Anlisis Fctoril

Un frecuente paradigma aplicado al anlisis multivariado de datos es el modelado de informacin

relevante (representado en una variable multivariada ) a travs de un nmero limitado de
factores latentes.
Por ejemplo, sea una encuesta de consumo familiar, el nivel de consumo,, de bienes diferentes
observada a lo largo de un mes. Las variaciones y covarianzas de los componentes de la encuesta
de hecho puede ser explicado con dos o tres factores de comportamiento social del consumo
familiar. Dichos factores podran ser el deseo bsico de confort para alcanzar cierto nivel social
como otros comportamientos de tipo social que expliquen el consumo familiar.

El Modelo de Factor Ortogonal.

El objetivo del anlisis factorial es explicar los resultados de las variables en el la matriz de datos
usando un nmero menor de variables, las llamados factores. Estos factores son interpretados
como caractersticas comunes latentes (inobservables) de las observaciones . Este caso
ocurre cuando cada observacin = (1 , , ) puede ser escrito como

= + ,

= 1, ,

(1)

=1

Por lo tanto , para = 1, . . , denota los factores. El nmero de factores, , deberan siempre ser
ms pequeo que . Considerando un vector aleatorio de dimensin con media y matriz de
covarianza () = , la expresin (1) en forma matricial,
= +

(2)

Donde F es un vector de dimensin .

Se puede demostrar que si los ltimos eigenvalores correspondientes a la matriz de
covarianzas son igual a cero, entonces se puede descomponer nuestro vector como en la
ecuacin (2).
Sin embargo en la prctica es raramente que la matriz de covarianzas sea singular. Por lo que
generalmente se suele dividir las varianzas de los vectores en comunes y especficos. Hay, por
ejemplo, factores altamente informativos que son comunes a todos los componentes de ,
mientras que hay factores que contribuyen a ciertos componentes especficos.
El modelo de anlisis factorial usado en la prctica es una generalizacin de la ecuacin (1),
= + +

(3)

Donde es una matriz (no aleatoria) de cargas de los factores comunes 1y 1 matrices
aleatoria de los factores especficos.
En este modelo generalizado se asume que:
() = 0,
() =
() = 0,
( , ) = 0
(, ) = 0.
Entonces el modelo generalizado de la ecuacin (3) junto con los mencionados supuestos
constituye el modelo de factor ortogonal.
MODELO DE FACTOR ORTOGONAL
(1) = () (1) + (1) + (1)
=
=
=
=

2
Utilizando los supuesto se puede obtener que = ( ) = =1
+ . La cantidad
2
2 = =1
es llamada la comunalidad y la varianza especifica. Entonces la covarianza de

puede ser reescrita como

= ( )(X ) = (F + U)(F + U)
= E(FF ) + ( ) = Var(F) + ()
= +

(4)

En un sentido, el modelo factor explica la mayor parte de la variacin de con un nmero menor
de factores latentes comunes a los componentes, mas un ruido el cual permite
variaciones especficas de cada componente. El factor especfico ajusta de manera individual la
varianza de cada componente.
El modelo de anlisis factorial descansa sobre los supuestos ya mencionados, puesto que si no se
verifican podra ser un anlisis sesgado.
El objetivo del anlisis factorial es obtener las cargas y la varianza especifica. Las estimaciones
de y son deducciones de la estructura de covarianzas.

Interpretacin de los factores.

El siguiente paso natural es intentar de entender que representan estos factores. Para interpretar
, hace sentido calcular las correlaciones con las variables originales primero. Esto es hecho
para = 1, , y para = 1, , para obtener la matriz .
La siguiente covarianza entre y es calculada va
= {( + ) } = .
La correlacin es
=

1
2 .

Donde = (1 1 , , ). Usando la correlacin anterior se puede construir una grfica

y entonces considerar cul de las variables originales 1 , , juegan un rol importante en los
factores inobservables 1 , , .