el mismo cabecero de anlisis factorial. Especficamente ACP se incluye en los pro
cedimientos de extraccin factorial. Esto puede llevar a su consideracin errnea co
mo anlisis factorial (comn).
En la decisin de qu modalidad aplicar, ACP o AFC, intervienen aspectos varios,
como .los objetivos de investigacin y/o el conocimiento previo que se tenga de la varanza de ias variables. El modelo ACP muestra mayor adecuacin cuando se est in-;
teresado en predecir y determinar el nmero mnimo de factores necesarios para ex
plicar la mayor proporcin de varianza posible en la serie original de variables;:
observadas. Tambin se adeca a la situacin de conocimiento previo de que la varianza,especfica representa una proporcin pequea de la varianza total de las variables,- Si
no se dispone de este conocimiento, y si se tiene como objetivo principal la identifi
cacin de las dimensiones latentes de las variables, la eleccin apropiada ser efectuar
un AFC.
En la prctica, ambas variedades analticas pueden aplicarse de manera conjunta.
Puede realizarse un ACP como paso previo a un AFC, con el propsito de determinar
la dimensionalidad del espacio factorial comn. Cuando esto sucede, e! anlisis de AFC
parte de los componentes principales derivados del ACP stos se utilizan como los fac
tores originales, factores no rotados (Manly, 1990). Posteriormente se proceder a
la rotacin factorial y a la obtencin del modelo A FC
5.3. La obtencin de un modelo factorial explorativo: fases principales
La consecucin de un modelo factorial exploratorio supone el cumplimiento de una
serie de fases principales. stas pueden resumirse en cinco:
1. La fase previa de preparacin de los datos para el anlisis. Comprende la
comprobacin de los supuestos bsicos para una correcta aplicacin del anli
sis factorial. A ello se suma una serie de decisiones clave. Desde la eleccin de
variables hasta qu matriz emplear: la matriz de covarianzas o la de correla
ciones. Esta decisin est bastante determinada por las caractersticas de as va
riables incluidas en el anlisis. Si el investigador ha decidido proceder a la es
tandarizacin de las variables, con el objetivo de garantizar su equivalencia
inicial previo a la realizacin de los anlisis (el clculo de los pesos o coeficientes
factoriales en las estructuras latentes, sean factores comunes o componen
tes), la matriz elegida ser la matriz de correlaciones. En cambio, si prefiere que
las variables participen en los anlisis en su unidad de medicin original sue
le recomendarse la matriz de covarianzas.
2. La extraccin de los factores o com ponentes iniciales. Esta fase incluye dos de
cisiones clave para la obtencin de los modelos factoriales. Primero, el proce
dimiento a seguir en la extraccin de factores: componentes principales, ejes
principales, mnimos cuadrados no ponderados, mnimos cuadrados generali-
438
Los supuestos bsicos que garantizan el correcto desarrollo del anlisis factorial ex
ploratorio (tradicional) cabe resumirlos en cuatro:
439
440
mendado? Comrey (1973a) propone una escala muestral gua que va desde 50 casos
(que se considera un tamao muestral muy pobre) hasta 1.000 (que representa un
tamao muestral excelente). Entre ambos extremos se sitan los tamaos mustrales
de 100 (pobres), 200 (justo), 300 (bueno) y 500 (muy bueno).;En suma, entre
200 y 300 casos se sita el tamao mnimo recomendado para un desarrollo adecuado
del anlisis factorial. Pero, como sucede en otros procedimientos analticos expuestos,
lo ms preciso es considerar el tamao muestral en relacin con el nmero de varia
bles a analizar, Tabachnck y Fidell (1989) proponen, como regla, que exista al menos
5 casos por variable. ste sera el mnimo. Cuanto ms se supere esta proporcin, me
jor porque ayuda a la obtencin de estimaciones mustrales estables.
Todas las variables observadas y sus combinaciones lineales han de estar distribuidas
normalmente. Aunque ACP y AFC se emplean con una finalidad eminentemente
descriptiva (sintetizar las relaciones entre un conjunto amplio de variables), lo que no
demanda el cumplimiento obligatorio del supuesto de normalidad , su existencia favo
rece la obtencin de un modelo factorial ms preciso. Mxime cuando se recurre a la in
ferencia estadstica para la determinacin del nmero de factores a retener. El recur
so a procedimientos de extraccin habituales en AFC, como los llamados mxima
verosimilitud (ML) o mnimos cuadrados exige el cumplimiento del supuesto de nor
m alidad multivariable. En ACP, este segundo supuesto no es un requisito bsico para
su ejecucin, aunque la asimetra severa puede distorsionar los resultados.
En el subapartado 1.1.6 se resumen los procedimientos ms seguidos en la detec
cin del supuesto de normalidad, junto a los remedios ms aplicados ante su incum
plimiento. La salida de la normalidad se. relaciona con estimaciones sesgadas de es
tadsticos como la media, la desviacin tpica, la correlacin o la covarianza, por
ejemplo. De ah la exigencia de introducir alguna transformacin en las variables que
se distancian de la normalidad para evitar su incidencia negativa en los resultados del
anlisis. Para no redundar en temas ya tratados, se remite a la relectura del susodicho
subapartado.
C) Linealidad
441
gase presente que este supuesto, al igual que el anterior, slo se exige para la realizacin
de un anlisis factorial mtrico. En los no mtricos dicho supuesto se relaja.
442
443
Las comunalidades ti (para X } siendo i - 1,2, 3..., p) son las correlaciones mlti
ples cuadradas de cada variable con ei resto de las variables en el anlisis. Su valor ab
soluto es el ms elevado en cada fila de la matriz de correlaciones. Los rs son los coe^
ficentes de correlacin producto-momento de Pearson usuales, que se calculan para;?
cada par de indicadores (subapartado 1.3.2). La matriz de correlaciones en ACP sera
igual salvo en la diagonal, donde figura Xen vez de ti;''.
Calculada la matriz de correlacin, se procede, en primer lugar, a su inspeccin vi
sual. La finalidad es comprobar si las variables se hallan relacionadas, y en qu grado.
El investigador espera encontrar correlaciones elevadas entre las variables, dado
que el objetivo principal del anlisis es la agrupacin de variables que comparten una
misma estructura latente. La correlacin mnima propuesta normalmente es 0,30. Si la
mayora de las correlaciones en !a matriz no excede este valor, se debera reconside
rar la pertinencia del anlisis factorial. Con correlaciones pequeas (inferiores en mag
nitud a 0,30) es improbable que las variables compartan suficiente varianza comn pa
ra constituir un factor. Por el contrario, cuando las correlaciones exceden el valor
mnimo de 0,30 (mejor cuanto ms prximas se siten del valor mximo de 1,0) pue
de, a partir de la matriz de correlaciones, preverse que las variables correlacionadas en
tre s pueden componer una misma dimensin latente.
No obstante, hay que enfatizar que se est en el plano de la conjetura, no en la ple
na certeza. Correlaciones bivariables elevadas no siempre garantizan la existencia de
factores. Es posible que las correlaciones sean entre slo dos variables y que no re
flejen procesos latentes que estn simultneamente afectando varias variables (Tabachnick y Fidell, 1989: 604). De ah la recomendacin de examinar matrices de
correlaciones parciales.
En las matrices de correlaciones parciales, las correlaciones se ajustan a pares para ios
efectos de las dems variables. Si las variables comparten factores comunes, los coeficientes
de correlacin pardal entre pares de variables deberan ser pequeos (prximos a 0,0), al
haberse eliminado los efectos lineales de las dems variables o, lo que es igual, al haberse
controlado la varianza comn. Estos coeficientes de correlacin parcial se toman como in
dicadores de la fuerza de la relacin entre las variables. Pero, a diferencia de los coefi
cientes de correlacin no parciales, ahora interesan coeficientes muy bajos.porque denotan
la presencia de factores. Se consideran estimaciones de correlacin entre factores nicos
y, como es de esperar, la varianza nica se desea que sea escasa para que pueda procederse
a la agrupacin de variables (correlacionadas) de una misma direccin latente.
Para comprobar el grado de intercorrelacin entre las variables y la presencia de
una estructura comn latente, existen unos estadsticos que se suman a los coefi
cientes de correlacin. Los de uso ms comn son:
444
En 1950 Barlet propone una prueba que ayuda a determinar si existe relacin sig
nificativa entre las variables analizadas. Esta prueba es de utilidad en el anlisis factorial,
al igual que en el anlisis de la varianza. MsdUwte ella se comprueba la correspondencia
de la matriz de correlacin con la matriz identidad. Recurdese que por matriz denu
dad se entiende aquella matriz cuya diagonal principal (que expresa la correlacin de
cada variable consigo misma) est formada por unos, mientras el resto de los trminos ^
de la matriz son ceros. El determinante de esta matriz es igual a 1 (|R = 1. Advirtase
que el determinante de la matriz de correlacin se representa entre dos barras).
0
0 1
Matriz identidad ~ I = R = 0 0
0'
0
0
0 0
Donde:
6(2p + 5)
Ini?
445
X I> !
K M O = - 7r^ L = ! _ _
i=l
M M
446
KM O
MSA =
l#j\
*9+1,4
it-j
Es el negativo del coeficiente ,de correlacin parcial; De modo que interesan valores?
AIC bajos para que pueda realizarse un anlisis factorial; Recurdese que las corre
laciones parciales miden la correlacin entre dos variables cuando se ha eliminado la
447
influencia deJ resto de las variabies. Sus valores son altos (prximos a 1,0), cuando las
variables comparten variabilidad.
En la matriz de correlacin anti-imagen se observan las distintas correlaciones entre
las variables (fuera de la diagonal principal). Cuando estas correlaciones se aproximan a
0,0, se deduce que puede aplicarse un anlisis .factorial. La existencia de una elevada pro
porcin de coeficientes elevados (prximos a 1,0) desaconsejan su aplicacin.
Una ltima medida del grado de relacin entre las variables lo proporciona el coe
ficiente de correlacin mltiple cuadrado (.&?). Las correlaciones mltiples cuadradas
han de ser elevadas, de lo contrario, se planteara la desestimacin del anlisis de las
variables con bajos coeficientes de correlacin mltiple cuadrado. Antes de proceder
a la desestimacin de estas variables se aconseja comprobar sus correspondientes va
lores de comunalidad y coeficientes factoriales. Es decir, no quedarse nicamente por
lo dicho por esta medida de correlacin.
Los valores de los coeficientes de correlacin mltiple cuadrado coinciden con las
comunalidades inicales de cada variable, salvo cuando las dimensiones latentes se.;.1
extraen mediante componentes principales.
ACP las comunalidades iniciales son 1,0,
al no diferenciarse a priori entre varianza comn y especfica (o nica). A ello se suma
que en la estimacin de las comunalidades iniciales se consideran todos los compo
nentes posibles. stos igualan al nmero de variables empricas. En la estimacin de
\m -m m u w lidade$ posteriores ya no sucede as. ste es un aspecto clave que distingue
al ACP de AFC. En AFC las estimaciones iniciales de comunalidad s reflejan varianza
comn-, la proporcin de la varianza total de X que es explicada por la regresin en las
p 1 variables restantes. Dicho con otras palabras, con correlaciones mltiples
cuadradas de cada variable observada Xt, que acta a modo de variable dependiente,
siendo las p - 1 variables restantes las independientes.
Diversos programas estadsticos, como SPSS, muestran estos coeficientes de co
rrelacin mltiple cuadrado para cada variable en una columna de la tabla de com u
nalidad o incluida en la tabla de estadsticos iniciales. La com unalidad se comentan,
adems^ el apartado 5.6.
E j e m p l o d e c o m p r o b a c i n d l a p e r t in e n c ia d e l a n l is is f a c t o r ia l
448
rrquico, o que lleva a la agrupacin de las variables por etapas, en funcin de la correlacin
existente entre ellas. En e! anlisis factorial, por ef contraro, las relaciones entre todas las va
riables se analizan simultneamente. No obstante, a lo largo del presente captulo podr com
probarse la similitud de la agrupacin de las variables obtenida en los distintos procedimientos
analticos, pudindose reafirmar el modelo de agrupacin de las variables que resulta del an
lisis de conglomerados. Para su constatacin, se recomienda comparar los resultados de los
distintos anlisis: conglomerados (captulo 3) y factorial.
