Análisis Factorial de Correspondencias (AFC) y Análisis Factorial de Correspondencias Múltiples (AFCM)

Análisis Factorial de Correspondencias (AFC)

Técnica de interdependencia para variables cualitativas cuyo objetivo es encontrar la relación entre dos variables cualitativas (AFC) o entre tres o más (AFCM).

Requisitos:

• Dos variables cualitativas, con cualquier número de modalidades.
• Variables dependientes (estadístico chi-cuadrado con significación menor a 0,5).
• Se parte de la tabla de contingencia de las dos variables.

Etapas:

1. Estudio de perfiles fila y columna:

• Si los perfiles fila son parecidos al perfil medio, indican que la variable fila se comporta igual en todas las categorías de la otra, por lo que son independientes y no destacan.
• Si dos filas tienen perfiles parecidos, indican asociaciones entre dichas filas, es decir, se evaluaron de manera similar y aparecen próximas en el mapa.

MASA: % totales de frecuencias para cada columna, es decir, perfil medio de características (perfiles fila); % totales para cada marca, se llama perfil medio de las marcas (perfiles columna).

2. Estudio de dependencia de las variables.

3. Elección de las dimensiones:

• PROPORCIÓN DE INERCIA: es la proporción de varianza o información que van a proporcionar cada una de las dimensiones que pueden obtenerse (nos quedamos con las dos primeras).
• CONTRIBUCIÓN TOTAL: es la información que rescata cada variable. Tiene que ser mayor que 0,6 para estar bien representada; si es poca implica cercanía al origen y mucha, lejanía (si está por debajo de 0,5 está mal representada).

Análisis Factorial de Correspondencias Múltiples (AFCM)

Validez del modelo:

• ALFA DE CRONBACH: es una medida de validez del modelo y toma valores entre 0 y 1, se considera suficiente si su media está por encima de 0,7.
• Las variables más lejanas al origen reflejan la mayor contribución a las distribuciones e interesa interpretarlas por tener valores de discriminación altos; aquellas que están muy cerca entre sí indican un patrón de relación entre ellas (las cercanas al origen no interesan). Las medidas de discriminación grandes corresponden a gran dispersión entre las categorías de la variable a lo largo de la dimensión; aquellas con valores más altos tienen mayor peso a la hora de definir dicha dimensión.