Está en la página 1de 93

Captulo 23

Anlisis discriminante:
El procedimiento Discriminante
Introduccin
Con independencia del rea de conocimiento en la que se est trabajando, es frecuente tener
que enfrentarse con la necesidad de identificar las caractersticas que permiten diferenciar a
dos o ms grupos de sujetos. Y, casi siempre, para poder clasificar nuevos casos como
pertenecien- tes a uno u otro grupo: se beneficiar este paciente del tratamiento, o no?
devolver este clien- te el crdito, o no?, se adaptar este candidato al puesto de trabajo, o
no?, etc.
A falta de otra informacin, cualquier profesional se limita a utilizar su propia
experiencia o la de otros, o su intuicin, para anticipar el comportamiento de un sujeto: el
paciente se bene- ficiar del tratamiento, el cliente devolver el crdito o el candidato se
adaptar a su puesto de trabajo en la medida en que se parezcan a los pacientes, clientes o
candidatos que se benefician del tratamiento, que devuelven el crdito o que se adaptan a su
puesto de trabajo. Pero a medi- da que los problemas se hacen ms complejos y las
consecuencias de una mala decisin ms graves, las impresiones subjetivas basadas en la
propia intuicin o experiencia deben ser sus- tituidas por argumentos ms consistentes. El
anlisis discriminante ayuda a identificar las carac- tersticas que diferencian (discriminan)
a dos o ms grupos y a crear una funcin capaz de dis- tinguir con la mayor precisin
posible a los miembros de uno u otro grupo.
Obviamente, para llegar a conocer en qu se diferencian los grupos necesitamos
disponer de la informacin (cuantificada en una serie de variables) en la que suponemos
que se diferen- cian. El anlisis discriminante es una tcnica estadstica capaz de decirnos
qu variables per- miten diferenciar a los grupos y cuntas de estas variables son necesarias
para alcanzar la mejor clasificacin posible. La pertenencia a los grupos, conocida de
antemano, se utiliza como varia- ble dependiente (una variable categrica con tantos
valores discretos como grupos). Las va- riables en las que suponemos que se diferencian los

grupos se utilizan como variables indepen- dientes o variables de clasificacin (tambin


llamadas variables discriminantes). Segn vere-

Captulo 23. Anlisis discriminante

mos, deben ser variables cuantitativas continuas o, al menos, admitir un tratamiento


numrico con significado.
El objetivo ltimo del anlisis discriminante es encontrar la combinacin lineal de las
va- riables independientes que mejor permite diferenciar (discriminar) a los grupos. Una
vez en- contrada esa combinacin (la funcin discriminante) podr ser utilizada para
clasificar nuevos casos. Se trata de una tcnica de anlisis multivariante que es capaz de
aprovechar las relacio- nes existentes entre una gran cantidad de variables independientes
para maximizar la capacidad de discriminacin.
El anlisis discriminante es aplicable a muy diversas reas de conocimiento. Se ha
utilizado para distinguir grupos de sujetos patolgicos y normales a partir de los resultados
obtenidos en pruebas diagnsticas, como los parmetros hemodinmicos en el mbito
clnico mdico o las pruebas psicodiagnsticas en el mbito clnico psicolgico. En el
campo de los recursos hu- manos se aplica a la seleccin de personal para realizar un
filtrado de los curricula previo a la entrevista personal. En banca se ha utilizado para
atribuir riesgos crediticios y en las compaas aseguradoras para predecir la siniestralidad.
El anlisis discriminante es conceptualmente muy similar al anlisis de varianza
multiva- riante de un factor. Su propsito es el mismo que el del anlisis de regresin
logstica, pero a diferencia de l, slo admite variables cuantitativas. Si alguna de las
variables independientes es categrica, es preferible utilizar la regresin logstica.

El caso de dos grupos


Segn hemos sealado ya, el anlisis discriminante permite diferenciar entre cualquier
nmero de grupos. Sin embargo, por simplicidad, comenzaremos con el caso de dos grupos,
para am- pliar posteriormente el razonamiento al caso de k grupos.
En la figura 23.1 estn representadas, en el espacio bivariante definido por las variables
X1 y X2, las nubes de puntos correspondientes a dos grupos hipotticos. Los dos grupos
repre- sentados se diferencian entre s en ambas variables, pero no por completo, pues, de
hecho, se solapan en una pequea regin situada entre ambos.
En la figura 23.1 tambin est representada la funcin D, que es una combinacin lineal
de ambas variables. Sobre la funcin D se representa la proyeccin de las dos nubes de
puntos en forma de histograma, como si la funcin D cortara a las dos nubes de puntos en la
direccin de su eje. Las dos lneas punteadas de cada uno de los histogramas representan la
ubicacin proyectada de los puntos medios de cada grupo (los centroides).
Figura 23.1. Diagramas de dispersin de dos grupos en dos variables de clasificacin.

El propsito del anlisis discriminante consiste en aprovechar la informacin contenida en


las variables independientes para crear una funcin D combinacin lineal de X1 y X2 capaz
de dife- renciar lo ms posible a ambos grupos. La funcin discriminante es de la forma:

Donde b1 y b2 son las ponderaciones de las variables independientes que consiguen hacer
que los sujetos de uno de los grupos obtengan puntuaciones mximas en D, y los sujetos del
otro grupo puntuaciones mnimas.
Una vez hallada la funcin discriminante D, carece de sentido intentar representar la
situa- cin de los grupos en el espacio definido por las variables X1 y X2. Conviene ms
bien centrar el inters en la representacin de la funcin discriminante, que es
unidimensional. La represen- tacin en p dimensiones resulta complicada cuando p es
mayor de 2 y aade poco o nada a la interpretacin de la funcin. En la figura 23.2 est
representa slo la funcin discriminante D extrada del espacio de las variables X1 y X2. Los
grupos aparecen representados por sus histo- gramas y las proyecciones de los centroides
aparecen marcadas por lneas de puntos.
Figura 23.2. Histogramas de cada grupo y centroides representados sobre la funcin discriminante.

Sustituyendo en la funcin discriminante el valor de las medias del grupo 1 en las variables
X1
y X2, obtenemos el centroide del grupo 1:

De igual modo, sustituyendo las medias del grupo 2, obtenemos el centroide del grupo 2:

La funcin D debe ser tal que la distancia d entre los dos centroides sea mxima,
consiguiendo de esta forma que los grupos estn lo ms distantes posible. Podemos
expresar esta distancia de la siguiente manera:
donde

son las medias del grupo 1 y del grupo 2 en la funcin D.

Como puede observarse en la figura 23.1, se desea reducir la dimensionalidad de las p


variables independientes a una sola dimensin (la de la combinacin lineal D) en la que los
grupos se di- ferencien lo ms posible. Las puntuaciones de los sujetos en esa nueva
dimensin (denomi- nadas puntuaciones discriminantes) sern las que nos permitan llevar a
cabo la clasificacin de los sujetos.
Es importante sealar que los grupos deben diferenciarse de antemano en las variables
in- dependientes. El anlisis busca diferenciar los dos grupos al mximo combinando las
variables independientes pero si los grupos no difieren en las variables independientes, el
anlisis ser infructuoso: no podr encontrar una dimensin en la que los grupos difieran.
Dicho de otro modo, si el solapamiento entre los casos de ambos grupos es excesivo, los
centroides se encon- trarn en la misma o parecida ubicacin en el espacio p-dimensional y,
en esas condiciones, no ser posible encontrar una funcin discriminante til para la
clasificacin. Es decir, si los cen- troides estn muy prximos, las medias de los grupos en
la funcin discriminante sern tan parecidas (osea, el valor de d ser tan pequeo) que no
ser posible distinguir a los sujetos de uno y otro grupo.
Los supuestos del anlisis son los mismos que los del anlisis de regresin mltiple. En
especial, debe cumplirse que la distribucin de las variables independientes sea normal.

Para llevar a cabo un Anlisis discriminante:

| Seleccionar la opcin Clasificar > Discriminante... del men Analizar para acceder
al cuadro de dilogo Anlisis discriminante que muestra la figura 23.3.
Figura 23.3. Cuadro de dilogo Anlisis discriminante.

La lista de variables del archivo de datos contiene un listado con todas las variables del
archivo excepto las que tienen formato de cadena. Para obtener un Anlisis discriminante
con las especificaciones que el programa tiene establecidas por defecto:

| Seleccionar una variable categrica (nominal u ordinal) y trasladarla al cuadro


Varia- ble de agrupacin. La variable de agrupacin es aquella que define los
grupos que se desea comparar.

| Seleccionar al menos una variable cuantitativa (de intervalo o razn) y


trasladarla a la lista Independientes. Las variables independientes son aquellas en
las que se desea comparar los grupos.

| Pulsar el botn Definir rango... para acceder al subcuadro de dilogo Definir


rango
que muestra la figura 23.4.

Figura 23.4. Subcuadro de dilogo Anlisis discriminante: Definir rango.

Tras seleccionar la variable de agrupacin es necesario introducir los cdigos que


identifican a los grupos que se desea comparar. El anlisis incluir tantos grupos
como nmeros enteros consecutivos contenga la variable de agrupacin entre los
lmites del rango definido (ambos lmites incluidos). Para ello:

Introducir el nmero correspondiente al lmite inferior del rango en el


cuadro de texto Mnimo y el nmero correspondiente al lmite superior del
rango en el cua- dro de texto Mximo. Pulsar el botn Continuar para
volver al cuadro de dilogo principal.

Ejemplo (Anlisis discriminante)


Este ejemplo muestra cmo llevar a cabo un anlisis discriminante con las especificaciones
que el programa tiene establecidas por defecto. Vamos a averiguar en qu se diferencian los
veh- culos producidos en EE.UU. y los producidos en Europa. Para ello, utilizaremos el
archivo Co- ches.sav, que se encuentra en la misma carpeta en la que ha sido instalado el
SPSS. El archivo contiene informacin tcnica (consumo, aceleracin, peso, cilindrada,
etc.) sobre una muestra de 406 vehculos.
Antes de iniciar el anlisis hemos obtenido una representacin de la dispersin de los
veh- culos estadounidenses y europeos en las variables aceleracin y peso (figura 23.5). El
archivo de datos contiene una variable llamada origen con tres valores: 1 = E.UU, 2 =
Europa y 3 = Japn. Para trabajar nicamente con los vehculos de fabricacin
estadounidense y europea, hay que filtrar el archivo de datos antes de obtener el diagrama
de dispersin. Para ello:

| Seleccionar la opcin Seleccionar casos... del men Datos ara acceder al


cuadro de dilogo Seleccionar casos.

| Marcar la opcin Si se satisface la condicin y pulsar el botn Si... para


acceder al cuadro de dilogo Seleccionar casos: Si.

| Establecer la condicin de filtrado (por ejemplo, origen < 3") y pulsar el botn
Con- tinuar.
Aceptando estas selecciones, el archivo de datos queda filtrado dejando disponibles 306
veh- culos de los 406 originales.

El diagrama de dispersin muestra que los vehculos estadounidenses tienden a situarse


prefe- rentemente en la zona de pesos altos (a la derecha), mientras que los vehculos
europeos tien- den a situarse ms bien en la zona de pesos bajos (a la izquierda). En cuanto
al eje vertical, las diferencias en aceleracin parecen ser menores, si bien los vehculos con
tiempos de acelera- cin ms largos son europeos y los vehculos con tiempos de
aceleracin ms cortos son esta- dounidenses.
Figura 23.5. Diagrama de dispersin (peso por aceleracin) distinguiendo el pas de origen.

Aceleracin 0 a 100 km/h (segundos)

30

20

10

Pas de origen
Europa
EE.UU.
0

600

800

1000

1200

1400

1600

1800

400

Peso total (kg)

Puesto que los casos de ambos grupos no se solapan por completo, el diagrama sugiere que
existen diferencias entre ambos grupos de vehculos. Por otro lado, se aprecia cierta relacin
entre las variables peso y aceleracin, dado que la nube de puntos adopta una forma
ligeramen- te elipsoidal inclinada (de hecho, la correlacin entre ambas variables vale
0,430, p < 0,001). Si efectuamos un contraste sobre medias para comparar ambos grupos,
podremos comprobar que los grupos difieren significativamente tanto en aceleracin como en peso. Sin
embargo, estos contrastes no tienen en cuenta la correlacin existente entre las variables ni
nos ayudan a clasificar los vehculos como pertenecientes a uno u otro grupo. Recordemos
que el anlisis discriminante no slo permite averiguar en qu variables se diferencian los
grupos sino, ade- ms, construir una funcin para clasificar los vehculos.

Captulo 23. Anlisis discriminante

10

Para llevar a cabo el anlisis discriminante con las especificaciones que el programa tiene
esta- blecidas por defecto:

| En el cuadro de dilogo Anlisis discriminante (ver figura 23.3), trasladar la


variable origen al cuadro Variable de agrupacin las variables acel
(aceleracin) y peso a la lista Independientes.

Pulsar en Definir rango... para acceder al subcuadro de dilogo Anlisis


discriminan- te: Definir rango (ver figura 23.4) e introducir los valores 1 y 2
en los cuadros de tex- to Mnimo y Mximo, respectivamente. Pulsar el botn
Continuar.

Aceptando las selecciones hechas, el Visor ofrece los resultados que muestran las tablas
23.1 a la 23.7.
La tabla 23.1 ofrece un resumen con el total de casos procesados, el nmero de casos
vli- dos para el anlisis y el nmero de casos excluidos. Dentro de los casos excluidos se
distingue entre los que son excluidos porque su cdigo en la variable de agrupacin no est
dentro del rango seleccionado (en ele ejemplo, 80 vehculos japoneses con el cdigo 3 en la
variable ori- gen), los que son excluidos porque tienen un valor perdido en al menos una
variable discrimi- nante, y los que cumplen las dos condiciones anteriores.
Tabla 23.1. Tabla resumen de los casos procesados.
Casos no ponderados
Vlidos
Excluidos
Por pertenecer a un grupo fuera de rango
Por tener valor perdido en al menos una variable discriminante
Por pertenecer a un grupo fuera de rango o por tener
valor perdido en al menos una variable discriminante
Total
Total

N
326
80
0

Porcentaje
80.3
19.7
.0

.0

80
406

19.7
100.0

Captulo 23. Anlisis discriminante

1
1

La tabla 23.2 ofrece un resumen del nmero de casos vlidos en cada variable
discriminante. La informacin de esta tabla posee un inters especial, pues un nmero
desigual de casos en cada uno de los grupos puede afectar a la clasificacin. En nuestro
ejemplo, los vehculos europeos representan menos del 25% del total de vehculos
analizados.
Tabla 23.2. Estadsticos por grupo (n de casos vlidos en cada variable).
Pas de
origen
EE.UU.
Europa
Total

Peso total (kg)


Aceleracin 0 a 100 km/h
Peso total (kg)
Aceleracin 0 a 100 km/h
Peso total (kg)
Aceleracin 0 a 100 km/h

N vlido (segn lista)


No ponderados
Ponderados
253
253
253
253
73
73
73
73
326
326
326
326

La tabla 23.3 contiene los autovalores y algunos estadsticos descriptivos multivariantes.


