Análisis factorial

El análisis factorial es un método de resta Estadísticas cuyo objetivo es explicar la posible correlación entre determinadas variables. Para hacer esto, considere la influencia de otros factores no observables.

Por tanto, lo que está haciendo este análisis es reducir. Entonces, tomamos una gran cantidad de variables y, a través de esta técnica, logramos reducirlas a un tamaño más manejable. Para ello se utiliza una serie de combinaciones lineales de una observada con otra que no se ve.

Dos modelos: exploratorio y confirmatorio

Tenemos dos formas de hacer esta técnica estadística, hay una clara diferencia entre las dos que conviene reconocer.

• Análisis factorial exploratorio: En este caso, el objetivo es conocer los constructos latentes (que no se pueden ver) para verificar si son válidos. Así, nos encontramos ante una información exploratoria que nos sirve para construir el siguiente modelo, pero que no conocemos a priori.
• Análisis factorial confirmatorio: En este caso, nos enfrentamos a un proceso de confirmación estadística. Partimos de un modelo teórico que se basa en la literatura existente sobre el fenómeno estudiado. Luego, los comparamos para averiguar el nivel de validez.

Cómo hacer un análisis factorial

Veamos, en términos sencillos, cómo se puede realizar el análisis factorial exploratorio, que es uno de los más utilizados en las ciencias sociales. Cabe señalar que los puntos que se mencionan a continuación se pueden seleccionar en un programa estadístico como SPSS al realizar el análisis.

1. Análisis de rehabilitación: Suele utilizarse el Alfa de Cronbach, lo que permite conocer la consistencia interna del modelo. Los valores superiores a 0,70 se consideran aceptables.
2. Estadísticas descriptivas: Nos proporciona información básica sobre los datos analizados. Media, varianza o máxima y mínima.
3. Análisis de la matriz de correlación: Este cálculo lo realiza SPSS. Aquí debemos prestar atención si el determinante se acerca a cero. Por otro lado, la correlación calculada debe ser diferente de cero.
4. Tamaño de la adecuación de la muestra de KMO: Esto nos permite comparar los coeficientes de correlación. Por un lado, lo observable y, por otro, parcial. Asume un valor entre 0 y 1 y se considera aceptable si es superior a 0,5.
5. Prueba de redondez de Bartlett: En este caso, se contrasta que la matriz de correlación es una matriz de identidad, en cuyo caso no se puede realizar el análisis. Se calculan las estimaciones de chi-cuadrado y, si son menos que teóricas, se puede realizar un análisis factorial.
6. Análisis de similitud: Nuevamente, este es un indicador de relevancia. Para ser válido, debe tener un valor superior a 0,5.
7. Matriz de componentes rotados: Se utiliza para extraer un autovalor mayor que el valor, habitualmente 1. De esta forma se obtiene el factor reducido que representa la variable. El gráfico de sedimentación y la propia matriz se utilizan para seleccionar números.
8. La varianza total se explica: Finalmente, este análisis nos dice cuál es la varianza total descrita por el modelo propuesto. Por lo tanto, cuanto mayor sea este valor, mejor describirá el modelo el conjunto total de datos.

Ejemplo de análisis factorial

El análisis factorial tiene muchas aplicaciones en varios campos de la ciencia.

Aquí están algunos ejemplos:

• En marketing se usa mucho cuando queremos conocer las ganas de comprar. Por ejemplo, analizamos varias variables socioeconómicas, emocionales o personales. Una vez que lo tenemos, reducimos el número con análisis factorial y lo podemos interpretar mejor.
• En contabilidad, podemos averiguar qué elementos inciden con mayor claridad en la obtención de beneficios comerciales. De esa forma, sabremos dónde deberíamos ser más influyentes.
• En educación podemos conocer la tendencia de los estudiantes hacia una disciplina científica. Al realizar varias encuestas sobre cómo estudiarlas, podemos obtener una base de datos a la que aplicar el análisis factorial.