Como las variables analizadas son las mismas que se han ido observando mediante dis
tintos procedimientos analticos, no se va a repetir informacin ya proporcionada en ios ca
ptulos precedentes (es el caso, por ejemplo, de a matriz de correlaciones, ya expuesta en
ei captulo 1). Los datos que van a comentarse en el presente captulo se limitan a lo espe
cfico del anlisis factorial, como io correspondiente a la comprobacin del grado de ntercorrelacin entre las variables y la presencia de una estructura latente comn que permita la
obtencin de un modelo factorial.
En el subapartado 1.3.2 figura ia matriz de correlaciones de fas 14 variables de inters,
a las que se aade una variable ahora excluida para que ios resultados puedan compararse
con los obtenidos en el anlisis de conglomerados. Se trata de la variable Xs (simpata ha
ca latinoamericano"), que fue eliminada para evitar problemas de colinealidad en la aplica
cin posterior del anlisis discriminante.
En la matriz de correlaciones puede comprobarse que, aunque las correlaciones no son
en general muy elevadas -la ms alta se da entre las variables X13 (vecino marroqu") y
(casar con marroqu"): r = ,573; seguida de a correlacin entre Xts (simpata marroqu) y
X)0 (casar con marroqu"): r = ,476-, son muchas las que superan el referente mnimo de
,30, que ndica la posibilidad de encontrar una estructura latente en los datos, que permita
ia sntesis de las 14 variables observadas en un nmero inferior de variables latentes (ll
mense factores comunes o componentes). Aunque, hay que advertir que la existencia de
correlaciones elevadas entre pares de variables (como se registra en la matriz de correla
ciones) no siempre garantiza la existencia de dimensiones latentes en ios datos. Para
constatarlo hay que proceder a la realizacin del anlisis factorial, que exige que previamente
se haya comprobado la existencia de interrelaciones mnimas entre las variables que permita
su realizacin. A tai fin, se calcula:
f
A) El determinante de la matriz de correlaciones
El valor obtenido es ,07667, un valor prximo a 0,0, que indica la existencia de intercorrelaciones muy elevadas entre las variables. Como el valor en realidad obtenido no es
exactamente 0, puede afirmarse que s existen s'ntercorrelaciones, aunque no demasiado ele
vadas entre las variables. Ello permite la realizacin del anlisis factorial. Existe suficiente va
rianza comn de las variables que ayude a su agrupacin u obtencin de combinaciones li
neales de variables correlacionadas.
B) La prueba de la esfericidad de Bartlett
449
La correcta realizacin de esta prueba exige e cumplimiento del supuesto de normalidad muliivarble.
Este ndice global compara las magnitudes de los coeficientes de correacin observa
dos con los coeficientes de correlacin parcial. Al ser el valor obtenido s821 (valor que Kai
ser calificara de meritorio), significa que puede realizarse un anlisis factorial porque las
correlaciones entre pares de variables pueden explicarse por otras variables.
Respecto a ios valores KMO individuales, stos figuran en la diagonal principal de la ma
triz de correlacin anti-imagen respectiva (tabla A).
Como todas las variables presentan un valor KMO superior a ,50 (el vaior KMO ms ba
jo es ,545, que corresponde a la variable sexo", y el ms alto es ,895, en la variabe inmi
grante delincuente), no es necesario eliminar ninguna variable antes de realizar el anlisis
factorial. Todas ias variables muestran ser idneas para participar en el anlisis.
Adems, en la matriz de correlacin anti-imagen obsrvese que los coeficientes obtenidos
son, en su mayora, valores prximos a 0,0. Lo que nuevamente indica la adecuacin de los
datos para la realizacin de! anlisis factorial. Recurdese que la correlacin anti-imagen (AIC)
se define como el negativo del coeficiente de correlacin parcial (que mide la correlacin en
tre dos variables, una vez eliminada la influencia del resto de las variables). Cuanto ms ba
jo sea su valor, ms varianza comparten las variables.
D) Coeficientes de correlacin mltiple cuadrados
450
*1
X3
*6
X?
X8
X3
x ,0
X11
X,a
,029
-,031
-,032 -,057
-.012 -.104
-,089 -,086
,336 ,116
,093 ,110
-,063 -,013
-,010
,057
,045 ,007
-,009 -,066
,719a -,361
,708a
X 13
XK
Xf3
X ,4
,125 ,056
,038 ,092
-,002 -,.050
-.030 -0 6 3
-,023 -0 9 6
,002 -,1S1
,055 ,078
-,042 -,118
-,118 -0 3 3
-.436 -,082
-,016
,052
,005 -,012
,790a ,006
,895a
X,'simpata hacia norteafricano (marroqu...)' (P201); X,: "leyes inmigracin" (P16); X2: "ideologa poltica (P39); X3-, "se
xo" <P41); X4: "edad" (P42);
nmero de inmigrantes (P11); X,,: regularizar a inmigrantes" (P19); Xa: entrada inmigrantes"
(P21); X0: partido racista" (P37); X,0: casar con marroqu" (P306); X1(: ''estudios (P43a); X l2: ingresos" (P52); X,3: ve
cino marroqu-" (PSOS); Xl4: "inmigrante delincuente" (P2904).
sis porque no comparte suficiente varianza con otras variabies que permita su agrupacin en
una misma dimensin latente.
Tabla B. Comunalidades
simpata marroqu
leyes inmigracin
ideologa poltica
sexo
edad
n. inmigrantes
regularizar inmigrante
entrada inmigrante
partido racista
casar con marroqu
estudios
ingresos
vecino marroqu
inmigrante delincuente
Inicial
Extraccin
,316
,251
8,422E-02
3,300E-02
,234
.246
,232
,286
,140
,429
,351
,264
,368
,221
----1-------------
,380
,332
,335
3.429E-02
,335
,304
,312
,393
,155
,687
,611
,400
,483
,270
En la tabla B puede observarse que hay tres variables (sexo, Ideologa poltica y par
tido racista), en especial las dos primeras, cuya variabilidad apenas se ve afectada por I res
to de variables incluidas en el anlisis (el 3%, el 8% y el 14% de su varianza, respectivamente,
es explicada por las otras variables). Puede considerarse su eliminacin, aunque antes con
451
viene comprobar la solucin factorial que resulta de su inclusin en el anlisis. En cambio, fas
variables casar con marroqu (2 = ,429), vecino marroqu" (FP- = ,368) y estudios (Ff =
,351) son las tres variables cuya variabilidad puede prevenirse ms por el conjunto de las va
riables consideradas.
En general, las cornunalidades iniciales son bajas. Ninguna variable llega a sobrepasar, e
incluso obtener, la mitad de su varianza determinada por e! resto de variables. Adems, se ad
vierte que, como las cornunalidades iniciales se distancian del valor idea! de 1,0, se prev que
la solucin de factor comn (en este caso de factorizacin de ejes principales) diferir de a al
canzada mediante ACP. Las cornunalidades de extraccin se explican en el apartado 5.6.
Componentes principales
Ejes principales o factor principal
Mxima verosimilitud
Mnimos cuadrados no ponderados o generalizados
Factorizacin alfa
Factorizacin imagen
452
la lectura de los rasgos definitorios de cada uno de los procedimientos de extraccin factorial
que a continuacin se detallan.
A ) Componentes principales
453
ta matriz se caracteriza por estar compuesta de las estimaciones iniciales de la comunalidad de cada variable. Estas cornunalidades se derivan mediante un procedimien
to iterativo con las correlaciones mltiples cuadradas de cada variable con todas las de
ms variables empricas, empleadas como valores de partida de la interaccin. Es decir,
como algoritmo en la estimacin de los factores comunes.
A partir de la matriz de correlacin reducida se procede a la extraccin de facto
res. La condicin que se impone es que sea mxima la contribucin de cada factor a la
com unalidad total. Primero se elige el eje sobre el cual la variabilidad de las proyec
ciones de los datos es mxima. Despus, se escoge el segundo eje en el que a varia
bilidad residual (o restante) de la proyeccin sea mxima. Y as, sucesivamente,.
Una rega a considerar es extractar factores hasta que la suma de los autovalores
se aproxime a la comunalidad total (Dillon y Goldstein, 1984:74). La mayora de los
programas estadsticos generan coeficientes factoriales (A-) para cada factor de manera
que la contribucin de cada factor a-la com unalidad total sea la mayor posible.
En suma, este segundo mtodo de extraccin de factores difiere de componentes
principales en que factoriza la comunalidad total que, obviamente, es inferior a la va
rianza total. Por esta razn, no sorprende que el valor de la comunalidad total en una
salida de ACP sea superior al obtenido en la extraccin de factor principal. Asimismo,
se observa que los coeficientes factoriales (o factor loadings) calculados mediante
este segundo procedimiento dependen, a diferencia de componentes principales, del
nmero de factores extrados.
Adems, como e anlisis factorial de ejes principales parte de la matriz de correlacin
reducida (o ajustada), las cornunalidades que componen su diagonal principal pueden ser
considerablemente inferiores a 1,0. En consecuencia, cabe la posibilidad de obtener autovalores negativos, a diferencia de ACP. Ante estos autovalores negativos el proceder habitual
es incluirlos en los anlisis, junto a los factores a ellos relacionados.
Las diferencias destacadas entre ACP y ei anlisis de factor principal se agudizan
cuanto ms se distancien los valores de comunalidad de 1,0. Si las cornunalidades se apro
ximan en magnitud a la unidad, ia distancia entre ambos modelos se minimiza. Lo mismo
acontece cuando el nmero de factores extractados mediante ej procedimiento de eje
principal se aproxima al nmero de variables empricas (p). En ambas situaciones se ob
tienen resultados similares realizando ACP y un anlisis d &factor principal.
C) Mxima verosimilitud
454
455
456
, de
las variables. De manera que, a las correlaciones de las, variables con elevada va^
rianza nica se les da un peso factorial inferior al o eni
nes de las variables con baja varianza nica.
E) Factorizacin alfa
Puede verse o como una variante del modelo de factor comn o como una estrategia
alternativa (Rim y Mueller, 1978b: 11). Su desarrollo principal lo alcanza con Kaiser y
Caffrey en 1965 (Alpha factor analysis, Psychom etrika), en indagaciones en el campo
de la psicometra. En concreto, en el inters por descubrir factores comunes consisten
tes cuando se toman muestras repetidas de una misma poblacin (de variables).
A diferencia de los dems procedimientos de extraccin factorial, en la factori
zacin alfa las variables se consideran una muestra del universo de variables. En los de
ms mtodos factoriales se analiza una muestra de individuos, no de variables, al asu
mirse que stas constituyen el universo. Por esta razn, en la factorizacin alfa no se
457
aplica ninguna prueba de significatividad al modo usual, como se hace en los mtodos
de mxima verosimilitud y de mnimos cuadrados. Se considera que el anlisis incluye
la poblacin de individuos y no una muestra de ellos. La lgica es, por tanto, opuesta
al resto de ios mtodos factoriales.
En la factorizacin alfa se busca maximizar la generalidad de ios factores. Los pe
sos o coeficientes factoriales se determinan de manera que los factores comunes ex
trados tengan correlaciones mximas con los factores comunes correspondientes,
que se asume existen en el universo.
Con el mtodo de mxima verosimilitud comparte la particularidad de que las es
timaciones factoriales son independientes de la escala de medicin. Pero, difiere de l
(al igual que de otros procedimientos factoriales) en que proporciona un coeficiente
factorial
ms elevado a las variables con menor comunalidad.
Las comunalidades para cada variable no resultan de la suma de los coeficientes
factoriales al cuadrado (A?.) en cada factor comn. Igualmente, los autovaiores no se ob
tienen de la suma de los coeficientes factoriales al cuadrado de todas las variables en
cada factor comn. En la factorizacin alfa las comunalidades se estiman mediante pro
cedimientos iterativos que maximizan el coeficiente alfa para los factores.
El coeficiente alfa es una medida derivada en psicometra para comprobar la fia
bilidad (o capacidad de obtener resultados consistentes en una medicin) de una
puntuacin tomada en una variedad de situaciones. Mide la consistencia interna-de las
variables empricas (de forma global e individual), en la configuracin de una misma
dimensin de un concepto terico. Se calcula a partir de la matriz de varianzas-covarianzas. Su rango de valores posibles va de 0,00 (infiabilidad) y 1,00 (fiabilidad per
fecta). Un valor a igual o superior a 0,80 ndica que la medida es fiable.
