You are on page 1of 51

TECNICAS ESTADÍSTICAS

MULTIVARiADAS

Autora: Mg. Jessica Vicuña Villacorta
jvericka@hotmail.com

DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO

Las técnicas del Análisis Multivariable

Tipología de las técnicas

 De análisis de la dependencia
 De análisis de la interdependencia
 Otras técnicas

https://books.google.com.pe/books?id=m8-GYngyIggC&printsec=frontcover&dq=ANALISIS+MULTIVARIANTE&hl=es-
419&sa=X&ved=0ahUKEwjClfnq-anZAhWBtVMKHT18B9YQ6wEIKjAB#v=onepage&q=ANALISIS%20MULTIVARIANTE&f=false

DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO 2

Análisis de correspondencias

DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO 3

ANÁLISIS DE CORRESPONDENCIA

Es una técnica multivariante de interdependencia que se utiliza
para examinar gráficamente las relaciones entre dos conjuntos
de variables o categorías, generalmente con valores absolutos
en un espacio bidimensional, denominado mapa perceptual.

Se basan en la asociación entre objetos y un conjunto de
características descriptivas o atributos, especificados por el
investigador.

Por ejemplo: En investigación de mercados, se puede estar
interesado en relacionar por un lado los productos, las
empresas, las marcas y en el otro lado suele ser los atributos ,
las características.
DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO 4

Análisis de correspondencia

Objetivo:

Analizar relaciones entre variables categóricas y trabaja con
las frecuencias o matrices de valores absolutos.
Analizar las semejanzas y diferencias entre las categorías de
una misma variable.
Analizar la relación de semejanzas y diferencias entre las
categorías de las distintas variables incluidas en el análisis

Variables:

Variables : Categóricas (nominal, ordinal)

DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO 5

perfiles psicológicos. Estudios de preferencias de consumo en Investigación de Mercados. etc. Análisis de correspondencia Si se relaciona 2 variables Correspondencia categóricas simple Si se relaciona más de 2 variables Correspondencia categóricas múltiple. Estudios que buscan tipologías de individuos respecto a variables cualitativas (comportamiento de especies en biología. Estudios de posicionamiento de empresas a partir de las preferencias de consumidores. patrones de enfermedades en medicina.). DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO 6 .

Ejemplo 1. con E5 16 27 29 20 30 27 26 el fin de determinar el E6 45 20 20 16 26 22 15 posicionamiento de E7 15 2 18 15 24 18 16 dichas empresas con E8 19 14 19 10 22 21 18 E9 18 53 25 44 26 24 21 respecto a siete atributos. se entrevistó a E2 17 15 20 13 25 21 21 una muestra de clientes E3 18 18 23 12 25 20 21 E4 19 17 21 17 22 24 23 de nueve empresas. Cada cliente tuvo que asociar a cada atributo a una o más empresas DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO . Atributos Correspondencia simple Facilid Condicion ad de Rapidez de Informa Trato del es de acces En un estudio sobre el Empresas Precios Marcas entrega ción personal pago o mercado de material E1 16 6 20 11 28 21 21 eléctrico.

Desarrollo del ejemplo 1 (Correspondencia simple) en SPSS Ingresamos el código y luego el nombre de la categoría Ingresamos a vista de variables . para asignar sus nombres DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO 8 .

DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO .

DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO .

ingresamos 1 y 9 por ser 9 empresas DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO .. Click en definir rango.

DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO .

Resultados AC DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO .

las 2 información contenida primeras dimensiones en cada dimensión explican el 91. mucha mejor similitudes y dispersión diferencias en las variables DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO . La proporción de la La D2 explica el 27. es decir.1% de la información total Mide la importancia de En resumen si son independientes cada dimensión. A mayor habrá poca inercia y si son inercia e las 2 primeras dependientes (están relacionadas) dimensiones.5% de inercia. es la cantidad de la información. representa habrá mucha inercia.

