Pasos en SPSS del Método de Componentes Principales

Varimax
1.- Clic “Analizar” “Reducción de dimensiones” y “Factor”
2.- Ingresamos las variables que vamos analizar en este caso
deben ser solo variables cuantitativas
3.- En “Descriptivos” activamos:
Descriptivos univariados, Solución inicial, Kmo y prueba de
esfericidad de Bartlett, Anti-Imagen y Niveles de Significación
4.- En “Extracción” Activamos:
Método – Componentes Principales, “Mostrar” habilitamos
Gráficos de sedimentación y en “Número fijo de factores ”
Factores que extraer:2
5.- En “Rotacion” activamos:
-Varimax
6.- En “Puntuaciones” activamos “Guardar como variables”
mediante “Regresión” y habilitamos Mostrar matriz de
coeficientes de las puntuaciones factoriales
RESULTADOS
KMO: Aquellos valores menores que 0,5 no
son recomendables para utilizar un modelo de
análisis factorial.
Prueba de esfericidad de Barlett: Se analiza el
nivel de significancia, si este es menor que
0,05 se asume que hay correlación entre las
variables analizadas.
Matrices Anti-imagen:
Se analiza la correlación anti-imagen y
observamos el comportamiento de sus
números diagonales; mientras más se
acerquen a uno el modelo de análisis factorial
es aceptado si sus valores son menores a 0,5
el modelo no es óptimo para este caso. (se
puede contrastar con KMO)
Comunalidades: Las comunalidades con el método
componentes principales permite valorar cuáles de las
variables son peor explicadas por el modelo. En nuestro
ejemplo, la variable Salario es la peor explicada: el modelo sólo
es capaz de reproducir el 62,1% de su variabilidad original.
Matriz componente: Esta matriz lo que pretende
es dar a conocer las variables que tienen mayor
incidencia unas con otras y en que grupos pueden
ser clasificadas
En el ejemplo, las variables se agrupan en dos
categorías; el primer factor esta compuesto por
aquellas variables cuyos valores son de 0,5 en
adelante ( Apoyo entre compañeros, Integración a
la empresa, Recusos en el trabajo y ambiente de
trabajo); el segundo factor esta compuesto por
aquellas variables de menor incidencia con el
resto de variables (Salarios y Descuentos de
Nómina)
Matriz componente rotado: Optimiza las variables
extraídas en este caso agrupa en primer lugar las
variables de menor incidencia (Salarios y
Descuentos de Nómina) y seguidamente ubica los
factores que mas se relacionan entre si ( Apoyo
entre compañeros, Integración a la empresa,
Recusos en el trabajo y ambiente de trabajo).
Varianza total explicada: Los autovalores iniciales expresan la
cantidad de la varianza total que esta explicada por cada factor.
Por defecto, se extraen tantos factores como autovalores
mayores a 1.
En el ejemplo hay 2 autovalores mayores que 1, por lo que el
procedimiento extrae 2 factores que consiguen explicar un
70,13% de la varianza de los datos originales.
Gráfico de sedimentación: Contrasta los factores extraídos de la
varianza total explicada, en este se observa que el componente
1 y 2 son mayores que 1
Pasos en SPSS del Método de Componentes Principales
Oblimin
1.- Clic “Analizar” “Reducción de dimensiones” y “Factor”
2.- Ingresamos las variables que vamos analizar en este caso
deben ser solo variables cuantitativas
3.- En “Descriptivos” activamos:
Descriptivos univariados, Solución inicial, Kmo y prueba de
esfericidad de Bartlett, Anti-Imagen y Niveles de Significación
4.- En “Extracción” Activamos:
Método – Componentes Principales, “Mostrar” habilitamos
Gráficos de sedimentación y en “Número fijo de factores ”
Factores que extraer:2
5.- En “Rotacion” activamos:
-Oblimin directo
6.- En “Puntuaciones” activamos “Guardar como variables”
mediante “Regresión” y habilitamos Mostrar matriz de
coeficientes de las puntuaciones factoriales
RESULTADOS
KMO: Aquellos valores menores que 0,5 no
son recomendables para utilizar un modelo de
análisis factorial.
