ANÁLISIS DE COMPONENTES PRINCIPALES EN SPSS

Para realizar un análisis de componentes principales en el programa SPSS, activamos la secuencia:

ANALIZAR→REDUCCIÓN DE DATOS→ANÁLISIS FACTORIAL

Y aparecerá la ventana:

Las variables utilizadas en un ACP deben ser cuantitativas, por lo que pasaremos al cuadro de la derecha aquellas variables que
tengan dicha naturaleza.

En nuestro ejemplo, hemos seleccionado las variables: Altura, Peso, TAsintrat, TAcontrat y Edad.

• En la pestaña Descriptivos, activaremos:

• En la pestaña Puntuaciones, activaremos:

• En la pestaña Rotación, activaremos:

• En la pestaña Opciones, activaremos:

• En la pestaña Extracción, activaremos:

En cada uno de los cuadros intermedios pulsamos en Continuar y al volver a la ventana inicial pulsamos en Aceptar y aparecerá:

Estadísticos descriptivos

Desviación
Media típica N del análisis
Altura 170,0500 7,78308 20
Peso 69,4000 12,53794 20
Edad 22,0500 1,31689 20
TAsintrat 16,4000 1,14248 20
TAcontrat 12,9000 1,20961 20
 Matriz de correlaciones

Altura Peso Edad TAsintrat TAcontrat

Correlación Altura 1,000 ,893 ,159 -,115 -,564
Peso ,893 1,000 ,034 -,177 -,421
Edad ,159 ,034 1,000 ,161 ,268
TAsintrat -,115 -,177 ,161 1,000 -,160
TAcontrat -,564 -,421 ,268 -,160 1,000
Sig. (Unilateral) Altura ,000 ,252 ,315 ,005
Peso ,000 ,444 ,228 ,032
Edad ,252 ,444 ,249 ,127
TAsintrat ,315 ,228 ,249 ,250
TAcontrat ,005 ,032 ,127 ,250
Determinante = ,070

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin.

,386

Prueba de esfericidad Chi-cuadrado aproximado 43,9

de Bartlett 53
gl 10
Sig. ,000

Matrices anti-imagen

Altura Peso TAsintrat TAcontrat Edad

Covarianza anti-imagen Altura ,112 -,119 ,061 ,133 -,139
Peso -,119 ,162 -,010 -,092 ,117
TAsintrat ,061 -,010 ,800 ,217 -,231
TAcontrat ,133 -,092 ,217 ,402 -,284
Edad -,139 ,117 -,231 -,284 ,592
Correlación anti- Altura ,436(a
-,880 ,202 ,625 -,539
imagen )
Peso -,880 ,490(a) -,028 -,362 ,378
TAsintrat ,202 -,028 ,242(a) ,384 -,335
TAcontrat ,625 -,362 ,384 ,370(a) -,583
Edad -,539 ,378 -,335 -,583 ,123(a)
Medida de adecuación muestral

Comunalidades

Inicial Extracción
Altura 1,000 ,963
Peso 1,000 ,887
Edad 1,000 ,937
TAsintrat 1,000 ,939
TAcontrat 1,000 ,847
Método de extracción: Análisis de Componentes principales.
 Varianza total explicada

Sumas de las saturaciones al Suma de las saturaciones al

Componente Autovalores iniciales cuadrado de la extracción cuadrado de la rotación
%
% de la % % de la acumula % de la %
Total varianza acumulado Total varianza do Total varianza acumulado
1 2,284 45,677 45,677 2,284 45,677 45,677 2,269 45,378 45,378
2 1,178 23,565 69,243 1,178 23,565 69,243 1,185 23,699 69,077
3 1,111 22,229 91,472 1,111 22,229 91,472 1,120 22,395 91,472
4 ,362 7,241 98,713
5 ,064 1,287 100,000
Método de extracción: Análisis de Componentes principales.

Gráfico de sedimentación

2,5

2,0
Autovalor

1,5

1,0

0,5

0,0

1 2 3 4 5

Número de componente

Matriz de componentes

Componente
1 2 3
Altura ,959 ,185 ,093
Peso ,917 ,085 ,196
TAcontrat
-,711 ,257 ,525
Edad -,021 ,946 ,205
TAsintrat
-,126 ,420 -,864
Método de extracción: Análisis de componentes principales.
a 3 componentes extraídos
 Matriz de componentes rotados

Componente
1 3 2
Altura ,976 ,094 -,037
Peso ,926 ,041 -,168
TAcontrat -,663 ,503 -,393
Edad ,092 ,954 ,136
TAsintrat -,100 ,106 ,958
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
.

