Deja que te recomiendo primero en leer este Q / A . Se trata de rotaciones y puede insinuar o responder parcialmente a su pregunta.
Una respuesta más específica de mi parte sobre la interpretación podría ser la siguiente. Teóricamente, el análisis factorial de Factor es una característica latente univariada, o esencia. No es lo mismo que un conjunto o grupo de fenómenos. El término "construcción" en psicometría es genérico y podría conceptualizarse como factor (esencia) o conglomerado (prototipo) u otra cosa. Como el factor es la esencia univariante, debe interpretarse como el significado (relativamente simple) que se encuentra en (o "detrás") la intersección de los significados / contenidos de las variables cargadas por el factor.
Con la rotación oblicua, los factores no son ortogonales; aún así, generalmente preferimos interpretar un factor como entidad limpia de los otros factores. Es decir, idealmente, la etiqueta de factor X se disociaría de una etiqueta de factor Y correlacionada, para enfatizar la individualidad de ambos factores, mientras se supone que "en la realidad externa" se correlacionan. La correlación se convierte así en una característica aislada de las entidades a partir de las etiquetas de las entidades.
Si es esta la estrategia que generalmente se prefiere, la matriz de patrones parece ser la herramienta principal para la interpretación. Los coeficientes de la matriz de patrones son las cargas o inversiones únicas del factor dado en variables. Porque es coeficientes de regresión1. [Insisto en que es mejor decir "factor de cargas variables" que "factor de cargas variables".] La matriz de estructura contiene correlaciones (orden cero) entre factores y variables. Cuantos más factores X e Y se correlacionen entre sí, mayor puede ser la discrepancia entre las cargas del patrón y las cargas de la estructura en alguna variable V. Si bien V debería correlacionar más y más con ambos factores, los coeficientes de regresión pueden aumentar ambos o solo uno de los dos. El último caso significará que es esa parte de X que es diferente de Y lo que carga tanto a V; y de ahí que el coeficiente del patrón VX sea lo que es altamente valioso en la interpretación de X.
El lado débil de la matriz de patrones es que es menos estable de muestra a muestra (como generalmente los coeficientes de regresión en comparación con los coeficientes de correlación). Confiar en la matriz de patrones en la interpretación requiere un estudio bien planificado con un tamaño de muestra suficiente. Para el estudio piloto y la matriz de estructura de interpretación tentativa podría ser una mejor opción.
La matriz de estructura me parece potencialmente mejor que la matriz de patrón en la interpretación inversa de las variables por factores, si surge tal tarea. Y puede aumentar cuando validamos elementos en la construcción del cuestionario, es decir, decidir qué variables seleccionar y cuáles dejar caer en la escala que se está creando. Solo recuerde que en psicometría el coeficiente de validez común es el coeficiente de correlación (y no de regresión) entre el constructo / criterio y el ítem. Por lo general, incluyo un elemento en una escala de esta manera: (1) mire la correlación máxima (matriz de estructura) en la fila del elemento; (2) si el valor está por encima de un umbral (digamos, .40), seleccione el elemento sisu situación en la matriz de patrones confirma la decisión (es decir, el elemento se carga por el factor, y deseablemente solo por este, qué escala estamos construyendo). Además , la matriz de coeficientes de puntajes de factores es lo que es útil además de las cargas de patrones y estructuras en el trabajo de elementos de selección para una construcción de factores.
Si no percibe una construcción como un rasgo univariante, se cuestionaría el uso del análisis factorial clásico. El factor es delgado y elegante, no es como el pangolín o un puñado de lo que sea. La variable cargada por él es su máscara: el factor se muestra a través de lo que parece no ser ese factor en él.
1Las cargas de patrones son los coeficientes de regresión de la ecuación del modelo de factores . En el modelo, la variable predicha se entiende como característica observada estandarizada (en un FA de correlaciones) o centrada (en un FA de covarianzas), mientras que los factores son características latentes estandarizadas (con varianza 1). Los coeficientes de esa combinación lineal son los valores de la matriz de patrones. Como se ve claramente en las imágenes a continuación, los coeficientes de patrón nunca son mayores que los coeficientes de estructura, que son correlaciones o covarianzas entre la variable predicha y los factores estandarizados.
Alguna geometría . Las cargas son coordenadas de variables (como sus puntos finales de vector) en el espacio factorial. Solíamos encontrarnos con aquellos en "cargar parcelas" y "biplots". Ver fórmulas .
Izquierda. Sin rotación o con rotación ortogonal, los ejes (factores) son geométricamente ortogonales (así como estadísticamente no correlacionados) entre sí. Las únicas coordenadas posibles son cuadradas como las que se muestran. Eso es lo que se llama valores de "matriz de carga de factores".
Derecha. Después de la rotación oblicua, los factores ya no son ortogonales (y estadísticamente están correlacionados). Aquí se pueden dibujar dos tipos de coordenadas: perpendicular (y que son valores de estructura, correlaciones) y sesgado (o, para acuñar una palabra, "aloparallel": y que son valores de patrón, pesos de regresión).
Por supuesto, es posible trazar coordenadas de patrón o estructura mientras se obliga a los ejes a ser geométricamente ortogonales en la trama; es lo que ocurre cuando tomas la tabla de las cargas (patrón o estructura) y le das a tu software para construir un diagrama de dispersión estándar de esos, - pero luego el ángulo entre los vectores variables aparecerá ampliado. Por lo tanto, será un gráfico de carga distorsionado, ya que el ángulo original mencionado anteriormente era el coeficiente de correlación entre las variables.
Vea la explicación detallada de una gráfica de carga (en configuraciones de factores ortogonales) aquí .