Kaiser-Meyer-Olkin (KMO) medir la adecuación de la muestra.

• 0.5 aceptable, >0.7 bueno, >0.8 excelente.

Bartlett’s Test of Sphericity revisar si la matriz de correlaciones es distinta de la identidad.

• Si p < 0.05, los datos son aptos para EFA.

EFA: Análisis Factorial Exploratorio

CFA: Análisis Factorial Confirmatorio

SEM: Modelado de Ecuaciones Estructurales

KMO: Kaiser-Meyer-Olkin

PCA: Análisis de Componentes Principales (variante de EFA)

Revisar si los datos son adecuados

• Prueba KMO (muestra suficiente)

• Bartlett (que sí existan correlaciones).

Extraer factores

• Métodos para decidir cuántos factores:

  • Kaiser (>1 eigenvalue)

  • Scree test (rodilla de la gráfica)

  • Parallel analysis (comparar con datos simulados).

Rotar factores

• Para hacerlos más interpretables.

• Ortogonal (sin correlación) vs. Oblicua (con correlación → más realista en marketing).

Interpretar y etiquetar

• Agrupar ítems y darles un nombre lógico.

• Ejemplo en el artículo:

  1. Relación con clientes

  2. Cobertura de marketing

  3. Capacidad proactiva.

Rotación Ortogonal: Asume que los factores no están correlacionados.

Rotación Oblícua: Permite que los factores estén correlacionados

El estudio solo hizo EFA, no Confirmatory Factor Analysis (CFA). y se sugieren hacer CFA después para validar los factores.

La muestra fue específica (sector de mármol en Pakistán), por lo que los resultados no se pueden generalizar.