DIVISION DE NEGOCIOS

DEPARTAMENTO DE
ADMINISTRACIN

Seminario de
Investigacin de
mercados
Ma 7:00 a 9:55 hrs.
PR 2016.

SPSS Manual de
Anlisis de Factores.

Este documento es una gua para la implementacin del anlisis de factores en SPSS.
NOTA: Para estos ejercicios se usar el archivo USE_TECH.sav que se encuentra
ubicado en el mismo folder que el presente manual. Este archivo muestra las
calificaciones, entre otra informacin, de la evaluacin de profesores de diversas
clases en una institucin educativa, en referencia a la facilidad con la que se puede
aplicar la tecnologa en sus clases, como parte del proceso de enseanza. Los datos
de las variables son los siguientes:
VARIABL
E
Q31A2
Q31A3
Q31A4
Q31A5
Q31A6
Q31A7
Q31A8
Q31A9
Q31A10
Q31A11
Q31A12

EXPLICACIN
Dificultad de aplicar la tecnologa en una
clase de fundamentos de Matemticas
Dificultad de aplicar la tecnologa en una
clase de Clculo Avanzado I
Dificultad de aplicar la tecnologa en una
clase de Trigonometra
Dificultad de aplicar la tecnologa en una
clase de Clculo
Dificultad de aplicar la tecnologa en una
clase de Matemticas Avanzadas
Dificultad de aplicar la tecnologa en una
clase de fundamentos de Estadstica Bsica
Dificultad de aplicar la tecnologa en una
clase de Anlisis Multivariado
Dificultad de aplicar la tecnologa en una
clase de Literatura Universal
Dificultad de aplicar la tecnologa en una
clase de Literatura Romnica
Dificultad de aplicar la tecnologa en una
clase de Tendencias Globales
Dificultad de aplicar la tecnologa en una
clase de Visin Internacional.

VALORES VLIDOS

1= Ms difcil aplicar
tecnologa en esta clase.
2= Difcil aplicar
tecnologa en esta clase.
3=Ni difcil ni fcil
aplicar tecnologa en
esta clase
4= Fcil aplicar
tecnologa en esta clase
5= Muy fcil aplicar
tecnologa en esta clase

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
El objetivo es, entonces, encontrar un arreglo de condense a estas 8 variables en un
nuevo set de variables llamados factores , que agruparn a una o ms variables, y
que mantendrn su esencia, es decir, las resumirn adecuadamente. Veamos cmo
se corre el anlisis en SPSS.
Al abrir el archivo USE_TECH en SPSS, se ver la siguiente pantalla:

Seleccione el men Analizar, luego el submen Reduccin de dimensiones y despus

Factor:

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN

El siguiente cuadro de dilogo aparecer:

Deberemos seleccionar las variables que vamos a resumir (que vamos a tratar
integrar en factores) en el recuadro Variables. Dichas variables son Q31A2 hasta la
Q31A12:

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN

Seleccionemos ahora el botn Descriptivos:

De las opciones que se muestran, seleccionaremos: Solucin inicial, de la seccin

Estadsticas. De la seccin Matriz de correlaciones seleccionarn: coeficientes, niveles
de significancia y KMO y test de esfericidad de Bartlett. Clck en Continuar.

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN

Debemos seleccionar ahora el botn Extraccin.

De esta seccin, deberemos seleccionar del men Mtodos, ya sea la opcin de

Componentes principales, si es que pretendemos analizar la totalidad de la varianza
entre las variables (la comn y la especfica) o los mtodos de varianza comn (que
slo considerarn la varianza que comparten las variables estudiadas). Los mtodos

