Es una programa de sps

1. Ejercicio spss
Alexandra Mendoza

2. Análisis factorial
Técnica de Análisis Factorial
𝑋𝑖 = 𝐴𝑖1𝐹𝑖 + 𝐴𝑖2𝐹2 + ⋯ + 𝐴𝑖𝑘𝐹𝑘 + 𝑈𝑖, 𝑑𝑜𝑛𝑑𝑒
F: Factores Comunes a todas las variables
U: Factor único referenciado a la parte de la variable i que no puede ser explicada por los
factores comunes
Ai: Coeficiente de cada factor.

3. Estadísticos Descriptivos
Aparecen en primer
lugar la media,
desviación estándar y
las etiquetas de cada
una de las nueve
variables entradas en el
análisis factorial y para
los 1.009 sujetos de la
muestra que han

4. Matriz de correlaciones
El grado de
significación de estos
coeficientes en un
contraste unilateral. Es
importante que todas
las variables tengan al
menos un coeficiente de
correlación significativo
en la matriz.

5. Matriz inversa de correlaciones

6. Kmo y prueba de bartlett
Con un valor 1434,418 y un grado de significación p = 0,000 resulta
evidente que no se trata de una matriz de identidad. En el supuesto
de que no se pudiese rechazar esta hipótesis, se desaconseja
proceder a realizar un análisis factorial con los datos.
Interpretación:
Dado que:
0,80 ≥ 𝐾𝑀𝑂 0,712 > 0,70 → 𝑆𝑜𝑛 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑑𝑜𝑠 𝑎𝑐𝑒𝑝𝑡𝑎𝑏𝑙𝑒𝑠
Se puede considerar que como este es un valor aceptable, es posible
utilizar el análisis factorial como un procedimiento adecuado.
El índice KMO nos compara los coeficientes de
correlación de con los coeficientes de correlación
parcial entre variables

7. resumen

8. Matriz anti-imagen
Serán los negativos de
los coeficientes de
correlación parcial entre
cada par de variables
neutralizando el efecto de
todas las restantes.
Interesan por tanto
coeficientes cuanto más
pequeños, mejor.
En la diagonal de esta
última tenemos los
Solamente se incluyen en el
sumatorio los pares de variables
en las que la variable para la que
se calcula el coeficiente está

10. Extracción de
factores
Componentes
principales (PC)

11. comunalidades
Si utilizamos tantos
componentes principales
como variables, cada
variable puede ser
explicada por ella misma
y por tanto toda la
variabilidad de cada
variable, que expresada
en unidades de
desviación

12. VARIANZA TOTAL EXPLICADA
Por defecto el sistema extraerá
tantos factores como haya en la
solución inicial con valores
propios (eigenvalues) superiores a
la unidad. Vemos que hay tres
factores con valores propios
superiores a 1 y que en definitiva
será el número que extraerá el
sistema. Evidentemente, podemos
cambiar el valor por defecto
correspondiente al «eigenvalue
over». La segunda posibilidad
corresponde al botón de radio
«Number of factors» y consiste
sencillamente en fijar un número
entero determinado de factores,
siempre inferior, lógicamente, al
número de variables. recoge, en
porcentajes individuales y

13. GRÁFICO DE SEDIMENTACIÓN
Tenemos una
representación gráfica
de estos resultados,
figurando en abcisas el
número total de factores
y en ordenadas el valor
propio de cada uno de
ellos

14. MATRICES FACTORIALES
Tenemos los coeficientes
utilizados para expresar cada
variable estandarizada en
términos de los tres factores del
modelo. Estos coeficientes se
conocen también con el nombre
de pesos factoriales, cargas,
ponderaciones factoriales o
saturaciones factoriales ya que
nos indican la carga de cada
variable en cada factor, de modo
que los factores con unos pesos
factoriales más elevados en
términos absolutos nos indican
una relación estrecha con las
variables. Por ejemplo la variable
B18 (Ganas de trabajar como
posible explicación del alto
índice de desempleo en el país)
es una variable con una elevada
carga factorial en el primero de
los factores y mucho más
pequeña en los dos restantes.

15. CORRELACIONES
REPRODUCIDAS
La correlación obtenida
entre los distintos
factores y las variables
puede ser utilizada para
estimar la correlación
entre las variables, de
modo que si los factores
son ortogonales, el
coeficiente de
correlación entre las
variables i y j será:

16. Otros procedimientos

17. Comunalidades (max
verosimilitud)
Anteriormente era igual a la
unidad para todas las
variables en tanto que con
el procedimiento de
«Maximum likelihood» (ML)
o máxima verosimilitud, al
igual que con el resto de
métodos distintos al de
componentes principales,
esta comunalidad se
obtiene a través del
coeficiente de correlación

18. Matriz factorial
Es evidentemente distinta
con éste o con cualquier
otro método a la obtenida
con componentes
principales. Al igual que
con el método anterior y en
concreto el factor 1 explica
de cada variable
Estos sumatorios, sobre
nueve que es la
variabilidad total, nos dan
los porcentajes individual y
acumulado de las dos
últimas columnas de la
tabla y que en el ejemplo

19. Prueba de la bondad de ajuste
Para muestras grandes este estadístico sigue
una distribución χ2 que varía según el número
de factores y el número de variables. En el
output encontraremos este test de ajuste
(Goodness-of-fit Test) cuyos resultados para
los tres factores del ejemplo serán:

20. Gráfico de factor en espacio
factorial rotado
En realidad los planos
factoriales están
situados en el interior
de un círculo de radio la
unidad, y en ese sentido
lo ideal es que los
puntos «variables del
estudio» no estén
concentrados en torno

22. Puntuaciones
factoriales

24. Matriz de coeficientes para el cálculo
de las puntuaciones en las
componentes Un factor no es otra
cosa sino una
combinación lineal de
las variables originales:
donde: Wi son los
coeficientes de las
puntuaciones
factoriales. p es el
número de variables.

25. Puntuaciones factoriales
Sea cual sea el
procedimiento utilizado,
estas puntuaciones
factoriales tendrán
media = 0 y desviación
estándar que en
componentes
principales será igual a
la unidad en todos los

26. Gráfico diagrama de dispersión
Respecto al primer
factor, los sujetos
situados más a la
derecha (14, 44, 48, etc.)
han puntuado muy alto
aquellas variables que
podríamos denominar
inherentes al propio
«sujeto» (preparación,
búsqueda, ganas de