Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Anal Is Is Multi Varia Do
Anal Is Is Multi Varia Do
Pg. 1
Pg. 2
Pg. 3
Otras
tcnicas
nuevas
incluyen
(9)
anlisis
de
Pg. 4
Regresin mltiple
En un mtodo de anlisis adecuado cuando el problema de investigacin
involucra una variable dependiente nica que se presume se relaciona a dos o
ms variables independientes medibles. El objetivo es predecir el cambio en la
variable
dependiente
de
respuesta
con
cambios
en
las
variables
Pg. 5
Anlisis conjunto
Se aplica a nuevos productos para evaluar la importancia de los atributos del
nuevo producto as como los niveles de cada atributo, mientras que el
consumidor evala solo unos pocos perfiles del producto como combinaciones
de los niveles de producto.
Por ejemplo asumir un producto con tres atributos (precio, calidad y color),
cada uno en tres niveles posibles (vgr. Rojo, amarillo y azul). En vez de tener
que evalur las 27 combinaciones posibles (3x3x3), se evala un subconjunto de
9 o ms combinaciones con base en su atractivo para el consumidor, de
manera que el investigador no solo conozca la importancia de cada atributo,
sino adems la importancia de cada nivel (atractivo del rojo vs amarillo vs azul).
Correlacin cannica
El anlisis de correlacin puede ser visto como una extensin lgica de la
regresin mltiple. Donde se trata de correlacionar simultneamente varias
variables dependientes medibles o mtricas y varias variables independientes
medibles. El principio es establecer una combinacin lineal de cada conjunto de
variables (dependientes e independientes) para maximizar la correlacin entre
los dos conjuntos (obteniendo ponderacins adecuados para las variables).
Pg. 6
conglomerados,
donde
las
entidades
se
particionan
en
grupos
Escala multidimensional
El objetivo es transformar los juicios del consumidor de similitud o preferencias
(vgr. Preferencia por tiendas o marcas) en distancias representadas en un
espacio multidimensional. Si los objetos A y B se juzgan por el consumidor
como similares, comparados con cualquier otro par de objetos, la tcnica
posiciona los objetos A y B de manera que la distancia entre ellos en un
espacio multidimensional es ms pequeo que la distancia entre cualquier otro
par de objetos. Al final se muestra un mapa perceptual con la posicin relativa
de los objetos.
Anlisis de correspondencia
Facilita tanto la reduccin dimensional de objetos en un conjunto de atributos y
el mapa perceptual de objetos respecto a estos atributos. En su forma ms
elemental es una tabla de contingencia o tabulacin cruzada de dos variables
categricas. Transforma los datos no mtricos a un nivel medible y realiza una
reduccin dimensional (similar al anlisis de factores) y un mapa perceptual
(similar al anlisis multidimensional).
Por ejemplo, las preferencias de marcas de los consumidores pueden ser
tabuladas contra variables demogrficas (vgr. Gnero, categoras de ingresos,
ocupacin) indicando cuanta gente prefiere cada una de las marcas que caen
en cada categora de las variables demogrficas. Por medio del anlisis de
correspondencia, la asociacin o correspondencia de marcas y las
caractersticas distintivas de aquellos que prefieren las marcas se muestran en
Pg. 7
Pg. 8
X2
Nivel de precios
proveedores
X3
Flexibilidad de precios
X4
Imagen de la empresa
- general
X5
Servicio en general
X6
X7
X10
Tamao de la empresa
- 1- Grande 0 - pequeo
X11
X12
X13
Tipo de industria
X14
- 1- industria A
Pg. 9
0 otras industrias
separado;
no
est
contaminado
del
efecto
de
otras
variables
Pg. 11
TABLA ANOVA
VARIABLE DEPENDIENTE: SATISFACCIN EN LA RELACIN
Fuente
de Suma
variacin
cuadrados
de Grados de Cuadrados
libertad
Estadstico F
medios
Significancia
de Fc = P
22.51
.001**
31.18
21.02
11.84
0.001**
0.001**
0.004**
-4.32
0.04*
ATRACCIN
SIMILITUD
2.18
0.11
RETROALIM
ATRACCION
1.56
0.190
RETROALIM
SIM
8.01
0.02*
Efectos
principales
(main effects
SIMILITUD
ATRACCIN
RETROALIM
SIMILITUD
RETROLATRACCION
NOTA:
Pg. 12
Ejemplo:
Un experimento se realiz para probar cuanto tiempo toma usar un modelo
nuevo y un modelo anterior de calculadora. Seis ingenieros trabajando en un
problema estadstico y uno de ingeniera se les toma el tiempo para resolver el
problema. Los ingenieros se consideran como bloques en el diseo
experimental.