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
de extraccin de varianza comn son: mnimos cuadrados generalizados y mnimos
cuadrados no ponderados. SPSS muestra otros mtodos de extraccin de factores,
puede revisarse su explicacin en el manual anexo FactorExpliComandosSPSS que se
encuentra en la misma ubicacin que este documento.
Seleccionaremos, adems, de la seccin Analizar, que muestre la matriz de
correlaciones. En la seccin Mostrar (Display), se seleccionar la opcin solucin de
factores no rotada (esta es la solucin de factores que no contempla ningn proceso
de rotacin. Debemos seleccionar la opcin Scree text plot que se usar en la
decisin de la solucin de factores.
Dentro de la seccin Extraer (Extract), se indica a SPSS la cantidad de factores que se
desean en la solucin (1, 2, 3 o hasta 8 factores para nuestro ejemplo, dado que
tenemos 8 variables en nuestro anlisis). En el caso de que estemos realizando un
anlisis exploratorio, es conveniente pedir a SPSS que integre una solucin que
contemple slo a los factores con un eigenvalor (autovalor) mayor a 1. Recordemos
que el auto valor o eigenvalor en el anlisis de factores representa la cantidad de
variacin que la construccin de nuevos valores ola solucin de factores) explica al
conformar esta nueva formacin de variables. A mayor autovalor tenga un factor,
mejor ser su agrupacin de variables contenidas, en otras palabras, ser ms
consistente en cuanto a las variables que agrupa. La conformacin de factores
adicionales contribuir en menor grado a la explicacin de la variabilidad de la
solucin respecto a los primeros factores formados, pero a nivel global pueden
contribuir a tener un modelo de factores ms lgico y congruente. Tambin en SPSS,
en esta misma seccin (Extraer), se puede definir un nmero de factores especfico a
extraer, si es que se pretende confirmar una hiptesis (por ejemplo, si un conjunto de
respuestas de clientes puede definir 4 grupos de consumidores diferentes), entonces
se usa esta opcin (se sealan entonces 4 factores a extraer). En este caso,
dejaremos indicado el criterio de extraccin de factores con un eigenvalor mayor a 1:

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN

A continuacin debe dar clck en el botn Rotacin (Rotation):

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
Las opciones a seleccionar en esta ventana son: en la seccin Mtodo (Method):
Varimax. En la seccin Mostrar (Display), se deber seleecionar la opcin Solucin
rotada (Rotated Solution):

Recordemos que Varimax es un mtodo de extraccin de factores ortogonal, es decir,

que la solucin de produce factores que tienden a ser independientes entre s. El
mtodo oblicuo no tiene esta restriccin, y sus opciones son mostradas por SPSS
como Direct Oblimin.
Se solicita tambin la solucin rotada para que SPSS efecte la rotacin de factores y
se busque, como parte del anlisis, una mejor solucin al rotar los factores en el plano
o nube de puntos. Una solucin no rotada es una solucin no optimizada en el anlisis
de factores.
Seleccionemos ahora el botn Puntuaciones (Scores):

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN

En esta seccin le solicitamos a SPSS que calcule y guarde los valores para las
nuevas variables, que son los factores. Las nuevas variables aparecern al final de la
base de datos que estamos analizando, y su tratamiento es como cualquier otra
variable, es decir, pueden seguir el mismo tratamiento que otra variable usarlas para
anlisis posteriores. De las opciones, seleccionaremos la casilla Salvar como variables
Save as variables y en el mtodo de clculo, seleccionaremos Regresin. Damos
clck en Continuar.

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN

Finalmente, seleccionemos el botn Opciones (Options) de la ventana principal del

anlisis:

En esta seccin, indicamos a SPSS el tratamiento que deber darse a los valores
perdidos encontrados. Seleccionaremos la opcin Excluir casos por lista (Exclude
cases list wise). Tenemos la opcin de indicarle a SPSS que complete los datos
faltantes con la media de las variables, o pueden usarse los mtodos de imputacin
vistos en clase. En la seccin Formato de los coeficientes mostrados (Coeffcient

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
Display Format) seleccionaremos la opcin Listados por tamao (Sorted by Size). Con
esta opcin le indicamos a SPSS que muestre las cargas de factores en forma
descendente en la tabla Matriz de componentes no rotada y rotada, y sea ms fcil la
asignacin de las variables a los factores. Presionamos Continuar.

Finalmente damos clck en OK en el cuadro de dilogo principal del anlisis:

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN

Los resultados del anlisis completos se muestran en el Anexo 1: Listado de

resultados. Analizaremos en detalle los resultados mostrados por SPSS.
Matriz de Correlaciones. A travs de esta matriz nos aseguramos de que exista
correlacin entre las variables a analizar, de tal manera que una solucin de factores
sea factible. Un set de variables analizadas que no posean correlacin entre ellas,
representar un anlisis de factores fallido o difcil de establecer.

