Análisis factorial (página 2)

Grupo azul: Conformado por los individuos etiquetados
como 7, 8 ,9 y 16.

Grupo rojo: Conformado por los individuos etiquetados
como 39 y 40.

Grupo anaranjado: Conformado por los individuos
etiquetados como 45 y 46.

Grupo lavanda: Conformado por los individuos etiquetados
como 41 y 42.

Grupo turquesa: Conformado por los individuos
etiquetados como 47 y 48.

(Ver gráfico N°2)

Se aprecia que las variables:

• Autoconfianza con lucidez, vender, empuje,
  ambición y concepto.

• Lucidez con vender, ambición, concepto y
  potencial.

• Vender con empuje, ambición, concepto y
  potencial.

• Empuje con ambición, concepto y
  potencial.

• Ambición con concepto y potencial.

• Concepto con potencial.

Tiene correlaciones mayores o iguales a 0.7 (en color rojo) lo
cual significa que las variables tiene una fuerte
asociación positiva por pares. O también que a
mayor aumento de una capacidad de vender mayor será el
aumento en otra. Luego se espera que esta variable se
correlaciones con el mismo conjunto de factores. (Ver Tablas
N°5 y 6).

Como el determinante de la matriz de
correlaciones es próximo a cero, indica la existencia de
intercorrelaciones muy elevadas. (Ver cuadro
N°3)

Realizando la medida de adecuación de la muestra de
Kaiser-Meyer-Olkin (KMO) y la prueba de esfericidad de
Bartlett.

Hipótesis:

Ho: La matriz de correlación de la
población es una matriz identidad.

H1: La matriz de correlación de la
población no es una matriz identidad.

Se aprecia que:

Se rechaza H0, significa que si se puede
hacer una análisis multivariado.

El índice de KMO es 0.793 < 0.8, medio o
normal.

Luego el análisis factorial se considera una
técnica apropiada para analizar la matriz de
correlación. O también que es pertinente el AFC.
(Ver cuadro N°4).

Además de los resultados comentados se observan
valores muy
bajos por encima y por debajo de la diagonal de la matrices
anti-imagen, y
los valores de
la diagonal llamados también MSA (Measures of Sampling
Adequacy) son bastante altos, lo que nos lleva a concluir a
priori que resulta pertinente el análisis factorial y que
esto puede proporcionarnos conclusiones satisfactorias.
(Resaltado con amarillo). (Ver tablas N°3 y
4).

La comunalidades iniciales representa la información inicial de cada variable, que
siempre es la unidad. La comunalidades tras la extracción,
son la cantidad de información que permanece en cada
variable original, una vez se han desechado algunos
factores.

Las comunalidades tras la extracción nos dan una
idea de la calidad de
representación de las variables originales en los factores
retenidos en el análisis.

Vemos que 0.363 es una comunalidad baja la cual
corresponde a la variable Aspecto. Esta variable puede ser
candidata a no considerarse en el estudio. (Ver cuadro
N°5).

Los autovalores iniciales totales, suman 14
(número de variables) y solo nos quedamos con aquellos que
presente un valor absoluto
mayor que 1, puesto que al menos muestran la misma cantidad de
información que las variables originales. Así
decidimos por tomar las cuatro primeras componentes.

La varianza explicada acumulada por el análisis
es 77.762 para los 3 factores incluidos en el modelo (Lo
cual puede interpretarse como un porcentaje aceptable), siendo
antes de la rotación de 53.577 para el primer factor,
14.033 para el segundo y 10.152 para el tercero, mientras que
después de la rotación, el primer factor explica el
40.949, 19.015 para el segundo y 17.797 para el tercero. (Ver
cuadro N°5 y gráfico N°3).

Observamos entonces que un elevado número de
variables originales, concretamente 11, presentan más
carga factorial sobre el primero de los componentes que sobre el
resto, número que se considera excesivo para su interpretación. Por ejemplo las variables
capacidad para captar conceptos y potencial están
relacionadas positivamente. Las variables conveniencia con
honestidad,
están relacionadas negativamente con la componente dos. Y
por ultimo las variables ambición con amabilidad
están relacionada negativamente con la componente tres.
(Ver cuadro N°6 y 7).

En este sentido, tras haber probado con distintos
métodos de
rotación ( varimax, quartimax y equimax ) (Ver cuadro
N°8 ,9 y 10), decidimos aplicar una rotación
varimax, como método de
rotación ortogonal que nos permitiera minimizar el
número de variables que tuviesen saturaciones altas en
cada factor y que nos ayudasen a simplificar la
interpretación de los factores optimizando la
solución por columna.

En definitiva, los criterios para el estudio que se
deben tener en cuenta a la hora de valorar las capacidades de
vender, se pueden sintetizar en estos tres factores:

El primer factor recoge fundamentalmente
las variables:

• 1. Ambición.

• 2. Arte de
  vender.

• 3. Autoconfianza.

• 4. Lucidez.

• 5. Capacidad para captar
  conceptos.

• 6. Empuje.

• 7. Potencial.

• 8. Aspecto.

El segundo factor recoge fundamentalmente
las variables:

• 1. Experiencia.

• 2. Letra de la
  solicitud.

• 3. Conveniencia.

El tercer factor recoge fundamentalmente
las variables:

• 1. Honestidad.

• 2. Amabilidad.

• 3. Entusiasmo para trabajar en
  equipo.

Podemos etiquetarlas como:

Factor 1: Eficacia.

Factor 2: Conocimiento.

Factor 3: Aspectos relacionales.

También nos pueden corroborar las gráficas de las componentes
bidimensionales, las conclusiones expuestas. Como por ejemplo;
vender, ambición, autoconfianza, lucidez, capacidad para
captar conceptos, empuje, potencial y aspecto. Están
altamente correlacionadas entre si y a su vez con el factor
eficacia.

Honestidad, amabilidad y entusiasmo para trabajar en
equipo lo mismo pero para el factor conocimiento. Es negativa en
cambio la
relación con el primer factor. (Ver gráfico
N°5 ,6 y 7 )

Los gráficos de los scores en los dos primeros
factores indican que la calificación final esta
relacionada con la eficacia y conocimiento, es decir a mayor
eficacia mayor calificación, mayor conocimiento mayor
calcificación. El gráfico de score del factor tres
no tiene no evidencia relación con la calificación.
Esto puede verificarse mediante un análisis de
regresión de calificación en función de
la velocidad y
fuerza.
(Ver gráfico N°8, 9, 10, 11, 12 y
13)

Por ultimo se puede reafirmar lo no hay defectos obvios
del modelo elegido. (Ver cuadro N°11 ,12 y 13 ) y
(Ver gráfico N°14).

Bibliografía

• BIENVENIDO VISAUTA VINACUA,
  Análisis estadístico con SPSS para Windows:
  estadística multivariante.

• C.M. CUADRAS, Métodos de
  análisis multivariante.

• RAFAEL ÁLVAREZ,
  Estadística multivariante y no paramétrica con
  SPSS.

Base de
datos

Anexos

Gráfico N°1:

(Chernoff Faces)

Tabla N°1:

(Matriz de correlaciones)