Prueba de esfericidad de Barlett: Se analiza el
nivel de significancia, si este es menor que
0,05 se asume que hay correlación entre las
variables analizadas.
Matrices Anti-imagen:
Se analiza la correlación anti-imagen y
observamos el comportamiento de sus
números diagonales; mientras más se
acerquen a uno el modelo de análisis factorial
es aceptado si sus valores son menores a 0,5
el modelo no es óptimo para este caso. (se
puede contrastar con KMO)
Comunalidades: Las comunalidades
con el método componentes
principales permite valorar cuáles de
las variables son peor explicadas por
el modelo. En nuestro ejemplo, la
variable Salario es la peor explicada:
el modelo sólo es capaz de
reproducir el 62,1% de su variabilidad
original.
Matriz de Patrón.- la matriz de patrón
informa de la contribución única de
cada variable al factor. La solución
factorial rotada oblicuamente informa
de la existencia de dos factores
latentes que agrupan todas las
variables, superando las cargas
factoriales los criterios para la
inclusión de 0,30 o 0,40 señalados en
el cual en el factor 1 se excluye
Ambiente de trabajo y Recursos en el
trabajo mientras que en el factor 2 se
excluye descuentos en nómina y
salarios
Matriz de estructura.- La matriz de
estructura contiene las correlaciones
de las variables con los factores de la
solución rotada. Estas correlaciones
representan la contribución bruta de
cada variable a cada factor.
Matriz componente: Esta matriz
lo que pretende es dar a conocer
las variables que tienen mayor
incidencia unas con otras y en
que grupos pueden ser
clasificadas
En el ejemplo, las variables se
agrupan en dos categorías; el
primer factor esta compuesto
por aquellas variables cuyos
valores son de 0,5 en adelante
( Apoyo entre compañeros,
Integración a la empresa,
Recusos en el trabajo y ambiente
de trabajo); el segundo factor
esta compuesto por aquellas
variables de menor incidencia
con el resto de variables (Salarios
y Descuentos de Nómina)
Método de componentes principales iteradas o Ejes
Principales
1.- Clic en analizar, Seleccionar la opción Reducción de datos >
Factor , para acceder al cuadro de diálogo Análisis factorial
2. Seleccionar el grupo de variables que se desea analizar y
trasladarlas a la lista de variables
3.- Pulsar en el botón Descriptivos del cuadro de diálogo
Análisis factorial, Seleccionar todas las opciones de los distintos
apartados.
4.- Pulsar en el botón Extracción... del cuadro de diálogo
Análisis factorial, En esta lista desplegable se puede seleccionar
el modelo factorial que será utilizado: Factorizacion Ejes
principales, activamos el grafico de sedimentación
 Análisis.- el segundo
6.- Resultados factor apenas explica un
20,46% de la varianza
total y su nuevo valor es
muy próximo a 1. Este
dato nos debe hacer
pensar que seguramente
el segundo factor de la
extracción no sea
relevante desde el punto
de vista de la proporción
de varianza que consigue
explicar.
Gráfico de
sedimentación.- es una
grafico resumen de la
varianza total explicada
en el cual nos resume y
el cual nos indica que los
dos primeros factores
son los más factibles.
MINIMOS CUADRADOS NO
PONDERADOS
1. Ingresamos los datos a SPSS
2. Vamos a analizar, reducción de dimensiones y factor
3. Pasamos todas las variables
4. En caso de agregar variable de selección, damos click en Valor,
y agregamos el número de variables de selección, en este caso 1
5. Damos click en descriptivos y activamos
todas las opciones.
6. En extracción escogemos el método de
Minimos Cuadrados no Ponderado.
7. En rotación no escogemos ningún método y
activamos la opción de grafico de saturaciones
8. En puntuaciones activamos la opción de guardar como variable, escogemos el método
regresión y activamos la opción de mostrar matriz de coeficientes de las puntuaciones factoriales.
9. En opciones no cambiamos nada.
10. Damos click en aceptar y obtenemos el resultado

