Charles Spearman encabezó el uso del análisis factorial en el campo de la psicología y a veces se le atribuye la invención del análisis factorial. Descubrió que los puntajes de los niños en la escuela en una amplia variedad de materias aparentemente no relacionadas estaban positivamente correlacionadas, lo que lo llevó a postular que una capacidad mental general, o G, subyace y da forma a un rendimiento cognitivo humano. Su postulado ahora disfruta de un amplio apoyo en el campo de >> Investigación de inteligencia , donde se conoce como G Teoría .
Raymond Cattell Se expandió en la idea de Spearman de una teoría de inteligencia de dos factores después de realizar sus propias pruebas y análisis factorial. Utilizó una teoría multifactor para explicar la inteligencia. La teoría de Cattell abordó factores alternativos en el desarrollo intelectual, incluida la motivación y la psicología. Cattell también desarrolló varios métodos matemáticos para ajustar gráficos psicométricos, como su prueba de «scree» y coeficientes de similitud. Su investigación condujo al desarrollo de su teoría de fluide y cristalized inteligencia , como>, asaltado , asalto , asalto , asaltados , asaltados , asaltados , asaltados , asaltados , asaltados , asaltados , asaltados , asaltados , asaltados , asaltados , asaltados , asaltado , como>, como… así como su 16 factores de personalidad teoría de la personalidad. Cattell fue un fuerte defensor del análisis factorial y psicometrics . Él creía que toda la teoría debería derivarse de la investigación, lo que respalda el uso continuo de la observación empírica y las pruebas objetivas para estudiar la inteligencia humana.
El análisis factorial se utiliza para identificar «factores» que explican una variedad de resultados en diferentes pruebas. Por ejemplo, la investigación de inteligencia encontró que las personas que obtienen una puntuación alta en una prueba de capacidad verbal también son buenas en otras pruebas que requieren habilidades verbales. Los investigadores explicaron esto mediante el uso del análisis factorial para aislar un factor, a menudo llamado inteligencia cristalizada o inteligencia verbal, que representa el grado en el que alguien puede resolver problemas que involucran habilidades verbales.
El análisis factorial en psicología se asocia con mayor frecuencia con la investigación de inteligencia. Sin embargo, también se ha utilizado para encontrar factores en una amplia gama de dominios como personalidad, actitudes, creencias, etc. Está vinculado a psicometrics , como puede evaluar el evaluación del Validez de un instrumento al encontrar si el instrumento realmente mide los factores postulados.
- Reducción del número de variables, combinando dos o más variables en un solo factor. Por ejemplo, el rendimiento de correr, el lanzamiento de la pelota, el bateo, el salto y el levantamiento de pesas podrían combinarse en un solo factor, como la habilidad atlética general. Por lo general, en un elemento de la matriz de personas, los factores se seleccionan agrupando elementos relacionados. En la técnica de análisis del factor Q, la matriz se transpone y los factores se crean mediante la agrupación de personas relacionadas: por ejemplo, los liberales, los libertarios, los conservadores y los socialistas, podrían formar grupos separados.
- Identificación de grupos de variables interrelacionadas, para ver cómo están relacionadas entre sí. Por ejemplo, Carroll usó el análisis factorial para construir su Three Stratum Theory . Descubrió que un factor llamado «percepción visual amplia» se relaciona con lo bueno que es un individuo en las tareas visuales. También encontró un factor de «percepción auditiva amplia», relacionada con la capacidad de tareas auditivas. Además, encontró un factor global, llamado «G» o inteligencia general, que se relaciona con la «percepción visual amplia» y la «percepción auditiva amplia». Esto significa que alguien con una «G» alta es probable que tenga una alta capacidad de «percepción visual» y una alta capacidad de «percepción auditiva», y que «G» explica una buena parte de por qué alguien es bueno o malo en ambos en ambos esos dominios.
- «… cada orientación es igualmente aceptable matemáticamente. Pero diferentes teorías factoriales demostradas difieren tanto en términos de las orientaciones de los ejes factoriales para una solución dada como en términos de cualquier otra cosa, por lo que el ajuste del modelo no resultó ser útil en distinguir entre teorías «. (Sternberg, 1977). Esto significa que todas las rotaciones representan diferentes procesos subyacentes, pero todas las rotaciones son resultados igualmente válidos de la optimización de análisis de factores estándar. Por lo tanto, es imposible elegir la rotación adecuada utilizando el análisis factorial solo.
- El análisis factorial puede ser tan bueno como lo permitan los datos. En psicología, donde los investigadores tienen que confiar en medidas más o menos válidas y confiables, como los autoinformes, esto puede ser problemático.
