ECONOMETRA

Mtodo Anlisis Factorial

Yeniffer Alejandra Cantillana Navarrete
Juan Carlos Hurtado Salas
Enzon Yimmy Santana Estay

RGIMEN DE ESTUDIOS VESPERTINO

Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

2

INDICE
N Pag.
I.
Introduccin

. 3
II.
Qu es al anlisis factorial?

. 4
III.
Formulacin del problema

. 4
IV.
El modelo del anlisis factorial

. 5
V.
Condiciones del modelo

. 6
VI.
Estudio de la matriz de correlacin

. 7
VII.
Extraccin de los factores

. 8
VIII.
Rotacin de los factores

. 9
IX.
Tipos de rotacin ortogonales

. 10
X.
Tipos de rotaciones no ortogonales

. 11
XI.
Calculo de puntuacin factorial

. 11
XII.
Validacin del modelo

. 13

XIII.
Ejemplo

. 15
XIV.
Conclusin

. 17
XV.
Bibliografa

. 18









Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

3

I. INTRODUCCIN

El Anlisis Factorial es una tcnica de reduccin de datos que sirve para encontrar grupos
homogneos de variables a partir de un conjunto numeroso de variables.
Los grupos homogneos se forman con las variables que correlacionan mucho entre s y
procurando, inicialmente, que unos grupos sean independientes de otros.
Cuando se recogen un gran nmero de variables de forma simultnea (por ejemplo, en un
cuestionario de satisfaccin laboral) se puede estar interesado en averiguar si las
preguntas del cuestionario se agrupan de alguna forma caracterstica. Aplicando un
anlisis factorial a las respuestas de los sujetos se pueden encontrar grupos de variables
con significado comn y conseguir de este modo reducir el nmero de dimensiones
necesarias para explicar las respuestas de los sujetos.
El Anlisis Factorial es, por tanto, una tcnica de reduccin de la dimensin de los datos,
su ltimo propsito consiste en buscar el nmero mnimo de dimensiones capaces de
explicar el mximo de informacin contenida en los datos.
A diferencia de lo que ocurre en otras tcnicas como el anlisis de varianza o el de
regresin, en el anlisis factorial todas las variables del anlisis cumplen el mismo papel:
todas ellas son independientes en el sentido de que no existe a priori una dependencia
conceptual de unas variables sobre otras.
Fundamentalmente lo que se pretende con el Anlisis Factorial (Anlisis de Componentes
Principales o de Factores Comunes) es simplificar la informacin que nos da una matriz de
correlaciones para hacerla ms fcilmente interpretable.
Se pretende encontrar una respuesta al preguntarnos Por qu unas variables se
relacionan ms entre s y menos con otras? Hipotticamente es porque existen otras
variables, otras dimensiones o factores que explican por qu unos tems se relacionan ms
con unos que con otros.
En definitiva, se trata de un anlisis de la estructura subyacente a una serie de variables?



Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

4

II. QU ES AL ANLISIS FACTORIAL?
El Anlisis Factorial es una tcnica estadstica multivariante cuyo principal propsito es
sintetizar las interrelaciones observadas entre un conjunto de variables en una forma
concisa y segura, como una ayuda a la construccin de nuevos conceptos y teoras. Para
ello utiliza un conjunto de variables aleatorias inobservables, que llamaremos factores
comunes, de forma que todas las covarianzas o correlaciones son explicadas por dichos
factores y cualquier porcin de la varianza inexplicada por los factores comunes se asigna
a trminos de error residuales que llamaremos factores nicos o especficos.
El Anlisis Factorial puede ser exploratorio o confirmatorio:
El anlisis exploratorio se caracteriza porque no se conocen a priori el nmero de
factores y es la aplicacin emprica donde se determina este nmero.
El anlisis de tipo confirmatorio los factores estn fijados a priori, utilizndose
contrastes de hiptesis para su corroboracin.
En esta leccin nos centraremos en el Anlisis Factorial Exploratorio dado que el Anlisis
Factorial Confirmatorio se suele estudiar como un caso particular de los Modelos de
Ecuaciones Estructurales.
III. FORMULACIN DEL PROBLEMA
En esta etapa debe abordarse la seleccin de las variables a analizar as como la de los
elementos de la poblacin en la que dichas variables van a ser observadas.
Aunque pueden realizarse anlisis factoriales con variables discretas (Cuantitativas, son
finitas o infinitas) y/o ordinales (Cualitativas, toma distintos valores ordenados) lo habitual
ser que las variables sean Cuantitativas Continuas (pueden asumir infinitos valores) y en
lo que sigue nos ceiremos a estas. Es importante, en todo caso, que dichas variables
recojan los aspectos ms esenciales de la temtica que se desea investigar y su seleccin
deber estar marcada por la teora subyacente al problema. No tiene sentido incluir
variables que no vengan fundamentadas por los aspectos tericos del problema porque se
corre el riesgo de que los resultados obtenidos ofrezcan una estructura factorial difcil de
entender y con escaso contenido terico relevante.
Es muy aconsejable en este paso que el analista tenga una idea ms o menos clara de
cules son los factores comunes que quiere medir y que elija las variables de acuerdo con
ellos y no al revs porque se corre el riesgo de encontrar factores espreos (no autnticos)
o que los factores queden mal estimados por una mala seleccin de las variables.
Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

