ESTADISTICA

Aplicación de técnicas
multivariadas en la investigación
Prof. (Dr.) Mónica Cadenazzi

UPAGU - UDELAR 2019 Prof. (Dr.) Monica Cadenazzi Universidad de la Republica, Uruguay
Esquema de la presentación
1. Porque análisis multivariado?

2. Resúmenes multivariados: Medidas de similaridad y
distancia
3. Conglomerados o “Cluster”: que ganamos con ellos?
4. ACP y ACoP
5. Otros métodos
UPAGU- UDELAR 2019 Prof. (Dr.) Monica Cadenazzi

 Generalmente en todas las investigaciones se miden mas de una

variable en la misma unidad experimental o unidad de muestreo.
 Muchas veces, el análisis univariado solo muestra algunas

asociaciones por ejemplo entre una variable y los tratamientos,
incluso pudiendo llevar a resultados contradictorios o difíciles de
interpretar.
 Estas condiciones pueden ser mejor abordadas usando técnicas

multivariadas.
Matriz básica de datos
 En la primer columna están los Individuos medidos en un muestreo o las Unidades

Experimentales presentes en un Diseño Experimental.
 En las columnas siguientes están las variables medidas. UPAGU- UDELAR 2019 Prof. (Dr.) Monica Cadenazzi
 En un enfoque univariado, realizaríamos una ANAVA y si
fuera necesario CONTRASTES para cada variable,
considerando los tratamientos o los grupos de individuos si
los hay (por edad, profesión, etc) para cada variable.
 Es imprescindible tener una variable de clasificación

(tratamientos o grupos)
 Luego, reuniriamos la informacion y se discutiria el resultado

en general. UPAGU- UDELAR 2019 Prof. (Dr.) Monica Cadenazzi
Gráficos varios

 Pero que hacemos si no tenemos tratamientos o grupos, sino
que salimos a buscar patrones de relación entre variables?
 Esto es muy común en áreas como psicología, medicina,

ecología, análisis sensoriales, estudios de mercados,
estudios basados en encuestas…
 Queremos encontrar relaciones entre variables aleatorias

observadas en cada individuo o unidad. (Ejemplos psicología)
 En esos casos, la pregunta que se quiere contestar es si
existen patrones de asociación detectables o no entre los
individuos o unidades experimentales.

 El análisis multivariado mas sencillo es el bivariado, donde se
puede representar el comportamiento de ambas variables en
un plano.

 Y si se miden 3 variables simultáneamente?

 Y si medimos 4 o mas variables simultáneamente en cada
unidad?
 Aquí la representación grafica conjunta es compleja, ya que

estamos en una 4ta dimensión…por lo menos…

 El análisis multivariado considera varias variables aleatorias medidas
sobre una misma unidad experimental o unidad de muestreo u
observación de forma simultanea.
 No se determina una variable de respuesta, sino que se estudian las
relaciones entre todas las variables conjuntamente.
 Estas variables medidas pueden estar correlacionadas o no entre si.
 Al inicio del análisis se consideran todas estas variables igualmente
importantes, determinándose luego cuales son las que aportan mas al
estudio especifico que estamos realizando.
El objetivo del análisis multivariado es reducir
la dimensionalidad en el análisis,
considerando las variables que mas aportan a
la descripción del fenómeno a estudiar,
encontrando grupos de unidades semejantes.
Estas técnicas son usadas para :
 Trabajar en estados iniciales de las investigaciones donde hay

muchas variables y resumir información disminuyendo la
dimensionalidad.
 Detectar las variables correlacionadas y elegir aquellas que siendo

independientes representen mas en la investigación.
 También son usadas para elegir los “inputs” de modelos generadores

de nuevas hipótesis de trabajo. UPAGU- UDELAR 2019 Prof. (Dr.) Monica Cadenazzi
 En muestreos de vegetación, se realizan relevamientos de
unidades de muestreo (u.m.).
 Estas pueden ser superficies o transectas.
 En cada u.m. se registran las especies presentes y sus