Esta tabla y la siguiente se encuentran estrechamente relacionadas y cobran mayor
significado en el caso de ms de dos grupos. Como veremos ms adelante, cuando se
trabaja con ms de dos grupos se obtiene ms de una funcin discriminante: en estas tablas
es posible comparar de ma- nera global la capacidad discriminativa de cada funcin. En la
tabla aparece una fila numerada por cada funcin discriminante; como en nuestro ejemplo
slo hay una funcin, slo se muestra una fila. Esta nica funcin explica el 100% de las
diferencias existentes entre los sujetos de los grupos.
El autovalor es el cociente entre la variacin debida a las diferencias entre los grupos
(me- dida mediante la suma de cuadrados inter-grupos) y la variacin que se da dentro de
cada gru- po combinada en una nica cantidad (medida mediante la suma de cuadrados
intra-grupos). Este estadstico se diferencia de la F del anlisis de varianza multivariante en
que no intervie- nen los grados de libertad. Su inters principal radica en que permite
comparar cmo se distri- buye la dispersin inter-grupos cuando existe ms de una funcin.
Aunque un autovalor tiene un mnimo de cero, no tiene un mximo, lo cual lo hace
difcilmente interpretable por s slo. Por esta razn se acostumbra a utilizar el estadstico
lambda de Wilks, que se encuentra estre- chamente relacionado con los autovalores.
La correlacin cannica es la correlacin entre la combinacin lineal de las variables
in- dependientes (la funcin discriminante) y una combinacin lineal de variables indicador

Captulo 23. Anlisis discriminante

1
2

(unos y ceros) que recogen la pertenencia de los sujetos a los grupos. En el caso de dos
grupos, la co-

rrelacin cannica es la correlacin simple entre las puntuaciones discriminantes y una


varia- ble con cdigos 1 y 0 segn cada caso pertenezca a un grupo o a otro. Una
correlacin cannica alta indica que las variables discriminantes permiten diferenciar entre
los grupos. Con ms de dos grupos, la correlacin cannica es equivalente al estadstico eta
utilizado en el anlisis de varianza de un factor (eta = raz cuadrada del cociente entre la
suma de cuadrados inter-grupos y la suma de cuadrados total).
El autovalor obtenido en nuestro ejemplo est bastante prximo a 0 y la correlacin
can- nica es moderada, por lo que debemos suponer que las variables discriminantes
utilizadas (peso y aceleracin) no permiten distinguir demasiado bien entre los dos grupos.
Tabla 23.3. Autovalores.
Funcin
1

Autovalor
.294a

% de varianza
100.0

% acumulado
100.0

Correlacin
cannica
.477

a. Se han empleado las 1 primeras funciones discriminantes


cannicas en el anlisis.

El estadstico lambda de Wilks expresa la proporcin de variabilidad total no debida a las


dife- rencias entre los grupos; permite contrastar la hiptesis nula de que las medias
multivariantes de los grupos (los centroides) son iguales. Wilks (1932), basndose en el
principio de razn de verosimilitud generalizada (segn el cual la varianza generalizada de
una espacio multivariante puede ser calculada mediante el determinante de la matriz de
dispersin), plante el estadstico , definido como:

donde S es la matriz de varianzas-covarianzas combinada, calculada a partir de las matrices


de varianzas-covarianzas de cada grupo, y T es la matriz de varianzas-covarianzas total,
calculada sobre todos los casos como si pertenecieran a un nico grupo. Cuando los grupos
se encuentren superpuestos en el espacio multidimensional, los valores del numerador y
del denominador sern aproximadamente iguales y su cociente valdr 1; a medida que los
grupos se vayan separando ms y ms, la variabilidad inter-grupos ir aumentando y la
variabilidad intra-grupos se ir haciendo comparativamente menor respecto a la
variabilidad total, disminuyendo as el valor del cociente. Por tanto, valores prximos a 1
indicarn un gran parecido entre los grupos, mientras que valores prximos a 0 indicarn
una gran diferencia entre ellos. Ntese que lambda + eta2 = 1.
Tabla 23.4. Lambda de Wilks.
Contraste de
las funciones
1

Lambda
de Wilks
.773

Chicuadrado
83.202

gl
2

Sig.
.000

Aunque Schatzoff (1966) obtuvo los puntos crticos exactos de la distribucin de bajo
ciertas condiciones, es ms frecuente utilizar una transformacin de que posee
distribucin aproxi- mada conocida. Bartlett (1947) ha demostrado que el estadstico:

se aproxima a la distribucin chi-cuadrado con (pk)(gk 1) grados de libertad: p es el


nme- ro de variables independientes o discriminantes, g es el nmero de grupos, y k es el
nmero

funciones discriminantes obtenidas con anterioridad al contraste (cunado slo existe una
fun- cin porque slo hay dos grupos, k = 0).
La gran ventaja diagnstica del estadstico lambda es que, puesto que se basa en las
matri- ces de varianzas-covarianzas, puede calcularse antes de obtener las funciones
discriminantes.
En nuestro ejemplo, el valor de lambda es moderadamente alto (0,773), lo cual
significa que existe bastante solapamiento entre los grupos. Sin embargo, el valor
transformado de lamb- da (Chi-cuadrado = 83,202) tiene asociado, con 2 grados de
libertad, un nivel crtico (Sig.) de 0,000, por lo que podemos rechazar la hiptesis nula de
que los grupos comparados tienen promedios iguales en las dos variables discriminantes.

La tabla de coeficientes estandarizados (tabla 23.5) contiene una versin estandarizada de


los coeficientes de la funcin cannica discriminante. Estos coeficientes estandarizados son
inde- pendientes de la mtrica original de las variables discriminantes y, por tanto, son
preferibles a los coeficientes brutos cuando las variables poseen una mtrica distinta. Son
los coeficientes que el programa ofrece por defecto, mientras que los coeficientes brutos
deben solicitarse de manera explcita. Atendiendo al valor de los coeficientes
estandarizados de la tabla 23.5 pode- mos concluir que la variable peso tiene mayor
importancia que la variable aceleracin a la hora de predecir el grupo de pertenencia de los
vehculos.
Tabla 23.5. Coeficientes estandarizados de las funciones discriminantes cannicas.

Peso total (kg)


Aceleracin 0 a 100 km/h

Funcin
1
.919
-.184

Para interpretar los signos de las ponderaciones resulta til inspeccionar primero la
ubicacin de los centroides de cada grupo. Los centroides se muestran en la tabla 23.7.
Podemos compro- bar que el grupo de coches estadounidenses tiende a obtener
puntuaciones positivas en la fun- cin discriminante, mientras que el grupo de vehculos
europeos tiende a obtener puntuaciones negativas. Sabido esto, la funcin discriminante nos
indica que un incremento en el peso (por encima de la media) har ms probable que el
vehculo obtenga una puntuacin positiva y, con ello, que se ajuste al patrn de los
vehculos estadounidenses. Por el contrario, un peso por debajo de la media ser
caracterstico de un vehculo europeo. En cuanto a la variable acele- racin, un valor por
encima de la media (mayor nmero de segundos en alcanzar los 100 km/h) har disminuir
la puntuacin discriminante (dado que el signo es negativo) y ser ms carac- terstico de
los vehculos europeos, y viceversa, una puntuacin en aceleracin por debajo de la media
aumentar las posibilidades de que el vehculo sea clasificado como estadounidense.
Basndonos en estos resultados, podemos afirmar que los vehculos estadounidenses tienen
ma- yor peso y tardan menos en alcanzar los 100 km/h.

La matriz de estructura (tabla 23.6) contiene las correlaciones entre las variables
discriminan- tes y la funcin discriminante estandarizada. Mientras que los coeficientes
estandarizados muestran la contribucin neta de cada variable independiente a la funcin
discriminante (de manera similar a como lo hacen los coeficientes beta de un anlisis de
regresin mltiple), las correlaciones muestran la relacin bruta entre cada variable y la
funcin discriminante.
Cuando existe colinealidad entre las variables independientes puede ocurrir que alguna
de ellas quede fuera del anlisis por no aportar informacin nueva. Sin embargo, no por ello
carece de inters conocer cmo se relaciona cada variable independiente con la funcin
discri- minante. Conocer estas relaciones puede ayudar a interpretar mejor la funcin
discriminante. En la tabla 23.6 podemos apreciar que la aceleracin correlaciona alto con la
funcin dis- criminante, aunque sea una variable poco importante en la funcin.
Posiblemente, la poca importancia de esta variable en la funcin se deba a su relacin con
la variable peso, la cual ha capitalizado la informacin que comparte con la aceleracin y la
aporta de manera individual
a la funcin discriminante.
La matriz de estructura presenta las variables ordenadas por su grado de correlacin (de
mayor a menor) con la funcin discriminante. Este orden puede ser distinto del orden en el
que aparecen en otras tablas y del orden en que han sido incluidas en el anlisis.
Tabla 23.6. Matriz de estructura.

Peso total (kg)


Aceleracin 0 a 100 km/h

Funcin
1
.985
-.513

La tabla 23.7 contiene la ubicacin de los centroides en la funcin discriminante (bruta) tal
y como se muestran en la figura 23.2. Esta tabla es de gran utilidad para interpretar la
funcin discriminante. Podemos observar que el grupo de vehculos estadounidenses se
encuentra loca- lizado, en promedio, en las puntuaciones positivas de la funcin, mientras
que los vehculos europeos se encuentran ubicados en las puntuaciones negativas.
Si desconocemos la procedencia de un vehculo pero tenemos informacin sobre su
peso y aceleracin, podemos calcular su puntuacin discriminante y, a partir de ella,
asignarlo al grupo de cuyo centroide se encuentre ms prximo.
Tabla 23.7. Valores de los centroides en la funcin discriminante.
Pas de origen
EE.UU.
Europa

Funcin
1
.290
-1.006

Estadsticos
El subcuadro de dilogo Estadsticos permite obtener informacin adicional sobre algunos
aspectos del anlisis. Parte de esta informacin es descriptiva, pero tambin contiene
estadsti- cos que permiten comprobar algunos de los supuestos en los que se fundamenta la
tcnica. Para obtener esta informacin:

| Pulsar en el botn Estadsticos... (ver figura 23.3) para acceder al subcuadro de


dilogo
Anlisis discriminate: Estadsticos que se muestra en la figura 23.6.
Figura 23.6. Subcuadro de dilogo Anlisis discriminante: Estadsticos.

Descriptivos. Este apartado contiene opciones que permiten obtener informacin


descriptiva y contrastes univariantes y multivariantes sobre las variables utilizadas en el
anlisis:

G Medias. Media, desviacin tpica, nmero de casos vlidos (ponderado y no ponderado) para cada uno de los grupos y para la muestra total (tabla 23.8).
Tabla 23.8. Estadsticos descriptivos.
Pas de origen
EE.UU.
Europa
Total

Peso total (kg)


Aceleracin 0 a 100 km/h
Peso total (kg)
Aceleracin 0 a 100 km/h
Peso total (kg)
Aceleracin 0 a 100 km/h

Media
1122.11
14.93
810.12
16.82
1052.25
15.35

N vlido (segn lista)


No ponderados Ponderados
253
253.000
253
253.000
73
73.000
73
73.000
326
326.000
326
326.000

Desv. tp.
262.87
2.80
163.62
3.01
276.55
2.95

G ANOVAs univariados. Tabla de ANOVA con estadsticos F que permiten


contrastar la hiptesis de igualdad de medias entre los grupos en cada variable
independiente. La tabla de ANOVA incluye tambin el estadstico lambda de Wilks
univariante. La in- formacin de esta tabla suele utilizarse como prueba preliminar
para detectar si los grupos difieren en las variables de clasificacin seleccionadas;
sin embargo, debe te- nerse en cuenta que una variable no significativa a nivel
univariante podra aportar in- formacin discriminativa a nivel multivariante.
Tabla 23.9. Pruebas de igualdad de las medias de los grupos.

Peso total (kg)


Aceleracin 0 a 100 km/h

Lambda
de Wilks
.778
.928

F
92.381
25.022

gl1
1
1

gl2
324
324

Sig.
.000
.000

Captulo 23. Anlisis discriminante

20

G M de Box. Prueba M de Box para el contraste de la hiptesis nula de igualdad de las


matrices de varianzas-covarianzas poblacionales. Uno de los supuestos del anlisis
discriminante es que todos los grupos proceden de la misma poblacin y, ms
concre- tamente, que las matrices de varianzas-covarianzas poblacionales
correspondientes a cada grupo son iguales entre s. El estadstico M de Box toma la
forma:

donde S es la matriz de varianzas-covarianzas combinada, S(j) es la matriz de


varian- zas-covarianzas del j-simo grupo, n es el nmero total de casos, nj es el
nmero de casos en el j-simo grupo y g es el nmero de grupos. El estadstico M
carece de distri- bucin muestral conocida, pero puede transformase en un
estadstico F e interpretarse como tal (muchos analistas critican el uso de este
estadstico por ser demasiado sensi- ble a pequeas desviaciones de la normalidad
multivariante y a tamaos muestrales grandes, tendiendo a ser conservador).
La tabla 23.10 muestra los logaritmos de los determinantes de todas las
matrices utilizadas en el clculo del estadstico M. Dado que el estadstico es
multivariante, la tabla permite comprobar qu grupos (cuando hay ms de dos)
difieren ms.
Tabla 23.10. Logaritmos de los determinantes.
Pas de origen
EE.UU.
Europa
Intra-grupos combinada

Rango
2
2
2

Logaritmo del
determinante
12.963
12.379
12.954

La tabla 23.11 ofrece la prueba M de Box y su transformacin en un estadstico F.


El resultado de la prueba permite rechazar la hiptesis de igualdad de matrices de
varian- zas-covarianzas (Sig. = 0,000 < 0,05) y, por tanto, concluir que uno de los
dos grupos es ms variable que el otro.
Tabla 23.11. Tabla de resultados de la prueba M de Box.
M de Box

39.135

Captulo 23. Anlisis discriminante


F

Aprox.
gl1
gl2
Sig.

12.906
3
263888.2
.000

20

Captulo 23. Anlisis discriminante

2
1

Matrices. Las opciones de este apartado permiten obtener las matrices de varianzas-covarianzas utilizadas en el anlisis.

G Correlacin intra-grupos. Muestra la matriz de correlaciones intra-grupo


combina- da, es decir la matriz de correlaciones entre las variables independientes
estimada a partir de las correlaciones obtenidas dentro de cada grupo (ver tabla
23.12). Aparece en la misma tabla que la matriz de varianzas-covarianzas intragrupos combinada.

G Covarianza intra-grupos. Matriz de varianzas-covarianzas intra-grupo combinada


(ver tabla 23.12). Esta matriz se calcula obteniendo las matrices de sumas de
cuadra- dos y productos cruzados de cada grupo por separado, sumando a
continuacin las matrices de todos los grupos y dividiendo finalmente por los
grados de libertad. Es la matriz S utilizada en el clculo de la lambda de Wilks. La
matriz se ofrece junto a la de correlaciones intra-grupo en una nica tabla.
Tabla 23.12. Matrices intra-grupo combinadas.

Covarianza
Correlacin

Peso total (kg)


Aceleracin 0 a 100 km/h
Peso total (kg)
Aceleracin 0 a 100 km/h

Peso total
(kg)
59693.536
-248.818
1.000
-.357

Aceleracin
0 a 100 km/h
-248.818
8.117
-.357
1.000

G Covarianza de grupos separados. Matrices de varianzas-covarianzas de cada


grupo (ver tabla 23.13). En la tabla, la matriz de cada grupo se presenta precedida
de un en- cabezado que indica el grupo al que se refiere. Las matrices de varianzacovarianza individuales calculadas por separado para cada uno de los grupos se
utilizan en ocasio- nes especiales para obtener una estimacin de la matriz de
varianzas-covarianzas intra-grupo combinada. La suma de estas matrices slo ser
igual a la matriz de varian- zas-covarianzas combinada cuando los tamaos de los
grupos sean grandes y simila- res. Estas matrices aparecen en la misma tabla que la
matriz de varianzas-covarianzas total.

G Covarianza total. Matriz de varianzas-covarianzas total, es decir, calculada sobre


to- dos los sujetos de la muestra como si pertenecieran a un nico grupo (ver tabla
23.13). Aparece en la ltima submatriz de la tabla 23.13, con el encabezado Total.
Es la ma- triz T utilizada en el clculo de la lambda de Wilks.
Tabla 23.13. Matrices de varianzas-covarianzas.
Pas de origen
EE.UU.
Europa
Total

Peso total (kg)


Aceleracin 0 a 100 km/h
Peso total (kg)
Aceleracin 0 a 100 km/h
Peso total (kg)
Aceleracin 0 a 100 km/h

Peso total
(kg)
69099.515
-340.100
26772.610
70.669
76477.740
-351.030

Aceleracin 0
a 100 km/h
-340.100
7.846
70.669
9.066
-351.030
8.717

Coeficientes de la funcin. Este apartado contiene opciones que permiten seleccionar


algunos coeficientes adicionales utilizados en la clasificacin de los casos.

G Coeficientes no tipificados. Coeficientes brutos de la funcin cannica


discriminante. Son los coeficientes utilizados por el programa para calcular las
puntuaciones discri- minantes y la ubicacin de los centroides de los grupos de la
tabla 23.7. No es habitual solicitar esta tabla por dos motivos. En primer lugar, el
programa calcula de manera automtica las puntuaciones discriminantes. En
segundo lugar, este conjunto de coefi- cientes depende de la variabilidad y la
mtrica de las variables (de manera similar a lo que sucede con los coeficientes de
regresin no tipificados del anlisis de regresin mltiple), lo que dificulta su
interpretacin. La funcin discriminante incluye una constante correctora que
consigue que las puntuaciones discriminantes tomen el valor 0 en algn punto entre
los dos centroides.
Tabla 23.14. Coeficientes de la funcin discriminante (no tipificados).

