Analisis Factorial (Parte)

ANALISIS FACTORIAL EXPLORATORIO

PRESENTADO ORIGINALMENTE POR: DAWN HUBER PARA THE COE FACULTY RESEARCH CENTER MODIFICADO Y ACTUALIZADO PARA EPS 624/725 POR: ROBERT A. HORN & WILLIAM MARTIN (SP. 08)

El propósito de esta lección en Análisis Factorial Exploratorio es comprender y aplicar técnicas estadísticas para un único conjunto de variables cuando el investigador está interesado endescubrir qué variables del conjunto forman subconjuntos coherentes que son relativamente independientes entre sí. Variables que están correlacionadas entre sí pero en gran medida independientes de otros subconjuntos de variables son combinadas en factores. Factores que son pensados para reflejar procesos subyacentes que han creado las correlaciones entre variables.

INTRODUCCIÓN

El conjunto dedatos (FACTOR.sav) que vamos a utilizar es parte de un conjunto de datos más grandes tomados de Tabachnick y Fidell (2007). El estudio envuelve a 369 mujeres angloparlantes, de clase media, entre las edades de 21 y 60 años, que han completado el Bem Sex Role Inventory (BSRI). Los encuestados se atribuyen características a sí mismos asignando números entre 1(nunca o casi nunca cierto para mí) y 7(siempre o casi siempre para mí) para cada uno de los ítems. Cuarenta y cuatro ítems de la BSRI fueron seleccionados para este ejemplo de investigación.

PROYECCIÓN DE DATOS
TAMAÑO DE MUESTRA

Una regla general es tener al menos 300 casos para el análisis factorial. “Soluciones que tienen muchas variables marcadores con carga alta (> .80) no requieren tamaños de muestra demasiado grandes(cerca de 150 casos deberían ser suficientes) como soluciones con menores cargas” (Tabachnick & Fidell, 2007, p. 613).

*Nuestro conjunto de datos tiene un tamaño de muestra adecuado de 369 casos.

Bryant and Yarnold (1995) afirman que, “nuestra muestra debe ser al menos 5 veces el número de variables. El ratio sujeto-variable debe ser 5 o más. Además, todo análisis debe ser basado en unmínimo de 100 observaciones, independientemente del ratio sujeto-variable” (p. 100).

DATOS PERDIDOS

Para verificar los datos perdidos:

Clic en Analizar

Estadísticas Descriptivas

Clic en Frecuencias

Clic sobre todos los 44 Ítems hasta Variable(s): (excepto Subno)

Deseleccionar [ ] Mostrar tablas de frecuencia

Esto producirá un mensaje de advertencia, simplemente clic enAceptar
Clic en Aceptar

La primera tabla de salidas identifica los valores perdidos de cada ítem.

Indagando a través de la tabla, notarás que no hay valores perdidos para este conjunto de datos.

Si hubiera datos perdidos, use una opción (estimar, eliminar, o la matriz de correlación por parejas de los datos perdidos es analizada). Si el modelo es no variable o si el tamaño de muestra espequeño, considere estimación pero esto puede llevar a sobre-adecuar los datos resultantes en muy altas correlaciones. Por favor tomar como referencia a Tabachnick y Fidell (2007) para obtener mayor información acerca de cómo eliminar y tratar con datos perdidos.

DETECTANDO OUTLIERS MULTIVARIADOS

Por motivo de este entrenamiento, empezaremos con una valoración acerca de los outliersmultivariados. Sin embargo, por lo general se iniciaría con la realización de la proyección de outliers univariados y supuestos. Muchos métodos estadísticos son sensibles a los outliers, por lo que es importante identificar los outliers y tomar decisiones acerca de qué hacer con ellos. Recordar que un outlier multivariado un valor extremo de una o más variables.

RAZÓN PARA OUTLIERS (TABACHNICK &FIDELL, 2007)

1. Entrada de datos incorrecta.

2. Falla al especificar los valores perdidos en la sintaxis de computadora, por lo que los valores perdidos son leídos como datos reales.

3. Un outlier no es miembro de la población que se intenta muestrear.

4. Un outlier es representativo de la población que se intenta muestrear pero la población tiene más valores...