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
