ANÁLISIS MULTIVARIADO

El Análisis Multivariado es el conjunto de métodos estadísticos cuya finalidad es analizar

simultáneamente conjunto de datos multivariantes en el sentido de que hay varias
variables medidas para cada individuo u objeto estudiado. Su razón de ser radica en un
mejor entendimiento del fenómeno objeto de estudio o teniendo información que los
métodos estadísticos univariantes y bivariantes son incapaces de conseguir.

Es el conjunto de métodos estadísticos cuya finalidad es analizar simultáneamente

conjuntos de datos multivariantes en el sentido de que hay varias variables medidas
para cada individuo u objeto estudiado. Su razón de ser radica en un mejor
entendimiento del fenómeno objeto de estudio obteniendo información que los métodos
estadísticos univariantes y bivariantes son incapaces de conseguir.

Los objetivos del Análisis Multivariado pueden sintetizarse en dos:

1. Proporcionar métodos cuya finalidad es el estudio conjunto de datos

multivariantes, que el análisis estadístico uni y bidimensional es incapaz de
conseguir.
2. Ayudar al analista a tomar decisiones óptimas en el contexto en el que se
encuentre teniendo en cuenta la información disponible por el conjunto de datos
analizado.

Tipos de Técnicas Multivariantes Se pueden clasificar en tres grandes grupos:

 Métodos de dependencia. Suponen que las variables analizadas están divididas

en dos grupos: las variables dependientes y las variables independientes. El
objetivo de los métodos de dependencia consiste en determinar si el conjunto de
variables independientes afecta al conjunto de variables dependientes y de qué
forma.
 Métodos de interdependencia. Estos métodos no distinguen entre variables
dependientes e independientes y su objetivo consiste en identificar que variables
están relacionadas, como lo están y por qué.
 Métodos estructurales. Suponen que las variables están divididas en dos grupos:
el de las variables dependientes y el de las independientes. El objetivo de estos
métodos es analizar, no solo como las variables independientes afectan a las
variables dependientes, sino también como están relacionadas las variables de
los dos grupos entre sí.

Análisis Factorial

El análisis factorial es una herramienta estadística que tiene en cuenta tanto las
variables observadas como las variables no observadas, denominadas latentes. El
análisis factorial es un método utilizado por los psicólogos e investigadores en ciencias
humanas y sociales. El análisis factorial se utiliza para estudiar un gran número de
datos. Los resultados de este tipo de análisis estadísticos se representan en una tabla.
El análisis factorial no debe ser orientado a partir de una hipótesis original.

Es una técnica estadística de reducción de datos usada para explicar las correlaciones
entre las variables observadas en términos de un número menor de variables no
observadas llamadas factores. Las variables observadas se modelan como
combinaciones lineales de factores más expresiones de error. El análisis factorial se
originó en psicometría, y se usa en las ciencias del comportamiento tales como ciencias
sociales, marketing, gestión de productos, investigación operativa, y otras ciencias
aplicadas que tratan con grandes cantidades de datos.

Ejemplo

Supóngase que un psicólogo propone una teoría según la cual hay dos tipos de
inteligencia, “inteligencia verbal” e “inteligencia matemática”. Nótese que estas son
inherentemente inobservables. Se busca evidencia para la teoría en las notas de los
exámenes, en 10 temas académicos, a 1000 estudiantes. Si cada estudiante es
seleccionado al azar de una población grande, luego, las 10 notas de cada estudiante
son variables aleatorias. La teoría de los psicólogos diría que por cada una de las diez
materias el promedio de todos los estudiantes que comparten un par de valores para la
inteligencias verbal y matemática es constante multiplicada por el nivel de inteligencia
verbal más otra constante multiplicada por el nivel de inteligencia matemática, es decir,
que hay una combinación lineal de estos dos factores. Los números, para este caso
particular, mediante el cual los dos tipos de inteligencia se multiplican para obtener una
nota determinada, se postulan teóricamente que son similares para todos los pares
obtenidos, lo mismo que el peso de los factores para este tema. Por ejemplo, la teoría
podría sostener que la aptitud promedio del estudiante en la materia de anfibología es:

{10 x inteligencia verbal} + {6 x inteligencia matemática}

Los números 10 y 6 son los pesos de los factores asociados a anfibología. Otras
materias tendrán diferentes pesos. Dos estudiante que obtengan el mismo grado de
inteligencia verbal e idéntica inteligencia matemática podrían tener aptitudes diferentes
en anfibología porque las aptitudes individuales son diferentes de las aptitudes
promedio. La diferencia se denomina “error”, un término estadístico para designar la
diferencia que hay entre la nota de un individuo y el promedio para su nivel de
inteligencia.