F) Factorizacin imagen
458
a)
b)
c)
d)
e)
45 9
A) Autovalores
460
analyxc retalien in factor analysis", Psychom etrika , 23) y 1959 (The appication of
eiectronic computis to factor analysis, American Psychological Association). Su apli
cacin vara si el modelo bsico es ACP o AFC.
En ACP, el punto de corte se fija en 1,00. Tbdo componente que presente un au-
tovalor >1,00 formar parte del modelo factorial. De l se excluirn aquellos com
ponentes cuyo autovalor sea inferior a 1,00, porque ni siquiera logran explicar la va
rianza de una variable. Recurdese que en ACP se analiza la varianza total de una
variable, sin diferenciar entre varianza comn y especfica. Las variables suelen estar,
estandarizadas, siendo su varianza total igual a 1. La suma de los autovaiores de todas?
as variables observadas ser, por tanto, igual al nmero total de variables y su protmedio jgual a 1,00. De ah que sea ste el valor de referencia adoptado. Adems, ca
da autovalor puede expresarse como una proporcin de esta suma. Segn estimacio
nes de Tabachnick y Fidel! (1989:635), el nmero de componentes con autovaiores
mayores de 1 suele estar en algn lugar entre el nmero de variables dividido por 3 y
el nmero de variables dividido por 5 (por ejemplo, 20 variables deberan producir en
tre 7 y 4 componentes con autovaiores mayores de 1).
En AFC interesa slo la varianza comn de las variables, hecho que revierte en
a determinacin del punto de corte qu e decide qu factores comunes formarn el
modelo factorial. En AFC cada autovalor indica la proporcin de varianza extractada..
por el factor comn en relacin con la varianza comn total de as variables. Su s
ma expresa la varianza com n total de ias variables. sta, obviamente, no ser
igual al nmero total de variables, a diferencia de ACP. Su valor ser tanto ms ba
jo cuanto menos varianza compartan las variables analizadas. Asimismo, el punto de
corte no ser 1,00, sino un valor inferior. El inters no est en explicar la varianza to-,
tal de una variable, sino slo la compartida con otras variables. El punto de corte se"
obtiene del promedio de las estimaciones de las comunalidades iniciales de todas las *
variables.
Tambin puede seguirse la recomendacin de Harraan (1976) de parar la extrac
cin del nmero de factores antes de que la suma acumulada de los autovaiores
exceda la suma de las comunalidades estimadas. Jisascomunalidades figuran en la dia
gonal principal de la matriz de correlacin reducida R. Adems se encuentran en a ta
bla de comunalidades, que incluye las iniciales y las resultantes de la extraccin fac
torial.
El criterio del autovalor se considera sencillo (Kim y Mueller, 19878b: 43) y sue
le funcionar bien. Normalmente proporciona resultados consistentes con las expectati
vas del investigador. Pese a ello, existen voces crticas a a aplicacin nica de este criterio.
Afifi y Clark (1990) afirman que los autovaiores estn sujetos a grandes variaciones mus
trales, al ser estimaciones de varianza de cada factor o componente. Por su parte, Dunteman (1989:22) alerta ~en referencia a ACP, pero tambin exensible a AFC - del pe
ligro de desconsiderar componentes principales que, aunque pequeos, pueden ser
importantes, si se aplica rgidamente el criterio de Kaiser. Esto sucede cuando una o ms
variables no quedan suficientemente bien representadas por los componentes o facto
res con autovaiores ms elevados y s, en cambio, por aquellos ms bajos.
461
462
E j$ M P L Q .D E ? L t C !Q N D E C B IJ ]E
En ia salida deS programa SPSS, los autovalores iniciales figuran en ia iabla conjunta
llamada varianza total explicada, junto a las sumas de las saturaciones ai cuadrado previo
y posterior a la rotacin factorial. La tabla siguiente corresponde al procedimiento de com
ponentes principales, la variedad analtica factorial ms popular y de ms fcii realizacin. Re
curdese que una prctica usual en la investigacin social es realizar un ACP para determinar
en cuntas dimensiones latentes pueden agruparse las variables de inters. Despus, pue
de realizarse un AFC conociendo ya el nmero de factores a extractar.
Las tablas de varianza total explicada en AFC proporcionan la misma informacin so
bre los autovalores Iniciales (la variabilidad previa a la extraccin factorial) que en ACP. Por
esta razn se evita su exposicin repetida. En lo que difieren es en nombrar factores y no
componentes" y, obviamente, en las sumas de Sas saturaciones a! cuadrado. Pero, como en
la decisin sobre el nmero de factores o componentes a retener el protagonista comn son
los autovalores, la exposicin se limita a su intervencin en esta fase del proceso de anli
sis. Lo referido a las sumas de las saturaciones se posterga al apartado 5.6. En dicho
apartado s se ejemplifican distintos mtodos de extraccin factorial, al constatarse diferen
cias en sus resultados. En general, los distintos procedimientos factoriales van a describirse
slo cuando sus resultados no coincidan con ACP.
Varianza total explicada
Autovalores iniciales
Compon.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Total
% d e ta
varianza
%
acumulado
3,619
1,665
1,114
1,015
,950
,868
,752
,736
,673
,600
,574
,S59
,470
,404
25,849
11,891
7,958
7,253
6,786
6,199
5,372
5,259
4,805
4,283
4,103
3,994
3,361
2,887
25,849
37,740
45,698
52,951
59,737
65,936
71,308
76,567
81,373
85,656
89,758
93,752
97,113
100,000
Total
% dla
varianza
%
acumulado
Total
3,619
1,665
1,114
1,015
25,849
11,891
7,958
7,253
25,849
37,740
45,698
52,951
2,416
2,046
1,861
1,090
% d e la
%
varianza acumulado
17,260
14,611
13,290
7,789
17,260
31,871
45,162
52,951
componentes principales.
La tabla recoge tantos componentes principales como variables, aunque se quiere reducir
sensiblemente su nmero. En ACP e! criterio ms aplicado es que los componentes ai menos
463
presenten un autovalor igual a 1. De! componente se pide que explique ms variabilidad que la
correspondiente a una variable. Recurdese que el autovalor indica la cantidad de varianza to
tal explicada por cada componente principal. Como las variables estn expresadas en su for
ma estandarizada (para simplificar la informacin y, sobre todo, para evitar la influencia inde
bida de las unidades de medicin en la ponderacin de los componentes), su varianza es 1. Al
ser 14 as variables analizadas, la varianza totales 14; Puede constatarse que la suma de to
dos los autovaiores de la tabla es igual al nmero de variables. Exactamente, 3,619 + 1,665 +
1,114 + ... + ,404 = 13,999 (14). Asimismo, el producto de todos los autovaiores (3,619 x 1,665
x 1,114 x ... x ,404) es igual al determinante de la matriz de correacin: ,07667.
Los autovaiores figuran ordenados por su tamao. El primer componente se halla inte
grado por la combinacin lnea! de variables que ms varianza explica: 3,619. Respecto a la
variabilidad total (13,999), se traduce a un 25,85% de varianza explicada (3,619/13,999 x
100). En cambio, el ltimo componente apenas extracta varianza de las variables originales:
,404; que, en relacin con la varianza total, tan slo representa ei 2,9%. En general, los au
tovaiores de los ltimos factores o componentes se aproximan a cero, cuando las correla
ciones entre las variables son muy elevadas. Esta situacin no se da en este ejemplo. Las co
rrelaciones son leves, a excepcin de cuatro variables, a decir por sus comunalidades
'iniciales", como se vio en el subapartado 5,4.3.
La tabla corrobora asimismo fa afirmacin de Tabachnick y Fidell (1989) de que en
ACP el nmero de componentes con autovaiores mayores de 1 suele ser un nmero com
prendido entre ei nmero tota) de variables dividido entre 3 y dividido entre 5. En este ca
so, 14 / 3 = 4,667 y 14 / 5 = 2,8. Entre 5 y 3 componentes estara la decisin. En realidad,
son 4 los componentes a extractar porque presentan autovaiores mayores o iguales a 1.
El primer componente explica ei 25,85% de a varianza total de ias variables mientras que
el cuarto componente slo explica el 7,25%. En total, con la combinacin de las 14 va
riables en 4 componentes logra explicarse el 52,95% de la varianza (porcentaje acumu
lado, que ndica el porcentaje de varianza atribuible a un factor o componente y a aque
llos que le preceden en la tabla). Este porcentaje es importante en magnitud, aunque
ligeramente inferior al mnimo ideal en las ciencias sociales: el 60% de la varianza total.
S bien, distintos autores (Hair et a i, 1992; 1999) reconocen que la menor precisin de
la informacin en las ciencias sociales influye en que se acepten soluciones factoriales que
logren explicar incluso un menor porcentaje de varianza que el aqu obtenido. Explicar el
60% de la varianza total supone incrementar a 5 el nmero de componentes. Pero antes
de aumentar el nmero de componentes, hay que valorar otros criterios que despus se
exponen. Aqu slo se seala que e! componente 5 presenta un autovalor prximo a 1
(,950), permitiendo su incorporacin al modelo factorial.
En 1966 Cateli propone (en The scree test for the number of factors, Multivaria
te Behavioral Research , 1:245-276) el empleo de un grfico, que denomina scree, en
la decisin de cuntos factores incluir en un modelo factorial. n este grfico s repre
sentan las autovaiores correspondientes a cada factor en el eje vertical, y los factores o
componentes, en su orden de extraccin, en el eje horizontal. D la conjuncin de cada
464
factor con. su correspondiente autovalor resulta una curva decreciente que conecta
puntos sucesivos. La curva siempre es decreciente, en consonancia con la disposicin de
ios autovalores. Al primer factor o componente siempre le corresponde el autovalor ms
elevado, mientras que e ltimo factor se caracteriza por tener el de menor cuanta.
Cateli escoge el trmino, aplicado en geologa, scree (traducido al castellano como
"desmoronamiento, escombros...) por a semejanza del grfico a los escombros que se
forman al pie, o en la parte inferior, de una pendiente de una montaa rocosa. Los au
tovalores grandes forman el acantilado y los pequeos los escombros o cascotes.
De acuerdo con este criterio, el nmero de factores o componentes est delimitado
por el punto de inflexin de la trayectoria de cada de la pendiente, Es decir, cuando
la pendiente descendiente comienza a nivelarse, Catell sugiere que se tomen todos
aquellos factores o componentes situados antes del punto de inflexin.
En la prctica, la aplicacin de este criterio supone la incorporacin al modelo fac
torial de 1 y, a veces, incluso 2 o 3 factores ms de los seleccionados siguiendo exclu
sivamente el criterio de los autovalores (Hair et a l, 1992; 1999).
je m p l o d e g r f ic o d e s e d im e n t a c i n
ES recurso al grfico de sedimentacin adquiere mayor relevancia cuando varios autovalores se aproximan a 1, como sucede en el ejemplo presente, y quiere comprobarse st se
pueden extractar menos componentes o factores de los inicalmente elegidos siguiendo el cri
terio de los autovalores.
Grfico de sedimentacin
465
Este grfico, tambin amado de fa "varianza total asociada a cada factor", intervie
ne igualmente en la decisin del nmero de componentes o factores a retener. Lo indica
el punto de inflexin de la curva descendente, donde sta comienza a nivelarse. La ni
velacin empieza a producirse, en este ejemplo, en el punto correspondiente al autova
lor del tercer componente (1,114), muy prximo al autovalor del componente cuatro
(1,015). Esto significa que la aplicacin de la prueba de desmoronamiento (o scree test)
lleva a la solucin de agrupar las 14 variables en 3 componentes principales. En contra de
la afirmacin de Hair et a!. (1992; 1999), su aplicacin en los datos aqu analizados no in
crementa el nmero de componentes, sino lo reduce.
Este tercer criterio de seleccin de factores es calificado, negativamente de arbitrario y subjetivo-. Kaiser (1970) lo considera ambiguo adems de subjetivo;' Es
tos calificativos se deben al hecho de que puede haber ms de una interpretacin de
la trayectoria de cada, e, incluso la misma consideracin de la pendiente como pro
nunciada o no pronunciada puede ser arbitraria. Dillon y Goldstein (1984)
comparten estas crticas y advierten, adems, de algunas complicaciones que pueden
suscitar la prctica de este criterio, aparentemente sencillo. Puede que no haya ningn
punto de inflexin claro u obvio, en cuyo caso esta prueba no sera concluyente. Pero,
tambin, puede darse la situacin contraria: la existencia de varios puntos de inflexin
(por ejemplo, en la primera mitad de los autovalores), que provoquen indecisin
sobre cul de los puntos de inflexin refleja el nmero correc);o de factores que com
pondrn el modelo factorial.
