Está en la página 1de 119

MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC.

2006

MÉTODOS ESTADÍSTICOS
MULTIVARIADOS

Elaboró: Dr. Primitivo Reyes Aguilar


Dic. 2006

Pág. 1
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

CONTENIDO

1. Coeficiente de Cronbach
2. Métodos de análisis multivariado
3. ANOVA de K direcciones
4. Análisis multivariado de Varianza (MANOVA)
5. Análisis de Covarianza
6. Análisis Discriminante
7. Análisis de Conglomerados (Clusters)
8. Análisis Factorial
9. Análisis de Regresión Múltiple

Pág. 2
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

1. COEFICIENTE DE CRONBACH

Pág. 3
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

1. CÁLCULO DEL COEFICIENTE DE CONFIABILIDAD


(FIABILIDAD) ALFA-CRONBACH

Existen tres procedimientos para determinar el coeficiente “” o alfa:

1. Sobre la base de la varianza de los ítems, con la aplicación de la siguiente


fórmula:

En donde N representa el número de ítems de la escala, “s2 (Yi)” es igual a la sumatoria


de las varianzas de los ítems y “s2x” equivale a la varianza de toda la escala.

2. Sobre la base de la matriz de correlación de los ítems, el procedimiento


sería:

a) Se aplica la escala.
b) Se obtienen los resultados.
c) Se calculan los coeficientes de correlación r de Pearson entre todos los ítems (todos
contra todos de par en par).
d) Se elabora la matriz de correlación con los coeficientes obtenidos. Por
ejemplo:

Pág. 4
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Los coeficientes que se mencionan como “ya fue calculado”, se ubican en la


parte superior de las líneas horizontales (guiones). Es decir, cada coeficiente se incluye
una sola vez y se excluyen los coeficientes que vinculan al ítem o
puntuación consigo misma (1 con 1, 2 con 2, 3 con 3 y 4 con 4).

Pág. 5
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

3. Mediante otra fórmula que se basa en la correlación promedio

Pág. 6
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

2. MÉTODOS DE ANÁLISIS
MULTIVARIADO

Pág. 7
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

2. LOS MÉTODOS DE ANÁLISIS MULTIVARIADO

Los métodos de análisis multivariado son aquellos en que se analiza la relación entre
diversas variables independientes y al menos una dependiente. Son métodos más
complejos que requieren del uso de computadoras para efectuar los cálculos necesarios

Entre las técnicas más comunes se encuentran (1) Análisis de componentes


principales y factores comunes, (2) regresión y correlación múltiple, (3) análisis
discriminante múltiple, (4) análisis multivariado de varianza y covarianza, (5)
análisis conjunto, (6) correlación canónica, (7) análisis de clusters, (8) escala
multidimensional. Otras técnicas nuevas incluyen (9) análisis de
correspondencia, (10) modelos de probabilidad lineal tales como el logit y
probit, y (11) modelos de ecuación simultaneas / estructurales. A continuación
se describen brevemente éstas técnicas.

Análisis de componentes principales y de factores comunes


Es un método estadístico que puede usarse para analizar las interrelaciones
entre un gran número de variables y explicar esas variables en términos de sus
dimensiones subyacentes comunes. El objetivo es hallar la forma de sintetizar
la información contenida en un número de variables originales, dentro de un

Pág. 8
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

conjunto más pequeño de variates (factores) con mínima pérdida de


información.

Regresión múltiple
En un método de análisis adecuado cuando el problema de investigación
involucra una variable dependiente única que se presume se relaciona a dos o
más variables independientes medibles. El objetivo es predecir el cambio en la
variable dependiente de respuesta con cambios en las variables
independientes, normalmente con el método de mínimos cuadrados.

Por ejemplo se pueden predecir los montos gastados en cenas a partir de


ingresos de las familias (variable dependiente), su tamaño, y la edad del padre
(variables independientes).

Análisis discriminante múltiple (MDA)


Se aplica cuando la variable dependiente es dicotómica (vgr. hombre – mujer) o
multitómica (vgr. Alto – medio – bajo) y por tanto no medible. Como en la
regresión las variables independientes deben ser medibles. Se aplica cuando la
muestra total se puede dividir en grupos con base en una variable no medible
caracterizando varias clases conocidas. Su objetivo es comprender las
diferencias entre grupos y predecir la probabilidad de que una entidad (objeto
individual) pertenezca a una clase o grupo particular con base en varias
variables independientes medibles o métricas.

Por ejemplo el análisis discriminante se puede utilizar para distinguir entre


innovadores y no innovadores de acuerdo a su perfil demográfico y
psicográfico.

Análisis multivariado de varianza y covarianza (MANOVA)


Es un método estadístico para explorar simultáneamente la relación entre
varias variables categóricas independientes (referidas como tratamientos) y dos
o más variables dependientes medibles o métricas. Es una extensión del
ANOVA univariado. El análisis multivariado de covarianza (MANCOVA) se

Pág. 9
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

puede usar en conjunto con el MANOVA para remover (después del


experimento) el efecto de cualquier variable métrica independiente no
controlada (conocida como covariada) en la variable independiente.

Análisis conjunto
Se aplica a nuevos productos para evaluar la importancia de los atributos del
nuevo producto así como los niveles de cada atributo, mientras que el
consumidor evalúa solo unos pocos perfiles del producto como combinaciones
de los niveles de producto.

Por ejemplo asumir un producto con tres atributos (precio, calidad y color),
cada uno en tres niveles posibles (vgr. Rojo, amarillo y azul). En vez de tener
que evalur las 27 combinaciones posibles (3x3x3), se evalúa un subconjunto de
9 o más combinaciones con base en su atractivo para el consumidor, de
manera que el investigador no solo conozca la importancia de cada atributo,
sino además la importancia de cada nivel (atractivo del rojo vs amarillo vs azul).

Correlación canónica
El análisis de correlación puede ser visto como una extensión lógica de la
regresión múltiple. Donde se trata de correlacionar simultáneamente varias
variables dependientes medibles o métricas y varias variables independientes
medibles. El principio es establecer una combinación lineal de cada conjunto de
variables (dependientes e independientes) para maximizar la correlación entre
los dos conjuntos (obteniendo ponderacións adecuados para las variables).

Análisis de conglomerados (Clusters)


Es una técnica analítica para desarrollar sugrupos significativos de individuos u
o objetos. Específicamente, el objetivo es clasificar una muestra de entidades
(individuos u objetos) en un número más pequeño de grupos más pequeños
con base en las similitudes entre entidades. A diferencia del análisis
discriminante, los grupos no están definidos, más bien se usa para
identificarlos.

Pág. 10
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Normalmente se realiza en tres pasos. El primero es la medición de alguna


forma de similitud o asociación entre las entidades para identificar cuantos
grupos realmente existen en la muestra. El segundo paso es el proceso en sí
de conglomerados, donde las entidades se particionan en grupos
(conglomerados o clusters). El paso final es perfilar las personas o variables
para determinar su composición. Muchas veces esto último se realiza con el
análisis discriminante.

Escala multidimensional
El objetivo es transformar los juicios del consumidor de similitud o preferencias
(vgr. Preferencia por tiendas o marcas) en distancias representadas en un
espacio multidimensional. Si los objetos A y B se juzgan por el consumidor
como similares, comparados con cualquier otro par de objetos, la técnica
posiciona los objetos A y B de manera que la distancia entre ellos en un
espacio multidimensional es más pequeño que la distancia entre cualquier otro
par de objetos. Al final se muestra un mapa perceptual con la posición relativa
de los objetos.

Análisis de correspondencia
Facilita tanto la reducción dimensional de objetos en un conjunto de atributos y
el mapa perceptual de objetos respecto a estos atributos. En su forma más
elemental es una tabla de contingencia o tabulación cruzada de dos variables
categóricas. Transforma los datos no métricos a un nivel medible y realiza una
reducción dimensional (similar al análisis de factores) y un mapa perceptual
(similar al análisis multidimensional).

Por ejemplo, las preferencias de marcas de los consumidores pueden ser


tabuladas contra variables demográficas (vgr. Género, categorías de ingresos,
ocupación) indicando cuanta gente prefiere cada una de las marcas que caen
en cada categoría de las variables demográficas. Por medio del análisis de
correspondencia, la asociación o “correspondencia” de marcas y las
características distintivas de aquellos que prefieren las marcas se muestran en

Pág. 11
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

un mapa tridimensional o bidimensional tanto de marcas como de las


características que distinguen a aquellos que prefieren cada marca.

Modelos de probabilidad lineal (Análisis Logit)


Son una combinación de regresión múltiple y análisis discriminante. Es similar
al análisis de regresión múltiple excepto que la variable dependiente es
categórica no métrica como en el análisis discriminante.

Modelos de ecuaciones estructurales


A veces se refiere como el nombre del software LISREL, es una técnica que
permite separar las relaciones del conjunto de variables dependientes. En su
forma más sencilla proporciona el modelo más adecuado y la técnica de
estimación más eficiente para una serie de ecuaciones de regresión múltiple,
evaluadas simultáneamente. Se caracteriza por dos componentes básicos: (1)
el modelo estructural y (2) el modelo de medición.

El modelo estructural es la “vía” que relaciona variables dependientes e


independientes. El modelo de medición permite al investigador a usar varias
variables (indicadores) para una variable dependiente e independiente.

Pág. 12
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Los datos para HATCO son los siguientes:

Variables / Tipo
Percepciones / Medibles (Métricas)
X1 Tiempo de entrega - entrega del producto con la orden confirmada
X2 Nivel de precios - nivel de precio percibido ponderacióndo por
proveedores
X3 Flexibilidad de precios - flexibilidad para negociar precios
X4 Imagen de la empresa - general
X5 Servicio en general - nivel necesario para mantener relaciones
X6 Imagen de la fuerza de ventas - general
X7 Calidad del producto – calidad percibida en desempeño o rendimiento

Resultados de compras / Medibles (Métricas)


X9 Nivel de utilización - que porcentaje de producto es surtido por Hatco
X10 Nivel de satisfacción – que tan satisfecho esta el cliente con Hatco

Características del comprador / No Medibles (No Métricas)


X8 Tamaño de la empresa - 1- Grande 0 - pequeño
X11 Especificación de compra - 1-Evalúa por el valor total y 0- especificación
X12 Estructura de abastecimiento – 1- centralizado 0 - descentralizado
X13 Tipo de industria - 1- industria A 0 – otras industrias
X14 Tipo de situación de compra – 1- nueva 2- modificada 0- tradicional

Pág. 13
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

3. ANOVA DE K DIRECCIONES

Pág. 14
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

3. ANOVA (análisis de varianza de k direcciones )

El ANOVA es similar a la regresión en el sentido de que se utiliza para


investigar y modelar la relación entre una variable de respuesta y una o más
variables independientes. Sin embargo, el ANOVA difiere de la regresión en
dos aspectos: las variables independientes son cualitativas (categóricas), y no
hay supuestos acerca de la naturaleza de la relación (o sea que el modelo no
incluye coeficientes para variables). En efecto el ANOVA extiende la prueba de
dos muestras con prueba t para probar la igualdad de dos poblaciones a una
hipótesis más general al comparar más de dos medias, versus que no sean
iguales.

Definición: Es una prueba estadística para evaluar el efecto de dos o más variables
independientes sobre una variable dependiente.

Responde a esquemas como el que se muestra en la figura:

Constituye una extensión del análisis de varianza unidireccional, solamente


que incluye más de una variable independiente. Evalúa los efectos por separado de cada
variable independiente y los efectos conjuntos de dos o más variables independientes.

Pág. 15
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Variables: Dos o más variables independientes y una dependiente.

Nivel de medición de las variables: La variable dependiente (criterio) debe estar


medida en un nivel por intervalos o razón, y las variables independientes (factores)
pueden estar en cualquier nivel de medición, pero expresadas de manera categórica.

Interpretación y ejemplo

Hi: La similitud en valores, la atracción física y el grado de retroalimentación


positiva son variables que inciden en la satisfacción sobre la relación en parejas de
novios.

Contexto: Muestra de parejas de adultos jóvenes (23-29 años), pertenecientes a estratos


económicos altos (n=400).

El ANOVA efectuado mediante un paquete estadístico computacional como


SPSS produce los siguientes elementos básicos:

• Fuente de la variación (source of variation). Es el factor que origina variación en la


dependiente. Si una fuente no origina variación en la dependiente, no tiene efectos.

• Efectos principales (main effects). Es el efecto de cada variable independiente


por separado; no está contaminado del efecto de otras variables iindependientes ni de
error. Suele proporcionarse la suma de todos los efectos principales.

• Interacciones de dos direcciones (2-way interactions). Representa el efecto conjunto


de dos variables independientes, aislado de los demás posibles efectos de las variables
independientes (individuales o en conjuntos). Suele proporcionarse la suma de los
efectos de todas estas interacciones.

• Interacciones de tres direcciones (3-way interactions). Constituye el efecto conjunto


de tres variables independientes, aislado de otros efectos. Suele proporcionarse la suma
de los efectos de todas estas interacciones.

Pág. 16
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

• Puede haber efecto de K-direcciones, esto dependie del número de variables


independientes.

En nuestro ejemplo, tenemos los resultados siguientes:

TABLA ANOVA

VARIABLE DEPENDIENTE: SATISFACCIÓN EN LA RELACIÓN

Fuente de Suma de Grados de Cuadrados Estadístico F Significancia


variación cuadrados libertad medios de Fc = P
Efectos 22.51 .001**
principales
(main effects
SIMILITUD 31.18 0.001**
ATRACCIÓN 21.02 0.001**
RETROALIM 11.84 0.004**
SIMILITUD -4.32 0.04*
ATRACCIÓN
SIMILITUD 2.18 0.11
RETROALIM
ATRACCION 1.56 0.190
RETROALIM
SIN – 8.01 0.02*
RETROL-
ATRACCION

NOTA: Normalmente interesa saber si las razones “F” resultaron o no significativas; por
tanto, sólo se incluyen estos valores. Se recomienda concentrarse en dichos valores y
evitar confusiones. Desde luego, el investigador experimentado acostumbra estudiar
todos los valores.

**— Razón “F” significativa al nivel del 0.01 (p < 0.01)

*—Razón “F” significativa al nivel del 0.05 (p < 0.05)

Como podemos ver en la tabla, la similitud, la atracción y la retroalimentación tienen un


efecto significativo sobre la satisfacción en la relación.

Pág. 17
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Respecto a los efectos de dos variables independientes conjuntas, sólo la similitud y la


atracción tienen un efecto, hay un efecto conjunto de las tres variables independientes.
La hipótesis de investigación se acepta y la nula se rechaza. Asimismo, se recuerda al
lector que en el capítulo 5 del presente disco: Otros diseños experimentales (en el
apartado sobre diseños factoriales) se explica la noción de interacción entre variables
independientes. Cabe agregar que el ANOVA es un método estadístico propio para los
diseños experimentales factoriales.

Ejemplo:
Un experimento se realizó para probar cuanto tiempo toma usar un modelo
nuevo y un modelo anterior de calculadora. Seis ingenieros trabajando en un
problema estadístico y uno de ingeniería se les toma el tiempo para resolver el
problema. Los ingenieros se consideran como bloques en el diseño
experimental.

Hay dos factores: Tipo de problema y modelo de calculadora – cada uno con
dos niveles, se hacen experimentos donde esos niveles de los factores se
cruzan. Los datos se muestran a continuación:

SolveTime Engineer ProbType Calculator


3.1 Jones Stat New
7.5 Jones Stat Old
2.5 Jones Eng New
5.1 Jones Eng Old
3.8 Williams Stat New
8.1 Williams Stat Old
2.8 Williams Eng New
5.3 Williams Eng Old
3 Adams Stat New
7.6 Adams Stat Old
2 Adams Eng New
4.9 Adams Eng Old
3.4 Dixon Stat New
7.8 Dixon Stat Old
2.7 Dixon Eng New
5.5 Dixon Eng Old
3.3 Erickson Stat New
6.9 Erickson Stat Old
2.5 Erickson Eng New
5.4 Erickson Eng Old
3.6 Maynes Stat New
7.8 Maynes Stat Old
2.4 Maynes Eng New

Pág. 18
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

4.8 Maynes Eng Old

Las instrucciones de Minitab son las siguientes:

1    Abrir la worksheet EXH_AOV.MTW.

2    Stat > ANOVA > Balanced ANOVA.

3    Responses, poner SolveTime.

4    Model, poner Engineer ProbType | Calculator.

5    En Random Factors, poner Engineer.

6    Click Results. En Display means corresponding to the terms, poner


ProbType | Calculator. Click OK cada cuadro de diálogo.

Los resultados obtenidos son los siguientes:

ANOVA: SolveTime versus Engineer, ProbType, Calculator

Factor Type Levels Values


Engineer random 6 Adams, Dixon, Erickson, Jones, Maynes, Williams
ProbType fixed 2 Eng, Stat
Calculator fixed 2 New, Old

Analysis of Variance for SolveTime

Source DF SS MS F P
Engineer 5 1.053 0.211 3.13 0.039
ProbType 1 16.667 16.667 247.52 0.000
Calculator 1 72.107 72.107 1070.89 0.000
ProbType*Calculator 1 3.682 3.682 54.68 0.000
Error 15 1.010 0.067
Total 23 94.518

S = 0.259487 R-Sq = 98.93% R-Sq(adj) = 98.36%

Means

ProbType N SolveTime
Eng 12 3.8250
Stat 12 5.4917

Calculator N SolveTime
New 12 2.9250
Old 12 6.3917

ProbType Calculator N SolveTime


Eng New 6 2.4833
Eng Old 6 5.1667
Stat New 6 3.3667

Pág. 19
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Stat Old 6 7.6167

 Interpretación de los resultados:

Se muestran los factores (fijos y aleatorios), niveles y valores. Después se


muestra la tabla de ANOVA, donde se indica de acuerdo al valor P que hay una
interacción significativa entre el tipo de problema y el modelo de calculadora, lo
que implica que la reducción en tiempo de proceso de la calculadora depende
del tipo de problema.

En la lista de promedios se observa un menor tiempo entre la calculadora


nueva y la anterior.

Pág. 20
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

4. ANÁLISIS MULTIVARIADO DE VARIANZA


(MANOVA)

Pág. 21
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

4. ANÁLISIS MULTIVARIADO DE VARIANZA


(MANOVA)

Es un modelo para analizar la relación entre una o más variables independientes y dos o
más variables dependientes. Es decir, es útil para estructuras causales del tipo:

La técnica posee varios usos, entre los que destacan:


- Evaluar diferencias entre grupos a través de múltiples variables dependientes (medidas
por intervalos o razón). La(s) variable(s) independiente(s) es(son) categórica(s) (no
métricas). Tiene el poder de evaluar no solamente las diferencias totales, sino
diferencias entre las combinaciones de las dependientes.