características.
 También pueden ser registradas las características del
“ambiente” de dicha u.m.
 Se registran las condiciones de “ tratamientos” a las que
pudieron ser sometidas.
1. Porque AM? Ejemplo 1
 Porque hacemos este tipo de muestreo?
 Porque queremos describir y comparar las “vegetaciones” o
“condiciones”.
 Para describir el grupo de especies mas importantes.
 Para comprobar la relación entre “ambiente” y “vegetación”.
 Para comprobar la existencia o no de un “gradiente

vegetacional”.
 Para comprobar si la aplicación de un tratamiento modifica
una vegetación … entre otros objetivos.
UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

Resumen de los pasos de decisión
Matriz de datos de 6 Matriz de distancia Dendrograma con
sitios con 3 especies Euclidiana WARD y con corte al
50% de la distancia
Ward
Euclidea Distancia: (Euclidea)
s1 s2 s3 s4 s5 s6 s6
s3
s1 0
s5
s2 37,42 0 s2
s3 61,64 50,99 0 s4
s1
s4 24,49 28,28 37,42 0
0,00 26,45 52,90 79,34 105,79

s5 64,81 28,28 50,99 48,99 0
s6 70,71 73,48 28,28 50,99 78,74 0

 Las variables pueden tener UNIDADES iguales o diferentes y VARIACIONES

parecidas o no (variancias homogéneas o no)
 Por ej. en composición botánica, pueden ser diferentes “porcentajes de

cobertura”, o “numero de plantas germinadas”
 En ambientes pueden ser: temp (ºC); pp (mm); N (ppm)
 1er Problema a resolver: unificar unidades y estandarizar variables

Generalmente la estandarización
se hace para cada variable
restándole a cada observación
la media o la mediana y
dividiéndola entre el desvió estándar
o el rango

 Basados en los datos estandarizados de las variables, tenemos
que encontrar aquellas unidades o individuos que son mas
parecidos entre si a través de todas las variables medidas.
 Para eso, utilizamos medidas que las comparan y resumen el

parecido.
 Son las medidas de similitud o distancia entre unidades.

2. Medidas de similaridad y distancia
 Para reducir la dimensionalidad, utilizamos índices o medidas

de similaridad o distancia.
 Las medidas a usar dependerán del tipo de variable relevada

y de la distribución de las mismas.
 Las medidas de similariad miden cuan parecidas son las

unidades en todas las variables y las de distancia, cuan
diferentes son en todas las variables.
2. Medidas de distancia
Ejemplo de composiciones botánicas

en 6 unidades de muestreo
6 u.m. (Filas: A1 a A6)
3 sp (Columnas: Sp1 a Sp3)
Variable: % de cobertura

 Medidas de distancia
 Miden la diferencia (o distancia) entre todos los individuos o
unidades de muestreo (u.a) tomados de a 2, en todas las
variables observadas
 Generan una matriz de distancias, de la magnitud de las
unidades observadas, simétricas y con diagonal cero.
 Dependen del tipo de variables observadas


2. Medidas de distancia: distancia Euclidiana

2. Medidas de distancia: distancia Euclidiana

2. Medidas de distancia: Euclidiana

2. Medidas de distancia: Minkowski

2. Distancias para variables binarias (0-1)

2. Distancias para variables binarias (0-1)

2. Distancias para mezclas de variables

Conglomerados o “Cluster”: que
ganamos con ellos?

