Docsity
Docsity

Prepara tus exámenes
Prepara tus exámenes

Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity


Consigue puntos base para descargar
Consigue puntos base para descargar

Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium


Orientación Universidad
Orientación Universidad

Análisis Factorial Multidimensional: Reducción de Datos y Interpretación de Componentes, Apuntes de Psicología

En este tema se explica cómo reducir la información en análisis factorial multidimensional (afm) mediante el uso de criterios de reducción de datos y ajuste del modelo. Se discuten conceptos como valores propios, scree plot, porcentaje de variancia, parsimonia y saturaciones, y se ofrecen ejemplos de interpretación de componentes.

Tipo: Apuntes

2013/2014

Subido el 03/04/2014

anytta_bcn
anytta_bcn 🇪🇸

3.8

(21)

11 documentos

1 / 3

Documentos relacionados


Vista previa parcial del texto

¡Descarga Análisis Factorial Multidimensional: Reducción de Datos y Interpretación de Componentes y más Apuntes en PDF de Psicología solo en Docsity! TEMA 4: ACP MULTIDIMENSIONAL Como en el tema 3, el ACP consiste en resumir información, agrupando ítems en factores, en este tema en vez de agruparlos todos en un factor los agruparemos en diferentes factores. 1. Criterios de reducción de los datos y ajustamiento del modelo Valores propios > 1: Los valores propios co rresponden a la variancia del factor (sin est andarizar). Estos se pueden obtener a partir de la su ma de los cuadrados de las cargas factoriales de ca da componente. La suma de todos los valores pr opios de los componentes es igual a la variancia tot al (como el análisis se hace con ítems est andarizados, y la variancia de un ítem est andarizado es 1, la variancia total será igual al nú mero de ítems) Así, si miramos los “eigenvalues” de nuestros componentes podemos ver si hay alguno que baja del 1 (o sea que ese número de factores tendría peor variancia que si no los agrupáramos) si es así los descartaremos. Scree plot o gráfico de sedimentación: Análisis paralelo: consiste en comparar los valores propios del análisis con los valores propios que se obtienen haciendo la prueba al azar. Cuando nuestro componente recoge más variabilidad (tiene un valor propio mayor) que el obtenido por el mismo componente en el análisis al azar, significa que es bueno, así que nos lo quedamos. Para obtener los valores propios de las muestras simuladas se tiene que ejecutar el comando “fapara” en el STATA Porcentaje de la variancia: Se miran cuantos componentes necesitaríamos para explicar el 60%. Parsimonia: Mejor quedarse con el número más pequeño de componentes. “la sencillez es lo mejor” Interpretación: Una determinada solución solo tiene sentido cuando los componentes se pueden interpretar. Ejemplo del pdf: Solución de un componente: afrontamiento del dolor crónico (porque todos los ítems tienen valores positivos) Solución de dos componentes: los que vemos en positivo podemos relacionarlos y llamarlos "catarsis" y los negativos "distracción" Solución de tres componentes: en nuestro caso el componente tres (que en los análisis anteriores recogía muy poca variación) no es interpretable, por lo tanto nos quedamos con los dos primeros componentes. Ajustamiento del modelo a los datos: Comunalidades: algo importante de un componente es que todas las comunalidades (recordar que son comunalidades y como se calculan de otros temas) de sus ítems sean homogéneas, una forma de verlo es mirando el rango, cuanto más bajo sea este más homogéneo será el factor en cuanto a comunalidades. Residuales: El mejor componente es el que tiene un porcentaje de residuales más bajo
Docsity logo



Copyright © 2024 Ladybird Srl - Via Leonardo da Vinci 16, 10126, Torino, Italy - VAT 10816460017 - All rights reserved