Estadísticos descriptivos

  Media Desviación típica N del análisis

Habitantes por km2 46,7000 17,85914 50

Habitantes en ciudades 53,8800 19,05806 50

Esperanza de vida femenina 70,8200 7,98389 50

Esperanza de vida masculina 74,9200 9,38048 50

Pobliacion en miles 81565,0200 41952,03995 50

 Matriz de correlacionesa
  Habitantes por Habitantes en Esperanza de Esperanza de Pobliacion en
km2 ciudades vida femenina vida masculina miles

Habitantes por km2 1,000 -,258 ,044 -,079 -,066

Habitantes en ciudades -,258 1,000 ,068 ,094 ,036
Correlación Esperanza de vida femenina ,044 ,068 1,000 ,095 -,195
Esperanza de vida masculina -,079 ,094 ,095 1,000 -,205
Pobliacion en miles -,066 ,036 -,195 -,205 1,000
Habitantes por km2   ,035 ,380 ,292 ,323
Habitantes en ciudades ,035   ,318 ,257 ,403
Sig. (Unilateral) Esperanza de vida femenina ,380 ,318   ,255 ,087
Esperanza de vida masculina ,292 ,257 ,255   ,076
Pobliacion en miles ,323 ,403 ,087 ,076  
a. Determinante = ,833

La matriz de correlación nos muestra los coeficientes de correlación de Pearson entre cada par de variables. La matriz
de correlaciones se auto‐descompone en sus autovalores y autovectores que alcanzan la solución factorial
Un nivel crítico menor que 0,05 indica que la correlación poblacional entre el correspondiente par de variables
puede ser considerada significativamente distinta de cero. Lo deseable, en consecuencia, es encontrar muchos
niveles críticos pequeños
 Inversa de la matriz de correlaciones

  Habitantes por Habitantes en Esperanza de Esperanza de Pobliacion en

km2 ciudades vida femenina vida masculina miles

Habitantes por km2 1,084 ,274 -,061 ,080 ,067

Habitantes en ciudades ,274 1,087 -,089 -,084 -,055

Esperanza de vida femenina -,061 -,089 1,052 -,057 ,193

Esperanza de vida
masculina ,080 -,084 -,057 1,064 ,216

Pobliacion en miles ,067 -,055 ,193 ,216 1,088

Esta matriz se encuentra estrechamente relacionada con la matriz anti‐imagen que se muestra más abajo. Si
el determinante de la matriz de correlaciones vale exactamente cero, el programa emite una advertencia
indicando que no es posible calcular la matriz inversa, en cuyo caso tampoco será posible utilizar alguno de los
métodos de extracción (entre otros, ejes principales o máxima verosimilitud)
 KMO y prueba de Bartlett
Medida de adecuación muestral de ,523
Kaiser-Meyer-Olkin.
Prueba de Chi-cuadrado 8,523
esfericidad de aproximado
Bartlett gl 10
Sig. ,578

 
El estadístico KMO vale 0,523, valor cercano a la
unidad, lo que indica una adecuación excelente de los
datos a un modelo de análisis factorial.
 Matrices anti-imagen
  Habitantes Habitantes en Esperanza de Esperanza de Pobliacion en
por km2 ciudades vida femenina vida miles
masculina
Habitantes por km2 ,923 ,232 -,054 ,069 ,056
Habitantes en ciudades ,232 ,920 -,078 -,072 -,047
Esperanza de vida
-,054 -,078 ,951 -,051 ,169
Covarianza anti-imagen femenina
Esperanza de vida
,069 -,072 -,051 ,940 ,186
masculina
Pobliacion en miles ,056 -,047 ,169 ,186 ,919
Habitantes por km2 ,509a ,252 -,057 ,074 ,061
Habitantes en ciudades ,252 ,507a -,083 -,078 -,051
Esperanza de vida
-,057 -,083 ,541a -,054 ,180
Correlación anti-imagen femenina
Esperanza de vida
,074 -,078 -,054 ,549a ,200
masculina
Pobliacion en miles ,061 -,051 ,180 ,200 ,521a
a. Medida de adecuación muestral