En este sentido representa una extensión del análisis de varianza (ANOVA)


para cubrir casos donde hay más de una variable dependiente y/o cuando las variables
dependientes simplemente no pueden ser combinadas. En otras
palabras, reconoce si los cambios en la(s) variable(s) independiente(s) tienen un efecto
significativo en las dependientes. Señala qué grupos difieren en una variable o en el
conjunto de variables dependientes.

- Identificar las interacciones entre las variables independientes y la asociación entre las
dependientes.

Pág. 22
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Las tres clases principales del MANOVA son:

1) Hotelling's T. Es parecida a la prueba t (dos grupos) pero con más dependientes: una
variable independiente dicotómica y varias dependientes.

2) MANOVA unidireccional. Análogo al ANOVA de una sola vía, pero con más
dependientes: una variable independiente multicategórica y varias
dependientes.

3) MANOVA factorial. Similar al ANOVA factorial, solamente que con dos o más
dependientes: varias independientes categóricas y varias dependientes.

Los modelos del MANOVA tienen en común que forman combinaciones lineales de las
dependientes que discriminan mejor entre los grupos en un experimento o una situación
no experimental. Es una prueba de significancia de las diferencias en los grupos en un
espacio multidimensional donde cada dimensión está definida por combinaciones
lineales del conjunto de variables dependientes.

Una pregunta que suele hacer el estudiante al revisar el MANOVA es ¿por qué no
hacemos ANOVAS separados, uno para cada dependiente? La respuesta: las
dependientes están correlacionadas muy frecuentemente, por lo cual los resultados de
varios ANOVA pueden ser redundantes y difíciles de integrar. He aquí una síntesis de la
explicación de Wiersma (1999) sobre este tipo de análisis:

Al incluir dos o más variables dependientes simultáneamente no se consideran las


diferencias entre las medias en cada variable, sino las diferencias en variables
canónicas. El interés no sólo es saber si los grupos definidos por las variables
independientes difieren en las variables canónicas, sino conocer la naturaleza de éstas.
Una variable canónica es una variable artificial generada a partir de los datos.
Representa constructos y se compone de variables reales, las cuales deben ser descritas
en términos de variables dependientes. Lo anterior se efectúa por medio de las
ponderacións de los coeficientes de correlación entre una variable dependiente y una
variable canónica. Si una ponderación entre la variable canónica y la dependiente es

Pág. 23
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

positiva y elevada, significa que altos valores en la dependiente se asocian con altos
valores en la canónica. Por ejemplo, si una variable dependiente consiste en
puntuaciones a una prueba sobre innovación, y dichas puntuaciones se correlacionan en
forma considerable con una variable canónica, inferimos que la variable canónica
representa un constructo que involucra esencialmente a la innovación.

En los cálculos que se hacen en el MANOVA, se generan variables canónicas hasta que
se encuentra que no hay una diferencia estadística significativa entre las categorías o los
grupos de las variables independientes; o bien, hasta que se agotan los grados de
libertad de las variables independientes (lo que ocurra primero). El número de variables
canónicas no puede exceder el número de variables dependientes, pero es común que el
número de dependientes sea mayor que el de variables canónicas estadísticamente
significativas o los grados de libertad.

La hipótesis general de investigación en el MANOVA postula que las medias de los


grupos o las categorías de la(s) variable(s) independiente(s) difieren entre sí en las
variables canónicas. La hipótesis nula postula que dichas medias serán iguales.

Se calculan diversas estadísticas para evaluar ambas hipótesis, entre las que destacan: F
(total, toma en cuenta el modelo completo), la prueba Hotelling's TSquare, T2 (cuando
hay dos grupos formados por las variables independientes), Wilks' lambda, U (cuando
hay más de dos grupos formados por las variables independientes), y Pillai-Bartlett
(cuando hay coeficientes canónicos); y si resultan significativas en un nivel de
confianza, se acepta la hipótesis de investigación de diferencia de medias. Esto indica
que hay, por lo menos, una variable canónica significativa (pero puede haber varias). Si
diversas variables canónicas son significativas, esto muestra que se presentan
diferencias en las variables canónicas en cuestión, entre los grupos o categorías de las
independientes.

Los paquetes estadísticos que contiene el MANOVA suelen posicionar a los


grupos de las variables independientes por puntuaciones discriminantes; éstas son
calculadas con una función discriminante, que es una ecuación de regresión para un
compuesto de variables dependientes. A cada grupo se le asigna una puntuación
discriminante en cada variable canónica. Las puntuaciones discriminantes de una

Pág. 24
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

variable independiente pueden ser cero o tener un valor positivo o negativo. Una
puntuación discriminante positiva y elevada para un grupo, indica que éste se coloca por
encima de los demás en la respectiva variable canónica. Y deben considerarse las
ponderacións, las cuales son positivas o negativas. Las puntuaciones discriminantes son
utilizadas para interpretar las separaciones de los grupos en las variables canónicas, en
tanto que las ponderacións se usan para evaluar y ligar los resultados de las variables
dependientes (Wiersma, 1999). Un ejemplo de las ponderacións de los coeficientes de
correlación entre las variables dependientes y las variables canónicas así como las
puntuaciones discriminantes se muestran en las tablas siguientes:

Pág. 25
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Como observamos en la última tabla, se obtuvieron tres constructos subyacentes en las


puntuaciones recolectadas de la muestra: motivación intrínseca, atribución de causalidad
externa y desempeño laboral. Vemos en la tabla que los grupos (niveles en la empresa)
están separados en las tres variables canónicas (los grupos difieren), particularmente en
la primera variable canónica (motivación intrínseca) y los obreros ocupan la posición
más baja. Las variables dependientes enmarcadas en un recuadro en la primera variable
canónica se ponderaciónn en ella; en consecuencia, los ejecutivos tienen las
puntuaciones más altas en motivación intrínseca medida por la escala mencionada, en
atribuciones internas y en sentimientos de éxito en el trabajo. Así se interpretan todas
las variables canónicas y dependientes.

En el MANOVA se incluyen razones F y análisis de varianza. Algunos paquetes


estadísticos agregan una prueba denominada correlación canónica, que es muy similar
al MANOVA. Ésta es la máxima correlación que llega a obtenerse entre los conjuntos
de puntuaciones y las relaciones entre las variables independientes, entre las variables
dependientes y entre los conjuntos de ambas (dependientes e independientes)
(Kerlinger, 1979). Las variables en el MANOVA y la correlación canónica asumen que
las variables dependientes están medidas en un nivel de intervalos o razón. Tal
correlación se interpreta como otras; pero el contexto de interpretación varía de acuerdo
con el número de variables involucradas.

Pág. 26
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Ejemplo con Minitab

Se realiza un estudio para determinar las condiciones óptimas para extruir


película plástica. Se miden tres respuestas – Tear, gloss y opacity – cinco
veces en cada combinación de dos factores – tasa de extrusión y cantidad de
aditivo – cada grupo se pone en niveles bajos y altos. Se utiliza el MANOVA
balanceado para probar la igualdad de las medias.

DATOS

Tear Gloss Opacity Extrusion Additive


6.5 9.5 4.4 1 1
6.2 9.9 6.4 1 1
5.8 9.6 3 1 1
6.5 9.6 4.1 1 1
6.5 9.2 0.8 1 1
6.9 9.1 5.7 1 2
7.2 10 2 1 2
6.9 9.9 3.9 1 2
6.1 9.5 1.9 1 2
6.3 9.4 5.7 1 2
6.7 9.1 2.8 2 1
6.6 9.3 4.1 2 1
7.2 8.3 3.8 2 1
7.1 8.4 1.6 2 1
6.8 8.5 3.4 2 1
7.1 9.2 8.4 2 2
7 8.8 5.2 2 2
7.2 9.7 6.9 2 2
7.5 10.1 2.7 2 2
7.6 9.2 1.9 2 2

Instrucciones de Minitab

1    Abrir el archivo EXH_MVAR.MTW.

2    Seleccionar Stat > ANOVA > Balanced MANOVA.

3    En Responses, poner Tear Gloss Opacity.

4    En Model, poner Extrusion | Additive.

Pág. 27
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

5    Click Results. En Display of Results, seleccionar Matrices


(hypothesis, error, partial correlations) y Eigen analysis.

6    Click OK en cada cuadro de diálogo.

Los resultados se muestran a continuación:

Results for: Exh_mvar.MTW

ANOVA: Tear, Gloss, Opacity versus Extrusion, Additive

MANOVA for Extrusion


s = 1 m = 0.5 n = 6.0

Test DF
Criterion Statistic F Num Denom P
Wilks' 0.38186 7.554 3 14 0.003
Lawley-Hotelling 1.61877 7.554 3 14 0.003
Pillai's 0.61814 7.554 3 14 0.003
Roy's 1.61877

SSCP Matrix for Extrusion

Tear Gloss Opacity


Tear 1.740 -1.505 0.8555
Gloss -1.505 1.301 -0.7395
Opacity 0.855 -0.739 0.4205

SSCP Matrix for Error

Tear Gloss Opacity


Tear 1.764 0.0200 -3.070
Gloss 0.020 2.6280 -0.552
Opacity -3.070 -0.5520 64.924

Partial Correlations for the Error SSCP Matrix

Tear Gloss Opacity


Tear 1.00000 0.00929 -0.28687

Pág. 28
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Gloss 0.00929 1.00000 -0.04226


Opacity -0.28687 -0.04226 1.00000

EIGEN Analysis for Extrusion

Eigenvalue 1.619 0.00000 0.00000


Proportion 1.000 0.00000 0.00000
Cumulative 1.000 1.00000 1.00000

Eigenvector 1 2 3
Tear 0.6541 0.4315 0.0604
Gloss -0.3385 0.5163 0.0012
Opacity 0.0359 0.0302 -0.1209

MANOVA for Additive


s = 1 m = 0.5 n = 6.0

Test DF
Criterion Statistic F Num Denom P
Wilks' 0.52303 4.256 3 14 0.025
Lawley-Hotelling 0.91192 4.256 3 14 0.025
Pillai's 0.47697 4.256 3 14 0.025
Roy's 0.91192

SSCP Matrix for Additive

Tear Gloss Opacity


Tear 0.7605 0.6825 1.931
Gloss 0.6825 0.6125 1.732
Opacity 1.9305 1.7325 4.901

EIGEN Analysis for Additive

Eigenvalue 0.9119 0.00000 0.00000


Proportion 1.0000 0.00000 0.00000
Cumulative 1.0000 1.00000 1.00000

Eigenvector 1 2 3

Pág. 29
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Tear -0.6330 0.4480 -0.1276


Gloss -0.3214 -0.4992 -0.1694
Opacity -0.0684 0.0000 0.1102

MANOVA for Extrusion*Additive


s = 1 m = 0.5 n = 6.0

Test DF
Criterion Statistic F Num Denom P
Wilks' 0.77711 1.339 3 14 0.302
Lawley-Hotelling 0.28683 1.339 3 14 0.302
Pillai's 0.22289 1.339 3 14 0.302
Roy's 0.28683

SSCP Matrix for Extrusion*Additive

Tear Gloss Opacity


Tear 0.000500 0.01650 0.04450
Gloss 0.016500 0.54450 1.46850
Opacity 0.044500 1.46850 3.96050

EIGEN Analysis for Extrusion*Additive

Eigenvalue 0.2868 0.00000 0.00000


Proportion 1.0000 0.00000 0.00000
Cumulative 1.0000 1.00000 1.00000

Eigenvector 1 2 3
Tear -0.1364 0.1806 0.7527
Gloss -0.5376 -0.3028 -0.0228
Opacity -0.0683 0.1102 -0.0000

Por default se muestra la tabla para las cuatro pruebas multivariadas (Wliks,
Lawley, Hotelling, Pillai y Roy) para cada uno de los términos en el modelo.

Los valores s, m y n se utilizan para los cálculos de los estadísticos de prueba


Fc, el cual es exacto si s = 1 o 2 de otra forma es aproximado.

Pág. 30
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Examinando los valores P de las pruebas para Extrusión y Aditivo se observa


que son significativas para un nivel de 0.05, no así la interacción.

Las matrices SSCP se usan para evaluar la contribución a la variabilidad de


manera similar a la suma de cuadrados en la ANOVA univariada. La matriz
SSCP para Extrusion es la suma de cuadrados de la hipótesis y matriz de
productos cruzados H para las tres respuestas con el término de modelo
Extrusión. Los elementos diagonales de esta matriz, 1.740, 1.301 y 0.405 son
las sumas de cuadrados univariados para el término del modelo Extrusión
cuando las variables de respuesta son Tear, Gloss y Opacity respectivamente .
Los elementos fuera de la diagonal son los productos cruzados.

La matriz SSCP para el error es la suma de cuadrados de los errores y


productos cruzados E. Los elementos diagonales de la matriz 1.764, 2.6280, y
64.924 son las sumas de cuadrados de los errores para las variables de
respuesta Teat, Gloss y Opacity, respectivamente. Los elementos fuera de la
diagonal de esta matriz son los productos cruzados.

La matriz de correlaciones parciales para el error SSCP, se usa para evaluar


que tanto se relacionan las variables de respuesta. Las correlaciones parciales
entre Tear y Gloss son pequeñas con 0.00929 y entre Gloss y Opacity -
0.04226. Y la correlación parcial entre Tear y Opacity es de -0.28687 tampoco
es grande. Como la estructura de las correlaciones es débil, se pueden realizar
análisis univariados de ANOVA para cada una de las respuestas.

Se puede utilizar el análisis de valores característicos o Eigenvalores, para


evaluar como difieren los promedios de las respuestas entre los niveles de los
diferentes términos del modelo. El análisis de Eigenvalores es E -1 H donde E es
la matriz SCCP del error y H es la matriz SCCP de las variables de respuesta.
Estos son los eigenvalores utilizados para calcular las cuatro pruebas de
MANOVA.

Poner la mayor importancia en los eigenvectores que corresponden a valores


altos de eigenvalores. En el ejemplo, el segundo y tercer eigenvalores son
pequeños, no signiicativos. Para ambos factores, Extrusion y Additive, los

Pág. 31
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

primeros eigenvalores contienen información similar. Para Extrusion is 0.6541,


-0.3385, 0.0359 and for Additive it is -0.6630, -0.3214, -0.0684. El mayor valor
absoluto dentro de esos eigenvalores corresponde a la respuesta Tear, el
segundo a Gloss y el valor para Opacity es pequeño. Esto implica que Tear
tiene la mayor diferencia entre los dos niveles de los factores ya sea Extrusion
o Additive, el Gloss tiene las siguientes mayores diferencias y op.citp. tiene solo
pequeñas diferencias.

Para un análisis más general utilizar General MANOVA con diseños


balanceados y no balanceados, incluso si se tienen covariados.

1    Seleccionar Stat > ANOVA > General MANOVA.

2    En Responses, seleccionar hasta 50 columnas numéricas conteniendo las


variables de respuesta.

3    En Model, introducir los términos del modelo que se quiera ajustar.

4. Click OK.

Pág. 32
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

5. ANÁLISIS DE COVARIANZA

Pág. 33
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

5. ANÁLISIS DE COVARIANZA

Definición: Es un método estadístico que analiza la relación entre una variable


dependiente y dos o más independientes, con el que se elimina o controla el efecto de al
menos una de estas independientes. Similar al ANOVA, excepto que permite controlar
la influencia de una variable independiente, la cual con frecuencia es una característica
antecedente que puede variar entre los grupos (Mertens, 2005) o influir los resultados y
afectar la claridad de las interpretaciones.

Perspectivas o usos: Wildt y Ahtola (1978, pp. 8-9) destacan tres perspectivas para el
análisis de covarianza:

A. Perspectiva experimental. Se aplica a aquellas situaciones en que el interés del


investigador se centra en las diferencias observadas en la variable dependiente, por
medio de las categorías de la variable independiente (o variables independientes). Pero
el experimentador asume que hay otras variables independientes cuantitativas que
contaminan la relación y cuya influencia debe ser controlada.

Y el investigador únicamente se interesa por conocer la relación entre las

Pág. 34
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

variables independientes categóricas y la variable dependiente. Desea al mismo tiempo


remover y controlar el efecto de las variables independientes cuantitativas no
categóricas (continuas). Es decir, desea tener un esquema como el de la figura

El objetivo es “purificar la relación entre las independientes categóricas y la


Variable dependiente, mediante el control del efecto de las independientes no
categóricas o continuas”.

Ejemplos de variables independientes categóricas serían: género (masculino,


femenino), inteligencia (alta, media, baja), ingreso (menos de un salario mínimo, dos a
cuatro salarios mínimos, cinco a 10 salarios mínimos, 11 o más salarios mínimos).

Los niveles de medición nominal y ordinal son categóricos en sí mismos, mientras que
los niveles de intervalos y razón deben transformarse en categorías más discretas. Estos
últimos son en sí: cuantitativos, continuos y de categorías múltiples. Por ejemplo, el
ingreso en su “estado natural” (ponderacións, dólares, euros, etc.) varía de la categoría
cero hasta la categoría (K)k, ya que puede haber millones de categorías.

Variable categórica — unas cuantas categorías o un rango medio.

Variable continua — muchas categorías (a veces una infinidad).

Pág. 35
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

A dichas variables independientes cuantitativas continuas, cuya influencia se controla,


se les denomina “covariables”. Una covariable se incluye en el análisis para remover su
efecto sobre la variable dependiente, e incrementar el conocimiento de la relación entre
las variables independientes categóricas de interés y la dependiente, lo cual aumenta la
precisión del análisis.

En esta perspectiva, el análisis de covarianza puede ser concebido primero


como un ajuste en la variable dependiente respecto a diferencias en la covariable o las
covariables y, posteriormente, como una evaluación de la relación entre las variables
independientes categóricas y los valores ajustados de la variable dependiente (Wildt y
Ahtola, 1978). En términos de Creswell (2005):

El procedimiento “ajusta” las puntuaciones en la dependiente para dar cuenta por la


covarianza (por decirlo en términos sencillos: “hace equivalentes a los grupos en la(s)
covariable(s)” y controla influencias potenciales que pueden afectar a la variable
dependiente).

