2 | Análisis Factorial en SPSS |

Análisis Factorial en SPSS

Resumen de la sección: En esta sección, se presenta un tutorial sobre cómo realizar un análisis factorial en el software estadístico SPSS.

Introducción al análisis factorial

• El análisis factorial es una técnica estadística multivariante que busca definir la estructura subyacente en una matriz de datos.

• Permite identificar grupos homogéneos de variables a partir de un conjunto numeroso de variables.

• Estos grupos homogéneos se denominan factores o componentes, que son variables latentes no observables producto de una combinación lineal de variables interrelacionadas.

• El objetivo final del análisis factorial es reducir una gran cantidad de datos en un número pequeño de factores que expliquen la mayor proporción de la variabilidad total contenida en esos datos.

Supuestos y requisitos para el análisis factorial

• Los supuestos para el análisis factorial incluyen que las variables estén distribuidas normalmente, igualdad de varianzas y linealidad entre las variables.

• Aunque estos supuestos pueden omitirse, su cumplimiento mejora las correlaciones observadas y es especialmente importante cuando se realizan pruebas estadísticas significativas.

• Los requisitos para realizar un análisis factorial son tener una matriz rectangular con más casos que variables y que las variables sean comunicativas.

Ejemplo práctico: Condiciones laborales

• Se presenta un ejemplo donde un psicólogo ocupacional desea conocer las condiciones laborales de un grupo de trabajadores en una clínica.

• Se administra un cuestionario a los trabajadores para evaluar diferentes áreas relacionadas con las condiciones laborales.

• Los resultados del estudio se encuentran en una base de datos con 15 registros y 6 variables cuantitativas.

Verificación de aplicabilidad del análisis factorial

• Se utiliza el coeficiente de adecuación muestral (KMO) y la prueba de esfericidad de Bartlett para verificar si el análisis factorial es aplicable.

• Se introducen las variables cuantitativas a analizar en el software SPSS y se obtienen los resultados correspondientes.

Matriz de correlaciones

• Se muestra la matriz de correlaciones entre las variables.

• Las variables que están fuertemente correlacionadas pueden formar un factor.

• En este ejemplo, se identifican posibles factores basados en las correlaciones observadas.

Coeficiente KMO y prueba de Bartlett

• El coeficiente KMO y la prueba de Bartlett indican si el análisis factorial es aplicable.

• Estos resultados nos informan sobre la adecuación muestral y la significancia estadística del análisis factorial.

Conclusiones

Resumen de la sección: En esta sección final, se presentan las conclusiones obtenidas del análisis factorial realizado en SPSS.

Resultados significativos

• Las correlaciones altas entre las variables mencionadas son estadísticamente significativas.

• Esto indica que existen factores comunes subyacentes a estas variables relacionadas con las condiciones laborales.

Aplicabilidad del análisis factorial

• Los resultados del coeficiente KMO y la prueba de Bartlett indican que el análisis factorial es aplicable en este caso específico.

Próximos pasos

• Con base en los resultados obtenidos, se pueden realizar interpretaciones más detalladas sobre los factores identificados.

• Estos factores pueden ayudar a comprender las condiciones laborales y tomar decisiones para mejorarlas.

Limitaciones

• Es importante tener en cuenta los supuestos y requisitos del análisis factorial, así como las limitaciones de la muestra y las variables utilizadas.

Cierre

• El análisis factorial es una herramienta útil para reducir la dimensionalidad de conjuntos de datos complejos y encontrar estructuras subyacentes.

• Con el software SPSS, es posible realizar este tipo de análisis de manera eficiente y obtener información valiosa sobre las relaciones entre variables.

Coeficientes para el análisis factorial

Resumen de la sección: En esta sección se establece que los coeficientes menores a 0.06 indican que el análisis factorial no es aplicable, ya que las correlaciones entre las variables no pueden ser explicadas por otras variables. Se busca un coeficiente mayor o igual a 0.60, lo cual indica una fuerte correlación entre las variables y hace que el análisis factorial sea aplicable.

• Los coeficientes menores a 0.06 indican que el análisis factorial no es aplicable.