La matriz de correlaciones anti‐imagen se encuentra relacionada con la inversa de la matriz de correlaciones

y se utiliza como diagnóstico de la adecuación de los datos a un modelo factorial. En este contexto, un
coeficiente de correlación parcial expresa el grado de relación entre dos variables tras eliminar el efecto de
las restantes variables incluidas en el análisis.
Comunalidades
Comunalidades
  Inicial Extracción
Habitantes por km2 ,077 ,243
Habitantes en ciudades ,080 ,284
Esperanza de vida femenina ,049 ,094
Esperanza de vida masculina ,060 ,138
Pobliacion en miles ,081 ,437
Método de extracción: Mínimos cuadrados no ponderados.
 Varianza total explicada
Factor Autovalores iniciales Sumas de las saturaciones al cuadrado de la
extracción
Total % de la % acumulado Total % de la % acumulado
varianza varianza
1 1,355 27,110 27,110 ,634 12,677 12,677
2 1,284 25,685 52,795 ,561 11,222 23,899
3 ,910 18,193  
70,987    
4 ,743 14,863 85,850      
5 ,707 14,150 100,000      
Método de extracción: Mínimos cuadrados no ponderados.
 Matriz factoriala
Matriz factoriala
  Factor
1 2
Habitantes por km2 ,047 -,490
Habitantes en ciudades ,047 ,531
Esperanza de vida femenina ,305 ,024
Esperanza de vida masculina ,331 ,168
Pobliacion en miles -,654 ,099
Método de extracción: Mínimos cuadrados no ponderados.
a. 2 factores extraídos. Requeridas 16 iteraciones.

Correlaciones reproducidas
  Habitantes por km2 Habitantes en Esperanza de vida Esperanza de vida Pobliacion en miles
ciudades femenina masculina
Habitantes por km2 ,242a
-,258 ,003 -,067 -,079
Habitantes en ciudades -,258 ,285 a
,027 ,105 ,022
Correlación reproducida Esperanza de vida femenina ,003 ,027 ,093 a
,105 -,197
Esperanza de vida masculina -,067 ,105 ,105 ,137 a
-,199
Pobliacion en miles -,079 ,022 -,197 -,199 ,437a
Habitantes por km2   ,000 ,042 -,013 ,013
Habitantes en ciudades ,000   ,041 -,010 ,014
Residualb Esperanza de vida femenina ,042 ,041   -,009 ,001
Esperanza de vida masculina -,013 -,010 -,009   -,006
Pobliacion en miles ,013 ,014 ,001 -,006  
Método de extracción: Mínimos cuadrados no ponderados.
a. Comunalidades reproducidas
b. Los residuos se calculan entre las correlaciones observadas y reproducidas. Hay 0 (0,0%) residuales no redundantes con valores absolutos mayores que 0,05.
 Matriz de coeficientes para el cálculo de las puntuaciones Matriz de covarianza de las puntuaciones
factoriales factoriales
  Factor
Factor 1 2
1 2
Habitantes por km2 ,028 -,367 1 ,498 -,011
Habitantes en ciudades ,046 ,422 2 -,011 ,432
Esperanza de vida femenina ,168 ,018
Método de extracción: Mínimos cuadrados
Esperanza de vida masculina ,193 ,115
no ponderados.
Pobliacion en miles -,581 ,087
Método de puntuaciones factoriales:
Método de extracción: Mínimos cuadrados no ponderados.
Regresión.
Método de puntuaciones factoriales: Regresión.
MINIMOS CUADRADOS
GENERALIZADOS
1. Ingresamos los datos a SPSS
2. Vamos a analizar, reducción de
dimensiones y factor
3. Pasamos todas las variables
4. En caso de agregar variable de selección, damos click en
Valor, y agregamos el número de variables de selección, en
este caso 1.
5. Damos click en descriptivos y activamos
todas las opciones.
6. En extracción escogemos el método de
Minimos Cuadrados Generalizados.
7. En rotación no escogemos ningún método y
activamos la opción de grafico de saturaciones
8. En puntuaciones activamos la opción de guardar como variable,
escogemos el método regresión y activamos la opción de mostrar matriz
de coeficientes de las puntuaciones factoriales.
 9. En opciones no cambiamos nada.
10. Damos click en aceptar y obtenemos el resultado
Estadísticos descriptivos
  Media Desviación típica N del análisis
Habitantes por km2 46,7000 17,85914 50
Habitantes en ciudades 53,8800 19,05806 50
Esperanza de vida femenina 70,8200 7,98389 50
Esperanza de vida masculina 74,9200 9,38048 50
Pobliacion en miles 81565,0200 41952,03995 50