5

As mismo, la muestra debe ser representativa de la poblacin objeto de estudio y del
mayor tamao posible. Como regla general debern existir por lo menos cuatro o cinco
veces ms observaciones (tamao de la muestra) que variables. Si el tamao de la
muestra es pequeo y esta relacin es menor, los resultados deben interpretarse con
precaucin.
Conviene hacer notar, finalmente, que los resultados del anlisis no tienen por qu ser
invariantes a cambios de origen y escala por lo que se aconseja, si las unidades de medida
de las variables no son comparables, estandarizar los datos antes de realizar el anlisis.

IV. EL MODELO DEL ANLISIS FACTORIAL

Sean X1, X2,, Xp las p variables objeto de anlisis que supondremos en todo lo que sigue
que estn tipificadas. Si no lo estuvieran el anlisis se realizara de forma similar pero la
matriz utilizada para calcular los factores no sera la matriz de correlacin sino la de
varianzas y covarianzas. El investigador mide estas variables sobre n individuos,
obtenindose la siguiente matriz de datos:

Sujetos

Variables
X1 X2 Xp
1
X11X12 X1p
2
X21X22 X2p
..
N
Xn1Xn2 Xnp

El modelo del Anlisis Factorial viene dado habitualmente por las ecuaciones:


Donde:
X- : vector (n1).
F: vector (p1) de factores comunes linealmente independientes.
A: matriz (np) cuyos elementos se conocen como cargas factoriales.
U: vector (n1) de factores nicos o errores. (N filas por una columna).

Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

6

V. CONDICIONES DEL MODELO

Las condiciones que tenemos que exigirle a este modelo son:

1. Los factores comunes, tienen media 0. Representacin matemtica E(F) = 0.
2. los factores comunes, varianza 1 y no estn correlacionados entre s.
Representacin matemtica E(FFt) = pp.
3. Los factores nicos, tienen media 0 y varianzai. Representacin matemtica
E(U) = 0 y E(UU) = nn. ( nn es una matriz diagonal, donde los elementos de la
diagonal principal son i )
4. Los factores comunes, no estn correlacionados con los factores nicos.
Representacin matemtica E(UF) = 0.

Si se dan todas estas suposiciones la matriz de covarianzas de X se puede expresar de la
forma:


Si utilizamos esta expresin, la varianza de cada variable Xi se puede escribir como:




Si X est estandarizada, es decir, E(X) = 0 y Var(X) = 1, entonces los elementos de A
representan la correlacin existente entre las variables y los factores ( N(0;1)).
En este caso (variables estandarizadas), el modelo nos queda de la forma:


Por lo tanto se cumplen estas propiedades importantes que nos dan una interpretacin
semntica de los coeficientes que aparecen en un anlisis factorial:
= 0, i = 1= 1 y es la matriz de correlacin R, por ser variables normalizadas.

Las cargas factoriales son las correlaciones entre las variables y los factores.