Peso total (kg)


Aceleracin 0 a 100 km/h
(Constante)

Funcin
1
.004
-.065
-2.967

Coeficientes no tipificados

A modo de ejemplo, puede comprobarse que a partir de las medias de cada grupo
en las variables discriminantes (ver tabla 23.8) y este conjunto de coeficientes se
obtienen los centroides en la funcin discriminante (ver tabla 23.7):

G Coeficientes de clasificacin de Fisher. Fisher (1936) present la primera


aproxima- cin a la clasificacin multivariante para el caso de dos grupos. Los
coeficientes pro- puestos por Fisher se utilizan nicamente para la clasificacin. Al
solicitar esta opcin se obtiene una funcin de clasificacin para cada grupo. En el
caso de dos grupos, la diferencia entre ambas funciones da lugar a un vector de
coeficientes proporcional a los coeficientes no tipificados de la funcin
discriminante cannica. Para aplicar estos coeficientes, se calcula cada una de las
funciones para un sujeto dado y se clasifica al sujeto en el grupo en el que la
funcin obtiene una puntuacin mayor. En la prctica, el programa no utiliza estos
coeficientes para la clasificacin de los sujetos.
Tabla 23.15. Funciones de clasificacin de Fisher.

Peso total (kg)


Aceleracin 0 a 100 km/h
(Constante)

Pas de origen
EE.UU.
Europa
.030
.025
2.769
2.853
-38.385
-35.003

Funciones discriminantes lineales de Fisher

Mtodo
Las variables independientes pueden incorporarse a la funcin discriminate utilizando dos
estrategias distintas. Por defecto, el SPSS utiliza una estrategia de inclusin forzosa de
varia- bles que permite construir la funcin discriminante incorporando todas las variables
indepen- dientes incluidas en el anlisis. Segn hemos visto en los ejemplos anteriores, los
nicos esta- dsticos que se obtienen con esta estrategia se refieren al ajuste global de la
funcin discrimi- nante; no se obtienen estadsticos referidos a la significacin individual de
cada coeficiente discriminante (como, por ejemplo, los estadsticos t del anlisis de
regresin mltiple).
Una manera de obtener informacin sobre la significacin individual de cada variable
en la funcin discriminante consiste en utilizar una estrategia de inclusin por pasos. Con
esta es- trategia, las variables se van incorporando a la funcin discriminante una a una y,
de esta mane- ra, es posible, por un lado, construir una funcin utilizando nicamente
aquellas variables que realmente son tiles para la clasificacin y, por otra, evaluar la
contribucin individual de cada variable al modelo discriminate. Para utilizar esta estrategia
de inclusin por pasos:

| En el cuadro de dilogo Anlisis discriminante (ver figura 23.3), seleccionar la


opcin
Usar mtodo de inclusin por pasos.

| Pulsar en el botn Mtodo... (inactivo hasta que se marca la opcin Usar mtodo
de inclusin por pasos) para acceder al subcuadro de dilogo Anlisis discriminante:
Mtodo de inclusin por pasos que muestra en la figura 23.7.
Figura 23.7. Subcuadro de dilogo Anlisis discriminante: Mtodo de inclusin por pasos.

Mtodo. En la estrategia de inclusin por pasos, las variables independientes van siendo incorporadas paso a paso a la funcin discriminate tras evaluar su grado de contribucin individual a la diferenciacin entre los grupos. Las opciones de este apartado permiten
seleccionar el estadstico que ser utilizado como mtodo de seleccin de variables:

F Lambda de Wilks. Cada variable independiente candidata a ser incluida en el


modelo se evala mediante un estadstico Fcambio que mide el cambio que se produce
en el valor de la lambda de Wilks al incorporar cada una de las variables al modelo.
Obtenido el valor del estadstico Fcambio para cada variable, se incorpora al modelo
la variable a la que le corresponde el mayor valor Fcambio (o, lo que es lo mismo, la
que produce el ma- yor cambio en la lambda de Wilks):

donde n es el nmero de casos vlidos, g es el nmero de grupos, p es la lambda


de Wilks que corresponde al modelo antes de incluir la variable que se est
evaluando y
p+1 es la lambda de Wilks que corresponde al modelo despus de incluir esa
variable. Este estadstico F es tambin conocido como R de Rao (ver Tatsuoka,
1971).

F Varianza no explicada. Utiliza como criterio de inclusin la suma de la variacin


entre todos los pares de grupos no explicada por las variables ya incluidas en el
mode- lo. Se incorpora al modelo la variable que minimiza la cantidad de
varianza no explicada. La cantidad de varianza explica por el modelo, R2, es
proporcional, en una constante c, a la distancia H de Mahalanobis (ver ms abajo):

Para calcular la cantidad de varianza no explicada se utiliza el estadstico R (Dixon,


1973):

donde g es el nmero de grupos, y a y b son dos grupos cualesquiera.

F Distancia de Mahalanobis. Se incorpora en cada paso la variable que maximiza la


distancia de Mahalanobis (1936) entre los dos grupos ms prximos. La distancia
mul- tivariante entre los grupos a y b se define como:

donde n es el nmero de casos vlidos, g es el nmero de grupos, es la media del


grupo a en la i-sima variable independiente, es la media del grupo b en la i-sima
variable independiente, y es un elemento de la inversa de la matriz de varian- zascovarianzas intra-grupos. Morrison (1976).

F Menor razn F. Se incorpora en cada paso la variable que maximiza la menor razn
F para las parejas de grupos. El estadstico F utilizado es la distancia de
Mahalanobis ponderada por el tamao de los grupos:

F V de Rao. El estadstico V de Rao (1952) es una transformacin de la traza de


Lawley- Hotelling (Lawley, 1938; Hotelling, 1931) que es directamente
proporcional a la dis- tancia entre los grupos. Al utilizar este criterio, la variable
que se incorpora al modelo es aquella que produce un mayor incremento en el valor
de V:

donde p es el nmero de variables en el modelo, g es el nmero de grupos, nk es el


nmero de casos vlidos del grupo k, es la media del grupo k en la i-sima variable,
es la media de todos los grupos en la i-sima variable, y
es un elemento
de la inversa de la matriz de varianzas-covarianzas intra-grupos.
Esta opcin permite especificar el incremento mnimo que se tiene que dar en
el valor de V para que una variable pueda ser incorporada al modelo. Para
establecer ese mnimo, introducir un valor mayor que 0 en el cuadro de texto V
para entrar.

Criterios. Cualquiera que sea el mtodo seleccionado, en la estrategia de inclusin por


pasos siempre se comienza seleccionando la mejor variable independiente desde el punto de
vista de la clasificacin (es decir, la variable independiente en la que ms se diferencian los
grupos). Pero esta variable slo es seleccionada si cumple el criterio de entrada. A
continuacin, se se- lecciona la variable independiente que, cumpliendo el criterio de
entrada, ms contribuye a conseguir que la funcin discriminante diferencie a los grupos.
Etc. Cada vez que se incorpora una nueva variable al modelo, las variables previamente
seleccionadas son evaluadas nueva- mente para determinar si cumplen o no el criterio de
salida. Si alguna variable de las ya selec- cionadas cumple el criterio de salida, es
expulsada del modelo.
Las opciones de este apartado permiten establecer los criterios de entrada y salida
utiliza- dos por el programa para incorporar o eliminar variables. De acuerdo con estos
criterios, slo son incluidas en el modelo aquellas variables que contribuyen a discriminar
significativamente entre los grupos*:

F Usar valor de F. Una variable pasa a formar parte de la funcin discriminante si el


valor del estadstico F es mayor que 3,84 (valor de entrada). Y es expulsada de la
fun- cin si el valor del estadstico F es menor que 2,71 (valor de salida). Para
modificar los valores de entrada y salida:

| Seleccionar el criterio Usar valor de F (si no est ya seleccionado) e


intro- ducir los valores deseados (siempre mayores que 0) en los
cuadros de texto Entrada y Salida. El valor de entrada debe ser mayor
que el de salida.
F

Usar la probabilidad de F. Una variable pasa a formar parte de la funcin


discrimi- nante si el nivel crtico asociado al valor del estadstico F es menor que
0,05 (proba- bilidad de entrada). Y es expulsada de la funcin si ese nivel crtico es
mayor que 0,10 (probabilidad de salida). Para modificar los valores de entrada y
salida:

Superado el criterio de significacin, una variable slo pasa a formar parte del modelo si su nivel de tolerancia es mayor
que el nivel establecido por defecto (este nivel es 0,001, pero puede cambiarse mediante sintaxis) y si, adems, su incorporacin al modelo no hace que alguna de las variables previamente seleccionadas pase a tener un nivel de tolerancia por
debajo del nivel establecido por defecto. La tolerancia de una variable independiente es la proporcin de varianza de esa
variable que no est asociada (que no depende) del resto de variables independientes incluidas en la ecuacin. Una variable

con una tole- rancia de, por ejemplo, 0,01 es una variable que comparte el 99 % de su varianza con el resto de variables
independientes, lo cual significa que se trata de una variable redundante casi por completo.

| Seleccionar el criterio Usar valor de F (si no est ya seleccionado) e


intro- ducir los valores deseados (siempre entre 0 y 1) en los cuadros
de texto En- trada y Salida. El valor de entrada debe ser menor que el
de salida.
Mostrar. Las opciones de este apartado permiten obtener informacin detallada sobre
algunos aspectos relacionados con el proceso de inclusin por pasos:
G Resumen de los pasos. Estadsticos para cada una de las variables despus de cada
paso, as como estadsticos de resumen del paso. Para omitir de los resultados la
infor- macin sobre el proceso por pasos, desactive esta seleccin.

G F para distancias por parejas. Muestra una matriz de estadsticos F que contrasta
si cada pareja de grupos difieren en la funcin discriminante. Se comparan todas
las pa- rejas de grupos. Esta opcin es til en el caso de ms de dos grupos.

Captulo 23. Anlisis discriminante

30

Ejemplo (Anlisis discriminante > Mtodo)


Este ejemplo muestra cmo utilizar la estrategia de inclusin de variables por pasos y cmo
interpretar los resultados obtenidos.
Aunque cada uno de los mtodos disponibles puede dar lugar a una funcin
discriminate distinta y los estadsticos que aparecen en las tablas de resultados dependen del
mtodo selec- cionado, creemos que basta con estudiar uno cualquiera de los mtodos
disponibles para com- prender cmo funciona la estrategia de inclusin por pasos. Para
construir un modelo por pasos:

| En el cuadro de dilogo Anlisis discriminante (ver figura 23.3), trasladar las


variables consumo, motor (cilindrada), peso, acel (aceleracin), cv (potencia), ao
y cilindr (n- mero de cilindros) a la lista Independientes y la variable origen
al cuadro Variable de agrupacin.

| Pulsar el botn Definir rango... para acceder al subcuadro de dilogo Definir


rango y escribir el valor 1 (el cdigo de EE.UU. en la variable origen) en la
casilla Mnimo y el valor 2 (el cdigo de Europa en la variable origen) en la
casilla Mximo. Pulsar el botn Continuar para volver al cuadro de dilogo
principal.

| Seleccionar la opcin Usar mtodo de inclusin por pasos y pulsar el botn


Mto- do... para acceder al subcuadro de dilogo Anlisis discriminante:
Mtodo de inclu- sin por pasos (ver figura 23.7).

| Seleccionar la opcin F para distancias por parejas del apartado Mostrar.


Pulsar el botn Continuar para volver al cuadro de dilogo principal.
Aceptando estas elecciones, el Visor ofrece los resultados que muestran las tablas 23.16 a la
23.27.

Captulo 23. Anlisis discriminante

3
1

La tabla 23.16 indica que disponemos de 312 casos vlidos. Se han excluido 94 casos de la
muestra original de 406 casos. De estos 94 casos, 79 no pertenecen a ninguno de los grupos
se- leccionados (bien por que en la variable de agrupacin, origen, tienen el cdigo del pas
no se- leccionado Japn, bien porque tienen valor perdido en esa variable); 14 casos
pertenecen a uno de los dos grupos seleccionados (EE.UU. o Europa; cdigos 1 y 2 en la
variable origen) pero no disponen de informacin completa en todas las variables
independientes; y en 1 caso se dan ambas circunstancias.
Los casos excluidos por tener algn valor perdido en las variables independientes no se
utilizan para calcular la funcin discriminante, pero pueden ser utilizados ms tarde en la
fase de clasificacin (ver ms adelante).
En ocasiones puede resultar interesante realizar un anlisis pormenorizado de los
valores perdidos (por ejemplo, con el mdulo Valores perdidos). Si la muestra contiene
muchos casos con valor perdido en al menos una variable independiente, la funcin
discriminante se cons- truir a partir de un nmero muy reducido de casos. Esto representa
un serio inconveniente por dos razones. Por un lado, las estimaciones basadas en pocos
casos suelen ser poco eficientes (muy variables y, por tanto, inestables: cambian mucho al
utilizar muestras distintas). Por otro, si los casos con valores perdidos difieren de los casos
vlidos en alguna caracterstica concreta, las estimaciones estarn sesgadas. Si, por
ejemplo, los fabricantes de vehculos de ms cilindra- da tienen por costumbre no informar
de los consumos de sus vehculos, podemos encontrarnos con que los casos de los que se
dispone informacin son en su mayora vehculos de bajo con- sumo. Los resultados
obtenidos prescindiendo del consumo de los vehculos de gran cilindrada podran ser,
obviamente, muy distintos de los obtenidos si se contara con informacin sobre el consumo
de todos los vehculos.
Siempre es, por tanto, conveniente detenerse a revisar los valores perdidos para
averiguar si poseen alguna caracterstica comn. Podra ocurrir, por ejemplo, que la mayor
parte de los valores perdidos se concentraran en una o dos variables; excluir esa o esas
variables del anlisis permitira aumentar el nmero de casos vlidos y, con ello, obtener
estimaciones menos ses- gadas y ms eficientes.
Tabla 23.16. Resumen de los casos procesados.
Casos no ponderados
Vlidos
Excluidos
Por pertenecer a un grupo fuera de rango
Por tener valor perdido en al menos una variable discriminante
Por pertnecer a un grupo fuera de rango o por tener valor perdido
en al menos una variable discriminante
Total
Total

N
312
79
14

Porcentaje
76.8
19.5
3.4

.2

94
406

23.2
100.0

La tabla 23.17 informa del nmero de casos vlidos en cada grupo y en cada una de las
varia- bles independientes. Puesto que la exclusin de casos se realiza segn lista (es decir,
se exclu- yen del anlisis los casos con valor perdido en al menos una variable
independiente), el nmero de casos vlido de todas las variables es el mismo en cada grupo.
Tabla 23.17. Estadsticos por grupo (n de casos vlidos en cada variable).

Pas de origen
EE.UU.