Hay dos factores: Tipo de problema y modelo de calculadora cada uno con
dos niveles, se hacen experimentos donde esos niveles de los factores se
cruzan. Los datos se muestran a continuacin:
SolveTime
3.1
7.5
2.5
5.1
3.8
8.1
2.8
5.3
3
7.6
2
Engineer
Jones
Jones
Jones
Jones
Williams
Williams
Williams
Williams
Adams
Adams
Adams
ProbType
Stat
Stat
Eng
Eng
Stat
Stat
Eng
Eng
Stat
Stat
Eng
Calculator
New
Old
New
Old
New
Old
New
Old
New
Old
New
Pg. 13
4.9
3.4
7.8
2.7
5.5
3.3
6.9
2.5
5.4
3.6
7.8
2.4
4.8
Adams
Dixon
Dixon
Dixon
Dixon
Erickson
Erickson
Erickson
Erickson
Maynes
Maynes
Maynes
Maynes
Eng
Stat
Stat
Eng
Eng
Stat
Stat
Eng
Eng
Stat
Stat
Eng
Eng
Old
New
Old
New
Old
New
Old
New
Old
New
Old
New
Old
Type
random
fixed
fixed
Levels
6
2
2
Values
Adams, Dixon, Erickson, Jones, Maynes, Williams
Eng, Stat
New, Old
DF
5
1
1
1
15
23
SS
1.053
16.667
72.107
3.682
1.010
94.518
R-Sq = 98.93%
MS
0.211
16.667
72.107
3.682
0.067
F
3.13
247.52
1070.89
54.68
R-Sq(adj) = 98.36%
Means
Pg. 14
P
0.039
0.000
0.000
0.000
ProbType
Eng
Stat
Calculator
New
Old
N
12
12
ProbType
Eng
Eng
Stat
Stat
SolveTime
3.8250
5.4917
N
12
12
SolveTime
2.9250
6.3917
Calculator
New
Old
New
Old
N
6
6
6
6
SolveTime
2.4833
5.1667
3.3667
7.6167
Pg. 15
totales,
sino
diferencias
entre
las
combinaciones
de
las
dependientes.
En este sentido representa una extensin del anlisis de varianza (ANOVA)
para cubrir casos donde hay ms de una variable dependiente y/o cuando las
variables dependientes simplemente no pueden ser combinadas. En otras
palabras, reconoce si los cambios en la(s) variable(s) independiente(s) tienen
un efecto significativo en las dependientes. Seala qu grupos difieren en una
variable o en el conjunto de variables dependientes.
