Análisis Factorial Flashcards
¿Qué son los factores latentes?
Variables escondidas no observadas directamente, pero que se pueden inferir a través del análisis estadístico de otras variables que SI se observaron y se midieron directamente
En el libro, como en las diapositivas de clase, encontramos un diagrama de los factores latentes. ¿Cómo se explica? (Ver diagrama en Diapositiva 4 de Conferencia 13)
Cada variable observada Vi es ‘causada’ en cierta medida por el factor latente subyacente F, representado por los coeficientes b1 a b5 (también llamados cargas de factores). Cada variable observada también tiene un término de error asociado, e1 a e5. Cada término de error es: la varianza en la variable observada asociada, Vi, que no es explicada por el factor latente subyacente.
¿Vimos dos tipos de análisis factorial? ¿Cuáles son?
- Análisis factorial exploratorio
2. Análisis factorial confirmatorio
¿Cuál es el objetivo del análisis factorial exploratorio (EFA)?
El objetivo es explorar una serie de variables intercorrelacionadas (típicamente, respuestas a las preguntas de una encuesta) para averiguar qué factores latentes explicarían mejor la distribución de los datos.
Entonces podemos generalizar este factor y predecir el comportamiento en situaciones del mundo real = validez ecológica.
¿Qué es el análisis factorial exploratorio? (EFA)
Una técnica estadística que revela los factores latentes escondidos que pueden ser inferidos por los datos observados. Calcula a qué grado, un rango de variables medidas (ej. V1, V2, V3, V4, V5), pueden ser representadas por un factor latente subyacente.
El factor latente subyacente no puede ser observado a través de una sola variable; se manifiesta en la relación que causa en el rango de variables observadas (V1,V2,V3,V4,V5).
¿Como se ven generalmente los factores latentes en Psicología?
Los factores latentes se representan como fenómenos psicológicos difíciles de observar directamente o difíciles de medir. Por ejemplo, la inteligencia, la personalidad, modo de pensamiento.
Esencialmente, ¿qué es lo que hace el análisis factorial exploratorio (EFA)?
Explora las correlaciones entre las variables observadas para encontrar factores latentes escondidos interesantes o importantes que puedan ser inferidos de las variables observadas que CO-VARIAN.
En el análisis estadístico factorial exploratorio, se busca cuál de las variables observadas tiene un cargo de factor (factor loading) ALTO en cada factor, que pueda indicar un factor latente. ¿Cómo se llama este proceso en el (EFA)?
Rotación – Ayuda a encontrar el patrón de cargas de factores (factor loadings) en diferentes factores. Ayuda a mirar qué variables se relacionen con cada factor.
¿Cuáles son las 2 presuposiciones del análisis factorial exploratorio (EFA)?
- Esfericidad - Mira que las variables correlacionen en tanto que puedan ser resumidas por un rango menor de factores, de tal manera que puedan existir factores que expliquen la varianza compartida.
—> Se comprueba con la Prueba de Bartlett que debe ser significativa (p<0.05) para cumplir con la suposición.
- Adecuación de muestreo - Comprueba que no haya factores (factor loadings) con muy pocos ítems
- -> Se comprueba con el índice KMO que debe arrojar un valor muy cercano a 1 para que el (EFA) se considere bueno o excelente. Valores menores a 0.5 indican que el (EFA) NO es adecuado.
¿Para qué nos sirve el (EFA) en la psicología?
El (EFA) provee un modelo de factores adecuado. Se utiliza mucho en psicometría para la construcción de escalas.
Se desarrollan ítems de CUESTIONARIO que se piensa puedan estar relacionadas a uno o más constructos psicológicos. Se utiliza el (EFA) para mirar qué ÍTEMS se pueden asociar como FACTORES LATENTES, y se evalúa si estos ítems deben ser eliminados porque no miden distintivamente uno de los factores latentes.
Después de realizar el análisis exploratorio (EFA), necesitamos saber CUÁNTOS FACTORES debemos usar o extraer. Hay 3 maneras de saber esto. ¿Cuáles son?
- Valores propios (Eigen values) - Se utiliza el factor que tenga un valor propio (eigen values) mayor a 1 – este factor representa una mayor varianza que el promedio de una sola variable.
Los valores propios (Eigen values) indican qué tanto de la varianza en las variables puede ser representada por un factor. - Scree plot (Gráfico de sedimentación) - Indica el punto de INFLEXIÓN – es el punto en el que la pendiente de la curva (del scree plot) se nivela, por debajo del “codo”.
- Técnica de análisis paralelo (Diapositiva 10 en Conferencia 13) - Se comparan los valores propios (eigenvalues) obtenidos, con aquellos que se pueden obtener de datos aleatorios (simulaciones). El # de factores a extraer es aquel que tenga valores propios (eigenvalues) mayores a los que se pueden encontrar en datos aleatorios (random data).
En el (EFA) debemos considerar cuál es el mejor método para rotar la solución final (rotación- ver pregunta 8 de este set de flashcards). Hay 2 métodos. ¿Cuáles son?
- Ortogonal (Varimax) - Fuerza a que los factores NO estén correlacionados
- Oblicua (Oblimin) - Permite que los factores seleccionados SI estén correlacionados. (más utilizados y sensibles en la psicología)
Si los factores (en el factor correlation matrix - Diapositiva 11 Conferencia 13) correlacionan de alguna manera (positiva o negativamente [ej. En la Diapositiva 11 vemos que el factor 1 y el factor 2 se correlacionan con un valor de -0.398]), entonces la ROTACIÓN OBLICUA producirá una mejor estimación de los verdaderos factores a extraer, que el método de rotación ortogonal.
En la Diapositiva 12 de la Conferencia 13 vemos las cargas de factores (factor loadings) ¿Cómo los interpretamos? ¿Qué representa el valor “uniqueness” en el gráfico de factor loadings?
Las cargas factoriales (factor loadings) muestran cómo cada uno de los ÍTEMS se CARGA sobre cada uno de los factores seleccionados.
El valor “uniqueness” demuestra la proporción de la varianza que es ÚNICA a la variable, y no se explica por los factores. Entre más alto sea el valor, menor contribución tiene la variable en el modelo de factores. .Un valor BAJO de uniqueness indica que la variable tiene poca varianza que no se explica por el modelo factorial.
¿Cómo funciona el análisis factorial confirmatorio (CFA)?
Tenemos algún modelo preconcebido de factores, y queremos averiguar qué tan bien predicen la distribución de respuestas. Como en una regresión, uno consigue una MEDIDA DE AJUSTE entre el modelo y la realidad.
Esencialmente, qué es lo que hace el análisis factorial confirmatorio (CFA)?
El CFA busca confirmar la estructura de un modelo preconcebido de factores. Comprueba que los factores latentes identificados en el análisis factorial exploratorio (EFA), con una muestra distinta, mirando si la existencia de estos factores latentes se puede encontrar en datos diferentes.
En práctica, es bueno hacer primero un (EFA) con una muestra inicial, y confirmar su estructura (CFA) con una muestra independiente
Básicamente, el CFA mira que tan bien el MODELO pre-específicado se confirma por los datos observados.