Europa

Total

Consumo (l/100Km)
Cilindrada en cc
Potencia (CV)
Peso total (kg)
Aceleracin 0 a 100 km/h
Ao del modelo
Nmero de cilindros
Consumo (l/100Km)
Cilindrada en cc
Potencia (CV)
Peso total (kg)
Aceleracin 0 a 100 km/h
Ao del modelo
Nmero de cilindros
Consumo (l/100Km)
Cilindrada en cc
Potencia (CV)
Peso total (kg)
Aceleracin 0 a 100 km/h
Ao del modelo
Nmero de cilindros

N vlido (segn lista)


No
ponderados
Ponderados
244
244.000
244
244.000
244
244.000
244
244.000
244
244.000
244
244.000
244
244.000
68
68.000
68
68.000
68
68.000
68
68.000
68
68.000
68
68.000
68
68.000
312
312.000
312
312.000
312
312.000
312
312.000
312
312.000
312
312.000
312
312.000

Captulo 23. Anlisis discriminante

33

La tabla de variables introducidas/eliminadas (tabla 23.18) muestra un resumen de todos


los pasos llevados a cabo en la construccin de la funcin discriminante y recuerda los
criterios utilizados en la seleccin de variables. En cada paso se informa de la variable que
ha sido in- corporada al modelo y, en su caso, de la variable o variables que han sido
expulsadas. En nues- tro ejemplo, todos los pasos llevados a cabo han sido de incorporacin
de variables: en el pri- mer paso, cilindrada; en el segundo, potencia; etc. As, hasta un total
de 5 variables. En ningu- no de los 5 pasos ha habido expulsin de variables. Si alguna de
las variables previamente in- corporadas hubiera sido expulsada en algn paso posterior, la
tabla mostrara una columna adi- cional indicando tal circunstancia.
Las notas a pie de tabla recuerdan algunas de las opciones establecidas para el anlisis:
la seleccin de variables se ha llevado a cabo utilizando el estadstico lambda de Wilks
global, el nmero mximo de pasos permitidos es 14 (valor que no se ha alcanzado puesto
que slo se han realizado 6 pasos), el valor del estadstico F para incorporar variables es
3,84 (criterio de entrada), el valor del estadstico F para excluir variables es 2,71 (criterio
de salida) y, por ltimo, en la nota d se informa de que se ha alcanzado alguno de los
criterios de parada (los niveles del estadstico F, el criterio de tolerancia y la V mnima de
Rao), por lo que alguna de las variables independientes inicialmente propuestas no ha sido
incluida en el modelo final.
Puede observarse que el valor del estadstico lambda de Wilks va disminuyendo en
cada paso, lo cual es sntoma de que, conforme se van incorporando variables al modelo,
los grupos van estando cada vez menos solapados. En la columna F exacta se encuentra el
valor transfor- mado de la lambda de Wilks y su significacin. Los valores del estadstico
se refieren al esta- dstico global y no al cambio en el estadstico. Esta tabla siempre recoge
el estadstico seleccio- nado en la opcin Mtodo, por lo que la cabecera de la columna
cambiar de un anlisis a otro dependiendo del estadstico elegido.
Tabla 23.18. Variables introducidas/eliminadas (resumen del anlisis por pasos).
Lambda de Wilks
Paso
1
2
3
4
5

Introducidas
Cilindrada en cc
Potencia (CV)
Ao del modelo
Peso total (kg)
Consumo (l/100Km)

Estadstico
.704
.660
.631
.620
.606

gl1
1
2
3
4
5

gl2
1
1
1
1
1

gl3
310.000
310.000
310.000
310.000
310.000

a,b,c,d

Estadstico
130.522
79.582
60.009
47.075
39.744

En cada paso se introduce la variable que minimiza la lambda de Wilks global.


a. El nmero mximo de pasos es 14.
b. La F parcial mnima para entrar es 3.84.
c. La F parcial mxima para salir es 2.71.
d. El nivel de F, la tolerancia o el VIN son insuficientes para continuar los clculos.

F exacta
gl1
gl2
1
310.000
2
309.000
3
308.000
4
307.000
5
306.000

Sig.
.000
.000
.000
.000
.000

Captulo 23. Anlisis discriminante

34

La tabla 23.19 se encuentra dividida por cada uno de los pasos. En cada paso se mencionan
las variables incorporadas al modelo hasta ese momento y, para cada variable, el nivel de
toleran- cia, el valor del estadstico F que permite valorar si la variable debe o no ser
expulsada, (F pa- ra ser eliminar) y la lambda de Wilks global que obtendramos si se
eliminara la variable del modelo.
Esta tabla permite valorar (mediante F y lambda) el efecto de la exclusin de cada
variable y (mediante el nivel de tolerancia) el grado de colinealidad existente entre las
variables inde- pendientes. Puesto que las variables utilizadas en nuestro ejemplo se
encuentran muy relaciona- das entre s, la tolerancia disminuye sensiblemente en el
momento en que se incorpora una nue- va variable al modelo (recordemos que la tolerancia
es la proporcin de varianza de una va- riable independiente que no est explicada por el
resto de variables independientes). En el paso 0 todas las variables tiene una tolerancia
igual a 1, pues todava no existen variables en el mo- delo. En el paso 1 permanece en ese
valor de tolerancia para la primera variable pues, al estar sola, no existen variables que
puedan explicar nada de ella (vase la tolerancia de la variable cilindrada en el paso 1). En
el segundo paso, al incorporarse la variable potencia al modelo, la tolerancia baja a 0,212,
lo cual es sntoma de que existe una alta correlacin entre ambas variables (es fcil deducir
que la correlacin entre las dos variables es de 0,89). Sin embargo, la variable ao del
modelo no correlaciona tanto con la potencia y cilindrada: al incorporarse al modelo en el
tercer paso, su tolerancia slo baja hasta 0,799.
Tabla 23.19. Variables incluidas en el anlisis (variables seleccionadas en cada paso).
Paso
1
2
3

Cilindrada en cc
Cilindrada en cc
Potencia (CV)
Cilindrada en cc
Potencia (CV)
Ao del modelo
Cilindrada en cc
Potencia (CV)
Ao del modelo
Peso total (kg)
Cilindrada en cc
Potencia (CV)
Ao del modelo
Peso total (kg)
Consumo (l/100Km)

Tolerancia
1.000
.212
.212
.210
.208
.799
.114
.205
.767
.179
.114
.194
.509
.127
.157

F para
eliminar
130.522
84.720
20.452
88.464
14.658
14.110
71.727
12.097
17.124
5.591
71.054
15.813
24.242
11.612
6.839

Lambda
de Wilks
.841
.704
.812
.661
.660
.765
.644
.654
.631
.747
.638
.654
.629
.620

Captulo 23. Anlisis discriminante

35

La tabla 23.20 ofrece una evaluacin de las variables candidatas a ser incluidas en el
modelo en cada uno de los pasos. La tabla muestra, en cada paso, las variables que todava
no han sido incorporadas al modelo.
Tabla 23.20. Variables no incluidas en el anlisis (variables no seleccionadas en cada paso)
Paso
0

Consumo (l/100Km)
Cilindrada en cc
Potencia (CV)
Peso total (kg)
Aceleracin 0 a 100 km/h
Ao del modelo
Nmero de cilindros
Consumo (l/100Km)
Potencia (CV)
Peso total (kg)
Aceleracin 0 a 100 km/h
Ao del modelo
Nmero de cilindros
Consumo (l/100Km)
Peso total (kg)
Aceleracin 0 a 100 km/h
Ao del modelo
Nmero de cilindros
Consumo (l/100Km)
Peso total (kg)
Aceleracin 0 a 100 km/h
Nmero de cilindros
Consumo (l/100Km)
Aceleracin 0 a 100 km/h
Nmero de cilindros
Aceleracin 0 a 100 km/h
Nmero de cilindros

Tolerancia
1.000
1.000
1.000
1.000
1.000
1.000
1.000
.302
.212
.188
.717
.814
.138
.277
.186
.506
.799
.137
.221
.179
.502
.137
.157
.382
.135
.380
.132

Tolerancia
mnima
1.000
1.000
1.000
1.000
1.000
1.000
1.000
.302
.212
.188
.717
.814
.138
.174
.119
.149
.208
.083
.172
.114
.149
.082
.114
.110
.067
.107
.066

F para
introducir
66.617
130.522
58.615
85.178
22.220
.016
107.273
4.448
20.452
4.257
1.809
19.892
.308
.672
2.648
1.637
14.110
1.033
.893
5.591
2.502
1.120
6.839
.235
.564
.460
1.285

Lambda
de Wilks
.823
.704
.841
.784
.933
1.000
.743
.694
.660
.694
.700
.661
.703
.659
.654
.657
.631
.658
.629
.620
.626
.629
.606
.619
.619
.605
.604

Antes de iniciar la construccin del modelo (paso 0) la tolerancia de todas las variables es la
mxima posible y, puesto que las variables estn siendo evaluadas individualmente, la F
para entrar en el modelo (F para introducir) coincide con el valor de la F univariante que se
obten- dra al marcar la opcin ANOVAs univariantes del cuadro de dilogo Anlisis
discriminante: Estadsticos (ver figura 23.6). Adems, para cada variable ya incorporada al
modelo, el valor de la F para salir en un determinado paso (F para eliminar de la tabla
23.19) coincide con el valor de la F para entrar en el paso anterior (F para introducir de la
tabla 23.20).

Captulo 23. Anlisis discriminante

36

En cuanto a la tolerancia de las variables, la tabla incluye dos columnas: la primera


(Tole- rancia) ofrece, en cada paso, la tolerancia que tendra cada variable si fuera
incorporada al mo- delo en el siguiente paso; la segunda columna (Tolerancia mnima)
ofrece la tolerancia corres- pondiente a la variable (de las ya incluidas en el modelo) cuya
tolerancia ms se vera afectada por la incorporacin de la nueva variable (es decir, la
tolerancia de la variable cuya tolerancia pasara a ser la ms pequea de todas). En el paso
3, por ejemplo, la variable peso es la mejor candidata para ser incorporada al modelo en el
siguiente paso (es la que hara menor el valor de la lambda de Wilks). Al ser incorporada en
el paso 4 (ver tabla 23.19), su tolerancia dentro de la ecuacin es el valor informado antes
de entrar (en la tabla 23.20). Y la variable a la que ms afecta su inclusin es a la
cilindrada: en el paso 3 (tabla 23.20) se indica que la tolerancia mnima pasar a ser 0,084,
y en el paso 4 (tabla 23.19) se confirma ese valor.
La tabla 23.21 siempre muestra el estadstico lambda de Wilks global para el modelo
generado en cada paso, independientemente de que se haya optado por otro estadstico
como mtodo de seleccin de variables. Segn sabemos ya, este estadstico permite valorar
el grado de diferen- ciacin entre los grupos tomando como referencia las variables
independientes incluidas en ca- da paso. En este caso, la informacin de la tabla 23.21
coincide exactamente con la de la tabla 23.18.
Tabla 23.21. Lambda de Wilks.

Paso
1
2
3
4
5

Nmero de
variables
1
2
3
4
5

Lambda
.704
.660
.631
.620
.606

gl1
1
2
3
4
5

gl2
1
1
1
1
1

gl3
310
310
310
310
310

Estadstico
130.522
79.582
60.009
47.075
39.744

F exacta
gl1
gl2
1 310.000
2 309.000
3 308.000
4 307.000
5 306.000

Sig.
6.569E-21
.000
.000
.000
.000

Captulo 23. Anlisis discriminante

37

La tabla 23.22 ofrece estadsticos F que permiten contrastar la hiptesis de igualdad de


medias entre cada dos grupos. Esta tabla tiene mayor sentido cuando el anlisis busca
discriminar entre ms de dos grupos, pues permite averiguar qu grupos difieren de qu
otros (recordemos que la lambda de Wilks hace una valoracin global del grado de
diferenciacin entre los grupos). Puesto que en nuestro ejemplo estamos utilizando slo dos
grupos, los valores de esta tabla coinciden con los de la tabla 23.21.
Tabla 23.22. Estadstico F para la comparacin de los grupos por pares.
Origen
EE.UU.

Paso
1
2
3
4
5

Europa
130.522
.000
79.582
.000
60.009
.000
47.075
.000
39.744
.000

F
Sig.
F
Sig.
F
Sig.
F
Sig.
F
Sig.

En la tabla 23.23 podemos apreciar que el autovalor ha aumentado respecto al caso de dos
variables (ver tabla 23.3). Tambin ha aumentado considerablemente la correlacin
cannica. Tcnicamente, el autovalor es proporcional a la dispersin obtenida en la
direccin del mayor autovector de la nube de puntos multivariante. Si el autovalor aumenta
es porque la nube de puntos multivariante aumenta su dispersin y es posible distinguir
mejor los grupos.
Tabla 23.23. Autovalores.
Funcin
1

Autovalor
.649

% de
varianza
100.0

%
Correlacin
acumulado cannica
100.0
.627

La tabla 23.24 muestra el valor de la lambda de Wilks para el modelo final. Su


significacin se evala mediante una transformacin chi-cuadrado (ver tabla 23.4).
Tabla 23.24. Lambda de Wilks global.
Contraste de
las funciones
1

Lambda
de Wilks
.606

Chi-cuadrado
153.879

gl
5

Sig.
.000

Captulo 23. Anlisis discriminante

3
8

La tabla 23.25 ofrece la matriz de coeficientes estandarizados. Estos coeficientes permiten


va- lorar la contribucin neta de cada variable a la funcin discriminante. As, la variable
que ms contribuye a diferenciar los grupos es la cilindrada (un anlisis factorial de las
variables inde- pendientes nos dira que las variables correlacionan mucho entre s, por
lo que no es de extraar que la variable cilindrada pueda estar capitalizando las relacin
entre de la funcin discriminante y el resto de variables independientes).
As pues, a mayor cilindrada, mayor puntuacin en la funcin discriminante y, en
conse- cuencia, mayor tendencia a que el vehculo sea clasificado como estadounidense
(ver la tabla de los centroides 23.27). La variable potencia, sin embargo, presenta un
coeficiente negativo. Esto quiere decir que para vehculos con iguales puntuaciones en las
restantes variables, los que tienen mayor potencia tendrn una puntuacin menor en la
funcin discriminante y, conse- cuentemente, ser ms fcil que sean clasificados como
vehculos europeos. De manera similar podemos interpretar que, manteniendo constantes el
resto de variables, los vehculos estadouni- denses presentan, comparativamente, un mayor
consumo y menor peso y antigedad.
Tabla 23.25. Coeficientes estandarizados de las funciones discriminantes cannicas.

Consumo (l/100Km)
Cilindrada en cc
Potencia (CV)
Peso total (kg)
Ao del modelo

Funcin
1
.595
2.052
-.801
-.856
.605

En la matriz de estructura (tabla 23.26) se encuentran los coeficientes de correlacin brutos


entre cada variable y la funcin discriminante. Puede observarse que el signo de los
coeficien- tes correspondientes a las variables potencia y peso han cambiado (respecto al
que tenan en la matriz de coeficientes estandarizados). Este cambio de signo es
consecuencia del alto grado de colinealidad entre las variables. En nuestro ejemplo, el valor
de los coeficientes de corre- lacin indican que la funcin discriminante distingue
bsicamente entre vehculos grandes (los estadounidenses) y vehculos pequeos (los
europeos). Aunque no han sido utilizadas para construir la funcin discriminante, la tabla
tambin informa de las correlaciones existentes entre la funcin discriminante y las
variables aceleracin y nmero de cilindros.
Tabla 23.26. Matriz de estructura.

Cilindrada en cc
Nmero de cilindrosa
Peso total (kg)
Consumo (l/100Km)
Potencia (CV)
Aceleracin 0 a 100 km/h a
Ao del modelo

Funcin
1
.805
.768
.650
.575
.540
-.294
-.009

a. Variable no utilizada en el anlisis.

La tabla de centroides (23.27) muestra que los vehculos estadounidenses obtienen, en


trminos generales, mayores puntuaciones que los vehculos europeos.
Tabla 23.27. Valores de los centroides en la funcin discriminante.
Origen
EE.UU.
Europa

Funcin
1
.424
-1.522

Captulo 23. Anlisis discriminante

40

El problema de la clasificacin
En los apartados precedentes hemos estudiado, bsicamente, cmo construir o estimar la
fun- cin discriminante. Si nuestro objetivo consiste en averiguar en qu difieren dos
grupos, con lo visto hasta ahora es ms que suficiente. Sin embargo, la mayor utilidad de
una funcin discri- minante radica en su capacidad para clasificar nuevos casos. Ahora bien,
la clasificacin de casos es algo muy distinto de la estimacin de la funcin discriminante.
De hecho, una funcin perfectamente estimada puede no pasar de una pobre capacidad
clasificatoria.
Una vez obtenida la funcin discriminate podemos utilizarla, en primer lugar, para
efectuar una clasificacin de los mismos casos utilizados para obtener la funcin: esto
permitir com- probar el grado de eficacia la funcin desde el punto de vista de la
clasificacin. Si los resul- tados son satisfactorios, la funcin discriminante podr utilizarse,
en segundo lugar, para cla- sificar futuros casos de los que, conociendo su puntuacin en las
variables independientes, se desconozca el grupo al que pertenecen.
Una manera de clasificar los casos consiste en calcular la distancia existente entre los
cen- troides de ambos grupos y situar un punto de corte dc equidistante de ambos centroides
(ver fi- gura 23.8). A partir de ese momento, los casos cuyas puntuaciones discriminantes
sean mayores que el punto de corte dc sern asignados al grupo superior y los casos cuyas
puntuaciones dis- criminantes sean menores que el punto de corte dc sern asignados al
grupo inferior.
Figura 23.8. Utilizacin de un punto de corte equidistante de ambos centroides (n1 = n2).

