Guía para hacer Análisis de Componentes Principales (ACP) con el software SPSS

Lorena López Lozada (Marzo, 2022)

Para ilustrar la ruta del procedimiento con los resultados en el software SPSS se utilizó una base de datos con
10 variables del repositorio de ejemplos del software STATISTICA (Factor.sta).

1. En el menú principal elegir Analizar y la opción Reducción de dimensiones y Factor.

2. Seleccionar las variables para el ACP y dar clic en la flecha para pasarlas a la cajita Variables.
3. Ir a Extracción… para elegir

3.1 Método: Componentes principales

3.2 En Analizar elegir Matriz de correlaciones o Matriz de covarianzas para ejecutar el ACP.

Comunalidad – Matriz de correlaciones. Este término se usa para nombrar a la variación explicada por la
solución de factores para cada variable y por estar estandarizadas, el valor máximo posible de la
comunalidad es de 1. Mientras más se aproxime el valor de la comunalidad a 1 quiere decir que se explicó
mejor la variable.

Comunalidades
Inicial Extracción
WORK_1 1,000 ,690
WORK_2 1,000 ,818
WORK_3 1,000 ,765
HOBBY_1 1,000 ,887
HOBBY_2 1,000 ,769
HOME_1 1,000 ,698
HOME_2 1,000 ,833
HOME_3 1,000 ,741
MISCEL_1 1,000 ,906
MISCEL_2 1,000 ,813
Método de extracción: Análisis de
Componentes principales.

El valor de la comunalidad total se obtiene elevando al cuadrado cada Carga (loading) (0,6532 = 0,426; -0,5142
= 0,264; …) y sumándolo por cada variable (0,426 + 0,264 = 0,691) como se ilustra en la tabla siguiente:
 a
Matriz de componentes

Componente al cuadrado al cuadrado

1 = F1 (peso o 2 = F2 (peso o 2 Comunalidad
carga o loading)
F1 F2
2
carga)
WORK_1 0,653 -0,514 0,426 0,264 0,691
WORK_2 0,757 -0,495 0,573 0,245 0,818
WORK_3 0,746 -0,457 0,557 0,209 0,765
HOBBY_1 0,942 0,022 0,887 0,000 0,888
HOBBY_2 0,876 -0,052 0,767 0,003 0,770
HOME_1 0,576 0,605 0,332 0,366 0,698
HOME_2 0,671 0,618 0,450 0,382 0,832
HOME_3 0,642 0,574 0,412 0,329 0,742
MISCEL_1 0,952 -0,014 0,906 0,000 0,907
MISCEL_2 0,9 -0,048 0,810 0,002 0,812
Método de extracción: Análisis de componentes
principales.
6,121 1,801 eingenvalores

a. 2 componentes extraídos

Porcentaje de variación explicada (Matriz de covarianzas). Representa la relación entre la variación

explicada por el factor, con respecto a la variación máxima, la cual es igual al número de variables, ya
que cada una de ellas tiene una variación de uno por estar estandarizadas. Por lo tanto, la mayor
variación que se puede llegar a explicar sería la suma de las variaciones de cada variable. A mayor
porcentaje de varianza explicada quiere decir que el factor está explicando mejor a la variable.

3.3 En Visualización elegir Gráfico de sedimentación (Scree Plot en STATISTICA) para visualizar el gráfico de
eingenvalores. Este corresponde a las comunalidades.

3.4 En Extraer,

Basado en autovalor. Aquí colocar el valor “0” para obtener todos los valores correspondientes a los
eingenvalores.
Eigenvalor. Se usa este término para denominar a la variación que cada uno de los componentes logra explicar
del conjunto de variables. Para calcular el Eigenvalor, cada carga (Matriz de componentes) se eleva al
cuadrado (0,6532 = 0,426; -0,5142 = 0,264; …) y se suma por cada factor (0,426 + 0,573 + … + 0,810 =
0,6121) como se ilustra en la tabla siguiente:
a
Matriz de componentes

Componente al cuadrado al cuadrado

1 = F1 (peso o 2 = F2 (peso o 2
carga) carga)
F1 F2
2

WORK_1 0,653 -0,514 0,426 0,264

WORK_2 0,757 -0,495 0,573 0,245
WORK_3 0,746 -0,457 0,557 0,209
HOBBY_1 0,942 0,022 0,887 0,000
HOBBY_2 0,876 -0,052 0,767 0,003
HOME_1 0,576 0,605 0,332 0,366
HOME_2 0,671 0,618 0,450 0,382
HOME_3 0,642 0,574 0,412 0,329
MISCEL_1 0,952 -0,014 0,906 0,000
MISCEL_2 0,9 -0,048 0,810 0,002
Método de extracción: Análisis de componentes principales. 6,121 1,801 Eigenvalor
a. 2 componentes extraídos

Número fijo de factores. Aquí colocar el número de componentes que es igual al número de variables.
En este ejemplo son dos factores que tiene sentido extraer. Por lo que al ejecutar ACP se ha indicado 2 y no 10.
Clic en Continuar.