3. Conglomerados
 Es la técnica mas simple de análisis multivariado.
 La usaremos para ilustrar los principios básicos de

este tipo de análisis.
 Une “elementos similares” si existen y forma grupos

con ellos

3. Conglomerados

Conglomerados

Conglomerados

Conglomerados

Conglomerados

Conglomerados

Conglomerados

Conglomerados

Métodos de aglomeracion

Ejemplo 2
 Un ejemplo clásico de Conglomerados es el que desarrollo
R. Fisher en 1936.
 Consistió en medir 4 variables un total de 150 plantas de
Iris, para realizar la taxonomía numérica de dichas plantas.
 Para ello, colecto 50 plantas de cada variedad de Iris, (I.
versicolor, I. virginica e Iris setosa).
 Luego, basándose solamente en los valores de las
variables medidas, realizo un análisis multivariado de
conglomerados.
Iris versicolor Iris virginica Iris setosa

Verificación de grupos formados
Analizamos los datos en Infostat
Ward
Distancia: (Euclidea)
Virginica
Versicolor
Setosa
0,00 1,03 2,05 3,08 4,11
Es muy rápido pero debemos verificar de alguna forma los

grupos formados UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi
Verificación de grupos formados
La bibliografía sugiere tres métodos:
1.Pseudo F
2.Validación
3.Uso de diferentes medidas y estudio de la
consistencia de los grupos

Como resumen:
Puntos a tener en cuenta en la técnica de conglomerados
1. Tener una muy buena base de datos

2. Calcular la medida de distancia que conteste mejor las
preguntas de la investigación
3. Elegir una medida de aglomeración
4. Construir el dendrograma y detectar los posibles grupos de
unidades
5. Validar los grupos obtenidos
6. Recordar que no es una técnica inferencial si no validamos
los grupos

Resumen de los pasos de decisión
Matriz de datos de 6 Matriz de distancia Dendrograma con
sitios con 3 especies Euclidiana WARD y con corte al
50% de la distancia
Ward
Euclidea Distancia: (Euclidea)
s1 s2 s3 s4 s5 s6 s6
s3
s1 0
s5
s2 37,42 0 s2
s3 61,64 50,99 0 s4
s1
s4 24,49 28,28 37,42 0
0,00 26,45 52,90 79,34 105,79

s5 64,81 28,28 50,99 48,99 0
s6 70,71 73,48 28,28 50,99 78,74 0

4. ACP y ACoP
 ACP permite analizar la interdependencia de variables
métricas y encontrar una representación gráfica óptima de la
variabilidad de los datos de una tabla de n observaciones y p
columnas o variables.
 El análisis de componentes principales (ACP) trata de

encontrar, con pérdida mínima de información, un nuevo
conjunto de variables (componentes principales) no
correlacionadas que expliquen la estructura de variación en las
filas de la tabla de datos. UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi
4. ACP y ACoP
 Veremos un ejemplo del Infostat: Proteinas
 En un estudio que tuvo como objetivo estudiar los alimentos

que se utilizan como fuentes proteicas, en las dietas de los
habitantes de países europeos, se registraron los alimentos
consumidos. Los datos se encuentran en el archivo
Proteínas.

