En el análisis de encuestas con muchas preguntas, las complejas correlaciones entre los ítems dificultan la determinación de cuáles deben priorizarse tras el análisis. Este estudio propone un método para seleccionar ítems importantes utilizando cargas factoriales compuestas para abordar este desafío. Se resumen múltiples ítems relacionados con el resultado mediante análisis de componentes principales, utilizando el primer componente principal (ZY1) como variable de resultado. Por otro lado, dado que existen muchas preguntas causales, se agrupan mediante análisis de conglomerados basado en la estructura de correlación. A continuación, el análisis de regresión múltiple para la selección de variables, con ZY1 como variable dependiente y los componentes principales de cada grupo como variables independientes, extrae los componentes principales que tienen un impacto significativo en la variable de resultado. Sin embargo, no es posible abordar directamente los componentes principales en sí mismos, y resulta difícil determinar los ítems importantes cuando se seleccionan múltiples componentes principales del mismo grupo. Por lo tanto, este estudio presenta un método para seleccionar ítems importantes utilizando cargas factoriales compuestas que integran la información de los componentes principales seleccionados. Todos los métodos analíticos utilizados en este estudio, incluyendo el análisis de componentes principales, el análisis de conglomerados y el análisis de regresión múltiple, pueden ejecutarse utilizando JMP. Este método puede utilizarse como un enfoque práctico para apoyar la selección priorizada de elementos importantes en el análisis de encuestas con muchas preguntas.