Captulo 23. Anlisis discriminante

40

Esta regla de clasificacin tiene un serio inconveniente: slo permite distinguir entre dos
grupos y es difcilmente aplicable al caso de ms de dos grupos. Adems, no tiene en cuenta
que los

Captulo 23. Anlisis discriminante

4
1

grupos pueden tener distinto tamao. Si ambos grupos son de igual tamao, la situacin real
ser muy similar a la descrita en la figura 23.8. Pero si, por el contrario, los tamaos
muestrales son muy desiguales, la situacin real ser ms parecida a la que muestra la
figura 23.9. En esta figura puede verse con claridad que, si utilizamos el punto de corte dc
como punto de clasifica- cin, la proporcin de casos mal clasificados en el grupo de menor
tamao (zona rayada hori- zontalmente) ser mucho menor que en el grupo de mayor
tamao (zona rayada verticalmente). Por tanto, con tamaos desiguales es preferible utilizar
una regla de clasificacin que desplace el punto de corte hacia el centroide del grupo de
menor tamao buscando igualar los errores de clasificacin. Para calcular este punto de
corte podemos utilizar una distancia ponderada:

Figura 23.9. Utilizacin de un punto de corte equidistante de ambos centroides (n1 =/ n2).

Fukunaga y Kessell (1973) y Glick (1978) han propuesto una regla de clasificacin basada
en la teora bayesiana. Esta otra regla permite incorporar fcilmente la informacin relativa
al ta- mao de los grupos y, adems, es extensible al caso de ms de dos grupos.
Es frecuente que, aunque los tamaos de los grupos sean intrnsecamente diferentes, se
desee compensar estadsticamente esa desigualdad a la hora de clasificar a los sujetos. Esta
si- tuacin es muy frecuente en el mbito clnico cuando se comparan sujetos normales con

Captulo 23. Anlisis discriminante

4
2

sujetos enfermos. Si podemos estimar la proporcin de casos que, en la poblacin,


pertenece a cada

uno de los grupos, tendremos una probabilidad a priori: P(gk). Estas probabilidades a
priori pueden estimarse a partir de la muestra (si se ha realizado un muestreo aleatorio), o
recurriendo directamente a datos poblacionales previos (si se tienen).
Las probabilidades a priori ofrecen alguna informacin sobre la representatividad de
los casos, pero no ofrecen informacin concreta sobre un caso en particular. Adems, las
probabi- lidades a priori no tienen en cuenta que las probabilidades de aparicin de las
variables inde- pendientes en cada grupo pueden no ser simtricas. Por ejemplo, una
sintomatologa diagns- tica puede ser ms frecuente en un grupo patolgico que un grupo
normal.
Por supuesto, siempre es posible aprovechar la informacin adicional que proporciona
sa- ber a qu grupo pertenece cada caso. Si asumimos que las puntuaciones discriminantes
se dis- tribuyen normalmente, podemos calcular la probabilidad asociada a un caso (es
decir, la proba- bilidad que queda por encima o por debajo de ese caso) en cada uno de los
grupos utilizados en el anlisis. Esto es lo que se conoce como probabilidad condicional:
P(D > di | G = gk) o, simplemente, P(di | gk). La probabilidad condicional de una puntuacin
discriminante puede calcularse mediante tablas de probabilidad asinttica o a partir de los
cuantiles observados (ver figura 23.10).
Figura 23.10. Probabilidad condicional de la puntuacin discriminante di en el grupo 2.

Una puntuacin discriminante tiene asociadas tantas probabilidades condicionales como


grupos hay en el anlisis. Esas probabilidades condicionales indican cmo es de probable
una puntua- cin concreta en cada uno de los grupos. Pero slo son tiles cuando se conoce
a qu grupo pertenece un caso. Cuando se desea clasificar un caso nuevo (del que,
obviamente se desconoce a qu grupo pertenece), es necesario comparar las probabilidades
condicionales que le corres-

ponden en cada uno de los grupos del anlisis. Por ello, para clasificar un caso nuevo, es
ms apropiado utilizar las probabilidades a posteriori, es decir, las probabilidades de
pertenecer a cada uno de los grupos, dado que a ese caso le corresponde una determinada
puntuacin dis- criminate, es decir: P(G = gk | D = di) o, simplemente, P(gk | di). Estas
probabilidades a poste- riori se obtienen utilizando el teorema de Bayes:

El sumatorio del denominador posee tantos trminos como grupos (no hay lmite en el
nmero de grupos). Con esta regla de clasificacin, los casos nuevos son clasificados en el
grupo al que corresponde mayor probabilidad a posteriori.
Aunque en la estimacin de las probabilidades a priori es habitual utilizar los tamaos
de los grupos, la aplicacin del teorema de Bayes permite manipular esas probabilidades y
asignarles un valor arbitrario (para reflejar mejor la composicin de la poblacin, para
compen- sar el coste de una clasificacin errnea, etc.). La manipulacin de las
probabilidades a priori hace que se desplace el punto de clasificacin. Si se asigna igual
probabilidad a priori a todos los grupos, el punto de corte para la clasificacin ser
equidistante de todos ellos; si se aumenta la probabilidad a priori de un grupo, el punto de
corte para la clasificacin se alejar de su centroide.
Una forma ms de determinar el punto de corte ptimo para la clasificacin consiste en
la curva COR (curva caracterstica del receptor ideal), disponible como procedimiento
adicional dentro del propio SPSS.
Ninguno de los procedimientos mencionados valora el coste de la clasificacin errnea
de los sujetos: todos ellos asumen igual coste para los aciertos y los errores en todos los
grupos. Si existen costes diferenciales para cada tipo de acierto y para cada tipo de error,
ser necesario establecer el punto de corte mediante otro tipo de procedimientos ms
caractersticos de la Teo- ra de la toma de decisiones.

Seleccin de las opciones de clasificacin


Las opciones de clasificacin no afectan a la funcin discriminante; slo influyen en el
resul- tado de la clasificacin de los casos.
El proceso de clasificacin asigna o pronostica un grupo a todos los casos utilizados en
la estimacin de la funcin discriminante y a todos los casos que, aun no perteneciendo a
ninguno de los grupos utilizados (es decir, aun teniendo valor perdido en la variable de
agrupacin), poseen informacin completa en las variables independientes. Tambin es
posible, opcional- mente, clasificar los casos con informacin incompleta (es decir, con
valor perdido en alguna de las variables independientes).
Para clasificar los casos utilizando la funcin discriminante:

| En el cuadro de dilogo Anlisis discriminante (ver figura 23.3), pulsar en el botn


Cla- sificar... para acceder al subcuadro de dilogo Anlisis discriminante:
Clasificacin que muestra la figura 23.11.
Figura 23.11. Subcuadro de dilogo Anlisis discriminante: Clasificacin.

Probabilidades previas. Las opciones de este apartado permiten controlar el valor que
adop- tarn las probabilidades previas o probabilidades a priori:

F Todos los grupos iguales. Se asigna la misma probabilidad a todos los grupos. Si el
anlisis discrimina entre k grupos, la probabilidad a priori asignada a cada grupo
vale 1/k. Con esta opcin el tamao de los grupos no influya en la clasificacin.
F

Calcular segn el tamao de los grupos. La probabilidad a priori que se asigna a


ca- da grupo es proporcional a su tamao. Siendo N el tamao de la muestra y ng el
tama- o de un grupo cualquiera, la probabilidad a priori asignada a ese grupo es
ng/N. Con esta opcin, si un caso posee una puntuacin discriminante equidistante
de los centroi- des de dos grupos, el caso es clasificado en el grupo de mayor
tamao. Mediante sin- taxis, es posible asignar a cada grupo probabilidades a
priori personalizadas.

Mostrar. Estas opciones permiten decidir qu aspectos de la clasificacin deseamos que


mues- tre el Visor de resultados:
G Resultados para cada caso. Muestra un listado de los casos del archivo de datos
con el resultado de la clasificacin. Esta informacin incluye, para cada caso: el
nmero del caso en el archivo de datos, el nmero de variables independientes en
las que tiene valor perdido y el grupo al que de hecho pertenece (grupo nominal).
Adems, para el grupo pronosticado con mayor probabilidad: el grupo asignado
(marcado con dos as- teriscos si difiere del nominal), la probabilidad condicional
de obtener una puntuacin discriminante como la obtenida o mayor en ese grupo,
P(di | gk), la probabilidad a pos- teriori de ese grupo, P(gk | di), y la distancia de
Mahalanobis del caso al centroide de ese grupo. Y para el grupo pronosticado con
la segunda mayor probabilidad: el grupo asignado, la probabilidad a posteriori de
ese grupo, P(gk | di), y la distancia de Maha- lanobis al centroide de ese grupo. Por
ltimo, el listado ofrece las puntuaciones discri- minantes en cada una de las
funciones discriminantes obtenidas.

Limitar a los primeros n. Permite limitar el listado con los detalles de la


clasificacin a los primeros n casos del archivo. Esta seleccin slo afecta a la tabla
de resultados para cada caso.

G Tabla de resumen. Muestra una tabla de clasificacin de tamao gxg con el grupo
nominal en las filas y el grupo pronosticado en las columnas. La tabla ofrece las
fre- cuencias absolutas, los porcentajes de fila y el porcentaje total de
clasificaciones co- rrectas. Esta tabla se denomina tambin matriz de confusin. En
la diagonal principal de la matriz se encuentran las clasificaciones correctas.

G Clasificacin dejando uno fuera. Ofrece una validacin cruzada para comprobar
la capacidad predictiva de la funcin discriminante. Para ello, el SPSS genera
tantas fun- ciones discriminantes como casos vlidos tiene el anlisis; cada una de
esas funciones se obtiene eliminando un caso; despus, cada caso es clasificado
utilizando la funcin discriminante en la que no ha intervenido. La tabla de
clasificacin incluye una segun- da matriz de confusin con el resultado de la
clasificacin siguiendo esta estrategia.

Usar matriz de covarianza. La clasificacin siempre se basa en las funciones


discriminantes. Pero esta clasificacin puede realizarse a partir de matrices de varianzascovarianzas distintas y el resultado de la clasificacin puede ser diferente con cada
estrategia.

F Intra-grupos. La probabilidad a posteriori de un caso en un grupo dado se calcula a


partir de la matriz de varianzas-covarianzas combinada de las variables
discriminan- tes. Por tanto, no se tiene en cuenta la distinta variabilidad de las
puntuaciones discri- minantes dentro de cada grupo.
F

Grupos separados. La probabilidad a posteriori de un caso en un grupo


determinado se calcula utilizando la matriz de varianzas-covarianzas de las
funciones discriminan- tes en ese grupo. De esta manera se tiene en cuenta la
diferente variabilidad de los gru- pos en las funciones discriminantes.
Seleccionando esta opcin, el Visor muestra la matriz de varianzas-covarianzas de
las funciones discriminantes para cada grupo.

Grficos. Estas opciones permiten decidir cmo sern representados los casos en las
funciones discriminantes. El tipo de grfico ofrecido depende del nmero de funciones
estimadas:
G Grupos combinados. Muestra un diagrama de dispersin de todos los casos en el
pla- no definido por las dos primeras funciones discriminantes. Cuando slo existe
una funcin discriminante, este grfico se omite y aparece una advertencia
indicando tal circunstancia.

G Grupos separados. En el caso de dos grupos (una sola funcin discriminante), esta
opcin ofrece el histograma de cada grupo en la funcin discriminante (incluyendo
los casos con valor perdido en la variable de agrupacin). En el caso de ms de dos
gru- pos (ms de una funcin discriminante), ofrece un diagrama de dispersin de
cada grupo en el plano definido por las dos primeras funciones discriminantes.

G Mapa territorial. En el caso de ms de dos grupos (ms de una funcin


discriminate), muestra la ubicacin de los centroides en el plano definido por las
dos primeras fun- ciones discriminantes, as como las fronteras territoriales
utilizadas en la clasificacin. Las fronteras varan dependiendo de las
probabilidades a priori seleccionadas.

G Reemplazar los valores perdidos con la media. Sustituye los valores perdidos de las
variables independientes por sus medias aritmticas. Estas medias se calculan a partir de los
casos vlidos en cada variable. Los casos cuyo valor perdido es sustituido intervienen en la
cla- sificacin.

Ejemplo (Anlisis discriminante > Clasificar)


Este ejemplo muestra cmo clasificar casos y cmo interpretar los resultados de la clasificacin. Continuamos utilizando dos grupos (vehculos estadounidenses y europeos: cdigos 1
y 2 de la variable origen) y las variables independientes que han resultado significativas en
el ejemplo anterior: consumo, motor (cilindrada), cv (potencia), peso y ao. Para solicitar
los re- sultados de la clasificacin:

| En el cuadro de dilogo Anlisis discriminante (ver figura 23.3), trasladar las


variables consumo, motor (cilindrada), cv (potencia), peso y ao a la lista
Independientes y la variable origen al cuadro Variable de agrupacin.

Pulsar en Definir rango... para acceder al subcuadro de dilogo Anlisis


discriminan- te: Definir rango (ver figura 23.4), e introducir el valor 1 (cdigo
para EE.UU. en la variable origen) en el cuadro de texto Mnimo y el valor 2
(cdigo de Europa en la variable origen) en el cuadro de texto Mximo. Pulsar
el botn Continuar para volver al cuadro de dilogo principal.

| Pulsar en el botn Clasificar... para acceder al subcuadro de dilogo Anlisis


discriminante: Clasificacin (ver figura 23.11) y seleccionar las opciones
Resultados para cada caso, Tabla de resumen, Clasificacin dejando uno
fuera del apartado Mostrar; y las opciones Grupos combinados y Grupos
separados del apartado Grficos. Seleccionar tambin la opcin Reemplazar
los valores perdidos con la media. Pulsar el botn Continuar para volver al
cuadro de dilogo principal.
Aceptando estas elecciones, el Visor ofrece, entre otros, los resultados que muestran las
tablas
23.28 y 23.29, y las figuras 23.12 a la 23.15

50

Captulo 23. Anlisis discriminante

La tabla 23.28 se ha modificado sustancialmente llevando los casos a la dimensin de las


capas y transponiendo despus las filas y las columnas para reducir las dimensiones de la
tabla y eco- nomizar espacio. La tabla contiene toda la informacin necesaria para valorar
la clasificacin del caso 54. La penltima columna incluye la clasificacin original o
estndar y la ltima co- lumna ofrece la clasificacin resultante de la validacin cruzada.
El vehculo en cuestin (el caso nmero 54) pertenece (grupo real) al grupo 1
(estadouni- dense), pero ha sido clasificado (grupo pronosticado) en el grupo 2 (europeo).
Recordemos que el centroide del grupo estadounidense vale 0,424 y el del grupo europeo
1,522. La puntuacin del caso es 1,033 (= puntuacin discriminate). El caso se encuentra
entre ambos centroides, pero ms prximo al centroide de los vehculos europeos.
P(D>d | G=g) es la probabilidad condicional: la probabilidad de obtener una
puntuacin como la obtenida o ms extrema (en la direccin de la cola en la que se
encuentra el caso), den- tro del grupo pronosticado (en este caso, dentro del grupo
europeo). Esta probabilidad indica el grado de rareza del caso dentro del grupo en el que ha
sido clasificado. La probabilidad con- dicional del caso 54 se vale 0,625, lo que indica que
ese caso se encuentra prximo al centroide del grupo pronosticado y no debe ser
considerado un caso atpico dentro de l
Tabla 23.28. Estadsticos de clasificacin por caso.
Nmero de caso: 54

P(G=g | D=d)
Distancia de Mahalanobis al cuadrado hasta el centroide

Original
1
2**
.625
1
.720
.239

Segundo grupo mayor

Grupo P(G=g
| D=d)
Distancia de Mahalanobis al cuadrado hasta el centroide

1
.280
2.123

Puntuaciones discriminantes

Funcin 1

Grupo real
Grupo mayor

Grupo pronosticado
P(D>d | G=g)

p
gl

Validacin
a
cruzada
1
2**
.524
5
.733
4.180
1
.267
6.195

-1.033

Para los datos originales, la distancia de Mahalanobis al cuadrado se basa en las funciones cannicas.
Para los datos validados mediante validacin cruzada, la distancia de Mahalanobis al cuadrado se basa en las observaciones.
**. Caso mal clasificado
a. La validacin cruzada slo se aplica a los casos del anlisis. En la validacin cruzada, cada caso se clasifica mediante las
funciones derivadas a partir del resto de los casos.