B. Perspectiva de interés por la covariable. Esta perspectiva se ejemplifica con aquellas


instancias en las cuales el interés principal se centra en analizar la relación entre la
variable dependiente y la covariable (variable cuantitativa continua) o las covariables.
Aquí el enfoque es distinto; la influencia que se remueve es la de las variables
independientes categóricas. Primero se controla el efecto (en este caso contaminante) de
estas variables y después se analiza el efecto “purificado” de las covariables.

C. Perspectiva de regresión. En esta tercera perspectiva, tanto las variables


independientes categóricas como las covariables resultan de interés para el
investigador, quien puede desear examinar el efecto de cada variable
independiente (covariables y no covariables, todas) y después ajustar o corregir los
efectos de las demás variables independientes.

En cualquier caso, el análisis de covarianza elimina influencias no deseadas


sobre la variable dependiente. Se puede utilizar en contextos experimentales y no
experimentales. La mayoría de las veces la función del ANCOVA es “remover” la
varianza compartida entre una o más covariables y la dependiente, de este modo, se

Pág. 36
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

valora en su justa dimensión la relación causal entre la(s) variable(s) independiente(s)


de interés y la dependiente (Creswell, 2005).

Veámoslo conceptualmente pero de forma gráfica con un ejemplo simple:

Ejemplo:

Estudio: Al investigador le interesa analizar el efecto en el aprendizaje de la


computación, por medio un nuevo método para su enseñanza a niños. La hipótesis es: El
nuevo método de enseñanza de la computación (MA-RH) provocará un mayor
aprendizaje en los niños que un método tradicional.

Entonces, implementa el siguiente experimento: A un grupo de infantes los


expone al nuevo método de enseñanza de computación (MA-RHS); a otro grupo no lo
expone al nuevo método, éste aprende con el método tradicional; finalmente, a un tercer
grupo, de control, no recibe ningún tipo de enseñanza en computación.

La variable independiente es el tipo de método con tres categorías o niveles


(método nuevo, método tradicional y ausencia de método), la dependiente es el
aprendizaje en computación (medida por una prueba estandarizada a nivel de
intervalos). Se tiene un esquema como el de la figura.

Pág. 37
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Con el experimento el investigador desea conocer la varianza en común entre método y


aprendizaje (cuantificarla), la relación XY (pura). Si los niños son asignados al azar a
los grupos del experimento y tiene grupos de tamaño aceptable, por el diseño mismo,
remueve la influencia de las covariables que pudieran afectar. Pero si no es factible
hacerlo y tiene un diseño cuasiexperimental (grupos intactos), debe remover tal
influencia con el análisis de covarianza (eliminar al mínimo posible la varianza del
aprendizaje no explicada), para evitar que las covariables impidan ver con claridad la
relación XY. Por ejemplo, el nivel educativo tecnológico de los padres puede influir
(hace variar al aprendizaje) y este efecto debe ser controlado, al introducirlo como
covariable.

Pág. 38
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Lo que el investigador desea también se puede expresar gráficamente así:

Wildt y Ahtola (1978, p. 13) definen algunos usos del análisis de covarianza:

1. Incrementar la precisión en experimentos con asignación al azar.

Pág. 39
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

2. Eliminar influencias extrañas o contaminantes que pueden resultar cuando las


pruebas o los individuos no son asignados al azar a las diferentes condiciones
experimentales (grupos de un experimento).

3. Eliminar efectos de variables que confundan o distorsionen la interpretación de


resultados en estudios no experimentales.

Nivel de medición de las variables: La variable dependiente siempre está medida por
intervalos o razón y las variables independientes pueden estar medidas en cualquier
nivel.

Interpretación: Depende de cada caso específico, ya que el análisis de


covarianza efectuado mediante un programa estadístico computacional, produce un
cuadro de resultados muy parecido al del análisis de varianza. Los elementos más
comunes pueden obssevarse en la tabla ANOVA.

La razón F es, igual que en el análisis de varianza, una razón de varianzas. El


razonamiento estadístico es el mismo y F se interpreta igual, incluso se utiliza el mismo
cuadro de la distribución F. Solamente que las inferencias y conclusiones se hacen al
considerar que las medias de la variable
dependiente, a través de las categorías de las variables independientes, se han ajustado,
de este modo eliminan el efecto de la covariable o covariables.

Ejemplo:

Diseño de investigación que utiliza el análisis de covarianza


Hi: Los trabajadores que reciban retroalimentación verbal sobre el desempeño de parte
de su supervisor mantendrán un nivel mayor de productividad que los trabajadores que
reciban retroalimentación sobre el desempeño por escrito, más aún que los trabajadores
que no reciban ningún tipo de retroalimentación.
__ __ __
Hi: X1 > X2 > X3
(verbal) (por escrito) (ausencia)

Pág. 40
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

El investigador plantea un diseño experimental para intentar probar su


hipótesis. Sin embargo, no puede asignar aleatoriamente a los trabajadores a los tres
grupos del experimento. El diseño sería con grupos intactos
(cuasiexperimental) y se esquematizaría así:

Asimismo, el investigador presupone que hay un factor que puede


contaminar los resultados (actuar como fuente de invalidación interna): la
motivación. Diferencias iniciales en motivación pueden invalidar el estudio.

Como la asignación al azar está ausente, no se sabe si los resultados se ven influidos por
dicho factor. Entonces, el experimentador decide eliminar o controlar el efecto de la
motivación sobre la productividad para conocer los efectos de la variable independiente:
tipo de retroalimentación. La motivación se convierte en covariable.

El esquema es el que se muestra en la figura

Pág. 41
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Cabe destacar que, para introducir una covariable en el análisis, de preferencia debe
medirse antes del inicio del experimento.

El análisis de covarianza “quita” a la variabilidad de la dependiente lo que se


debe a la covariable. Ajusta la varianza de la variable dependiente en las categorías de
la independiente, al basarse en la covariable. En el ejemplo, ajusta la varianza de la
productividad debida a la motivación, en las categorías experimentales (tratamientos o
grupos). El ajuste se realiza sobre la base de la correlación entre la covariable y la
dependiente. Esto se muestra esquemáticamente en la tabla.

Una vez realizado el análisis de covarianza, se evalúa si F es o no significativa.


Cuando F resulta significativa se acepta la hipótesis de investigación.

Si el resultado fuera:

G1 = 35
G2 = 36

La correlación entre la calificación en motivación y las puntuaciones en


productividad es la base para el ajuste.

G3 = 38
Gl entre = K – 1 = 3 – 1 = 2
Gl intra = N – K = 107
F = 1.70

Comparamos con el valor de la tabla respectiva: en el nivel de 0.05 es igual a 3.07, y


nuestra razón F a 1.70 es menor a este valor. Por lo tanto, rechazamos la hipótesis de
investigación y aceptamos la hipótesis nula. Esto se contrasta y profundiza con las
medias ajustadas de los grupos que proporcione el análisis de covarianza (no las medias
obtenidas en el experimento por cada grupo, sino las ajustadas con base en la
covariable).

Recordemos que SPSS nos proporciona automáticamente la significancia de F.

Pág. 42
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Ejemplo:

Determinar si hay diferencia en la resistencia de una fibra monofilamento producida por


tres máquinas diferentes. El diámetro de la fibra parece tener influencia en la resistencia
como se muestra abajo (covariado de Y).

Datos de resistencia - Y es la respuesta, X es el covariado.

Y X Maq
36 20 1
41 25 1
39 24 1
42 25 1
49 32 1
40 22 2
48 28 2
39 22 2
45 30 2
44 28 2
35 21 3
37 23 3
42 26 3
34 21 3
32 15 3

La relación entre X y Y es significativa como se observa en la siguiente gráfica:

En Minitab:

1. Stat > Regresión > Fitted line plot


2. Introducir Y y X, seleccionar Linear
3. OK

Pág. 43
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Fitted Line Plot


Y = 14.14 + 1.080 X
50 S 1.78174
R-Sq 88.1%
R-Sq(adj) 87.2%

45

40
Y

35

30
15.0 17.5 20.0 22.5 25.0 27.5 30.0 32.5
X

Para el ANOVA con Covariados, las instrucciones de Minitab son las siguientes:

1. Stat > ANOVA > General Linear Model

2. Introducir en Response Y, en Model X y Maquina

3. En Covariates X

4. En Results en Display Least Square Means corresponding to the terms Maq

5. En Graphs seleccionar Normal plot for residuals

6. OK

Los resultados se muestran a continuación:

General Linear Model: Y versus Maq

Factor Type Levels Values


Maq fixed 3 1, 2, 3

Analysis of Variance for Y, using Adjusted SS for Tests

Source DF Seq SS Adj SS Adj MS F P


X 1 305.13 178.01 178.01 69.97 0.000
Maq 2 13.28 13.28 6.64 2.61 0.118
Error 11 27.99 27.99 2.54
Total 14 346.40

S = 1.59505 R-Sq = 91.92% R-Sq(adj) = 89.72%

Pág. 44
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Term Coef SE Coef T P


Constant 17.177 2.783 6.17 0.000
X 0.9540 0.1140 8.36 0.000

Unusual Observations for Y

Obs Y Fit SE Fit Residual St Resid


7 48.0000 45.1080 0.7489 2.8920 2.05 R

R denotes an observation with a large standardized residual.

Means for Covariates

Covariate Mean StDev


X 24.13 4.324

Least Squares Means for Y

Maq Mean SE Mean


1 40.38 0.7236
2 41.42 0.7444
3 38.80 0.7879

Conclusión:

Se observa que no hay diferencia en las máquinas una vez que eliminamos la

variabilidad introducida por el diámetro de la fibra, en caso de no haber tomado

en cuenta la covarianza del diámetro en la resistencia, se hubiese concluido al

revés, que si hay diferencia en las máquinas, como se muestra a continuación:

Con Minitab:

1. Stat > ANOVA > One way

2. Response Y Factor Maquina

3. OK

Los resultados son los siguientes:

One-way ANOVA: Y versus Maq

Source DF SS MS F P
Maq 2 140.4 70.2 4.09 0.044
Error 12 206.0 17.2
Total 14 346.4

S = 4.143 R-Sq = 40.53% R-Sq(adj) = 30.62%

Individual 95% CIs For Mean Based on Pooled


StDev
Level N Mean StDev +---------+---------+---------+---------

Pág. 45
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

1 5 41.400 4.827 (---------*----------)


2 5 43.200 3.701 (---------*---------)
3 5 36.000 3.808 (---------*---------)
+---------+---------+---------+---------
32.0 36.0 40.0 44.0

Pooled StDev = 4.143

Conclusión: Como P value es menor a 0.05 aparentemente si hay diferencia

entre máquinas.

Pág. 46
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

6. ANÁLISIS DISCRIMINANTE MÚLTIPLE Y


REGRESIÓN LOGÍSTICA

Pág. 47
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

6. ANÁLISIS DISCRIMINANTE MÚLTIPLE Y REGRESIÓN


LOGÍSTICA

El análisis discriminante, se aplica cuando las variables independientes son medidas por
intervalos o razón, y la dependiente es categórica. Tal análisis sirve para predecir la
pertenencia de un caso a una de las categorías de la variable dependiente, sobre la base
de varias independientes (dos o más). Se utiliza una ecuación de regresión llamada
función discriminante. Por ejemplo, si queremos predecir el voto obtenido por dos
partidos contendientes (variable dependiente nominal con dos categorías) sobre la base
de cuatro variables independientes, aplicaremos el análisis discriminante, para resolver
una ecuación de regresión; así se obtienen las predicciones individuales. En el ejemplo,
hay dos categorías (votar por A o votar por B); por tanto, los valores a predecir son 0 y 1
(A y B, respectivamente). Si el sujeto obtiene una puntuación más cercana a cero, se
predice que pertenece al grupo que votará por A; si logra una puntuación más cercana a
1, se predice que pertenece al grupo que votará por B. Además, se consigue una medida
del grado de discriminación del modelo.

Usar el Análisis Discrimínate para clasificar observaciones en dos grupos (Análisis


discriminante) o más grupos (Análisis discriminante múltiple – MDA) si se tiene una
muestra con grupos conocidos. Se puede utilizar también para investigar como
contribuyen las variables a la separación de grupos. La regresión logística o Logit
Analysis se limita a dos grupos. Para el caso de clasificar las observaciones nuevas en
una de dos categorías, la regresión logística puede ser superior al análisis discriminante.

Se pueden hacer análisis discriminantes lineales y cuadráticos. Los lineales asumen que
todos los grupos tienen la misma matriz de covarianza, los cuadráticos no hacen este
supuesto y no son bien comprendidos.

Pág. 48
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Ejemplo:

Para regular la pesca de salmón, se desea identificar si el pescado es originario


de Alaska o de Canadá. Cincuenta peces de cada lugar de origen fueron
capturados y pesados cuando vivían en agua dulce y cuando vivieron en agua
salada. El objetivo es el de poder identificar si los nuevos pescados vienen de
criaderos en Alaska o Canadá. Los datos se muestran a continuación:

SalmonOrigin Freshwater Marine SalmonOrigin Freshwater Marine


Alaska 108 368 Canada 129 420
Alaska 131 355 Canada 148 371
Alaska 105 469 Canada 179 407
Alaska 86 506 Canada 152 381
Alaska 99 402 Canada 166 377
Alaska 87 423 Canada 124 389
Alaska 94 440 Canada 156 419
Alaska 117 489 Canada 131 345
Alaska 79 432 Canada 140 362
Alaska 99 403 Canada 144 345
Alaska 114 428 Canada 149 393
Alaska 123 372 Canada 108 330
Alaska 123 372 Canada 135 355
Alaska 109 420 Canada 170 386
Alaska 112 394 Canada 152 301
Alaska 104 407 Canada 153 397
Alaska 111 422 Canada 152 301
Alaska 126 423 Canada 136 438
Alaska 105 434 Canada 122 306
Alaska 119 474 Canada 148 383
Alaska 114 396 Canada 90 385
Alaska 100 470 Canada 145 337
Alaska 84 399 Canada 123 364
Alaska 102 429 Canada 145 376
Alaska 101 469 Canada 115 354
Alaska 85 444 Canada 134 383
Alaska 109 397 Canada 117 355
Alaska 106 442 Canada 126 345
Alaska 82 431 Canada 118 379
Alaska 118 381 Canada 120 369
Alaska 105 388 Canada 153 403
Alaska 121 403 Canada 150 354
Alaska 85 451 Canada 154 390
Alaska 83 453 Canada 155 349
Alaska 53 427 Canada 109 325
Alaska 95 411 Canada 117 344
Alaska 76 442 Canada 128 400
Alaska 95 426 Canada 144 403
Alaska 87 402 Canada 163 370
Alaska 70 397 Canada 145 355
Alaska 84 511 Canada 133 375

Pág. 49
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Alaska 91 469 Canada 128 383


Alaska 74 451 Canada 123 349
Alaska 101 474 Canada 144 373
Alaska 80 398 Canada 140 388
Alaska 95 433 Canada 150 339
Alaska 92 404 Canada 124 341
Alaska 99 481 Canada 125 346
Alaska 94 491 Canada 153 352
Alaska 87 480 Canada 108 339

Las intrucciones de Minitab son las siguientes:

1    Abrir la worksheet EXH_MVAR.MTW.

2    Stat > Multivariate > Discriminant Analysis.

3    En Groups, poner SalmonOrigin.

4    En Predictors, poner Freshwater Marine. Click OK.

Los resultados obtenidos se muestran a continuación:

Discriminant Analysis: SalmonOrigin versus Freshwater, Marine

Linear Method for Response: SalmonOrigin

Predictors: Freshwater, Marine

Group Alaska Canada


Count 50 50

Summary of classification

True Group
Put into Group Alaska Canada
Alaska 44 1
Canada 6 49
Total N 50 50
N correct 44 49
Proportion 0.880 0.980

N = 100 N Correct = 93 Proportion Correct = 0.930

Squared Distance Between Groups

Alaska Canada
Alaska 0.00000 8.29187
Canada 8.29187 0.00000

Linear Discriminant Function for Groups


Alaska Canada
Constant -100.68 -95.14
Freshwater 0.37 0.50
Marine 0.38 0.33

Summary of Misclassified Observations


Squared
Observation True Group Pred Group Group Distance Probability
1** Alaska Canada Alaska 3.544 0.428

Pág. 50
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Canada 2.960 0.572


2** Alaska Canada Alaska 8.1131 0.019
Canada 0.2729 0.981
12** Alaska Canada Alaska 4.7470 0.118
Canada 0.7270 0.882
13** Alaska Canada Alaska 4.7470 0.118
Canada 0.7270 0.882
30** Alaska Canada Alaska 3.230 0.289
Canada 1.429 0.711
32** Alaska Canada Alaska 2.271 0.464
Canada 1.985 0.536
71** Canada Alaska Alaska 2.045 0.948
Canada 7.849 0.052

Interpretando los resultados

 El Análisis Discriminante identificó correctamente 93 de los 100 peces, a pesar


de que la probabilidad de clasificar correctamente un pez de Alaska fue menor
(44/50 o 88%) que la probabilidad de clasificar correctamente un pez de
Canadá (49/50 o 98%). Para identificar el origen de un pez recientemente
capturado depende de cual valor discriminante sea mayor. Se puede correr el
análisis discriminante de nuevo y predecir a que grupo pertenecen las nuevas
observaciones.

El resumen de las observaciones mal clasificadas muestra la distancia al


cuadrado desde el punto mal clasificado a los centroides del grupo (vectores
medios) y las probabilidades posteriores. Las observaciones son asignadas al
grupo con la mayor probabilidad posterior.

Si en Options introducimos en Predict membership for: 100 130, la


clasificación aparece como: 

Prediction for Test Observations


Squared
Observation Pred Group From Group Distance Probability
1 Canada
Alaska 78.448 0.000
Canada 55.194 1.000

Pág. 51
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

El análisis discriminante involucra establecer una “Variable (Variate)”,


combinación lineal de dos o más variables independientes que discriminarán
mejor entre grupos definidos a priori. Se logra al poner los pesos de la
“variable” para cada variable de modo de maximizar la varianza entre grupos
respecto a la varianza dentro de los grupos. La ecuación de la función
discriminante toma la forma de:

Donde:
Zjk = Valor Z discriminante de la función discriminante J para el objeto K.
a = Intersección en eje Y
Wi = Peso discriminante para la variable independiente i.
Xik = Variable independiente i para el objeto k.

La media de un grupo se denomina Centroide, que indica la localización típica


de cualquier individuo dentro de un grupo en particular y una comparación de
las centroides de los grupos muestra que tan alejados se encuentran en
relación a la dimensión considerada.