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
La imagen mostrada es la matriz de correlaciones entre las variables del estudio, y
podemos observar que s hay altas correlaciones entre las variables, y stas son
significativas con un alfa del 5%. Es factible entonces realizar un anlisis de factores
con este conjunto de variables.
Test de esfericidad y KMO. Estas pruebas determinan la viabilidad del anlisis de
factores para el conjunto de variables analizadas. El test KMO o medida de adecuacin
muestral Kaiser-Meyer-Olin vara entre 0 y 1 y analiza los coeficientes de correlacin
observados contra los coeficientes de correlacin parcial, es decir, verifica su
magnitud y validez. Medidas KMO de 0.5 o menores indican que el anlisis de factores
no es viable. Por otro lado, el test de esfericidad de Bartlett prueba la siguiente
hiptesis Nula: La matriz de correlaciones de las variables analizadas es una matriz
identidad (nicamente unos en la diagonal y ceros en el resto de las ubicaciones de la
matriz, lo que implicara que no existira correlacin alguna entre las variables
analizadas). Debe contrastarse la significancia de la prueba contra un alfa de 0.05 y
verificar si debe aceptarse o rechazarse Ho. Si se acepta Ho (significancia mayor a
0.05) entonces en anlisis de factores para el set de variables analizadas no es viable.
Los valores obtenidos son:

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Bartlett's Test of Sphericity

Approx. Chi-Square
df
Sig.

.892
1050.160
55
.000

Se demuestra mediante las dos pruebas que es factible proseguir con el arreglo
factorial de las variables analizadas.
Tabla de varianza total explicada. A continuacin analizaremos en la tabla que
muestra el detalle de la solucin obtenida, de acuerdo al criterio de seleccin del
nmero de factores a extraer que le indicamos a SPSS: integrar a la solucin a los
factores que mostraran un eigenvalor mayor a 1:

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
Total Variance Explained
Initial Eigenvalues
Componen
t

Total

Extraction Sums of Squared Loadings

% of

Cumulative

Variance

Total

% of

Cumulative

Variance

Rotation Sums of Squared Loadings

Total

% of

Cumulative

Variance

6.151

55.915

55.915

6.151

55.915

55.915

5.360

48.725

48.725

1.843

16.756

72.672

1.843

16.756

72.672

2.634

23.946

72.672

.550

5.004

77.676

.523

4.758

82.434

.440

4.000

86.433

.398

3.621

90.054

.316

2.877

92.931

.308

2.802

95.733

.204

1.858

97.590

10

.178

1.622

99.212

11

.087

.788

100.000

Extraction Method: Principal Component Analysis.

Recordemos que la solucin mxima es de 11 factores (1 factor para cada una de las
variables), aunque esta perspectiva no es factible, pues lo que se desea es hacer una
reduccin de variables. SPSS arroja una solucin de 2 factores, pues recurdese que le
indicamos que contemplara slo los factores con un eigenvalor mayor a 1. Esta
solucin de 2 factores explica el 72.6% de la varianza total del modelo. Entindase por
varianza total a la varianza que todas las variables en el anlisis comparten, y dicha
solucin de factores explica, pues dichos factores agrupan a las variables, por lo que
se pierde algo de la varianza al realizar dicha agrupacin: los factores resumen las
variables, y ese resumen implica prdida de detalle. Al realizar un anlisis de factores,
se pretende obtener la mayor explicacin de la varianza en el modelo con el menor
nmero de factores.
El cuadro demuestra entonces que mediante la integracin de dos factores (es decir,
si todas las 11 variables se integraran a slo 2 factores) se explicara el 72% de su
varianza. Parece ser una buena solucin, pues la reduccin que se tiene implica ir de
11 variables, a slo 2, perdiendo slo 28% de su detalle o varianza. La misma tabla
demuestra que una solucin de 11 factores (uno por cada variable) explica el 100% de
la varianza, y cada factor que se aada a la solucin contribuir a explicar ms
varianza.
Scree test. Este grfico demuestra visualmente si la solucin de factores definida es
viable, pues muestra una grfica que, en el eje y, seala el eigenvalor obtenido, y en

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
el eje x, muestra el nmero de factores en la solucin en otras palabras, ofrece
visualmente el eigenvalor de cada factor que se aade. A ms factores aadidos,
menor ser su eigenvalor:

Del grfico anterior, puede verse que el factor posee un eigenvalor de 6.1, el segundo
factor tiene uno de 1.8 y el tercero de .55, y as sucesivamente. Al unir cada punto con
una lnea, nos daremos cuenta en qu momento la adicin de factores a la solucin
refleja un eigenvalor muy pequeo, esto indica que el factor adicional ya no aporta
explicacin de la varianza total en forma significativa. Otra forma de ver esto es
identificar el punto en que la pendiente de la recta formada por la unin de los puntos
de la recta se estabiliza y no cambia en forma importante. En nuestro caso, la
pendiente de la recta se estabiliza al aadir a la solucin un cuarto factor, por lo que
una solucin de 3 factores sera ptima. Esto contrasta con la solucin de dos factores
inicial.
Matriz de componentes rotada. Esta tabla muestra las cargas de factores que
cada variable demuestra para la solucin de factores, en otras palabras, son los
puntajes que se considerarn para asignar a cada variable a los factores. Los criterios
que se usan para asignar una variable a un factor son:
a) A mayores cargas de factores positivas, se asignar la variable a cada
factor.