Representa la proporcin de varianza explicada por los factores
comunes.
Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

7

VI. ESTUDIO DE LA MATRIZ DE CORRELACIN

Dado que el anlisis factorial se basa en el estudio de la matriz de correlaciones hay que
ver si se dan las condiciones adecuadas para poder aplicar un anlisis de este tipo.
Cules son las condiciones adecuadas para poder aplicar un anlisis factorial?
La respuesta a esta pregunta la podemos tener en la siguiente afirmacin:



La comprobacin de esta condicin se puede hacer utilizando las siguientes tcnicas:
Mediante la visualizacin de la matriz de correlaciones. Este mtodo es un poco
primitivo pero nos puede dar una idea inicial de por dnde podemos movernos. La
dificultad principal estriba en que si el nmero de variables del modelo es alto es
difcil extraer conclusiones ya que la matriz de correlaciones ser muy grande y,
por lo tanto, difcil de visualizar en su conjunto.
Mediante el estudio de unos determinados coeficientes como, por ejemplo, el
Determinante de la matriz de correlaciones: Valor bajo alta adecuacin del AF.
Test de esfericidad de Barlett H0: R= I frente a H1: R I.
La medida de Kaiser-Meyer-Olkin (KMO), basada en estudios de coeficientes de
correlacin parcial: KMO alto alta adecuacin del AF (por debajo de 0.5 no es
aceptable el AF).
Coeficiente de correlacin mltiple: Valor alto alta adecuacin del AF. Este
coeficiente coincide con la comunalidad (se calcula matricialmente) inicial cuando
el mtodo de extraccin no es el de Componentes principales.
La matriz de correlacin anti-imagen: Esta matriz est formada por los negativos
de los coeficientes de correlacin parcial: Elementos no diagonales pequeos
alta adecuacin del AF. (La diagonal principal de esta matriz es la medida de
adecuacin muestral (MSA): Si estos coeficientes son bajos es desaconsejable el
AF. Se puede considerar eliminar variables con MSA bajo, siempre que estos
valores sean bajos en unas pocas variables.)
De las tcnicas antes mencionadas, las que quedan son capaces de explicar el modelo
factorial.





Las variables han de estar altamente correlacionadas (Modelo Factorial)
y la matriz de correlacin ha de tener una cierta estructura.
Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

8

VII. EXTRACCIN DE LOS FACTORES

Como ya hemos comentado, el objetivo del Anlisis Factorial consiste en determinar un
nmero reducido de factores que puedan representar a las variables originales. Por tanto,
una vez que se ha determinado que el Anlisis Factorial es una tcnica apropiada para
analizar los datos, debe seleccionarse el mtodo adecuado para la extraccin de los
factores. Existen diversos mtodos cada uno de ellos con sus ventajas e inconvenientes.

Los mtodos de extraccin de factores usualmente incluidos en los paquetes estadsticos
son:
Componentes principales.
Ejes principales.
Mnimos cuadrados.
Anlisis Alfa.
Anlisis Imagen.
Mxima verosimilitud.

En este momento se plantea la cuestin de cul de estos mtodos es el mejor.
Realmente no hay una respuesta convincente a esta pregunta por lo que la tctica usual
es probar con todos y ver qu mtodo explica mejor nuestro problema. El mtodo ms
popular y el que todos los paquetes traen por defecto es el de componentes principales. Si
sabemos que nuestros datos se han extrado de una poblacin normal multivariado
deberemos elegir el mtodo de mxima verosimilitud.

Una vez que hemos decidido el mtodo de extraccin de los factores debemos decidir
tambin el nmero de factores con el que nos vamos a quedar. Esta eleccin es
importante ya que nuestro objetivo es la reduccin de la dimensin del problema sin
demasiada prdida de informacin.

El modelo factorial en forma matricial viene dado por X= FA+ U y el problema consiste en
cuantificar la matriz A de cargas factoriales que explica X en funcin de los factores.
A partir de esta expresin se deduce la llamada identidad fundamental del Anlisis
Factorial:
R= AA+

Donde R es la matriz de correlacin poblacional de las variables X1, ..., Xpy = diag(i) es
la matriz diagonal de las especificidades.
Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

9

VIII. ROTACIN DE LOS FACTORES

El anlisis factorial es intil si no se pueden interpretar los factores. Esto es importante ya
que los factores son variables no observables y si no los podemos interpretar, no podemos
extraer conclusiones sobre entes que no sabemos lo que significan.
Para facilitar la interpretacin vamos a utilizar la siguiente propiedad que tienen las cargas
factoriales:

















Es decir, la descomposicin de la matriz de regresin es invariante frente a las
transformaciones ortogonales.