La Inercia: Es el estadístico que mide la dispersión de la nube de puntos. La inercia es el promedio de las distancias de los distintos puntos a su centro de gravedad. tanto las filas como las columnas serán distintas entre sí. y el total de las observaciones. La inercia total es igual al cociente entre el estadístico Chi-cuadrado de la tabla. estando cada distancia ponderada por la masa del punto correspondiente. si las variables son muy dependientes. mientras que si son independientes serán parecidas DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO . Es decir.

Refleja el grado en que el atributo ha influido a la formación de la dimensión. juegan un rol importante en la explicación de cada DIRECCIÓN DEdimensión. INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO . En este caso la marca es el atributo más importante para la dimensión 1 y el precio para la dimensión 2 Los atributos que tienen mejor inercia.

DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO .

están fuertemente intercorrelacionados.Proximidad entre dos atributos. en este caso podría interpretarse que tienen las mismas fortalezas y debilidadades. quiere decir que tienen perfiles parecidos. Empresa 1 y 7. . Ejemplo Trato de personal y condiciones de pago.

Proximidad entre dos atributos y empresas. existe una fuerte asociación Ejemplo La empresa 9 y el atributo marca o la empresa 6 y el atributo precio Empresa 1 y 7. en este caso podría interpretarse que tienen las mismas fortalezas y debilidadades. .

 Los factores “F” representan a las variables originales. Mg. F. con una pérdida mínima de información.  En el A. siendo el número de factores menor que el número de variables. Jessica Vicuña Villacorta DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO . ANALISIS FACTORIAL  Es una técnica que consiste en resumir la información contenida en una matriz de datos con V variables. se identifican un reducido número de factores F.

DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO .

factores. y es en la utilizándose aplicación empírica contrastaciones donde se empíricas para su determina este corroboración. conoce apriori el los factores están número de fijados a priori. TIPOS DE ANALISIS FACTORIAL EXPLORATORIO CONFIRMATORIO Se caracteriza En el análisis de porque no se tipo confirmatorio. número. Mg. Jessica Vicuña Villacorta .

PASOS EN EL ANALISIS FACTORIAL 1. Mg. 4. Extracción de los factores necesarios para representar los datos. 3. Representación gráfica. 2. Examen de la matriz de correlaciones de todas las variables (conocida habitualmente como matriz R). Jessica Vicuña Villacorta DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO . Calcular las puntuaciones factoriales de cada individuo . Rotación de los factores con objeto de facilitar su interpretación.

Jessica Vicuña Villacorta DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO .  Correlación Múltiple Mg. 1º PASO: examen de la matriz de correlaciones Requisito : Las variables deben estar altamente correlacionadas. Los métodos que pueden utilizarse son:  El determinante de la matriz de correlaciones:  Test de Esfericidad de Bartlett:  Índice KMO de Káiser-Meyer-Olkin  Correlación Anti-imagen.

p =número de variables. El determinante de la matriz de correlaciones: Un determinante muy bajo indicará altas intercorrelaciones entre las variables. gl = p ( p-1)/2 Ln=logaritmo neperiano. La formula correspondiente asume la siguiente expresión: Donde: n =tamaño muestral. R =matriz de correlaciones. JessicaCÉSAR Vicuña VALLEJO Villacorta . pero no debe ser cero. pues esto indicaría que algunas de las variables son linealmente dependientes.  Test de Esfericidad de Bartlett: Ho: R = I Ausencia de correlación significativa entre las variables Ho: | R| = 1. DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD Mg.

6 <= KMO < 0.9 <= KMO <= 1 muy bueno 0.5 inaceptable Donde: rij= correlación simple.  Correlación Anti-imagen: Es el negativo del coeficiente de correlación parcial. DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSARVicuña Mg. Como baremo para interpretar el índice KMO podría tomarse según Kaiser: o. para que sea razonable la aplicación del Análisis Factorial. esperamos que los coeficientes de correlación parcial sean pequeños.8 mediano 0.8 <= KMO < 0. Si existe factores comunes. Jessica VALLEJO Villacorta . aij= correlación parcial.5 <= KMO < 0.7 mediocre 0.6 bajo KMO < 0.9 meritorio 0.7 <= KMO < 0. Indice KMO de Kaiser-Meyer-Olkin: Valores bajos del índice KMO desaconsejan la utilización de Análisis Factorial.