A B A B
Representación univariada de los valores Z de la función discriminante
Las áreas sombreadas son la probabilidad de clasificar erróneamente los objetos entre A y B

Ejemplo con HATCO:


Paso 1: Objetivos del análisis discriminante
Identificar las percepciones de HATCO que difieren significativamente entre
empresas que utilizan los métodos de compra: valor total de compra incluyendo
productos y servicios comprados y compra especificada donde se indican las
características deseadas del producto y del servicio.

Pág. 52
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Paso 2. Diseño de la investigación para el análisis discriminante


La variable dependiente es categórica con dos grupos, las variables
independientes son X1 a X7 y X11 con los métodos de compra de las
empresas.

Las muestra es de 100 observaciones que supera el mínimo de muestras a


variables de 5 a 1, siendo de 10.

Se toma una muestra de 40 observaciones para validar el modelo y se utilizan


60 observaciones para la estimación.

Paso 3. Supuestos de la función discriminante


En la formación de la Variate debe haber normalidad, linealidad, y
multicolinealidad y la estimación de la función discriminante (matrices de
varianza y covarianza similares). Una prueba de igualdad de covarianza o
matrices de dispersión es la prueba M de Box.

Paso 4. Estimación del modelo discriminante y evaluación de ajuste


Instrucciones en Minitab:

1.    Stat > Multivariate > Discriminant Analysis.

2.    En Groups, poner X11.

3    En Predictors, poner X1 – X7.

4. Click OK.

Los resultados se muestran a continuación:

Discriminant Analysis: X11 versus X1, X2, X3, X4, X5, X6, X7

Linear Method for Response: X11


Predictors: X1, X2, X3, X4, X5, X6, X7
Group 0 1
Count 25 35

Summary of classification
True Group
Put into Group 0 1
0 24 2
1 1 33

Pág. 53
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Total N 25 35
N correct 24 33
Proportion 0.960 0.943
N = 60 N Correct = 57 Proportion Correct = 0.950

Squared Distance Between Groups


0 1
0 0.0000 10.9857
1 10.9857 0.0000

Linear Discriminant Function for Groups


0 1
Constant -55.092 -67.574
X1 12.813 16.539
X2 12.313 14.638
X3 7.780 10.158
X4 3.320 3.639
X5 -21.933 -26.874
X6 -2.326 -2.159
X7 4.389 2.657

Summary of Misclassified Observations

True Pred Squared


Observation Group Group Group Distance Probability
13** 0 1 0 6.238 0.474
1 6.032 0.526
17** 1 0 0 7.893 0.980
1 15.673 0.020
56** 1 0 0 4.753 0.841
1 8.078 0.159

Por medio de SPSS

1. Analize > Clasify > Discriminant


2. Grouping variable X11 (0:1) Independent variables X1 – X7
3. Statistics Univariate ANOVAs Box’s M
4. OK
Los resultados se muestran a continuación

Tests of Equality of Group Means

Wilks'
Lambda F df1 df2 Sig.
X1 .614 36.526 1 58 .000
X2 .716 22.953 1 58 .000
X3 .467 66.302 1 58 .000
X4 .997 .145 1 58 .704
X5 .993 .414 1 58 .523
X6 .991 .522 1 58 .473
X7 .528 51.951 1 58 .000

Como se puede observar son significativos X1, X2, X3 y X7.


La función discriminante es la siguiente:
Standardized Canonical Discriminant Function Coefficients

Function

Pág. 54
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

1
X1 1.152
X2 .749
X3 .668
X4 .111
X5 -1.153
X6 .042
X7 -.626

La matriz estructural es la siguiente:


Structure Matrix

Function
1
X3 .643
X7 -.569
X1 .477
X2 -.379
X6 .057
X5 .051
X4 .030
Pooled within-groups correlations between discriminating variables and standardized canonical
discriminant functions Variables ordered by absolute size of correlation within function.

Medias de grupos (centroides) de las funciones canónicas discriminantes:


Functions at Group Centroids

Function
X11 1
.00 -1.933
1.00 1.381
Unstandardized canonical discriminant functions evaluated at group means

Z=0
N=24 N=33
Zo=-1.933 Z1=1.063
Gráfica de los centroides de grupos

Paso 5. Validación del modelo


Con los 40 datos restantes se repite la corrida y se observa que los resultados
concuerden:

Pág. 55
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Tests of Equality of Group Means

Wilks'
Lambda F df1 df2 Sig.
X1 .546 31.628 1 38 .000
X2 .934 2.676 1 38 .110
X3 .789 10.185 1 38 .003
X4 .969 1.205 1 38 .279
X5 .798 9.611 1 38 .004
X6 .997 .105 1 38 .748
X7 .535 33.043 1 38 .000

Log Determinants

Log
X11 Rank Determinant
.00 7 -9.872
1.00 7 -6.987
Pooled within-groups 7 -6.367
The ranks and natural logarithms of determinants printed are those of the group covariance matrices.

Test Results

Box's M 63.963
F Approx. 1.776
df1 28
df2 3061.289
Sig. .007
Tests null hypothesis of equal population covariance matrices.

Standardized Canonical Discriminant Function Coefficients

Function
1
X1 1.932
X2 1.525
X3 .294
X4 -.621
X5 -1.698
X6 .934
X7 -.783

Structure Matrix

Function
1
X7 -.644
X1 .630
X3 .358
X5 .347
X2 -.183
X4 -.123
X6 -.036
Pooled within-groups correlations between discriminating variables and standardized canonical
discriminant functions Variables ordered by absolute size of correlation within function.

Pág. 56
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Functions at Group Centroids

Function
X11 1
.00 -1.822
1.00 1.093
Unstandardized canonical discriminant functions evaluated at group means

Prior Probabilities for Groups

Cases Used in Analysis


X11 Prior Unweighted Weighted
.00 .500 15 15.000
1.00 .500 25 25.000
Total 1.000 40 40.000

Canonical Discriminant Function 1


Canonical Discriminant Function 1

X11 = 0
X11 = 1

5
5

4
4

3
3

2 2

1 1

Mean = 1.09 Mean = -1.82


Std. Dev. = 1.142 Std. Dev. = 0.692
0 N = 25 0 N = 15

-2 -1 0 1 2 3 4 -3.0 -2.5 -2.0 -1.5 -1.0 -0.5 0.0

Classification Results(a)

Predicted Group
Membership

X11 .00 1.00 Total


Original Count .00 15 0 15
1.00 3 22 25
% .00 100.0 .0 100.0
1.00 12.0 88.0 100.0
a 92.5% of original grouped cases correctly classified.

Pág. 57
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Regresión Logística
Una de las ventajas de la regresión logística versus el análisis discriminante es
que es menos afectada por las diferencias en varianzas / covarianzas entre los
grupos, que es una premisa del análisis discriminante. Otra ventaja es que la
regresión logística puede manejar variables independientes categóricas
fácilmente, mientras que en el análisis discriminante el uso de variables de
apoyo crea problemas con la igualdad de varianza / covarianza. Finalmente la
regresión logística es similar a la regresión múltiple en términos de su
interpretación e interpretación incluyendo los residuos.

Ejemplo:
You are a researcher who is interested in understanding the effect of smoking
and weight upon resting pulse rate. Because you have categorized the
response-pulse rate-
into low and high, a binary logistic regression analysis is appropriate to
investigate the effects of smoking and weight upon pulse rate.
Se tiene interés en comprender el efecto de fumar y el peso sobre el pulso (alto
y bajo).
Los datos utilizados son los siguientes:
RestingPulse Smokes Weight RestingPulse Smokes Weight RestingPulse Smokes Weight
Low No 140 Low No 215 Low No 115
Low No 145 Low Yes 150 Low No 102
Low Yes 160 Low Yes 145 Low No 115
Low Yes 190 Low No 155 Low No 150
Low No 155 Low No 155 Low No 110
Low No 165 Low No 150 High No 116
High No 150 Low Yes 155 Low Yes 108
Low No 190 Low No 150 High No 95
Low No 195 High Yes 180 High Yes 125
Low No 138 Low No 160 Low No 133
High Yes 160 Low No 135 Low No 110
Low No 155 Low No 160 High No 150
High Yes 153 Low Yes 130 Low No 108
Low No 145 Low Yes 155 Low No 155
Low No 170 Low Yes 150 Low No 180
Low No 175 Low No 148 Low No 122
Low Yes 175 High No 155 Low No 120
Low Yes 170 Low No 150 Low No 118
Low Yes 180 High Yes 140 Low No 125
Low No 135 Low Yes 190 High Yes 135
Low No 170 High No 145 Low No 125
Low No 157 High Yes 150 High No 118

Pág. 58
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Low No 130 Low Yes 164 High Yes 150


Low Yes 185 Low No 140 Low Yes 112
High No 140 Low No 142 Low No 125
Low No 120 High No 136 Low No 190
Low Yes 130 Low No 123 Low No 155
High No 138 Low No 155 Low Yes 170
High Yes 121 High No 130 Low No 145
Low No 125 Low No 120 High Yes 131
High No 116 Low No 130

Las instrucciones de Minitab para el ejemplo son:

1. Open worksheet EXH_REGR.MTW.


2. Seleccionar Stat > Regression > Binary Logistic Regression.
3. En Response, poner RestingPulse. En Model, poner Smokes Weight. En
Factors (optional), poner Smokes.
4. Click Graphs. Seleccionar Delta chi-square vs probability and Delta chi-
square vs leverage. Click OK.
5. Click Results. Seleccionar In addition, list of factor level values, tests for
terms with more than 1 degree of freedom, and 2 additional goodness-of-fit
tests.
Click OK en cada cuadro de diálogo.

Los resultados se muestran a continuación:


Results for: Exh_regr.MTW

Binary Logistic Regression: RestingPulse versus Smokes, Weight

Link Function: Logit

Observaciones que caen dentro de cada categoría


Response Information Variable Value Count
RestingP Low 70 (Event) -> Evento de referencia
High 22
Total 92

Factor Information
Factor Levels Values
Smokes 2 No Yes

Logistic Regression Table


Odds 95% CI
Predictor Coef SE Coef Z P Ratio Lower Upper
Constant -1.987 1.679 -1.18 0.237
Smokes
Yes -1.1930 0.5530 -2.16 0.031 0.30 0.10 0.90
Weight 0.02502 0.01226 2.04 0.041 1.03 1.00 1.05

Pág. 59
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Por ser su P value menor a 0.05 son significativos Smoke y Weight

El coeficiente de -1.93 para Smoke representa el cambio estimado en el log de


P(low pulse)/P(high pulse) cuando el sujeto fuma comparado a cuando no
fuma, con el covariado Weigh (peso) mantenido constante.

El coeficiente de 0.0250 para Weight (peso) es el cambio estimado en el log de


P(low pulse)/P(high pulse) con una unidad (lb.) de incremento en peso con el
factor Fumar constante.

A pesar de que hay evidencia de el parámetro de peso Weight no es cero, la


tasa de exceso es muy cercana a uno (1.03), indicando que un incremento de
peso de una libra tiene un efecto menor en la tasa de pulso en reposo de la
persona. Una diferencia más significativa se puede encontrar si se comparan
sujetos con una diferencia de peso mayor, por ejemplo 10 libras, la tasa cambia
a 1.28 (1.03 + 0.025*10), indicando que el puso de un sujeto con pulso bajo se
incrementa 1.28 veces con cada 10 libras de incremento de peso.

Para Smokes, el coeficiente negativo de -1.93 y la tasa de exceso de 0.30


indica que los sujetos que fuman tienden a tener una mayor tasa de pulso en
reposo (resting pulse rate) que los sujetos que no fuman. Dados sujetos con el
mismo peso, la tasa de exceso puede ser interpretada como el exceso de
fumadores en la misma muestra teineido un pulso bajo (low pulse) de 30% de
los no fumadores teniendo un pulso bajo (low pulse).

Log-Likelihood = -46.820
Test that all slopes are zero: G = 7.574, DF = 2, P-Value = 0.023

El estadístico G prueba la hipótesis nula de que los coeficientes asociados con


los predoctores son iguales a cero versus que esos coeficientes no todos son
cero. En es ejemplo con G = 7.574 y P value = 0.023, indican que hay
suficiente evidencia que al menos uno de los coeficientes es diferente de cero.
Goodness-of-Fit Tests

Method Chi-Square DF P
Pearson 40.848 47 0.724
Deviance 51.201 47 0.312
Hosmer-Lemeshow 4.745 8 0.784
Brown:
General Alternative 0.905 2 0.636
Symmetric Alternative 0.463 1 0.496

Estas pruebas de bondad de ajuste con P values de 0.312 a 0.724 indican que
no hay evidencia suficiente que indique que el modelo no ajuste a los datos
adecuadamente, considerando un nivel de significancia de 0.05.
Table of Observed and Expected Frequencies:
(See Hosmer-Lemeshow Test for the Pearson Chi-Square Statistic)

Group
Value 1 2 3 4 5 6 7 8 9 10 Total
Low
Obs 4 6 6 8 8 6 8 12 10 2 70
Exp 4.4 6.4 6.3 6.6 6.9 7.2 8.3 12.9 9.1 1.9

Pág. 60
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

High
Obs 5 4 3 1 1 3 2 3 0 0 22
Exp 4.6 3.6 2.7 2.4 2.1 1.8 1.7 2.1 0.9 0.1

Total 9 10 9 9 9 9 10 15 10 2 92

Esta tabla permit ever que tan bien ajusta el modelo a los datos, comparando
las frecuencias observadas y las frecuencias esperadas, siendo similares indica
que no hay evidencia suficiente de que los datos no ajusten bien al modelo,
soportado por las pruebas de bondad de ajuste para un nivel de significancia
de 0.05.
Measures of Association:
(Between the Response Variable and Predicted Probabilities)

Pairs Number Percent Summary Measures


Concordant 1045 67.9% Somers' D 0.38
Discordant 461 29.9% Goodman-Kruskal Gamma 0.39
Ties 34 2.2% Kendall's Tau-a 0.14
Total 1540 100.0%

Esta tabla muestra 1540 pares (70 individuos con un low pulse y 22 con high
pulse resultando en 70*22 = 1540) con valores de respuesta diferentes. Con
base en el modelo un par es concordante si el individuo con una tasa de pulso
baja (low pulse rate) tiene una más alta probabilidad de tener pulso bajo,
discrepante de si sucede lo contrario, y empate si las probabilidades son
iguales. En este ejemplo el 67.9% de los pares son concordantes y 29% son
discrepantes. Se pueden usar estos valores como una medición comparativa
de predicción, por ejemplo para comparar ajustes con diferentes conjuntos de
predictores o con funciones diferentes de enlace.

Se muestran resumenes de pares concordantes y discrepantes de Somers,


Goodman-Kriskal Gamma, y Tau de Kendall. Las métricas se encuentran entre
0 y 1 donde los valores mayores indican que el modelo tiene una mejor
habilidad predictiva. En este ejemplo el rango va de 0.14 a 0.39 que implica
una baja capacidad predictiva.

Pág. 61
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Delta Chi-Square versus Probability

4
Delta Chi-Square

0.4 0.5 0.6 0.7 0.8 0.9 1.0


Probability

Delta Chi-Square versus Leverage

4
Delta Chi-Square

0.01 0.06 0.11 0.16


Leverage
Las gráficas del ejemplo de Chi cuadrada versus probabilidad y versus
apalancamiento muestran que hay dos puntos que se desvían más allá del
límite sugerido de 3.84, indicando situaciones anormales que deben ser
investigadas.

Con la opción Editor > Brush se puede observar que corresponden a los
valores de datos 31 y 66, correspondientes a individuos con un pulso alto, que
no fuman, y que tienen pesos menores al promedio (116 y 136 libras).

Pág. 62
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Ejemplo con datos de Hatco

El ejemplo siguiente utiliza las mismas variables que el análisis discriminante


anterior para estimar el modelo.

Utilizando los datos de HATCO, la muestra de 100 clientes se divide en dos


grupos, uno de 60 para análisis y otro de 40 para validación. La regresión
logística es más robusta ante el supuesto de igualdad de varianza covarianza.

Para el ejemplo se utilizan las 7 variables X1 a X7 teniendo como respuesta a


X11.

Pág. 63
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

7. Análisis de Conglomerados

Pág. 64
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

7. ANÁLISIS DE CONGLOMERADOS
Se cuenta también con el análisis de conglomerados o clusters (técnica para
agrupar los casos o elementos de una muestra en grupos con base en una o
más variables).

Usar Análisis de componentes principales para ayudar a comprender la


estructura de datos y/o a formar un pequeño número de variables no
correlacionadas (por ejemplo para evitar multicolinealidad en la regresión).

El análisis de conglomerados agrupa individuos u objetos dentro de


conglomerados (“Clusters”) de modo que los objetos en el mismo grupo tienen
características más similares que las que tienen versus otros grupos.

El “Cluster Variate” es el conjunto de variables representando las


características utilizadas para comparar objetos en el análisis de
conglomerados. Es decir determina el “carácter de los objetos”. Es la única
técnica multivariada que no estima la “variate” empíricamente sino que se
especifica por el investigador.

“Variate” es la combinación lineal de variables formadas en la técnica


multivariada al determinar empíricamente ponderaciones aplicadas al conjunto
de variables especificadas por el investigador.

El análisis de conglomerados también se ha denominado Análisis Q,


Construcción de tipología, Análisis de clasificación, y taxonomía numérica. Esto
debido al uso de estas técnicas en diversas áreas como la sicología, biología,
sociología, economía, ingeniería, y los negocios. El análisis de conglomerados
es parecido al análisis factorial en su propósito de evaluar la estructura. Pero el
análisis de conglomerados difiere del análisis factorial en que agrupa objetos,
mientras que el análisis factorial se enfoca principalmente a agrupar variables.

El análisis de conglomerados puede hacer reducciones de datos colectados de


cuestionarios en una población, a información relacionada con pequeños

Pág. 65
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

subgrupos específicos. No tiene bases estadísticas sobre las que se puedan


realizar inferencias estadísticas de una muestra a una población, su uso es
principalmente como técnica exploratoria. Las soluciones no son únicas y se
pueden obtener diversas soluciones variando uno o más elementos del
procedimiento.

¿Cómo funciona el análisis de conglomerados?


Se ilustra con un ejemplo con datos divariados.

Suponer que un estudio de mercado trata de determinar segmentos de


mercado en base a los patrones de lealtad de marcas (V1) y tiendas (V2),
medidas del 0 al 10 en 7 personas (A-G).

Variables A B C D E F G
V1 3 4 4 2 6 7 6
V2 2 5 7 7 6 7 4

Scatterplot of V2 vs V1
D C F
7

E
6

B
5
V2

G
4

A
2

2 3 4 5 6 7
V1

Para acomodar en grupos se necesita contestar:


 ¿Cómo se mide la similaridad?, se puede hacer por correlación o
proximidad en un espacio de dos dimensiones.
 ¿Cómo se forman los conglomerados?
 ¿Cuántos grupos se formarán?