Es importante hacer notar que si se aplica una rotacin ortogonal los factores siguen
estando no correlacionados.

Esta propiedad nos indica que la solucin al problema no es nica (en este sentido) por lo
que debemos escoger la mejor.





La estructura del problema no cambia s se le aplica una rotacin
ortogonal (transformacin rgida que respeta los ngulos).
ROTACIN
En efecto, si tenemos una matriz ortogonal T, es decir, TT= TT= I, entonces
X= AF+ U X= ATTF+ U
(X = BG + U donde B = AT y G = TF).

La descomposicin de matriz de regresin asociada al modelo antes de aplicarle la
rotacin es:
R= AA+
Y la descomposicin asociada al modelo despus de efectuar la rotacin es:
R= BB+ = AT(AT) + U= ATTA+ = AA+

Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

10

En qu sentido podremos hablar de mejor solucin?
Para el investigador la mejor solucin ser aquella que mejor explique su problema.
Debemos escoger la solucin en la que las cargas factoriales sean altas en algunas
variables y bajas en otras.

De forma grfica lo podemos ver a continuacin:

Rotacin Ortogonal

Ejemplo:

(1, 3, 1)* = (3, 3, 3)


Al rotar la solucin puntos que tenan valores intermedios en ambos factores pasan a
tener valores altos en uno y bajos en otro. Puesto que las cargas factoriales representan la
correlacin entre las variables y los factores, este hecho nos permitir explicar'' el
significado semntico de los factores.

IX. TIPOS DE ROTACIN ORTOGONALES

Hay diversos mtodos para la realizacin de rotaciones ortogonales. Cada uno de estos
mtodos prima la maximizacin de las cargas en un sentido.

Varimax Este mtodo, minimiza el nmero de variables con cargas altas en un
factor, mejorando as la interpretacin de factores.
Quartimax el objetivo es que cada variable tenga correlaciones elevadas con un
pequeo nmero de factores. Para ello busca maximizar la varianza de las cargas
factoriales al cuadrado de cada variable en los factores, es decir, el mtodo trata
de maximizar la funcin.
Equimax Es un hbrido de las anteriores en intentar optimizar a la vez por variables
y por factores.

3
1
3
Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

11

X. TIPOS DE ROTACIONES NO ORTOGONALES
Hay otro tipo de rotaciones que no son ortogonales y que se conocen como rotaciones
oblicuas. Estos mtodos se utilizan si las rotaciones ortogonales no producen resultados
satisfactorios.

Los ms utilizados son los mtodos oblimin y promax.

En este caso despus de rotar los factores s estn correlacionados y las cargas no se
pueden interpretar como la correlacin entre variables y factores. Por lo tanto habr que
considerar la matriz de correlacin entre los factores para comprobar lo que nos alejamos
de la no correlacin entre factores.

XI. CALCULO DE PUNTUACIN FACTORIAL

Una vez determinados los factores rotados el siguiente paso es calcular la matriz de
puntuaciones factoriales F. Las posibilidades de analizar las puntuaciones factoriales de los
sujetos son muy variadas segn lo que se pretenda:

Conocer qu sujetos son los ms raros o extremos, es decir, la representacin
grfica de las puntuaciones factoriales para cada par de ejes factoriales puede
ayudar a detectar casos atpicos.
Conocer dnde se ubican ciertos grupos o subcolectivos de la muestra (los jvenes
frente a los mayores, los de clase alta frente a los de baja, los ms catlicos frente
a los no catlicos, los de una provincia frente a los de otras provincias, etc).
Conocer en qu factor sobresalen unos sujetos y en qu factor no, etc.
Explicar, analizando las informaciones anteriores, por qu han aparecido dichos
factores en el anlisis realizado.

En otras ocasiones un paso previo a otros anlisis, como por ejemplo, Regresin Mltiple
o Anlisis Cluster, en los que se sustituye el conjunto de variables originales por los
factores obtenidos. Por ello, es necesario conocer los valores que toman los factores en
cada observacin.





Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

12

Mtodos de clculo de las puntuaciones: Existen diversos mtodos de estimacin de la
matriz F. Las propiedades deseables que verificasen los factores estimados son:

Cada factor estimado tenga correlacin alta con el verdadero factor.
Cada factor estimado tenga correlacin nula con los dems factores verdaderos.
Los factores estimados sean incorrelacionados dos a dos, es decir, mutuamente
ortogonales si son ortogonales.
Los factores estimados sean estimadores insesgados de los verdaderos factores.

Sin embargo, por la propia naturaleza de los factores comunes, el problema de su
estimacin es complejo. Se puede demostrar que los factores no son, en general,
combinacin lineal de las variables originales. Adems, en la mayora de las situaciones, no
existir una solucin exacta ni siquiera ser nica.

Todos los mtodos de obtencin de puntaciones factoriales parten de la expresin:

X = F + U con E*U+=0, Var*U+ =
a partir de la cual buscan estimar el valor de F.

Tres de los mtodos de estimacin ms utilizados son los siguientes:

Mtodo de regresin: Estima F mediante el mtodo de los mnimos cuadrados

F= () X

Mtodo de Barlett: Utiliza el mtodo de los mnimos cuadrados generalizados estimando
las puntuaciones factoriales mediante:

F= ( ) X

Mtodo de Anderson-Rubin: Estima F mediante el mtodo de los mnimos cuadrados
generalizados pero imponiendo la condicin adicional FF = I

F= ( R) X
Comparacin de los tres mtodos

Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

13

El mtodo de regresin da lugar a puntuaciones con mxima correlacin con las
puntuaciones tericas. Sin embargo, el estimador no es insesgado, ni unvoco y, en
el caso de que los factores sean ortogonales, puede dar lugar a puntuaciones
correlacionadas.
El mtodo de Bartlett da lugar a puntuaciones correlacionadas con las
puntuaciones tericas, insesgadas y unvocas. Sin embargo, en el caso de que los
factores sean ortogonales, puede dar lugar a puntuaciones correlacionadas.
El mtodo de Anderson-Rubin da lugar a puntuaciones ortogonales que estn
correlacionadas con las puntuaciones tericas. Sin embargo, el estimador no es
insesgado ni es unvoco.

XII. VALIDACIN DEL MODELO
El ltimo paso en el Anlisis Factorial es estudiar la validez del modelo. Dicha validacin
debe hacerse en dos direcciones: analizando la bondad de ajuste del mismo y la
generabilidad de sus conclusiones.

Bondad de ajuste

Una suposicin bsica subyacente al Anlisis Factorial es que la correlacin observada
entre las variables puede atribuirse a factores comunes. Por consiguiente, las
correlaciones entre variables pueden deducirse o reproducirse a partir de las
correlaciones estimadas entre las variables y los factores. A fin de determinar el ajuste del
modelo, pueden estudiarse las diferencias entre las correlaciones observadas (como se
dan en la matriz de correlacin de entrada) y las correlaciones reproducidas (como se
estiman a partir de la matriz factorial). Estas diferencias se conocen como residuos. Si el
modelo factorial es adecuado entonces estos residuos deben ser pequeos. Si existe un
porcentaje elevado de residuos superiores a una cantidad pequea prefijada (por
ejemplo, 0.05), esto ser indicativo de que el modelo factorial estimado no se ajusta a los
datos. Se sabe adems que hay ms estabilidad en los resultados si el nmero de casos
por variable es alto.


Generalidad de los resultados

Tambin es adecuado refrendar los resultados del primer anlisis factorial realizando
nuevos anlisis factoriales sobre nuevas muestras extradas de la poblacin objeto de
estudio y, caso de no ser posible esto ltimo, sobre submuestras de la muestra original. En
Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