- Identificar las interacciones entre las variables independientes y la asociacin
Pg. 16
T2
(cuando
hay
dos
grupos
formados
por
las
variables
Pg. 18
de
los
coeficientes
de
correlacin
Pg. 19
entre
las
variables
las puntuaciones
Pg. 20
Pg. 21
Gloss
9.5
9.9
9.6
9.6
9.2
9.1
10
9.9
9.5
9.4
9.1
9.3
8.3
8.4
8.5
9.2
8.8
9.7
10.1
9.2
Opacity
4.4
6.4
3
4.1
0.8
5.7
2
3.9
1.9
5.7
2.8
4.1
3.8
1.6
3.4
8.4
5.2
6.9
2.7
1.9
Extrusion
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
Additive
1
1
1
1
1
2
2
2
2
2
1
1
1
1
1
2
2
2
2
2
Instrucciones de Minitab
1
Pg. 22
m = 0.5
n = 6.0
Test
Criterion
DF
Statistic
Num
Denom
Wilks'
0.38186
7.554
14
0.003
Lawley-Hotelling
1.61877
7.554
14
0.003
Pillai's
0.61814
7.554
14
0.003
Roy's
1.61877
Tear
Gloss
Opacity
Tear
Gloss
Opacity
1.740
-1.505
0.8555
-1.505
1.301
-0.7395
0.855
-0.739
0.4205
Gloss
Opacity
Tear
1.764
0.0200
-3.070
Gloss
0.020
2.6280
-0.552
-3.070
-0.5520
64.924
Opacity
Gloss
Opacity
Pg. 23
1.00000
0.00929
-0.28687
Gloss
0.00929
1.00000
-0.04226
-0.28687
-0.04226
1.00000
Opacity
Eigenvalue
1.619
0.00000
0.00000
Proportion
1.000
0.00000
0.00000
Cumulative
1.000
1.00000
1.00000
Eigenvector
Tear
Gloss
Opacity
0.6541
0.4315
0.0604
-0.3385
0.5163
0.0012
0.0359
0.0302
-0.1209
m = 0.5
n = 6.0
Test
Criterion
DF
Statistic
Num
Denom
Wilks'
0.52303
4.256
14
0.025
Lawley-Hotelling
0.91192
4.256
14
0.025
Pillai's
0.47697
4.256
14
0.025
Roy's
0.91192
Gloss
Opacity
Tear
0.7605
0.6825
1.931
Gloss
0.6825
0.6125
1.732
Opacity
1.9305
1.7325
4.901
Eigenvalue
0.9119
0.00000
0.00000
Proportion
1.0000
0.00000
0.00000
Cumulative
1.0000
1.00000
1.00000
Pg. 24
Tear
-0.6330
0.4480
-0.1276
Gloss
-0.3214
-0.4992
-0.1694
Opacity
-0.0684
0.0000
0.1102
m = 0.5
n = 6.0
Test
Criterion
DF
Statistic
Num
Denom
Wilks'
0.77711
1.339
14
0.302
Lawley-Hotelling
0.28683
1.339
14
0.302
Pillai's
0.22289
1.339
14
0.302
Roy's
0.28683
Gloss
Opacity
Tear
0.000500
0.01650
0.04450
Gloss
0.016500
0.54450
1.46850
Opacity
0.044500
1.46850
3.96050
Eigenvalue
0.2868
0.00000
0.00000
Proportion
1.0000
0.00000
0.00000
Cumulative
1.0000
1.00000
1.00000
Eigenvector
Tear
-0.1364
0.1806
0.7527
Gloss
-0.5376
-0.3028
-0.0228
Opacity
-0.0683
0.1102
-0.0000
Por default se muestra la tabla para las cuatro pruebas multivariadas (Wliks,
Lawley, Hotelling, Pillai y Roy) para cada uno de los trminos en el modelo.
Los valores s, m y n se utilizan para los clculos de los estadsticos de prueba
Fc, el cual es exacto si s = 1 o 2 de otra forma es aproximado.
Pg. 25
variables de respuesta.
3
4. Click OK.
Pg. 27
ANLISIS DE COVARIANZA
Definicin: Es un mtodo estadstico que analiza la relacin entre una variable
dependiente y dos o ms independientes, con el que se elimina o controla el
efecto de al menos una de estas independientes. Similar al ANOVA, excepto
que permite controlar la influencia de una variable independiente, la cual con
frecuencia es una caracterstica antecedente que puede variar entre los grupos
(Mertens, 2005) o influir los resultados y afectar la claridad de las
interpretaciones.
Perspectivas o usos: Wildt y Ahtola (1978, pp. 8-9) destacan tres perspectivas
para el anlisis de covarianza:
A. Perspectiva experimental. Se aplica a aquellas situaciones en que el inters
del investigador se centra en las diferencias observadas en la variable
dependiente, por medio de las categoras de la variable independiente (o
variables independientes). Pero el experimentador asume que hay otras
variables independientes cuantitativas que contaminan la relacin y cuya
influencia debe ser controlada.