 Correlación Múltiple: Deberá ser alto. Donde: rij= correlación simple. sobre todo si la técnica a utilizar es un análisis factorial. Medida de Adecuación de la muestra (MSA): Valores bajos desaconsejan el uso del análisis factorial. aij= correlación parcial. Jessica Vicuña Villacorta UNIVERSIDAD CÉSAR VALLEJO . DIRECCIÓN DE INVESTIGACIÓN Mg.

edad y sexo. South Africa(W) 65 44 22 7 72 50 27 9 Tunisia 56 46 24 11 63 54 33 19 Canada 69 47 24 8 75 53 29 10 Costa Rica 65 48 26 9 68 50 27 10 Dominican Rep 64 50 28 11 66 51 29 11 El Salvador 56 44 25 10 61 48 27 12 Greenland 60 44 22 6 65 45 25 9 Grenada 61 45 22 8 65 49 27 10 Guatemala 49 40 22 9 51 41 23 8 Honduras 59 42 22 6 61 43 22 7 Jamaica 63 44 23 8 67 48 26 9 Mexico 59 44 24 8 63 46 25 8 Nicaragua 65 48 28 14 68 51 29 13 Panama 65 48 26 9 67 49 27 10 Trinidad(62) 64 63 21 7 68 47 25 9 Trinidad (67) 64 43 21 6 68 47 24 8 United States (66) 67 45 23 8 74 51 28 10 United States (NW66) 61 40 21 10 67 46 25 11 United States (W66) 68 46 23 8 75 52 29 10 United States (67) 67 45 23 8 74 51 28 10 Argentina 65 46 24 9 71 51 28 10 Chile 59 43 23 10 66 49 27 12 Columbia 58 44 24 9 62 47 25 10 DIRECCIÓN DE INVESTIGACIÓN Ecuador Mg. m0 m25 m50 m75 w0 w25 w50 w75 Algeria 63 51 30 13 67 54 34 15 Cameroon 34 29 13 5 38 32 17 6 Madagascar 38 30 17 7 38 34 20 7 Ejemplo: Se considera Mauritius 59 42 20 6 64 46 25 8 una muestra de los años Reunion 56 38 18 7 62 46 25 10 Seychelles 62 44 24 7 69 50 28 14 de vida esperados por South Africa(C) 50 39 20 7 55 43 23 8 país. Jessica Vicuña 57 Villacorta 46 28UNIVERSIDAD 9 60 CÉSAR 49VALLEJO 28 11 .

También se siguió la sugerencia de Peña (2002) de que el número máximo de factores a extraer ha de ser menor a la mitad del número inicial de variables menos 1.  Mínimos cuadrados. (b) Cuántos factores van a ser extraídos. DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO . Adecuado cuando se trata de identificar factores o dimensiones que reflejen lo que las variables comparten en común. Método alfa. Máxima verosimilitud. MÉTODOS PARA LA EXTRACCIÓN DE FACTORES  Componentes principales : Es adecuado cuando se trata de resumir la mayor parte posible de la información inicial (varianza) en el menor número de factores posibles  Ejes principales o de las componentes principales iteradas. 2º PASO: Extracción de los factores En esta etapa es necesario adoptar dos decisiones: (a) El método que se va a emplear para extraer los factores .

El número de factores es una variable relacionada directamente con la pérdida de información e inversamente con la interpretabilidad de los resultados.(Uriel. Jessica Vicuña Villacorta .  Criterio de porcentaje de varianza explicada. mientras que en las ciencias sociales el 60%  Criterio del gráfico de sedimentación. se considera que en las ciencias naturales hay que extraer factores hasta que se explique. El fin de este criterio es asegurar la significativita de los resultados del análisis factorial. 1995) Representa en ordenadas las raíces características y en abscisas el número de factores. CRITERIOS DEL NÚMERO DE FACTORES  Criterio de los auto valores: Káiser (1960) Factores cuyos valores propios (eigenvalues) son mayores a la unidad. DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO Mg. aunque no se ha establecido unos niveles objetivos. por lo menos el 95% de la varianza.