Pág. 66
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Ejemplo 1:
Para medir la similitud se evalúa con la distancia euclidiana (línea recta) entre
cada par de observaciones (ver Tabla), entendiendo que las distancias
pequeñas indican similaridad, E y F son las más similares (1.414) y la A y F las
más diferentes (6.403).

Observ. A B C D E F G
A
B 3.162
C 5.099 2.000
D 5.099 2.828 2.000
E 5.000 2.236 2.236 4.123
F 6.403 3.606 3.000 5.000 1.414
G 3.606 2.236 3.606 5.000 2.000 3.162

Formamos conglomerados ahora con un Procedimiento jerárquico


moviéndose paso a paso para formar un rango completo de soluciones.
También se denomina Método Aglomerativo dado que los conglomerados se
forman con la combinación de conglomerados existentes.

Distancia
Mínima Solución por
entre conglomerados
observa-
ciones
Paso Par Miembros en el Núm. Dist. Prom.
observado conglomerado De Dentro
Congl. Cong.
Sol. inicial A, B,C,D,E,F,G 7 0
1 1.414 E-F A, B,C,D,E-F,G 6 1.414
2 2.000 E-G A, B,C,D,E-F-G 5 2.192
3 2.000 C-D A, B,C-D,E-F-G 4 2.144
4 2.000 B-C A, B-C-D,E-F-G 3 2.234
5 2.236 B-E A,B-C-D-E-F-G 2 2.896
6 3.162 A=B A-B-C-D-E-F-G 1 3.420

Utilizando Minitab:
Stat > Multivariate Análisis > Cluster Observations
Distance Measured Euclidean Seleccionar Show Dendogram OK

Pág. 67
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Proceso de jerarquía de conglomerados

50.61

67.08
Similarity

83.54

100.00
A B C D E F G
Observations

Cluster Analysis of Observations: V1, V2

Euclidean Distance, Single Linkage


Amalgamation Steps
Number
Number of obs.
of Similarity Distance Clusters New in new
Step clusters level level joined cluster cluster
1 6 77.9137 1.41421 5 6 5 2
2 5 68.7652 2.00000 5 7 5 3
3 4 68.7652 2.00000 3 4 3 2
4 3 68.7652 2.00000 2 3 2 3
5 2 65.0785 2.23607 2 5 2 6
6 1 50.6135 3.16228 1 2 1 7

Final Partition
Number of clusters: 1
Within Average Maximum
cluster distance distance
Number of sum of from from
observations squares centroid centroid
Cluster1 7 41.4286 2.23187 3.77154

Ejemplo 2:

Se registran las siguientes características para 14 censos: Población total (Pop),


mediana de años escolares (School), empleo total (Employ),empleo en servicios de
salud (Health), y valor mediano del valor de la casa (Home). Los datos se muestran a
continuación:

Pop School Employ Health Home


5.935 14.2 2.265 2.27 2.91
1.523 13.1 0.597 0.75 2.62
2.599 12.7 1.237 1.11 1.72
4.009 15.2 1.649 0.81 3.02
4.687 14.7 2.312 2.5 2.22

Pág. 68
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

8.044 15.6 3.641 4.51 2.36


2.766 13.3 1.244 1.03 1.97
6.538 17 2.618 2.39 1.85
6.451 12.9 3.147 5.52 2.01
3.314 12.2 1.606 2.18 1.82
3.777 13 2.119 2.83 1.8
1.53 13.8 0.798 0.84 4.25
2.768 13.6 1.336 1.75 2.64
6.585 14.9 2.763 1.91 3.17

Se realiza un análisis de components principales para comprender la estructura

de datos subyacente. Se usa la matriz de correlación para estandarizar las

mediciones dado que no se mide con la misma escala.

Las instrucciones de Minitab son las siguientes:

1    Abrir la worksheet EXH_MVAR.MTW.

2     Stat > Multivariate > Principal Components.

3    En Variables, Pop-Home.

4    En Type of Matrix, seleccionar Correlation.

5    Click Graphs y seleccionar Scree plot.

6    Click OK en cada cuadro de diálogo.

Los resultados se muestran a continuación:

Principal Component Analysis: Pop, School, Employ, Health, Home

Eigenanalysis of the Correlation Matrix

Eigenvalue 3.0289 1.2911 0.5725 0.0954 0.0121


Proportion 0.606 0.258 0.114 0.019 0.002
Cumulative 0.606 0.864 0.978 0.998 1.000

Variable PC1 PC2 PC3 PC4 PC5


Pop -0.558 -0.131 0.008 0.551 -0.606
School -0.313 -0.629 -0.549 -0.453 0.007
Employ -0.568 -0.004 0.117 0.268 0.769
Health -0.487 0.310 0.455 -0.648 -0.201
Home 0.174 -0.701 0.691 0.015 0.014

Pág. 69
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Scree Plot of Pop, ..., Home

3.0

2.5

2.0
Eigenvalue

1.5

1.0

0.5

0.0

1 2 3 4 5
Component Number

Interpretando los resultados

El primer componente principal tiene varianza (eigenvalor) 3.029 y acumula el


60.6% de la varianza total. Los coeficientes para el PC1 muestran como
calcular el nivel del componente principal.

PC1 = .558 Pop  .313 School  .568 Employ  .487 Health + .174 Home

Notar que la interpretación de los components principales es subjetiva, sin


embargo, frecuentemente surgen patrones obvios. Por ejemplo, se podría
pensar que el primer componente represente el efecto del tamaño de la
población total, el nivel de escolaridad, empleo y servicios de salud, dado que
los coeficientes de estos términos tienen el mismo signo y no son cercanos a
cero.

El segundo componente tiene varianza 1.2911 y acumula el 25.8% de la


variabilidad de los datos. Se calcula de los datos originales usando los
coeficientes listados en PC2. Este componente podría ser pensado como nivel
de contraste de escolaridad y valor de la casa con salud y empleo de alguna
manera.

Juntos el primero y segundo componentes representan el 86.4% y 97%,


respectivamente, de la variabilidad total. Así, la mayoría de la estructura de
datos puede ser capturada en dos o tres dimensiones relevantes. Los
componentes remanentes solo tienen una menor proporción de probabilidad y

Pág. 70
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

no son importantes. La gráfica Scree proporciona una visión gráfica de lo


anterior.

Ejemplo 3:
Con los datos de HATCO se utilizan las siete percepciones de clientes para
identificar segmentos de clientes.

Paso 1: Objetivos del análisis de conglomerados


El objetivo es segmentar objetos (clientes) en grupos con percepciones
similares (X1 a X7). Una vez identificados, se pueden aplicar diferentes
estrategias para para cada grupo.
X1 = Rapidez de entrega
X2 = Nivel de precio
X3 = Flexibilidad de precio
X4 = Imagen del fabricante
X5 = Servicio en general
X6 = Imagen de la fuerza de ventas
X7 = Calidad del producto

Paso 2. Diseño del análisis de conglomerados


Se identifica si no hay puntos aberrantes en los datos. Se selecciona la medida
de similaridad, en este caso la distancia euclidiana al cuadrado. Si se observa
multicolinealidad que afecte a las ponderaciones de las variables, entonces se
puede utilizar la distancia de Mahalanobis (D2). La estandarización de variables
no es importante dado que tienen valores parecidos.

Paso 3. Supuestos en el análisis de conglomerados


Para el análisis se considera que los datos de la muestra representan a la
población de clientes de HATCO. Queda pendiente el efecto de la
multicolinealidad en la ponderación implícita de los resultados.

Paso 4. Establecer conglomerados y evaluar el ajuste al modelo


Con Minitab:
1. Stat > Multivariate > Cluster observations

Pág. 71
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

2. Variables or distance matrix X1 – X7


3. Linkage method Ward (minimize la distancia dentro de los
conglomerados)
4. Distance Measure Squared Euclidean
5. Seleccionar Show Dendogram
6. Customize Label Y axis with Distances
7. OK
Los resultados se muestran a continuación:
Cluster Analysis of Observations: X1, X2, X3, X4, X5, X6, X7
Squared Euclidean Distance, Ward Linkage
Amalgamation Steps
Number
Number of obs.
of Similarity Distance Clusters New in new
Step clusters level level joined cluster cluster
1 99 100.000 0.000 15 20 15 2
2 98 99.987 0.010 5 42 5 2
3 97 99.987 0.010 24 27 24 2
4 96 99.975 0.020 47 61 47 2
5 95 99.949 0.040 19 28 19 2
6 94 99.924 0.060 67 90 67 2
7 93 99.912 0.070 36 41 36 2
8 92 99.912 0.070 51 77 51 2
9 91 99.912 0.070 18 92 18 2
10 90 99.912 0.070 33 62 33 2
11 89 99.874 0.100 25 44 25 2
12 88 99.874 0.100 85 87 85 2
13 87 99.874 0.100 43 46 43 2
14 86 99.836 0.130 38 63 38 2
15 85 99.798 0.160 69 81 69 2
16 84 99.760 0.190 50 72 50 2
17 83 99.760 0.190 56 91 56 2
18 82 99.760 0.190 94 98 94 2
19 81 99.722 0.220 1 95 1 2
20 80 99.722 0.220 16 73 16 2
21 79 99.722 0.220 75 99 75 2
22 78 99.722 0.220 37 48 37 2
23 77 99.684 0.250 11 100 11 2
24 76 99.646 0.280 4 89 4 2
25 75 99.646 0.280 84 88 84 2
26 74 99.646 0.280 23 32 23 2
27 73 99.646 0.280 2 83 2 2
28 72 99.646 0.280 29 78 29 2
29 71 99.646 0.280 3 71 3 2
30 70 99.520 0.380 17 64 17 2
31 69 99.457 0.430 8 68 8 2
32 68 99.457 0.430 12 76 12 2
33 67 99.330 0.530 9 74 9 2
34 66 99.267 0.580 52 60 52 2
35 65 99.153 0.670 10 34 10 2
36 64 99.115 0.700 26 59 26 2
37 63 98.939 0.840 49 97 49 2
38 62 98.812 0.940 7 67 7 3
39 61 98.686 1.040 13 21 13 2
40 60 98.673 1.050 40 54 40 2
41 59 98.673 1.050 82 93 82 2
42 58 98.656 1.063 10 30 10 3
43 57 98.648 1.070 66 80 66 2
44 56 98.591 1.115 36 84 36 4
45 55 98.332 1.320 6 70 6 2

Pág. 72
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

46 54 97.902 1.660 45 86 45 2
47 53 97.877 1.680 39 96 39 2
48 52 97.761 1.772 10 53 10 4
49 51 97.321 2.120 13 35 13 3
50 50 96.355 2.885 50 69 50 4
51 49 96.203 3.005 40 45 40 4
52 48 95.986 3.177 14 38 14 3
53 47 95.818 3.310 9 58 9 3
54 46 95.552 3.520 22 55 22 2
55 45 95.325 3.700 65 79 65 2
56 44 94.826 4.095 10 31 10 5
57 43 94.301 4.510 6 52 6 4
58 42 94.054 4.706 10 37 10 7
59 41 93.996 4.751 14 66 14 5
60 40 93.783 4.920 15 19 15 4
61 39 93.745 4.950 16 29 16 4
62 38 93.594 5.070 4 75 4 4
63 37 92.867 5.645 25 33 25 4
64 36 92.341 6.062 25 26 25 6
65 35 91.633 6.622 18 50 18 6
66 34 90.732 7.335 23 56 23 4
67 33 90.566 7.466 9 12 9 5
68 32 89.797 8.075 11 85 11 4
69 31 89.607 8.225 8 36 8 6
70 30 88.621 9.005 1 51 1 4
71 29 88.537 9.072 13 22 13 5
72 28 87.859 9.608 40 94 40 6
73 27 87.621 9.797 4 24 4 6
74 26 86.484 10.697 3 10 3 9
75 25 86.381 10.778 18 43 18 8
76 24 86.216 10.909 7 15 7 7
77 23 85.195 11.717 16 47 16 6
78 22 85.001 11.870 39 65 39 4
79 21 82.841 13.580 3 57 3 10
80 20 82.550 13.810 9 14 9 10
81 19 81.104 14.954 9 49 9 12
82 18 77.848 17.531 2 4 2 8
83 17 76.996 18.205 8 17 8 8
84 16 67.541 25.688 1 25 1 10
85 15 65.781 27.081 2 40 2 14
86 14 61.257 30.661 7 9 7 19
87 13 60.778 31.040 11 23 11 8
88 12 56.202 34.662 6 8 6 12
89 11 49.784 39.741 2 39 2 18
90 10 42.640 45.395 3 82 3 12
91 9 40.362 47.197 1 18 1 18
92 8 36.171 50.514 1 16 1 24
93 7 29.104 56.107 6 11 6 20
94 6 19.593 63.634 5 7 5 21
95 5 17.930 64.950 1 13 1 29
96 4 -15.826 91.665 2 6 2 38
97 3 -96.701 155.669 2 3 2 50
98 2 -135.645 186.489 1 5 1 50
99 1 -839.878 743.820 1 2 1 100
Final Partition
Number of clusters: 1
Within Average Maximum
cluster distance distance
Number of sum of from from
observations squares centroid centroid
Cluster1 100 996.352 3.05166 5.27503

Pág. 73
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Proceso de jerarquía de conglomerados

406.13

270.75
Distance

135.38

0.00
Observations

Proceso de jerarquía de conglomerados

406.13

270.75
Distance

135.38

0.00
2 8 3 7 5 9 9 2 3 3 2 5 6 91 6 70 52 60 8 68 36 41 84 88 4 89 24 27 40 54 45 86 9 4 9 8 3 9 9 6 6 5 7 9 3 71 10 34 30 5 3 37 48 57 17 64 31 82 93

Observations

Pág. 74
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Proceso de jerarquía de conglomerados

406.13

270.75
Distance

135.38

0.00
1 9 5 5 1 7 7 1 1 0 0 8 5 8 7 4 7 6 1 1 3 2 1 3 5 22 5 5 9 7 4 49 9 7 1 2 7 6 5 8 1 5 2 0 3 8 6 3 6 6 8 0 1 6 7 3 2 9 7 8 18 9 2 43 4 6 50 7 2 6 9 8 1 2 5 4 4 2 6 5 9 3 3 6 2 5 4 2 7 6 7 9 0 14 1 9 28
1

Observations

De Minitab con soluciones por grupos de Conglomerados:


1. Stat > Multivariate > Cluster K Means
2. Variables or distance matrix X1 – X7
3. Nmber of clusters 2 o 4
4. OK

Solución por dos conglomerados


K-means Cluster Analysis: X1, X2, X3, X4, X5, X6, X7

Final Partition
Number of clusters: 2

Within Average Maximum


cluster distance distance
Number of sum of from from
observations squares centroid centroid
Cluster1 52 315.799 2.383 4.285
Cluster2 48 294.132 2.368 4.279

Cluster Centroids
Grand
Variable Cluster1 Cluster2 centroid
X1 4.3827 2.5750 3.5150
X2 1.5808 3.2125 2.3640
X3 8.8615 6.8458 7.8940
X4 4.9250 5.5979 5.2480
X5 2.9577 2.8708 2.9160
X6 2.5250 2.8167 2.6650
X7 5.9038 8.1271 6.9710

Pág. 75
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Distances Between Cluster Centroids

Cluster1 Cluster2
Cluster1 0.0000 3.9347
Cluster2 3.9347 0.0000

En esta solución se observa que en el grupo o cluster 1 versus cluster 2, X1 y


X3 son mayores.
En el caso de las variables X2, X4, X6 y X7 tienen valores más altos en el
cluster 2 que en el cluster 1. X5 no muestra diferencia significativa. Por tanto se
sugieren dos segmentos, evaluados desde un punto de vista conceptual y
práctico.

Corriendo con SPSS se tiene:


1. Analyze > Clasify > K Jeans Clusters
2. Variables X1 – X7
3. Number of clusters 2
4. OK
ANOVA

Cluster Error
Mean Square df Mean Square df F Sig.
X1 81.563 1 .930 98 87.717 .000
X2 66.457 1 .766 98 86.753 .000
X3 101.414 1 .923 98 109.816 .000
X4 11.302 1 1.178 98 9.596 .003
X5 .188 1 .568 98 .331 .566
X6 2.123 1 .579 98 3.670 .058
X7 123.372 1 1.280 98 96.404 .000

The F tests should be used only for descriptive purposes because the clusters have been chosen to
maximize the differences among cases in different clusters. The observed significance levels are not
corrected for this and thus cannot be interpreted as tests of the hypothesis that the cluster means are
equal.

Solución por cuatro conglomerados


K-means Cluster Analysis: X1, X2, X3, X4, X5, X6, X7
Final Partition

Number of clusters: 4
Within Average Maximum
cluster distance distance
Number of sum of from from
observations squares centroid centroid
Cluster1 34 155.126 2.100 2.922
Cluster2 29 123.693 2.012 3.211
Cluster3 14 54.234 1.833 3.051
Cluster4 23 109.941 2.031 3.947

Pág. 76
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Cluster Centroids
Grand
Variable Cluster1 Cluster2 Cluster3 Cluster4 centroid
X1 4.1441 2.0241 3.6143 4.4043 3.5150
X2 1.5794 2.7655 4.1286 1.9435 2.3640
X3 8.5765 7.0103 5.9500 9.1826 7.8940
X4 4.4176 5.1621 6.0643 6.0870 5.2480
X5 2.8353 2.3655 3.8429 3.1652 2.9160
X6 2.0882 2.5552 3.1643 3.3522 2.6650
X7 5.3147 8.2690 7.9500 7.1870 6.9710

Distances Between Cluster Centroids

Cluster1 Cluster2 Cluster3 Cluster4


Cluster1 0.0000 4.2514 5.0504 2.9268
Cluster2 4.2514 0.0000 2.9967 3.7896
Cluster3 5.0504 2.9967 0.0000 4.1141
Cluster4 2.9268 3.7896 4.1141 0.0000

El Cluster 3 es mucho más compacto que el cluster 1, como se indica por la


suma de cuadrados.
En este caso se muestra en forma más clara un grupo de patrones con valores
altos y otro con valores bajos.

