Es una técnica que se usa para reducir un gran número de variables en un menor número de factores. Esta técnica extrae la varianza común máxima de todas las variables y las coloca en un puntaje común. Como un índice de todas las variables, podemos usar este puntaje para un análisis posterior. El análisis factorial es parte del modelo lineal general y este método también asume varios supuestos: existe una relación lineal, no hay multicolinealidad, incluye variables relevantes en el análisis y existe una verdadera correlación entre las variables y los factores. Hay varios métodos disponibles, pero el análisis de componentes principales se usa con mayor frecuencia.
Tipos de métodos para extraer factores:
Hay diferentes tipos de métodos utilizados para extraer el factor del conjunto de datos:
- Análisis de componentes principales: este es el método más común utilizado por los investigadores. El análisis de componente principal comienza a extraer la varianza máxima y los coloca en el primer factor. Después de eso, elimina esa varianza explicada por los primeros factores y luego comienza a extraer la varianza máxima para el segundo factor. Este proceso va hasta el último factor.
- Análisis de factor común: el segundo método preferido por los investigadores, extrae la varianza común y los pone en factores. Este método no incluye la varianza única de todas las variables.
- Factorización de la imagen: este método se basa en la matriz de correlación. El método de regresión se usa para predecir el factor en factorización de imagen.
- Método de máxima verosimilitud: este método también funciona en la métrica de correlación pero usa el método de máxima verosimilitud para factorizar.
- Otros métodos de análisis de factores: la factorización Alfa supera los mínimos cuadrados. El peso cuadrado es otro método basado en la regresión que se utiliza para factorizar.
Carga de factor:
La carga de factor es básicamente el coeficiente de correlación para la variable y el factor. La carga del factor muestra la varianza explicada por la variable en ese factor particular. En el enfoque, como regla general, la carga de factor 0.7 o superior representan que el factor extrae suficiente varianza de esa variable.
Raíces características
Los valores propios muestran la varianza explicada por ese factor particular fuera de la varianza total. Desde la columna de concordancia, podemos saber cuánta varianza explica el primer factor de la varianza total. Por ejemplo, si nuestro primer factor explica el 68% de la variación del total, esto significa que el otro factor explicará la varianza del 32%.
Puntuación de factor
El puntaje del factor también se llama puntaje del componente. Este puntaje es de todas las filas y columnas, que se puede usar como un índice de todas las variables y se puede usar para un análisis posterior. Podemos estandarizar este puntaje multiplicando un término común. Con este puntaje de factor, cualquier análisis que hagamos, supondremos que todas las variables se comportarán como puntajes de factor y se moverán.
Criterios para determinar el número de factores
Según el Criterio de Kaiser, los valores propios son un buen criterio para determinar un factor. Si Eigenvalues es mayor que uno, deberíamos considerar ese factor y si la raíz característica es menor que uno, entonces no deberíamos considerar ese factor. De acuerdo con la regla de extracción de la varianza, debería ser mayor a 0.7. Si la varianza es menor a 0.7, entonces no deberíamos considerar ese factor.
Método de rotación
El método de rotación hace que sea más confiable para entender la salida. Los valores propios no afectan el método de rotación, pero el método de rotación afecta los valores propios o el porcentaje de varianza extraída. Hay varios métodos de rotación disponibles:
- Sin método de rotación
- Método de rotación Varimax
- Método de rotación Quartimax
- Método de rotación oblicua directa
- Método de rotación Promax. Cada uno de estos se puede seleccionar fácilmente, y podemos comparar nuestra varianza explicada por esos métodos particulares.
Conceptos y términos clave:
Análisis factorial exploratorio
Supone que cualquier indicador o variable puede estar asociado a cualquier factor. Este es el análisis factorial más común utilizado por los investigadores y no se basa en ninguna teoría anterior.
Análisis factorial confirmatorio (AFC)
Se utiliza para determinar el factor y la carga factorial de las variables medidas, y para confirmar lo que se espera de la teoría básica o preestablecida. CFA supone que cada factor está asociado con un subconjunto específico de variables medidas.
Aplicación del análisis factorial
El análisis factorial lo podemos utilizar para identificar factores que expresen una variedad de resultados en distintos experimentos. Por ejemplo, averiguación en inteligencia halla que la gente que obtienen una nota alta en una prueba de habilidad verbal también se desempeña bien en pruebas que requieren habilidades verbales. Muchos investigadores exponen esto por medio del uso de análisis factorial para de esta manera aislar un factor que comúnmente es llamado inteligencia cristalizada o verbal, que significa el grado en el cual alguien es capaz de solucionar problemas utilizando habilidades verbales.
En psicología el Análisis factorial se relaciona continuamente con la investigación de la inteligencia. También se ha manipulado en un gran rango de dominios, tales como creencias, personalidad y actitudes, etc.
Está vinculado a la psicometría, esto debido a que puede comprobar la validez de un instrumento determinado si el instrumento de verdad mide los factores supuestos.
Ventajas y desventajas del análisis factorial
Ventajas
- Puede utilizar factor análisis de manera efectiva para proporcionarle una visión profunda de la demografía y el comportamiento de compra de los clientes, esto lo ayudaría a apuntar mejor a su mercado y lograr mayores ventas
- Es económico y fácil de usar y puede utilizarse en una amplia variedad de situaciones
- Se puede utilizar para identificar muchos factores latentes subyacentes que otras herramientas pueden no ser capaces de resaltar
- Esta la posibilidad de asignar puntajes a los atributos subjetivos de factores exploratorios y análisis del factor confirmatorios
Desventajas
- Es difícil determinar si los factores que emergen reflejan los datos o simplemente son parte del poder del análisis factorial para encontrar patrones.
- Es difícil decidir cuántos factores incluir es decidir cuántos factores conservar. Hay una variedad de métodos para determinar esto, y hay poco acuerdo sobre cuál es el mejor.
- La interpretación del significado de los factores es subjetiva puede decirle qué variables en su conjunto de datos «van juntas» de maneras que no siempre son obvias.
