UNIVERSIDAD SIMÓN BOLÍVAR

MAESTRÍA EN PSICOLOGÍA
CÁTEDRA: METODOLOGÍA CUANTITATIVA II
PROFESORA: LUISA ANGELUCCI
ALUMNO: ELVIS PINEDO

Actividad: Análisis Factorial

En el informe de resultados a analizar se evidencia que el mismo se realizó bajo el

método del Análisis de Componentes Principales cuyo objetivo es determinar si un
número menor de factores pueden explicar casi igual que si se utilizara el conjunto
original de variables sin perder información importante. Es decir, ante una tabla de
datos con muchas variables, el objetivo será reducirlas a un menor número perdiendo
la menor cantidad de información posible. De esta manera, en este método se busca
transformar un conjunto de variables intercorrelacionadas en otro conjunto de
variables no correlacionadas que se denominan factores, los cuales son una
combinación lineal de las variables originales.

1. Evaluar los supuestos

Un análisis de componentes principales tiene sentido si existen altas correlaciones
entre las variables, ya que esto es indicativo de que existe información redundante y,
por tanto, pocos factores explicarán gran parte de la variabilidad total. Es por ello, que
una de los aspectos que debemos realizar es la matriz de correlaciones. Es importante
destacar que no se posee indicadores para satisfacer los criterios de tamaño de la
muestra, normalidad, homeostacidad y linealidad en este informe. Con respecto a la
matriz de correlaciones se tiene:
 Determinante de la matriz de correlaciones: no se precisa información sobre la
misma, pero se supone que la misma debe ser muy baja pero distinto de cero
para haber considerado factible el análisis.
 Test de esfericidad de Bartlett: utilizado para probar la hipótesis nula de que no
existe correlación en la población. El indicador obtenido en este test fue de
0,000 por lo cual se puede rechazar la hipótesis nula y continuar con el análisis,
pues no superó el límite de confiabilidad de 0,05.
 El índice Kaiser-Meyer-Olkin (KMO): permite determinar la adecuación de la
muestra, considerando que esta se ubicó en 0,902 se asume que es apropiado
aplicar el análisis.
No se tienen datos adicionales para establecer otros indicadores como el coeficiente de
correlaciones parciales, coeficiente de correlación anti-imagen y la diagonal de matriz
de correlación anti-imagen.

2. Extracción de los componentes principales

A partir de ahora se puede llevar a cabo la extracción de los distintos factores a través
de la agrupación de las 26 variables originales en unas nuevas variables denominadas
componentes o factores resultantes de las combinaciones de las variables originales.
La elección de los factores se realiza de tal forma que el primero abarque la mayor
proporción posible de la variabilidad original; el segundo factor recogerá la máxima
variabilidad posible no considerada por el primero, y así sucesivamente. Del total de
factores se escogerán aquéllos que recojan el porcentaje de variabilidad que se
considere suficiente. En el caso de éste análisis se escogerán una serie de nuevos
componentes (factores) a partir de 26 variables iniciales.
Los criterios más utilizados para decidir el número de componentes a seleccionar son:
a) Gráfico de sedimentación (autovalores): consiste en representar el porcentaje de
variación explicada (eje de ordenadas) contra el número del componente (eje de
abscisas). Al analizar el gráfico se busca el punto de quiebre, donde el cambio de la
pendiente se hace mayor, y la abscisa correspondiente a este punto indica el número
de componentes a retener.
b) Promedio de autovalores: se calcula el promedio de todos los autovalores y se
eliminan aquellos autovalores que están por debajo de este promedio el cual es igual a
uno (1). Es un criterio que tiende a retener menos componentes y es más objetivo,
pero menos flexible con respecto al anterior, en la cual caso el investigador puede
elegir el número de componente considerando su experiencia personal.

En este sentido, queda dudas sobre cual criterio tomaron efectivamente para la
selección de los factores, pues si se guiaban por el gráfico de sedimentación debieron
considera 3 factores, pues ahí se observa el punto de quiebre; mientras si se guiaban
por el de promedio de autovalores, debieron haber escogido 6 componentes, pues este
es el número de de factores que superaban el promedio de 1. Sin embargo, estos
autores consideraron al final 2 factores, los cuales explican sólo el 38% de la varianza,
lo que pareciera poco representativo del conjunto.
3. Rotación de factores:
Para facilitar la interpretación de las relaciones entre factores y variables se realiza la
rotación, la cual consiste en hacer girar los ejes de coordenadas que representan a los
factores, hasta conseguir que se aproximen al máximo a las variables en que están
mejor representados. Existen diversos métodos para la realización de rotaciones
factoriales, que pueden agruparse en dos tipos: rotaciones ortogonales y rotaciones
oblicuas.
Las rotaciones ortogonales pueden aplicarse a factores que no están correlacionados.
Con ellas se conservan los ángulos rectos en las representaciones gráficas. La rotación
varimax es la más ampliamente utilizada, y consiste en maximizar la varianza de los
factores: cada columna de la matriz factorial rotada produce algunos pesos muy altos y
los otros próximos a cero. Este método trata de minimizar el número de variables con
saturaciones altas en un factor. Se pretende obtener una solución más interpretable,
en el sentido que las variables más fuertemente correlacionadas entre sí presentaran
saturaciones altas sobre un mismo factor y bajas sobre el resto. En algunos casos no
se encuentran factores no correlacionados entre sí. Con las rotaciones oblicuas se
puede permitir que los factores estén correlacionados, lo que significa que este tipo de
rotaciones no conserva los ángulos rectos.
En la investigación se utilizó el método de rotación ortogonal de Normalización
Variimax con Kaisser. El objetivo de la rotación varimax es conseguir que la correlación
de cada una de las variables sea lo más próxima a 1 con sólo uno de los factores y
próxima a cero con todos los demás. Esto se puede observar en la matriz de
componentes rotados con respecto a los 2 factores establecidos, en donde cada
variable o se acerca o se aleja notoriamente de manera simultanea con respecto a
ambos componentes.

4. Denominación de Factores encontrados:

Ya determinados los factores subyacentes y establecidos las variables que las
deberían integran en ocasión de la rotación de componentes se deberían presentar una
propuesta de denominación de tales factores en ocasión de constituirse como nuevos
constructos. Una vez realizado una revisión bibliográfica nos encontramos con que
Recio, Cuadrado y Ramos (2007) las han denominado sexismo hostil (factor 1) y
sexismo benévolo (factor 2). Revisando cada una de las variables con respecto al
factor asociado pareciera adecuada las denominaciones indicadas.