Pg. 28
Pg. 31
Pg. 32
Wildt y Ahtola (1978, p. 13) definen algunos usos del anlisis de covarianza:
1. Incrementar la precisin en experimentos con asignacin al azar.
Pg. 33
Ejemplo:
Diseo de investigacin que utiliza el anlisis de covarianza
Hi: Los trabajadores que reciban retroalimentacin verbal sobre el desempeo
de parte de su supervisor mantendrn un nivel mayor de productividad que los
trabajadores que reciban retroalimentacin sobre el desempeo por escrito,
ms an que los trabajadores que no reciban ningn tipo de retroalimentacin.
__
Hi: X1
__
__
> X2 >
X3
Pg. 34
Pg. 35
entre
la
covariable
la
dependiente.
Esto
se
muestra
esquemticamente en la tabla.
Una vez realizado el anlisis de covarianza, se evala si F es o no significativa.
Cuando F resulta significativa se acepta la hiptesis de investigacin.
Si el resultado fuera:
G1 = 35
G2 = 36
La correlacin entre la calificacin en motivacin y las puntuaciones en
productividad es la base para el ajuste.
G3 = 38
Glentre = K 1 = 3 1 = 2
Glintra = N K = 107
F = 1.70
Comparamos con el valor de la tabla respectiva: en el nivel de 0.05 es igual a
3.07, y nuestra razn F a 1.70 es menor a este valor. Por lo tanto, rechazamos
la hiptesis de investigacin y aceptamos la hiptesis nula. Esto se contrasta y
profundiza con las medias ajustadas de los grupos que proporcione el anlisis
de covarianza (no las medias obtenidas en el experimento por cada grupo, sino
las ajustadas con base en la covariable).
Pg. 36
Ejemplo:
Determinar si hay diferencia en la resistencia de una fibra monofilamento
producida por tres mquinas diferentes. El dimetro de la fibra parece tener
influencia en la resistencia como se muestra abajo (covariado de Y).
Datos de resistencia - Y es la respuesta, X es el covariado.
Y
36
41
39
42
49
40
48
39
45
44
35
37
42
34
32
X
20
25
24
25
32
22
28
22
30
28
21
23
26
21
15
Maq
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
Pg. 37
S
R-Sq
R-Sq(adj)
1.78174
88.1%
87.2%
45
40
35
30
15.0
17.5
20.0
22.5
25.0
27.5
30.0
32.5
Type
fixed
Levels
3
Values
1, 2, 3
DF
1
2
11
14
S = 1.59505
Seq SS
305.13
13.28
27.99
346.40
Adj SS
178.01
13.28
27.99
R-Sq = 91.92%
Adj MS
178.01
6.64
2.54
F
69.97
2.61
P
0.000
0.118
R-Sq(adj) = 89.72%
Pg. 38
Term
Constant
X
Coef
17.177
0.9540
SE Coef
2.783
0.1140
T
6.17
8.36
P
0.000
0.000
Y
48.0000
Fit
45.1080
SE Fit
0.7489
Residual
2.8920
St Resid
2.05 R
Mean
24.13
StDev
4.324
Mean
40.38
41.42
38.80
SE Mean
0.7236
0.7444
0.7879
Conclusin:
Se observa que no hay diferencia en las mquinas una vez que eliminamos la
variabilidad introducida por el dimetro de la fibra, en caso de no haber tomado
en cuenta la covarianza del dimetro en la resitencia, se hubiese concluido al
revs, que si hay diferencia en las mquinas, como se muestra a continuacin:
Con Minitab:
1. Stat > ANOVA > One way
2. Response Y Factor Maquina
3. OK
Los resultados son los siguientes:
One-way ANOVA: Y versus Maq
Source
Maq
Error
Total
DF
2
12
14
S = 4.143
SS
140.4
206.0
346.4
MS
70.2
17.2
F
4.09
R-Sq = 40.53%
P
0.044
R-Sq(adj) = 30.62%
Pg. 39
Level
1
2
3
N
5
5
5
Mean
41.400
43.200
36.000
StDev
4.827
3.701
3.808
StDev
+---------+---------+---------+--------(---------*----------)
(---------*---------)
(---------*---------)
+---------+---------+---------+--------32.0
36.0
40.0
44.0
Pg. 40
ANALISIS DISCRIMINANTE
El anlisis discriminante, se aplica cuando las variables independientes son
medidas por intervalos o razn, y la dependiente es categrica. Tal anlisis
sirve para predecir la pertenencia de un caso a una de las categoras de la
variable dependiente, sobre la base de varias independientes (dos o ms). Se
utiliza una ecuacin de regresin llamada funcin discriminante. Por ejemplo, si
queremos predecir el voto obtenido por dos partidos contendientes (variable
dependiente nominal con dos categoras) sobre la base de cuatro variables
independientes, aplicaremos el anlisis discriminante, para resolver una
ecuacin de regresin; as se obtienen las predicciones individuales. En el
ejemplo, hay dos categoras (votar por A o votar por B); por tanto, los valores a
predecir son 0 y 1 (A y B, respectivamente). Si el sujeto obtiene una puntuacin
ms cercana a cero, se predice que pertenece al grupo que votar por A; si
logra una puntuacin ms cercana a 1, se predice que pertenece al grupo que
votar por B. Adems, se consigue una medida del grado de discriminacin del
modelo.
