Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 14 vistas

    CapÃ-tulo 7.analisismulti PDF

    Cargado por

    toroisrael
    Este capítulo trata sobre la teoría del análisis multivariante. Explica que el análisis multivariante analiza conjuntos de datos con múltiples variables para entender mejor los fenómenos estudiados. Luego describe los tres tipos principales de técnicas multivariantes - métodos de dependencia, métodos de interdependencia y modelos estructurales - y algunas técnicas específicas dentro de cada categoría.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como PDF, TXT o lea en línea desde Scribd

    CapÃ-tulo 7.analisismulti PDF

    Cargado por

    toroisrael
    14 vistas7 páginas
    Este capítulo trata sobre la teoría del análisis multivariante. Explica que el análisis multivariante analiza conjuntos de datos con múltiples variables para entender mejor los fenómenos estudiados. Luego describe los tres tipos principales de técnicas multivariantes - métodos de dependencia, métodos de interdependencia y modelos estructurales - y algunas técnicas específicas dentro de cada categoría.

    Título original

    CapÃ-tulo 7.analisismulti.pdf

    Derechos de autor

    © Attribution Non-Commercial (BY-NC)

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este capítulo trata sobre la teoría del análisis multivariante. Explica que el análisis multivariante analiza conjuntos de datos con múltiples variables para entender mejor los fenómenos estudiados. Luego describe los tres tipos principales de técnicas multivariantes - métodos de dependencia, métodos de interdependencia y modelos estructurales - y algunas técnicas específicas dentro de cada categoría.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    14 vistas7 páginas

    CapÃ-tulo 7.analisismulti PDF

    Cargado por

    toroisrael
    Este capítulo trata sobre la teoría del análisis multivariante. Explica que el análisis multivariante analiza conjuntos de datos con múltiples variables para entender mejor los fenómenos estudiados. Luego describe los tres tipos principales de técnicas multivariantes - métodos de dependencia, métodos de interdependencia y modelos estructurales - y algunas técnicas específicas dentro de cada categoría.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 7

    Captulo 7.

    Teora sobre anlisis multivariante

    BLOQUE III. ANLISIS MULTIVARIANTE


    CAPTULO 7 Teora sobre anlisis multivariante.
    El anlisis multivariante engloba un grupo de tcnicas o mtodos estadsticos cuya finalidad es analizar simultneamente conjuntos de datos multivariantes en el sentido de que hay varias variables medidas para cada individuo u objeto estudiado. Su razn de ser radica en un mejor entendimiento del fenmeno estudiado, obteniendo informacin que los mtodos estadsticos univariantes y bivariantes son incapaces de conseguir. As, como Hair et al. (1999) dicen: Slo a travs del anlisis multivariante las relaciones mltiples de este tipo podrn ser examinadas adecuadamente para obtener un entendimiento ms completo y real del entorno que permita tomar las decisiones ms adecuadas. [4]

    III. 7.1 Objetivos del Anlisis Multivariante.


    Pueden sintetizarse en dos principalmente: 1. Proporcionar mtodos cuya finalidad es el estudio de conjunto de datos multivariantes, que el anlisis estadstico uni y bidimensional son incapaces de conseguir. 2. Ayudar al analista o investigador a tomar decisiones ptimas en el contexto en el que se encuentre, teniendo en cuenta la informacin disponible por el conjunto de datos analizado.

    III. 7.2 Tipos de tcnicas multivariantes.


    Se pueden clasificar en tres grandes grupos (ver esquema adjunto):

    Captulo 7. Teora sobre anlisis multivariante 1. Mtodos de dependencia


    stos suponen que las variables analizadas estn divididas en dos grupos: las variables dependientes y las variables independientes. El objetivo de los mtodos de dependencia consiste en determinar si el conjunto de variables independientes afecta al conjunto de variables dependientes y de qu forma.

    2. Mtodos de interdependencia
    Estos mtodos no distinguen entre variables dependientes e independientes y su objetivo consiste en identificar qu variables estn relacionadas, cmo lo estn y por qu.

    3. Modelos estructurales
    Suponen que las variables estn divididas en dos grupos: el de las variables dependientes y el de las independientes. El objetivo de estos mtodos es analizar, no slo cmo las variables independientes afectan a las variables dependientes, sino tambin cmo estn relacionadas las variables de los dos grupos entre s. En el siguiente esquema se resumen las distintas tcnicas.

    Dependiente Mtrica Mtodos de Dependencia Dependiente No Mtrica

    Anlisis de Regresin Anlisis de Supervivencia MANOVA Correlacin Cannica Anlisis Discriminante Regresin Logstica Anlisis Conjoint A. Comp. Principales Anlisis Factorial Escalas Multidimensionales Anlisis Cluster Anlisis de Correspondencias Modelos log-lineales Escalas Multidimensionales Anlisis Cluster

    Tcnicas Multivariantes
    Mtodos de Interdependencia

    Datos Mtricos

    Datos No Mtricos

    Modelos estructurales

    Figura 20. Tcnicas de anlisis multivariante.

