Professional Documents
Culture Documents
PREGUNTA 1
Primero que todo realizamos en SPSS el anlisis de componentes principales, y observamos los
resultados de la siguiente tabla.
Si vemos el porcentaje acumulado de la varianza para los autovalores iniciales, vemos que con 5
componentes tenemos un 72.095% de la varianza total. Si tomramos menos componentes no
podemos alcanzar un 70%, por lo tanto escogemos la menor cota superior.
El primer mtodo consiste en observar el grfico de sedimentacin (Scree plot), y ver donde existe
un codo. Este codo indica una cantidad adecuada de componentes. Para aplicarlo al caso revisado
en este informe, se procede viendo el grfico N1.
Grfico N1
Analizando el grfico, se puede ver que existe un codo en la coordenada (4,0.8). Por lo tanto el
nmero adecuado de componentes a considerar debiese ser 4. Cabe destacar que esta regla si bien
es bastante intuitiva y simple, a veces no es tan claro identificar el codo, o bien pueden existir ms
de 1.
Regla de Kaiser: Esta es la segunda regla y se basa en considerar las componentes que posean
valores propios mayores a 1.
En nuestro caso vemos la columna Autovalores iniciales de la Tabla N1 y buscamos en la
subcolumna Total las componentes que tengan valor mayor a 1, encontrando que las componentes
que cumplen esto, son la 1, 2, y 3.
Varianza explicada: Esta es la tercera regla y su objetivo es considerar un nmero suficiente de
componentes con el fin de abarcar un porcentaje especfico de la varianza en cada una de las
variables.
En el caso analizado, podemos escoger un porcentaje que queremos que sea representado por una
cantidad de componentes. Por ejemplo si queremos explicar un 60% de la varianza debemos ver la
Columna Autovalores iniciales de la Tabla N1 y vemos la subcolumna %acumulado, de donde
vemos que para tener un 60% debemos considerar 4 componentes. Si cambiamos el porcentaje a
70% debemos considerar 5 componentes, el porcentaje que uno requiera har cambiar el nmero de
componentes a considerar.
finds fault
.035
-.135
.824
.548
.662
.048
original
.698
-.201
-.280
curious
.583
-.192
.140
reliable
.551
.582
-.187
imaginative
.573
-.310
-.054
inventive
.573
-.442
.059
assertive
.424
-.220
.463
efficient
.397
.562
.350
reflective
.552
-.228
-.320
Tabla N2
d) Describa qu ventajas se presentan al ocupar ACP por sobre las variables iniciales.
Recordamos que inicialmente tenemos 10 variables, y comparar los resultados de cada individuo en
estos 10 aspectos es poco prctico, pues tomara demasiado tiempo. Por este motivo es que se
utiliza ACP, con fin de reducir el nmero de variables a una cantidad que capture la variedad de
respuestas y adems contenga gran parte de la varianza de estas.
Adems de la ventaja mencionada anteriormente, se puede incluir que al usar ACP se obtiene una
mejor visualizacin de la varianza contenida en los datos, pues se busca rotar los ejes de tal manera
que la varianza quede contenida en estos.