- La interpretación del análisis de factores se basa en el uso de una «heurística», que es una solución que es «conveniente incluso si no absolutamente cierto» (Richard B. Darlington). Se puede hacer más de una interpretación de los mismos datos factorizados de la misma manera, y el análisis factorial no puede identificar la causalidad.
- Identifique los atributos sobresalientes que los consumidores usan para evaluar productos en esta categoría.
La etapa de recopilación de datos generalmente es realizada por profesionales de investigación de marketing. Las preguntas de la encuesta solicitan al encuestado que califique una muestra de producto o descripciones de conceptos de productos en una gama de atributos. En cualquier lugar de cinco a veinte atributos se eligen. Podrían incluir cosas como: facilidad de uso, peso, precisión, durabilidad, colores, precio o tamaño. Los atributos elegidos variarán según el producto que se estudie. Se hace la misma pregunta sobre todos los productos en el estudio. Los datos para múltiples productos se codifican e ingresan en un programa estadístico como SPSS, SAS, STATA y SYSTAT.
¿Qué es análisis factorial en psicología?
- Última revisión: 13 de octubre de 2016
- Último modificado: 21 de noviembre de 2012
- Doi: 10.1093/obo/9780199828340-0077
El análisis factorial es un término utilizado para referirse a un conjunto de procedimientos estadísticos diseñados para determinar el número de construcciones distintas no observables necesarias para explicar el patrón de correlaciones entre un conjunto de medidas. Estas construcciones no observables que explican el patrón de correlaciones entre las medidas se denominan factores comunes. Los procedimientos estadísticos que comprenden el análisis factorial proporcionan información sobre el número de factores comunes subyacentes a un conjunto de medidas, así como las estimaciones de la fuerza y la dirección de la influencia de cada uno de los factores en cada una de las medidas. Estas estimaciones de influencia se denominan cargas de factores. En los casos en que hay una falta de expectativas claras con respecto al número y la naturaleza de los factores que probablemente subyacen a un conjunto de medidas, existen procedimientos para realizar un análisis factorial exploratorio (EFA) o un análisis factorial sin restricciones. En esta bibliografía, nos centraremos principalmente en estos procedimientos exploratorios. En los casos en que un investigador puede hacer predicciones claras con respecto al número de factores y las medidas específicas que influirá cada factor, los procedimientos están disponibles para realizar un análisis factorial confirmatorio (CFA) o un análisis factorial restringido. El análisis factorial confirmatorio generalmente se cubre en las revisiones del modelado de ecuaciones estructurales, y por lo tanto aprovecharemos las referencias de CFA solo cuando tengan relevancia directa para la EFA.
¿Cómo explicar un análisis factorial?
Estos resultados muestran las cargas de factores noradas para todos los factores que utilizan el método de extracción de componentes principales. Los primeros cuatro factores tienen variaciones (valores propios) que son mayores que 1. Los valores propios cambian menos notablemente cuando se utilizan más de 6 factores. Por lo tanto, 4-6 factores parecen explicar la mayor parte de la variabilidad en los datos. El porcentaje de variabilidad explicado por el factor 1 es 0.532 o 53.2%. El porcentaje de variabilidad explicado por el factor 4 es 0.088 o 8.8%. La gráfica de scree muestra que los primeros cuatro factores representan la mayor parte de la variabilidad total en los datos. Los factores restantes representan una proporción muy pequeña de la variabilidad y probablemente no son importantes.
¿Cómo realizar un análisis factorial?
Supongamos que desea medir el nivel de estrés percibido por los estudiantes que están preparando el examen de estadística. El nivel de estrés percibido es uno de esos conceptos que no se pueden medir directamente, sino solo mediante el uso de algunas variables que pueden reflejar este aspecto. Puede recuperar estas variables de un cuestionario ya validado, o puede crear una escala ex.
Por ejemplo, puede formular algunas preguntas y pedirles a los estudiantes que respondan asignando un puntaje entre 1 (nunca) a 5 (muy a menudo). Una vez que se han obtenido las respuestas, para comprender si evaluar si estas preguntas están realmente relacionadas entre sí y medir lo que le interesa, o el nivel de estrés percibido, puede usar el análisis factorial. Además, esta técnica de análisis también le permitirá identificar cuáles son los elementos que mejor contribuyen a determinar el factor latente.
Ambos son análisis agrícolas en los que el término «factorial» deriva del hecho de que en las estadísticas las latentes, es decir, las variables no medibles se denominan «factores».