• Se busca un coeficiente mayor o igual a 0.60 para tener una fuerte correlación entre las variables.

• El p-valor debe ser menor al nivel de significancia (0.05 en ciencias sociales) para rechazar la hipótesis nula de que la matriz de correlaciones sea una matriz identidad.

Prueba de felicidad de Bartlett

Resumen de la sección: La prueba de felicidad de Bartlett evalúa si la matriz de correlaciones observadas se ajusta a una matriz identidad. Si el p-valor es menor al nivel de significancia (0.05), se puede rechazar la hipótesis nula y concluir que la matriz de correlaciones es diferente de una matriz identidad.

• La prueba parte de la hipótesis nula de que las variables no están correlacionadas entre sí.

• Se contrasta la matriz obtenida con una matriz identidad con coeficientes iguales a 0 en ambos lados de la diagonal.

• El p-valor debe ser menor al nivel de significancia (0.05) para rechazar la hipótesis nula.

Interpretación de la matriz de correlaciones

Resumen de la sección: Se busca que la matriz de correlaciones sea diferente de una matriz identidad, es decir, que los coeficientes sean diferentes de 0. Si el p-valor es menor al nivel de significancia (0.05), se puede concluir que las correlaciones entre pares de variables no pueden ser explicadas por otras variables.

• Se busca que los coeficientes con relaciones sean diferentes de 0.

• El p-valor debe ser menor al nivel de significancia (0.05) para rechazar la hipótesis nula.

• La prueba es sensible al tamaño de la muestra.

Coeficiente KMO y análisis factorial

Resumen de la sección: El coeficiente KMO evalúa si las correlaciones entre pares de variables pueden ser explicadas por otras variables. Si el coeficiente es menor a 0.60, el análisis factorial no es aplicable ni pertinente.

• El coeficiente KMO debe ser mayor o igual a 0.60 para que el análisis factorial sea aplicable.

• Si el coeficiente es menor a 0.60, las correlaciones entre pares de variables no pueden ser explicadas por otras variables.

• Aunque el coeficiente KMO sea bajo, se puede continuar con el análisis factorial solo con fines ilustrativos.

Reducción dimensional y gráficos

Resumen de la sección: En esta sección se realiza una reducción dimensional mediante un análisis factorial y se generan gráficos de sedimentación y saturación para facilitar la interpretación de los resultados.

• Se realiza una reducción dimensional mediante un análisis factorial.

• Se generan gráficos de sedimentación y saturación para facilitar la interpretación de los resultados.

Selección del número óptimo de factores

Resumen de la sección: Para seleccionar el número óptimo de factores, se pueden utilizar diferentes criterios, como el criterio de contraste de caída o escritas y la regla de Kaiser. Estos criterios permiten identificar aquellos factores que explican la mayor parte de la variabilidad total.

• El criterio de contraste de caída o escritas consiste en seleccionar aquellos factores que están por encima del punto donde la varianza tiende a descender en el gráfico de sedimentación.

• La regla de Kaiser consiste en seleccionar aquellos factores con autovalores mayores a 1.

• En este caso, se seleccionaron tres factores que explican la mayor parte de la variabilidad total.

Comunalidad y porcentaje de varianza

Resumen de la sección: La comunalidad indica la proporción de varianza que puede ser reproducida por el modelo factorial para cada variable. Además, se muestra el porcentaje de varianza explicada por cada factor después y antes de la rotación.

• La comunalidad indica qué proporción del 100% de variabilidad puede ser reproducida por el modelo factorial para cada variable.

• Los factores seleccionados explican casi en su totalidad la variabilidad total.

• Se muestra el porcentaje de varianza explicada por cada factor después y antes de la rotación.

Porcentaje de varianza explicada por cada factor

Resumen de la sección: Se muestra el porcentaje de varianza que explica cada factor después de la rotación. El primer factor explica el 33.196%, el segundo factor el 32.900% y el tercer factor el 32.320% de la varianza total.

• El primer factor explica el 33.196% de la varianza total.