059 0.007 3 0.767 7 0.013 0.073 100.733 99.358 16.155 1.249 4 0.308 3.852 97.006 0.030 70.EXTRACCIÓN DE Factores: Método de Componentes Principales % de la % Componente Autovalores varianza acumulado 1 5. Jessica Vicuña Villacorta UNIVERSIDAD CÉSAR VALLEJO .927 8 0.034 6 0.030 2 1.000 DIRECCIÓN DE INVESTIGACIÓN Mg.977 87.499 6.934 99.101 5 0.602 70.242 93.160 99.

207 .789 0.723 .969 0. MATRIZ FACTORIAL: Comunalidades Varianza específica F1 F2 M0 .947 0.300 M50 .831 -.185 5.855 0.957 0.815 0.358 DIRECCIÓN DE INVESTIGACIÓN Mg.846 -.110 .972 -.675 .211 M75 .265 .929 0.700 0.864 .602 1.632 .145 W0 .031 M25 .043 W50 .053 W25 .071 W75 .504 . Jessica Vicuña Villacorta UNIVERSIDAD CÉSAR VALLEJO .793 -.948 .541 .505 .177 .

Su finalidad es facilitar la explicación y conocer qué variables pertenecen a cada factor y con cuanta fuerza lo hacen.  La rotación oblicua (Oblimin. Promax y otros). 3º PASO: Rotación de los factores Consiste en realizar un giro de los ejes de ordenadas de los factores respecto a las variables para que las correlaciones entre ellas sean o muy pequeñas (próximas a cero) o muy grandes (próximas a uno). Quartimax. Jessica Vicuña Villacorta DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO . Existen dos formas de realizar la rotación de los factores:  La rotación ortogonal (Método Varimax. Ecuamax ). Oblimax. Mg.

DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD Mg. Pif = Puntuación del sujeto i en el factor f. Zji = Puntuación típica del sujeto i en la variable j. Ljf = Matriz completa de los número pesos rotados. R-1 = Inversa de la matriz de correlaciones entre Pif = Zji . JessicaCÉSAR VALLEJO Vicuña Villacorta . 4º PASO: PUNTUCIONES FACTORIALES Una vez realizado el análisis factorial es importante calcular las puntuaciones factoriales de los sujetos investigados para conocer cuánto poseen o cuánto puntúan en cada factor (o conocer las coordenadas para obtener un mapa situacional de todos los sujetos en cada uno de los factores. Ljf las variables. R-1 .

Aplicación del ejemplo en el Spss DIRECCIÓN DE INVESTIGACIÓN Mg. Jessica Vicuña Villacorta UNIVERSIDAD CÉSAR VALLEJO .

Jessica Vicuña Villacorta UNIVERSIDAD CÉSAR VALLEJO .DIRECCIÓN DE INVESTIGACIÓN Mg.

Jessica Vicuña Villacorta UNIVERSIDAD CÉSAR VALLEJO .DIRECCIÓN DE INVESTIGACIÓN Mg.

Jessica Vicuña Villacorta UNIVERSIDAD CÉSAR VALLEJO .DIRECCIÓN DE INVESTIGACIÓN Mg.

DIRECCIÓN DE INVESTIGACIÓN Mg. Jessica Vicuña Villacorta UNIVERSIDAD CÉSAR VALLEJO .

DIRECCIÓN DE INVESTIGACIÓN Mg. Jessica Vicuña Villacorta UNIVERSIDAD CÉSAR VALLEJO .

DIRECCIÓN DE INVESTIGACIÓN Mg. Jessica Vicuña Villacorta UNIVERSIDAD CÉSAR VALLEJO .

Jessica Vicuña Villacorta DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO . Mg.

Jessica Vicuña Villacorta .DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO Mg.

DIRECCIÓN DE INVESTIGACIÓN Mg. Jessica Vicuña Villacorta UNIVERSIDAD CÉSAR VALLEJO .

Gráfico de sedimentación 6 5 4 Autovalor 3 2 1 0 1 2 3 4 5 6 7 8 Número de componente DIRECCIÓN DE INVESTIGACIÓN Mg. Jessica Vicuña Villacorta UNIVERSIDAD CÉSAR VALLEJO .