14

cada caso se estudiara qu factores de los calculados son replicados en los distintos
anlisis llevados a cabo. Otra posibilidad es realizar nuevos anlisis factoriales modificando
las variables consideradas bien sea eliminando aquellas variables que no tienen relacin
con ningn factor o eliminando las variables con relaciones ms fuertes tratando de
descubrir cmo se comporta el resto de ellas sin su presencia.
Otro de los procedimientos metodolgicos y estadsticos que complementan y
profundizan las interpretaciones que se deducen del anlisis factorial consiste en la
realizacin de otros anlisis factoriales en base, no al conjunto total de la muestra o
poblacin, sino referido a subcolectivos o grupos que estn presentes en esa muestra y
que pueden formarse utilizando las categoras de las variables primarias: sexo, clase
social, tipo de centro, tipo de metodologa pedaggica, tipos sociolgicos, tipos de actitud,
etc. Lo que se desprende de los trabajos e investigaciones que han utilizado este
procedimiento es que normalmente la interpretacin que se da y que es vlida para el
conjunto total de sujetos debe modificarse, en algunos casos sustancialmente, cuando se
refiere a esos subcolectivos. En caso de ser as, se deriva en una doble conclusin:
Las variables se comportan en el Anlisis Factorial de distinta forma segn de qu
muestra se trate.
No existe el sujeto tipo sino que existen diferentes tipos de sujetos en la
muestra global.
Finalmente se debera plantear un Anlisis Factorial Confirmatorio para comprobar los
resultados obtenidos en la versin Exploratoria.
















Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

15


XIII. EJEMPLO

Unos estudiantes son sometidos a diversos test en distintas materias para medir sus
actitudes intelectuales. Como consecuencia, se obtienen una serie de puntuaciones
estandarizadas en Matemticas (Ma), Fsica (Fi), Qumica (Qu), Ingls (In), Historia (Hi) y
Dibujo (Di).

El modelo factorial viene dado por las ecuaciones

Los factores comunes estn estandarizados e incorrelacionados


Los factores especficos tienen media 0 e incorrelacionados

Ambos tipos de factores estn incorrelacionados


La matriz de cargas factoriales

Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

16



Comunalidad y Especificidad:

La Comunalidad en Matemticas es h2MA 0,68 y la Especificidad MA 0,32


La Comunalidad en Dibujo es hDI 0,785 y la Especificidad DI 0,215

Anlogamente,


Como las puntuaciones estn estandarizadas, la matriz de varianzas y covarianzas coincide
con la matriz de correlaciones:

Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

17




XIV. CONCLUSIN

El anlisis factorial es una tcnica de reduccin de datos que ayuda a expresar la
informacin encontrada en un conjunto de datos con un nmero menor de variables sin
cambiar la informacin, esto facilita el anlisis de la misma.

Es importante realizar un buen planteamiento del problema en la seleccin de las
variables y en la de los objetos sobre las que deben ser evaluados. De igual manera
conocer qu factores queremos medir y elegir las variables con relacin a estas es vital
para este mtodo. Realizando esto, el anlisis factorial va a arrojarnos datos precisos y los
esperados.

Sin embargo, es necesario tener en cuenta que los datos obtenidos no siempre sern los
reales ya que como cualquiera de los otros mtodos tiene un margen de error, por esto la
utilizacin de un segundo mtodo ser de gran ayuda para que los resultados finales sean
totalmente confiables.

Conviene insistir, finalmente, en la importancia que tiene realizar un buen planteamiento
del problema tanto en la seleccin de las variables a analizar como en la de los objetos
sobre las que deben ser medidos. Es muy conveniente tener un conocimiento previo de
qu factores queremos medir y elegir las variables de acuerdo con los mismos. Actuando
de esta manera el anlisis gana en potencia y generalidad aumentando significativamente
el grado de inteligibilidad de los resultados obtenidos.


Universidad Iberoamericana


Facultad de Administracin y Negocios
Ingeniera Comercial

18
















XV. BIBLIOGRAFIA


www.aniorte-nic.net/apunt_metod_investigac4_5.htm
www.ciberconta.unizar.es/LECCION/factorial/FACTORIALEC.pdf
www.cienciaytrabajo.cl/pdfs/35/pagina276.pdf
www.eumed.net/libros/2006c/203/2f.htm
www.eumed.net/libros/2011c/986/Analisis%20factorial%20sobre%20la%20satisfaccion.htm
www.ingenieria.peru-v.com/analisis_factorial/uso_de_analisis_factorial.html
www.lluisvives.com/servlet/SirveObras/46860175104026839600080/006458_6.pdf
www.mitecnologico.com/Main/ConceptosBasicosDise%F1osFactoriales