Professional Documents
Culture Documents
TEMARIO
1. Contextualizacin y Revisin General de las Tcnicas Multivariantes 2. El Anlisis Preliminar de los Datos 3. Anlisis de Regresin Lineal Mltiple 4. Anlisis Conjunto 5. Anlisis de Regresin Logstica 6. Anlisis de Supervivencia Bibliografa Evaluacin
Anlisis Multivariante 2
Modelos Multivariantes
Modelos Multivariantes
Modelos Multivariantes
Modelos Multivariantes
Modelos Multivariantes
Modelos Multivariantes
Modelos Multivariantes
Anlisis Multivariante
Guin
Introduccin El mtodo cientfico Importancia de lo multivariante Modelos estadsticos El Modelo Lineal General Fases o etapas de una investigacin Algunos conceptos que debemos recordar Anlisis multivariante Lecturas obligatorias: Definicin Captulo 1 Clasificacin
Captulo 6 Modelos Multivariantes 11
Algunas cuestiones previas. (2008). Estadstica Prctica para la Investigacin en Ciencias de la Salud. Corua: Netbiblo. Pginas 3-11. Introduccin al Anlisis Multivariante. (2008). Estadstica Prctica para la Investigacin en Ciencias de la Salud. Corua: Netbiblo. Pginas 189-199.
Anlisis Multivariante
12
INTRODUCCIN
El psiclogo es un CIENTFICO SOCIAL, por lo que debe desligarse de lo meramente especulativo La labor del cientfico no es fcil. Debe transformar las especulaciones, cbalas e hiptesis en verdades, eso s, en verdades probables .. (uso de la estadstica) Proveerse de un MTODO. No es tanto el contenido de la investigacin, sino el procedimiento de adquisicin e incorporacin de conocimientos, lo que define el territorio cientfico y lo distingue del no cientfico.
Anlisis Multivariante
13
EL MTODO CIENTFICO
El cientfico se plantea descubrir cmo se organizan los fenmenos, sus relaciones, las leyes que los regulan, aunque lo que caracteriza al cientfico no es tanto lo que hace sino cmo lo hace Mtodo Cientfico es el procedimiento mediante el cual podemos alcanzar un conocimiento riguroso y objetivo de la realidad (conjunto de reglas para investigar)
DOS CARACTERSTICAS Carcter emprico: tiene como primer y ltimo referente la experiencia, la observacin Carcter replicable: todos los pasos seguidos hasta llegar a l son susceptibles de ser repetidos de forma idntica
Anlisis Multivariante 14
EL MTODO CIENTFICO
TRES SUPUESTO o PRINCIPIOS La naturaleza es comprensible. Se estructura u organiza siguiendo algn tipo de leyes. Es posible detectar ciertas regularidades y relaciones entre los distintos elementos que la configuran, con el fin de poder catalogarlas y comprenderlas La naturaleza es uniforme. La existencia de las regularidades encontradas (y sus explicaciones) tienen carcter universal. Sin embargo, este principio no resulta del todo asumible para las ciencias sociales ya que existe una variabilidad intrnseca al comportamiento humano que hace necesario el uso de la estadstica para elaborar modelos del comportamiento (variables aleatorias vs. deterministas) La naturaleza tiene una causalidad finita. Los agentes que pueden estar originando un determinado fenmeno no slo son conocibles, sino que adems son limitados, finitos. De esta asuncin se deriva el conocido Principio de Parsimonia, que nos lleva a elegir siempre las explicaciones 15 ms simples para dar cuenta de los problemas
Importancia de lo MULTIVARIANTE
Nadie duda de que el comportamiento humano y el comportamiento de los grupos o de las organizaciones, es algo complejo y sobre el que confluyen multitud de factores Los investigadores del Comportamiento deben dotarse de herramientas estadsticas para poder comprobar cmo distintas variables se combinan para explicar los comportamientos objeto de estudio: Anlisis Multivariante La mejor forma de REPRESENTAR el conocimiento que poseemos de la realidad y de las leyes que la rigen es la ELABORACIN de MODELOS Su relativa uniformidad hace que dichos modelos (cuando se trata de explicar el comportamiento humano) tengan que ser Modelos Estadsticos Adems, dado el carcter finito de la causalidad, en su labor cotidiana el cientfico debe esforzarse siempre en el desarrollo de modelos lo ms parsimoniosos posible
Anlisis Multivariante 16
MODELOS
Qu es un MODELO? Una representacin formal, estructurada, concisa y
clara de la realidad, que permite recoger y explicar sus propiedades y las leyes que la rigen, posibilitando la realizacin de predicciones. TIPOS: Modelos icnicos. Son imgenes fsicas, normalmente tridimensionales y a escala, de algn objeto material o imaginario (Ej: las maquetas) Modelos analgicos. Objetos materiales o procesos pictricos destinados a reproducir en otro medio la estructura del objeto o situacin original (Ej. grficas de los polmetros, del sueo) Modelos teorticos. Una organizacin de ideas o estructura conceptual que ayuda a explicar el comportamiento o los fenmenos investigados. Estn basados en lenguajes especializados, como el lenguaje matemtico o la lgica.
Anlisis Multivariante 17
de una situacin, que permiten hacer predicciones en torno a la distribucin de los acontecimientos Los MODELOS ESTADSTICOS son un tipo concreto de Modelos Matemticos 2. Modelos Informticos. Son modelos expresados en un lenguaje de programacin
Anlisis Multivariante 18
MODELOS ESTADSTICOS
Los MODELOS ESTADSTICOS contienen una parte sistemtica (S) y una parte aleatoria (A) La combinacin de ambos componentes debe ser capaz de reproducir el objeto de inters cientfico (Y)
Y =S+A
Aunque existen multitud de formas de vincular los dos elementos de un Modelo Estadstico, la primera tentativa y la ms recurrida, por su simplicidad, es la FORMA LINEAL, sumando ambos componentes
Anlisis Multivariante 19
MODELO LINEAL
Y =S+A
La parte aleatoria (A) se suele denominar trmino de error y acostumbra a representarse por la letra E La parte sistemtica (S) suele incluir ms de un elemento y, por ello, es frecuente que se desglose en varios componentes sistemticos f(Xi), que representen el efecto simultneo de diversas variables
Y = f ( Xi ) + E
Anlisis Multivariante 20
Y = f ( X i) + E
f(Xi) representa una combinacin lineal de las variables explicativas donde f(Xi) = 1 X1 + 2 X2 + i Xi , siendo 1, 2 y i coeficientes que representan el peso, efecto o importancia relativa de cada variable explicativa de Y
Y = 0 + 1 X 1 + 2 X 2 + K + E
Anlisis Multivariante 21
En definitiva...
La estrategia habitual, cuando el problema de investigacin es relativamente simple, es la de intentar explicarlo a travs de un Modelo Lineal De no ser posible, para no encorsetar la realidad, se recurre a un nivel mayor de complejidad en la formulacin matemtica. Por ejemplo Modelos no lineales como los exponenciales, logartmicos, etc El investigador debe optar siempre por el modelo ms simple y parsimonioso de los plausibles. Es el mayor reto en el desarrollo de una INVESTIGACIN
Anlisis Multivariante 22
1. 2. 3. 4. 5. 6. 7. 8. 9. 10.
Planteamiento del Problema Formulacin de Objetivos y/o Hiptesis Diseo de investigacin Elaboracin de Cuestionario y procedimiento de administracin Diseo de la Muestra Seleccin de los Entrevistadores Trabajo de Campo y Supervisin Codificacin de preguntas y depuracin de la informacin Tabulacin y Anlisis de Datos Redaccin del Informe de Resultados
23
Anlisis Multivariante
TIPOS:
A nivel estadstico Hiptesis nula e Hiptesis alternativa
Anlisis Multivariante 25
Delimitar los objetivos nos permite identificar las variables y aspectos concretos
Para practicar en grupos redactar posibles objetivos (y sus correspondientes variables operativas) para los siguientes casos prcticos de POSIBLES PROBLEMAS . Elaborar un Cuestionario Problema 1. El medio televisin: audiencia y planificacin de comunicacin Problema 2. Estudio seguimiento de la campaa con nome de muller de woman emprende da Universidad de Santiago Problema 3. Tolerancia al abandono del Sistema de Gratuidad de Libros de texto en primaria Problema 4. El mercado de los productos precocinados Problema 5. El perfil del internauta Problema 6. Equipamiento de los hogares. Observatorio de las TIC Problema 7. La moda de Espaa vista por los profesionales del sector Problema 8. Imagen de las cadenas nacionales de radio Problema 9. El poder prescriptor de las Revistas Problema 10. Movilidad de los Universitarios en Santiago y necesidades de transporte pblico
Selectivo o de Encuesta
Observacional
Modelos Multivariantes 28
Para evitar sesgos en la administracin del cuestionario, los entrevistadores deben de trabajar de acuerdo con un protocolo previamente consensuado que garantice la mxima homogeneidad interentrevistadores. Las condiciones de la entrevista, a lo largo de la muestra, debe ser independiente del entrevistador Para ello: adecuacin, seleccin y formacin, acompaado de un buen briefing que reduzca la posible variabilidad
2. 3.
Etapa 8: Codificacin de preguntas y depuracin de la informacin Durante el propio trabajo de campo, el supervisor de la red debe comprobar las preguntas, si se complet, posibles contradicciones lgicas en las respuestas, En el centro de la investigacin: categorizacin y codificacin de preguntas abiertas y considerar posibles re-clasificaciones (ej. preguntas mtricas en no mtricas) Creacin fichero de datos y grabacin: buscar inconsistencias, valores fuera de rango, respuestas de las preguntas filtro, transformacin de variables, cuantificar la no-respuesta, etc anlisis preliminar de los datos
2.
3.
ANLISIS de datos
La ESTADSTICA como un cuadro de herramientas. 3 niveles de anlisis:
Nivel 1: DESCRIPTIVO-UNIVARIADO. Resumir e ilustrar la informacin contenida en una matriz de datos Nivel 2:INFERENCIAL-BIVARIADO. Estimar parmetros, contrastar hiptesis, comparar el comportamiento de dos o ms grupos o analizar la relacin entre pares de variables Nivel 3: MODELIZACIN-MULTIVARIANTE. Elaborar modelos, ecuaciones o funciones que permitan explicar unas variables a partir de otras o identificar variables latentes para resumir la informacin Modelos Multivariantes 36
Generalizacin de resultados
Determinar a qu poblacin podemos aplicar nuestros resultados y ampliar los conocimientos (muestreo) Problema de la Representatividad de la muestra: * Sujetos * Contexto
.
Calidad del Diseo Experimental: Validez Interna, Validez Externa, Validez Ecolgica y Validez de Constructo
Modelos Multivariantes
38
Generalizacin de resultados
.
Validez Interna
Es el grado en que los cambios observados se pueden atribuir a la manipulacin experimental. Estudia hasta que punto una causa puede ser atribuida a un efecto. Ej.: Ensayo clnico: tiene el mximo grado de validez interna. 1. Experimentales autnticos: Verdaderos, puros, pues no tienen problemas de validez interna 2. Cuasiexperimentales: No se pueden descartar la presencia de variables confundidoras, pues no es posible eliminarlas todas. El investigador sabe que A es causa de B, pero no est seguro que A tambin pueda ser causa de otros factores como C D. 3. No experimentales: Estn cerca de los anteriores en cuanto a validez interna, aunque presentan ms variables confundidoras, pueden ser: 3.1 Longitudinales: (Prospectivo / Retrospectivo) 3.2 Transversales. AMENAZAS: Las variables confundidoras que afectan al diseo, forman parte de las AMENAZAS a la validez interna. Ejemplo. : Dar un curso de educacin sanitaria en un barrio de la ciudad, formo dos grupos : 1.- Con personas de la raza paya 2.- Con personas de la raza gitana A los payos les doy el curso y a los gitanos no les doy el curso Si posteriormente analizamos quien cumple mejor las reglas de higiene y nuestra hiptesis es que el curso ha servido para aumentar la higiene, tambin deberemos tener en cuenta que hay variables que han podido influir, tales como la raza y/o las diferencias en el poder adquisitivo o nivel econmico de los grupos. 39 - Cuando una variable hace que un grupo de partida sea diferente (por ej. raza) se les llama AMENAZA
Generalizacin de resultados
.
Generalizacin de resultados
.
Validez Externa
.
Es el grado en que los resultados de un estudio pueden ser generalizados a muestras o condiciones espacio-temporales diferentes. Ej. A causa B, pero seguira causando B con otros: * Sujetos *Contexto (Validez Ecolgica) * Momentos Los estudios descriptivos (encuestas) son los que ms se preocupan por la validez externa. La validez externa est afectada por los siguientes aspectos: * Por la variable independiente. Es el nivel de operacionalizacin de la Variable Independiente. Efecto Rosenthal: es el efecto derivado de las expectativas. Cuando algo se espera un efecto favorece que se produzca. Se reflejan en el otro sujeto * Efecto Hawthorne: son las expectativas que el sujeto tiene sobre si mismo, es el efecto de la autoexpectativa. Se refleja por el sujeto sobre s mismo * FIABILIDAD (Yin,1994): El criterio para demostrar que las caractersticas de una investigacin no condicionan los resultados. (Ej: La recogida de datos: Si repetimos el estudio obtendramos resultados similares. Grado de seguridad o consistencia. Objetivo minimizar los errores y los sesgos)
Generalizacin de resultados
.
Validez Ecolgica
Es aquella que se puede aplicar en distintos contextos. Ej. Los hospitales de EE.UU. no son iguales que los hospitales de Espaa, por lo tanto lo que all es vlido puede no serlo aqu
Validez de Constructo
Alude a la relacin existente entre la V. Independiente que se manipula y el constructo terico que se supone se manipula. Representa principalmente dos amenazas: 1. Problemas en la definicin operacional del constructo. 2. Poco desarrollo terico del constructo.
.
Modelos Multivariantes 42
VARIABLES
Toda caracterstica o dimensin de un sujeto (u objeto) susceptible de adoptar distintos valores o nombres. Por ello podemos hablar de medida en Psicologa Tipos de variables ...teniendo en cuenta: Su nivel de medida (Stevens, 1951): Nominales Ordinales Intervalo Razn Su papel en la investigacin Independientes (predictores) Dependientes (criterio)
Modelos Multivariantes 46
VARIABLE NOMINAL
Los nmeros no implican cantidad, sino cualidad, categoras, funcin identificadora (sexo, estado civil, etc.) Ejemplo: Cul es su estado civil?
* Soltero * Casado * Separado * Divorciado * Viudo (1) (2) (3) (4) (5)
47
Modelos Multivariantes
VARIABLE ORDINAL
Los nmeros reflejan cantidad Pueden establecerse relaciones de orden (mayor o menor) No existe una unidad de medida Ejemplo: En conjunto dira usted que se siente actualmente:
* Nada feliz * Poco feliz * Bastante feliz * Muy feliz * Totalmente feliz (1) (2) (3) (4) (5)
48
Modelos Multivariantes
VARIABLE de INTERVALO
Unidad de medida pero no cero absoluto o ausencia de... Ejemplos: el C.I., temperatura
VARIABLE de RAZN
Existencia de un cero absoluto
Ejemplo: INGRESOS ECONMICOS Niveles de medida dbiles y fuertes (ESCALA)
Modelos Multivariantes
49
Algunos conceptos
Codificar es asignar cdigos numricos o alfabticos a las
diferentes categoras de una variable cualitativa u ordinal. Permite identificar las distintas categoras de una variable
Sexo : Hombre (0) Mujer (1) Hombre (H) Mujer (M)
Los datos missing representan la falta de respuesta. Es frecuente tener casos incompletos por diversas razones. El SPSS les asigna una coma
Modelos Multivariantes 51
Algunos conceptos
Tipos de Datos:
Longitudinales (evolucin de una variable a lo largo del tiempo. Variables clnicas) Transversales (distintos elementos en un mismo momento. Encuestas de opinin) De Panel (combinacin de los anteriores. Diversos elementos en diferentes momentos. Encuesta de Poblacin Activa) Datos de Perfil Datos de Preferencia Datos de Proximidad y/o Similaridad Datos de Distancia y/o Disimilaridad
Modelos Multivariantes 52
Ms conceptos
Datos mtricos y no mtricos Poblacin Muestra Parmetro Estadstico Error de muestreo Error tpico Distribucin muestral
Anlisis Multivariante
53
MATRICES
1 . . Sujetos . . . . x m m1 Variables 1 . . . . . . . . . . . . . . . .n x11 x1n (xij)
xnm
Conjunto de nmeros reales ordenados en filas y columnas. El lugar donde se recoge la informacin de una investigacin
Modelos Multivariantes 54
ANLISIS MULTIVARIANTE
La Complejidad de los fenmenos sociales obliga a recoger gran cantidad de medidas. Se necesita una visin conjunta e integrada de la realidad: Anlisis Multivariante Por lo tanto, surge como una forma de hacer asimilable al entendimiento humano gran cantidad de datos que hay en una MATRIZ que represente la realidad, sintetizando los aspectos ms relevantes y perdiendo el mnimo de informacin posible. til porque permite descubrir estructuras, establecer relaciones o contrastar hiptesis globales, reflejando los mecanismos que actan para determinar la conducta humana de una manera ms adecuada, ya que est multideterminada. KENDALL lo define como una extensin del anlisis univariable y bivariable al anlisis simultneo de ms de dos variables en un muestreo de observaciones.
Anlisis Multivariante
56
ANLISIS MULTIVARIANTE
Razones de la expansin
1.Necesidades de investigacin. La complejidad de los fenmenos sociales requiere un tratamiento de datos multidimensional 2.El desarrollo de la informtica y los ordenadores. Posibilidad de realizar clculos complejos en pocos segundos 3.Utilidad en numerosos campos 4.Proliferacin de la investigacin de mercados y los estudios de opinin (ver www.usc.es/psicom) 5.Abundante bibliografa aplicada (artculos, manuales y series monogrficas)
Anlisis Multivariante 57
ANLISIS MULTIVARIANTE
PELIGROS: Fcil estimacin y difcil interpretacin Incluir demasiadas variables (vs. parsimonia) Olvido de la teora (modelizar por modelizar) PROBLEMAS: Incumplimiento de Supuestos Tamao muestral elevado Casos anmalos Relevancia conceptual y significacin estadstica
Anlisis Multivariante 58
Multivariate Analysis
Anlisis multivariable: psicologa, sociologa y economa Anlisis multivariante: bioestadstica, biologa Anlisis multivariado: educacin
59
DEFINICIN
Sheth, 1968. Mtodos estadsticos que se preocupan por el anlisis de las mltiples medidas que se han hecho sobre un cierto nmero de objetos Kendall, 1975. El conjunto de tcnicas estadsticas que analizan simultneamente ms de dos variables en una muestra de observaciones Cuadras, 1991. Una rama de la estadstica que estudia, interpreta y elabora el material estadstico sobre la base de un conjunto de n>1 variables, que pueden ser de tipo cuantitativo, cualitativo o una mezcla de ambos Hair, 1998. Todos los mtodos estadsticos que analizan simultneamente medidas mltiples de cada individuo u objeto sometido a investigacin
Anlisis Multivariante 60
CLASIFICACIN
Los primeros desarrollos surgen en el mbito de la Psicologa con Spearman sobre el Anlisis Factorial Aunque, posteriormente, fue en Marketing donde ms se utilizaron. La primera clasificacin surge en el Vol. 35 del Journal of Marketing (Kinnear y Taylor, 1971; Sheth, 1971) Dos criterios para clasificar las tcnicas multivariantes:
a) b) En funcin de los objetivos analticos de la investigacin: Descriptivos y Explicativos Criterios tcnicos como el nmero y la relacin entre las variables: Dependencia e Independencia
Anlisis Multivariante 61
2.
63
NO
Reciben el nombre de
Reciben el nombre de
Tcnicas de Interdependencia
Se acercan a la realidad sin hiptesis especficas y tratan de describir la realidad sintetizando la informacin relevante: Tcnicas Descriptivas o Reductivas
Tcnicas de Dependencia
Detectan las relaciones de dependencia entre una (o varias) V.D y una (o varias) V.I. elaborando una hiptesis que se intenta validar empricamente: Tcnicas Explicativas o Predictivas
Anlisis de Regresin, Medicin Conjunta, Anlisis Discriminante, Anlisis de Varianza 64
4. Anlisis Conjunto
Modelos Multivariantes
65
Modelos Multivariantes
66
Modelos Multivariantes
67
REGRESIN LINEAL
OBJETIVO: Explicar o predecir una variable Criterio a partir de una o varias variables predictoras. Caso simple o mltiple Y = a + b1X1 + b2X2 ++ bnXn
(mtrica) (..mtricas.)
EJEMPLO: Predecir las ventas a partir de la inversin en publicidad, n de tiendas, descuento aplicado. La cuota de mercado en funcin de las preferencias de los consumidores y la estructura de los canales de distribucin, etc. CONDICIN: Predictores y Criterio cuantitativos Simple o Mltiple
Caso especial: predictores categricos (Regresin con variables ficticias: DUMMY) Anlisis Multivariante 68
ANLISIS DISCRIMINANTE
OBJETIVO: Identificar funciones capaces de separar dos o ms grupos
de individuos segn sus puntuaciones en una serie de variables, con el fin de localizar las variables que contribuyen en mayor grado a discriminar a los sujetos de los diferentes grupos establecidos a priori. Tcnica de clasificacin.
Y = X1 + X2 + X3 + ... + Xn (no mtrica) (mtricas)
EJEMPLO: Predecir el voto a partir de los ingresos econmicos, la edad CONDICIN: Predictores cuantitativos y Criterio categrico Simple o Mltiple (segn el criterio sea dicotmico politmico)
Anlisis Multivariante 70
ANLISIS DISCRIMINANTE
Cuando en los ejemplos anteriores la V.D. es cualitativa o categrica Su fin es localizar funciones capaces de separar dos o ms grupos de individuos a partir de sus respuestas en una serie de variables. con el fin de localizar las variables que ms contribuyen a discriminar a los sujetos en los diferentes grupos establecidos por la variable dependiente Se utiliza para determinar el grupo al que pertenece un individuo que no ha proporcionado parte de la informacin solicitada: Conocer la opcin poltica de personas que no responden a esa pregunta Conocer si un nio puede desarrollar un cuadro depresivo o no En qu se diferencian los consumidores que respondieron a una campaa de MKT de aquellos que no lo han hecho Estimar si un nuevo producto tendr xito en el mercado considerando la inversin en publicidad y el precio
Anlsiisi Multivariante 71
REGRESIN LOGSTICA
OBJETIVO: Pronosticar o explicar la pertenencia de los sujetos a un grupo, a partir de sus puntuaciones en una serie de variables independientes o predictores (similar al discriminante). Estimar la probabilidad de que se de un evento. EJEMPLO: Predecir si un alumno va a aprobar o no en funcin de las horas de estudio, frecuencia de asistencia a clase, estatus socioeconmico
Y =
(no-mtrica)
X1 + X2 + X3 + ... + Xn
(mtricas o no-mtricas)
CONDICIN: VD categrica y VI mtricas-no mtricas Permite trabajar con predictores cualitativos y/o categricos
Anlisis Multivariante 72
REGRESIN LOGSTICA
Caso particular de la Regresin Mltiple en el que la V.D. es cualitativa, y las V.I. pueden ser cuantitativas o cualitativas Ventaja de esta tcnica: tiene pocas restricciones sobre la distribucin de las V.I., estando ms libre de supuestos restrictivos que la regresin mltiple y el anlisis discriminante El principal objetivo es la prediccin pero ahora la V.D. es cualitativa Es til cuando queremos saber si ciertas caractersticas socioeconmicas (estado civil, ingresos, nivel de estudios, etc.) influyen en que un individuo compre un determinado coche, conocer las caractersticas demogrficas de los clientes habituales y de los clientes ocasionales, etc.
Anlisis Multivariante 73
ANLISIS CONJUNTO
OBJETIVO: Entender cmo conforman los individuos sus preferencias hacia los objetos o estmulos, estimando la importancia relativa que le conceden a cada uno de los atributos o caractersticas de ste. CONDICIN: VI categrica (atributos) y VD ordinal Muy utilizado en Marketing (diseo de nuevos productos, test de envases, elasticidad del precio, Identificacin del producto ideal, segmentacin de mercados, simulaciones, etc.) Basado en los Modelos Descomposicionales Compensatorios EJEMPLO: Explicar las preferencias de las amas de casa hacia las diferentes opciones de LECHE envasada
Anlisis Multivariante 74
TAREA EXPERIMENTAL: Se solicita la opinin de un grupo de consumidores que debern de valorar 72 productos resultantes de la combinacin de sus caractersticas objeto de anlisis (3x2x2x2x3) La tarea es complicada y no llega a ser realista; por eso el A.C. realiza una seleccin de todas las combinaciones posibles, mostrando al consumidor tan slo algunas de stas RESULTADOS: El investigador es capaz de valorar la importancia de todos los atributos y los niveles de cada uno, mientras los consumidores valoran nicamente los perfiles de unos pocos productos
75 Anlisis Multivariante
Y CMO SE HACE?
El principio bsico consiste en descomponer PREFERENCIAS manifestadas por los productos en UTILIDADES O IMPORTANCIAS por atributo (y nivel) desarrollando los siguientes pasos: 1) Identificacin y Seleccin de los atributos relevantes para esa categora de producto o servicio. Focus group o experiencia del equipo. Ej. Al desarrollar una botella de agua podemos definir el formato y color del envase, el tapn, el precio, la marca, 2) Definicin de niveles u opciones para cada atributo. Para el atributo tapn podemos pensar en rosca, click,. 3) Seleccin de la combinacin de atributos a ser evaluada con el fin de determinar cul de todas es la preferida (ideal) para los consumidores
Modelos Multivariantes 76
y cmo se hace?
4) Recoleccin de datos La recogida de datos o la evaluacin de los estmulos se puede realizar de diferentes maneras: a) alternativas de a pares, pidiendo que elija entre dos productos b) ordenando los productos en un ranking, pidiendo que los clasifique por orden de preferencia c) Valorando los productos en una escala de 0 a 10 5) Seleccin del mtodo para calcular los valores de utilidad * Elegir un mtodo para cuantificar los valores de utilidad percibida de cada combinacin de atributos * Tambin es conveniente integrar los valores de utilidad con un anlisis costo-beneficio porque muchas veces la opcin ms valorada no es la ms rentable
Modelos Multivariantes 77
ANLISIS DE SUPERVIVENCIA
OBJETIVO: Predecir o modelizar el tiempo que transcurre hasta que ocurre un evento, el RIESGO de EJEMPLO: Conocer la probabilidad de supervivencia de un grupo de pacientes de una determinada patologa en funcin del tratamiento recibido, edad, etc. CONDICIN (3 variables diferentes): DE RESPUESTA: Tiempo de registro o seguimiento (cuantitativa) DE CENSURA: Si ha ocurrido o no el evento (dicotmica) EXPLICATIVAS: cuantitativa o cualitativa (Edad, Tratamiento, )
Anlisis Multivariante
78
ANLISIS DE VARIANZA
OBJETIVO: Determinar e qu medida una VD est influenciada por una o varias VI. Comprobar si existe un efecto significativo de un Tratamiento EJEMPLO: Comprobar si existe un efecto significativo del consumo de alcohol sobre el rendimiento atencional CONDICIN: VI categrica (factores) y VD cuantitativa Ideal para experimentos Una o varias VAS (VI): ONEWAY ANOVA (Diseos factoriales) MANOVA (Anlisis Multivariante de la Varianza: varias VD) ..Hasta aqu, fueron tcnicas de Dependencia. ahora sern de Interdependencia
Anlisis Multivariante 79
ANLISIS FACTORIAL
OBJETIVO: Reduccin de datos. A partir de la relacin entre variables observadas identificar un nmero menor de variables resumen, FACTORES o variables latentes que resultan despus de eliminar las redundancias existentes entre el conjunto inicial de variables observadas EJEMPLO: Agrupar tems de una escala y etiquetarlos bajo una misma dimensin o factor de evaluacin CONDICIN: Variables cuantitativas Exploratorio (AFE): Componentes Principales Confirmatorio (AFC): LISREL, AMOS
Anlisis Multivariante
80
ANLISIS DE CORRESPONDENCIAS
OBJETIVO: Reduccin de datos. A partir de la relacin entre variables observadas identificar DIMENSIONES o variables latentes. Profundiza en las relaciones que se establecen entre dos o ms variables categricas EJEMPLO: Obtener un Mapa Perceptual de Posicionamiento que muestra la asociacin entre el objeto y un conjunto de caractersticas, por ejemplo, de los pases tursticos europeos, identificando las dimensiones subyacentes CONDICIN: Variables cualitativas. SIMPLE (entre las categoras de dos variables) o MLTIPLE (ms de dos) Un subtipo de Anlisis Factorial, ideal para tablas de asociacin (recogida de datos rpida) Muy utilizado en Marketing
Anlisis Multivariante 81
ESCALAMIENTO MULTIDIMENSIONAL
OBJETIVO: Utilizar las proximidades entre objetos para realizar una representacin espacial de los mismos, identificando las dimensiones subyacentes EJEMPLO: Representacin espacial de las similitudes entre las distintas marcas de cerveza en Galicia, con el fin de conocer el posicionamiento relativo de cada una de ellas CONDICIN: Gran versatilidad en la recogida de datos (distintos tipos de tareas) Gran Utilidad en MKT e investigacin social Transforma los juicios de los consumidores, respecto a similitudes o preferencias, en distancias representadas en un espacio multidimensional
Anlisis Multivariante 83
OTRAS TCNICAS
Modelos de Ecuaciones Estructurales (SEM) o Anlisis de Estructuras de Covarianza Permite comprobar en qu medida un modelo terico se ajusta a los datos empricos En ocasiones se le llama tambin Path Analysis Variables cuantitativas Programas estadsticos: LISREL y AMOS Modelos Log-Lineales: Permite poner a pruebas modelos que postulan distinto tipo de relaciones entre dos o ms variables categricas.
Modelos Multivariantes
84
autoevaluacin
Crear una combinacin lineal de variables independientes para predecir de la mejor forma la variable dependiente. REGRESIN MLTIPLE Correlacionar una combinacin lineal de variables dependientes con una combinacin lineal de variables independientes CORRELACIN CANNICA Crear una combinacin lineal de variables para conocer la significacin de la diferencia entre grupos.. ANOVA, MANOVA Crear una combinacin lineal de variables independientes para maximizar la diferencia entre grupos, entre variables dependientes (prediccin de pertenencia a un grupo).. ANLISIS DISCRIMINANTE Crear una combinacin lineal de variables observadas que representen variables latentes.. COMPONENTES PRINCIPALES, ANLISIS FACTORIAL
Modelos Multivariantes 85