Corriendo con SPSS se tiene:


5. Analyze > Clasify > K Jeans Clusters
6. Variables X1 – X7
7. Number of clusters 4
OK
ANOVA

Cluster Error
Mean Square df Mean Square df F Sig.
X1 37.108 3 .639 96 58.055 .000
X2 28.530 3 .583 96 48.960 .000
X3 37.115 3 .839 96 44.224 .000
X4 15.527 3 .835 96 18.598 .000
X5 7.487 3 .348 96 21.509 .000
X6 8.242 3 .355 96 23.204 .000
X7 53.222 3 .928 96 57.330 .000
The F tests should be used only for descriptive purposes because the clusters have been chosen to
maximize the differences among cases in different clusters. The observed significance levels are not
corrected for this and thus cannot be interpreted as tests of the hypothesis that the cluster means are
equal.

Investigando ahora la agrupación de variables se tiene:


En Minitab:
1. Stat > Multivariate > Cluster variables
2. Variables or distance matrix X1 – X7

Pág. 77
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

3. Linkage method Ward (minimize la distancia dentro de los


conglomerados)
4. Distance Measure Correlation
5. Seleccionar Show Dendogram
6. Customize Label Y axis with Distances
7. OK
Los resultados se muestran a continuación:
Cluster Analysis of Variables: X1, X2, X3, X4, X5, X6, X7

Correlation Coefficient Distance, Ward Linkage


Amalgamation Steps

Number
Number of obs.
of Similarity Distance Clusters New in new
Step clusters level level joined cluster cluster
1 6 89.4112 0.21178 4 6 4 2
2 5 80.5950 0.38810 1 5 1 2
3 4 73.4873 0.53025 2 7 2 2
4 3 57.8288 0.84342 1 3 1 3
5 2 39.4434 1.21113 2 4 2 4
6 1 -4.3342 2.08668 1 2 1 7

Dendrogram with Ward Linkage and Correlation Coefficient Distance

2.09

1.39
Distance

0.70

0.00
X1 X5 X3 X2 X7 X4 X6
Variables

Se identifican conglomerados en las variables X1 y X5; X2 y X7; X4 y X6,


después entre X1, X5, X3 y X2, X7, X4 y X6 y al final un solo conglomerado.

Pág. 78
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Paso 5. Interpretación de los conglomerados

Como resultado de un análisis factorial se tiene:

Instrucciones en Minitab:

1. Stat > Multivariate > Factor analysis


2. Variables X1 – X7 Method of Extraction Maximum likelihood

3. Rotation Varimax

4. Graphs Scree Plot Loading Plot for first two factors

5. OK

Factor Analysis: X1, X2, X3, X4, X5, X6, X7

Maximum Likelihood Factor Analysis of the Correlation Matrix

* NOTE * Heywood case

Unrotated Factor Loadings and Communalities

Variable Factor1 Factor2 Communality


X1 0.969 0.177 0.971
X2 -0.181 -0.984 1.000
X3 0.436 0.400 0.350
X4 0.133 -0.301 0.108
X5 0.752 -0.660 1.000
X6 0.133 -0.214 0.063
X7 -0.424 -0.400 0.340

Variance 1.9431 1.8896 3.8327


% Var 0.278 0.270 0.548

Rotated Factor Loadings and Communalities


Varimax Rotation

Variable Factor1 Factor2 Communality


X1 -0.894 0.414 0.971
X2 0.714 0.700 1.000
X3 -0.587 -0.075 0.350
X4 0.065 0.323 0.108
X5 -0.235 0.972 1.000
X6 0.015 0.251 0.063
X7 0.577 0.082 0.340

Variance 2.0468 1.7859 3.8327


% Var 0.292 0.255 0.548

Factor Score Coefficients

Variable Factor1 Factor2


X1 0.000 -0.000
X2 1.132 0.273
X3 0.000 -0.000

Pág. 79
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

X4 -0.000 -0.000
X5 -0.815 0.832
X6 -0.000 -0.000
X7 -0.000 0.000

Loading Plot of X1, ..., X7


1.0 X5

0.8
X2
Second Factor

0.6

X1
0.4
X4
X6

0.2
X7

0.0
X3

-1.0 -0.5 0.0 0.5


First Factor

Para las correlaciones en Minitab:

1. Stat > Basic statistics > Correlations


2. Variables X1 – X7 Show P values

3. OK

Correlations: X1, X2, X3, X4, X5, X6, X7

X1 X2 X3 X4 X5 X6
X2 -0.349
0.000

X3 0.476 -0.472
0.000 0.000

X4 0.050 0.272 -0.095


0.618 0.006 0.347

X5 0.612 0.513 0.064 0.299


0.000 0.000 0.524 0.003

X6 0.077 0.186 -0.015 0.788 0.241


0.446 0.064 0.880 0.000 0.016

X7 -0.483 0.470 -0.407 0.200 -0.055 0.177


0.000 0.000 0.000 0.046 0.586 0.078

Cell Contents: Pearson correlation


P-Value

Pág. 80
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Al definir los factores que son las dimensiones de las variables que se
correlacionan significativamente, se observan dos factores. El primer factor
contiene a X1, X2, X3 y X7 y el segundo factor contiene a los aspectos de
imagen X4 y X6. En el primer factor X2 y X7 se relacionan inversamente con
X1 y X3, es decir que mientras se incrementan unas, las otras bajan. Esto
sugiere que altos valores en X1 y X3 implican valores bajos en X2 y X7. O sea
que definir conglomerados sólo con base en valores altos o bajos es
inapropiado.

De la tabla ANOVA para dos conglomerados se observa que solo X5 – Servicio general
no es significativa.

10
9
8
7
Cluster
6
1
5
2
4
3
2
1
0
X1 X2 X3 X4 X5 X6 X7

De la gráfica de centros de conglomerados se observa que X4 y X6 tienen


valores mayores en el conglomerado 2 que en el 1 y X1, X3 tienen valores
mayores en el conglomerado 1 que en el 2 y X2 y X7 son menores.

Para el caso de 4 conglomerados, el 1 se divide en 1 y 4 y el 2 se divide en 2 y


3 se tiene:

Pág. 81
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

12

10

8 1
2
6
3
4 4

0
X1 X2 X3 X4 X5 X6 X7

En general la aplicación del análisis de conglomerados es un arte más que una


ciencia y se deben aplicar criterios objetivos y subjetivos adecuados.

Pág. 82
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

8. ANÁLISIS FACTORIAL

Pág. 83
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

8. ANÁLISIS FACTORIAL
El análisis factorial es un método cuyo propósito principal es definir la
estructura subyacente de una matriz de datos. Atiende el problema de analizar
la estructura de las interrelaciones (correlaciones) entre un gran número de
variables (vgr. Respuestas de cuestionarios) al definir un conjunto de
dimensiones subyacentes comunes, conocidas como factores. Con el análisis
factorial se identifican las dimensiones separadas de la estructura y después se
determina que tanto cada variable es explicada por cada dimensión. Una vez
que se determinan las dimensiones y se explican las variables por cada
dimensión, se puede hacer un resumen y reducción de datos.

El análisis factorial es una técnica de interdependencia en la cual todas las


variables son consideradas de manera simultanea, cada una relacionada a las
otras, y empleando el concepto de variate, composición lineal de variables. De
hecho las variates (factores) se forman para maximizar su explicación de todo
el conjunto de variables, no para predecir una variable dependiente(s). Una
variate (factor) es una variable dependiente que es función del conjunto total de
variables.

Se usa el Análisis factorial, de manera similar al análisis de componentes


principales, para resumir la estructura de covarianza de los datos en una pocas
dimensiones de los mismos. Sin embargo, el énfasis en análisis factorial es la
identificación de los “factores subyacentes” que pueden explicar las
dimensiones asociadas con la gran variabilidad de los datos.

Se pueden tener tres tipos de datos de entrada:


 Columnas de datos unitarios
 Una Matriz de correlaciones o covarianzas
 Columnas conteniendo ponderaciones de factores

Con los datos del ejemplo anterior de Componentes principales, realizar un


análisis factorial como sigue:

Pág. 84
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Nos gustaría investigar que “factores” pueden explicar la mayor parte de la


variabilidad. Como primer paso del análisis factorial, se utiliza la extracción de
componentes principales y se examinan los eigenvalores en gráfica como
ayuda para decidir el número de factores.

PROCESO DE DECISIÓN DE ANÁLISIS FACTORIAL


Paso 1. Objetivos del Análisis factorial
El propósito es encontrar una forma de condensar (resumir) la información
contenida en un cierto número de variables originales, en un grupo más
pequeño de dimensiones nuevas, compuestas o variates (factores) con un
mínimo de pérdida de información.

Por ejemplo si hay datos de 100 cuestionarios en 10 características, el análisis


factorial se aplica a la matriz de correlación de variables y se denomina
Análisis Factorial R, para identificar las dimensiones que están latentes o no
son fácilmente observables.

El análisis factorial también se puede aplicar a una matriz de correlación de los


cuestionarios individuales basados sus características, referido como Análisis
Factorial Q, es un método de condensar o combinar un grupo grande de gente
en diferentes grupos distintos dentro de una población grande, para esto se
utiliza el análisis de conglomerados (clusters).

Paso 2. Diseño del análisis factorial


Incluye tres decisiones básicas: (1) cálculo de los datos de entrada (una matiz
de correlación) para cumplir con los objetivos especificados de agrupar
variables o cuestionarios; (2) el diseño del estudio en términos del nñumeor de
variables, propiedades de medición de las variables, y el tipo de variables
permitidas y (3) el tamaño de muestra necesario (al menos 5 veces el númro de
variables analizadas), ambos en términos absolutos y como función de del
número de variables en el análisis.

Paso 3. Supuestos del análisis factorial

Pág. 85
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Es deseable algún grado de multicolinealidad entre variables dado que el


objetivo es identificar conjuntos de variables interrelacionadas, no son tan
importantes la normalidad, homoestacidad y linealidad a menos que
disminuyan significativamente las correlaciones observadas.

La matriz de correlación debe indicar valores mayores a 0.3 para aplicar el


análisis de correlación. También si las correlaciones parciales entre variables
(correlación entre variables cuando el efecto de las otras variables se toma en
cuenta) son pequeñas dado que la variable puede explicada por los factores
(variates con ponderacións para cada una de las variables). Si las
correlaciones parciales son altas, no hay factores subyacentes “verdaderos” y
el análisis factorial es inapropiado.

La prueba de esfericidad de Bartlett mide la presencia de correlaciones entre


las variables, proporciona la probabilidad de que la matriz de correlación tenga
correlaciones significativas en algunas de las variables. Otro indicador es el
“Measure of Sampling Adequacy (MSA)”, con rango de 0 a 1, donde 0.8 o más
es meritorio; 0.07 o más es regular; 0.60 o más es mediocre; 0.50 o más
miserable y debajo de 0.50 inaceptable.

El supuesto básico en el análisis factorial es que existe una estructura


subyacente en el conjunto de variables seleccionadas.

Paso 4. Identificando factores y evaluando el ajuste del modelo


Una vez que se especifican las variables y se prepara la matriz de correlación,
se toman decisiones en relación a (1) el método de extracción de los factores
(análisis de factores comunes versus análisis de componentes) y (2) el número
de factores seleccionados para representar la estructura subyacente en los
datos.

Análisis de componentes
El análisis de componentes se usa cuando el objetivo es resumir la mayor parte
de la información original (varianza) en un mínimo número de factores para

Pág. 86
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

propósitos de predicción. Considera la varianza total y determina factores que


contienen pequeñas proporciones de varianza única y, en algunos casos,
varianza del error.

Análisis factorial
En contraste el análisis de factores comunes se utiliza para identificar los
factores subyacentes o dimensiones que reflejan aquello que las variables
comparten en común.

En este método se tienen tres tipos de varianzas: (1) común, (2) específica
(única), y (3) error. La varianza común se define como la varianza en una
variable que es compartida por todas las demás variables. La varianza
específica es la varianza asociada solo con una variable específica. La
varianza del error es la varianza debida a la incertidumbre en el proceso de
recolección de datos, errores de medición, o componente aleatorio en el
fenómeno medido.

Criterios para el número de factores a extraer


El método primero extrae la combinación de variables explicando la mayor
cantidad de varianza y después continua con combinaciones que representan
menos y menos cantidades de varianza.

La selección de factores a extraer equivale a enfocar un microscopio


normalmente se hace por prueba y error contrastando los resultados.

Criterio de Raíz Latente: su racional es que cualquier factor individual debe


contener la varianza de al menos una variable. Como cada variable contribuye
con 1 al eigenvalor total o raíz latente. Se seleccionan solo los factores con
eigenvalores mayores a uno, cuando se tienen menos de 20 variables, los
factores extraídos son pocos.

Criterio a Priori: en este método el investigador ya tiene una idea clara de los
factores a extraer y así lo indica en la computadora.

Pág. 87
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Criterio de porcentaje de varianza: Enfoque basado en lograr un porcentaje


acumulado de varianza total extraído por factores sucesivos. Normalmente el
proceso para al acumular 95%.

Criterio Scree Test: Se usa para identificar el número óptimo de factores que
pueden ser extraídos antes de que la cantidad de varianza única empiece a
dominar la estructura de varianza común.

E
i
g
e
n
v
a
l
o
r

8
1

Número de factores

Paso 5. Interpretando los factores


Se obtiene la matriz no rotada para estimar el número de factores a extraer. La
matriz de factores contiene ponderacións de factores para cada variable en
cada factor. El primer factor puede verse como la mejor combinación lineal
incluida en los datos, con cada factor con ponderacións significativos y acumula
la mayor parte de a varianza; el segundo factor es la segunda mejor
combinación lineal de variables, sujeta a que es ortogonal al primer factor, se
basa en la porción residual de la varianza una vez removido el primero, así
sucesivamente.

Los ponderacións de los factores representan la correlación de cada una de las


variables y el factor, entre mayores sean, mayor será la representatividad del
factor por la variable.

Pág. 88
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

La rotación de los factores más simple es una rotación ortogonal, en la cual


se mantienen los ejes a 90 grados. Se pueden rotar los ejes sin mantener los
90 grados entre los ejes de referencia. Cuando no hay restricción de
ortogonalidad, el procedimiento de rotación se denomina rotación oblicua.
+1 Factor II rotado
+1 Factor II sin rotar
V1
V2

+1 Factor I sin rotar


-1
V4
V3

V5
+1 Factor I rotado
-1

Fig. 1 Rotación ortogonal de factores ( observar la ponderación o ponderación de factores I y


II en la variable V2, es más clara cuando se rotan los factores)

En la figura se observan dos conglomerados de variables (V1 y V2) y (V3, V4 y


V5), sin embargo con los factores sin rotar no es muy obvia su ponderación o
ponderación de los factores I y II. Después de la rotación de los ejes de
factores, las variables 3, 4 y 5 tienen una ponderación o ponderación fuerte de
factor I, y las variables 1 y2 tienen una ponderación o ponderación fuerte en el
factor II. Siendo más obvia la distinción entre conglomerados en dos grupos.

Métodos de rotación ortogonal


En la práctica el objetivo de todos los métodos de rotación es simplificar las
filas y columnas de la matriz de factores para facilitar la interpretación. En una
matriz de factores las columnas representan factores, con cada renglón
correspondiente a la ponderación de las variables a través de los factores. Al
simplificar los renglones, se hacen tantos valores en cada fila tan cercanos a
cero como sea posible (i.e. maximizando la ponderación de una variable con un

Pág. 89
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

factor único). Simplificando las columnas, se hacen tantos valores en las


columnas tan cercanos a cero como sea posible (i.e. hacer el máximo número
de ponderacións “altas” como sea posible). Se han desarrollado tres métodos
para lo anterior como sigue:

Quartimax: para simplificar las filas de la matriz; o sea, que Quartimax se


enfoca a rotar los factores iniciales de manera que las variables tengan la
mayor ponderación posible de un factor y la mínima de los otros. Aunque este
método no ha sido eficiente.

Varimax: se centra en simplificar las columnas de la matriz factorial. La


máxima simplificación posible se logra cuando solo hay 1’s y 0’s en la columna.
Es decir que VARIMAX maximiza la suma de variancias de ponderacións
requeridas de la matriz factorial. Este método ha probado ser un método
analítico efectivo para obtener una rotación ortogonal de factores.

Equimax:
Es un compromiso entre las anteriores. Trata de simplificar los renglones y las
columnas, no se utiliza frecuentemente.

Métodos de rotación oblicua:


Estos métodos son similares a las rotaciones ortogonales excepto que permiten
factores correlacionados en vez de mantener la independencia de los factores
rotados.

En general no hay reglas para seleccionar uno de los métodos anteriores.

Criterios para la significancia de ponderación de factores en las variables


De manera práctica si las ponderacións son de  0.30 se considera que
cumplen el nivel mínimo; ponderacións de  0.40 son importantes;  0.50 o
mayores son significativas en la práctica. Como la ponderación del factor es la
correlación de la variable y el factor, la ponderación al cuadrado es la cantidad
representada de la varianza total por el factor. De esta forma con  0.3 se tiene

Pág. 90
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

un 10% de explicación y un 0.5 de ponderación denota que un 25% de la


varianza es representada por el factor.

Evaluando la significancia estadística


Con base en un nivel de significancia de 0.05, un nivel de potencia del 80% y
errores estándar asumidos se el doble de los coeficientes de correlación
convencionales, se tiene la tabla siguiente:

Ponderación Tamaño de
del factor muestra requerida
para tener
significancia
0.30 350
0.35 300
0.40 250
0.45 200
0.50 150
0.55 100
0.60 85
0.65 70
0.70 60

Resumiendo las guías para la significancia de los factores son:


(1) entre mayor sea el tamaño de muestra, el valor de ponderación
significativo se reduce.
(2) Entre más variables sean consideradas en el análisis, más pequeña es
la ponderación que se considera significativa.
(3) Entre más factores haya, mayor es la ponderación en los factores
adicionales para que sea considerada significativa.

Cada columna de números en la matriz representa un factor por separado. Las


columnas de números representan las ponderacións para cada una de las
variables. Identificar la más alta ponderación para cada variable. Recordar que

Pág. 91
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

para tamaños de muestra similares a 100 se considera significante  0.3. La


comunalidad para cada variable representa la cantidad de varianza
considerada por la solución factorial para cada variable. Evaluar la comunalidad
de las variables, es decir identificar las que tengan más del 50%, ya que las
que tengan menos no tienen suficiente explicación. El nombre de los factores
se desarrolla de manera intuitiva, con base en las variables con una mayor
ponderación se consideran más importantes y tienen una mayor influencia para
el nombre seleccionado para representar al factor.

Validación del análisis factorial


Se trata de evaluar el grado de generalización de los resultados en la población
y la influencia potencial de casos individuales en los resultados totales.

