Documentos de Académico
Documentos de Profesional
Documentos de Cultura
este Curso Avanzado de SPSS. Hace un par de meses, cuando José Luis me planteó la posibilidad
de escribir un tercer curso sobre técnicas estadísticas multivariadas con el SPSS, me sentí
sumamente feliz, ya que podría continuar compartiendo mi experiencia docente en estadística
multivariada con todos vosotros.
Con este curso pretendemos cerrar un ciclo en cuanto al manejo estadístico del programa SPSS,
que es complemento de los dos cursos predecesores sobre ésta misma temática.
Este nuevo curso lo he enriquecido con notas y ejemplos que mis profesores Dr. D. Cecilio Mar
Molinero y Dr. D. Francisco José Callealta me impartieron en las clases del curso de Doctorado que
aprobé hace un par de años en Sevilla. Gracias a ellos aprendí muchísimo sobre el manejo del
programa informático en mención, y que ahora os traslado a todos ustedes.
Otro aspecto que quiero resaltar de este nuevo curso, es que se analizan técnicas estadísticas
mulvitariadas bastante interesantes pero a la vez un tanto complicadas de analizar, así que se ha
tratado de utilizar un lenguaje sencillo para que nuestros amigos lectores aprovechen al máximo
cada lección del curso.
Un dato más, y es que se han incorporado ejemplos completos para que al momento de realizar un
análisis, se observe todo el proceso, y sea más comprensible para el estudiante al instante de arribar
a conclusiones en el fenómeno investigado.
En éste curso analizaremos las siguientes técnicas multivariadas de datos: Análisis Discriminante,
Análisis de Conglomerados No Jerárquicos y Análisis de Componentes Principales.
Nuevamente las gracias a mis amigos de AulaFacil.com por permitirme llegar a todos los internautas
deseosos de aprender las principales técnicas de análisis multivariante de datos. Desde ya les
auguro el mayor de los éxitos. Para consultas o comentarios, les dejo a continuación mi correo
electrónico.
Análisis Discriminante. Aspectos conceptuales
En palabras del autor César Pérez López, “el análisis discriminante es una técnica
estadística que permite asignar o clasificar nuevos individuos dentro de grupos
previamente reconocidos o definidos. Para ilustrar el concepto, consideremos un
ejemplo típico en el campo de la medicina. Supongamos que se dispone de una
muestra de pacientes en los que se ha medido un conjunto de variables relativas
al diagnóstico de una enfermedad (presión sanguínea, edad, peso, etc.) y que con
esta información o por comprobación posterior, el investigador ha dividido la
muestra en dos (o más) grupos diagnósticos. La finalidad del análisis discriminante
es que cuando llegue un nuevo enfermo en el que son medidas las mismas
variables, sus valores permitan asignar dicho paciente a un grupo de diagnóstico
con la máxima probabilidad, cuantificación a la vez el valor de ésta probabilidad. El
análisis discriminante puede aplicarse a todos los campos de la ciencia en los que
el objeto de investigación sea la clasificación de individuos, a través de un perfil
observado. El análisis discriminante se conoce en ocasiones como análisis de
clasificación, ya que su objetivo fundamental es producir una regla o un esquema
de clasificación que permita a un investigador predecir la población a la que es
más probable que tenga que pertenecer una nueva observación (supuestas
conocidas varias poblaciones a las que pueden pertenecer las observaciones)”.
En este caso sólo habría dos grupos (k=2) para clasificar a los individuos
en función de una única variable x (p=1). Además, supondremos que
esta característica clasificadora x se distribuye normalmente en ambos
grupos, con igual varianza s pero con distintas u1 y u2.
El visor de resultados del SPSS nos muestra los resultados del análisis
realizado, y el primer recuadro que aparece es el resumen del
procesamiento de casos.
Discriminante
Estadísticos de grupo
Variables en el análisis
En las siguientes tablas se presenta el resumen de las funciones
canónicas discriminantes que nos aarrojado el SPSS. Se incluyen los
autovalores, la Lambda de Wilks, coeficientes en el modelo, entre otros.
Autovalores
Lambda de Wilks
Matriz de estructura
Correlaciones intra-grupo combinadas entre las variables discriminantes
y las funciones discriminantes canónicas tipificadas Variables ordenadas
por el tamaño de la correlación con la función.
Coeficientes no tipificados
C = (D1 + D2)/2 = 0
Estadísticos de clasificación
Los gráficos de los grupos por separado son (hay que fijarse que el cero
es la puntuación de corte discriminante).
Resultados de la clasificación(a)
BANCO DE MASARROJOS.
Análisis Discriminante con SPSS. Caso práctico (II)
Como es un ejemplo el que estamos realizando, entonces en la figura 22
seleccionamos el mayor número de estadísticos, para luego analizar los
resultados. En la práctica, usted deberá elegir aquellos estadísticos que
reúnan los requisitos y sus expectativas de análisis, para la investigación
que usted se encuentre realizando.
Para realizar el análisis del Banco de Massarojos, elegiremos como
método a la “Lambda de Wilks”, usaremos el valor de F predeterminado
del SPSS, y le solicitaremos que nos muestre un resumen de los pasos
llevados a cabo.
Otra opción que nunca debemos olvidar, y quizás las más importante, es
la de “Clasificar”, que en la figura 25 se muestra el procedimiento para
obtener las alternativas de clasificación para nuestro análisis
discriminante.
APLICACIÓN PRÁCTICA.
Luego, en la figura 37 procedemos a realizar nuestro análisis de
Componentes Principales, con el proceso que ya conocíamos:
Análisis de Componentes Principales con SPSS (V)
La figura 40 nos muestra la extracción de los coeficientes para nuestro
ACP. Si observan detenidamente, el método es “Componentes
principales”, que es uno de los métodos de análisis factorial que se
pueden emplear. En “Analizar” podemos elegir entre la matriz de
correlaciones o la matriz de covarianza. También podemos elegir entre
las opciones de “Extraer” los Autovalores mayores que y el número de
factores; y las de “Mostrar”, también podemos ver lasolución inicial sin
rotar y el gráfico de sedimentación.
Análisis de Componentes Principales con SPSS (VI)
A. factorial
Comunalidades