3.3. Análisis Inicial de Factores.
Antes de iniciar el análisis de los componentes principales, se ha realizado un análisis de las correlaciones y de los niveles de tolerancia, descartando con ello la multicolinealidad (que significa una condición de relación entre las variables independientes), comprobando también los supuestos exigidos para este tipo de análisis: Homoscedasticidad (donde el error estándar de la estimación debe ser igual para todos los valores ajustados de la variable dependiente), junto con los criterios de Linealidad, Independencia y Normalidad.
Así mismo, se realizó el “Test de Adecuación de la Medida de Kaiser-Meyer-Olkin” [KMO] y la Prueba de Esfericidad de Bartlett, que con los valores encontrados, verifican la idoneidad de la estructura de la matriz de correlaciones y consecuentemente, la viabilidad del análisis de factores (Nieves y Domínguez, 2010; 415-463).
En las siguientes tablas aparecen los resultados encontrados para dichas pruebas:
Tabla 32. Análisis de Factores con Bartlett y KMO para las Variables Simples
Prueba de Esfericidad de Bartlett |
Modelo KMO de Adecuación |
Para los Factores Internos Para los Factores Externos CHI- Cuadrada: 1310.304 |
Valor obtenido en la prueba KMO: 0.687
Valor obtenido en la prueba KMO: 0.592 |
Fuente: Elaboración propia., con base en los resultados del SPSS
Tabla 33. Análisis de Factores con Bartlett y KMO para Variables Compuestas
Prueba de Esfericidad de Bartlett |
Modelo KMO de Adecuación |
Para los Factores Internos Para los Factores Externos CHI- Cuadrada: 214.739 |
Valor obtenido en la prueba KMO: 0.801
Valor obtenido en la prueba KMO: 0.804 |
Fuente: Elaboración propia., con base en los resultados del SPSS
En donde, los valores obtenidos en la prueba KMO con respecto a la adecuación muestral se consideran aceptables, así como los resultados del contraste de esfericidad de Bartlett que también indican la idoneidad del análisis realizado.
La prueba de Esfericidad de Bartlett permite contrastar la hipótesis nula de que la matriz de correlaciones es una matriz de identidad, cuya aceptación implicaría el replanteamiento de la utilización del análisis de componentes principales. Con esta prueba se muestra la probabilidad estadística de que la matriz de correlaciones tiene alguna correlación en al menos una de las variables. Es de suponer que si las variables no están correlacionadas entre si, no es posible encontrar entre ellas algún factor común (Hernández Sampieri, 2006).
Por otra parte, la medida de adecuación de Kaiser-Meyer-Olkin (índice KMO), es útil para comparar los valores de los coeficientes de correlación observados contra los coeficientes de correlación parcial, de tal forma que valores pequeños indican que el análisis de componentes no sería aconsejable. George y Malery (citados por Hernández Sampieri, 2006), recomiendan como límite de aceptación de este índice KMO valores superiores a 0.5, en donde, el total de la varianza explicada por cada factor se identifica como “Eigen Value” y se sugiere que solo se consideren los factores cuyo eigen value sea superior a 1, siendo que valores menores resultarán en factores inferiores a los que representa una variable simple.
En la siguiente tabla aparece un resumen del comparativo efectuado sobre el análisis inicial de los factores internos y externos, donde deberán focalizarse los valores extremos para identificar la mayor variabilidad reportada.
Tabla 34. Resumen Comparativo de los Análisis entre los
Factores Internos y Externos (la escala utilizada tiene valores de 1 a 4 puntos).
|
Promedio |
Mínimo |
Máximo |
Rango |
Max/Min. |
Varianza |
Factores Internos |
3.2074 |
2.4890 |
3.8830 |
1.3936 |
1.5598 |
0.0779 |
Varianzas/Ítem |
0.4214 |
0.1259 |
0.6979 |
0.5720 |
5.5413 |
0.0147 |
Matriz-Covarianzas |
0.0860 |
-0.0524 |
0.3043 |
0.3567 |
-5.8079 |
0.0046 |
Matriz-Correlaciones |
0.2083 |
-0.0967 |
0.6828 |
0.7795 |
-7.0582 |
0.0231 |
|
|
|
|
|
|
|
Factores Externos |
3.1563 |
2.6277 |
3.5957 |
0.9681 |
1.3684 |
0.0590 |
Varianzas/Ítem |
0.4804 |
0.2416 |
0.8599 |
0.6183 |
3.5592 |
0.0299 |
Matriz-Covarianzas |
0.0862 |
-0.1206 |
0.4006 |
0.5212 |
-3.3226 |
0.0069 |
Matriz-Correlaciones |
0.1923 |
-0.1848 |
0.6436 |
0.8284 |
-3.4816 |
0.0273 |
|
|
|
|
|
|
|
Totalidad de Factores Internos y Externos |
3.1809 |
2.4894 |
3.8830 |
1.3936 |
1.5598 |
0.0673 |
Varianzas/Ítem |
0.4521 |
0.1259 |
0.8599 |
0.7339 |
6.8274 |
0.0231 |
Matriz-Covarianzas |
0.0723 |
-0.1748 |
0.4006 |
0.5754 |
-2.2919 |
0.0055 |
Matriz-Correlaciones |
0.1712 |
-0.3110 |
0.6828 |
0.9937 |
-2.1957 |
0.0262 |
Fuente: Elaboración propia con base en los resultados del SPSS
En donde se observa una mayor variabilidad en el análisis de los Factores Internos, en especial nos interesa conocer aquellos datos que tienen un valor extremo y con estos resultados podemos presuponer que existe una opinión generalizada entre los encuestados, para pensar que los Factores Externos contribuyen mejor que los Factores Internos en la explicación de la Competitividad Agrícola Sustentable.
Los valores negativos encontrados para las Matrices de Correlaciones y de Covarianzas, tiene una interpretación inversamente proporcional, ya que mientras aumenta una variable Xj, la variable dependiente Y disminuirá en igual proporción. Este análisis incluye todas las relaciones encontradas entre cada una de las variables independientes y la variable dependiente, así como aquellas relaciones que existen entre todas las variables independientes respectivamente (Mason y Lind, 1998; 658 y 691).
Otro uso de la Matriz de Correlaciones es para verificar si existe multicolinealidad, la cual ocurre cuando las variables independientes están correlacionadas entre si, esto podría distorsionar el error estándar de la estimación y orientar al investigador a conclusiones erróneas; en nuestro caso el puntaje máximo encontrado corresponde a O.6828, que de acuerdo con Mason y Lind (1998; 658), este valor no es lo suficientemente grande para provocar distorsiones. Estos autores sugieren: Una regla práctica común es que las correlaciones entre las variables independientes menores de +/-0.70, no ocasionan problemas de análisis.
Es importante agregar a los comentarios iniciales, que de acuerdo con los resultados obtenidos, el coeficiente Alfa para la Totalidad de los Factores Internos y Externos que resultó ser de 90.50% , es un valor mayor a lo registrado para cada uno de los factores analizados en forma independiente, lo que puede interpretarse como un fenómeno de Aditividad o Sinergia de Factores, porque el valor Alfa para los Factores Internos fue de 86.03% y para los Factores Externos el resultado de Alfa fue 85.03%, así se confirma para los tres casos la fiabilidad de la escala, pero con mejores perspectivas de análisis cuando se integran en la Totalidad de los Factores.