Matriz de transformación de las componentes

Componente 2 1 3
1 ,993 -,115 -,015
2 ,113 ,931 ,347
3 ,026 ,346 -,938
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.

Gráfico de componentes en espacio rotado

Edad
1,0
TAcontrat
Componente 2

0,5

TAsintrat Altura
0,0
Peso

-0,5

-1,0
-1,0
-1,0 -0,5
-0,5 0,0 0,0
0,5 0,5
1,0 1,0
Componen te
onen
te 1 Comp 3
 Matriz de coeficientes para el cálculo de las puntuaciones en las componentes

Componente
1 2 3
Altura ,437 ,127 -,030
Peso ,412 ,082 -,146
Edad ,087 ,812 ,105
TAsintrat -,035 ,069 ,853
TAcontrat -,272 ,402 -,363
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.

Matriz de covarianza de las puntuaciones de las componentes

Componente 1 2 3
1 1,000 ,000 ,000
2 ,000 1,000 ,000
3 ,000 ,000 1,000
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.

NOTAS

1ª El índice KMO (Kaiser-Meyer-Olkin) compara los coeficientes de correlación de Pearson de la matriz de correlaciones y los
coeficientes de correlación parcial entre variables.

Si los coeficientes de correlación parcial son muy pequeños, ello significa que la relación entre cada par de variables, puede ser
explicada por el resto y, por tanto, un análisis de componentes principales de los datos, es un procedimiento adecuado. En tal
caso el índice KMO es muy próximo a 1.

Si por el contrario, el valor del índice KMO es relativamente próximo a 0, el análisis factorial no es adecuado.

Se suelen considerar los siguientes casos:

1  KMO  0.90 : Resultados excelentes

0.90  KMO  0.80 : Resultados buenos
0.80  KMO  0.70 : Resultados aceptables
0.70  KMO  0.60 : Resultados mediocres
0.60  KMO  0.50 : Resultados malos
KMO  0.50 : Resultados inaceptables
2ª La matriz anti-imagen recoge los negativos de los coeficientes de correlación parcial entre cada par de variables neutralizando el
efecto de todas las demás. Interesan por tanto valores cuanto más pequeños, mejor, de dichos coeficientes.

3ª Los coeficientes de correlación de Pearson, de la matriz de correlaciones de las variables iniciales, suelen ser habitualmente
elevados, siendo a su vez el valor del determinante de la matriz bastante próximo a 0.

4ª El test de esfericidad de Barlett se utiliza para verificar si la matriz de correlación de las variables iniciales es una matriz
identidad, es decir si todos los coeficientes de la diagonal principal son iguales a 1 y los restantes elementos son iguales a 0.

Cuanto mayor sea el valor del estadístico del test de esfericidad de Barlett y consecuentemente, menor el grado de
significatividad, más improbable es que sea una matriz identidad, por lo que se aconsejaría un análisis de componentes
principales de los datos, ya que las variables iniciales estarían muy correlacionadas.

5ª El ideal en el análisis de componentes principales, es encontrar un modelo en el que todas las variables saturen en una
componente, es decir, cargas factoriales altas en una componente y muy bajas en las restantes.

SECUENCIA RESUMIDA DE COMANDOS EN EL PROGRAMA SPSS

PARA REALIZAR UN ANÁLISIS DE COMPONENTES PRINCIPALES

ANALIZAR→REDUCCIÓN DE DATOS→ANALISIS FACTORIAL→Seleccionamos las variables

→Trasladamos las variables seleccionadas del cuadro de dialogo de la izquierda al de la derecha y:

- En “Descriptivos”:

-Seleccionamos: Descriptivos univariados, coeficientes, inversa, determinante, KMO y prueba de esfericidad de Barlett,
solución inicial, matriz anti-imagen.→CONTINUAR

- En “Extracción”:

-Seleccionamos: Método: Componentes principales, matriz de correlaciones, solución factorial sin rotar, gráfico de
sedimentación.

-Por defecto, dejamos en “Extraer”: Autovalores mayores de 1.→CONTINUAR

- En “Rotación”:

-Seleccionamos: Varimax, mostrar solución rotada, gráfico de saturaciones.→CONTINUAR

- En “Puntuaciones”:

-Seleccionamos: Mostrar matriz de coeficientes de las puntuaciones factoriales.→CONTINUAR

-En “Opciones”:

-Seleccionamos: Excluir casos según lista, ordenados por tamaño.→CONTINUAR

Volvemos al cuadro de dialogo inicial de las variables y: ACEPTAR