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
b) Si las cargas son negativas, y mientras ms negativas sean, es un
indicador de que esa variable no corresponde a dicho factor.
c) Si las cargas para una variable no son fuertes (entre 0.1 o -0.1), la variable
se asignar al factor que muestre la carga ms positiva.
Veamos en nuestro ejemplo:

Rotated Component Matrixa

Component
1

Multariate analys

.907

.067

Basic statistics

.897

.029

Calculus

.885

.233

Math fundamentals

.883

.110

Adv Calculus I

.812

.260

Advanced math

.776

.268

Trygonometry

.740

.333

Int vision

.170

.828

-.084

.811

Global trends

.309

.733

Literature

.478

.657

Romanic let

Extraction Method: Principal Component

Analysis.
Rotation Method: Varimax with Kaiser
Normalization.
a. Rotation converged in 3 iterations.

Las variables asignadas al factor 1 son: Anlisis multivariante, estadstica bsica, cclulo, matemticas
fundamentales, clculo avanzado 1, matemticas avanzadas y trigonometra. Este factor se puede denominar:
CIENCIAS EXACTAS. El factor 2 se integra de las variables: Visin internacional, literatura romnica,
tendencias globales y literatura Universal. Este factor se puede nombrar como HUMANIDADES.
Esta solucin se aprecia como final, si no se tuviera la evidencia del Scree plot, que indicaba que una
solucin de 3 factores sera la ptima, as como las cargas de factores de la materia Literatura universal no
tienen una carga fuerte y definida para algn factor (aunque analizando su carga, ciertamente se asigna al
factor 2). Esta evidencia nos mueve a desarrollar una segunda corrida del anlisis, con una solucin de 3
factores. Recuerda que en la ventana del anlisis principal del anlisis de factores en SPSS, en botn
Extraccin ofrece al usuario la posibilidad de extraer una solucin con un nmero especfico de factores.
Para nuestro caso, seleccionaremos 3:

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN

La nueva matriz de componentes rotada que se obtiene, al correr el anlisis, es la siguiente:

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
Rotated Component Matrixa
Component
1

Multariate analys

.894

.151

-.071

Math fundamentals

.889

.109

.071

Basic statistics

.887

.113

-.083

Calculus

.854

.341

-.059

Adv Calculus I

.833

.166

.257

Advanced math

.750

.342

-.002

Trygonometry

.735

.313

.161

Int vision

.094

.911

.124

Global trends

.271

.706

.272

Literature

.437

.673

.189

-.025

.387

.890

Romanic let

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 5 iterations.

La estructura del primer factor CIENCIAS EXACTAS se mantiene intacta. El segundo factor
HUMANIDADES se le debe retirar la materia Literatura romnica, y slo queda en l las variables Visin
internacional, Tendencias globales y Literatura, bajo el mismo nombre de HUMANIDADES. La materia
Literatura Romnica se debe asignar a al tercer factor, que podemos denominar HUMANIDADES
INTERNCAIONALES. Esta solucin resulta lgica, pues para los encuestados, la complejidad de integrar
tecnologa a una clase de humanidades, compleja por su enfoque a un tipo de literatura europeo y antiguo.
Veamos cmo mejor la solucin en trminos de la variacin explicada:

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
La adicin de un factor ms increment el porcentaje de variacin explicada en un
5%, llevndola a un 77.7% de variacin total explicada o acumulada. Esta es una
solucin viable para nuestro ejemplo. Como escenario adicional, valdra la pena correr
un anlisis excluyendo a la variable Literatura romnica, pues mediante el anlisis de
la matriz de correlaciones esta variable no guarda alguna importante:

La tabla muestra que la variable Literatura romnica no guarda una correlacin fuerte
con alguna otra de las variables del estudio, incluso con las materiales ya catalogadas
como HUMANIDADES. (Recordemos que una correlacin fuerte comienza a partir de un
score de 0.6) Otra opcin que tenemos como investigadores es eliminar esta variable
y realizar el anlisis con 3 factores. La matriz de componentes rotada para esta
solucin es la siguiente:

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
Rotated Component Matrixa
Component
1

Multariate analys

.903

.185

.040

Basic statistics

.901

.169

-.005

Math fundamentals

.876

.154

.111

Calculus

.821

.224

.326

Adv Calculus I

.791

.150

.293

Advanced math

.703

.106

.491

Trygonometry

.670

.240

.404

Literature

.421

.823

.103

Int vision

.046

.808

.424

Global trends

.169

.385

.809

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 7 iterations.

La solucin de 3 factores sin la variable de Literatura romnica define bien a los

factores CIENCIAS EXACTAS, HUMANIDADES y un tercer factor que se denomina
NEGOCIOS INTERNACIONALES, que incluye a Tendencias globales, con un ajuste lgico
adecuado: las humanidades son diferentes a la materia de tendencias globales por su
grado de dificultad de integrar tecnologa a la clase. Esta solucin integra un 80% de
variacin total acumulada, lo que la hace muy factible:

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
Total Variance Explained
Initial Eigenvalues
Componen
t

Total

Extraction Sums of Squared Loadings

% of

Cumulative

Variance

Total

% of

Cumulative

Variance

Rotation Sums of Squared Loadings

Total

% of

Cumulative

Variance

6.056

60.557

60.557

6.056

60.557

60.557

4.847

48.473

48.473

1.416

14.156

74.713

1.416

14.156

74.713

1.707

17.073

65.546

.538

5.383

80.095

.538

5.383

80.095

1.455

14.549

80.095

.440

4.403

84.498

.408

4.080

88.578

.350

3.503

92.080

.313

3.128

95.208

.207

2.066

97.274

.184

1.843

99.117

10

.088

.883

100.000

Extraction Method: Principal Component Analysis.

Esta solucin es la final para nuestro anlisis.

ANEXO 1: LISTADO DE RESULTADOS DEL ANLISIS DE

FACTORES PARA LA BD USE_TECH.SAV. Criterio de
extraccin: factores con eigen valor mayor a 1.

FACTOR /VARIABLES Q31A2 Q31A3 Q31A4 Q31A5 Q31A6 Q31A7 Q31A8 Q31A9 Q31A10
Q31A11 Q31A12 /MISSING LISTWISE /ANALYSIS Q31A2 Q31A3 Q31A4 Q31A5 Q31A6 Q31A7
Q31A8 Q31A9 Q31A10 Q31A11 Q31A12 /PRINT INITIAL CORRELATION SIG KMO EXTRACTION
ROTATION /FORMAT SORT /PLOT EIGEN /CRITERIA MINEIGEN(1) ITERATE(25) /EXTRACTION
PC /CRITERIA ITERATE(25) /ROTATION VARIMAX /SAVE REG(ALL) /METHOD=CORRELATION.

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN

Factor Analysis

[DataSet3] C:\Users\Mayra\Desktop\NACHO\Ago-Dic 2014\SIM_Sa\Sesiones\SESIN

10\USE_TECH.sav

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
Correlation Matrix
Math fundamentals
Correlation

Sig. (1-tailed)

Math fundamentals

Adv Calculus I

Trygonometry

Calculus

1.000

.752

.681

.779

Adv Calculus I

.752

1.000

.654

.755

Trygonometry

.681

.654

1.000

.687

Calculus

.779

.755

.687

1.000

Advanced math

.650

.677

.631

.758

Basic statistics

.767

.670

.591

.745

Multariate analys

.744

.685

.629

.806

Literature

.471

.516

.558

.539

Romanic let

.071

.204

.194

.084

Global trends

.315

.431

.453

.441

Int vision

.246

.286

.349

.391

.000

.000

.000

.000

.000

Math fundamentals
Adv Calculus I

.000

Trygonometry

.000

.000

Calculus

.000

.000

.000

Advanced math

.000

.000

.000

.000

Basic statistics

.000

.000

.000

.000

Multariate analys

.000

.000

.000

.000

Literature

.000

.000

.000

.000

.000

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
Correlation Matrix
Advanced math
Correlation

Sig. (1-tailed)