    Captulo 7. Teora sobre anlisis multivariante III. 7.2.1 Mtodos de dependencia.


    Se pueden clasificar en dos grandes subgrupos segn que la variable (s) dependiente (s) sea (n) cuantitativas o cualitativas.

    III. 7.2.1.1 Dependencia mtrica. 1. Anlisis de Regresin.


    Es la tcnica adecuada si en el anlisis hay una o varias variables dependientes mtricas cuyo valor depende de una o varias variables independientes mtricas. Por ejemplo, intentar predecir el gasto anual en cine de una persona a partir de su nivel de ingresos, nivel educativo, sexo y edad.

    2. Anlisis de Supervivencia.
    Es similar al anlisis de regresin pero con la diferencia de que la variable independiente es el tiempo de supervivencia de un individuo u objeto. Por ejemplo, intentar predecir el tiempo de permanencia en el desempleo de un individuo a partir de su nivel de estudios y de su edad.

    3. Anlisis de la varianza.
    Se utilizan en situaciones en las que la muestra total est dividida en varios grupos basados en una o varias variables independientes no mtricas y las variables dependientes analizadas son mtricas. Su objetivo es averiguar si hay diferencias significativas entre dichos grupos en cuanto a las variables dependientes se refiere. Por ejemplo, hay diferencias en el nivel de colesterol por sexos? Afecta, tambin, el tipo de ocupacin?

    4. Correlacin Cannica.
    Su objetivo es relacionar simultneamente varias variables mtricas dependientes e independientes calculando combinaciones lineales de cada conjunto de variables que maximicen la correlacin existente entre los dos conjuntos de variables. Por ejemplo, analizar cmo est relacionado el tiempo dedicado al trabajo y al ocio de una persona con su nivel de ingresos, su edad y su nivel de educacin.

    Captulo 7. Teora sobre anlisis multivariante III. 7.2.1.2 Dependencia no mtrica. 1. Anlisis Discriminante.
    Esta tcnica proporciona reglas de clasificacin ptimas de nuevas observaciones de las que se desconoce su grupo de procedencia basndose en la informacin proporcionada por los valores que en ella toman las variables independientes. Por ejemplo, determinar los ratios financieros que mejor permiten discriminar entre empresas rentables y poco rentables. El objetivo del anlisis discriminante es, por tanto, identificar cules son las caractersticas distintivas de los individuos en cada grupo y, posteriormente, poder utilizarlas para estimar el grupo al que pertenecen otros individuos de los que se conocen dichas caractersticas, pero no su grupo de pertenencia. Este mtodo de anlisis permite, en primer lugar, determinar cules son las variables (de entre una serie de variables seleccionadas previamente por el investigador) que mejor explican la pertenencia de un individuo a un determinado grupo. En segundo lugar, tambin permite determinar el grupo al que pertenecer un individuo pendiente de clasificacin sobre la base de las respuestas de dicho individuo a las variables que ms explican la pertenencia a cada grupo. Es una tcnica muy potente puesto que permite considerar muchas variables de forma simultnea.

    2. Modelos de regresin logstica.


    Son modelos de regresin en los que la variable dependiente es no mtrica. Se utilizan como una alternativa al anlisis discriminante cuando no hay normalidad.

    3. Anlisis Conjoint.
    Es una tcnica que analiza el efecto de variables independientes no mtricas sobre variables mtricas o no mtricas. La diferencia con el Anlisis de la Varianza radica en dos hechos: las variables dependientes pueden ser no mtricas y los valores de las variables independientes no mtricas son fijadas por el analista. En otras disciplinas se conoce con el nombre de Diseo de Experimentos. Por ejemplo, una empresa quiere disear un nuevo producto y para ello necesita especificar la forma del envase, su precio, el contenido por envase y su composicin qumica. Presenta diversas composiciones de estos cuatro factores. 100 clientes proporcionan un ranking de las combinaciones que se le presentan. Se quiere determinar los valores ptimos de estos 4 factores.

    Captulo 7. Teora sobre anlisis multivariante III. 7.2.2 Mtodos de Interdependencia.


    Se pueden clasificar en dos grandes grupos segn los tipos de datos que analicen, que al igual que en los mtodos de dependencia, pueden ser mtricos o no mtricos.