En caso de duda, la recomendacin usual es efectuar varios anlisis factoriales es
pecificando, cada vez, un nmero de factores diferentes. S los residuos (que figuran en
la matriz de correlacin residual) son pequeos, el anlisis factorial realizado se con
sidera bueno. La presencia de varios residuos moderados (de ,05 o ,10) o grandes
(> ,10) sugiere la necesidad de incorporar otro factor ms al modelo analtico (Tabachnick y Fidell, 1989).
La aplicacin del criterio de desmoronamiento mejora, no obstante, cuando con
fluyen varios elementos: tamao muestral elevado, altas comunalidades y coeficientes
factoriales prximos a 1 en varias variables en cada factor o componente (Gorsuch,
1983). Cuando coinciden estas situaciones, es ms probable que su aplicacin resulte
menos ambigua y, en consecuencia, ms clara.
D ) Significatividad
466
E j e m p l o d e a p l ic a c i n d e l c r it e r io d e s ig n if ic a t iv id a d e s t a d s t i a
Mtodo de extraccin
Mxima verosimilitud
Mnimos cuadrados generalizados
Chi-cuadrado
g.t.
Sig.
91,942
89,328
41
41
,000
,000
467
* Los grados de libertad son iguales a 1/2 { [p - kja- p - k ) = 1/2 ( [1 4 -4]3 - 14 - 4) = 41.
datos. Especialmente, en muestras grandes como la presente (2.492 casos), debido a que
el valor %2 es directamente proporcional al tamao muestral. Tambin afecta el nmero de
variables que el modelo incluya. En suma, puede llevar a ir incrementando el nmero
de factores a extraer hasta alcanzar un ajuste razonablemente bueno (p > ,05), que lle
ve a la aceptacin de H0. Pero, como ya se ha dicho antes, en la decisin de incremen
tar el nmero de factores tambin intervienen criterios anteriormente descritos, adems
de la llamada significatividad sustantiva. La solucin factorial ante todo ha de tener sig
nificado lgico que facilite su interpretacin. Esto lleva, necesariamente, a la lectura de la
matriz factorial, preferiblemente la rotada". A la vista de la composicin de cada factor pue
de decidirse su inclusin o exclusin del modelo final.
E) Interpretabilidad
468
469
La suma de los (Xj.) para cada variable en todos los factores o componentes pro
porciona su comunalidad (hf). sta expresa la proporcin de la varianza de cada va
riable
que es explicada por los factores o componentes en el modelo. En la matriz
factorial del ejemplo se obtiene que el 84,1% de la varianza de la variable X 1 queda ex
plicada por ios dos factores juntos. Si a (la varianza total de la variable estandarizada)
se le resta la comunalidad, se obtiene la proporcin de varianza especfica (u = 1 - lif).
Es decir, la proporcin de varianza de cada variable que la solucin factorial no logra
explicar. El modelo de dos factores comunes del ejemplo logra explicar una proporcin
considerable de la varianza de las variables, salvo en las variables X 3 y X 4.
En general, valores de com unalidad bajos (prximos a 0,0) expresan que la
variable no ha quedado bien definida por el modelo factorial. Esto puede deberse a
la exclusin en el modelo de un factor (o componente) de gran relevancia en la ex
plicacin del fenmeno que se analiza; o bien, a que la variable iene una baja
proporcin de varianza com n con otras variables. Lo que revierte en una mayor
cuanta de varianza nica.
E j e m p l o d e m a t r iz f a c t o r ia l "n o r o t a d a %
Variables
x,
*3
*5
Autovalores
(suma de cuadrados)
Factor 1
0.725(a)*
Factor 2
Comunalidad (If)
Especificidad (u?)
0,562
0,841 (b)
0,159 (c)
0,648
-0,739
0,966
0,034
0,545*
-0,432
0,484
0,516
0,487
-0,526*
0,514
0,486
0,798*
0,354
0,762
0,238
2,12 (d)
1,45
3,57
1,43
% varianza total
42,4 (e)
29,0
% varianza comn
59,4 (g)
40,6
71.4(f)
28,6
470
La m atriz factorial del ejemplo incluye los integrantes bsicos: las variables em
pricas, los factores y los coeficientes factoriales. A stos se aaden las comunalidades,
as especificidades, los autovaiores y los porcentajes de varianza explicada por la so
lucin factorial. En la mayora de los paquetes estadsticos, como el programa SPSS,
estos ltimos valores figuran en tablas aparte de la matriz factorial: los autovaiores y
los porcentajes de varianza explicados por la solucin factorial en la tabla varian2 a to
tal explicada, las comunalidades en una tabla que rene las comunalidades iniciales
y las posteriores a la extraccin factorial. Ello facilita la comparacin entre ambas
comunalidades. De inters, sobre todo en AFC, donde as comunalidades iniciales ex
presan varianza comn. Indican la correlacin mltiple cuadrada de cada variable ob
servada X (que acta a modo de variable dependiente) respecto a las p - 1 variables
restantes (las independientes o predictoras); es decir, la proporcin de ia varianza to
tal en X que es explicada por las dems variables.
Los comunalidades finales suelen diferir, en cuanta, de las iniciales. Tanto en
ACP como AFC, sus valores corresponden a las correlaciones mltiples cuadradas d
cada variable X-t (la dependiente), pero ahora respecto a los factores actuando como
las variables independientes en una ecuacin de regresin mltiple. Representan la pro
porcin de la varianza de cada variable que logra predecirse por la estructura latente.
Estas comunalidades suelen estimarse mediante procedimientos iterativos, de ajuste
continuo entre las matrices de correlacin observada y la reproducida.
La matriz de correlacin reproducida contiene, en su diagonal principal, las estima
ciones de comunalidad a partir de la suma de los cuadrados de los coeficientes factoria
les en los factores retenidos para cada fila de !a matriz factorial. A partir de esta matriz se
procede a un nuevo anlisis factorial, que genera nuevas estimaciones de comunali
dad. El procedimiento concluye cuando convergen las matrices de coeficientes factoriales.
Por ltimo, hay que advertir que, cuando las comunalidades son pequeas (pr
ximas a 0,0) y/o varan considerablemente, los coeficientes factoriales de componentes
471
jem plo d e ma
m iz
d e c o r r e l a c i n r e p r o d u c id a .
Para ilustrar lo dicho sobre la matriz de correlaciones reproducidas {tabia A), se selecciona
la correspondiente al ACP. Adems, se aade la tabla de comunalidades (tabla B) para que
pueda constatarse que !a diagonal de la susodicha matriz est formada por las estimaciones
de la comunalidad despus de haberse producido ia extraccin factorial.
Tabla A. Matriz de correlaciones reproducidas
X15
*15
,531b
X,
xa
X,
X6
X,
X2
X3
x,
x6
X7
Xa
X9
x !0
x Sf
Xa
X,3
X,4
X?
x8
,352 -3 7 0
,426 -,465
-1 2 3
,197
,177
-1 9 4
-,092 ,102
-,385 ' ,418
,421b -,449
,484'
x9
X,o
.296
-.248
,318
-,087
,136
,232
,224
,261
,274
-,588
,221
,119
-,055
,181
,216
-3 1
,301
,352
,731b
Xi*
X|3
xM
.sss11
Residuoa
X,s
Xt
X2
X3
X4
X6
x7
Xe
X9
x,0
X
x ia
X,3
xM
000
,054
,068
,032
,099
,256
,019
,003
,029
,225
,010
-,032
-,064
-,105
,113
,066
-,001
,025
-,028
,000
,005
-0 1 0
-,090
-,006
,198
,044
-,018
-,011
-.056
-.019
-,159
,174
-,038
,057
,054
-,028
,011
,009
-,006
-,058
-,136
-.006
-,051
,038
,129
-,061
-,038
,033
-.078
,121
-.113
-,060
,021
,038
,071
-,011
472
Inicia1
Simpata marroqu
Leyes inmigracin
ideologa potsca
Sexo
Edad
N. inmigrantes
Regularizar inmigrante
Entrada inmigrante
Partido racista
Casar con marroqu
Estudios
Ingresos
Vecino marroqu
inmigrante delincuente
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
Extraccin
,531
,465
,766
,448
,507
,417
,421
,484
,274
,731
,673
,619
,691
,385
En la tabla A se dice que la mitad de los residuos son no redundantes, al ser su valor absoluto superior a ,05. Como en la mayora de los anlisis estadsticos, en el anli
sis factorial interesa que los residuos sean bajos porque indica que el ajuste dei modelo
es bueno. En caso contrario, debera reconsiderarse el modelo. Para ms informacin,
vase el apartado 5.7.
La matriz factorial muestra la relacin, habida entre las variables y los factores o com
ponentes, pero su interpretacin no suele ser sencilla. Es frecuente que varias variables
presenten coeficientes factoriales elevados en ms de un factor, cuando lo que interesa
es que la mayor parte de su variabilidad quede explicada por un solo factor y no por va
rios. Esto lleva al desarrollo del principio de estructura simple, segn el cual las
473
variables han de saturar bsicamente en un factor. Quiere esto decir que sus coeficientes factoriales han de ser elevados en un solo factor o componente y bajos en el resto. Un
coeficiente factorial prximo a 0,0 indica inexistencia de relacin entre la variable emprica
y el factor. Un valor elevado (positivo o negativo), cercano a 1,0, expresa lo contrario.
El principio de estructura simple fue propuesto por Thu-rstone en 1947 (Mlti
ple Factor Analysis, Chicago University Press). En el anlisis factorial booleano este
principio no es tan exigido. Una variable puede tener un coeficiente factorial elevado
(prximo a 1,0) en ms de un factor, lo cual elimina la necesidad de efectuar una ro
tacin factorial. Salvo esta excepcin, en la generalidad de ios anlisis factoriales se demanda el principio de estructura simple. ste incluye los supuestos siguientes:
a) Cada factor o componente ha de tener unos pocos coeficientes factoriales
un factor.
c) Los factores o componentes no han de tener la misma distribucin. Deben mos
Iz j M P L O DE MATRIZ FACTORIAL/ROTADA^
474
Factor 2 no roturado
Factor 2 roturado
A 1,0
Factor 1
no roturado
1,0
Factor 1 roturado
Figura A.
A l5
b) Los paquetes estadsticos ofrecen tambin otros grficos para la solucin factorial ro
0,5
X .3
o
<
t
*4
-0,5
-
1,0
-1,0
-0,5
0,0
0,5
1,0
Factor 1
Figura B. Grfico de coeficientes factoriales tras la rotacin ortogonal varimax.
476
Factor 1
Factor 2
Comunalidad (If)
Especificidad (uf)
0,167
0,902 *
0,841
0,159
0,980 *
0,072
0,966
0,034
^3
0,659 *
0,224
0,484
0,516
x*
0,709 *
-0,108
0,514
0,486
x5
0,258
0,834 *
0,762
0,238
Autovalores
(suma de cuadrados)
1,992
1,576
3,57
1,43
% varianza total
39,8
31,5
% varianza comn
55,8
44,2
71,4
28,6
A ll
B. ROTACIN OBLICUA:
1.
2.
3.
4.
5.
Oblimin
Quarimin
Bquartimin o covarimin
Oblimax
Promax
A ) Rotacin ortogonal
Parte del supuesto de incorrelacin entre las dimensiones latentes. Todo factor co
mn o componente principal es independiente de los dems, lo que determina que los
ejes factoriales se mantengan perpendiculares entre s, formando un ngulo de 90. Es
ta variedad genrica incluye los tres procedimientos principales siguientes:
A .l. Varimax
Es el procedimiento de rotacin factorial ortogonal ms empleado y el que se apli
ca, por defecto, en la mayora de los programas estadsticos. Fue propuesto por Kaiser
en 1958 (en The varimax criterion for analytic rotation in factor analysis, Psychometrika, 23:187-200). Su finalidad es simplificar la estructura factorial maximizando la
varianza de los coeficientes factoriales cuadrados (A|) para cada factor. De ah le vie
ne el nombre varimax, acorde con su objetivo principal: que la VARIanza se MAXlmice para ayudar a 1a interpretacin de los factores.