Captulo 23. Anlisis discriminante

5
1

A partir de estas probabilidades condicionales y de las probabilidades previas de cada


grupo (en nuestro ejemplo, 0,5 para ambos), se calculan las probabilidades a posteriori de
cada gru- po: P(G=g | D=d). Dada una puntuacin discriminate de 0,907, la probabilidad a
posteriori de pertenecer al grupo europeo vale 0,720. Y la probabilidad a posteriori de
pertenecer al gru- po estadounidense es la complementaria: 10,720 = 0,280.
Consecuentemente, el caso ha sido asignado al grupo 2, que es al que corresponde mayor
probabilidad a posteriori.
La tabla tambin informa de la distancia del caso a cada uno de los centroides. Esta distancia se calcula a partir de las puntuaciones en las variables independientes originales. El
caso se encuentra ms prximo al grupo europeo (0,239) que al estadounidense (2,123).
En la columna correspondiente a la validacin cruzada podemos comprobar que el caso
es clasificado tambin en el grupo europeo. Pero tambin podemos comprobar que la
distancia al centroide del grupo es muy grande (4,180) en comparacin con la distancia
original, por lo que podemos pesar que se trata de un caso bastante extremo. No obstante, la
distancia al cen- troide de ese grupo es menor que la distancia al centroide del otro grupo
(6,195). Y la proba- bilidad a posteriori del grupo pronosticado (grupo mayor = 0,733) es
tambin es mayor que la del otro grupo (segundo grupo mayor = 0,267).

Las figuras 23.12 y 23.13 muestran los histogramas de las puntuaciones discriminantes. El
pri- mero de ellos contiene los vehculos pertenecientes al grupo estadounidense. El
segundo, los pertenecientes al grupo europeo.
Figura 23.12. Histograma de las puntuaciones discriminantes. Vehculos estadounidenses.
35

30

25

20

15

10

Desv. tp. = 1.09

N = 253.00

Media = .39

Figura 23.13. Histograma de las puntuaciones discriminantes. Vehculos europeos.


10

2
Desv. tp. = .64
Media = -1.53
0

N = 73.00

Estos histogramas permiten formarse una idea aproximada tanto de la forma de la


distribucin como del grado de dispersin de los vehculos dentro de su propio grupo, todo
ello tomando como base sus puntuaciones en la funcin discriminante, o lo que es lo
mismo, tomando como base sus puntuaciones en el conjunto de variables independientes
incluidas en el anlisis.
Las leyendas de los grficos ofrecen informacin descriptiva (media, desviacin tpica
y nmero de casos) til para la interpretacin.
La figura 23.14 muestra el histograma de las puntuaciones discriminantes de los vehculos
que no tienen cdigo de grupo o que tienen un cdigo de grupo que se encuentra fuera del
rango especificado en el anlisis (es decir, los vehculos del archivo de datos que no
pertenecen a nin- guno de los dos grupos incluidos en el anlisis).
En este histograma podemos apreciar que, si obtuviramos las puntuaciones
discriminantes que les asigna la funcin, el grupo de vehculos no incluidos en el anlisis se
encontrara en la zona negativa de la funcin discriminante; tambin podemos apreciar en el
histograma que existe un caso extremo.
Figura 23.14. Histograma de las puntuaciones discriminantes. Vehculos no incluidos en el anlisis.
30

20

10

Desv. tp. = 1.38


Media = -1.41
0

N = 80.00

En el histograma de la figura 23.15 estn representados los vehculos de todos los grupos.
El grfico incluye una lnea vertical sobre el punto de corte que se est utilizando para la
clasifica- cin (aproximadamente -0,55). Para conocer cul es el punto exacto se han
guardado dos va- riables en el archivo de datos (ver, ms abajo, el apartado Guardar): las
puntuaciones discrimi- nantes y el grupo pronosticado para cada caso. Despus se ha
ordenado el archivo tomando co- mo criterio de ordenacin las puntuaciones
discriminantes: el punto de corte corresponde al valor de la funcin discriminante en el
momento en que los casos dejan de ser clasificados en un grupo y pasan a ser clasificados
en el otro.
Figura 23.15. Histograma de las puntuaciones discriminantes. Todos los vehculos del archivo.
20

10

Frecuencia

Pas de origen
Japn
Europa
0

-2.00

-1.20

-.40

.40

1.20

2.00

EE.UU.

-2.80

Puntuaciones discriminantes

Este grfico no se encuentra disponible en el procedimiento Discriminante de la versin


actual del programa; se ha creado mediante la opcin Barras > Apiladas del men
Grficos. Aunque este grfico ha sido descartado de las versiones ms recientes del SPSS,
pensamos que es muy ilustrativo comparar la situacin relativa de todos los grupos de
manera simultnea, y por esta razn lo ofrecemos. En lugar del histograma con todos los

grupos apilados, el Visor emite una advertencia indicando que ya no se ofrece tal
histograma.

La tabla 23.29 muestra los resultados de la clasificacin (la matriz de confusin). Esta tabla
es en s misma un procedimiento de validacin de la funcin, pues resume la capacidad predictiva de la funcin discriminante. Los vehculos estadounidenses son correctamente
clasifica- dos en el 76,3 % de los casos y los vehculos europeos en el 94,5%. En total, la
funcin consi- gue clasificar correctamente al 80,4 % de los casos. Si no existen datos
previos acerca de la efi- cacia clasificatoria de otros mtodos, lo apropiado es comparar
estos porcentajes con la cla- sificacin correcta esperable por azar. En nuestro ejemplo,
puesto que slo hay dos grupos de vehculos, la expectativa de clasificacin correcta por
azar es del 50 %.
La tabla 23.29 tambin incluye informacin sobre los casos desagrupados (es decir, los
casos que no pertenecen a ninguno de los dos grupos utilizados en el anlisis). Los
resultados obtenidos indican que estos casos seran clasificados mayoritariamente (90,1 %)
como vehcu- los europeos.
La validacin cruzada (la clasificacin de cada caso tras dejarlo fuera del clculo de la
funcin discriminante) arroja resultados similares a los de la clasificacin original.
Tabla 23.29. Resultados de la clasificacin (sin tener en cuenta el tamao de los grupos).

Original

Recuento

Validacin cruzada c

Recuento
%

Pas de origen
EE.UU.
Europa
Casos desagrupados
EE.UU.
Europa
Casos desagrupados
EE.UU.
Europa
EE.UU.
Europa

Grupo de pertenencia
pronosticadoa,b
EE.UU.
Europa
193
60
4
69
7
73
76.3
23.7
5.5
94.5
8.8
91.3
192
61
4
69
75.9
24.1
5.5
94.5

Total
253
73
80
100.0
100.0
100.0
253
73
100.0
100.0

a. Clasificados correctamente el 80.4% de los casos agrupados originales.


b. Clasificados correctamente el 80.1% de los casos agrupados validados
mediante validacin cruzada.
c. La validacin cruzada slo se aplica a los casos del anlisis. En la validacin
cruzada, cada caso se clasifica mediante las funciones derivadas a partir del resto de
los casos.

La tabla de clasificacin muestra que el nmero de casos mal clasificados es mayor en el


grupo ms grande (es decir, en el grupo de vehculos estadounidenses). Esto se debe a que el
punto de corte para la clasificacin se ha establecido a partir de probabilidades previas
idnticas para ambos grupos. Para disminuir el porcentaje de clasificacin incorrecta de ese
grupo pode- mos seleccionar, en el subcuadro de dilogo Anlisis discriminante:
Clasificacin (figura 23.11), la opcin Calcular segn tamaos de grupos del apartado
Probabilidades previas. Al repetir el anlisis utilizando esta otra estrategia obtenemos una
tabla de probabilidades previas (tabla 23.30) que contiene las probabilidades a priori
asignadas a cada grupo. Estas probabilidades, segn hemos sealado ya, nicamente reflejan
el tamao relativo de cada gru- po. En el clculo de estas probabilidades no intervienen los
casos con valor perdido (aunque
se haya marcado la opcin Reemplazar valores perdidos con la media).
Tabla 23.30. Probabilidades previas.

Pas de origen
EE.UU.
Europa
Total

Previas
.782
.218
1.000

Casos utilizados en el anlisis


No ponderados
Ponderados
244
244.000
68
68.000
312
312.000

La tabla de clasificacin (tabla 23.31) permite comprobar que la nueva regla de


clasificacin arroja resultados distintos de los obtenidos anteriormente. Ahora, el porcentaje
de clasificacin correcta de los vehculos estadounidenses (los vehculos del grupo ms
grande) ha subido del 76,3 % al 95,3 %. Como contrapartida, el porcentaje de vehculos
correctamente clasificados en el grupo europeo (el grupo ms pequeo) ha bajado del 94,5
% al 63,0 %. En conjunto, el porcentaje de casos correctamente clasificados ha pasado del
80,4 % al 88,0 %, lo que repre- senta una ganancia nada despreciable: la nueva regla
clasifica correctamente 25 vehculos ms (287 en lugar de 262). Por otro lado, tambin los
vehculos no agrupados (es decir, los que no pertenecen a ninguno de los dos grupos
incluidos en el anlisis) se han visto afectados por la nueva regla de clasificacin: ahora se
distribuyen de manera homognea entre los dos grupos.
Tabla 23.31. Resultados de la clasificacin (teniendo en cuenta el tamao de los grupos).

Original

Recuento

Validacin cruzada c

Recuento
%

Pas de origen
EE.UU.
Europa
Casos desagrupados
EE.UU.
Europa
Casos desagrupados
EE.UU.
Europa
EE.UU.
Europa

Grupo de pertenencia
a,b
pronosticado
EE.UU.
Europa
241
12
27
46
44
36
95.3
4.7
37.0
63.0
55.0
45.0
239
14
28
45
94.5
5.5
38.4
61.6

Total
253
73
80
100.0
100.0
100.0
253
73
100.0
100.0

a. Clasificados correctamente el 88.0% de los casos agrupados originales.


b. Clasificados correctamente el 87.1% de los casos agrupados validados
mediante validacin cruzada.
c. La validacin cruzada slo se aplica a los casos del anlisis. En la validacin
cruzada, cada caso se clasifica mediante las funciones derivadas a partir del resto de
los casos.

El histograma conjunto de la figura 23.16 muestra los dos puntos de corte utilizados. El
trazo discontinuo corresponde al punto de corte (-0,55) resultante de aplicar el criterio que
atribuye igual probabilidad previa a los dos grupos; y el trazo continuo corresponde al
punto de corte (-1,20) obtenido con el criterio que atribuye mayor probabilidad al grupo
ms grande. La figura muestra con claridad que el punto de corte correspondiente al
segundo criterio se ha desplazado hacia la izquierda, alejndose del centroide del grupo ms
grande e invadiendo el territorio del grupo ms pequeo. De hecho, el vehculo nmero 54,
que inicialmente haba sido clasificado en el grupo europeo (a pesar de ser un vehculo
estadounidense), con la regla de clasificacin basada en el segundo criterio ha sido
clasificado en el grupo estadounidense. (A pesar de este cambio en la clasificacin del
vehculo 54, conviene sealar que su puntuacin discriminante no ha cambiado; slo ha
cambiado el criterio de clasificacin).
Figura 23.16. Histograma de las puntuaciones discriminantes. Todos los vehculos del archivo.
20

10

Frecuencia

Pas de origen
Japn
Europa
0

-2.00

-1.20

-.40

.40

-2.80

Puntuaciones discriminantes

1.20

2.00

EE.UU.

La rareza del caso 54 en el grupo al que realmente pertenece (grupo 1) ha aumentado


respecto a la obtenida en la clasificacin anterior (grupo 2). Su probabilidad condicional
vale ahora 0,145, lo que significa que se encuentra ms alejado del centro de su propio
grupo de lo que se encontraba del grupo en el que fue clasificado anteriormente.
Tabla 23.32. Estadsticos para la clasificacin del caso 54 con el nuevo criterio.
Nmero de caso: 54

Grupo real
Grupo mayor

Grupo pronosticado
P(D>d | G=g)

p
gl

P(G=g | D=d)
Distancia de Mahalanobis al cuadrado hasta el centroide
Segundo grupo mayor

Grupo
P(G=g | D=d)
Distancia de Mahalanobis al cuadrado hasta el centroide

Puntuaciones discriminantes Funcin 1

Original
1
1
.145
1
.583

Validacin
cruzadaa
1
1
.288
5
.567

2.123

6.195

2
.417

2
.433

.239

4.180

-1.033

Para los datos originales, la distancia de Mahalanobis al cuadrado se basa en las funciones cannicas.
Para los datos validados mediante validacin cruzada, la distancia de Mahalanobis al cuadrado se basa en las observaciones.
a. La validacin cruzada slo se aplica a los casos del anlisis. En la validacin cruzada, cada caso se clasifica mediante las
funciones derivadas a partir del resto de los casos.

Captulo 23. Anlisis discriminante

60

Guardar
Las opciones del cuadro de dilogo Guardar permiten guardar (crear) en el archivo de datos
variables nuevas con informacin sobre algunos aspectos del anlisis. Esta opcin es til
para distintos fines, como por ejemplo, para utilizarla en otros procedimientos (clculo de la
curva COR, etc.). Para crear estas nuevas variables:

| En el cuadro de dilogo Anlisis discriminante (ver figura 23.3), pulsar en el botn


Guar- dar... para acceder al subcuadro de dilogo Anlisis discriminante: Guardar que
muestra la figura 23.17.
Figura 23.17. Subcuadro de dilogo Anlisis discriminante: Guardar.

G Grupo de pertenencia pronosticado. Crea una variable categrica con cdigos 1, 2, ...,
que indican el grupo en el que ha sido clasificado cada caso (grupo pronosticado). El
grupo pronosticado para cada caso depende de las selecciones hechas en el proceso de
clasi- ficacin.

G Puntuaciones discriminantes. Crea tantas variables como funciones discriminantes se


hayan estimado. Cada variable contiene las puntuaciones discriminantes de cada
funcin. Las variables se crean en el orden en que se han extrado las funciones, es
decir, en el or- den definido por el tamao de los autovalores. Las puntuaciones
discriminantes no se ven afectadas por las selecciones realizadas en el proceso de
clasificacin.

Captulo 23. Anlisis discriminante

6
1

G Probabilidades de pertenencia al grupo. Crea tantas variables como grupos se hayan


incluido en el anlisis. Cada variable contiene las probabilidades a posteriori de cada
caso en un grupo. Las variables se crean en el orden definido por los cdigos asignados
a los grupos.
Exportar informacin del modelo al archivo XML. Permite exportar la informacin del
modelo a un archivo en formato XML. Los programas SmartScore y las prximas versiones
de WhatIf? pueden utilizar este archivo para crear distintos escenarios de clasificacin.
Pulsando en el botn Examinar puede seleccionarse la carpeta en la que se desea ubicar el
archivo, el nombre del mismo y su formato.

Seleccionar
Un problema habitual de los modelos estadsticos es que el modelo estimado siempre se
ajusta lo ms perfectamente posible a los datos de la muestra concreta utilizada. Esto,
obviamente, constituye un pequeo inconveniente, pues la estructura de la muestra puede
presentar ligeras divergencias respecto de la estructura real de la poblacin. Para evitar este
efecto de sobreajus- te muestral puede llevarse a cabo una validacin cruzada, que consiste
en:
1) Seleccionar, de la muestra original, un subconjunto aleatorio de casos (muestra de
validacin);
2) Estimar la funcin discriminate con los casos restantes (muestra de entrenamiento);
3) Utilizar esa funcin para clasificar los casos de la muestra de validacin.
La validacin cruzada consiste, por tanto, en clasificar casos con una funcin que no
incluye informacin sobre ellos. La validacin cruzada puede llevarse a cabo una sola vez o
repetirse varias veces. Si la muestra original es grande, podra bastar un solo intento
utilizando una muestra de validacin del 10% al 20% de los casos. Con muestras pequeas,
puede dividirse la muestra total en 10 submuestras y repetir el proceso de validacin 10
veces, excluyendo cada vez una de las submuestras.