El resultado es la Carga de factor (Loading o correlaciones). Este término se le da a la relación que llegan a
tener cada una de las variables con cada uno de los factores o componentes. Es una medida de correlación
entre cada variable y un factor.

a
Matriz de componentes

Componente

1 2

WORK_1 ,653 -,514

WORK_2 ,757 -,495

WORK_3 ,746 -,457

HOBBY_1 ,942 ,022

HOBBY_2 ,876 -,052

HOME_1 ,576 ,605

HOME_2 ,671 ,618

HOME_3 ,642 ,574

MISCEL_1 ,952 -,014

MISCEL_2 ,900 -,048

Método de extracción: Análisis de componentes

principales.
a. 2 componentes extraídos
Es posible expresar cada variable en función de los factores.
Modelo 1j, donde j indica el número de variables. Haciendo una combinación lineal de estos utilizando sus
cargas factoriales (loading) respectivas (Ejemplo: Variable 1 = (Carga 1 * Factor 1) + (Carga 2 * Factor 2).
X1 = (C1 x F1) + (C2 x F2)
De este modo, los modelos que expresan o representan a las variables en función de las dos componentes
extraídas quedan de la forma siguiente:
1. WORK_1 = 0,653 F1 – 0,514 F2
2. WORK_2 = 0,757 F1 - 0,495 F2

3. WORK_3 = 0,746 F1 - 0,457 F2

4. HOBBY_1 = 0,942 F1 + 0,022 F2

5. HOBBY_2 = 0,876 F1 - 0,052 F2

6. HOME_1 = 0,576 F1 + 0,605 F2

7. HOME_2 = 0,671 F1 + 0,618 F2

8. HOME_3 = 0,642 F1 + 0,574 F2

9. MISCEL_1 = 0,952 F1 - 0,014 F2

10. MISCEL_2 = 0,900 F1 - 0,048 F2

4. Ir a Rotación… para obtener el Gráfico de saturaciones (biplot) que corresponde al gráfico de los
componentes (pesos, cargas, loading o correlaciones).
5. Ir a Puntuaciones… para obtener los coeficientes y los índices estimados

5.1 Elegir Guardar como variables para guardar los índices o nuevas variables al lado de las variables originales

Es posible almacenar las puntuaciones factoriales (índices o Score) obtenidas a partir del análisis factorial en la
base de datos, es decir, se puede añadir m nuevas variables que representen los m factores extraídos.

5.2 Elegir Mostrar matriz de coeficientes de las puntuaciones factoriales

Son los coeficientes por los cuales se multiplican las variables para obtener las puntuaciones factoriales
 Matriz de coeficientes para el cálculo de las puntuaciones en las componentes

Componente

1 2 3 4 5 6 7 8 9 10

WORK_1 ,107 -,286 ,638 1,076 ,043 -,433 -,261 -,131 ,580 ,046
WORK_2 ,124 -,275 -,167 -,519 ,286 -,587 1,206 ,957 ,751 ,143

WORK_3 ,122 -,254 -,222 ,076 ,646 1,439 -,173 ,114 -,130 ,457

HOBBY_1 ,154 ,012 ,027 ,005 -,380 -,320 ,122 ,009 -1,763 2,015
HOBBY_2 ,143 -,029 ,211 -,795 ,050 -,311 -1,598 -,150 ,643 ,211

HOME_1 ,094 ,336 1,038 -,282 ,355 ,392 ,741 -,140 ,029 -,229

HOME_2 ,110 ,343 -,266 ,392 -,709 ,354 -,145 1,180 1,054 ,566
HOME_3 ,105 ,319 -,568 ,374 1,143 -,545 -,058 -,469 ,050 ,011

MISCEL_1 ,156 -,008 -,106 ,065 -,242 -,043 -,184 ,562 -1,136 -2,623

MISCEL_2 ,147 -,027 -,321 -,085 -,714 ,173 ,615 -1,718 ,636 -,355
Método de extracción: Análisis de componentes principales.
Puntuaciones de componentes.

Clic en Continuar

Modelo 2. Es la representación del Factor 1 o Componente 1 (Component loading):

Factor = Componente
Desde el punto de vista matemático un factor o componente es una combinación lineal de variables originales
de la investigación y está representado por la ecuación siguiente:

Facto 1 o CP1 = Fij = Ai1 * Z1j + Ai2 * Z2j + Ai3 * Z3j +…+ Aik * Zkj

donde:
i: número de factor
j: número de individuo o de caso
k: número de variable
A: La importancia que tiene cada variable, con respecto a la característica obtenida. Es decir, los loading
factors, autovectores, o eigenvectors son los coeficientes de la ecuación de cada componente principal
Z: Son las variables Estandarizadas

El Componente Principal 1 (CP 1) está representado por la ecuación siguiente:

CP1 = 0.653 * Z1 + 0.757 * Z2 + 0.746 * Z3 + 0.942 * Z4 + 0.876 * Z5 + 0.576 * Z6 + 0.671 * Z7 + 0.642 * Z8 +

0.952 * Z9 + 0.900 * Z10

El Componente Principal 2 (CP 2) está representado por la ecuación siguiente:

CP2 = -0,514 * Z1 -0,495 * Z2 -0,457 * Z3 + 0,022 * Z4 -0,052 * Z5 + 0,605 * Z6 + 0,618 * Z7 + 0,574 * Z8 -0,014
* Z9 -,048 * Z10

Es importante darle un nombre a cada componente.