Análisis factorial

El análisis factorial es un método de reducción estadística que tiene como objetivo explicar las posibles correlaciones entre ciertas variables. Para ello, teniendo en cuenta el efecto de otras, los factores, que no son observables.

Por tanto, lo que hace este análisis es reducir. Así, tomamos un número elevado de variables y, por medio de esta técnica, conseguimos reducirlas a un tamaño más manejable. Para hacerlo, se utilizan una serie de combinaciones lineales de las observadas con otras que no son visibles.

Los dos modelos: exploratorio y confirmatorio

Tenemos dos formas de llevar a cabo esta técnica estadística, existiendo claras diferencias entre ambas que conviene conocer.

• Análisis factorial exploratorio: En este caso, el objetivo es conocer los constructos latentes (que no se ven) para poder comprobar si pueden ser válidos. Así, estamos ante información de tipo exploratorio que sirve para crear un modelo posterior, pero este no lo conocemos a priori.
• Análisis factorial confirmatorio: En este caso, estamos ante un proceso de confirmación estadística. Partimos de un modelo teórico creado con la literatura existente sobre el fenómeno estudiado. Con posterioridad lo contrastamos para conocer su grado de validez.

Cómo realizar un análisis factorial

Veamos, de forma sencilla, cómo se puede realizar un análisis factorial exploratorio, que es uno de los más utilizados en ciencias sociales. Hay que tener en cuenta que los puntos mencionados abajo se pueden seleccionar en programas estadísticos como SPSS al realizar el análisis.

1. Análisis de la fiabilidad: Normalmente se utiliza el Alfa de Cronbach, que permite conocer la consistencia interna del modelo. Valores superiores a 0,70 son considerados aceptables.
2. Estadísticos descriptivos: Estos nos aportan información básica sobre los datos analizados. La media, la varianza o el máximo y mínimo.
3. Análisis de la matriz de correlación: Estos cálculos los realiza SPSS. Aquí debemos fijarnos en si el determinante es próximo a cero. Por otro lado, las correlaciones calculadas deben ser distintas de cero.
4. Medida de adecuación muestral KMO: Nos permite contrastar los coeficientes de correlación. Por un lado, los observados, y por otro, los parciales. Toma valores entre 0 y 1 y se considera aceptable si es superior a 0,5.
5. Prueba de esfericidad de Bartlett: En este caso contrasta que la matriz de correlaciones es una matriz de identidad, en cuyo caso no se podría hacer el análisis. Se calcula el Chi cuadrado estimado y, si es menor que el teórico, se puede hacer el análisis factorial.
6. Análisis de la comunalidad: Nuevamente es un indicador de la pertinencia. Para ser válido debe tomar valores superiores a 0,5.
7. Matriz de componentes rotados: Se utiliza para extraer los autovalores que sean superiores a un valor, normalmente 1. De esta forma, se obtienen los factores reducidos que representan a las variables. Para elegir el número se utilizan gráficos de sedimentación y la propia matriz.
8. Varianza total explicada: Por último, este análisis nos indica cual es la varianza total explicada por el modelo propuesto. Así, cuanto mayor sea este valor, el modelo es mejor para explicar el conjunto total de datos.

Ejemplos de análisis factorial

El análisis factorial tiene multitud de aplicaciones en diferentes ámbitos de la ciencia.

Veamos algunos ejemplos:

• En el marketing es muy utilizado cuando queremos conocer la voluntad de compra. Por ejemplo, analizamos diversas variables socioeconómicas, emocionales o personales. Una vez las tenemos, reducimos su número con el análisis factorial y podremos interpretarlo mejor.
• En contabilidad podemos conocer qué partidas afectan de forma más clara a la obtención de beneficios empresariales. Así, sabremos dónde debemos incidir más.
• En educación podemos conocer la predisposición de un alumno a una materia. Realizando determinadas encuestas sobre su forma de estudiarla, podemos obtener una base de datos en la que aplicar el análisis factorial.