Análisis multivariante
Enviado por julioguime • 22 de Noviembre de 2022 • Tarea • 34.330 Palabras (138 Páginas) • 50 Visitas
Los resultados del test que se consignan en la data en Excel que se adjunta, se propone observar el Constructo “Perfil Sicológico del joven adulto” aplicado a 600 jóvenes de la ciudad de Guayaquil, desde diferentes teorías sicológicas para describir al hombre.
Con la finalidad que cada uno tenga sus propios resultados, agregue 10 datos más correspondientes a 10 jóvenes, en cada uno de los 27 ítems, el ingreso de esta data es con la lógica de los valores que por lo general hay en cada ítem; de tal manera que cada uno de los doctorandos tenga una base de 610 datos 27-variantes.
Este test tiene 4 dimensiones:
HUMAN: HUMANISMO (tiene 9 ítems)
MATERIA: MATERIALISMO (tiene 9 ítems)
COGNITIVO: COGNITIVO (tiene 6 ítems)
COGEMOC: COGNITIVO EMOCIONAL (tiene 3 ítems)
El doctorando debe presentar en formato word con sus interpretaciones y utilizando el R, lo que se indica:
1° Determine con la matriz de correlaciones policóricas, la prueba de esfericidad de Bartlet y la prueba KMO si procede un análisis factorial. Expliqué por qué procede o no de acuerdo a cada uno de estos 3 criterios.
Se agrego 10 datos más correspondientes a 10 jóvenes, en cada uno de los 27 ítems con la función aleatoria de Excel.
#LIBRERIAS
library(readxl)
library(GPArotation)
library(Matrix)
library(nFactors)
library(paran)
library(descr)
library(foreign)
library(psych)
library(haven)
library(MVN)
library(openxlsx)
library(readxl)
library(lavaan)
library(semPlot)
library(semTools)
library(tidyverse)
> getwd()
[1] "C:/Users/Julio/Documents/Analisis multivariante/trabajo final"
a) Matriz de correlaciones policóricas.
getwd()
library(readxl)
> DAF <- read_excel("~/Analisis multivariante/trabajo final/DATA ANALISIS FACTORIAL.xlsx",
+ na = "empty")
> View(DAF)
[pic 1]
> dim(DAF)
[1] 609 27
> str(DAF)
tibble [609 x 27] (S3: tbl_df/tbl/data.frame)
$ HUMAN1 : num [1:609] 3 3 3 3 3 4 5 3 3 1 ...
$ COGNITIVO1: num [1:609] 4 2 3 4 3 3 5 5 3 3 ...
$ MATERIA1 : num [1:609] 2 3 3 3 3 2 1 3 3 2 ...
$ MATERIA2 : num [1:609] 2 2 4 3 3 2 1 1 2 1 ...
$ HUMAN2 : num [1:609] 2 3 2 3 3 2 1 3 2 2 ...
$ HUMAN3 : num [1:609] 4 3 4 4 4 3 5 3 5 5 ...
$ COGNITIVO2: num [1:609] 2 3 2 4 3 2 1 3 2 3 ...
$ MATERIA3 : num [1:609] 2 2 1 3 3 1 5 5 3 1 ...
$ HUMAN4 : num [1:609] 4 3 4 4 3 2 5 3 4 5 ...
$ COGNITIVO3: num [1:609] 3 2 3 4 3 2 1 3 4 1 ...
$ MATERIA4 : num [1:609] 2 3 3 3 3 2 5 3 4 4 ...
$ HUMAN5 : num [1:609] 2 3 2 4 2 3 1 3 2 4 ...
$ COGNITIVO4: num [1:609] 3 2 3 4 3 4 5 4 3 3 ...
$ MATERIA5 : num [1:609] 2 3 3 3 3 1 1 1 3 3 ...
$ HUMAN6 : num [1:609] 2 3 1 4 1 2 1 3 2 1 ...
$ MATERIA6 : num [1:609] 2 3 2 3 3 1 1 2 3 2 ...
$ HUMAN7 : num [1:609] 3 3 3 4 2 4 1 3 2 2 ...
$ COGNITIVO5: num [1:609] 3 3 4 4 3 1 5 3 2 2 ...
$ HUMAN8 : num [1:609] 3 3 3 3 2 4 1 3 3 1 ...
$ MATERIA8 : num [1:609] 1 5 1 3 3 1 5 4 3 1 ...
$ HUMAN9 : num [1:609] 3 3 3 3 4 2 1 3 4 5 ...
$ COGNITIVO6: num [1:609] 3 4 4 4 3 5 5 2 4 5 ...
$ MATERIA9 : num [1:609] 3 2 2 3 3 2 1 5 4 5 ...
$ COGEMOC1 : num [1:609] 3 3 3 4 3 2 5 4 2 2 ...
$ MATERIA7 : num [1:609] 3 1 1 3 3 1 5 1 2 1 ...
$ COGEMOC3 : num [1:609] 2 3 4 1 2 4 5 2 2 3 ...
$ COGEMOC2 : num [1:609] 3 3 4 4 3 3 5 2 3 3 ...
> r.poly
Call: polychoric(x = DAF)
Polychoric correlations
HUMAN1 COGNITIVO1 MATERIA1 MATERIA2 HUMAN2 HUMAN3 COGNITIVO2 MATERIA3
HUMAN1 1.00
COGNITIVO1 0.16 1.00
MATERIA1 0.30 -0.01 1.00
MATERIA2 0.18 -0.07 0.40 1.00
HUMAN2 0.42 0.03 0.65 0.31 1.00
HUMAN3 0.27 0.17 0.15 -0.02 0.25 1.00
COGNITIVO2 0.11 0.42 0.23 0.06 0.20 0.16 1.00
MATERIA3 0.31 0.01 0.64 0.36 0.50 0.19 0.22 1.00
HUMAN4 0.33 0.09 0.13 -0.03 0.28 0.38 0.08 0.17
COGNITIVO3 0.07 0.41 0.13 0.05 0.09 0.22 0.57 0.11
MATERIA4 0.33 0.02 0.57 0.34 0.44 0.21 0.26 0.50
HUMAN5 0.31 0.07 0.28 0.10 0.47 0.35 0.17 0.34
COGNITIVO4 0.08 0.51 0.15 0.01 0.14 0.21 0.40 0.17
MATERIA5 0.23 0.02 0.58 0.40 0.39 0.07 0.15 0.50
HUMAN6 0.23 0.05 0.35 0.16 0.53 0.25 0.12 0.49
MATERIA6 0.24 0.06 0.56 0.42 0.44 0.17 0.23 0.60
HUMAN7 0.30 0.05 0.28 0.11 0.49 0.31 0.13 0.23
...