• El segundo factor explica el 32.900% de la varianza total.

• El tercer factor explica el 32.320% de la varianza total.

The transcript provided is incomplete and some sections may be missing context or information.

Interpretación de los factores extraídos

Resumen de la sección: En esta sección se explica cómo interpretar los factores extraídos en el análisis de componentes principales.

Matrices de factores antes y después de la rotación

• Hay dos matrices de factores: una antes y otra después de la rotación.

• La solución rotada es más clara para interpretar.

• Cada columna representa un factor y cada fila representa una variable observada.

• Los coeficientes son las cargas factoriales o coordenadas factoriales, que indican la magnitud de la correlación entre la variable y el factor.

Interpretación del primer factor

• El primer factor está relacionado con variables como integración a la empresa y apoyo entre compañeros.

• Altos puntajes en estas variables indican mayor integración y apoyo en el trabajo.

• Las cargas factoriales positivas indican una relación directa entre las variables y el factor.

Eliminando cargas factoriales bajas

• Se puede pedir al software que elimine las cargas factoriales bajas para facilitar la interpretación.

• Esto se hace marcando opciones como "suprimir pequeños coeficientes" y estableciendo un umbral mínimo.

Interpretación del primer factor después de eliminar cargas bajas

• Después de eliminar las cargas bajas, se obtiene una mejor visualización del primer factor.

• Se puede nombrar este factor considerando la similitud conceptual o teórica de las variables correlacionadas con él.

Visualización gráfica

Resumen de la sección: En esta sección se muestra cómo visualizar los factores en un gráfico bidimensional.

Configuración del gráfico

• Se configura el gráfico para mostrar dos dimensiones.

• Se excluyen las variables irrelevantes.

• Se trazan los ejes correspondientes a los factores.

Interpretación del gráfico

• En el primer factor, las variables que más correlacionan son integración a la empresa y apoyo entre compañeros.

• Variables como descuentos en nómina y salarios tienen una correlación casi nula con este factor.

• En el segundo factor, recursos en el trabajo y ambiente de trabajo correlacionan más.

• El tercer factor está relacionado con salarios y descuentos en nómina.

Gráfico configurado en dos dimensiones

Resumen de la sección: En esta sección se muestra el gráfico configurado en dos dimensiones.

Interpretación del gráfico bidimensional

• En el primer factor, las variables integración a la empresa y apoyo entre compañeros correlacionan fuertemente.

• Descuentos en nómina y salarios tienen una correlación casi nula con este factor.

• Recursos en el trabajo y ambiente de trabajo están cerca del origen del segundo factor.

Estas son las principales ideas presentadas en la transcripción.

Análisis de las variables

Resumen de la sección: En esta sección, se realiza un análisis de las variables y su correlación en el estudio.

Análisis de las variables

• Se hace doble clic en el componente 2 para mostrarlo.

• Se observa que las variables "salario" y "descuento en nómina" tienen una alta correlación positiva con el factor, mientras que "recursos en el trabajo" y "ambiente de trabajo internacional" tienen una correlación casi nula.

Variables latentes identificadas

Resumen de la sección: En esta sección, se identifican tres variables latentes que pueden explicar el problema estudiado.

Variables latentes identificadas

• Se encuentran tres variables latentes que pueden explicar el problema estudiado.

• Las variables son las condiciones sociales y salariales del trabajador en la empresa, así como las condiciones en su lugar de trabajo o puesto.

Identificación de trabajadores con diferentes condiciones

Resumen de la sección: En esta sección, se busca identificar a los trabajadores con buenas y malas condiciones sociales y económicas en la empresa, así como buenas y malas condiciones laborales.

Identificación de trabajadores con diferentes condiciones

• Se solicitan las puntuaciones factoriales de los casos a la CPCS para determinar las condiciones sociales y laborales.

• Se realiza un análisis de reducción de dimensiones factorial.

• Las puntuaciones factoriales proporcionan coordenadas para ubicar cada caso en cada factor.

• Se obtienen representaciones simultáneas de los casos y variables.

• Los casos se ordenan según sus puntuaciones factoriales en cada factor.