La simplificacin mxima se alcanza cuando en cada columna de la matriz facto
rial (donde se sitan los factores) existen slo unos y ceros (coeficientes factoriales muy
elevados en unas variables y muy bajos en el resto).
En la aplicacin de la rotacin varimax pueden emplearse coeficientes factoriales bru
tos o normalizados. Lo habitual es utilizar coeficientes factoriales normalizados (o
478
A.3. Equimax
Este tercer procedimiento de rotacin ortogonal se presenta como una sntesis de
los dos anteriors. Busca tanto la simplificacin de las filas (variables) como de las co
lumnas (factores) de la matriz factorial. Pese a ello no ha tenido el desarrollo esperado,
siendo de los tres procedimientos de rotacin el menos aplicado en la prctica.
B) Rotacin oblicua
479
ejes factoriales no son perpendiculares, pudiendo estar separados por un ngulo inferior
a 90. Ei coseno de ngulo muestra la correlacin entre los dos ejes factoriales que se
relacionan. La consideracin de dimensiones latentes interrelacionadas comporta
una mayor complejidad en ia interpretacin de la solucin factorial, aunque sta sea
terica y empricamente ms realista.
La correlacin mutua entre los factores introduce modificaciones importantes en
la matriz factorial. En primer lugar, los coeficientes factoriales no pueden ya inter
pretarse como coeficientes de correlacin simple, como sucede en la rotacin ortogonal,
sino slo como coeficientes de regresin de cada variable emprica X t en funcin de fac
tores mutuamente relacionados. De la matriz factorial no rotada derivan dos matrices'
diferentes: la matriz de los coeficientes factoriales (o la matriz de configuracin: pat- :
tern matrix) y la matriz de correlaciones entre los factores y las variables (la matriz
de estructura: structure matrix). En la rotacin ortogonal ambas matrices coinciden,
en la oblicua difieren. Adems, las correlaciones entre las variables empricas (indi
cadores) y las dimensiones latentes pueden estar infladas por el solapamiento entre los
factores o componentes. Las variables pueden correlacionar con unos factores direc
tamente y con otros indirectamente, a travs de su correlacin con otro factor a l co
rrelacionado.
Para conocer el grado de correlacin entre los factores o componentes, la gene
ralidad de los programas estadsticos ofrecen una matriz de correlaciones entre los fac
tores (factor correlation matrix). sta permite comprobar el grado de intercorrelacin entre los factores. Informacin de inters en la decisin de qu modalidad de
rotacin aplicar con la finalidad de mejorar la solucin factorial.
La interrelacin entre los factores tambin altera la interpretacin de las co munadades de las variables y de la proporcin de varianza explicada por cada fac
tor. Las com unalidades no coinciden con la suma de los coeficientes factoriales al
cuadrado de cada variable en cada factor o componente. Tampoco la proporcin de
varianza explicada por el factor se obtiene a partir de la suma de los coeficientes
cuadrados de las variables que saturan en dicha dimensin latente. Los factores
estn correlacionados, lo que entorpece la interpretacin de la suma de los coefi
cientes factoriales cuadrados rotados oblicuamente en trminos de proporcin de
varianza.
La rotacin oblicua incluye igualmente una amplia variedad de alternativas. stas
pueden sintetizarse en las siguientes:
B.l. Oblimin
Es uno de los procedimientos de rotacin oblicua ms populares, ai estar incluido
en ia mayora de los programas estadsticos, como el SPSS. Suele aplicarse con coefi
cientes factoriales normalizados, obtenidos de la divisin del coeficiente factorial al cua
drado por la raz cuadrada de la com unalidad de la variable respectiva.
Este procedimiento de rotacin resulta de la combinacin de dos criterios:
480
B.2. Qblimax
Se presenta como un criterio alternativo al quartimin (el equivalente oblicuo del
quartimax ). Persigue la simplificacin de la estructura factorial, aumentando (maxi
mizando) el nmero de coeficientes factoriales elevados y bajos. En cambio, disminuye
los de rango medio.
B.3. Promax
Es uno de los procedimientos de rotacin oblicua ms novedosos, incorporndo
se a las ltimas versiones de programas como el SPSS. Se caracteriza por conseguir la
solucin oblicua aplicando algunas funciones de la solucin ortogonal, como la matriz
target: aquella que el investigador tiene en mente o cree que existe.
La razn detrs de la rotacin promax es que las soluciones ortogonales suelen
aproximarse a la solucin oblicua, y reduciendo los coeficientes ms pequeos a coefi
cientes de casi cero, se puede obtener una matriz target de estructura simple razona
blemente buena. Entonces, encontrando los factores oblicuos que mejor ajusten
(aplicando el criterio de mnimos cuadrados) a esta matriz target, se obtiene la solucin
oblicua deseada (Kim y Mueller, 1978b: 40-41).
Este tercer criterio de rotacin oblicua suele utilizarse cuando se quiere compro
bar la congruencia de una estructura factorial con otra que se conoce.
j e m p l o d e d is t in t o s p r o c e d im ie n t o s d e r o t a c i n
o r t o g o n a l y o b l ic u a
EN ACP
Para que pueda mejor comprenderse la lgica de la rotacin, se decide aplicar las dis
tintas opciones de rotacin a un mismo mtodo de extraccin factorial: el anlisis de com
ponentes principales. Los mtodos de factor comn se ejemplifican en el apartado 5.8.
Primero, se expone ta matriz de componentes "no rotada" (tabla A). Punto de referencia
para comprobar ta mejora lograda con la rotacin. En la salida origina! del programa SPSS
(versin 10.0) dicha matriz incluye nicamente ias variables, os componentes extractados y
las saturaciones o coeficientes factoriales (component loadings). La informacin sobre co-
481
munalidady los autovalores se da en tablas aparte. Los autovalores en la tabla comn llamada
varianza total explicada (subapartado 5.5.2). Las cornunalidades en una tabla especfica ya
expuesta en el segundo ejemplo de! apartado 5.6.
En la matriz no rotada (tabla A) se observa una estructura poco definida de los compo
nentes, al haber 8 variables (de las 14 analizadas) con saturaciones significativas en
ms de un componente. Se toma el referente ms habitual de X ^ ,30. Supone que al me
nos un 9% (,30 = ,09) de la varianza de la variable ha quedado explicada por eScomponente.
Dicho referente puede incluso reducirse ligeramente a las cantidades expuestas en el su
bapartado 5.6.2, dado el elevado tamao muestral.
Por ejemplo, ia variable casar con marroqu" presenta una correlacin significativa
con tres componentes: 1 (,639), 3 (,442) y 2 (,330). Su correlacin con el componente 4 es,
en cambio, negativa y ms leve (,133). En este ltimo componente la variable que ms pon
dera es ideologa poltica (,815), seguida a distancia por ia variable sexo" (-,394). La pre
sencia de las dems variables en este ltimo componente no es significativa. Por el contra
rio, e! componente 1 se presenta, como es usual, como un componente general. En l
saturan significativamente (X a ,30) la generalidad de las variables, con la nica excepcin de
a variable sexo. Lo que concuerda con la informacin de los autovalores dada en e! su
bapartado 5.5.2.
1
casar con marroqu
simpata marroqu'
entrada inmigrante
vecino marroqu
leyes inmigracin
n. inmigrantes
inmigrante delincuente
regularizar inmigrante
partido racista
ingresos
estudios
edad
sexo
ideologa poltica
,639
,626
,618
,589
-,586
,582
,571
-,570
,449
-,329
-4 5 2
,388
9.040E-03
,301
2
,330
-2 7 3
,113
,341
-2.02E-02
,123
1.20E-02
9,74E-02
,138
,690
,674
-,536
,279
,110
3
,442
-1 6 3
-,2 9 8
,439
,336
-,243
-,238
,285
,106
7.246E-03
8,15E-02
,261
-,464
- 1 ,85E-03
4
-,133
,193
2.78E-03
-,189
8,51 E-02
6,367E~02
4,811 E-02
7,394E-02
,206
,184
9,128E-02
3,929E-02
-,394
,815
482
483
1
leyes inmigracin
entrada inmigrante
regularizar inmigrante
n. inmigrantes
inmigrante delincuente
casar con marroqu
vecino marroqu
simpata marroqu
partido racista
estudios
ingresos
edad
ideologa poltica
sexo
-6 6 0
,659
-,610
,579
,576
,177
,141
-,351
,275
-,207
-1 7 3
5.780E-02
,276
,325
-,110
,217
-,210
,111
,160
,830
,818
-6 3 6
,332
4,00E-02
6.978E-02
,143
4,828E~03
-6,25 E~02
9.350E-02
-4.25E-02
5.204E-02
-,246
-,146
5.54E-02
-3,41 E-02
4.038E-02
-3,32E-02
,793
,754
-,675
9,794E-02
,310
-9,15E-02
2,200-02
5,012E-02
9.453E-02
7,861 E-02
8.724E-02
2.472E-02
4,251 E-02
,295
-9,31 E-03
,122
,168
,825
-,493
ideologa poltica" finalmente no se incluyese en dicho aniisis por las razones expuestas en
dicho captulo.
Tras la rotacin, ni ias comunalidades ni el porcentaje global de la varianza tota! explicada
(52,95%) varan. Lo que s cambia es la varianza explicada por cada componente, al variar ias
saturaciones de las van'abies en cada componente. La rotacin produce una redistribucin de la
varianza que ocasiona una prdida de la variabilidad explicada por el primer componente,
con el aumento consiguiente en los dems componentes. El componente 1 pasa de un autovalor
de 3,619 a 2,416 (un 17,26% de la varianza total); el componente 2, de 1,665 a 2,046 (14,61%
de la varianza total); e! componente 3, de 1,114 a 1,861 (el 13,29%); y el componente 4, de 1,015
a 1,090 (7,79%). Vase la tabla de Varianza total explicada" en subapartado 5.5.2.
La tabia C incluye la matriz de rotacin para transformar los coeficientes de la matriz de
componentes no rotados a rotados: la matriz de transformacin de los componentes.
Tabla C. Matriz de transformacin de las componentes
Componente
1
2
3
4
,720
,084
-,686
,059
,576
.440
,636
-,265
-.351
,894
-.247
,128
,163
-0 0 3
,253
,954
484
entrada inmigrante
leyes inmigracin
regularizar inmigrante
n,0 inmigrantes
inmigrante delincuente
partido racista
casar con marroqu
vecino marroqu
simpata marroqu
estudios
ingresos
edad
ideologa poltica
sexo
,681
~,675
-,628
,603
,600
,326
,275
,234
-,419
-,248
-,194
,114
,310
,276
,141
-3.59E-02
-,140
4.496E-02
9.423E-02
,300
,805
,798
-,592
- 1 ,52E-02
9.054E-02
,136
-2,21 E-02
-,100
3
-9.97E-03
6.164E-02
2,152E-02
-,218
,118
2,02E-02
-4,41 E-02
2,43E-02
2,078E-02
,782
,745
-,671
,170
,328
4
-1.27E-02
-5,73E-02
8,236E-02
6.317E-02
4.768E-02
,278
6.956E-02
9.159E-03
6,641 E-02
7.208E-03
,135
,159
,811
-,505
485
entrada inmigrante
leyes inmigracin
regularizar inmigrante
n.p inmigrantes
inmigrante delincuente
casar con marroqu
vecino marroqu
simpata marroqu
partido racista
estudios
ingresos
edad
ideologa poltica
sexo
,640
-,640
-,597
,554
,553
,120
9.077E-02
-.315
,230
-,174
-,157
1,134E-02
,214
,376
,251
-,143
-,244
,138
,188
,835
,824
,655
,338
-4,89E-02
5.869E-02
,140
-3,95E-03
-2.98E-02
3
-6.68E-02
,117
7,497E~02
-,267
-,167
-6.16E-02
~3,94E-02
5.382E-02
-4,15 E-02
,800
,761
,675
9,300E-02
,295
4
7,918E-02
-,146
-3,31 E-03
,143
,128
,122
5,601 E-02
-1 ,03E-03
,324
-2.93E-02
,107
,178
,844
-.468
Por ltimo, se comprueba si distintos procedimientos de rotacin oblicua logran una mayor
definicin de as variables en ios componentes. Se parte de la hiptesis de que los componentes
pueden estar intercorrelacionados. Primero, se prueba el procedimiento de rotacin oblicua ms
popular, oblimin, y despus el procedimiento promax. stas son las dos opciones de rotacin
oblicua dadas en el programa SPSS. Las tablas F (matriz de configuracin^ y G (matriz de es
tructura) corresponden a la rotacin oblicua oblimin, con el criterio de normalizacin de Kaiser.
