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)