Para llevar a cabo una validacin cruzada debe crearse primero una variable (la variable de
seleccin) que distinga entre los casos que sern utilizados como muestra de entrenamiento
y los que sern utilizados como muestra de validacin. Para seleccionar los casos utilizados
en el anlisis:

| En el cuadro de dilogo Anlisis discriminante (ver figura 23.3), pulsar el botn


Seleccio- nar>> para expandir el cuadro de dilogo y hacer que tome el aspecto
que muestra la fi- gura 23.18.
Figura 23.18: Cuadro de dilogo Anlisis discriminante (expandido con la opcin Seleccionar).

Trasladar la variable de seleccin (la variable que identifica a los casos de la


muestra de validacin y a los de la muestra de entrenamiento) y trasladarla al
cuadro Variable de seleccin.

| Pulsar en el botn Valor... para acceder al subcuadro de dilogo Anlisis


discriminante: Establecer valor que se muestra en la figura 23.19.
Figura 23.19. Subcuadro de dilogo Establecer valor.

| Introducir en el cuadro Valor de la variable de seleccin el valor que identifica a


los ca- sos que sern incluidos en el anlisis. Pulsar el botn Continuar para
volver al cuadro de dilogo principal.
Si se desea repetir el proceso con otra muestra de entrenamiento, se deber especificar un
nue- vo valor para la variable de seleccin. (Tambin es posible repetir el anlisis
utilizando la muestra de entrenamiento como muestra de validacin y la muestra de
validacin como mues- tra de entrenamiento mediante el proceso Ejecutar casos no
seleccionados que se encuentra en la carpeta de procesos del programa).

Ejemplo (Anlisis discriminante > Seleccionar)


Este ejemplo ilustra el proceso de validacin cruzada, es decir, explica cmo seleccionar
una muestra de entrenamiento y cmo clasificar los casos de la muestra de validacin.
Comenzare- mos creando una variable de seleccin (la variable que distingue entre la
muestra de validacin y la de entrenamiento); continuaremos estimando la funcin
discriminante a partir de la mues- tra de entrenamiento; y terminaremos utilizando la
funcin discriminante obtenida para clasifi- car los casos de la muestra de validacin.Para
crear la variable de seleccin podemos utilizar la opcin Seleccionar casos del men
Datos:

| En la ventana del Editor de datos, seleccionar la opcin Seleccionar casos del


men
Datos para acceder al cuadro de dilogo Seleccionar casos.

Marcar la opcin Muestra aleatoria de casos y pulsar en el botn


Muestra... para acceder al subcuadro de dilogo Seleccionar casos: Muestra
aleatoria.

| Seleccionar la opcin Aproximadamente k % de todos los casos e introducir


el valor 50 en el correspondiente cuadro de texto (para seleccionar una muestra
aleatoria de aproximadamente el 50 % de los casos).

| Pulsar en el botn Continuar para volver al cuadro de dilogo principal.


Aceptando estas selecciones, El Editor de datos genera una variable llamada filter_$ que
con- tiene el valor uno para los casos seleccionados (aproximadamente el 50% de los casos
del ar- chivo) y el valor cero para los no seleccionados. El archivo de datos queda filtrado
con los ca- sos seleccionados. Para desactivar el filtro:

| En la ventana del Editor de datos, seleccionar la opcin Seleccionar casos del


men
Datos para acceder al cuadro de dilogo Seleccionar casos.

| Marcar la opcin Todos los casos y pulsar el botn Aceptar para desactivar
cualquier filtro que se encuentre activo.

Puesto que la variable filter_$ permanece en el archivo de datos aunque desactivemos el


filtra- do de casos, ya disponemos de la variable de seleccin (es decir, de una variable en la
que la mitad de los casos de la muestra tiene el valor cero y la otra mitad el valor uno). Para
comenzar el proceso de validacin cruzada:

| En el cuadro de dilogo Anlisis discriminante (ver figura 23.3), trasladar las


variables
consumo, motor (cilindrada), cv (potencia), peso y ao a la lista Independientes.

| Trasladar la variable origen al cuadro Variable de agrupacin.


| Pulsar en Definir rango... para acceder al subcuadro de dilogo Anlisis
discriminan- te: Definir rango (ver figura 23.4).

| Introducir el valor 1 (cdigo de EE.UU. en la variable origen) en el cuadro de


texto Mnimo y el valor 2 (cdigo de Europa en la variable origen) en el
cuadro de texto Mximo. Pulsar el botn Continuar para volver al cuadro de
dilogo principal.

Pulsar en el botn Clasificar... para acceder al subcuadro de dilogo


Anlisis discriminante: Clasificacin (ver figura 23.11).

Seleccionar la opcin Calcular segn tamaos de grupos del apartado


Probabili- dades previas, y la opcin Tabla resumen del apartado Mostrar.
Pulsar el botn Continuar para volver al cuadro de dilogo principal.

| Pulsar el botn Seleccionar>> para expandir el cuadro de dilogo Anlisis


discrimi- nante (ver figura 23.18).

| Trasladar la variable filter_$ recin creada al cuadro Variable de seleccin.


| Pulsar en el botn Valor... para acceder al subcuadro de dilogo Anlisis
discriminan- te: Establecer valor (ver figura 23.19).

Introducir el valor 1 en el cuadro de texto Valor de la variable de


seleccin. Pulsar en el botn Continuar para volver al cuadro de dilogo
principal.

Aceptando estas selecciones, el Visor ofrece, entre otros, los resultados que muestra la tabla
23.33. Por supuesto, en la fase de estimacin del anlisis intervienen nicamente los casos con
valor uno en la variable de seleccin (es decir, aproximadamente el 50 % de los casos de la

muestra), mientras que la fase de clasificacin afecta tanto a los casos de la muestra de
entrena- miento como a los de la muestra de validacin.

La tabla 23.33 contiene las matrices de confusin correspondientes a los casos


seleccionados (la muestra de entrenamiento) y a los no seleccionados (la muestra de
validacin). En la muestra de entrenamiento se obtiene una tasa de acierto del 89,5 % y, en
la de validacin, del 87,4 %. Podemos esperar, por tanto, que la funcin discriminante
obtenida clasifique co- rrectamente al 87,4 % de los futuros casos nuevos que se intenten
clasificar.
Tabla 23.33. Tabla de clasificacin (funcin obtenida con la muestra de entrenamiento).

Casos seleccionados

Original

Recuento

Casos no seleccionados

Original

Recuento

Pas de origen
EE.UU.
Europa
Casos desagrupados
EE.UU.
Europa
Casos desagrupados
EE.UU.
Europa
Casos desagrupados
EE.UU.
Europa
Casos desagrupados

Grupo de pertenencia
a,b
pronosticado
EE.UU.
Europa
113
7
9
24
32
21
94.2
5.8
27.3
72.7
60.4
39.6
119
5
15
20
11
16
96.0
4.0
42.9
57.1
40.7
59.3

a. Clasificados correctamente el 89.5% de los casos agrupados originales seleccionados.


b. Clasificados correctamente el 87.4% de casos agrupados originales no seleccionados.

Total
120
33
53
100.0
100.0
100.0
124
35
27
100.0
100.0
100.0

Podemos repetir el proceso de validacin cruzada ejecutando de nuevo el anlisis sobre los
ca- sos con cdigo cero en la variable de seleccin. Para ello, basta con cambiar el valor de
la va- riable de seleccin en el subcuadro de dilogo Anlisis discriminante: Establecer
valor (ver figura 23.19). Sin embargo, esto puede hacerse tambin con el proceso Ejecutar
casos no selec- cionados. Para ejecutar este proceso:

En el panel izquierdo (esquema) del Visor, pulsar sobre el icono de libro


cerrado del ttulo Notas. (Con ello queda seleccionada tabla de Notas,
condicin necesaria para poder ejecutar el proceso Ejecutar casos no
seleccionados con el procedimiento An- lisis discriminante).

| Seleccionar la opcin Ejecutar proceso... del men Utilidades para acceder al


cuadro de dilogo Ejecutar proceso.

| Seleccionar el proceso Ejecutar casos no seleccionados.sbs que se encuentra en


la car- peta Scripts que cuelga de la carpeta en la que est instalado el SPSS.

| Pulsar en el botn Ejecutar para ejecutar el proceso y, con l, el nuevo


anlisis.
Al ejecutar este proceso, el SPSS repite el anlisis previo conmutando la muestra de
validacin por la muestra de entrenamiento. Y el Visor ofrece, entre otras cosas, el
resultado de la clasifi- cacin que muestra la tabla 23.34.

Por tanto, la tabla 23.34 contiene el resultado de clasificacin tras intercambiar las muestras
de entrenamiento y validacin del primer anlisis. Podemos comprobar que el porcentaje de
clasificacin correcta en la nueva muestra de entrenamiento es del 86,8 %, y del 87,6 % en
la nueva muestra de validacin. Basndonos en estos resultados, podemos concluir que, si
uti- lizamos cualquiera de las dos funciones obtenidas para clasificar nuevos casos,
podemos espe- rar que el porcentaje de clasificacin correcta se encuentre en torno al 87,5
%.
Tabla 23.34. Tabla de clasificacin (funcin obtenida con la muestra de validacin).

Casos seleccionados

Original

Recuento

Casos no seleccionados

Original

Recuento

Pas de origen
EE.UU.
Europa
Casos desagrupados
EE.UU.
Europa
Casos desagrupados
EE.UU.
Europa
Casos desagrupados
EE.UU.
Europa
Casos desagrupados

Grupo de pertenencia
a,b
pronosticado
EE.UU.
Europa
117
7
14
21
13
14
94.4
5.6
40.0
60.0
48.1
51.9
111
9
10
23
34
19
92.5
7.5
30.3
69.7
64.2
35.8

a. Clasificados correctamente el 86.8% de los casos agrupados originales seleccionados.


b. Clasificados correctamente el 87.6% de casos agrupados originales no seleccionados.

Total
124
35
27
100.0
100.0
100.0
120
33
53
100.0
100.0
100.0

Captulo 23. Anlisis discriminante

70

El caso de ms de dos grupos


Aunque hasta ahora hemos basado toda nuestra exposicin del anlisis discriminante en la
cla- sificacin de casos en dos grupos, lo cierto es que la tcnica puede utilizarse para
efectuar clasificaciones en ms de dos grupos. No obstante, cuando se dispone de ms de
dos grupos de clasificacin, la interpretacin de los resultados cambia ligeramente.
Con ms de dos grupos es posible obtener ms de una funcin discriminante. En
concreto, es posible obtener tantas como nmero de grupos menos uno (a no ser que el
nmero de varia- bles independientes sea menor que el nmero de grupos, en cuyo caso el
nmero de posibles funciones discriminantes ser igual al nmero de variables menos uno).
Las funciones discriminantes se extraen de manera jerrquica, de tal forma que la
primera funcin explica el mximo posible de las diferencias entre los grupos, la segunda
funcin expli- ca el mximo de las diferencias todava no explicadas, y as sucesivamente
hasta alcanzar el 100% de las diferencias existentes. Esto se consigue haciendo que la
primera funcin obtenga el mayor cociente entre las sumas de cuadrados inter-grupos e
intra-grupos. La segunda, el siguiente mayor cociente entre ambas sumas de cuadrados.
Etc.
Adems, las funciones resultantes son ortogonales o independientes entre s. En el caso
de tres grupos, por ejemplo, el efecto final de esta independencia es que la primera funcin
intenta discriminar lo mejor posible entre dos de los grupos y, la segunda, entre los dos
grupos que an se encuentren ms prximos.

Captulo 23. Anlisis discriminante

7
1

Ejemplo (Anlisis discriminante con tres grupos)


Este ejemplo muestra cmo llevar a cabo un anlisis discriminate con tres grupos utilizando
un mtodo de estimacin por pasos. Seguimos utilizando las variables del archivo
Coches.sav (pero hemos filtrado el caso 35 para facilitar la lectura de los grficos):

| En el cuadro de dilogo Anlisis discriminante (ver figura 23.3), trasladar las


variables consumo, motor (cilindrada), cv (potencia), peso, acel (aceleracin),
ao y cilindr (nmero de cilindros) a la lista Independientes. Trasladar la variable
origen al cuadro Variable de agrupacin.

Pulsar en Definir rango... para acceder al subcuadro de dilogo Anlisis


discriminan- te: Definir rango (ver figura 23.4). Introducir el valor 1 (cdigo
de EE.UU. en la va- riable origen) en el cuadro de texto Mnimo y el valor 3
(cdigo de Japn en la varia- ble origen) en el cuadro de texto Mximo. Pulsar
el botn Continuar para volver al cuadro de dilogo principal.

Seleccionar la opcin Usar mtodo de inclusin por pasos y pulsar en el


botn Mtodo... para acceder al subcuadro de dilogo Anlisis discriminante:
Mtodo de inclusin por pasos (ver figura 23.7). Seleccionar la opcin F para
distancias por parejas del apartado Mostrar. Pulsar en el botn Continuar
para volver al cuadro de dilogo principal.

| Pulsar en el botn Clasificar... para acceder al subcuadro de dilogo Anlisis


discriminante: Clasificacin (ver figura 23.11). Seleccionar las opciones
Resultados para cada caso y Tabla resumen del apartado Mostrar.

| Seleccionar las opciones Grupos combinados, Grupos separados y Mapa


territo- rial del apartado Grficos.

Seleccionar la opcin Reemplazar los valores perdidos con la media.


Pulsar el botn Continuar para volver al cuadro de dilogo principal.

Aceptando estas elecciones, el Visor ofrece, entre otros, los resultados que se muestran a
conti- nuacin (algunas tablas han sido modificadas para economizar espacio).

La tabla 23.35 muestra el nmero de casos vlidos de cada grupo. Puede observarse que,
ahora, el grupo de vehculos japoneses se incluye como un grupo ms.
Tabla 23.35. Tamaos muestrales de cada grupo.
N vlido (segn lista) No ponderados
Consumo Cilindrada
en cc
Pas de origen (l/100Km)
EE.UU.
244
244
Europa
68
68
Japn
79
79
Total
391
391

Potencia
(CV)
244
68
79
391

Peso total Aceleracin


(kg)
0 a 100 km/h
244
244
68
68
79
79
391
391

Ao del
modelo
244
68
79
391

Nmero de
cilindros
244
68
79
391

La tabla 20.36 contiene las variables independientes incluidas en el modelo en el ltimo


paso. La tabla muestra que han quedado fuera del modelo las variables aceleracin y
cilindr (nmero de cilindros).
Tabla 20.36. Variables incluidas en el modelo (ltimo paso).
Paso: 5

Cilindrada en cc
Potencia (CV)
Ao del modelo
Peso total (kg)
Consumo (l/100Km)

Tolerancia
.131
.204
.521
.134
.169

F para
eliminar
47.381
19.658
11.780
8.939
4.003

Lambda
de Wilks
.587
.519
.500
.493
.480

La tabla 23.37 muestra cmo, a medida que se van incorporando nuevas variables al
modelo en cada paso, los valores de la lambda de Wilks global y del estadstico F asociado
a ella van disminuyendo.
Tabla 23.37: Lambda de Wilks.

Paso
1
2
3
4
5

Nmero de
variables
1
2
3
4
5

Lambda
.570
.518
.500
.480
.471

gl1
1
2
3
4
5

gl2
2
2
2
2
2

gl3
388
388
388
388
388

Estadstico
146.218
75.407
53.292
42.610
35.149

F exacta
gl1
gl2
2
388.000
4
774.000
6
772.000
8
770.000
10 768.000

Sig.
.000
.000
.000
.000
.000

La tabla 23.38 ofrece las comparaciones entre pares de grupos. Los valores del estadstico
F no coinciden con los del estadstico F asociado a la lambda de Wilks global. La tabla
muestra todas las comparaciones posibles entre cada dos grupos y el estadstico F y su
significacin pa- ra esa comparacin. Vemos que en el primer paso (al incluir la variable
cilindrada en el mo- delo) se consigue distinguir significativamente a los vehculos
estadounidenses de los europeos y los japoneses, pero no se consigue discriminar a los
japoneses de los europeos. Hasta el paso 3 (momento en el que se incorpora al modelo la
variable ao del modelo), no se consigue dife- renciar a estos dos grupos.
Tabla 23.38. Comparaciones entre grupos por pares.
Pas de origen
EE.UU.
Europa
Japn
Europa

Japn

F
Sig.
F
Sig.
F
Sig.