Usar el Anlisis Discrimnate para clasificar observaciones en dos o ms
grupos si se tiene una muestra con grupos conocidos. Se puede utilizar
tambin para investigar como contribuyen las variables a la separacin de
grupos.
Se pueden hacer anlisis discriminantes lineales y cuadrticos. Los lineales
asumen que todos los grupos tienen la misma matriz de covarianza, los
cuadrticos no hacen este supuesto y no son bien comprendidos.
Para el caso de clasificar las observaciones nuevas en una de dos categoras,
la regresin logstica puede ser superior al anlisis discriminante.
Ejemplo:
Para regular la pesca de salmn, se desea identificar si el pescado es originario
de Alaska o de Canad. Cincuenta peces de cada lugar de origen fueron
capturados y pesados cuando vivan en agua dulce y cuando vivieron en agua
Pg. 41
Marine
368
355
469
506
402
423
440
489
432
403
428
372
372
420
394
407
422
423
434
474
396
470
399
429
469
444
397
442
431
381
388
403
451
453
427
411
442
426
402
397
511
469
451
474
398
433
404
481
491
SalmonOrigin Freshwater
Canada
129
Canada
148
Canada
179
Canada
152
Canada
166
Canada
124
Canada
156
Canada
131
Canada
140
Canada
144
Canada
149
Canada
108
Canada
135
Canada
170
Canada
152
Canada
153
Canada
152
Canada
136
Canada
122
Canada
148
Canada
90
Canada
145
Canada
123
Canada
145
Canada
115
Canada
134
Canada
117
Canada
126
Canada
118
Canada
120
Canada
153
Canada
150
Canada
154
Canada
155
Canada
109
Canada
117
Canada
128
Canada
144
Canada
163
Canada
145
Canada
133
Canada
128
Canada
123
Canada
144
Canada
140
Canada
150
Canada
124
Canada
125
Canada
153
Pg. 42
Marine
420
371
407
381
377
389
419
345
362
345
393
330
355
386
301
397
301
438
306
383
385
337
364
376
354
383
355
345
379
369
403
354
390
349
325
344
400
403
370
355
375
383
349
373
388
339
341
346
352
Alaska
87
480
Canada
108
339
Alaska
50
Canada
50
Summary of classification
True Group
Alaska Canada
44
1
6
49
50
50
44
49
0.880
0.980
N Correct = 93
Alaska
0.00000
8.29187
Canada
8.29187
0.00000
True Group
Alaska
Pred Group
Canada
2**
Alaska
Canada
12**
Alaska
Canada
13**
Alaska
Canada
30**
Alaska
Canada
32**
Alaska
Canada
Group
Alaska
Canada
Alaska
Canada
Alaska
Canada
Alaska
Canada
Alaska
Canada
Alaska
Pg. 43
Squared
Distance
3.544
2.960
8.1131
0.2729
4.7470
0.7270
4.7470
0.7270
3.230
1.429
2.271
Probability
0.428
0.572
0.019
0.981
0.118
0.882
0.118
0.882
0.289
0.711
0.464
71**
Canada
Alaska
Canada
Alaska
Canada
0.536
0.948
0.052
Pred Group
Canada
From Group
Alaska
Canada
Squared
Distance
Probability
78.448
55.194
0.000
1.000
Pg. 44
ANLISIS DE CONGLOMERADOS
Se cuenta tambin con el anlisis de conglomerados o clusters (tcnica para
agrupar los casos o elementos de una muestra en grupos con base en una o
ms variables).