Recurdese que en la rotacin oblicua ambas matrices varan, a diferencia de la rotacin or
togonal, Como el procedimiento oblimin permite controlar la extensin de ia "oblicuidad" medante
delta (<?'), ste se fija en 0, siguiendo la recomendacin de Harman (1976) de que delta sea 0.
La oblicuidad es mayor cuando delta es 0 y menor cuando es negativo.
La matriz de estructura (tabla G) muestra las correlaciones entre ias variabies y ios com
ponentes. Se obtiene multiplicando la matriz de configuracin por la matriz de correlaciones de
los componentes. Recurdese que una caracterstica que distingue a la rotacin oblicua es que,
al permitir que los componentes estn intercorrelacionados, los coeficientes dejan de ser simples
coeficientes de correlacin de la variable con e! componente, sino coeficientes de regresin de
cada variable emprica respecto a los componentes que estn mutuamente relacionados.
De la comparacin de las matrices con las obtenidas con la rotacin ortogonal puede con
cluirse que la composicin de los componentes principales no difiere, en general, de los mo
delos precedentes; si bien, ha logrado una definicin ms ciara de los componentes, ai ha
ber menos variabies que saturen de forma significativa en ms de un componente. La
diferencia principa! es el intercambio en ta composicin de ios componentes 2 (ahora ca
racterizado por la combinacin de las variables "estudios, "ingresos y edad) y 3 (casar con
marroqu', "vecino marroqu , simpata marroqu y partido racista).
486
leyes inmigracin
entrada inmigrante
regularizar inmigrante
n, inmigrantes
inmigrante delincuente
estudios
ingresos
edad
casar con marroqu
vecino marroqu
simpata marroqu
partido racista
ideologa poltica
sexo
-661
,644
-5 9 6
,563
,557
-,142
-,140
-3.74E-02
-1.36E-02
4.43E-02
-,223
,198
,26?
,408
4,666E-02
5,982E-03
1.140E-Q2
-.206
-1 0 3
,794
,770
-,667
- 1 ,69E-03
1.352E-02
-6,26E-03
1.610E-02
,168
,301
8.862E-03
,113
-,119
2,171 E-03
5,938E-Q2
1,333E-02
,115
,116
,858
,857
,626
,287
-,104
-8.24E-02
4
9.55E-02
1.834E-02
5.669E-02
8,480E-02
7.125E-02
4.728E-02
,168
,109
1.085E-02
5,12E-02
9.649E-02
,275
,856
-,463
entrada inmigrante
leyes inmigracin
regularizar inmigrante
n. inmigrantes
inmigrante delincuente
estudios
ingresos
edad
casar con marroqu
vecino marroqu
simpata marroqu
partido racista
ideologa poltica
sexo
,687
",673
-,639
,603
,602
-,260
-.207
,121
,314
,276
-,453
,324
,259
,295
--,114
,165
,113
-,309
-2 1 0
,808
,752
~~,693
- ,ita
8,29E'02
9.597E-02
-9.40E-02
1.055E-02
,317
3
,360
-.266
-,337
,259
,298
-,135
7.0GE-03
,209
,855
,829
-,693
,411
,133
-5.22E-02
4
8,633E-Q2
-,150
-1.16E-02
,158
,139
-8,07 E-02
6.298E-02
,229
,169
' ,102
-3,55E-02
,340
,831
-,493
Al permitirse que los componentes estn correlacionados, ias sumas de ios cuadrados
de as saturaciones no se pueden aadir para obtener la varianza total, a diferencia de ios pro
cedimientos de rotacin ortogonales. Slo se informa de ios autovaiores totales: componente
1 = 2,822, componente 2 = 2,030, componente 3 = 2,618 y componente 4 = 1,227.
487
1
2
3
4
1,000
-,159
,380
7,455E-02
-,159
1,000
-,130
-151
,380
-,130
1,000
,186
7,455E-02
-.151
,186
1,000
1
2
3
1,000
,418
-1 8 7
,113
,418
1,000
-,145
,198
~,187
-1 4 5
1,000
-,142
,113
,198
,142
1,000
488
leyes inmigracin
entrada inmigrante
regularizar inmigrante
n," inmigrantes
inmigrante delincuente
vecino marroqu
casar con marroqusimpata marroqu
partido racista
estudios
ingresos
edad
ideologa poltica
sexo
-,675
,659
-.611
,573
,569
-3,81 E-02
-7,68E-03
-,235
,200
,140
-,140
-4,41 E-02
,254
,426
4.205E-02
8,098E-Q2
-9.05E-02
-2,74E-02
3,086E-02
,858
,856
-,615
,275
2.578E-02
,126
,112
-,121
9.66E-02
3,795E-02
1,581 E-02
1.893E-03
-,199
-~9r55E-02
2,006E-02
5,008E-03
1,49E-2
2.002E-02
,793
,769
-,668
,167
,308
-8,83E-02
1.075E-02
6.372E-02
8.036E-02
6.586E-02
5,05E-02
1.154E-02
9.907E-02
,273
4.123E-02
,163
,117
,853
-,472
Componente
entrada inmigrante
leyes inmigracin
regularizar inmigrante
n.0 inmigrantes
inmigrante delincuente
casar con marroqu
vecino marroqu
simpata marroqu
partido racista
estudios
ingresos
edad
ideologa poltica
sexo
,691
-6 7 4
-,642
,608
,607
,351
,311
-,478
,342
~,273
-,212
,141
,269
,275
,357
-2 6 3
-",334
,257
,296
,855
,829
-,691
,410
-,140
-1.16E-02
,214
,130
-5.66E-02
-,120
,170
,120
-,314
-2 1 6
-1 2 0
-9,02 E-02
,104
-9,61 E-02
,810
,754
-,693
1,580E-02
,310
9,884E-02
-,161
-2.34E-02
,168
,150
,180
,113
-4.72E-02
,347
-8.23E-02
6,265E-02
,229
,834
-,487
489
490
491
492
Expuestos los modelos ACP, queda describir las soluciones de factor comn (AFC). Pa
ra abreviar la exposicin, sio se interpreta e! modelo final obtenido tras aplicar e procedi
miento de rotacin de los ejes factoriales ms popular: varimax. La tabla A corresponde a la
matriz de factores rotados para el mtodo de e/e o factor principal. ste es el mtodo de ex
traccin factorial de mayor aplicacin en AFC, junto a! de mxima verosimilitud (Kim y
Muelier, 1978b; Diilon y Godstein, 1984; Afifi y Clark, 1990). Como su realizacin ha sido pos
terior a ACP, se ha seguido el mismo criterio de extractar 4 dimensiones latentes (ahora lla
madas factores comunes) que expliquen las correlaciones de una serie de variables ob
servadas. Como se dijo en e! subapartado 5.2.2, en AFC se diferencia entre varianza
comn y especfica, de modo que cada variable observada queda definida por ia conjuncin
de factores comunes y "nicos". Tambin se busca un modelo sencillo e interpretable. Lo
que ileva a la rotacin para que cada variable se relacione con el menor nmero de factores
posible.
Tabla A. Matriz efe factores rotados3
Factor
entrada inmigrante
ieyes inmigracin
regularizar inmigrante
n. inmigrantes
inmigrante delincuente
partido racista
casar con marroqu
vecino marroqu
simpata marroqu
estudios
ingresos
edad
sexo
ideologa poltica
,593
-,541
-,523
,497
,451
,266
,214
,223
-,385
-,244
-,232
,107
8,615E-02
,162
,196
-,143
-,192
,136
,180
,238
,794
,656
-,479
4.14E-02
4,845E-02
,123
1.068E-03
8.049E-02
-1,61 E-02
7.588E-02
2.934E-02
-1 8 2
-.127
-5.80E-02
-5,12E-02
-2,51 E-02
2,121 E-02
,741
,565
-,536
,161
-2,83E-02
5,744E-02
116
-1,31 E-02
7.120E-02
,136
,156
8.784E-02
4.879E-02
3,54E-02
1,698E-02
,155
,143
-3,01 E-02
,549
493
tores (el coeficiente ms elevado es ,161 y corresponde al factor 3); y dos, la variabie par
tido racista, con coeficientes algo ms elevados, pero tambin inferiores al referente ha
bitual ( ,30).
En busca de una explicacin, se analizan las comunalidades (expuestas en el sub
apartado 5.4,3). En AFC, las comunalidades iniciales difieren de 1,0, al analizarse slo la
varianza comn de cada variable y no la total como en ACP. Sus estimaciones de las co
munalidades iniciales son, en cada variable, R2 mltiple que resulta de regresionar el resto
de las variables con la considerada. En la susodicha tabla puede comprobarse que la variable
casar con marroqu es, de as 14 consideradas, la que mayor proporcin de su varianza lo
gra ser explicada por la combinacin de las 13 variables restantes (,429 = 42,9% de su va
rianza), Le sigue la variable vecino marroqu" (,368) y estudios (,351). Por el contrario, Sas
variables ideologa poltica (,08422) y sexo" (,033) apenas tienen varianza compartida con
las dems variables. Et conocimiento del valor de las otras variables no ayuda a su predic
cin. Recurdese que en el anlisis de conglomerados (captulo 3) la variable ideologa po
ltica fue la ltima en unirse a la agrupacin de las variables en conglomerados; la variable
sexo, la penltima.
Como las comunalidades iniciales se distancian de 1,00, se prev que ia solucin de fac
torizacin de ejes principales difiera de a obtenida con ACP.
Tras ia extraccin factorial se vuelven a estimar las comunalidades considerando
ahora los coeficientes factoriales. Las nuevas estimaciones de ias comunalidades reempiazan
a las antiguas y prosigue ei proceso iterativo de estimacin de ios factores comunes. ste con
cluye cuando apenas cambian ias estimaciones de comunalidad.
Como se prevea, tras la extraccin factorial, las comunalidades finales tambin difieren
de las obtenidas en ACP. Los resultados confirman la tendencia habitual a conseguir co
munalidades en general inferiores en la factorizacin de ejes principales respecto a ACP. La
razn est en que slo se factoriza la varianza comn.
Tras la extraccin factorial las comunalidades indican la proporcin de la varianza de las
variabies que puede ser explicada por los factores comunes. El valor 1,00 expresa que toda
la varianza de ia variable logra ser explicada por los factores comunes; el valor ,00, que su
variabilidad no se consigue explicar. La varianza no explicada por los factores comunes se
atribuye ai componente "nico o varianza especfica" de la variable.
La nula comunalidad de la variable "sexo (vase la tabla B del ejemplo del subaparta
do 5.4.3) lleva a considerar la necesidad de eliminarla de los anlisis y volver a estimar el mo
delo factorial, en busca de su mejora. Mxime cuando dicha variable no presenta ningn coe
ficiente factorial significativo en alguno de los factores comunes. Adems, su relevancia para
los objetivos del estudio es escasa.
Tambin puede considerarse la eliminacin de la variable partido racista, con coeficientes
algo superiores, pero igualmente no significativos. Asimismo, su comunalidad tras la "ex
traccin es baja: slo el 15,5% de su varianza queda explicada por los cuatro factores co
munes. Pese a ello, su eliminacin no es tan evidente, a diferencia de ia variable "sexo, al
haber quedado muy definida en un factor: el factor 4, con un coeficiente factorial de ,549 (ta
bla A), que supone el 30,1% (,5492) de su variabilidad. En general, se recomienda valorar la
eliminacin de las variables cuya comunalidad sea inferior a ,50 porque su variabilidad no que
da suficientemente explicada por el modelo factorial. Si su valor es inferior a ,30, la eliminacin
de la variable se convierte en imperiosa.
La tabla B ofrece los datos de varianza total explicada por la factorizacin de ejes prin
cipales. El porcentaje de varianza total explicada por la conjuncin de los cuatro factores co-
494
mues (35,937%) es bastante inferior al obtenido en ACP (52,951%). Comprense los por
centajes de varianza de las dos mtodos factoriales.
