Professional Documents
Culture Documents
LATENTES : ANALISIS
FACTORIAL
mtodos
basados
en
variables
latentes
pretenden
reducir
la
x 11
x
21
X=
M
x n1
x 12
x 22
M
x n2
K x 1p
K x 2P
M
K x np
Los mtodos que se incluyen en este apartado son los relacionados con el
anlisis factorial en sus distintas versiones, el anlisis de clases latentes, el
anlisis de la estructura latente y el estudio de mezclas de distribuciones.
Variables Manifiestas
Mtricas
Mtricas
Categricas
Anlisis Factorial
Anlisis de la estructura
latente
Variables
Anlisis Factorial de
datos categricos
Latentes
Categricas
Anlisis de perfiles
latentes
ANALISIS FACTORIAL
Mtodo del Anlisis Multivariante que intenta explicar las
relaciones entre un conjunto de variables observables mediante un
nmero reducido de variables hipotticas
MODELO FACTORIAL LINEAL: Sean X1, , X2
variables aleatorias
con
E[X i ] = E[ Fj ] = E[ Ui ] = 0
1 = ai1 + K + aiq + di
2
1 = hi2 + di2 ,
i = 1,K, p
X = AF + DU
X = (X 1 ,K, X p ) ; F = (F1 ,K, Fq ); U = (U 1 ,K, U p )
A = (a ij ); D = diag(di )
EJEMPLOS TIPICOS EN LOS QUE SE UTILIZA ANALISIS FACTORIAL
-
EJEMPLO PREVIO
Los datos siguientes corresponden a 8 alumos en las asignaturas de
Matemticas, Ciencias Naturales, Francs y Latn.
Alumno
1
2
3
4
5
6
7
8
Matem.
9
10
3
9
7
5
5
4
C. Nat.
8
9
5
9
6
5
5
4
Francs
6
10
9
8
3
5
7
3
Latn
7
10
8
8
5
5
6
4
C. Naturales
Francs
Latn
1,000
,943
,302
,560
C. Naturales
,943
1,000
,544
,758
Francs
,302
,544
1,000
,934
Latn
,560
,758
,934
1,000
matemticas
Eigenvalues
Magnitude
Variance Prop.
Value 1
3,016
,754
Value 2
,891
,223
Matriz Factorial
Orthogonal Solution
Factor 1
Factor 2
matemticas
,974
,158
C. Naturales
,901
,416
Francs
,154
,971
Latn
,429
,894
Matemticas
C. naturales
Francs
Latn
Contribuciones
Factor 1 Factor 2 Comunalidad Unicidad
,949
,025
,974
,026
,812
,173
,985
,015
,024
,943
,967
,033
,184
,799
,983
,017
Alumno
1
2
3
4
5
6
7
8
Matem.
,95
1,34
-1,34
,95
,19
-,57
-,57
-,95
C. Nat.
,81
1,32
-,69
1,32
-,19
-,69
-,69
-1,19
Francs
-,14
1,39
1,00
,62
-1,29
-,53
,24
-1,29
Latn
,19
1,69
,69
,69
-,81
-,81
-,31
-1,32
Ciencias
1,11
,80
-1,73
1,09
,59
-,43
-,80
-,63
Letras
-,46
1,20
1,68
,20
-1,30
-,52
,25
-1,04
Las puntuaciones sobre los ejes factoriales nos permiten la representacin de los
individuos en dos dimensiones para estudiar las similitudes entre ellos con
respecto a los dos factores considerados.
X = AF + DU
X = (X 1 ,K, X p ) ; F = (F1 ,K, Fq ); U = (U 1 ,K, U p )
A = (a ij ); D = diag(di )
podemos expresar la matriz de correlaciones entre las variables observadas
como
R = AA + D 2
La diagonal de R* = AA contiene la comunalidades y las correlaciones entre
2
R* = VV'
y tomar
A = V1/2 '
El problema consiste en que las comunalidades dependen de las saturaciones y
stas solo son conocidas despus de la estimacin.
ROTACIN
Los ejes factoriales se rotan para mejorar la interpretabilidad, de forma que
aumenten unas saturaciones y disminuyan otras. Se mantiene la solucin
general paro cambian los factores individuales para que sean ms
interpretables.
LA ESTRUCTURA SIMPLE
NECESIDAD DE LA ROTACION
El rpincipal objeto del Anlisis Factorial es el de sugerir y comprobar hiptesis
cientficas
El problema consiste en comparar los factores hallados con los factores
previstos
Una misma matriz de correlaciones piede ser factorizada de infinitas formas
Si R = AA es una factorizacin vlida, tambien lo es
R = AT TA
con
T T = I
donde T es una matriz ortogonal que define una rotacin del espacio.
La solucin obtenida del procedimiento de factorizacin responde slo a un
criterio matemtico pero es arbitraria desde el punto de vista aplicado.
El problema es
Cul es la posicin de los ejes que tiene un mayor inters cientfico?
Hay alguna posicin que pueda considerarse como especialmente
relevante?
Cmo giramos los ejes a esa posicin?
EL PRINCIPIO DE LA ESTRUCTURA SIMPLE
a) La configuracin simple
Podemos ver la estructura factorial (la matriz factorial) como puntos en un
espacio multidimensional con dimensin igual al nmero de factores y en el
que cada variable est representada por un vector cuya longitud es igual a la
raz cuadrada de la comunalidad.
Eje II
V3
V5
V6
Eje I
V2
V1
V4
Esperamos que cada una de las variables et relacionada con unos pocos
factores y no relacionada con el resto. Por ejemplo, si la variable est
relacionada con un solo factor, ser colineal al eje correspondiente en la
B (Eje II)
V5
B
V5
V3
V6
V3
V6
V1
(Eje I)
V2
V1
V2
V4
A (EJE I)
V4
A
1
2
3
4
5
6
I
0,81
0,78
0,35
0,70
0,45
0,64
II
0,00
-0,44
0,61
-0,40
0,78
0,32
I
II
A
0,87
-0,50
A*
B
0,50
0,87
1
2
3
4
5
6
A
0,7
0,9
0,00
0,81
0,00
0,4
B
0,40
0,01
0,71
0,00
0,90
0,60
V5
V3
V6
(Eje I)
V2
V1
V4
En este caso obtendramos una roracin oblicua por lo que tedramos que
aadir, adems la correlacin entre los ejes ya que stos estn relacionados.
F = 1 A X
y para los factores rotados, si las puntuaciones estn en G
G = T F
donde T es la matriz de rotacin.
Mtodo basado en regresiones
Queremos poner los factores en funcin de las variables
F = BX
de donde obtenemos
FX ( X X ) 1 = B
B = A' R 1X
si los factores son incorrelados.
Componentes Principales
Explica variabilidad
Proyecta las observaciones en un
espacio de dimensin reducida con
prdida de informacin mnima
Las componentes principales son
incorreladas incondicionalmente