Usar Anlisis de componentes principales para ayudar a comprender la
estructura de datos y/o a formar un pequeo nmero de variables no
correlacionadas (por ejemplo para evitar multicolinealidad en la regresin).
Ejemplo:
Se registran las siguientes caractersticas para 14 censos: Poblacin total
(Pop), mediana de aos escolares (School), empleo total (Employ),empleo en
servicios de salud (Health), y valor mediano del valor de la casa (Home). Los
datos se muestran a continuacin:
Pop
5.935
1.523
2.599
4.009
4.687
8.044
2.766
6.538
6.451
3.314
3.777
1.53
2.768
6.585
School
14.2
13.1
12.7
15.2
14.7
15.6
13.3
17
12.9
12.2
13
13.8
13.6
14.9
Employ
2.265
0.597
1.237
1.649
2.312
3.641
1.244
2.618
3.147
1.606
2.119
0.798
1.336
2.763
Health
2.27
0.75
1.11
0.81
2.5
4.51
1.03
2.39
5.52
2.18
2.83
0.84
1.75
1.91
Home
2.91
2.62
1.72
3.02
2.22
2.36
1.97
1.85
2.01
1.82
1.8
4.25
2.64
3.17
En Variables, Pop-Home.
Pg. 45
3.0289
0.606
0.606
PC1
-0.558
-0.313
-0.568
-0.487
0.174
1.2911
0.258
0.864
PC2
-0.131
-0.629
-0.004
0.310
-0.701
0.5725
0.114
0.978
PC3
0.008
-0.549
0.117
0.455
0.691
0.0954
0.019
0.998
PC4
0.551
-0.453
0.268
-0.648
0.015
0.0121
0.002
1.000
PC5
-0.606
0.007
0.769
-0.201
0.014
Eigenvalue
2.5
2.0
1.5
1.0
0.5
0.0
1
3
Component Number
Pg. 46
Pg. 47
ANLISIS FACTORIAL
El anlisis factorial es un mtodo cuyo propsito principal es definir la
estructura subyacente de una matriz de datos. Atiende el problema de analizar
la estructura de las interrelaciones (correlaciones) entre un gran nmero de
variables
Pg. 48
Pg. 50
Pg. 51
Nmero de factores
Pg. 52
-1
V4
V3
V5
+1 Factor I rotado
-1
Factor II
o ponderacin de factores I y
Pg. 54
Tamao
muestra requerida
para
0.30
0.35
0.40
0.45
0.50
0.55
0.60
0.65
0.70
de
tener
significancia
350
300
250
200
150
100
85
70
60
Pg. 56
X2
X3
0.476
0.000
-0.472
0.000
X4
0.050
0.618
0.272
0.006
-0.095
0.347
X6
0.077
0.446
0.186
0.064
-0.015
0.880
0.788
0.000
X7
-0.483
0.000
0.470
0.000
-0.407
0.000
0.200
0.046
X2
X3
X4
X6
0.177
0.078
Click Graphs y seleccionar Loading plot for first 2 factors y Scree Plot.
Pg. 57
Factor1
0.618
-0.763
0.695
-0.502
-0.434
-0.761
Factor2
-0.517
0.079
-0.357
-0.793
-0.827
0.170
Communality
0.649
0.588
0.610
0.881
0.873
0.609
Variance
% Var
2.4664
0.411
1.7425
0.290
4.2089
0.701
Factor1
-0.783
0.718
-0.781
0.097
0.020
0.758
Factor2
0.188
0.268
0.010
0.934
0.934
0.186
Communality
0.649
0.588
0.610
0.881
0.873
0.609
Variance
% Var
2.3231
0.387
1.8858
0.314
4.2089
0.701
Pg. 58
(X2) y la calidad del producto (X7) ambas con signos positivos y varan como
conjunto. Las otras dos, tiempo de entrega (X1) y flexibilidad de precios (X3)
tienen signos negativos tambin varan como conjunto.