Matriz de correlacionesa
  Habitantes por Habitantes en Esperanza de vida Esperanza de vida Pobliacion en miles
km2 ciudades femenina masculina
Habitantes por km2 1,000 -,258 ,044 -,079 -,066
Habitantes en ciudades -,258 1,000 ,068 ,094 ,036
Correlación Esperanza de vida femenina ,044 ,068 1,000 ,095 -,195
Esperanza de vida masculina -,079 ,094 ,095 1,000 -,205
Pobliacion en miles -,066 ,036 -,195 -,205 1,000
Habitantes por km2   ,035 ,380 ,292 ,323
Habitantes en ciudades ,035   ,318 ,257 ,403
Sig. (Unilateral) Esperanza de vida femenina ,380 ,318   ,255 ,087
Esperanza de vida masculina ,292 ,257 ,255   ,076
Pobliacion en miles ,323 ,403 ,087 ,076  
a. Determinante = ,833
 Inversa de la matriz de correlaciones
  Habitantes por Habitantes en Esperanza de vida Esperanza de vida Pobliacion en
km2 ciudades femenina masculina miles
Habitantes por km2 1,084 ,274 -,061 ,080 ,067
Habitantes en ciudades ,274 1,087 -,089 -,084 -,055
Esperanza de vida femenina -,061 -,089 1,052 -,057 ,193
Esperanza de vida masculina ,080 -,084 -,057 1,064 ,216
Pobliacion en miles ,067 -,055 ,193 ,216 1,088

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,523
Chi-cuadrado aproximado 8,523
Prueba de esfericidad de
gl 10
Bartlett
Sig. ,578

Matrices anti-imagen
  Habitantes por km2 Habitantes en Esperanza de vida Esperanza de vida Pobliacion en miles
ciudades femenina masculina
Habitantes por km2 ,923 ,232 -,054 ,069 ,056
Habitantes en ciudades ,232 ,920 -,078 -,072 -,047
Covarianza anti-imagen Esperanza de vida femenina -,054 -,078 ,951 -,051 ,169
Esperanza de vida masculina ,069 -,072 -,051 ,940 ,186
Pobliacion en miles ,056 -,047 ,169 ,186 ,919
Habitantes por km2 ,509 a
,252 -,057 ,074 ,061
Habitantes en ciudades ,252 ,507 a
-,083 -,078 -,051
Correlación anti-imagen Esperanza de vida femenina -,057 -,083 ,541 a
-,054 ,180
Esperanza de vida masculina ,074 -,078 -,054 ,549 a
,200
Pobliacion en miles ,061 -,051 ,180 ,200 ,521a
a. Medida de adecuación muestral
 Comunalidadesa
Comunalidadesa
  Inicial Extracción
Varianza total explicada
Habitantes por km2 ,077 ,214
Factor Autovalores iniciales Sumas de las saturaciones al cuadrado de la extracción
Habitantes en ciudades ,080 ,343
Total % de la varianza % acumulado Total % de la varianza % acumulado
Esperanza de vida femenina ,049 ,104
1 1,355 27,110 27,110 ,641 12,827 12,827
Esperanza de vida masculina ,060 ,135
2 1,284 25,685 52,795 ,584 11,682 24,509
70,987      
Pobliacion en miles ,081 ,450
3 ,910 18,193
85,850      
Método de extracción: Mínimos cuadrados generalizados.
4 ,743 14,863
100,000      
a. Se han encontrado una o más estimaciones de
5 ,707 14,150
comunalidad mayores que 1 durante las iteraciones. La
Método de extracción: Mínimos cuadrados generalizados.
solución resultante deberá ser interpretada con precaución.
 Matriz factorial a