Interpretación del primer factor

Resumen de la sección: En esta sección, se interpreta el primer factor como la condición social del trabajador dentro de la empresa.

Interpretación del primer factor

• Las dos variables que correlacionan más con este factor están en el lado positivo.

• Los casos ubicados en el lado positivo presentan características favorables en las variables relacionadas con este factor.

• Los casos ubicados en el lado negativo carecen de esas características o presentan bajos valores en esas variables.

• Se mencionan ejemplos específicos de trabajadores con diferentes condiciones sociales dentro de la empresa.

Interpretación del segundo factor

Resumen de la sección: En esta sección, se interpreta el segundo factor como las condiciones del lugar de trabajo.

Interpretación del segundo factor

• El director tiene un lugar o espacio de trabajo en buenas condiciones, al igual que otros trabajadores pero en menor grado.

• Algunos trabajadores tienen espacios de trabajo en malas condiciones, siendo el enfermero quien tiene el peor ambiente laboral.

Conclusiones finales

Resumen de la sección: En esta sección, se presentan conclusiones finales sobre las condiciones sociales y laborales identificadas.

Conclusiones finales

• Se concluye que hay diferencias significativas entre los trabajadores en términos de sus condiciones sociales y laborales.

• Se destaca que aquellos que están más cerca del origen tienden a parecerse más al individuo promedio.

• Se resumen las condiciones sociales y laborales de los diferentes trabajadores identificados en el estudio.

Análisis de los salarios y descuentos en nómina

Resumen de la sección: En esta sección se analiza la relación entre los salarios y los descuentos en nómina de diferentes trabajadores. Se observa que el director tiene la puntuación más alta en este factor, lo que indica que su condición salarial es mejor que la de los demás trabajadores. Además, se destaca que el tercer factor opone el salario a los descuentos en nómina.

• El director, médico, enfermero, analista y gerente de servicios tienen mejores salarios y menos descuentos en nómina.

• La secretaria especialista también tiene un buen salario y menos descuentos.

• El pasante recibe el peor salario pero tiene el mayor descuento en nómina.

Gráfico de dispersión para visualizar factores

Resumen de la sección: En esta sección se propone utilizar un gráfico de dispersión para visualizar los factores extraídos del análisis. Esto permite una interpretación más clara de cada factor junto con los casos estudiados.

• Se utiliza un gráfico de dispersión simple con ejes x e y.

• En el eje x se coloca el primer factor y en el eje y se coloca el segundo factor.

• Se marcan puntos para representar las variables cualitativas como cargo o línea ceplan.

Identificación de casos en el gráfico

Resumen de la sección: En esta sección se identifican los casos representados en el gráfico utilizando la leyenda. Se analizan los valores altos y bajos de cada factor para determinar las características de cada trabajador.

• El recepcionista tiene el valor más alto en el primer factor, mientras que el camillero tiene el valor más bajo.

• En el segundo factor, el enfermero tiene el valor más bajo y el director tiene el valor más alto.

• En el tercer factor, nuevamente se destaca que el director tiene la puntuación más alta y el pasante la puntuación más baja.

Complejidad del gráfico con muchos casos

Resumen de la sección: Se menciona que cuando hay muchos casos representados en el gráfico de dispersión, puede volverse complicado de leer. Por lo tanto, se sugiere ordenar las puntuaciones factoriales de manera ascendente o descendente para facilitar su interpretación.

• Es importante destacar que este gráfico puede volverse complicado cuando hay muchos casos.

• Ordenar las puntuaciones factoriales permite identificar fácilmente quiénes tienen puntuaciones altas y bajas en cada factor.

Conclusiones sobre condiciones laborales

Resumen de la sección: Se concluye que las condiciones sociales salariales y las condiciones del lugar de trabajo son dimensiones principales para abordar el estudio de las condiciones laborales en la clínica.

• Las condiciones sociales salariales y del lugar de trabajo son factores importantes a considerar en este estudio.

• Estas dimensiones permiten comprender mejor las condiciones laborales de los trabajadores en la clínica.