Pronósticos

Análisis multivariado de datos procedentes de investigaciones a partir del programa SPSS

Resumen de los principales menús del SPSS y ANALISIS FACTORIAL

39

Análisis Factorial y de Componentes principales

Variable de selección: permite seleccionar una de las variables del archivo de datos como variable filtro: para definir una submuestra de sujetos que cumplan una determinadacondición. Esta opción es especialmente útil cuando se ha reservado un porcentaje de sujetos de la muestra para llevar a cabo una validación cruzada del modelo final.

40

Análisis multivariado de datos procedentes de investigaciones a partir del programa SPSS

DESCRIPTIVOS

Descriptivos univariados: muestra, para cada variable, el número de casos válidos, la media y la desviación típica. Solucióninicial: permite obtener las comunalidades iniciales, los autovalores de la matriz analizada y los porcentajes de varianza asociada a cada factor. MATRIZ DE CORRELACIONES Coeficientes: muestra la matriz con los coeficientes de correlación entra las variables utilizadas en el análisis. Niveles de significación: incluye en la matriz de correlaciones los niveles críticos asociados a este coeficiente.Determinante: muestra la determinante de la matriz de correlaciones: El valor del determinante aparece en una nota a pie de la tabla. Los determinantes próximos a cero están indicando que las variables utilizadas están linealmente relacionadas, lo que significada que el análisis factorial, es una técnica pertinente para analizar esas variables. Inversa: Muestra la inversa de la matriz decorrelaciones. Esta matriz es la base para el cálculo de comunalidades iniciales en algunos métodos de extracción y para el cálculo de la matriz anti-imagen.
41

Análisis Factorial y de Componentes principales

Reproducida: Muestra la matriz reproducida. Es la matriz de las correlaciones que se obtiene a partir de la solución factorial hallada. Si el modelo es bueno y el número de factores eladecuado, la estructura factorial debe ser capaz de reproducir la matriz de correlaciones. En la diagonal de la matriz reproducida se encuentran las comunalidades finales. Junto con la matriz de correlaciones reproducidas se muestra la matriz de correlaciones residuales, la cual contiene los residuos, es decir, las diferencias entre las correlaciones observadas y las correlaciones reproducidas. Si elmodelo es el correcto, el número de residuos con valores elevados debe ser mínimo. Anti-imagen: Muestra la matriz de covarianzas anti-imagen y la matriz de correlaciones anti-imagen. La matriz de covarianzas anti-imagen contiene los negativos de las covarianzas parciales y la matriz de correlaciones anti-imagen contiene los coeficientes de correlación parcial cambiados de signo ( la correlacionesentre dos variables se parcializa teniendo en cuenta el resto de las variables incluidas en el análisis). En la diagonal de la matriz de correlaciones anti-imagen se encuentra las medidas de adecuación muestral para cada variable. Si el modelo factorial elegido es adecuado para explicar los datos, los elementos de la diagonal del a matriz de correlaciones anti-imagen deben tener un valor próximo a 1y el resto de elementos deben ser pequeños. KMO y prueba de esfericidad de Bartlett: La media de adecuación muestral KMO (Kaiser-Meyer-Olkin) contrasta si las correlaciones parciales entre las variables son suficientemente pequeñas. Permite comparar la magnitud de los coeficientes de correlación observados con la magnitud de los coeficientes de correlación parcial. EL estadístico KMO varía entre0 y 1. Los valores pequeños indican que el análisis factorial puede no ser una buena idea, dad que las correlaciones entre los pares de variables no pueden ser explicadas por otras variables. Los menores que 0.5 indican que no debe utilizarse el análisis factorial con los datos muestrales que se están analizando. La prueba de esfericidad de Bartlett contrasta la hipótesis nula de que la matriz...