Matriz factoriala
  Factor
1 2
Prueba de la bondad de ajuste
Habitantes por km2 -,115 -,441
Chi-cuadrado gl Sig.
Habitantes en ciudades ,051 ,581
,280 1 ,597
Esperanza de vida femenina -,295 ,087
Esperanza de vida masculina -,298 ,210
Pobliacion en miles ,670 -,007
Método de extracción: Mínimos cuadrados generalizados.
a. 2 factores extraídos. Requeridas 7 iteraciones.
Correlaciones reproducidas
  Habitantes por km2 Habitantes en Esperanza de vida Esperanza de vida Pobliacion en miles
ciudades femenina masculina
Habitantes por km2 ,208 a
-,262 -,004 -,058 -,074
Habitantes en ciudades -,262 ,340 a
,035 ,107 ,030
Correlación reproducida Esperanza de vida femenina -,004 ,035 ,095 a
,106 -,199
Esperanza de vida masculina -,058 ,107 ,106 ,133 a
-,201
Pobliacion en miles -,074 ,030 -,199 -,201 ,449a
Habitantes por km2   ,005 ,049 -,021 ,008
Habitantes en ciudades ,005   ,033 -,013 ,006
Residual b
Esperanza de vida femenina ,049 ,033   -,011 ,003
Esperanza de vida masculina -,021 -,013 -,011   -,004
Pobliacion en miles ,008 ,006 ,003 -,004  
Método de extracción: Mínimos cuadrados generalizados.
a. Comunalidades reproducidas
b. Los residuos se calculan entre las correlaciones observadas y reproducidas. Hay 0 (0,0%) residuales no redundantes con valores absolutos mayores que 0,05.
 Matriz de coeficientes para el cálculo de
las puntuaciones factoriales
Matriz de coeficientes para el cálculo de las puntuaciones factoriales
Matriz de covarianza de las puntuaciones
  Factor factoriales
1 2
Factor 1 2
Habitantes por km2 -,072 -,309
Habitantes en ciudades ,038 ,485 1 ,509 ,000
Esperanza de vida femenina -,162 ,053 2 ,000 ,451
Esperanza de vida masculina -,169 ,133
Pobliacion en miles ,598 -,007 Método de extracción: Mínimos cuadrados
generalizados.
Método de extracción: Mínimos cuadrados generalizados.
Método de puntuaciones factoriales:
Método de puntuaciones factoriales: Regresión.
Regresión.
MAXIMA VEROSIMILITUD
1. Ingresamos los datos a SPSS
2. Vamos a analizar, reducción de
dimensiones y factor
3. Pasamos todas las variables
4. En caso de agregar variable de selección, damos click en Valor, y
agregamos el número de variables de selección, en este caso 1.
5. Damos click en descriptivos y activamos
todas las opciones.
6. En extracción escogemos el método de
Mínimos Cuadrados no Ponderado.
7. En rotación no escogemos ningún método y
activamos la opción de grafico de saturaciones
8. En puntuaciones activamos la opción de guardar como variable,
escogemos el método regresión y activamos la opción de mostrar matriz
de coeficientes de las puntuaciones factoriales.
 9. En opciones no cambiamos nada.
10. Damos click en aceptar y obtenemos el resultado
11.
Estadísticos descriptivos
  Media Desviación N del análisis
típica
Habitantes por km2 46,7000 17,85914 50
Habitantes en ciudades 53,8800 19,05806 50
Esperanza de vida femenina 70,8200 7,98389 50
Esperanza de vida
74,9200 9,38048 50
masculina
Pobliacion en miles 81565,0200 41952,03995 50
Matriz de correlacionesa
  Habitantes por km2 Habitantes en Esperanza de vida Esperanza de vida Pobliacion en miles
ciudades femenina masculina
Habitantes por km2 1,000 -,258 ,044 -,079 -,066
Habitantes en ciudades -,258 1,000 ,068 ,094 ,036
Correlación Esperanza de vida femenina ,044 ,068 1,000 ,095 -,195
Esperanza de vida masculina -,079 ,094 ,095 1,000 -,205
Pobliacion en miles -,066 ,036 -,195 -,205 1,000
Habitantes por km2   ,035 ,380 ,292 ,323
Habitantes en ciudades ,035   ,318 ,257 ,403
Sig. (Unilateral) Esperanza de vida femenina ,380 ,318   ,255 ,087
Esperanza de vida masculina ,292 ,257 ,255   ,076
Pobliacion en miles ,323 ,403 ,087 ,076  
a. Determinante = ,833
 Inversa de la matriz de correlaciones
  Habitantes por Habitantes en Esperanza de Esperanza de Pobliacion en
km2 ciudades vida femenina vida masculina miles KMO y prueba de Bartlett
Habitantes por km2 1,084 ,274 -,061 ,080 ,067 Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,523
Habitantes en ciudades ,274 1,087 -,089 -,084 -,055 Chi-cuadrado aproximado 8,523
Esperanza de vida Prueba de esfericidad de
-,061 -,089 1,052 -,057 ,193 gl 10
femenina Bartlett
Sig. ,578
Esperanza de vida
,080 -,084 -,057 1,064 ,216
masculina
Pobliacion en miles ,067 -,055 ,193 ,216 1,088

