Objetivo: Simplificar datos muy grandes o complicados, encontrando los factores principales que están detrás de ellos para darle forma al modelo de medición dentro del SEM (Modelado de Ecuaciones Estructurales).

Aplicación en marketing: El EFA ayuda a ver cómo se relacionan las preguntas o ítems que medimos en encuestas con las variables más generales (como satisfacción, lealtad, confianza, etc.). Con esto, podemos comprobar si las preguntas realmente están midiendo lo que queremos y si son confiables.

Relación con el SEM: Los resultados del EFA son la base para la siguiente etapa, el Análisis Factorial Confirmatorio (CFA). En esa fase, dentro del SEM, ya no se “explora” sino que se “confirma” si las relaciones entre los factores y las preguntas observadas realmente coinciden con lo que dice la teoría.

La adecuación de la muestra se mide con el KMO en SPSS.

El muestreo es adecuado si el valor del KMO > 0.5,

Su valor va de 0 a 1.

Mientras más cercano a 1, mejor es la adecuación de la muestra.

1. VB-SEM (basado en varianza), también conocido como PLS (mínimos cuadrados parciales). -> Aquí se revisa la relación entre los ítems observados (ej. preguntas de una encuesta) y las variables latentes (ej. satisfacción, lealtad, confianza). El objetivo es comprobar validez (que mide lo que debe medir) y fiabilidad (que sea consistente). Para esto se usan técnicas como el Análisis Factorial Exploratorio (EFA) y después el Análisis Factorial Confirmatorio (CFA).

2. CB-SEM (basado en co-varianza), conocido como AMOS. -> Una vez validado el modelo de medición, se pasa a analizar cómo se relacionan entre sí las variables latentes. Aquí se prueban las hipótesis teóricas (ej. “la satisfacción influye en la lealtad”, “la confianza afecta la intención de compra”). Es cuando se construye y evalúa el mapa completo de relaciones entre los constructos.

Contrasta la hipótesis nula de que la matriz de correlaciones entre las variables es una matriz identidad (es decir, que las variables no están correlacionadas entre sí).

Si realmente fuera una matriz identidad, no tendría sentido aplicar un análisis factorial porque no hay relaciones que resumir en factores.

Una matriz identidad es una matriz cuadrada (mismo número de filas y columnas) que tiene:

• 1 en la diagonal principal (de arriba a la izquierda hasta abajo a la derecha).

• 0 en todos los demás lugares.

• Criterio de Kaiser (Regla del Eigenvalor)

• Prueba Scree (Cattell, 1966)

• Análisis Paralelo (Horn, 1965)

• Análisis de Componentes Principales (PCA)

Valor KMO: Se obtuvo un valor de 0.537, por encima del mínimo recomendado de 0.5, lo que indica que la muestra es suficiente para realizar el análisis factorial.

Prueba de Bartlett: El resultado fue significativo, lo que confirma que las variables están suficientemente relacionadas entre sí y que el análisis factorial es apropiado para estos datos.

Se conservan los componentes con un eigenvalor mayor a 1. Otra forma es quedarse con los factores que expliquen entre el 70% y 80% de la varianza total.

Prueba Scree (Cattell, 1966):

Se hace una gráfica de los eigenvalores y se eligen los factores que aparecen antes del “codo” de la curva.

Análisis Paralelo (Horn, 1965):

Es considerado el método más confiable. Compara los eigenvalores obtenidos del análisis con eigenvalores generados al azar; se conservan solo los factores cuyos eigenvalores sean mayores a los de los datos aleatorios.

Análisis de Componentes Principales (PCA):

Aunque no es exactamente un análisis factorial, se usa mucho para identificar factores. Parte de la idea de que todas las variables comparten el 100% de su varianza (comunalidades = 1). Aun así, suele dar resultados parecidos al análisis factorial.

1-Capacidad de Relación con el Cliente: 2-Cobertura de Marketing 3-Cobertura de Marketing

Factor 2: Eigenvalor = 2.049

Factor 3: Eigenvalor = 1.589

Factor 4: Eigenvalor = 1.141

Factor 5: Eigenvalor = 0.969

Si se aplica estrictamente el Criterio de Kaiser (Eigenvalor > 1):

Se conservarían los factores 1, 2, 3 y 4, porque sus eigenvalores (2.624, 2.049, 1.589 y 1.141) son mayores que 1.

El factor 5 se rechazaría porque su eigenvalor (0.969) es menor que 1.

Por lo tanto, con este criterio, se mantendrían cuatro factores para seguir investigando.

Sin embargo, es importante notar que, aunque el Criterio de Kaiser es muy conocido, el estudio en cuestión finalmente decidió quedarse con tres factores basándose en el Análisis Paralelo, otro método de extracción de factores. Estos tres factores explicaron en conjunto un 62.6% de la varianza.