Basic statistics

Multariate analys

Literature

Math fundamentals

.650

.767

.744

.471

Adv Calculus I

.677

.670

.685

.516

Trygonometry

.631

.591

.629

.558

Calculus

.758

.745

.806

.539

Advanced math

1.000

.633

.645

.480

Basic statistics

.633

1.000

.889

.456

Multariate analys

.645

.889

1.000

.496

Literature

.480

.456

.496

1.000

Romanic let

.133

-.002

.022

.405

Global trends

.437

.300

.341

.503

Int vision

.353

.203

.209

.605

Math fundamentals

.000

.000

.000

.000

Adv Calculus I

.000

.000

.000

.000

Trygonometry

.000

.000

.000

.000

Calculus

.000

.000

.000

.000

.000

.000

.000

.000

.000

Advanced math
Basic statistics

.000

Multariate analys

.000

.000

Literature

.000

.000

.000
.000

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
Correlation Matrix
Romanic let
Correlation

Int vision

Math fundamentals

.071

.315

.246

Adv Calculus I

.204

.431

.286

Trygonometry

.194

.453

.349

Calculus

.084

.441

.391

Advanced math

.133

.437

.353

Basic statistics

-.002

.300

.203

Multariate analys

.022

.341

.209

Literature

.405

.503

.605

1.000

.448

.492

Global trends

.448

1.000

.569

Int vision

.492

.569

1.000

Math fundamentals

.215

.000

.003

Adv Calculus I

.011

.000

.001

Trygonometry

.014

.000

.000

Calculus

.172

.000

.000

Advanced math

.068

.000

.000

Basic statistics

.493

.000

.011

Multariate analys

.403

.000

.009

Literature

.000

.000

.000

Romanic let

Sig. (1-tailed)

Global trends

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure

.892

of Sampling Adequacy.
Bartlett's Test of Sphericity

Approx. Chi-Square
df
Sig.

1050.160
55
.000

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
Communalities
Initial

Extraction

Math fundamentals

1.000

.791

Adv Calculus I

1.000

.727

Trygonometry

1.000

.658

Calculus

1.000

.838

Advanced math

1.000

.673

Basic statistics

1.000

.806

Multariate analys

1.000

.828

Literature

1.000

.660

Romanic let

1.000

.665

Global trends

1.000

.633

Int vision

1.000

.715

Extraction Method: Principal Component

Analysis.

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
Total Variance Explained
Initial Eigenvalues

Extraction Sums of Squared Loadings

Compo
nent

Total

% of Variance

Cumulative %

Total

% of Variance

Cumulative %

6.151

55.915

55.915

6.151

55.915

55.915

1.843

16.756

72.672

1.843

16.756

72.672

.550

5.004

77.676

.523

4.758

82.434

.440

4.000

86.433

.398

3.621

90.054

.316

2.877

92.931

.308

2.802

95.733

.204

1.858

97.590

10

.178

1.622

99.212

11

.087

.788

100.000

Extraction Method: Principal Component Analysis.

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
Total Variance Explained
Rotation Sums of Squared Loadings
Compo
nent

Total

% of Variance

Cumulative %

5.360

48.725

48.725

2.634

23.946

72.672

Extraction Method: Principal Component Analysis.

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN

Component Matrixa
Component
1

Calculus

.900

-.169

Multariate analys

.848

-.328

Adv Calculus I

.845

-.113

Math fundamentals

.844

-.279

Basic statistics

.823

-.358

Advanced math

.816

-.090

Trygonometry

.811

-.016

Literature

.713

.388

Global trends

.593

.530

Romanic let

.271

.769

Int vision

.509

.675

Extraction Method: Principal Component

Analysis.
a. 2 components extracted.

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
Rotated Component Matrixa
Component
1

Multariate analys

.907

.067

Basic statistics

.897

.029

Calculus

.885

.233

Math fundamentals

.883

.110

Adv Calculus I

.812

.260

Advanced math

.776

.268

Trygonometry

.740

.333

Int vision

.170

.828

-.084

.811

Global trends

.309

.733

Literature

.478

.657

Romanic let

Extraction Method: Principal Component

Analysis.
Rotation Method: Varimax with Kaiser
Normalization.
a. Rotation converged in 3 iterations.

DIVISION DE NEGOCIOS
DEPARTAMENTO DE
ADMINISTRACIN
Component Transformation
Matrix
Compo
nent

.904

.428

-.428

.904

Extraction Method: Principal

Component Analysis.
Rotation Method: Varimax with
Kaiser Normalization.