Autovaiores iniciales
Factor
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Total
% dla
varianza
%
acumulado
Total
% d e la
varianza
%
acumulado
Total
3,619
1,665
1,114
1,015
,950
,868
,752
,736
,673
,600
,574
,SS9
,470
,404
25,849
11,891
7,958
7,253
6,786
6,195
5,372
5,259
4,80S
4,283
4,103
3,994
3,361
2,887
25,849
37,740
45,698
52,951
59,737
65,936
71,308
76,567
81,373
86,656
89,758
93,752
97,113
100,000
3,022
1,137
,541
,331
21,588
8,122
3,864
2,363
21,588
29,709
33,574
35,937
1,842
1,520
1,247
,423
% d e ta
%
varianza acumulado
13,154
10,854
8,904
3,024
13,154
24,003
32,912
35,937
La aplicacin del mtodo de mxima verosimilitud logra elevar hasta 40,376 el por
centaje de varianza total explicada (tabla C) con una composicin similar en sus factores
(tabla D). Como en ACP, la proporcin de varianza explicada en cada factor se obtiene de
la suma de ias saturaciones al cuadrado de todas las variables. De nuevo, las correlaciones
son ponderadas por ei inverso de ta varianza nica de as variables mediante un proceso
iterativo.
Factor
2
3
4
Total
% de la
varianza
%
acumulado
Total
% d e la
varianza
%
acumulado
1,203
2,735
1,131
,584
8,592
19,532
8,081
4,171
8,592
28,124
36,205
40,376
1,876
1,502
1,263
1,005
13,400
10,73t
9,065
7,181
24,131
33,196
40,376
13,400
495
1
entrada inmigrante
leyes inmigracin
regularizar inmigrante
n. inmigrantes
inmigrante delincuente
partido racista
casar con marroqu
vecino marroqu
simpata marroqu
estudios
ingresos
edad
sexo
ideologa poltica
,599
-.547
-.526
,495
,456
,283
,225
,239
,390
,231
-.214
,114
9.529E-02
,166
2
,186
-,141
-.179
,132
,186
,227
,809
,638
,474
2,68E-02
6.269E-02
,125
- 1 ,80E-02
7,487E-02
2.24E-02
8.037E-02
4.674E-02
-,186
-.131
-6,55 E-02
-5,68E-02
-3.23E-02
3.749E-02
,769
,550
-,529
,153
3,76E~02
2.245E-02
-7.79E-02
-8.40E-03
4.206E-02
5,530 E-02
,105
4,767E-02
2.895E-02
-1.39E-02
1,792E-02
9,Q00E"02
7.109E-02
-4,00E-02
,982
Para abreviar la exposicin de los resultados slo se informa de ias matrices factoriales
rotadas de los cuatro mtodos de factorizacin restantes: mnimos cuadrados generalizados
(tabla E), mnimos cuadrados no ponderados (tabla F), factorizacin alfa (tabla G) e imagen
(tabla H). Comprense los cuatro modelos factoriales y calclense las comunalidades y el por
centaje de la varianza total explicada por cada factor. Excepto en la factorizacin alfa, que se
distingue porque ni las comunalidades ni los autovalores son exactamente !a suma de los coe
ficientes factoriales al cuadrado. En cambio, la factorizacin imagen se diferencia porque as
comunalidades no varan, al no ser iterativamente reestimadas.
El considerar que se analiza a a poblacin de individuos y/o variables tambin afecta
a que en la factorizacin alfa no se realicen pruebas de significacin, a diferencia de m
xima verosimilitud y mnimos cuadrados generalizados. Asimismo, a diferencia del mto
do de mxima verosimilitud, en la factorizacin alfa es frecuente que las variables con me
nor comunalidad obtengan coeficientes factoriales ms elevados que mediante otros
mtodos factoriales como mxima verosimilitud. Para comprobar dichas afirmaciones se
proporcionan las comunalidades (tabla I) y la varianza total explicada (tabla J) mediante la
factorizacin alfa.
Como muestra de la similitud de la agrupacin de variables, comprense los grficos de
saturaciones en el espado rotado de ACP (figura A) y AFC de ejes principales (figura B). En
ambos grficos las coordenadas se corresponden con los pesos o coeficientes factoriales de
la solucin obtenida tras la rotacin varimax. Estos grficos 3-D son la ilustracin usual cuan
do son tres o ms ios componentes o factores extrados. En nuestro caso son cuatro. El gr
fico incluye los coeficientes de os tres primeros componentes (ACP) o factores comunes
(AFC). La disposicin de las variables en el espacio rotado es muy similar y son varias las va-
496
entrada inmigrante
leyes inmigracin
regularizar inmigrante
n. inmigrantes
inmigrante delincuente
partido racista
casar con marroqu
vecino marroqu
simpata marroqu
estudios
ingresos
edad
sexo
ideologa poltica
,606
-,543
-,521
,489
,450
,278
,214
,230
-,382
-,188
-,184
8,118E-2
,105
,156
,189
-,146
-,185
,138
,191
,231
,813
,644
--,479
-4,16E-02
5,301 E-02
,136
1,96E-02
7,628E-02
-4,81 E-02
,106
7.158E-02
-,211
-,151
7,36E-02
5,46E"02
-3.40E-02
5.037E-02
,776
,570
-,536
,149
- 1 .99E-02
2.677E-02
-8.43E-02
-1,42E-02
S,017E-02
6.206E-02
,109
5.119E-02
3.194E-02
-1.83E-02
-3.73E-03
7,419E-02
8.569E-02
-4,31 E-02
,984
entrada inmigrante
leyes inmigracin
regularizar inmigrante
n. inmigrantes
inmigrante delincuente
partido racista
casar con marroqu
vecino marroqu
simpata marroqu
estudios
ingresos
edad
sexo
ideologa poltica
,599
-,545
-,523
,499
,461
,275
,224
,233
-,392
-2 3 5
-,214
,119
8.913E-02
,164
,189
-.142
-,183
,134
,183
,242
,600
,649
,473
-3,77E-02
5.666E-02
,128
-2,81 E-03
8.005E-02
-1.98E-G2
8,011 E-02
3,555E-02
-,186
-1 2 8
-5.88E-02
-5,16E-02
2.58E-02
2,453E-02
,762
,556
-,521
,161
3.80E-02
2.553E-02
-7,41 E-02
-6.86E-03
4,159 E-02
6,135E~02
,100
4.556E-02
2,636E-02
-1.32E-02
1.940E-02
8,935E-02
7,101 E-02
-3.39E-02
,982
entrada inmigrante
leyes Inmigracin
regularizar inmigrante
inmigrante delincuente
n. inmigrantes
partido racista
casar con maroqu
vecino marroqu
simpata marroqu
estudios
ingresos
edad
sexo
ideologa poltica
,594
-,529
-,509
,507
,455
,279
,205
,248
-,420
,237
-,158
,140
,109
,165
,191
-,123
-,185
,143
,144
,239
,804
,665
-,449
-4.30E-02
3.336E-02
,105
-4.05E-03
8.517E-02
-4.53E-02
,104
5.29E-02
-.111
-,243
-4,95 E-02
9,45E-02
- 1 .64E-02
1.503E-02
,718
,646
-,457
,174
-3.47E-02
5,082E"02
~7,98E-02
-1.75E-02
5,830-02
9.117E-02
,116
8.424E-02
3.016E-02
-3,25E-03
2.256E-02
8,312E-02
7.188E-02
-5.42E-02
,740
,574
,539
-4 5 7
,261
,281
-,236
,216
-,260
,244
,145
-8.65E-02
-2.29E-03
,128
1.336E-02
,219
,189
-,292
,217
,419
-,403
,380
,378
,354
,167
-,218
-,180
,132
5.488E-02
-4.17E-02
-2,81 E-02
4,519E-02
-6,15 E-02
-7.18E-02
,107
-184
7,323E-02
-,135
2,00E~02
,495
,436
-.400
,123
3,064E-02
2,008E~02
-6,41 E-03
6.135E-02
1.793E-02
-2.25E-02
1.144E-02
1.530E-03
5.058E-02
,120
-2,00E-03
4,238E-02
5.239E-02
-6,06E-03
497
498
Tabla I. Comunalidades
Extraccin
simpata marroqu
leyes inmigracin
ideologia poltica
sexo
edad
n inmigrantes
regularizar inmigrante
entrada inmigrante
partido racista
casar con marroqu
estudios
ingresos
vecino marroqu
inmigrante delincuente
,378
,313
,583
4.497E-Q2
,244
,295
,296
,394
,151
,704
,575
,451
,505
,294
Factor
1
2
3
4
Total
% da la
varianza
%
acumulado
Total
% dla
varianza
%
acumulado
3,006
1,030
,631
,559
21,473
7,357
4,510
3,991
21,473
28,830
33,340
37,331
1,854
1,495
1,273
,605
13,241
10,679
9,090
4,321
13,241
23,920
33,010
37,331
riables que convergen en un mismo punto. Su disposicin por encima o por debajo del pun
to 0,0 depende de ia correlacin de la variable con el componente o factor: positiva (por en
cima) o negativa (por debajo). El ideal es que las variables se agrupen a! fina! de los ejes o
en su interseccin. Ello significa que se ha alcanzado la finalidad perseguida con la rotacin:
la obtencin de una estructura simple. Pero, una interpretacin grfica ms detallada exi
ge grficos de cada dos componentes o factores por separado, como el incluido en el
ejemplo del subapartado 5.8.1. Aunque con dichos grficos se pierde a visin de conjunto,
la representacin a modo de sntesis del modelo. Por esta razn, se ha optado por los gr
ficos 3-D.
499
Factor 2
Factor 1
"
Factor 3
500
quiere decir que el modelo sea interpretable desde alguna perspectiva terica; que ten
ga sentido lgico. En cambio, la significatividad estadstica del modelo se valora en
unos modelos factoriales concretos: de mxima verosimilitud y de mnimos cuadrados
generalizados.
501
502
K =
Donde: Z es el valor estandarizado de la variable i en el caso j.
Wk es el coefic. de la puntuacin factorial para el factor K y la variable i.
Estos coeficientes de puntuaciones factoriales para cada variable en cada factor se ex-
traen de la m atriz de coeficientes de puntuaciones factoriales. Cada uno de ellos se l!
multiplica por el valor estandarizado de la variable en el factor. Se suman ios productos
y se obtiene la puntuacin factorial para cada caso.
Como las variables estn estandarizadas, la puntuacin media para cada dimensin
latente es igual a 0. Por esta razn, las puntuaciones negativas (las inferiores a 0) se in
terpretan como puntuaciones bajas, situadas por debajo de la media.
Adems del procedimiento de regresin, suelen ofertarse otros dos mtodos alter
nativos para calcular puntuaciones factoriales, aunque de uso ms restringido. Se trata del:
a) M todo de Anderson-Rubin. Se caracteriza por proporcionar puntuaciones
503
- ^ E j e m p l o d e :p u n t u a c io n e s f a c t o r ia l e s
---------------- --------------------------
simpata marroqu
leyes inmigracin
ideologia poltica
sexo
edad
n. inmigrantes
regularizar inmigrante
entrada inmigrante
partido racista
casar con marroqu
estudios
ingresos
vecino marroqu
inmigrante delincuente
- r027
-,330
,114
,279
,108
,263
-.290
,312
,043
-,136
,000
-,024
-1 4 7
,262
-.315
,115
-,137
-,087
,059
-,095
,027
-,041
,115
,476
,036
,086
,484
-.061
-,025
-,039
,133
,202
37 8
-,060
-,051
,067
,034
,000
,435
,424
,005
-,003
4
,117
-,030
,778
-,476
,115
,031
,109
-,043
,237
,003
,046
,158
-,053
,017
504
simpata marroqu
leyes inmigracin
ideologa poltica
sexo
edad
n. inmigrantes
regularizar inmigrante
entrada inmigrante
partido racista
casar cor marroqu
estudios
ingresos
vecino marroqu
inmigrante delincuente
-,116
-,236
,011
,048
-,062
,197
-,228
,300
,053
-1 3 0
-.023
-,070
-,024
,161
-,128
,057
-,040
-.001
,026
-,042
,022
-.044
,035
,611
,028
,050
,296
-,025
-0 4 8
-,038
-,008
,064
-.240
-0 1 7
-0,65
,082
,007
-,020
,541
,259
,014
,000
4
,046
-,047
,510
-,029
,135
,014
,052
-,020
,085
,005
,040
,171
-,032
,067
505
E j e m p l o d e d e t e c c i n d e a t p ic o s m e d a n t e
LOS GRFICOS DE PUNTUACIONES FACTORIALES
1 for analysis 1
LECTURAS COMPLEMENTARIAS
Batista Foguet, X M, (1984). Componentes principales y anlisis factorial (exploratorio
y confirmatorio), en Snchez Carrion, J. X (ed,): Introduccin a las tcnicas de an
lisis multivariable aplicadas a las ciencias sociales, Madrid, CIS (Centro de Inves
tigaciones Sociolgicas): 23-74.