Matrices anti-imagen
  Habitantes por Habitantes en Esperanza de Esperanza de Pobliacion en
km2 ciudades vida femenina vida masculina miles
Habitantes por km2 ,923 ,232 -,054 ,069 ,056
Habitantes en ciudades ,232 ,920 -,078 -,072 -,047
Esperanza de vida
-,054 -,078 ,951 -,051 ,169
Covarianza anti-imagen femenina
Esperanza de vida
,069 -,072 -,051 ,940 ,186
masculina
Pobliacion en miles ,056 -,047 ,169 ,186 ,919
Habitantes por km2 ,509a ,252 -,057 ,074 ,061
Habitantes en ciudades ,252 ,507a -,083 -,078 -,051
Esperanza de vida
-,057 -,083 ,541a -,054 ,180
Correlación anti-imagen femenina
Esperanza de vida
,074 -,078 -,054 ,549a ,200
masculina
Pobliacion en miles ,061 -,051 ,180 ,200 ,521a
a. Medida de adecuación muestral
Comunalidadesa Varianza total explicada
Factor Autovalores iniciales Sumas de las saturaciones al cuadrado de la
Comunalidades a
extracción
  Inicial Extracción Total % de la varianza % acumulado Total % de la varianza % acumulado
Habitantes por km2 ,077 ,205 1 1,355 27,110 27,110 ,650 13,000 13,000
Habitantes en ciudades ,080 ,334 2 1,284 25,685 52,795 ,575 11,508 24,508
Esperanza de vida femenina ,049 ,090 3 ,910 18,193 70,987      
Esperanza de vida 4 ,743 14,863 85,850      
,060 ,131
masculina 5 ,707 14,150 100,000      
Pobliacion en miles ,081 ,465 Método de extracción: Máxima verosimilitud.
Método de extracción: Máxima verosimilitud.
a. Se han encontrado una o más estimaciones de
comunalidad mayores que 1 durante las iteraciones.
La solución resultante deberá ser interpretada con
precaución.
 Matriz factoriala
Matriz factoriala
  Factor
1 2
Habitantes por km2 -,109 -,439 Prueba de la bondad de ajuste
Habitantes en ciudades ,047 ,576 Chi-cuadrado gl Sig.
Esperanza de vida ,287 1 ,592
-,288 ,084
femenina
Esperanza de vida
-,295 ,209
masculina
Pobliacion en miles ,682 -,003
Método de extracción: Máxima verosimilitud.
a. 2 factores extraídos. Requeridas 9 iteraciones.
Correlaciones reproducidas
  Habitantes por km2 Habitantes en Esperanza de vida Esperanza de vida Pobliacion en miles
ciudades femenina masculina
Habitantes por km2 ,205 a
-,258 -,005 -,059 -,073
Habitantes en ciudades -,258 ,334 a
,035 ,106 ,030
Correlación reproducida Esperanza de vida femenina -,005 ,035 ,090 a
,103 -,197
Esperanza de vida masculina -,059 ,106 ,103 ,131 a
-,202
Pobliacion en miles -,073 ,030 -,197 -,202 ,465a
Habitantes por km2   ,000 ,050 -,020 ,007
Habitantes en ciudades ,000   ,034 -,012 ,005
Residual b
Esperanza de vida femenina ,050 ,034   -,007 ,002
Esperanza de vida masculina -,020 -,012 -,007   -,003
Pobliacion en miles ,007 ,005 ,002 -,003  
Método de extracción: Máxima verosimilitud.
a. Comunalidades reproducidas
 Matriz de coeficientes para el cálculo de las
Matriz de covarianza de las
puntuaciones factoriales
puntuaciones factoriales
  Factor
1 2
Habitantes por km2 -,066 -,307
Factor 1 2
Habitantes en ciudades ,034 ,481
Esperanza de vida
1 ,519 ,000
femenina
-,152 ,051 2 ,000 ,444
Esperanza de vida Método de extracción: Máxima
-,163 ,133
masculina verosimilitud.
Pobliacion en miles ,613 -,003 Método de puntuaciones
Método de extracción: Máxima verosimilitud. factoriales: Regresión.
Método de puntuaciones factoriales:
Regresión.