- Para fines exploratorios: el análisis factorial exploratorio (AFE) le permite «explorar» las relaciones ocultas entre una serie de variables observadas.
- Para fines de confirmación: el análisis factorial de confirmación (AFC) se utiliza cuando ya conoce la estructura de las variables y desea «confirmar» si esta estructura también está presente para los datos recopilados.
Antes de llevar a cabo un análisis factorial exploratorio, debe verificar su viabilidad mediante la construcción de una matriz de correlación y el cálculo de algunos índices, como el KMO y la prueba esférica de Bartlett.
Si el análisis es factible desde un punto de vista estadístico, entonces puede proceder a la extracción de los factores y la rotación relativa, que puede ser ortogonal u oblicua. Esta extracción puede tener lugar con varias técnicas, pero afortunadamente el resultado que se obtiene siempre se interpreta de la misma manera.
¿Cómo se hace un análisis factorial en SPSS?
Veamos, de una manera simple, cómo se puede llevar a cabo un análisis factorial exploratorio, que es uno de los más utilizados en las ciencias sociales. Cabe señalar que los puntos mencionados a continuación se pueden seleccionar en programas estadísticos como SPSS durante la ejecución del análisis.
- Análisis de confiabilidad: normalmente se utiliza el Cronbach Alpha, lo que le permite conocer la consistencia interna del modelo. Los valores superiores a 0,70 se consideran aceptables.
- Estadísticas descriptivas: estos nos proporcionan información básica sobre los datos analizados. El promedio, varianza o máximo y mínimo.
- Análisis de la matriz de correlación: estos cálculos son realizados por SPSS. Aquí debemos prestar atención a si el determinante está cerca de cero. Las correlaciones calculadas deben ser diferentes de Scratch.
- Medición de la adecuación de la muestra de KMO: le permite comparar los coeficientes de correlación. Por un lado, los observados, por el otro, los parciales. Toma valores entre 0 y 1 y se considera aceptable si es mayor que 0.5.
- Prueba esférica de Bartlett: en este caso, contrasta que la matriz de correlación es una matriz de identidad, en cuyo caso el análisis no se pudo realizar. Se calcula el cuadrado estimado y, si es más bajo que el teórico, se puede hacer el análisis factorial.
- Análisis de la comunidad: en este caso también es un indicador de relevancia. Para ser válido, debe tomar valores superiores a 0.5.
- Matriz de componentes diseñados: se utiliza para extraer las auto -entradas que son mayores que un valor, normalmente 1. De esta manera se obtienen los factores reducidos que representan las variables. Los gráficos de sedimentación y la matriz en sí se utilizan para elegir el número.
- Explicación de la varianza total: finalmente, este análisis nos dice cuál es la varianza total explicada por el modelo propuesto. Por lo tanto, cuanto mayor este valor, mejor sea el modelo para explicar el conjunto de datos totales.
El análisis factorial tiene muchas aplicaciones en diferentes campos de la ciencia.
- Análisis de confiabilidad: normalmente se utiliza el Cronbach Alpha, lo que le permite conocer la consistencia interna del modelo. Los valores superiores a 0,70 se consideran aceptables.
- Estadísticas descriptivas: estos nos proporcionan información básica sobre los datos analizados. El promedio, varianza o máximo y mínimo.
- Análisis de la matriz de correlación: estos cálculos son realizados por SPSS. Aquí debemos prestar atención a si el determinante está cerca de cero. Las correlaciones calculadas deben ser diferentes de Scratch.
- Medición de la adecuación de la muestra de KMO: le permite comparar los coeficientes de correlación. Por un lado, los observados, por el otro, los parciales. Toma valores entre 0 y 1 y se considera aceptable si es mayor que 0.5.
- Prueba esférica de Bartlett: en este caso, contrasta que la matriz de correlación es una matriz de identidad, en cuyo caso el análisis no se pudo realizar. Se calcula el cuadrado estimado y, si es más bajo que el teórico, se puede hacer el análisis factorial.
- Análisis de la comunidad: en este caso también es un indicador de relevancia. Para ser válido, debe tomar valores superiores a 0.5.
- Matriz de componentes diseñados: se utiliza para extraer las auto -entradas que son mayores que un valor, normalmente 1. De esta manera se obtienen los factores reducidos que representan las variables. Los gráficos de sedimentación y la matriz en sí se utilizan para elegir el número.
- Explicación de la varianza total: finalmente, este análisis nos dice cuál es la varianza total explicada por el modelo propuesto. Por lo tanto, cuanto mayor este valor, mejor sea el modelo para explicar el conjunto de datos totales.
Artículos Relacionados:
