Sociologia

Seminario de Doctorado
Anlisis de correspondencias
Pedro Lpez-Roldn
Departamento de Sociologa
Centro de Estudios Sociolgicos sobre la Vida Cotidiana y el Trabajo (QUIT)
Instituto de Estudios del Trabajo (IET)
Universidad Autnoma de Barcelona
Pedro.Lopez.Roldan@uab.cat
Sandra Fachelli
Departamento de Sociologa y Anlisis de las Organizaciones
Universidad de Barcelona
Grupo de Investigacin en Educacin y Trabajo (GRET)
Universidad Autnoma de Barcelona
Sandra.Fachelli@ub.edu
Agosto de 2015
Presentacin: el anlisis de correspondencias
El Anlisis de Correspondencias (ACO) es una tcnica de anlisis de datos

multivariable que responde a diversas tradiciones y aportaciones:
Enfoque del anlisis de componentes principales y la tradicin de la Escuela
Francesa de lAnalyse des Donnes (Benzcri, 1973; Lebart et al., 2004;
Crivisqui, 1993; Greenacre, 2008)
Implementacin en el programa SPAD (Systme Portable pour lAnalyse des
Donnes) y otros (SAS, R,...)
La tradicin holandesa con el grupo de Data Theory Scaling System Group
(DTSS) de la Universidad de Leiden (Gifi, 1981) es un enfoque que se ha
implementado en el programa SPSS y se habla de Escalamiento ptimo
Otras contribuciones (Correa, 2008):
Escalamiento ptimo de la Escuela Americana
Escalamiento dual canadiense
Anlisis de escalograma israel
Mtodo de cuantificacin japons
Promedios recprocos
Anlisis Cannico Generalizada
Anlisis de varianza
Anlisis Factorial de Correspondencias 1

2 variantes principales:
Anlisis de Correspondencias Simples (ACS)
Anlisis de Correspondencias Mltiples (ACM)
Otras variantes:
Anlisis de Correspondencias Mltiples Condicional (ACMC)
Anlisis de Correspondencias Asimtrico (ACA)
Anlisis de Componentes Principales Categrico (ACPC)
Es una tcnica de anlisis factorial
Busca factores que son la expresin de combinaciones de las variables
originales
Expresan los principales factores de diferenciacin (inercia explicada)
Ordenados jerrquicamente
Reducen los datos: Prdida de informacin y ganancia en significacin
La representacin grfica es una ayuda para la interpretacin: la proximidad en
el espacio significa correlacin entre categoras: correspondencias

Variables originales Variables

y categoras factoriales
Variable 1
Categora 1
Categora 2
Categora 3
Categora 4 Factor 1
Variable 2
Categora 1
Categora 2
Categora 3
Variable 3
Categora 1
Categora 2
Categora 3 Factor 2
Categora 4
Variable 4
Categora 1
Categora 2
Categora 3
Contribucin fuerte
Contribucin moderada
Sin flecha Contribucin dbil

Anlisis de Correspondencias Simples
El ACS trata de analizar, describir y representar grficamente la informacin

contenida en una tabla de distribucin conjunta de datos dispuestos en filas y
columnas: sus correspondencias (asociaciones)
Es una tcnica destinada al anlisis de la relacin de dos variables cualitativas,
tratadas como nominales
En general se trata de una tabla de doble entrada de nmeros positivos:
Tabla de contingencia (conocimiento de la lengua y edad)
Casos por variables (comarcas y ocupacin por sectores)
Matriz de distancias (distancias entre objetos, municipios)
Matrices de transicin o tabla de movilidad (origen y destino)
En ACS, en general, la mayor parte de la informacin de la tabla se suele expresar
en trminos de 2 factores
En la representacin grfica cada categora o valor de la variable se representa
como un punto en el espacio: puntos-fila y puntos-columna
Las proximidades geomtricas entre puntos-fila y puntos-columna traducen las
asociaciones estadsticas entre filas y columnas

Perfiles fila y columna: distribuciones condicionales por fila y por columna (en %)
EDAD Edad del entrevistado/a
Perfiles fila 1 2 3 4 5 6
Menos de 26 26-35 36-45 46-55 56-65 Ms de 65 Total
1 Lo habla y lo escribe 38,3% 21,7% 12,7% 9,6% 7,5% 10,2% 100,0%
conocimiento del
LENGUA Nivel
2 Lo habla pero no escribe 4,7% 15,5% 20,5% 20,3% 18,9% 20,1% 100,0%
3 Lo entiende solamente 7,4% 12,6% 20,0% 23,8% 19,9% 16,3% 100,0%
cataln
4 No lo entiende 2,1% 6,8% 15,1% 13,0% 24,0% 39,1% 100,0%

Total 18,7% 16,9% 17,1% 16,7% 14,8% 15,9% 100,0%
EDAD Edad del entrevistado/a

Perfiles columna Menos de 2 3 4 5 6 Total
26 26-35 36-45 46-55 56-65 Ms de 65
1 Lo habla y lo escribe 81,6% 51,2% 29,6% 22,9% 20,1% 25,7% 39,8%

LENGUA Nivel de
2 Lo habla pero no escribe 7,4% 27,1% 35,3% 35,6% 37,5% 37,2% 29,4%
conocimiento del
3 Lo entiende solamente 10,6% 20,2% 31,7% 38,5% 36,3% 27,8% 27,0%

4 No lo entiende
cataln
0,4% 1,5% 3,3% 2,9% 6,1% 9,3% 3,8%

Total 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0%

Representacin grfica de perfiles: distribuciones condicionales en el espacio

Los perfiles columna Menos de 25: (0,816 , 0,074 , 0,110) con 0,187 de masa
(para cada edad la distribucin de la lengua)
son puntos que se encuentran en el Espacio I
hiperplano de ecuacin:
I nij
n 1 W
cuyo centro es Gj i 1 Menos 25

j
Centro de
Las categoras de las filas (lengua) masas o de
gravedad
son el espacio de coordenadas (en 3D)
W
Habla y escribe
26-35
donde se representan los puntos-columna Gj

36-45
(las edades) con una masa f+j W
W46-55
W Ms de 65
W
56-65
Dualmente espacio J
Representacin simultnea

Esquema del ACS. Transformacin de la tabla de contingencia
Tabla de perfiles columna Nube de I puntos en Ejes de la nube de puntos columna

X
Y
1
1 2 j J Total

2
=
i

I
Total 1 1 1 1 1
Tabla de contingencia original Tabla de frecuencias relativas Representacin simultnea

X 1 2 j J X
Y
Total
Y 1 2 j J Total
1 n11 n12 n1j n1J n1+ 1

= Relaciones
2 n21 n22 n2j n2J n2+ 2
baricntricas
i ni1 ni2 nij niJ ni+ i

I nI1 nI2 nIj nIJ nI+ I
Total n+1 n+2 n+i n+J n++ Total 1
Tabla de perfiles fila Nube de J puntos en Ejes de la nube de puntos fila

X 1 2 j J

Total
Y
1 = 1
2 1

i 1

I 1
Total 1

Objetivo del anlisis: comparar las filas y las columnas para determinar las
correspondencias que se dan entre la diferentes categoras o modalidades
Procedimiento tcnico:
1) Mtrica para determinar la proximidad: medida de distancia 2
2
J
1 fij fi ' j
d 2 (i, i ' )
j 1 f j fi fi '
2) La suma de la distancias de cada punto al centro de gravedad es la inercia.
La inercia total es
3) La distancia 2 se transforma en euclidiana y se
obtiene la Matriz de Inercia (o de Varianzas y
Covarianzas)
4) Como en ACP se procede a la Diagonalizacin:
a la obtencin de los vectores propios (factores)
y valores propios (inercia explicada por los
factores)

Resultados e interpretacin

Vectores propios: son los factores, se extraen un total de mn I , J 1
Valores propios: expresan la inercia relativa (la varianza explicada) de cada eje
Criterios del nmero de factores a retener
1. Considerar el nmero de ejes que acumulan en torno al 70% de la inercia total
2. Representar grficamente los factores
y los valores: Grfico de sedimentacin
Scree test (Catell, 1966)
3. Interpretabilidad y pertinencia conceptual
de los ejes obtenidos
La contribucin absoluta de cada punto a la inercia explicada f i y ik2

CTAik
por el eje factorial k
La contribucin relativa, la correlacin entre puntos-fila y ejes
yik2
factoriales, mide la contribucin relativa del factor o eje en la CTRik 2 cos 2 (i, k )
posicin de una modalidad, la calidad de su representacin d (i, G j )
Valores test de significacin

Representacin grfica

Buscar las categoras con mayor contribucin absoluta
De estos se distinguen entre los positivos y los negativos para definir las
polaridades del eje
Se estudia la calidad de la representacin de los puntos, las valores ms altos
de contribucin relativa
Interrelacionan los ejes para dar cuenta de la estructura de relaciones teniendo
en cuenta el orden jerrquico de cada eje
Una categora que coincide con el perfil medio se ubicar en el centro del
espacio cercano al origen ("tipo ideal promedio"). Si se aleja difiere de este
promedio.
Si dos filas (o columnas) tienen perfiles similares se situarn prximos en el
espacio.
Equivalencia distribucional: las distancias entre dos modalidades no se alteran si
se juntan. Criterio de recodificacin.
Modalidades suplementarias (ilustrativas)

Efecto Guttman: se configura una forma de parbola o arco

Anlisis de Correspondencias Simples con SPAD
Ejemplo 1: la tabla como matriz de datos en SPAD - CORBI

Ejemplo 1: programa de instrucciones con Predefined chains
Procedimiento Corbi
ACS a partir de una tabla de
contingencia en una base de
datos .sba
Procedimiento Table+Corbi
ACS a partir de una matriz
de datos de individuos por
variables, donde primero se
construye la tabla de
contingencia
Ambos incorporan a continuacin el procedimiento Defac

Para la descripcin de los ejes factoriales

Ejemplo 1: programa de instrucciones y resultados
Gallery of
Graphics
Factorial
Result Graph Editor
Editor

Ejemplo 1: Corbi, Simple Correspondence Analysis

Nmero de Factores
factores listados
retenidos
Seleccin
de
variables Frecuencias activas
Frecuencias ilustrativas
columnas Ilustrativas categricas o continuas
Seleccin Gallery of
de casos Graphics
filas
Opciones de
Excel

Ejemplo 1: Defac, Description of Factorial Axes
Los parmetros por defecto
Factores listados
Opciones de Excel

Ejemplo 1: Corbi, resultados

ACS amb SPAD
Min{4,6}-1=3
Valores propios: inercia asociada al eje
= 1153,4695081
CORBI: Simple Correspondence % varianza o inercia explicada
Analysis
El 1er factor los explica casi todo
Coordenadas del grfico

factorial + i
Contribuciones Contribuciones
absolutas relativas
1
Peso relativo: % total
(nj100) / n
Distancia de la 100 100% / 6 =16,7%

categora al origen %
100 100% / 4 =25%

Anlisis Factorial de Correspondencias % 18
Ejemplo 1: Defac, resultados
Factor 1
Filas (casos) y
columnas
(frecuencias) ms
relevantes de
cada eje o factor
Se alejan del Factor 2

centro del grfico
(middle area)
Factor 3

Ejemplo 1: Grfico factorial
Clicando sobre el editor de

grficos factoriales, en el
editor clicamos sobre
New graph
Marcamos los recuadros en

blanco:
- actives cases
- active frequencies
Los elementos en gris no se

pueden seleccionar
Podemos seleccionar casos
Podemos seleccionar variables

Edicin del formato: color, tamao,

Ejemplo 1: Grfico factorial flecha,
Seleccionamos todos los

puntos (<CTRL-A>) o men
Selection:
etiquetamos:
trazamos segmentos

Ejemplo 4: tabla de contingencia con Table+Corbi
1. Abrimos la matriz GSS.SAV en el

editor de datos y la guardamos
en formato de SPAD: GSS.SBA
2. Analizaremos la relacin entre la

V32 (felicidad) y V38 (ingresos)
3. Realizamos un ACS con la previa

construccin de la tabla. En
Template/ Predefined chains
seleccionamos:
-Factorial analysis
-Cross-tabs and Correspondence
Analysis
A continuacin especificamos los

parmetros y ejecutamos

Ejemplo 4: Especificaciones de Table+Corbi

Seleccionamos Row y ponemos V32
Seleccionamos Column y ponemos V38
En Table+Corbi, en la pestaa
Command clicamos sobre
Cross tables definition
El resto de parmetros por

defecto

Ejemplo 4: Especificaciones de Defac
Como el nmero de factores

mximo es de 2 i el
procedimiento Defac considera
por defecto los 3 primeros, se
genera un error si no lo
cambiamos a dos factores

Ejemplo 4: Resultados

Ejemplo 4: Resultados

Anlisis de Correspondencias Mltiples
El Anlisis de Correspondencias Mltiples (ACM) es la aplicacin de la ACS al estudio

de tablas lgicas donde se considera un n cualquiera de variables cualitativas
Pero con procedimientos de clculo y reglas de interpretacin especficas
Notacin. Consideremos la matriz X:
n individuos (i=1...n)
p variables cualitativas (j=1...p)
Cada variable x+j tiene c categoras (diferentes segn la variable)

que permiten descomponer la variable en tantas modalidades o categoras
Codificacin disyuntiva completa:

Si un individuo i tiene en la variable j la categora c = co, entonces tendr:
- El valor 1 para esta categora, xijk, y
- 0 para el resto de las categoras de la variable, xijk = 0 si c co
Se obtiene as la Matriz o Tabla Disyuntiva

Matriz o Tabla Disyuntiva D (matriz lgica o binaria) asociada a la matriz de datos

original:
La Matriz o Tabla de Contingencia de Burt B, B=DD, es la que resulta de todas las

posibles tablas de contingencia las p variables.
Propiedad que se cumple para la extensin del ACS en ACM:
es equivalente un ACS de la tabla de contingencia entre Y y X
que analizar la tabla disyuntiva D (de n filas e I+J columnas)
o analizar la tabla de Burt de I+J filas y I+J columnas
A partir de la tabla de Burt, se obtienen los vectores y valores propios
diagonalizando la matriz: 1
V D 1 B
p

Propiedades particulares y reglas de interpretacin
Cada categora es el punto medio de los individuos que la componen, ponderado por
el coeficiente
La proporcin de inercia explicada por los ejes factoriales es dbil (pesimista). Es
necesaria una frmula de clculo de transformacin y obtener as los valores
propios corregidos:
a) Benzcri (1979) propuso la frmula:
1) Calcular la inversa del nmero de variables: 1/p
2) Seleccionar los valores propios superiores a: 1/p
2 2
3) Calcular los valores propios corregidos con: p 1
Cj j
p 1 p
4) Calcular de nuevo la proporcin de varianza explicada
b) Greenacre (2008: 187-191, 198-201, 274) aade una propuesta de mejora a

partir de eliminar la diagonal de la matriz de Burt, y recalculando la inercia total
como:
p m p
ITC I (B) 2
p 1 p

Propiedades particulares y reglas de interpretacin
La inercia explicada por una categora es mayor cuanto menos frecuente. En este
sentido considerar:
Como mnimo el error muestral. En general un mnimo del 5%
En SPAD, procedimiento CORMU, permite ventilar (de hecho imputar el valor
medio) las categoras con una frecuencia inferior al 2% (ajustable)
En SPAD es posible la seleccin de modalidades en COREMA (ACM con seleccin
de categoras), se eliminan pero se visualizan como ilustrativas
La inercia explicada por una variable es mayor cuantas ms categoras tenga

El nmero de factores o ejes en ACM es: mp
m modalidades o categoras menos p variables
p
m p
La suma de los valores propios (la inercia total) es: j
j 1 p
Categoras suplementarias o ilustrativas (papel de VI, los factores VD)
Grficos factoriales: categoras activas, ilustrativas e individuos
Proceso de anlisis
de un ACM

La distincin de P. Bourdieu
Criterio y bases sociales del gusto
Rouanet, H., Ackermann, W., Le Roux, B. (2001). El anlisis geomtrico de encuestas: la leccin de La
Distincin de Bourdieu. Revista Colombiana de Sociologa, 6, 1, 139-145.
http://www.revistas.unal.edu.co/index.php/recs/article/viewFile/11063/11729

Espacio Social:
Las diferencias de clases (y de fracciones) se distribuye entre aquellos
que estn mejor provistos (capital econmico y cultural) y aquellos que
estn menos provistos.
El espacio social es una representacin abstracta, un mapa, para
comprender la realidad social.
Hbitus:
No slo es una estructura estructurante, la cual organiza prcticas y la
percepcin sobre las prcticas, sino tambin una estructura estructurada:
el principio de divisin entre la lgica de clases la cual organiza la
percepcin del mundo social. Es en s mismo el producto de
internalizacin de la divisin entre clases sociales.

Los Estilos de vida son productos sistemticos del hbitus, el cual,

percibido en su relacin mutua, a travs de esquemas de hbitos, se
vuelven sistemas de signos que son socialmente calificados
(distinguido, vulgar, etc.)
Gusto:
Es el operador prctico de la transmutacin de cosas en signos
distintos y distintivos, de una distribucin continua en oposiciones
discontinuas. Las diferencias inscriptas a nivel fsico se traslada al
orden simblico, se trata de distinciones significantes.
Es la fuente del sistema de diferentes caractersticas, las cuales no
fallan al ser percibidas como una expresin sistemtica de una clase
particular de condiciones de existencia.

Tipo de preguntas en la encuesta sobre gustos:
Variables Activas:
Decoracin del hogar (12 categoras)
Amigos (12 categ.)
Platos que se sirven a los amigos (6 categ.)
Estilos de muebles (6 categ.)
Cantantes preferidos (12 categ.)
Obras de msica clsica (15 categ.)
Visita a museos (4 categ.)
Pintura (5 categ.)
Variables ilustrativas:
Edad
Profesin del padre
Nivel de instruccin
Ingresos
Anlisis de Correspondencias Mltiples con SPAD
Procedimiento general de construccin tipolgica:

ACM en combinacin con el anlisis de clasificacin (ACL)
Seleccionamos el procedimiento predefinido por el men: Template / Predefined chains
Anlisis Factorial combinado con

Anlisis de Clasificacin
CORMU: Anlisis de
Correspondencias Mltiples
COREM: Anlisis de Correspondencias

Mltiples con eliminacin de categoras
CORCO: Anlisis de Correspondencias

Mltiples Condicional

Procedimiento general de construccin tipolgica:

ACM en combinacin con el anlisis de clasificacin (ACL)
ACM
CORMU: Multiple Correspondence Analysis
DEFAC: Description of Factorial Axes
ACL
RECIP/SEMIS: Factor Based Cluster Analysis
PARTI-DECLA: Cut the tree & Cluster Description
Guardar variables
ESCAL: Storing of Factorial Axis & Partitions

Ejemplo 5: Relacin entre Actitud, Estudios y Sexo


Matriz de datos
Actitud.sba

Ejemplo 5: Relacin entre Actitud, Estudios y Sexo.

Procedimiento de ACM exclusivamente. Seleccionamos el procedimiento predefinido.
Anlisis Factorial
CORMU: Anlisis de
Correspondencias Mltiples
COREM: Anlisis de Correspondencias

Mltiples con eliminacin de categoras
CORCO: Anlisis de Correspondencias

Mltiples Condicional

Ejemplo 5: Relacin entre Actitud, Estudios y Sexo. Procedimiento de ACM exclusivamente
CORMU: Multiple Correspondence

Analysis
Exportacin a Excel
de los resultados
Gallery of
Graphics
Factorial
Graph Editor
DEFAC: Description of Result

Factorial Axes Editor

Ponderacin: variable
Seleccin V4 de frecuencia
de variables
Activas categricas
Ilustrativas categricas
Ilustrativas continuas Nmero de factores retenidos
Factores listados
Eliminacin de
Seleccin categorias
de casos frecuencia < 2%
Taula de Burt
(optativa)
Opciones de
Excel


Eliminacin de casos 7 categoras
3 variables
Frecuencia < 2% asociadas
Casos ponderados Distribucin de frecuencias e histrograma

Tabla de Multiple correspondence table

Burt Favo Cont Infe Medi Supe Homb Muje
Favo 513,00 0,00
Cont 0,00 930,00
Infe 158,00 85,00 243,00 0,00 0,00
Medi 283,00 479,00 0,00 762,00 0,00
Supe 72,00 366,00 0,00 0,00 438,00
Homb 226,00 422,00 119,00 306,00 223,00 648,00 0,00
Muje 287,00 508,00 124,00 456,00 215,00 0,00 795,00
Multiple correspondence table - Row profiles

Favo Cont Infe Medi Supe Homb Muje
Favo 35,55 0,00
Cont 0,00 64,45
Infe 65,02 34,98 16,84 0,00 0,00
Medi 37,14 62,86 0,00 52,81 0,00
Supe 16,44 83,56 0,00 0,00 30,35
Homb 34,88 65,12 18,36 47,22 34,41 44,91 0,00
Muje 36,10 63,90 15,60 57,36 27,04 0,00 55,09

m-p=7-3=4 Valores propios: inercia asociada al eje
m-p/m=7-3/3
% varianza o inercia explicada
1,3333 Contribuciones Contribuciones

absolutas relativas
Coordenadas o
factores de carga
+ i 1
Peso relativo: % total

(nj*100) / (n*p)
Distancia de
Chi-cuadrado al origen 100%
d2(j,G)=(n/nj)1 100% 100%/7=14,3%
Si > 2 la categora
es significativamente
diferente de 0, se
aleja del centro de
gravedad G

Transformacin de los valores propios y clculo de la inercia corregida
Valores iniciales Valores corregidos

1
j ( D) j2 ( B) j ( D)
p
Valor % Valor % Valor % Valor propio % Inercia % Inercia % Acumu-
Factor Factor
propio Inercia propio Inercia propio Inercia corregido (*) (1) (2) lado
1 0,445989 33,45% 0,198906 42,15% 1 0,445989 33,45% 0,028555 92,27% 69,46% 69,46%
2 0,365936 27,45% 0,133909 28,38% 2 0,365936 27,45% 0,002392 7,73% 5,82% 75,28%
3 0,300091 22,51% 0,090055 19,09% Suma 0,811925 61% 0,030947 100% 75,3% 75,3%
4 0,221318 16,60% 0,048982 10,38%
Suma 1,333334 100% 0,471852 100% (*) Valor propio (autovalor) corregido de Benzcri
2 2
I(D) I(B) p 1
1,333333
C
j j
p
m p p 1 p

j 1
j
p
Clculo de la inercia total
Variables (p ): 3 Factores (k ): (1) Benzcri: suma de (2) Greenacre: corregida sin la

valores propios corregidos diagonal de B
m-p = 4
k
p m p
I j
Categoras (m ): 7 Umbral: C
T I TC I ( B) 2
0,333333 j 1 p 1 p

0,030947 0,041111

Transformacin de los valores propios y clculo de la inercia corregida

DEFAC: Description of Factorial

Axes


Descripcin de los factores


Editor de grficos factoriales
Nuevo grfico
Casos activos
Casos ilustrativos
Variables activas categricas
Variables ilustrativas categricas
Variables ilustrativas continuas

Editor de
Zoom grficos
Abrir y Seleccin de Etiquetar Dibuja factoriales
Nuevo guardar el puntos y lneas Dibuja trayectorias
grfico grfico Rota segmentos
simtricamente
los ejes
Refrescar
pantalla
Escollir
eixos


Sociologia

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Sociologia

Uploaded by

Copyright:

Available Formats

Seminario de Doctorado

El Anlisis de Correspondencias (ACO) es una tcnica de anlisis de datos

Anlisis Factorial de Correspondencias 1

Anlisis Factorial de Correspondencias 2

Variables originales Variables

Anlisis Factorial de Correspondencias 3

El ACS trata de analizar, describir y representar grficamente la informacin

Anlisis Factorial de Correspondencias 4

4 No lo entiende 2,1% 6,8% 15,1% 13,0% 24,0% 39,1% 100,0%

EDAD Edad del entrevistado/a

1 Lo habla y lo escribe 81,6% 51,2% 29,6% 22,9% 20,1% 25,7% 39,8%

3 Lo entiende solamente 10,6% 20,2% 31,7% 38,5% 36,3% 27,8% 27,0%

0,4% 1,5% 3,3% 2,9% 6,1% 9,3% 3,8%

Anlisis Factorial de Correspondencias 5

Representacin grfica de perfiles: distribuciones condicionales en el espacio

cuyo centro es Gj i 1 Menos 25

donde se representan los puntos-columna Gj

Anlisis Factorial de Correspondencias 6

Esquema del ACS. Transformacin de la tabla de contingencia

Tabla de perfiles columna Nube de I puntos en Ejes de la nube de puntos columna

Tabla de contingencia original Tabla de frecuencias relativas Representacin simultnea

1 n11 n12 n1j n1J n1+ 1

Tabla de perfiles fila Nube de J puntos en Ejes de la nube de puntos fila

Anlisis Factorial de Correspondencias 7

Anlisis Factorial de Correspondencias 8

La contribucin absoluta de cada punto a la inercia explicada f i y ik2

Valores test de significacin

Anlisis Factorial de Correspondencias 9

Anlisis Factorial de Correspondencias 10

Efecto Guttman: se configura una forma de parbola o arco

Anlisis Factorial de Correspondencias 11

Ejemplo 1: la tabla como matriz de datos en SPAD - CORBI

Anlisis Factorial de Correspondencias 12

Ejemplo 1: programa de instrucciones con Predefined chains

Ambos incorporan a continuacin el procedimiento Defac

Anlisis Factorial de Correspondencias 13

Ejemplo 1: programa de instrucciones y resultados

Anlisis Factorial de Correspondencias 14

Ejemplo 1: Corbi, Simple Correspondence Analysis

Anlisis Factorial de Correspondencias 15

Ejemplo 1: Defac, Description of Factorial Axes

Los parmetros por defecto

Anlisis Factorial de Correspondencias 16

Ejemplo 1: Corbi, resultados

Anlisis Factorial de Correspondencias 17

El 1er factor los explica casi todo

Coordenadas del grfico

Distancia de la 100 100% / 6 =16,7%

100 100% / 4 =25%

Ejemplo 1: Defac, resultados

Se alejan del Factor 2

Anlisis Factorial de Correspondencias 19

Ejemplo 1: Grfico factorial

Clicando sobre el editor de

Marcamos los recuadros en

Los elementos en gris no se

Podemos seleccionar variables

Anlisis Factorial de Correspondencias 20

Edicin del formato: color, tamao,

Seleccionamos todos los

Anlisis Factorial de Correspondencias 21

Ejemplo 4: tabla de contingencia con Table+Corbi

1. Abrimos la matriz GSS.SAV en el