Los datos agrupados son un tipo de datos complejo y frecuentemente utilizado. Los métodos tradicionales de análisis factorial son efectivos para datos no agrupados, pero no capturan adecuadamente las correlaciones entre múltiples individuos u variables observadas en datos agrupados. Este artículo propone un enfoque bayesiano utilizando algoritmos MCMC y de muestreo de Gibbs para estimar con precisión los parámetros de interés dentro del modelo de análisis factorial agrupado. El gráfico de recorrido medio de los parámetros garantiza que la cadena de Markov converja, y se utiliza el modelo de eliminación de casos bayesiano para analizar el impacto del modelo e identificar valores atípicos en datos agrupados utilizando la distancia media posterior de Cook. La aplicabilidad y validez del modelo de análisis factorial basado en el método de componentes principales para datos agrupados se demuestran mediante la comparación de la estimación de parámetros de este método con el método de componentes principales, se comparan los datos agrupados con y sin relaciones internas mediante un análisis de ejemplo, y los grupos anómalos se identifican mediante la distancia media posterior de Cook.