Los datos observables que van en el análisis factorial serían las 10 notas de cada uno
de los 1000 estudiantes, un total de 10.000 valores. Los pesos de y los niveles de los
factores de las dos clases de inteligencia de cada estudiante se deben derivar de estos
datos, así como también el número de factores.

Tipos de análisis factorial

El análisis factorial exploratorio, AFE, se usa para tratar de descubrir la estructura

interna de un número relativamente grande de variables. La hipótesis a priori del
investigador es que pueden existir una serie de factores asociados a grupos de
variables. Las cargas de los distintos factores se utilizan para intuir la relación de éstos
con las distintas variables. Es el tipo de análisis factorial más común.

El análisis factorial confirmatorio, AFC, trata de determinar si el número de factores

obtenidos y sus cargas se corresponden con los que cabría esperar a la luz de una
teoría previa acerca de los datos. La hipótesis a priori es que existen unos determinados
factores preestablecidos y que cada uno de ellos está asociado con un determinado
subconjunto de las variables. El análisis factorial confirmatorio entonces arroja un nivel
de confianza para poder aceptar o rechazar dicha hipótesis.
Aplicaciones

El análisis factorial se utiliza para identificar factores que expliquen una variedad de
resultados en diferentes pruebas. Por ejemplo, investigación en inteligencia halla que la
gente que obtienen una nota alta en una prueba de habilidad verbal también se
desempeña bien en pruebas que requieren habilidades verbales. Los investigadores
explican esto mediante el uso de análisis factorial para aislar un factor a menudo llamado
inteligencia cristalizada o inteligencia verbal, que representa el grado en el cual alguien
es capaz de resolver problemas usando habilidades verbales.

Análisis factorial en psicología se asocia frecuentemente con la investigación sobre la

inteligencia. Sin embargo, también se ha utilizado en un amplio rango de dominios, tales
como personalidad, actitudes, creencias, etc. Está asociado a la psicometría, debido a
que puede evaluar la validez de un instrumento estableciendo si el instrumento de
verdad mide los factores postulados.

Ejemplo

Un análisis de metodología docente consideró las calificaciones de n = 54 estudiantes

de la facultad de Biología de la ULA y m = 8 tipos de habilidades. El primer factor
principal que explicaba las calificaciones era la inteligencia del estudiante y en segundo
lugar la metodología de aprendizaje usada.

Historia

Los factores latentes de Francis Galton y los ejes principales de Karl Pearson fueron los
precedentes más inmediatos del análisis factorial. En 1904, Charles Spearman planteó
una teoría de la inteligencia basada en la existencia de factor común al que denominó
g. De acuerdo con esta teoría, la inteligencia de los individuos podía ordenarse a lo largo
de una sola dimensión.

En la obra Multiple Factor Analysis de Louis Leon Thurstone se plantea un análisis

factorial con más de un factor común y se introducen la estructura simple y las rotaciones
de factores. La existencia de varias dimensiones latentes hacía imposible una
ordenación de los individuos en función de su inteligencia. También permitía ubicar las
personalidades neuróticas y psicóticas en dimensiones distintas, en contradicción con
los principios de los psicoanalistas, que establecían una continuidad entre ambos
extremos.

Los métodos modernos para extraer los factores son los del análisis factorial canónico
de C.R. Rao, el método Alfa (H.F. Kaiser, J. Carey) y el método de la máxima
verosimilitud (D.N. Lawley, Karl Jöreskog).

El método varimax de rotación ortogonal es de Kaiser. J.B. Carroll introdujo la rotación

oblicua quartimin y A.E. Hendrickson y P.O. White la promax.

Hasta los años sesenta, el análisis factorial era principalmente exploratorio. En esa
época nació el análisis factorial confirmatorio que permite confirmar o rechazar hipótesis
planteadas en forma de una cierta estructura subyacente.
 Bibliografía

 Abraira Santos, Víctor. Métodos Multivariantes en bioestadística.

 Spearman, Charles (1927). The Abilities of Man.
 Chuecon, Carles (2008). «Capítulo 6: Análisis factorial». Nuevos métodos de
análisis multivariante. CMC Editions.
 Barbero García, María Isabel (2011). Introducción básica al análisis factorial.
Universidad Nacional de Educación a Distancia.
 Sánchez Villegas, Almudena (2014). Análisis factorial. En: Bioestadística
amigable (dir. Miguel Angel Martínez González). Págs. 487-512.