El alfa de Cronbach es una medida del coeficiente de confiabilidad que evalua


la consistencia de toda la escala. Este índice es la relación positiva del número
de ítems en la escala, donde 0.7 se considera adecuado.

Pág. 92
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Ejemplo con datos de HATCO


Prueba de la adecuación del modelo, utilizando Minitab:

1. Stat > Basic statistics > Correlation


2. Variables X1, X2, X3, X4, X6, X7
3. Display p values
4. OK

Correlations: X1, X2, X3, X4, X6, X7

X1 X2 X3 X4 X6
X2 -0.349
0.000

X3 0.476 -0.472
0.000 0.000

X4 0.050 0.272 -0.095


0.618 0.006 0.347

X6 0.077 0.186 -0.015 0.788


0.446 0.064 0.880 0.000

X7 -0.483 0.470 -0.407 0.200 0.177


0.000 0.000 0.000 0.046 0.078

Cell Contents: Pearson correlation


P-Value

De la matriz, 7 de 15 correlaciones son significativas estadísticamente. El valor


de MSA de 0.665 cumple con con el criterio para aplicar el análisis factorial.

Análisis factorial con Minitab:

Las instrucciones de Minitab son las siguientes:

1    Cargar los datos de HATCO.

2    Stat > Multivariate > Factor Analysis.

3    En Variables, X1, X2, X3, X4, X6, X7

4    En Number of factors to extract, 2.

5 En Method of Extraction, seleccionar Principal components

6    En Type of Rotation, seleccionar Varimax.

7    Click Graphs y seleccionar Loading plot for first 2 factors y Scree Plot.

Pág. 93
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

8    Click Results y seleccionar Sort loadings. Click OK en cada uno de los


cuadros de diálogo.

Los resultados se muestran a continuación:

Factor Analysis: X1, X2, X3, X4, X6, X7

Principal Component Factor Analysis of the Correlation Matrix

Unrotated Factor Loadings and Communalities

Variable Factor1 Factor2 Communality


X1 0.618 -0.517 0.649
X2 -0.763 0.079 0.588
X3 0.695 -0.357 0.610
X4 -0.502 -0.793 0.881
X6 -0.434 -0.827 0.873
X7 -0.761 0.170 0.609

Variance 2.4664 1.7425 4.2089


% Var 0.411 0.290 0.701

El primer factor contiene la mayor parte de la varianza y es un factor general


con alta ponderación en cada variable. Las ponderacións para el segundo
factor muestra tres variables que también tiene alta ponderación (X1, X4 y X6).
La interpretación es sumamente difícil y sin significado, por lo que se debe
considerar la rotación de factores como sigue:

Rotated Factor Loadings and Communalities


Varimax Rotation

Variable Factor1 Factor2 Communality


X1 -0.783 0.188 0.649
X2 0.718 0.268 0.588
X3 -0.781 0.010 0.610
X4 0.097 0.934 0.881
X6 0.020 0.934 0.873
X7 0.758 0.186 0.609

Variance 2.3231 1.8858 4.2089


% Var 0.387 0.314 0.701

Las variables X1, X2 y X3 ponderaciónn significativamente al factor 1 y las

variables X4 y X6 ponderaciónn significativamente al factor 2.

Si se considera como punto de corte las ponderacións con  0.55 o más, el

factor 1 tiene cuatro ponderacións significativas y el factor 2 tiene 2. Para el

factor 1, se ven dos grupos de variables. Las primeras son el nivel de precios

Pág. 94
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

(X2) y la calidad del producto (X7) ambas con signos positivos y varían como

conjunto. Las otras dos, tiempo de entrega (X1) y flexibilidad de precios (X3)

tienen signos negativos también varían como conjunto.

En el factor 1, ambos grupos varían en sentido contrario, tal vez este factor sea

el valor básico y representa un compromiso entre percepciones de precio o

calidad del producto y percepciones de tiempo de entrega y flexibilidad de

precios.

En el factor 2, la variable X4 (imagen de fabricación) y X6 (imagen de la fuerza

de ventas) tal vez se pueda agrupar en imagen, ambas variables tienen el

mismo signo, actuando en la misma dirección.

La variable X5 (servicio en general) no se incluyó en al análisis.

Se tienen ahora dos factores como combinación lineal de las variables para
efectos de realización de estudios:

Factor Score Coefficients

Variable Factor1 Factor2


X1 -0.356 0.154
X2 0.297 0.097
X3 -0.343 0.058
X4 -0.020 0.498
X6 -0.054 0.503
X7 0.320 0.050

Para verificar la validez del modelo se pueden hacer dos grupos de 50


observaciones y comparar sus matrices rotadas.

Data 1 – 50: Rotated Factor Loadings and Communalities


Varimax Rotation

Variable Factor1 Factor2 Communality


X1_1 -0.827 0.085 0.691
X2_1 0.603 0.376 0.506
X3_1 -0.686 -0.177 0.502
X4_1 0.156 0.919 0.869

Pág. 95
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

X6_1 0.136 0.924 0.871


X7_1 0.702 0.201 0.533

Variance 2.0548 1.9178 3.9726


% Var 0.342 0.320 0.662

Data 51 – 100: Rotated Factor Loadings and Communalities


Varimax Rotation

Variable Factor1 Factor2 Communality


X1_2 0.741 -0.313 0.647
X2_2 -0.785 -0.190 0.652
X3_2 0.815 -0.154 0.688
X4_2 -0.041 -0.949 0.903
X6_2 0.052 -0.923 0.854
X7_2 -0.824 -0.154 0.703

Variance 2.5127 1.9338 4.4466


% Var 0.419 0.322 0.741

Como se ve las dos rotaciones VARIMAX son comparables en términos de


ponderacións y comunalidades para las seis percepciones. Así se puede
asegurar que los resultados son estables dentro de la muestra.

De la gráfica Scree Plot con los Eigenvalores de los factores se tiene:

Scree Plot of X1, ..., X7


2.5

2.0
Eigenvalue

1.5

1.0

0.5

0.0
1 2 3 4 5 6
Factor Number

Sólo dos factores serán mantenidos si se toma como referencia el Eigenvalor


de 1 o tres si se toma como referencia el criterio Scree.

La gráfica de ponderacións por variables se muestra a continuación,


identificando tres grupos de variables:

Pág. 96
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Loading Plot of X1, ..., X7


X6 X4

0.9

0.8

0.7
Second Factor

0.6

0.5

0.4

0.3 X2

X1 X7
0.2

0.1
X3
0.0

-1.0 -0.5 0.0 0.5


First Factor

En resumen se identifican dos dimensiones Valor básico e Imagen, ahora se


pueden hacer planes alrededor de estas dos dimensiones en lugar de
considerar todas las variables separadas.

Ejemplo con datos del archivo EXH_MVAR

Se registran las siguientes características de 14 regiones censadas: población


total (Pop), promedio de escolaridad (School), empleo total (Employ), empleo
en servcios de salud (Health), y valor promedio de casa (Home). Se desea
investigar que “factores” podrían explicar la mayor parte de la variabilidad.
Como primer paso del análisis factorial, se usa el método de extracción de
componentes principales y se examina la gráfica de eigenvalores (Scree) para
apoyarnos en decidir sobre el número de factores.

Pop School Employ Health


5.935 14.2 2.265 2.27
1.523 13.1 0.597 0.75
2.599 12.7 1.237 1.11
4.009 15.2 1.649 0.81
4.687 14.7 2.312 2.5
8.044 15.6 3.641 4.51
2.766 13.3 1.244 1.03
6.538 17 2.618 2.39
6.451 12.9 3.147 5.52
3.314 12.2 1.606 2.18
3.777 13 2.119 2.83

Pág. 97
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

1.53 13.8 0.798 0.84


2.768 13.6 1.336 1.75
6.585 14.9 2.763 1.91

Las instrucciones de Minitab son las siguientes:

1    Abrir la worksheet EXH_MVAR.MTW.

2    Stat > Multivariate > Factor Analysis.

3    En Variables, poner Pop-Home.

4    Click Graphs y seleccionar Scree plot. Click OK in each dialog box.

Los resultados se muestran a continuación:


Factor Analysis: Pop, School, Employ, Health, Home

Principal Component Factor Analysis of the Correlation Matrix

Unrotated Factor Loadings and Communalities

Variable Factor1 Factor2 Factor3 Factor4 Factor5 Communality


Pop -0.972 -0.149 0.006 0.170 -0.067 1.000
School -0.545 -0.715 -0.415 -0.140 0.001 1.000
Employ -0.989 -0.005 0.089 0.083 0.085 1.000
Health -0.847 0.352 0.344 -0.200 -0.022 1.000
Home 0.303 -0.797 0.523 0.005 0.002 1.000

Variance 3.0289 1.2911 0.5725 0.0954 0.0121 5.0000


% Var 0.606 0.258 0.114 0.019 0.002 1.000

Factor Score Coefficients

Variable Factor1 Factor2 Factor3 Factor4 Factor5


Pop -0.321 -0.116 0.011 1.782 -5.511
School -0.180 -0.553 -0.726 -1.466 0.060
Employ -0.327 -0.004 0.155 0.868 6.988
Health -0.280 0.272 0.601 -2.098 -1.829
Home 0.100 -0.617 0.914 0.049 0.129

Pág. 98
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Scree Plot of Pop, ..., Home

3.0

2.5

2.0
Eigenvalue

1.5

1.0

0.5

0.0

1 2 3 4 5
Factor Number

Interpretación de resultados

Cinco factores describen estos datos perfectamente, pero la meta es reducir el


número de factores requeridos para explicar la variabilidad de los datos. La
proporción de la variabilidad explicada por los dos últimos factores es mínima
(0.019 y 0.002 respectivamente) y pueden ser eliminadas sin afectar al
resultado. Los primeros dos factores juntos representan 86% de la variabilidad
mientras que tres factores representan 98% de la variabilidad. La cuestión es si
usar dos o tres factores, se requieren otras corridas para decidir si usar dos o
tres factores.

Se seleccionan dos factores como el número que representa los datos del
censo en base al análisis de componentes principales. Se realiza una
extracción de máxima verisimilitud y rotación varimax para interpretar los
factores.

Las instrucciones de Minitab son las siguientes:

1    Abrir la worksheet EXH_MVAR.MTW.

2    Stat > Multivariate > Factor Analysis.

3    En Variables, Pop-Home.

4    En Number of factors to extract, 2.

5    En Method of Extraction, seleccionar Maximum likelihood.

Pág. 99
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

6    En Type of Rotation, seleccionar Varimax.

7    Click Graphs y seleccionar Loading plot for first 2 factors.

8    Click Results y seleccionar Sort loadings. Click OK en cada uno de los


cuadros de diálogo.

Los resultados se muestran a continuación:

Factor Analysis: Pop, School, Employ, Health, Home

Maximum Likelihood Factor Analysis of the Correlation Matrix

* NOTE * Heywood case

Unrotated Factor Loadings and Communalities

Variable Factor1 Factor2 Communality


Pop 0.971 0.160 0.968
School 0.494 0.833 0.938
Employ 1.000 0.000 1.000
Health 0.848 -0.395 0.875
Home -0.249 0.375 0.202

Variance 2.9678 1.0159 3.9837


% Var 0.594 0.203 0.797

Rotated Factor Loadings and Communalities


Varimax Rotation

Variable Factor1 Factor2 Communality


Pop 0.718 0.673 0.968
School -0.052 0.967 0.938
Employ 0.831 0.556 1.000
Health 0.924 0.143 0.875
Home -0.415 0.173 0.202

Variance 2.2354 1.7483 3.9837


% Var 0.447 0.350 0.797

Sorted Rotated Factor Loadings and Communalities

Variable Factor1 Factor2 Communality


Health 0.924 0.143 0.875
Employ 0.831 0.556 1.000
Pop 0.718 0.673 0.968
Home -0.415 0.173 0.202
School -0.052 0.967 0.938

Variance 2.2354 1.7483 3.9837


% Var 0.447 0.350 0.797

Factor Score Coefficients

Variable Factor1 Factor2


Pop -0.165 0.246
School -0.528 0.789
Employ 1.150 0.080
Health 0.116 -0.173
Home -0.018 0.027

Pág. 100
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Loading Plot of Pop, ..., Home


1.0 School

0.8
Pop
Second Factor

0.6 Employ

0.4

0.2 Home
Health

0.0

-0.50 -0.25 0.00 0.25 0.50 0.75 1.00


First Factor

Estos resultados indican un caso Heywood (las varianzas menores al límite de


convergencia especificado se ponen a cero y sus comunalidades a 1).

Se tienen tres tablas de ponderaciones y comunalidades: no rotadas, rotadas,


ordenadas y rotadas. Los factores no rotados explican el 79.7 de la variabilidad
de los datos y los valores de comunalidad indican que todas las variables sin
Home están bien representadas por esos dos factores (comunalidad son 0.202
para Home, 0.875 – 1.0 para otras variables). El porcentaje de la variabilidad
total representada por los factores no cambia con la rotación, sino después de
rotar, pero después de rotar, estos factores son mas claramente balanceados
en el porcentaje de variabilidad que ellos representan, siendo 44.7% y 35%,
respectivamente.

El ordenamiento es realizado por la ponderación máxima absoluta para


cualquier factor. Las variables que tienen la mayor ponderación absoluta en el
factor 1 se muestran primero en orden. Después las variables con la
ponderación mayor en el factor 2 y así sucesivamente. El factor 1 tiene su
ponderación mayor positiva en Health (0.924), Employ (0.831) y Pop (0.718), y
-0.415 en Home, mientras que la ponderación en School es baja. El factor 2
tiene una ponderación positiva en School de 0.967 y ponderación de 0.556 y
0.673 en Employ y Pop respectivamente, y una ponderación pequeña en
Health y Home.

Pág. 101
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Se pueden ver las ponderaciones rotadas gráficamente en la gráfica de


ponderaciones (load graph). Ahí se muestra para factor 1 con ponderaciones
altas en Pop, Emply, y Health y ponderación negativa en Home. School tiene
una ponderación alta positiva para el factor 2 y algo menor para Pop y Employ.

De los resultados se puede pensar en que el factor 1 sea un factor relacionado


con “Cuidado de la salud – tamaño de la población”. El factor 2 puede ser
considerado como un factor relacionado con “educación – tamaño de la
población”.

En forma adicional Minitab muestra una tabla de coeficientes del factor.


Muestran como se calculan los factores. Minitab calcula los valores
multiplicando los coeficientes y los datos después de corregirlos centrándolos
al restarle sus medias.

Pág. 102
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

9. ANÁLISIS DE REGRESIÓN MÚLTIPLE

Pág. 103
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

9. ANÁLISIS DE REGRESIÓN MÚLTIPLE


Es una técnica estadística que se puede usar para analizar la relación entre
una variable dependiente simple (respuesta, criterio) y varias variables
independientes cuyos valores son conocidos para predecir la variable
dependiente. Los pesos denotan la contribución relativa de las variables
independientes a la predicción general y facilitar la interpretación de la
influencia de cada variable en la predicción, lo que se complica si hay
correlación de las variables independientes.

El conjunto de variables independientes con sus pesos forma la Variate de


regresión, ecuación de regresión o modelo de regresión, que es una
combinación lineal de las variables independientes que mejor predicen la
variable dependiente.

Los supuestos de un análisis de regresión múltiple son los siguientes:


 Linealidad del fenómeno medido
 Varianza constante de los términos de error
 Independencia de los términos de error
 Normalidad de la distribución de los términos de error.

Términos clave
 Coeficiente ajustado de determinación (R2 ajustada): Es una métrica
modificada del coeficiente de determinación que toma en cuenta el
número de variables independientes incluidas en la ecuación de
regresión y el tamaño de muestra. A pesar de que la adición de variables
independientes hace que se incremente el coeficiente de determinación,
el coeficiente de determinación ajustado se reduce si las variables
independientes tienen poco poder explicativo y/o si los grados de
libertad son muy pequeños. Este estadístico es útil para comparar
ecuaciones con diferentes números de variables independientes, con
diferentes tamaños de muestra, o ambos.
 Regresión con todos los posibles subconjuntos: Método de
selección de variables en el modelo que considera todas las

Pág. 104
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

combinaciones posibles de las variables independientes. Por ejemplo


para cuatro variables, se estiman modelos para una, dos, tres y cuatro
variables, identificando el modelo con la mayor capacidad predictiva.
 Eliminación hacia atrás: Método de selección de variables en el
modelo que inicia con todas las combinaciones posibles de las variables
independientes para ir eliminando las que no tienen una contribución
significativa a la predicción.
 Coeficiente beta: Coeficientes estandarizados de la regresión que
permite una comparación directa de su potencia relativa explicatoria de
la variable dependiente.
 Coeficiente de determinación (R2): Mide la proporción de la varianza
de la variable dependiente alrededor de su media que es explicada por
las variables predictoras independientes. El coeficiente puede variar
entre 0 y 1. Entre mayor sea su valor es mejor la predicción de la
variable dependiente.
 Colinealidad: Expresión de la relación entre dos (colinealidad) o entre
varias (multicolinealidad) variables independientes. Dos variables
independientes tienen colinealidad total si coeficiente de correlación es 1
y no tienen colinealidad si coeficiente de correlación es cero. La
multicolinealidad se presenta cuando una variable independiente está
muy correlacionada con otras variables independientes.
 Coeficiente de correlación (r.): Coeficiente que indica la fuerza de la
asociación entre dos variables medibles. El signo (+) o (-) indica la
dirección de la relación. +1 o -1 indica una correlación perfecta positiva
(cuando aumenta una variable, aumenta la otra) o negativa (inversa –
cuando aumenta una variable, la otra disminuye) y 0 sin correlación.
 Grados de libertad: En una regresión simple se estiman dos
parámetros, la intersección (b0) y el coeficiente de la regresión para la
variable independiente (b1). Por tanto los grados de libertad
proporcionan una medida de cómo se restringen los datos para alcanzar
un cierto nivel de predicción (n-2). Si el número de grados de libertad es
pequeño, la predicción resultante no puede generalizarse, esta será más
robusta con un valor alto de grados de libertad.