4. ACP ejemplo
 Pais C.VACUNA C.CERDO HUEVOS LECHE PESCADO CEREAL EMBUTIDOS FRUTOS SECOS FRUTAS Y VEGETALES
 Albania 10,10 1,40 0,50 8,90 0,20 42,30 0,60 5,50 1,70
 Austria 8,90 14,00 4,30 19,90 2,10 28,00 3,60 1,30 4,30
 Bélgica 13,50 9,30 4,10 17,50 4,50 26,60 5,70 2,10 4,00
 Bulgaria 7,80 6,00 1,60 8,30 1,20 56,70 1,10 3,70 4,20
 Rep Checa 9,70 11,40 2,80 12,50 2,00 34,30 5,00 1,10 4,00
 Dinamarca 10,60 10,80 3,70 25,00 9,90 21,90 4,80 0,70 2,40
 Finlandia 9,50 4,90 2,70 33,70 5,80 26,30 5,10 1,00 1,40
 Francia 18,00 9,90 3,30 19,50 5,70 28,10 4,80 2,40 6,50
 Grecia 10,20 3,00 2,80 17,60 5,90 41,70 2,20 7,80 6,50
 Hungría 5,30 12,40 2,90 9,70 0,30 40,10 4,00 5,40 4,20
 Irlanda 13,90 10,00 4,70 25,80 2,20 24,00 6,20 1,60 2,90
 Italia 9,00 5,10 2,90 13,70 3,40 36,80 2,10 4,30 6,70
 P.Bajos 9,50 13,60 3,60 23,40 2,50 22,40 4,20 1,80 3,70
 Noruega 9,40 4,70 2,70 23,30 9,70 23,00 4,60 1,60 2,70
 Polonia 6,90 10,20 2,70 19,30 3,00 36,10 5,90 2,00 6,60
 Portugal 6,20 3,70 1,10 4,90 14,20 27,00 5,90 4,70 7,90
 Rumania 6,20 6,30 1,50 11,10 1,00 49,60 3,10 5,30 2,80
 España 7,10 3,40 3,10 8,60 7,00 29,20 5,70 5,90 7,20
 Suecia 9,90 7,80 3,50 24,70 7,50 19,50 3,70 1,40 2,00
 Suiza 13,10 10,10 3,10 23,80 2,30 25,60 2,80 2,40 4,90
 Inglaterra 17,40 5,70 4,70 20,60 4,30 24,30 4,70 3,40 3,30
 Rusia 9,30 4,60 2,10 16,60 3,00 43,60 6,40 3,40 2,90
 Alemania 11,40 12,50 4,10 18,80 3,40 18,60 5,20 1,50 3,80
 Croacia 4,40 5,00 1,20 9,50 0,60 55,90 3,00 5,70 3,20
 24x10

5,0
Portugal
Pescado
Frutas yVegetales
2,5
España
Embutidos
Noruega Grecia
Francia
CP 2 (18,4%)
Dinamarca Polonia Italia FrutosSecos

Bélgica
0,0 Inglaterra Huevos
CarneVacuna Rusia
Irlanda Rumania
Leche Suiza Rep Checa Croacia
Hungría
P.Bajos CarneCerdo Cereal Bulgaria
-2,5
-5,0
-5,0 -2,5 0,0 2,5 5,0
CP 1 (45,1%)
Biplot(1,2) Biplot(1,2) - Variables

Análisis de componentes principales
Datos estandarizados
Casos leidos 24
Casos omitidos 0
Variables de clasificación
País
Correlación cofenética= 0,910

Autovalores
Lamb Propo
da Valor rción Prop Acum Autovectores Correlaciones con las variables originales
1 4,06 0,45 0,45 Variables e1 e2 Variables CP 1 CP 2
2 1,66 0,18 0,64 CarneVacuna -0,31 -0,03 CarneVacuna -0,63 -0,04
3 1,1 0,12 0,76 CarneCerdo -0,3 -0,26 CarneCerdo -0,61 -0,34
4 0,9 0,1 0,86 Huevos -0,42 -0,03 Huevos -0,85 -0,04
5 0,48 0,05 0,91 Leche -0,4 -0,16 Leche -0,81 -0,2
6 0,32 0,04 0,95 Pescado -0,13 0,65 Pescado -0,26 0,84
7 0,25 0,03 0,98 Cereal 0,43 -0,24 Cereal 0,87 -0,31
8 0,12 0,01 0,99 Embutidos -0,29 0,36 Embutidos -0,58 0,46
9 0,1 0,01 1 FrutosSecos 0,42 0,16 FrutosSecos 0,84 0,2
Frutas yVegetales 0,11 0,53 Frutas yVegetales 0,22 0,68

4. ACoP
 El Analisis de Coordenadas Principales (ACoP) o
Multidimentional Scaling, tiene el mismo principio que el ACP.
 La ventaja es que puede trabajar con diferentes tipos de

variables: cuantitativas, cualitativas, ordinales… mientras que
el Acp solo trabaja con variables numéricas con distribución
aproximadamente normal.
 EL Indice de distancia que utiliza es el de GOWER.

