4.

ANÁLISIS FACTORIAL

 Introducción
 Modelo factorial ortogonal
 Construcción del modelo factorial:
método de componentes principales
 Construcción del modelo factorial:
método de máxima verosimilitud
 Análisis factorial y componentes
principales

1
 Introducción

Las variables dependen de factores inobservables.

Los factores latentes explican comportamientos

visibles en las variables.

El objetivo es analizar si hay factores (menos

que variables) que expliquen dichas variables.

ANÁLISIS FACTORIAL 2
Modelo factorial ortogonal
 X1 
    EX
Sea X     con
X    VX
 p
 F1 
 
Factores comunes: F    
F 
 m  1 
 
Factores específicos o errores:     
 
 m
 l11 l12  l1m 
 
 l21 l22  l2 m  Nota:
Matriz de cargas: L        lij=carga de Xi sobre
  Fj
l l p2  l pm  pxm
 p1 m p

ANÁLISIS FACTORIAL 3
 Modelo factorial ortogonal

Matricialmente, el modelo factorial es: X    LF  

Escribiéndolo de forma desarrollada, quedaría

X 1  1  l11F1  l12 F2    l1m Fm  1

X 2   2  l21F1  l22 F2    l2 m Fm   2
     
X p   p  l p1 F1  l p 2 F2    l pm Fm   p

ANÁLISIS FACTORIAL 4
Modelo factorial ortogonal

Requisitos:

(i ) E ( F )  0 y V ( F )  E ( FF ' )  I
 1 0 
 
(ii ) E ( )  0 y V ( )  E ( ' )    
0  
 m
(iii )  y F son incorrelad os :
E ' F  EF '  0  cov( , F )

Si se cumplen estas tres condiciones se dice que

el modelo es factorial ortogonal.

ANÁLISIS FACTORIAL 5
 Modelo factorial ortogonal

Observaciones:

Comunalidad (hi2)
(i )   LL'  Especificidad

 ii  li21  li22    lim2  i  hi2  i

La variabilidad de la variable i se descompone en
parte común (se puede medir) y específica (no
se puede medir).

(ii ) cov( X , F )  L

ANÁLISIS FACTORIAL 6
Modelo factorial ortogonal

(iii) No siempre existe un modelo factorial ortogonal.

(iv) Si existe modelo factorial no siempre es único

(si tiene más de un factor, no es único).

ANÁLISIS FACTORIAL 7
Modelo factorial ortogonal

Ejemplo

Analizar si existe un modelo unifactorial para

explicar estas tres variables:

 1 0,9 0,7   X1 
   
   0,9 1 0,4  X   X2 
 0,7 0,4 1  X 
   3

ANÁLISIS FACTORIAL 8
Modelo factorial ortogonal

Ejemplo

(i) Número de variables y de factores.

(ii) Descomponer VX en comunalidad y especificidad.
(iii) cov(X3,X2).
(iv) cov(X3,F2).

 19 30 2 12 
 
 30 57 5 23 

2 5 38 47 
 
 12 23 47 68 
 

ANÁLISIS FACTORIAL 9
EJEMPLOS 10
Construcción del modelo factorial:
método de componentes principales
 X1 
    EX
Sea X    y ; X    LF   .
X    VX
 p
Si  tiene los siguientes autovalores y autovectores,
( 1, e1 ), , ( p , e p ) con  1    p  0
la descomposición exacta de  es
   1e1e1 ' 2 e2 e2 '    p e p e p ' 
  1 e1 
 
   1 e1  
 p e p     LL'.
 
  p ep 
ANÁLISIS FACTORIAL 11
Construcción del modelo factorial:
método de componentes principales

La descomposición exacta de
 tiene p factores; se puede utilizar la matriz  para
disminuir el número de factores.

Si  tiene los siguientes autovalores y autovectores:

( 1, e1 ), , ( p , e p ) con  1    p  0

ANÁLISIS FACTORIAL 12
 Construcción del modelo factorial:
método de componentes principales

La descomposición de  es:

  1 e1   1 0 
   
 pxp    1 e1  
 m em pxm       
  0 
  e
m m   p
mxp

donde i   ii  hi
2

Entonces   LL'  

ANÁLISIS FACTORIAL 13
Construcción del modelo factorial:
método de componentes principales
Modelo factorial muestral

 X 11  X 1 p   X1 
   
X      con X     y S
X  X  X 
 n1 np   p

Entonces

~~ ~
X  X  L L '  ,

ANÁLISIS FACTORIAL 14
Construcción del modelo factorial:
método de componentes principales

donde los autovalores y autovectores son

(ˆ 1, eˆ1 ), , (ˆ p, eˆ p ) con ˆ 1   ˆ p  0

y la matriz de cargas L   ˆ 1 eˆ1 ˆ m eˆm 

~
 

~2 ~2 ~2
Además, hi  li1    lim

Nota:
Análogamente para R
ANÁLISIS FACTORIAL 15
Construcción del modelo factorial:
método de máxima verosimilitud
X    LF  
Sea X ~ N p (  , ), donde
  LL' 

Y sea f ( x1 ,, xn )   f ( xi ) 
n
1  1 
 exp   ( xi   )'  1
( x i   ) 
i 1 ( 2 )   2 
p/2 1/ 2

1  1 n 

(2 ) np / 2
LL' 
n/2
exp  
 2 i 1
 ( x i   )' ( LL '  ) 1
( xi   ) 


Sean Lˆ, 
ˆ , ˆ que maximizan f ( x ,, x ).
1 n

ANÁLISIS FACTORIAL 16
Construcción del modelo factorial:
método de máxima verosimilitud

Propiedades

 No hay óptimo único: se requiere

L'  1L   (diagonal )

 Para obtener una solución única:

 Se calcula computacionalmente.
 Las comunalidades son

hˆi2  lˆi12    lˆin2

ANÁLISIS FACTORIAL 17
Construcción del modelo factorial:
método de máxima verosimilitud

 No se obtiene el mismo resultado por el método

de máxima verosimilitud que por componentes
principales.

 La proporción de varianza explicada por el factor

j-ésimo calculada por máxima verosimilitud es:

hˆi2
Varianza total
s11   s pp Nota:
Análogamente para R

ANÁLISIS FACTORIAL 18
 Análisis factorial y componentes principales

El análisis factorial y el análisis de componentes

principales están muy relacionados entre sí, pero
existen varias diferencias:

 Mientras que el análisis de componentes

principales busca hallar combinaciones lineales de
las variables originales que expliquen la mayor parte
de la varianza total, el análisis factorial
pretende hallar un nuevo conjunto de variables no
observables, menor
en número que las variables originales, que exprese
la mayor parte de la varianza común.
ANÁLISIS FACTORIAL 19
 Análisis factorial y componentes principales

 El análisis factorial supone que existen factores

comunes subyacentes a todas las variables, mientras
que el análisis de componentes principales, no.

ANÁLISIS FACTORIAL 20
EJEMPLOS 21
EJEMPLOS 23
Solución

EJEMPLOS 24
EJEMPLOS 26
EJEMPLOS 27
EJEMPLOS 28
EJEMPLOS 29
EJEMPLOS 30