    III. 7.2.2.1 Dependencia mtrica. 1. Anlisis Factorial y Anlisis de Componentes Principales.


    Se utiliza para analizar interrelaciones entre un nmero elevado de variables mtricas explicando dichas interrelaciones en trminos de un nmero menor de variables denominadas factores (si son inobservables) o componentes principales (si son observables). As, por ejemplo, si un analista financiero quiere determinar cul es el estado de salud financiero de una empresa a partir del conocimiento de un nmero de ratios financieros, construyendo varios ndices numricos que definan su situacin, el problema se resolvera mediante un Anlisis de Componentes Principales. Si un psiclogo quiere determinar los factores que caracterizan la inteligencia de un individuo a partir de sus respuestas a un test de inteligencia, utilizara para resolver este problema un Anlisis Factorial.

    2. Escalado Multidimensional (MDS).


    Esta tcnica ha sido una de las utilizadas para la realizacin de este proyecto y aqu slo se menciona brevemente. Se har un desarrollo ms exhaustivo en un apartado posterior. Su objetivo es transformar juicios de semejanza o preferencia en distancias representadas en un espacio multidimensional. Como consecuencia se construye un mapa en el que se dibujan las posiciones de los objetos comparados de forma que aqullos percibidos como similares estn cercanos unos de otros y alejados de objetos percibidos como distintos. Por ejemplo, analizar, en el mercado de refrescos, las percepciones que un grupo de consumidores tiene acerca de una lista de refrescos y marcas con el fin de estudiar qu factores subjetivos utiliza un consumidor a la hora de clasificar dichos productos.

    3. Anlisis Cluster.
    Al igual que ocurra con el escalamiento multidimensional, el anlisis cluster es la segunda tcnica empleada en el proyecto. Su objetivo es clasificar una muestra de entidades (individuos o variables) en un nmero pequeo de grupos de forma que las observaciones pertenecientes a un grupo sean muy similares entre s y muy

    Captulo 7. Teora sobre anlisis multivariante


    distintas del resto. A diferencia del Anlisis Discriminante se desconoce el nmero y la composicin de dichos grupos. Precisamente, es la utilizacin de escalamiento multidimensional, as como del anlisis cluster, lo que permite dar respuesta a esas dos incgnitas. Por ejemplo, clasificar grupos de alimentos (pescados, carnes, vegetales y leche) en funcin de sus valores nutritivos.

    III. 7.2.2.2 Dependencia no mtrica. 1. Anlisis de Correspondencias.


    Se aplica a tablas de contingencia multidimensionales y persigue un objetivo similar al de las escalas multidimensionales pero representando simultneamente las filas y columnas de las tablas de contingencia. Por ejemplo, analizar el paro en Aragn teniendo en cuenta la provincia, sexo, edad y nivel de estudios del parado.

    2. Modelos log-lineales.
    Se aplican a tablas de contingencia multidimensional y modelizan relaciones de dependencia multidimensional de las variables observadas que buscan explicar las frecuencias observadas.

    III. 7.3 Etapas de un anlisis multivariante.


    Las etapas necesarias para realizar un anlisis multivariante pueden sintetizarse en 6:

    1. Objetivos del anlisis.


    Se define el problema especificando los objetivos y las tcnicas multivariantes que se van a utilizar. El investigador debe establecer el problema en trminos conceptuales definiendo los conceptos y las relaciones fundamentales que se van a investigar. Se deben establecer si dichas relaciones van a ser relaciones de dependencia o de interdependencia. Con todo esto se determinan las variables a observar.

    2. Diseo del anlisis.


    Se determina el tamao muestral, las ecuaciones a estimar (si procede), las distancias a calcular (si procede) y las tcnicas de estimacin a emplear. Una vez determinado todo esto se proceden a observar los datos.

    Captulo 7. Teora sobre anlisis multivariante 3. Hiptesis del anlisis.


    Se evalan las hiptesis subyacentes a la tcnica multivariante. Dichas hiptesis pueden ser de normalidad, linealidad, independencia, homocedasticidad, etc. Tambin se debe decidir qu hacer con los datos perdidos (missing).

    4. Realizacin del anlisis.


    Se estima el modelo y se evala el ajuste a los datos. En este paso pueden aparecer observaciones atpicas (outliers) o influyentes, cuya influencia sobre las estimaciones y la bondad de ajuste se debe analizar.

    5. Interpretacin de los resultados.


    Dichas interpretaciones pueden llevar a re-especificaciones adicionales de las variables o del modelo con lo cual se puede volver de nuevo a los pasos 3) y 4).

    6. Validacin del anlisis.


    Consiste en establecer la validez de los resultados obtenidos analizando si los resultados obtenidos con la muestra se generalizan a la poblacin de la que procede. Para ello se puede dividir la muestra en varias partes en las que el modelo se vuelve a estimar y se comparan los resultados. Otras tcnicas que se pueden utilizar aqu son las tcnicas de remuestreo (jacknife y bootstrap).

    También podría gustarte