Calvo Gmez, E (1992). Anlisis factorial y las puntuaciones factoriales calculadas por
el mtodo selectivo, Estudios de D eusto , 40 (1): 71-95.
506
EJERCICIOS PROPUESTOS
1. En la misma muestra se vuelve a realizar un anlisis de componentes principales
excluyendo la variable ideologa poltica. Interprtense los resultados si
guientes y comprense con los expuestos a lo largo del captulo. Adems, cal
clense las comunalidades.
Varianza total explicada
Autovalores iniciales
Compon.
Total
X
2
3
4
5
6
?
a
9
10
11
12
13
3,552
1,659
1,114
,957
,874
,770
,749
,690
,619
,581
,560
,470
,404
% de la
%
varianza acumulado
27,322
12,765
8,570
7,363
6,724
5,921
5,762
5,304
4,765
4,472
4,304
3,619
3,110
27,322
40,086
48,656
56,019
62,743
68,664
74,426
79,730
84,494
88,966
93,270
96,890
Total
% de la
varianza
%
acumulado
Total
3,552
1,659
1,114
27,322
12,765
8,570
27,322
40,086
48,656
2,304
2,150
1,871
100,000
% de la
%
varianza acumulado
17,725
16,540
14,391
17,725
34,265
48,656
Grfico de sedimentacin
K M O y prueba de Bartlett
Medida de adecuacin muestral de
Kaiser-Meyer-Olkin
Prueba de esfericidad
de Bartlett
,821
Chi-cuadrado
aproximado
gl
sig.
3.159,521
78
,000
Matriz de componentesa
Componente
1
casar con marroqu
simpata marroqu
entrada inmigrante
vecino marroqu
n. inmigrantes
[eyes inmigracin
regularizar inmigrante
inmigrante delincuente
partido racista
ingresos
estudios
edad
sexo
,640
-,630
,620
,592
,584
-,583
-,574
,570
,442
-3 4 3
-,460
,388
l,207E-02
2
,341
-,287
,121
,354
-,117
-2,24E-02
-108
-7.94E-03
,136
,678
,667
-,538
,286
3
,442
-1 6 2
-,299
,438
-,243
,336
,285
-,238
,106
7,543E-03
-8.14E-02
,261
-,464
M atriz de co m p o n e n te s ro ta d o s 0
Componente
entrada inmigrante
leyes inmigracin
regularizar inmigrante
n. inmigrantes
inmigrante delincuente
casar con marroqu
vecino marroqu
simpata marroqu
partido racista
estudios
ingresos
edad
sexo
,653
-,648
,610
,573
,567
,152
,246
-1 5 3
,122
-,341
,241
~,223
-,205
5,228E-02
,357
-,220
,149
,194
,833
,807
-.624
,402
-2,67E-02
,107
,157
-,157
3
~3,53E-Q2
9,852E-02
3,429E-02
-,249
-,149
-6,OOE-02
-2,99E-02
2,459E-02
-7,22E-02
,783
,724
-.693
,381
Cornunalidades
simpata marroqu
ieyes inmigracin
sexo
edad
n. inmigrantes
regularizar inmigrante
entrada inmigrante
partido racista
casar con marroqu
estudios
ingresos
vecino marroqu
inmigrante delincuente
Inicial
Extraccin
,316
,243
3,078E-02
,227
,244
,232
,286
,129
,428
,351
,256
,368
,219
,377
,328
3.180E-02
,303
,298
,309
,395
,139
,712
,655
,347
,465
,263
Captulo
.5.*Anlisis factorial
509
M atriz de configuracina
Factor
1
casar con marroqu
vecino marroqu
simpata marroqu
estudios
ingresos
edad
sexo
entrada inmigrante
leyes inmigracin
regularizar inmigrante
n. inmigrantes
inmigrante delincuente
partido racista
,841
,649
-435
5,927E-02
,144
8,903E-02
-3,53E~02
7,481 E-02
-3/74E-02
8,11 E-02
3,162E-02
,101
,189
3
-8.70E-03
-7,52E-02
,283
,177
8,538E-03
2,254E-02
-1.37E-G2
,774
,548
-.515
,157
2,372E-02
3,935E-02
7,662E-03
-,151
-9,21E-02
3,27E-02
,200
-5.01E-02
-,120
-,596
,547
,514
-,484
-,434
-,239
Matriz de estructura
Factor
,844
,679
-,560
-,143
-3.25E-02
,194
-7,O0E-03
,337
-,288
-312
,272
,310
,301
-,128
-9,42E-02
,104
,794
,559
-,538
,142
-8.92E-02
,138
,108
-,238
-182
-,104
-,383
-,361
,475
,281
,228
-,177
-7,74E-02
-,625
,570
,551
-,524
-,495
-,329
Chi-cuadrado
gi
Sig.
90,679
42
,000
510
Sumas de as saturaciones
al cuadrado de la extraccin
Suma de las
saturaciones
Factor
1
2
3
4
5
6
7
8
9
10
n
12
13
Total
% de la
varianza
%
acumulado
3,552
1,659
1,114
,957
,874
,770
,749
,690
,619
,581
,560
,470
,404
27,322
12,765
8,570
7,363
6,724
5,921
5,762
5304
4,765
4,472
4,304
3,619
3,110
27,322
40,086
48,656
56,019
62,743
68,664
74,426
79,730
84,494
88,966
93,270
96,890
Total
% dla
varianza
%
acumulado
Total
2,905
1,134
,587
22,344
8,722
4,517
22,344
31,066
35,583
2,099
1,428
2,319
100,000
1
2
3
1,000
-,160
-,160
-,446
1,000
-,446
,170
,170
1,000
511
1
2
3
4
5
6
7
8
9
10
11
12
13
14
7,10180
2.28210
,86514
,66108
,57240
,56075
,50085
,34923
,28636
,26384
,21674
,15524
,12277
,06171
% varianza
% acum.
Variables
Factor 1
Factor 2
Comunalidad
50,7
16,3
6,2
4,7
4,1
4,0
3,6
2,5
2,0
1,9
1,5
1,1
,9
,4
50,7
67,0
73,2
77,9
82,0
86,0
89,6
92,1
94,1
96,0
97,6
98,7
99,6
100,0
Qumica
Lengua/literatura
Biologa
Fsica
Geologa
Filosofa
Matemticas
Dibujo
Idioma extranjero
Inteligencia general
Razonamiento numrico
Razonamiento verbal
Razonamiento abstracto
PCOR*
,89740
,89357
,86052
,85478
,84700
,84589
,84326
,80905
,80846
,06911
,15529
,17212
-,08510
,27574
,20198
,10278
,22547
,23176
-,21056
,09945
,21507
,06362
,21172
,76020
,75482
,71926
,62877
,59108
,80904
,72542
,69844
,75734
,78436
,84613
,79133
,76174
,65861
,58268
,40260
,54696
,59386
,42540
512
Factor 1
Factor 2
Factor 3
Factor 4
Factor 5
,882
,059
-,072
-,334
,274
-,744
-,073
,791
-,147
,394
-,247
,038
,085
-,137
-,318
,834
-,062
,016
,563
-,162
,797
,794
-,257
,655
-,273
-,173
,005
-273
,870
-.093
-,199
-,006
,003
-,037
,885
-.653
-,886
,164
-,146
-,015
,140
-,256
-,268
-,122
,345
-,011
-,445
-,564
,077
,643
,000
,173
-,174
-,316
,295
-,050
,547
-,692
-,525
,346
,338
-,120
-0 6 3
-,346
,575
,212
-,004
-,346
,096
,030
-,295
-,023
,383
-,130
-,170
,043
-,123
,818
-,927
,538
-,035
-,615
,761
,263
-,122
-,300
-,489
,022
-,161
,066
,072
-,012
-,065
,081
,033
,496
-,563'
-,389
,273
,183
Factor 1
Factor 2
Factor 3
Factor 4
Factor 5
Factor 6
Distancia a Madrid
Dist. carretera nacional
Dist. ncieo > 20.000hab.
Tasa de jvenes
Tasa de viejos
Tasa de paro
Dist. centros educativos
Servicios
Agricultura
Estudios
Viviendas secundarias
Razn de masculinidad
Dist. a la farmacia
Transporte pblico
Razn actividad-dependencia
Incremento pobl. 1970-1975
Incremento pobl. 1975-1981
Incremento pobl. 1970-1981
Industria-construccin
Telfonos por habitante
Dficit educativo
Transporte pblico por pobl.
-,87081
-,36347
-,80487
,86281
-,85242
,01964
-,80565
,57049
-,77789
,57727
-,35000
-,31261
-,62409
,55759
,1.331.9
,76002
,65282
,76985
,38214
,45465
,29174
,43396
,29295
-,02524
,38022
-,10459
,14609
-,45701
,26735
,59034
,02683
,54517
,58294
,04129
,29992
,23299
-,08035
,20943
,37877
,37868
-,68767
,25233
-,01323
,22883
-,03455
-,29794
-,01885
-.04098
,08853
,10234
,04882
-,08715
,12958
-,04569
-,23530
-,07289
,12392
,67680
-,08598
-,17123
-,24803
-,23504
-,07260
,08474
-,35065
,78844
,01409
,08209
-,01730
-,18048
-,26919
,02682
-,02800
,08344
-,14953
,03318
,25980
,48860
-,03574
-,05057
,821.06
-,08430
-,18131
-,18463
,10269
,38809
-,17044
,10887
-,04419
-,55653
-,01614
-,09926
-,04620
,29928
,31.650
,05014
-,03862
,10464
-25762
,28554
,35634
,03849
,27727
-.10515
,25365
,14445
-,00508
-.39308
,34083
-.06900
-,04707
,33518
-,16850
-,03697
,01540
,28748
-.22629
-,13339
,25476
,19163
-,17301
,26789
,17426
,01741
,03795
,15984
,23088
,25509
-,18467
-,21708
-,60121
-,09462
51.3
Factor 1
,227
-,204
,317
,621
-,782
,568
,344
-,108
,253
-826
,637
,421
-,652
-,677
,183
,052
-,590
-,269
,326
-,832
-058
,757
25,85
Factor 2
Factor 3
Factor 4
-.252
,018
,141
,378
-,463
,190
-,774
-,751
,901
-,411
,472
,283
-,472
,090
,481
,136
,405
-,739
,723
-,421
-,067
,405
,878
-,902
,206
,309
-2 4 2
,532
-,133
,366
-,170
,008
,523
,181
-511
-,140
-,341
,954
,316
-,017
22,06
-,001
,750
,350
-.121
.437
-0 1 6
-,172
,121
-,196
,054
,627
-,190
-,498
,686
-,054
,507
-,367
,359
-,201
,210
-,201
~,202
-,039
,189
-,586
,379
18,73
14,43
5X4
Factor I
Factor 2
Factor 3
,782
-1,630
-9 9 0
-,244
,574
-1,609
-308
-,612
,121
-,158
,709
,330
,824
,213
-,685
,232
1,016
,645
,774
,408
-,452
-794
-,468
,776
,465
,540
-1,691
-1,147
-,963
-.384
,821
1,318
,148
,406
,481
-,388
,810
,267
,1 1 2
-2,133
1,058
,791
-,456
-,560
-,718
,495
-,327
,427
-1,390
-,248
,241
,266
Factor 4
,910
. 3 4 9
-155
-,341
-,368
-,502
-,712
-,536
,513
-1,478
-,829
-1,162
-,392
,335
-,595
1 ,1 1 2
,441
-684
-626
,531
-,715
,336
,136
- .2 2 0
-,327
3,425
,272
-214