El AFE, análisis Factorial Exploratorio. Este estadístico es un procedimiento, una técnica de reducción de factores o también de reducción de variables. Para ello, analiza la estructura interna de la variable y su correlación dentro de los factores y busca eliminar aquellos que no tienen una buena estructura, una buena interrelación dentro de los reactivos de un instrumento. 

Podemos decir que esto es una técnica para reducir los reactivos o preguntas de los instrumentos, dejando un cuestionario o un instrumento sólido con factores que definen mejor el indicador que se está evaluando. 

Asocia los factores afines, o sea, los que en su conjunto tienen una mejor evaluación del indicador, tenemos un ejemplo sobre una escala de cuatro niveles y tenemos una equis, pero puede ser de 40 o de 50, reactivos. Y podemos eliminar, de repente los que son más flojos, los reactivos que menor evalúan a lo que se quiere medir. Entonces, puede ser que de repente el reactivo cinco tenga una estructura bastante suelta, no se correlaciona con las demás y podremos eliminarlo. Entonces, tenemos el cuestionario donde está la variable, calidad de la tensión, su indicador y un indicador puede ser medido por uno o más reactivos.

Entonces, al tener, podemos eliminar uno de ellos. De repente el que menor lo defina, que sean tres los reactivos que evalúen este indicador y podemos eliminar uno de ellos si es que es más flojo, si es que su estructura no se correlaciona con los demás reactivos del cuestionario. 

También tenemos un gráfico donde los indicadores son evaluados por los reactivos A, B, C, D y así pueden ser múltiples, hablamos de 40, 50, 60, de repente, items y no hay problema si es que vamos eliminando aquellos que tienen una deficiencia, aquellos que no evalúan de mejor manera los indicadores y podemos irlos eliminando y quedarnos con una estructura, con unos reactivos que aporten más a la evaluación, tenemos que para evaluar las estructuras internas de los factores, son básicamente tres las evaluaciones que tenemos que hacer. Uno de ellos es la comunalidad, es decir, cómo se relacionan estos factores con el conjunto de factores. Por eso viene esto de comunalidad, de comuna. Esto lo evaluamos con la comunalidad mayor a 0.4. Tiene que ser mayor. Eso nos dice que hay un buen ajuste con los demás factores. También es importante el KMO o medida de adecuación, cómo se adecúa al análisis factorial.

En este caso también es necesario que sea mayor a 0.5. Y el estadístico de Bartlett, que es una prueba de hipótesis en la cual es necesario probar que la hipótesis nula nos dice que es una matriz de identidad y la hipótesis alterna nos dice que no es una matriz de identidad, es diferente a 1. Como sabemos, todo número multiplicado por 1 es el mismo número y eso pasa con una matriz que tiene un total representativo de uno. No permite hacer un análisis factorial. 

Acá también tenemos un gráfico de factores donde la variable o el reactivo con menor carga factorial es eliminado., en este caso sería 0.34, el que es eliminado y dejando los factores con mayor carga factorial. 

Las comunalidades, son la proporción de la varianza común. El KMO es si es adecuado en los factores para la cantidad de datos. Y el estadístico de Barlett, si se trata de una matriz de identidad, esto por medio de una prueba de hipótesis, donde la significancia debe ser menor a 0.05. Siendo menor, nos dice que no es una matriz de identidad y son correctamente adecuado los datos, la matriz. 

Posteriormente, vamos a ver otros estadísticos que intervienen en el SPSS, y es el caso de Varimax., cuando se trata de pocos factores, pocas variables, es aconsejable utilizar Varimax. Y de lo contrario, Promax. Bueno, hay otros formas de rotación para la extracción de los factores.

Llamamos factores a las variables subyacentes o también variables latentes. Esto es diferente a las variables observadas. Las variables observadas son los que están en el instrumento. En cambio, los factores son la formación de familias conforme a la estructura interna que tiene. 

En caso del SPSS, vamos a analizar reducción de dimensiones,  vamos a factor. Se nos presenta este cuadro. Pasamos acá las variables a evaluar. Obviamente, tienen que ser varias de un cuestionario. Como le digo, es aconsejable que sea mayor a 20 a efectos de ir reduciendo los de menor carga factorial y quedarnos con algo más sólido. Puede ser que tengamos que utilizar variables de selección acá, si es que todo está mezclado, se puede decir, dentro de una columna y podemos utilizar una variable de selección. Se nos activará Aceptar, pero también tenemos que en descriptivos activar el KMO. 

Entonces, al hacer clic en descriptivos, se nos presenta esto y acá debemos de activar el estadístico de KMO que va junto con la esfericidad de Barlett,  nos permite saber si se trata de una matriz de identidad o no. 

En algunos casos. también es necesario activar el gráfico de sedimentación y la solución factorial sin rotar, si queremos también este dato. Por último, en algunos casos, tratándose de bastantes variables, por ejemplo, podemos suprimir los coeficientes que son más pequeños, en este caso 0.5, podemos decirle al programa que los elimine. Si queremos, de repente, que sea más ajustado, 0.6, de repente para abajo, eliminarlo para que nos quedemos con una estructura factorial más sólida. 

En caso del KMO dijimos lo mejor es de 0.5 para arriba, porque ya entramos a lo que es aceptable, muy aceptable y excelente. Dijimos que el KMO es la forma cómo se relaciona la estructura factorial del factor o de la variable con las demás y permite desarrollar el estadístico.