5. Otros métodos de análisis multivariados
 Análisis discriminante
 Test de Mantel
 Análisis de varianza multivariado
 Análisis de correlaciones canónicas
 Arboles de regresión y clasificación
 Random forest
 PLS

GRACIAS!!!!!

 Ejemplo 39: El AC simple se llevó a cabo sobre un estudio
que aborda la caracterización de mujeres con problemas
relacionados con el alcohol desde características
sociodemográficas y psicológicas. Si bien se relevaron un
conjunto de variables categorizadas tales como edad,
ocupación, estado civil, motivo de consulta y diagnóstico del
paciente al entrar al centro de rehabilitación. Se usó AC
simple para estudiar la asociación entre motivo de consulta y
edad. Los datos (gentileza de Yolanda Prados y Graciela
Diosque, Facultad de Psicología, U.N.C), se encuentran en el
archivo Alcoholismo. Se

ESTADISTICA

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ESTADISTICA

Cargado por

Copyright:

Formatos disponibles

Aplicación de técnicas

Prof. (Dr.) Mónica Cadenazzi

1. Porque análisis multivariado?

UPAGU- UDELAR 2019 Prof. (Dr.) Monica Cadenazzi

 Generalmente en todas las investigaciones se miden mas de una

 Muchas veces, el análisis univariado solo muestra algunas

 Estas condiciones pueden ser mejor abordadas usando técnicas

 En la primer columna están los Individuos medidos en un muestreo o las Unidades

 Es imprescindible tener una variable de clasificación

 Luego, reuniriamos la informacion y se discutiria el resultado

UPAGU- UDELAR 2019 Prof. (Dr.) Monica Cadenazzi

 Esto es muy común en áreas como psicología, medicina,

 Queremos encontrar relaciones entre variables aleatorias

UPAGU- UDELAR 2019 Prof. (Dr.) Monica Cadenazzi

UPAGU- UDELAR 2019 Prof. (Dr.) Monica Cadenazzi

UPAGU- UDELAR 2019 Prof. (Dr.) Monica Cadenazzi

 Aquí la representación grafica conjunta es compleja, ya que

UPAGU- UDELAR 2019 Prof. (Dr.) Monica Cadenazzi

 Trabajar en estados iniciales de las investigaciones donde hay

 Detectar las variables correlacionadas y elegir aquellas que siendo

 También son usadas para elegir los “inputs” de modelos generadores

 En cada u.m. se registran las especies presentes y sus

 Para comprobar la relación entre “ambiente” y “vegetación”.

 Para comprobar la existencia o no de un “gradiente

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

0,00 26,45 52,90 79,34 105,79

s6 70,71 73,48 28,28 50,99 78,74 0

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

 Las variables pueden tener UNIDADES iguales o diferentes y VARIACIONES

 Por ej. en composición botánica, pueden ser diferentes “porcentajes de

 En ambientes pueden ser: temp (ºC); pp (mm); N (ppm)

 1er Problema a resolver: unificar unidades y estandarizar variables

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

 Para eso, utilizamos medidas que las comparan y resumen el

 Son las medidas de similitud o distancia entre unidades.

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

 Para reducir la dimensionalidad, utilizamos índices o medidas

 Las medidas a usar dependerán del tipo de variable relevada

 Las medidas de similariad miden cuan parecidas son las

Ejemplo de composiciones botánicas

6 u.m. (Filas: A1 a A6)

3 sp (Columnas: Sp1 a Sp3)

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

 Es la técnica mas simple de análisis multivariado.

 La usaremos para ilustrar los principios básicos de

 Une “elementos similares” si existen y forma grupos

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi

UPAGU - UDELAR 2019 Pof. (Dr) Monica Cadenazzi