1

1. ANÁLISI “COMPONENTS PRINCIPALS” SENSE ROTACIÓ

Base: CONTACT Análisis amb SPSS

Anàlisi de Components Principals: reducció

de dades que estan intercorrelacionades.

En aquesta anàlisi (sense rotació) només s'ha

especificat que es tracta d'un Anàlisi de

Components Principals. No es demanen cap

tipus de rotació encara.

COMUNALITAT (h2): proporció de la

variància de cada variable que es pot explicar

pel model d'anàlisi obtingut: el model de

compostos principals o el model d'anàlisi

factorial

Comunalitat inicial:

En l'anàlisi de components principals és

sempre 1.

En l'anàlisi factorial s'estima.

2

………………………………

3

2. ANÁLISI “COMPONENTS PRINCIPALS” AMB ROTACIÓ VARIMAX

Base: CONTACT Análisis amb SPSS

+ DESCRIPTIVOS + EXTRACCIÓ + ROTACIÓ + OPCIONS: ORDENAR

4

9 variables

Variables estandarditzades: tenen una

variància de 1.

COMUNALITAT (h2): proporció de la

variància de cada variable que es pot explicar

pel model d'anàlisi obtingut: el model de

components principals o el d'anàlisi factorial.

És la suma dels pesos factors (càrregues

factorials) al quadrat.

Comunalitat inicial:

-En l'anàlisi de components principals és sempre

1 que que és la variança d'una variable en

puntuacions típiques

-En l'anàlisi factorial s'estima.

Comunalitat reproduïdes per la solució

del model (Components Principals/Factorial):

Les comunalitats permeten analitzar les variables

que són millor i pitjor explicades pel model. Les

variables amb valors alts estan millor

representades en el model.

Per exemple, la comunalitat de ,643 significa que

el model d'anàlisi reprodueix el 64.3% de la

variabilitat original de la variable.

5

-Durant l'anàlisi es van extreure tant components (factors) com variables (n = 9 en

l'exemple).

-Autovalors= ‘eigenvalues’: és la proporció de la variança de cada explicada pels

components (factors). És la variància dels components (factors). De major a menor

autovalor. Regla de Kaisser (K1): autovalor major a 1. S'extrauen tant components

(factors) com autovalors major a 1 ja que amb la regla de Kaisser s'especifica que

autovalor > 1. I com les variables estandarditzades tenen una variància d'1 aleshores

s'extreuen tants components (factors) com a variables utilitzades en l'anàlisi i la suma

dels valors dels seus autovalors és igual a la variància total (es dir, al nombre de

variables utilitzades).

-Si, per exemple, l'investigador voldria explicar com a mínim el 90% de la variabilitat

continguda en les dades aleshores caldria extreure 4 factors.

En general interessen només els

components (factors) que tenen un

autovalor major a 1 ja que si el autovalor

és menor a 1 llavors explicaria menys

variància que la variable original (que en

ser estandarditzada té una variància d'1) i

serien poc útils.

6

-La matriu de components (factorial) té les

saturacions (pesos) de les variables en cada

component (factor) i són les correlacions

entre la variable i el component (factor). Els

valors poden oscil·lar de -1 a 1.

-Aquesta matriu és difícil d'interpretar

perquè no està rotada. Per a la interpretació

s'utilitza la matriu de components (factors

rotada).

……………………………………….

7

-La matriu de components (factorial)

rotada té les saturacions (pesos) de les

variables en cada component (factor).

Saturacions: són les correlacions entre

la variable i el component (factor).

-Els valors poden oscil·lar de -1 a 1.

-I aquí s'observa com s'agrupen les

variables i en quin component (factor)

obtenen un valor de saturació més gran.

Cada variable serà assignada al

component (factor) on el valor del seu

pes sigui més gran. I totes les variables

que saturin amb pes més gran en un

component (factor) constitueixen un

grup diferenciat de variables dins de

l'anàlisi ja que comparteixen major

variància comú. El investigor haurà de

donar-li contingut teòric (nom del

constructe) a la descripció d'aquest

conjunt de variables.

-Si hi ha una variable que satura en 2

components (factors) amb valors

superiors a, 4 llavors cal valorar la seva

eliminació perquè no es pot discriminar

quin factor pertany en major mesura.

L'ideal és que una variable tingui un pes

molt alt en un component (factor) i baix

en la resta.

8

3. ANÁLISI FACTORIAL “EIXOS PRINCIPALS” AMB ROTACIÓ

VARIMAX

9

10

11

12

-Exercicis:

1) Comprovar els resultats amb la rotació oblimin.

I a continuació:

Utilitzarem l'anàlisi d'eixos principals amb solució oblimin per interpretar els resultats

de l'exercici.

2) Estimar la consistència interna (alfa de Cronbach) i l'anàlisi dels ítems.

3) Calcular les puntuacions totals dels factors.

4) Comprovar la correlació entre els factors obtinguts.

5) Comprovar si hi ha diferències per sexe entre les puntuacions mitjanes dels factors.

https://www.uv.es/friasnav/ANÁLISIFACTORIAL.pdf