En el factor 1, ambos grupos varan en sentido contrario, tal vez este factor sea
el valor bsico y representa un compromiso entre percepciones de precio o
calidad del producto y percepciones de tiempo de entrega y flexibilidad de
precios.
Factor1
-0.356
0.297
-0.343
-0.020
-0.054
0.320
Factor2
0.154
0.097
0.058
0.498
0.503
0.050
Factor1
-0.827
0.603
-0.686
0.156
Factor2
0.085
0.376
-0.177
0.919
Communality
0.691
0.506
0.502
0.869
Pg. 59
0.136
0.702
0.924
0.201
0.871
0.533
2.0548
0.342
1.9178
0.320
3.9726
0.662
Factor1
0.741
-0.785
0.815
-0.041
0.052
-0.824
Factor2
-0.313
-0.190
-0.154
-0.949
-0.923
-0.154
Communality
0.647
0.652
0.688
0.903
0.854
0.703
Variance
% Var
2.5127
0.419
1.9338
0.322
4.4466
0.741
Eigenvalue
2.0
1.5
1.0
0.5
0.0
1
3
4
Fact or Number
Pg. 60
0.9
0.8
Second Fact or
0.7
0.6
0.5
0.4
0.3
X2
X1
0.2
X7
0.1
X3
0.0
-1.0
-0.5
0.0
First Fact or
0.5
School
14.2
13.1
12.7
15.2
14.7
15.6
13.3
17
12.9
12.2
13
13.8
13.6
14.9
Employ
2.265
0.597
1.237
1.649
2.312
3.641
1.244
2.618
3.147
1.606
2.119
0.798
1.336
2.763
Health
2.27
0.75
1.11
0.81
2.5
4.51
1.03
2.39
5.52
2.18
2.83
0.84
1.75
1.91
Factor1
-0.972
-0.545
-0.989
-0.847
0.303
Factor2
-0.149
-0.715
-0.005
0.352
-0.797
Factor3
0.006
-0.415
0.089
0.344
0.523
Factor4
0.170
-0.140
0.083
-0.200
0.005
Factor5
-0.067
0.001
0.085
-0.022
0.002
Communality
1.000
1.000
1.000
1.000
1.000
Variance
% Var
3.0289
0.606
1.2911
0.258
0.5725
0.114
0.0954
0.019
0.0121
0.002
5.0000
1.000
Factor3
0.011
-0.726
0.155
0.601
0.914
Factor4
1.782
-1.466
0.868
-2.098
0.049
Factor5
-5.511
0.060
6.988
-1.829
0.129
Factor1
-0.321
-0.180
-0.327
-0.280
0.100
Factor2
-0.116
-0.553
-0.004
0.272
-0.617
Eigenvalue
2.5
2.0
1.5
1.0
0.5
0.0
1
3
Fact or Number
Interpretacin de resultados
Pg. 62
En Variables, Pop-Home.
cuadros de dilogo.
Los resultados se muestran a continuacin:
Factor Analysis: Pop, School, Employ, Health, Home
Maximum Likelihood Factor Analysis of the Correlation Matrix
* NOTE * Heywood case
Unrotated Factor Loadings and Communalities
Variable
Pop
School
Factor1
0.971
0.494
Factor2
0.160
0.833
Communality
0.968
0.938
Pg. 63
1.000
0.848
-0.249
0.000
-0.395
0.375
1.000
0.875
0.202
Variance
% Var
2.9678
0.594
1.0159
0.203
3.9837
0.797
Factor1
0.718
-0.052
0.831
0.924
-0.415
Factor2
0.673
0.967
0.556
0.143
0.173
Communality
0.968
0.938
1.000
0.875
0.202
Variance
% Var
2.2354
0.447
1.7483
0.350
3.9837
0.797
Factor1
0.924
0.831
0.718
-0.415
-0.052
Factor2
0.143
0.556
0.673
0.173
0.967
Communality
0.875
1.000
0.968
0.202
0.938
Variance
% Var
2.2354
0.447
1.7483
0.350
3.9837
0.797
Factor1
-0.165
-0.528
1.150
0.116
-0.018
Factor2
0.246
0.789
0.080
-0.173
0.027
School
0.8
Second Fact or
Pop
0.6
Employ
0.4
0.2
Home
Health
0.0
-0.50
-0.25
0.00
0.25
First Fact or
0.50
Pg. 64
0.75
1.00
Pg. 65
Pg. 66
dependiente
simple
(respuesta,
criterio)
varias
variables
Pg. 67
Ejemplo:
Familia
1
2
3
4
5
6
7
8
Total
Tarjetas
4
6
6
7
8
7
8
10
Tamano
2
2
4
4
5
5
6
6
Ingreso
14
16
14
17
18
21
17
25
Click Graphs.
