ANÁLISIS FACTORIAL

Comienza Ya. Es Gratis
ó regístrate con tu dirección de correo electrónico
ANÁLISIS FACTORIAL por Mind Map: ANÁLISIS FACTORIAL

1. Si el estadístico del test toma valores grandes o un determinante próximo a cero se rechaza la hipótesis nula con cierto grado de significación.

2. El esquema de un análisis factorial es el siguiente:

2.1. -Formulación del problema

2.2. -Análisis de la matriz de correlación

2.3. -Extracción de factores

2.4. -Determinación del número de factores

2.5. -Rotación de factores

2.5.1. Rotación Ortogonal

2.5.1.1. Métodos: Varimax, Quartimax, Equamax,Oblimin y Promax

2.5.2. Rotación Oblicua

2.6. -Interpretación de factores

2.7. -Validación del modelo

3. TEST DE ESFERICIDAD DE BARLETT

3.1. Si se acepta la hipótesis nula las variables no están intercorreladas y se considera la aplicación del ANÁLISIS FACTORIAL.

4. El KMO (Kaiser Meyer Olkin) apra realizar un Análisis Factorial propone:

4.1. KMO >= 0,75 BIEN

4.2. KMO >= 0,5 ACEPTABLE

4.3. KMO < 0,5 INACEPTABLE

5. Se deben calcular dos matrices importantes que son:

5.1. Matriz de cargas factoriales

5.1.1. muestra la contribución única de cada variable al factor

5.2. Matriz de estructura factorial

5.2.1. muestra las correlaciones entre los factores y variables (contribución y correlación).

6. Busca grupos homogéneos y la correlación de las variables entre sí.

7. Todas las variables son independientes ya que cumplen en mismo papel en dicho análisis.

8. Es una técnica de reducción de la dimensión de datos.

9. Analiza toda la varianza o solo la varianza común

10. MÉTODOS DE EXTRACCIÓN DE FACTORES:

10.1. Método de Componentes Principales

10.2. Método de los Ejes Principales

10.3. Método de Máxima Verosimilitud

10.4. Método de Mínimos Cuadrados no ponderados

10.5. Método de Mínimos Cuadrados generalizados

10.6. Método de Factorización por imágenes

10.7. Método Alfa

11. PARA REALIZAR EL ANÁLISIS FACTORIAL TODAS LAS VARIABLES QUE SE UTILICEN DEBEN SER MEDIBLES

12. Se deben analizar la COMUNALIDADES ya que si estas son muy altas nos indican que las variables estan bien representadas