523 .155 M50 .177 W0 . Jessica Vicuña Villacorta UNIVERSIDAD CÉSAR VALLEJO .919 .541 M50 .265 W50 .166 W50 .793 -.313 W0 M75 .864 .505 M25 W75 .632 Método de extracción: Análisis de componentes Método de extracción: Análisis de principales.972 -.198 .606 . Método de rotación: Normalización Varimax con a 2 componentes extraídos Kaiser.547 M0 . componentes principales.970 .831 -.Matriz de componentes(a) Matriz de componentes rotados(a) Componente Componente 1 2 1 2 W25 . DIRECCIÓN DE INVESTIGACIÓN Mg.504 M25 .960 .103 .776 .718 M75 .110 M0 .749 W75 .811 .948 .723 .207 W25 .675 .846 -.881 .

45 120 0.7 DIRECCIÓN DE INVESTIGACIÓN 50 0. mediante las cargas factoriales.4 150 0. qué variables utilizar. según el tamaño de la muestra: Tamaño de muestra Carga Factorial 350 0.3 250 0.6 70 0. es necesario ver.Para interpretar los factores. Dado que todas las variables cargan en mayor o menor medida.75 Mg.65 60 0.35 200 0.5 100 0. Jessica Vicuña Villacorta UNIVERSIDAD CÉSAR VALLEJO . Normalmente se utiliza el siguiente criterio.55 85 0. es necesario tener algún criterio para seleccionar las cargas más importantes.

en la matriz factorial rotada . Segundo Factor: Tiene los pesos factoriales más altos con respecto ala esperanza de vida en los hombres y mujeres entre 50 a 75 años. M50 W75 y M75. Primer factor: Relacionado con la esperanza de vida de los hombres y mujeres al momento de nacer y en la juventud. M25 Y W25 se agrupan en el primer factor. se aprecia que la variables M0. DIRECCIÓN DE INVESTIGACIÓN Mg.CONCLUSION. además las variables W50. se agrupan en el segundo factor. De lo observado. W0. Jessica CÉSAR UNIVERSIDAD Vicuña Villacorta VALLEJO .

Bibliografía  TEXTOS:  Análisis Multivariante Aplicado Autores: Ezequiel Uriel Jiménez – Joaquín Aldás Manzano  Técnicas estadísticas multivariantes. DIRECCIÓN DE INVESTIGACIÓN Mg. Jessica UNIVERSIDAD CÉSAR Vicuña Villacorta VALLEJO . Autor: Félix Calvo Gómez.

Bibliografía utilizada: Álvarez Cáceres R. “Estadística para negocios y economía” Editorial. Heinz Kohler A. (2007) “Estadística aplicada a las Ciencias de la salud”. Pedroza H.C (1996). Continental S.google.pe/books?id=Zn8smJf99dkC&printsec=frontcover&dq=ANALISIS+DE+CORRESPOND ENCIA+MULTIPLE&hl=es- 419&sa=X&ved=0ahUKEwjZ0bro9MfZAhWqs1kKHaITDO8Q6AEIKzAB#v=onepage&q&f=false DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO .com. Díaz de Santos. Carmona Potanque F.com. Ed.pe/books?id=J1MbiCsG8AMC&pg=PA365&dq=ANALISIS+DE+CORRESPONDENCIA+ MULTIPLE&hl=es- 419&sa=X&ved=0ahUKEwjZ0bro9MfZAhWqs1kKHaITDO8Q6AEIJTAA#v=onepage&q=ANALISIS%20DE%20COR RESPONDENCIA%20MULTIPLE&f=false https://books.google. México. (2005). Universitat de Barcelona. y Dicovskyi (2006) “Sistema de análisis estadístico con SPSS” Editorial Managua IICA https://books. “Modelos lineales”.Ed.A.

Von Goethe ¡Gracias! DIRECCIÓN DE INVESTIGACIÓN UNIVERSIDAD CÉSAR VALLEJO . debemos aplicar. debemos hacer. Johann W. Saber no es suficiente. Desear no es suficiente.