1
2
160.560
97.082
.000
.000
198.782 124.100
.000
.000
.280
.381
.597
.684

Paso
3
69.993
.000
82.545
.000
3.517
.015

4
54.299
.000
62.926
.000
6.646
.000

5
45.756
.000
51.265
.000
5.541
.000

Los autovalores (tabla 23.39) de las dos funciones que componen el modelo son muy
desigua- les. La primera funcin explica el 93,2 % de la variabilidad disponible en los
datos, mientras que la segunda funcin slo explica el 6,8%. De manera similar, la
correlacin cannica de la primera funcin es alta (0,704), mientras que la de la segunda
funcin es ms bien baja (0,259).
Tabla 23.39. Autovalores.
Funcin
1
2

Autovalor
.982a
.072a

% de
varianza
93.2
6.8

%
Correlacin
acumulado cannica
93.2
.704
100.0
.259

a. Se han empleado las 2 primeras funciones


discriminantes cannicas en el anlisis.

La lambda de Wilks de la tabla 23.40 contrasta de manera jerrquica la significacin de las


dos funciones obtenidas. En la primera lnea (1 a la 2) se contrasta la hiptesis nula de que
el mo- delo completo (ambas funciones discriminantes tomadas juntas) no permite
distinguir las me- dias de los grupos. Puesto que el valor de la lambda de Wilks (que
coincide con el valor de la lambda del ltimo paso de construccin del modelo; ver tabla
23.37) tiene asociado un nivel crtico (Sig. = 0,000) menor que 0,05, podemos concluir que
el modelo permite distinguir signi- ficativamente entre los grupos.
En la segunda lnea (2) se contrasta si las medias de los grupos son iguales en la
segunda funcin discriminante. La lambda de Wilks toma un valor muy prximo a 1, pero
el nivel crti- co (Sig. = 0,000) es menor que 0,05, por lo que podemos concluir que la
segunda funcin per- mite discriminar entre, al menos, dos de los grupos.
Para saber entre qu grupos permite distinguir cada funcin, debemos basarnos en las
com- paraciones por pares que ofrece la tabla 23.38.
Podra ocurrir que la segunda funcin no resultase significativa, en cuyo caso habra
que valorar la contribucin de esa funcin al modelo (en trminos de proporcin de
varianza expli- cada) y considerar la posibilidad de utilizar nicamente la primera funcin.
Tabla 23.40. Lambda de Wilks. Contraste de las funciones del modelo.
Contraste de las funciones
1 a la 2
2

Lambda de Wilks
.471
.933

Chi-cuadrado
290.917
26.886

gl
10
4

Sig.
.000
.000

La tabla 23.41 muestra la ubicacin de los centroides en cada una de las funciones
discriminan- tes. La primera funcin distingue fundamentalmente a los vehculos
estadounidenses (cuyo centroide est ubicado en la parte positiva) de los vehculos
europeos y japoneses (cuyos centroides se encuentran en la parte negativa).
En la segunda funcin, el centroide de los vehculos japoneses se sita en la parte
positiva, mientras que el de los vehculos europeos se sita en la parte negativa; el de los
vehculos estadounidenses queda en la parte central. Dado que la primera funcin ha
conseguido explicar el mximo de las diferencias existentes entre los vehculos
estadounidenses y el resto, es lgico que la segunda funcin discrimine precisamente entre
los dos grupos que han quedado ms prximos en la primera.
Tabla 23.41. Valor de los centroides en las funciones discriminantes.
Pas de origen
EE.UU.
Europa
Japn

Funcin
1
2
.766
.001
-1.265
-.472
-1.278
.403

La matriz de coeficientes estandarizados (tabla 23.42) contiene ahora dos columnas, una
para cada funcin discriminante. Las funciones se encuentran siempre ordenadas en
correspondencia con los autovalores de la tabla 23.39, siendo la primera funcin la de
mayor capacidad discri- minativa. Los coeficientes estandarizados de la primera funcin no
difieren sustancialmente de los obtenidos en la funcin estimada en el caso de dos grupos
(ver tabla 23.25). Esta primera funcin discrimina, fundamentalmente, entre vehculos de
gran cilindrada y vehculos ms optimizados en potencia. Puesto que el nico centroide
positivo en esta primera funcin (ver tabla 23.41) es el de los coches estadounidenses,
podemos interpretar que los vehculos de gran cilindrada y poca potencia tienden a ser
clasificados como estadounidenses. Y lo mismo vale decir de los vehculos que consumen
ms y que tienen menor peso y antigedad.
La segunda funcin atribuye la mayor ponderacin al peso del vehculo. Puesto que
ahora el centroide de los vehculos europeos es negativo y el de los japoneses positivo,
podemos interpretar que los coches con mayor peso tendern a ser clasificados como
europeos. Mientras que los vehculos con mayor cilindrada, los menos antiguos (ao del
modelo ms alto), los ms potentes y los que ms consumen tendern a ser clasificados
como vehculos japoneses.
Tabla 23.42. Coeficientes estandarizados de las funciones discriminantes cannicas.

Consumo (l/100Km)
Cilindrada en cc
Potencia (CV)
Peso total (kg)
Ao del modelo

Funcin
1
2
.456
.511
1.697
1.134
-.925
.670
-.296
-2.070
.305
.983

La matriz de estructura (tabla 23.43) ofrece los coeficientes de correlacin entre las
variables independientes y las puntuaciones discriminantes de cada funcin. El coeficiente
ms alto de cada variable aparece marcado con un asterisco que indica cul es la funcin
con la que ms correlaciona esa variable (lo que no significa que sea sa la funcin en la
que ms discrimina la variable). Si existe alta colinealidad (alta relacin entre las variables
independientes), los coeficientes de esta tabla puede ser muy distintos de los coeficientes
estandarizados, como de hecho sucede. En nuestro ejemplo, la primera funcin correlaciona
con la cilindrada, el peso, el consumo y la potencia; la segunda funcin correlaciona con el
ao del modelo.
Tabla 23.43. Matriz de estructura.

Cilindrada en cc
Nmero de cilindrosa
Peso total (kg)
Consumo (l/100Km)
Potencia (CV)
Aceleracin 0 a 100 km/ha
Ao del modelo

Funcin
1
.876*
.834*
.762*
.669*
.565*
-.251*
-.138

2
-.087
-.104
-.348
-.308
-.016
-.242
.557*

*. Mayor correlacin absoluta entre cada


variable y cualquier funcin discriminante.
a. Esta variable no se emplea en el anlisis.

Hasta aqu hemos discutido el proceso de construccin o estimacin del modelo. Para
valorar la capacidad predictiva del modelo estimado debemos prestar atencin a los
resultados de la clasificacin.
La tabla 23.44 ofrece las probabilidades previas o a priori. Estas probabilidades indican
que se ha dado la misma importancia relativa a todos los grupos: 0,333 (a pesar de que los
ve- hculos estadounidenses constituyen ms del 60% de la muestra). Enseguida veremos
qu ocu- rre si utilizamos probabilidades previas basadas en los tamaos de los grupos.
Tabla 23.44. Probabilidades previas (probabilidades a priori utilizadas en la clasificacin).

Pas de origen
EE.UU.
Europa
Japn
Total

Previas
.333
.333
.333
1.000

Casos utilizados en el anlisis


No ponderados
Ponderados
244
244.000
68
68.000
79
79.000
391
391.000

La figura 23.20 muestra el mapa territorial. Un mapa territorial representa el territorio (espacio) que corresponde a cada uno de los grupos en el plano definido por las dos funciones
dis- criminantes: la primera funcin en el eje de abscisas y la segunda funcin en el eje de
ordena- das.
Los centroides de cada grupo estn representados por asteriscos. Para representar los
cen- troides se utilizan las coordenadas de la tabla de centroides (ver tabla 23.41).
Observando la ubicacin de los centroides en la figura 23.20 se aprecia claramente que la
primera funcin po- see mayor capacidad discriminativa que la segunda, pues los centroides
se dispersan o alejan ms en la direccin horizontal que en la vertical.
Las secuencias de nmeros que aparecen dividiendo el plano en territorios son los
lmites o fronteras impuestos por la regla de clasificacin. Los nmeros (1, 2, ...) identifican
el grupo al que corresponde cada territorio. Conviene tener en cuenta que, puesto que la
regla de clasifi- cacin cambia al cambiar las probabilidades previas, si se cambian esas
probabilidades tambin cambiarn las fronteras de los territorios (el efecto concreto es que
las fronteras se alejan del centroide del grupo al que se le asigna mayor probabilidad).
Para conocer el grupo pronosticado de un caso cualquiera (es decir, el grupo en el que
ser clasificado), basta con representar en el mapa territorial el punto definido por sus
puntuaciones discriminantes en ambas funciones. El grupo pronosticado es aquel al que
corresponde el terri- torio en el que queda ubicado el punto.
Prestando atencin a la disposicin de los tres territorios sobre el mapa, resulta fcil
anti- cipar que los vehculos con puntuaciones altas en la primera funcin discriminante
sern clasifi- cados en el grupo estadounidense (grupo 1), mientras que los vehculos con
puntuaciones pr- ximas a cero o negativas en esa funcin sern clasificados en el grupo
europeo (grupo 2) o ja- pons (grupo 3). En este segundo caso, si la puntuacin del vehculo
en la segunda funcin dis- criminante es positiva ser clasificado en el grupo japons,
mientras que si la puntuacin en esa funcin es negativa ser clasificado en el grupo
europeo.

Captulo 23. Anlisis discriminante

Figura 23.20. Mapa territorial definido por las dos funciones discriminantes.
Discriminante cannica
Funcin 2
-6.0
-4.0
-2.0
.0
2.0
4.0
6.0
+--------+--------+--------+--------+--------+--------+
6.0 +
31
+
I
31
I
I
31
I
I
31
I
I
31
I
I
31
I
4.0 +
+
+
+ 31
+
+
+
I
31
I
I
31
I
I
31
I
I
31
I
I
31
I
2.0 +
+
+
+31
+
+
+
I
31
I
I
31
I
I
31
I
I
31
I
I
*
31
I
.0 +3333333333333333333333333331
*
+
+
+
I222222222222222222222*222221
I
I
21
I
I
21
I
I
21
I
I
21
I
-2.0 +
+
+
+21
+
+
+
I
21
I
I
21
I
I
21
I
I
21
I
I
21
I
-4.0 +
+
+
+ 21
+
+
+
I
21
I
I
21
I
I
21
I
I
21
I
I
21
I
-6.0 +
21
+
+--------+--------+--------+--------+--------+--------+
-6.0
-4.0
-2.0
.0
2.0
4.0
6.0
Funcin de discriminante cannica 1
Smbolos usados en el mapa territorial
Smbolo
------1
2
3
*

Grupo
----1
2
3

Etiqueta
---------------------------EE.UU.
Europa
Japn
Indica un centroide de grupo

80

Captulo 23. Anlisis discriminante

8
1

La tabla 23.45 ofrece los resultados de la clasificacin para el caso 54. Su grupo real o
nominal es el estadounidense (grupo 1), pero ha sido clasificado en el grupo europeo (grupo
2). Su pun- tuacin discriminante en la primera funcin (0,474) hace que sea clasificado
como vehculo no perteneciente al grupo 1, es decir como vehculo europeo o japons (ver
centroides en la ta- bla 23.41); y su puntuacin discriminante en la segunda funcin (
1,078) hace que sea clasi- ficado como vehculo europeo (recordemos que la primera
funcin permite discriminar entre vehculos estadounidenses yvehculos europeos-japones;
y la segunda entre vehculos europeos y japoneses).
La probabilidad condicional, P(D>d | G=g), del caso 54 vale 0,609, lo que permite
afir- mar que se trata de un vehculo bastante centrado en el grupo en el que ha sido
clasificado (grupo 2). Echando un vistazo a sus caractersticas podemos comprobar que se
trata, bsicamente, de un vehculo cuya cilindrada, peso, potencia y ao estn claramente
por debajo de la media (ver, ms arriba, el comentario de la tabla 23.42).
Tabla 23.45. Resultado de la clasificacin (caso nmero 54).
Nmero de caso: 54
Original
Grupo real
Grupo mayor

Grupo pronosticado
P(D>d | G=g)

p
gl

P(G=g | D=d)
Distancia de Mahalanobis al cuadrado hasta el centroide
Segundo grupo mayor

Grupo P(G=g
| D=d)
Distancia de Mahalanobis al cuadrado hasta el centroide

Puntuaciones discriminantes

Funcin 1
Funcin 2

**. Caso mal clasificado

1
2**
.609
2
.549
.993
1
.234
2.702
-.474
-1.078

La figura 23.21 muestra el diagrama de dispersin de todos los casos utilizados en el


anlisis sobre el plano definido por las dos funciones discriminantes. Los casos estn
identificados por el pas de origen de los vehculos. La mayor utilidad de este grfico radica
en la posibilidad de identificar casos atpicos difciles de clasificar.
Figura 23.21. Diagrama de dispersin de los tres grupos en las dos funciones discriminantes.
6

Funcin discriminante 2

Pas de origen
Centroides de grupo

-2

Japn
Europa
EE.UU.

-4
-3

-2

-1

Funcin discriminante 1

En este ejemplo, el diagrama de dispersin tambin nos ofrece pistas sobre la conveniencia
de aumentar la probabilidad a priori del grupo estadounidense para mejorar la clasificacin,
pues la primera funcin discriminante (el eje horizontal) parece distinguir fcilmente a los
vehculos japoneses y europeos de los estadounidenses.

Por ltimo, la matriz de confusin de la tabla 23.46 ofrece los resultados de la clasificacin.
La tabla indica que se ha clasificado correctamente el 67,4 % de los vehculos, lo cual,
com- parado con el 33% esperable en una clasificacin completamente al azar, puede
interpretarse como una mejora considerable.
Los errores de clasificacin no se distribuyen de manera simtrica. En el grupo de
vehcu- los estadounidenses se consigue el porcentaje ms alto de clasificacin correcta,
68,8 %, frente a un porcentaje del 61,6% en el grupo europeo y del 68,4 % en el grupo
japons. (Esta circuns- tancia resulta especialmente llamativa pues, a pesar de que la regla
de clasificacin se basa en probabilidades a priori iguales para todos los grupos, el
porcentaje de clasificacin correcta ms alto se da precisamente en el grupo de mayor
tamao).
Basndonos en los porcentajes de clasificacin correcta de cada grupo podemos afirmar
que los vehculos estadounidenses se confunden, mayoritariamente, con los vehculos
japone- ses; y que los vehculos europeos y japoneses no se confunden con los
estadounidenses, sino entre s.
Tabla 23.46. Resultados de la clasificacin (probabilidades previas iguales).

Original

Recuento

Pas de origen
EE.UU.
Europa
Japn
EE.UU.
Europa
Japn

Grupo de pertenencia
pronosticadoa
EE.UU.
Europa
Japn
174
29
50
1
45
27
0
25
54
68.8
11.5
19.8
1.4
61.6
37.0
.0
31.6
68.4

Total
253
73
79
100.0
100.0
100.0

a. Clasificados correctamente el 67.4% de los casos agrupados originales.

Vamos a repetir el anlisis con las probabilidades a priori calculadas a partir del tamao de
los grupos. Para ello,

| Repetir el anlisis marcando la opcin Calcular segn tamaos de grupos del


apar- tado Probabilidades previas en el cuadro de dilogo Anlisis discriminante:
Clasifi- cacin (ver figura 23. 11).
Procediendo de esta manera, la matriz de confusin ofrece los resultados que muestra la tabla
23.47. El porcentaje de clasificacin correcta ha subido del 67,4 % al 73,8 %. Al variar los territorios con la nueva regla de clasificacin, ha aumentado el porcentaje de clasificacin correcta de los vehculos ms numerosos (los estadounidenses), pero algunos de los vehculos
europeos y japoneses se confunden con los vehculos estadounidenses y la tasa de
clasificacin correcta del grupo europeo se ha reducido considerablemente. Probablemente
las probabilida- des previas podran ser mejor calibradas y ello nos permitira obtener
mejores resultados en la clasificacin.
Tabla 23.47. Resultados de clasificacin (probabilidades previas basadas en los tamaos de los grupos).

Original

Recuento

Pas de origen
EE.UU.
Europa
Japn
EE.UU.
Europa
Japn

Grupo de pertenencia
a
pronosticado
EE.UU.
Europa
Japn
211
12
30
9
36
28
4
23
52
83.4
4.7
11.9
12.3
49.3
38.4
5.1
29.1
65.8

Total
253
73
79
100.0
100.0
100.0

a. Clasificados correctamente el 73.8% de los casos agrupados originales.

< Fin del captulo 23 >