Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
ÍNDICE
Recuerdo de ACP:
Factores son seleccionados para explicar las interrelaciones entre las variables.
Si una variable se encuentra muy lejos de otros factores ella sola será explicada por el
factor más cercano.
X1: combinación lineal de los factores comunes (F1,F2…) multiplicado (cada uno) por
Ljh más los factores específicos (e1,e2…).
X2: l21F1 +
Esta técnica de reducción funcionará bien cuando la mayoría de los factores
específicos explican poco, es decir, explican la interdependencia entre las variables
H0: E [FF`] = I (Matriz de varianzas y covarianzas igual a la matriz identidad. Exijo que
la media sea cero y su desviación típica uno. Que la covarianza sea cero significa que
están incorrelados.
Ho: E[e]=0 (Esperanza media de cada uno de los factores únicos es cero)
Como el p-valor = 0.8, los 3 factores retenidos son suficientes para explicar F1, F2 y
F3.
Al hacerlo con 2 factores retenidos nos da un p-valor muy cercano a cero, por lo que
no son suficientes para explicar los factores.
H0: IRp0I = 1
H1: IRp0I distinta 1
RSCript
El paquete rela contiene la medida kmo y test de esfericidad de Bartlett para ver la
idoneidad de los datos
library(rela)
Datos<-as.matrix(Datos[,1:9])
p<-dim(Datos)[2]
paf.Datos$KMO
Rotaciones
Varimax
Las variables se asocian con cada factor. Varimax es una rotación ortogonal, es
decir, los factores siguen siendo ortogonales entre ellos (incorrelados).
Promax
Es una rotación oblicua, por lo que se pierde la ortogonalidad (no forman 90º)
e incorrelación y calcula las correlaciones entre los distintos factores. Lo que
explica cada factor sigue cambiando muy poco. Y las cargas factoriales sí que
cambian. Mejora un poco la rotación Varimax.
Para obtenerlas:
Una vez aplicado visualizamos el conjunto de datos y nos salen las puntuaciones
(F1, F2 y F3)
pairs: genera gráficas que emparejan a los factores, con 3 factores podemos
generar 3 gráficos: 3*(3-1)/2
pairs(.FA$scores)
Comunalidad:
.FA$loadings[,1]^2+.FA$loadings[,2]^2+.FA$loadings[,3]^2+
La peor comunalidad será la que tenga menor valor. Un factor explica 70% pero
no todas las variables se tratan igual en ese 70%
Especificidad:
.FA$loadings[,1]^2+.FA$loadings[,2]^2+.FA$loadings[,3]^2+.FA$
uniquenesses
cor<-cor(Datos[,1:9])
cor
pred<-.FA$loadings%*%t(.FA$loadings)+diag(.FA$uniquenesses)
round(cor-pred, digits=3)