Pg. 68
95
90
80
Percent
70
60
50
40
30
20
10
5
-3
-2
-1
0
1
St andardized Residual
Coef
0.482
0.6322
0.2158
S = 0.780990
SE Coef
1.461
0.2523
0.1080
R-Sq = 86.1%
PRESS = 8.02177
T
0.33
2.51
2.00
P
0.755
0.054
0.102
R-Sq(adj) = 80.6%
R-Sq(pred) = 63.54%
Analysis of Variance
Source
Regression
Residual Error
Total
Source
Tamano
Ingreso
DF
1
1
DF
2
5
7
SS
18.9503
3.0497
22.0000
MS
9.4751
0.6099
F
15.53
P
0.007
Seq SS
16.5143
2.4360
Interpretacin de resultados
Salida de sesin
Pg. 69
Salida grfica
Pg. 70
OK
X2
X3
0.476
0.000
-0.472
0.000
X4
0.050
0.618
0.272
0.006
-0.095
0.347
X5
0.612
0.000
0.513
0.000
0.064
0.524
0.299
0.003
X6
0.077
0.446
0.186
0.064
-0.015
0.880
0.788
0.000
0.241
0.016
X7
-0.483
0.000
0.470
0.000
-0.407
0.000
0.200
0.046
-0.055
0.586
0.177
0.078
X9
0.676
0.000
0.083
0.412
0.556
0.000
0.225
0.024
0.701
0.000
0.257
0.010
X2
X3
X4
X5
X6
X7
-0.192
0.055
Pg. 71
Click Graphs.
Coef
-9.255
1.956
1.280
3.2702
-0.0039
4.600
1.2305
0.4261
S = 4.45075
SE Coef
4.949
2.045
2.155
0.4059
0.6714
4.012
0.9537
0.3557
R-Sq = 77.2%
T
-1.87
0.96
0.59
8.06
-0.01
1.15
1.29
1.20
PRESS = 2144.13
P
0.065
0.341
0.554
0.000
0.995
0.255
0.200
0.234
R-Sq(adj) = 75.5%
R-Sq(pred) = 73.20%
Analysis of Variance
Source
Regression
Residual Error
Total
Source
X1
X2
X3
X4
X5
X6
X7
DF
1
1
1
1
1
1
1
DF
7
92
99
SS
6177.81
1822.44
8000.26
MS
882.54
19.81
F
44.55
P
0.000
Seq SS
3659.76
927.88
1424.10
80.48
18.20
38.97
28.43
Unusual Observations
Obs
7
11
14
22
55
100
X1
4.60
2.40
3.70
3.40
3.80
2.50
X9
46.000
32.000
38.000
35.000
39.000
33.000
Fit
58.734
41.365
47.833
34.870
33.433
43.721
SE Fit
1.379
1.014
1.098
2.711
2.712
1.049
Residual
-12.734
-9.365
-9.833
0.130
5.567
-10.721
St Resid
-3.01R
-2.16R
-2.28R
0.04 X
1.58 X
-2.48R
Pg. 72
Percent
90
80
70
60
50
40
30
20
10
5
1
0.1
-3
-2
-1
0
1
St andardized Residual
St andardized Residual
-1
-2
-3
20
30
40
Fit t ed Value
50
Pg. 73
60