¿Cómo interpreto los residuos elevados de las correlaciones reproducidas en el análisis factorial?

Question

Estoy realizando un análisis de componentes principales sobre una escala psicológica de 4 ítems (el formato de respuesta es una escala Likert de 0-10 puntos para cada ítem). Como esperaba, un análisis factorial exploratorio dio como resultado un factor. Los resultados son buenos, un factor explica el 83% de la varianza, los coeficientes de correlación son altos pero no demasiado altos (0,7-0,8), las pruebas de KMO y Bartlett están bien.

Mi problema es que 4 residuos (66%) de las correlaciones reproducidas están por encima de un valor absoluto de 0,05. Sé que esto es un problema, pero estoy tratando de establecer hasta qué punto es un problema para el modelo. También, ¿qué se puede hacer (si es que se puede hacer algo) para solucionarlo? Agradecería cualquier respuesta o consejo sobre dónde encontrar respuestas.

Answer 1

Cuando se habla de correlaciones reproducidas en el análisis factorial es muy importante recordar la diferencia entre el análisis factorial en sentido común (FA) y el análisis de componentes principales (PCA). El AF pretende reproducir las correlaciones (o covarianzas) mediante m variables latentes ( m < p , donde p es el número de variables). El ACP, por su parte, pretende tener en cuenta la varianza multivariante en la medida de lo posible mediante m sus variables latentes; lo hace no perseguir para explicar las correlaciones, y a menudo m componentes los reproducen mal (todos p componentes los reproducen perfectamente). Así que no es de extrañar que su componente único no reproduzca las correlaciones con suficiente precisión. Pruebe con FA en lugar de PCA, para ver, y trate de extraer 2 factores en lugar de uno, también.