Pág. 105
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

 Variable ficticia: Es una variable independiente usada para contabilizar


el efecto que tienen diferentes niveles de una variable no medible al
predecir la variable dependiente. Para contabilizar los L niveles de una
variable independiente no medible, se requieren L-1 variables artificiales.
En el caso de Hombre – Mujer se requiere una variable X con valores 0
y 1; para tres niveles se requerirán dos variables X1 y X2.
 Adición hacia delante: Método de selección de variables en el modelo
que inicia sin las variables independientes para ir agregándolas con
base en su contribución a la predicción.
 Homoestacidad: Descripción de los datos para los cuales la varianza
de los términos de error (e ) aparece constante sobre el rango de valores
de la variable independiente. Cuando los términos de error tienen
varianza incremental o modulada, se dice que los datos tienen
Heteroestacidad.
 Observación influyente: Es una observación que tiene una influencia
desproporcionada en uno o más aspectos de los estimados de la
regresión, puede ser basada en valores extremos de las variables
independientes y dependiente o ambas.
 Outlier: Es una observación que tiene una diferencia significativa entre
el valor real de la variable dependiente y el valor de predicción. Los
casos que son muy diferentes ya sea en sus variables independientes o
dependiente. Deben analizarse para poder eliminarlas.
 Coeficiente de correlación parcial: Valor que mide la fuerza de la
relación entre la variable dependiente o criterio y una única variable
independiente manteniendo constante los efectos de las otras variables
independientes. Es útil para identificar la variable independiente con la
mayor capacidad predictiva incremental. Se le asocian los estadísticos
parciales de F y t así como su gráfica de regresión parcial.
 Potencia: Probabilidad de que se tenga una relación significativa si
realmente existe. Complementa el nivel de significancia Alfa.
 Error de predicción: Diferencia entre los valores reales y estimados de
la variable dependiente para cada observación en la muestra (residuos).

Pág. 106
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

 Estadístico PRESS: Medida de validación obtenida al eliminar cada


observación una a la vez y estimando su valor dependiente con el
modelo de regresión estimado con las observaciones remanentes.
 Variable de Regresión (variate): Combinación lineal de variables
independientes ponderadas usadas para predecir la variable
dependiente.
 Error estándar: El valor t de un coeficiente de regresión se obtiene
cuando se divide el valor del coeficiente entre el error estándar.
 Estimación por pasos: Método de seleccionar variables para inclusión
en el modelo de regresión que inicia seleccionando el mejor predictor de
la variable dependiente. Las variables independientes adicionales se
seleccionan con base de su potencia explicatorio incremental que
pueden agregar al modelo de regresión (o en base a sus coeficientes de
correlación significativos estadísticamente). También se pueden eliminar
variables independientes si su potencia predictiva se reduce a niveles no
significativos cuando se agrega otra variable independiente al modelo.
 Residuo estudentizado: Para minimizar el efecto de un outlier simple,
se calcula la desviación estándar del residuo para la observación i de los
estimados de la regresión omitiendo la observación i-ésima.
 Tolerancia: Es una medida de colinealidad y multicolinealidad, es:

es el coeficiente de determinación para la variable de predicción i por


las otras variables independientes. Conforme disminuye el valor de la
tolerancia la variable es mejor estimada por las otras variables
independientes (colinealidad).
 Factor de inflación de varianza (VIF): es un indicador del efecto que
las otras variables independientes tienen en el error estándar de un
coeficiente de regresión. El factor de inflación de varianza está
directamente relacionado al valor de la tolerancia (VIFi = 1 / TOLi).
Valores grandes de VIF también indican un alto grado de colinealidad o
multicolinealidad entre las variables independientes.

Pág. 107
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Fórmulas:
La ecuación de regresión simple es:

Donde:
bo = Término de intercepción
b1 = coeficiente de la regresión.
Error de predicción o residuo = diferencia entre valor real y estimado de la
variable dependiente.

El error estándar del estimado se determina como:

Con SSE = Suma de cuadrados del error.


n = tamaño de la muestra
El intervalo de confianza de predicción se determina como:

La suma de cuadrados total es:

= promedio de todas las observaciones


= valor de la observación individual i
= valor estimado de la observación i
El coeficiente de determinación se calcula como sigue:

Para el caso de la regresión múltiple se tiene:

Para probar la significancia de la regresión se utiliza el estadístico F:

Cada suma de cuadrados dividida entre sus grados de libertad representa la


varianza.

Pág. 108
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

DIAGNÓSTICO AVANZADO
 Índice de condición: Medición de la cantidad de varianza asociada con un
Eigenvalor (valor característico) de manera que un índice grande indica un
alto grado de colinealidad.
 Distancia de Cook (Di): Medida resumida de la influencia de una
observación simple con base en los cambios totales en todos los demás
residuos cuando la observación se excluye del proceso de estimación. Los
valores mayores a 1 indican influencia significativa de la observación en la
estimación de los coeficientes de la regresión.
 COVRATIO (razón de covarianza): Mide la influencia de una observación
simple en conjunto completo de coeficientes de la regresión. Un valor
cercano a 1 indica poca influencia, si (COVRATIO – 1) >  3 p/n (p es el
número de variables independientes +1 y n es el tamaño de muestra), la
observación se considera que tiene influencia.
 Residuo excluido (deleted residual): Es el proceso de calcular residuos
en los cuales la influencia de cada una de las observaciones se excluye
cuando se calcula su residuo. Esto se logra al omitir la i-ésima observación
de la ecuación de regresión usada para calcular el valor estimado Y.
 DFBETA: Mide el cambio en un coeficiente de la regresión cuando una
observación se omite del análisis de la regresión, se establece en términos
del coeficiente mismo, también se puede tener una versión estandarizada
SDBETA, donde sus valores son ajustados por sus errores estándar, se
definen cortes en 1 o 2 correspondientes a niveles de confianza de 0.10 y
0.05 respectivamente.
 DFFIT: Mide el impacto de una observación en el ajuste general del modelo,
con una versión estandarizada DFFIT. La mejor regla práctica es calsificar
como influenciables cualquier valor SDFFIT > 2 / raiz(p/n). p es el número
de variables independientes +1 y n es el tamaño de muestra.
 Eigenvalor (valor característico): Mide la cantidad de varianza contenida
en la matriz de correlación de manera que la suma de los eigenvalores es
igual al número de variables. También se conoce como raíz latente o raíz
característica.
 Matriz sombrero: Matriz que contiene valores para cada observación en la
diagonal conocida como matriz sombrero, que representan el impacto de la

Pág. 109
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

variable dependiente observada en su valor estimado por la regresión. Si


todas las observaciones tuvieran la misma influencia, tendrían un valor de
p/n. Si una observación no tiene influencia, su valor será -1/n, y cuando un
valor domina valdrá (n-1)/n. Los valores que exceden a 2p/n para muestra
grandes o 3p/n para muestras pequeñas (n<= 30) son candidatos como
observaciones influyentes.
 Punto palanca (leverage point): Una observación que tiene un impacto
sustancial en los resultados de la regresión dadas sus diferencias con otras
observaciones en una o más de las variables independientes. La medida
más común de estos puntos es el valor sombrero contenido en la matriz
sombrero.
 Distancia de Malahanobis (D2): Medida de la singularidad de una
observación simple con base en las diferencias entre los valores de la
observación y los valores promedio para todos los otros casos de las
variables independientes. La influencia en la regresión por la observación es
diferente para una o más variables predictoras, causando un corrimiento en
la ecuación de regresión.
 Outlier (punto aberrante o lejano): Es una observación que tiene una
diferencia sustancial entre sus valores observados y estimados en la
variable dependiente (un residuo grande) o entre sus variables
independientes y y los de otras observaciones. El objetivo de identificarlos
es que pueden representar de manera inapropiada el comportamiento de la
población.
 Matriz de descomposición – varianza de los coeficientes de regresión:
Método para determinar la contribución relativa de cada uno de los
eigenvalores a cada uno de los coeficientes estimados. Si dos o más
coeficientes están muy asociados con un eigenvalor simple (índice de
condición) indica que está presente un nivel inaceptable de
multicolinealidad.
 Residuo: Medida de la estimación predictiva de una observación simple,
calculado como la diferencia del valor observado y el valor estimado de la
variable dependiente. Se asume que los residuos tienen media cero y
varianza constante. También sirven para identificar outliers y observaciones
influenciables.

Pág. 110
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

 Residuos estandarizados: Reescalado de los residuos a una base común


dividiendo cada uno de los residuos entre la desviación estándar de los
residuos. De esta manera los residuos estandarizados tienen una media de
cero y una desviación estándar de uno. Los outliers son identificados como
las observaciones que tienen residuos mayores a 1 o 2 para niveles de
confianza de 0.10 y 0.05 respectivamente.
 Residuos estudentizados: Difieren del residuo estandarizado en la forma
de calcular la desviación estándar. Para minimizar la influencia de un outlier
simple, la desviación estándar utilizada para estandarizar el residuo i-ésimo
se calcula de los estimados de la regresión excluyendo la observación i-
ésima. Esto se hace de manera repetitiva para cada una de las
observaciones, cada vez se excluye la observación de los cálculos.

Evaluado la multicolinealidad

Corrida con SPSS – V10

Regression
Variables Entered/Removed(b)

Model Variables Entered Variables Removed Method

1 X7, X5, X6, X3, X2, X4, X1(a) . Enter

a All requested variables entered.

b Dependent Variable: X9

Model Summary

Model R R Square Adjusted R Square Std. Error of the Estimate

1 .879(a) .772 .755 4.4508

a Predictors: (Constant), X7, X5, X6, X3, X2, X4, X1

ANOVA(b)

Model Sum of Squares df Mean Square F Sig.

1 Regression 6177.812 7 882.545 44.552 .000(a)

Pág. 111
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Residual 1822.444 92 19.809

Total 8000.256 99

a Predictors: (Constant), X7, X5, X6, X3, X2, X4, X1

b Dependent Variable: X9

Coefficients(a)

Unstandardized Standardized Collinearity


Coefficients Coefficients Statistics

Beta t Sig.
Model B Std. Error Tolerance VIF

(Constant) -9.255 4.949 -1.870 .065

X1 1.956 2.045 .287 .957 .341 .027 36.445

X2 1.280 2.155 .170 .594 .554 .030 33.176

X3 3.270 .406 .507 8.057 .000 .627 1.596


1
X4 -3.937E-03 .671 .000 -.006 .995 .347 2.884

X5 4.600 4.012 .384 1.147 .255 .022 45.401

X6 1.230 .954 .106 1.290 .200 .370 2.701

X7 .426 .356 .075 1.198 .234 .629 1.589

a Dependent Variable: X9

Collinearity Diagnostics(a)

Variance Proportions
Condition
Dimension Eigenvalue Index
Model (Constant) X1 X2 X3 X4 X5 X6 X7

1 7.533 1.000 .00 .00 .00 .00 .00 .00 .00 .00

2 .251 5.474 .00 .00 .01 .01 .00 .00 .00 .01

3 .106 8.426 .00 .01 .01 .00 .01 .00 .04 .04

4 6.548E-02 10.726 .01 .00 .00 .04 .03 .00 .18 .09
1
5 2.463E-02 17.489 .01 .01 .01 .31 .00 .00 .00 .53

6 1.219E-02 24.861 .03 .00 .00 .07 .75 .00 .67 .05

7 6.259E-03 34.692 .86 .00 .00 .52 .17 .00 .10 .28

8 8.354E-04 94.959 .09 .97 .97 .05 .04 .99 .01 .00

Pág. 112
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

a Dependent Variable: X9

Faltan conceptos del capítulo 4 y 4ª.

Pág. 113
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Ejemplo:

Familia Tarjetas Tamano Ingreso


1 4 2 14
2 6 2 16
3 6 4 14
4 7 4 17
5 8 5 18
6 7 5 21
7 8 6 17
8 10 6 25
Total

Las instrucciones de Minitab para correr el ejemplo son:

1 Cargar datos
2 en Minitab.

2     Stat > Regression > Regression.

3    En Response, seleccionar Tarjetas.

4    En Predictors, seleccionar Tamano e Ingreso.

5    Click Graphs.

6    En Residuals for Plots, seleccionar Standardized.

7    En Residual Plots, seleccionar Individual Plots. Seleccionar Histogram


of residuals, Normal plot of residuals, y Residuals versus fits. Click OK.

8    Click Options. en Display, seleccionar PRESS y predicted R-square.


Click OK en cada uno de los cuadros de diálogo.

Los resultados se muestran a continuación:

Pág. 114
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Normal Probability Plot of the Residuals


(response is Tarjetas)
99

95

90

80
70
Percent

60
50
40
30
20

10

1
-3 -2 -1 0 1 2 3
Standardized Residual

Regression Analysis: Tarjetas versus Tamano, Ingreso

The regression equation is


Tarjetas = 0.48 + 0.632 Tamano + 0.216 Ingreso

Predictor Coef SE Coef T P


Constant 0.482 1.461 0.33 0.755
Tamano 0.6322 0.2523 2.51 0.054
Ingreso 0.2158 0.1080 2.00 0.102

S = 0.780990 R-Sq = 86.1% R-Sq(adj) = 80.6%

PRESS = 8.02177 R-Sq(pred) = 63.54%

Analysis of Variance

Source DF SS MS F P
Regression 2 18.9503 9.4751 15.53 0.007
Residual Error 5 3.0497 0.6099
Total 7 22.0000

Source DF Seq SS
Tamano 1 16.5143
Ingreso 1 2.4360

Interpretación de resultados

Salida de sesión

 El valor P en la tabla de ANOVA (0.000) muestra que el modelo estmado


por el procedimiento de regresión es significativo a un alfa de 0.05,
indicando que al menos un coeficiente es diferente de cero.

Pág. 115
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

 Los valores P de los coeficientes estimados para tamano es de 0.054


indicando que es significativo a un nivel alfa de 0.054. Sugiriendo que el
modelo de regresión simple es adecuado.

 El valor de R cuadrado indica que los predoctores explican el 87.4% de


la varianza en Tarjetas. La R cuadrada ajustada es 85.9%, que
representa la contribución del número de predictores en el modelo.
Ambos valores indican que el ajuste es adecuado.

 El valor pronosticdo R cuadrado es 78.96%, dado que es parecido a R


cuadrado y r cuadrado ajustado, el modelo no parece estar
sobreajustado y tiene una buena habilidad de predicción

 Las observaciones 4 y 22 se identifican como no usuales dado que el


valor estandarizado de los residuos es mayor a 2. Indicando puntos
aberantes o outliers.

Salida gráfica

 El histograma de los residuos muestra un patrón consistente con la


distribución normal. El histograma es más efectivo para grupos de más
de 50 observaciones. La gráfica de probabilidad normal es más fácil de
interpretar con pequeñas muestras.
 En la gráfica normal también sobresalen los outliers 4 y 22.

 La gráfica de residuos contra valores de predicción muestra que los


residuos son más pequeños conforme conforme los valores ajustados se
incrementan, indicando que no tienen varianza constante.

Pág. 116
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Ejemplo con datos de Hatco

Hacer un estudio de correlación entre las variables independientes:

1    Cargar datos en Minitab.

2     Stat > Basic statistics > Correlation

3 Variables X1 – X7 X9 indicar Show P value

4    OK

Los resultados son los siguientes:

Correlations: X1, X2, X3, X4, X5, X6, X7, X9

X1 X2 X3 X4 X5 X6 X7
X2 -0.349
0.000

X3 0.476 -0.472
0.000 0.000

X4 0.050 0.272 -0.095


0.618 0.006 0.347

X5 0.612 0.513 0.064 0.299


0.000 0.000 0.524 0.003

X6 0.077 0.186 -0.015 0.788 0.241


0.446 0.064 0.880 0.000 0.016

X7 -0.483 0.470 -0.407 0.200 -0.055 0.177


0.000 0.000 0.000 0.046 0.586 0.078

X9 0.676 0.083 0.556 0.225 0.701 0.257 -0.192


0.000 0.412 0.000 0.024 0.000 0.010 0.055

Cell Contents: Pearson correlation


P-Value

La variable X5 (servicio en general) está más correlacionado con la respuesta


X9 con r = 0.701. X1 también está correlacionada con la respuesta sin embargo
tiene correlación con X5 por lo que el uso de ambas es cuestionable.

Las instrucciones de Minitab para correr el ejemplo son:

1    Cargar datos en Minitab.

2     Stat > Regression > Regression.

Pág. 117
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

3    En Response, seleccionar X9 (utilización del producto).

4    En Predictors, seleccionar X1 – X7.

5    Click Graphs.

6    En Residuals for Plots, seleccionar Standardized.

7    En Residual Plots, seleccionar Individual Plots. Seleccionar Histogram


of residuals, Normal plot of residuals, y Residuals versus fits. Click OK.

Regression Analysis: X9 versus X1, X2, X3, X4, X5, X6, X7

The regression equation is


X9 = - 9.25 + 1.96 X1 + 1.28 X2 + 3.27 X3 - 0.004 X4 + 4.60 X5 + 1.23 X6
+ 0.426 X7

Predictor Coef SE Coef T P


Constant -9.255 4.949 -1.87 0.065
X1 1.956 2.045 0.96 0.341
X2 1.280 2.155 0.59 0.554
X3 3.2702 0.4059 8.06 0.000
X4 -0.0039 0.6714 -0.01 0.995
X5 4.600 4.012 1.15 0.255
X6 1.2305 0.9537 1.29 0.200
X7 0.4261 0.3557 1.20 0.234

S = 4.45075 R-Sq = 77.2% R-Sq(adj) = 75.5%

PRESS = 2144.13 R-Sq(pred) = 73.20%

Analysis of Variance

Source DF SS MS F P
Regression 7 6177.81 882.54 44.55 0.000
Residual Error 92 1822.44 19.81
Total 99 8000.26

Source DF Seq SS
X1 1 3659.76
X2 1 927.88
X3 1 1424.10
X4 1 80.48
X5 1 18.20
X6 1 38.97
X7 1 28.43

Unusual Observations

Obs X1 X9 Fit SE Fit Residual St Resid


7 4.60 46.000 58.734 1.379 -12.734 -3.01R
11 2.40 32.000 41.365 1.014 -9.365 -2.16R
14 3.70 38.000 47.833 1.098 -9.833 -2.28R
22 3.40 35.000 34.870 2.711 0.130 0.04 X
55 3.80 39.000 33.433 2.712 5.567 1.58 X
100 2.50 33.000 43.721 1.049 -10.721 -2.48R

R denotes an observation with a large standardized residual.


X denotes an observation whose X value gives it large influence.

Pág. 118
MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / DIC. 2006

Normplot of Residuals for X9

Normal Probability Plot of the Residuals


(response is X9)
99.9

99

95
90
80
70
Percent

60
50
40
30
20
10
5

0.1
-3 -2 -1 0 1 2 3
Standardized Residual

Residuals Versus the Fitted Values


(response is X9)
2

1
Standardized Residual

-1

-2

-3

20 30 40 50 60
Fitted Value

Pág. 119

También podría gustarte