UNIVERSIDAD DE LAS FUERZAS ARMADAS

NOMBRE: Victor Cadena FECHA: 21/06/2017

CAPITULO VII TEMA: Resumen de Manova

Análisis De La Varianza Multivariante (MANOVA)

Es conceptualmente igual al univariante. Supongamos un caso sencillo con dos variables

dependientes, un factor de variación categórico (variable independiente) con dos categorías o
niveles y n1 y n2 observaciones por nivel. El modelo sería, en este caso:

y1ij = µ1 + τi + ε1ij

y2ij = µ2 + τi + ε2ij

o bien:

ykij = µk + τi + εkij

siendo k = (1,2) e y1 e y2 son las dos variables y τ el factor de variación categórico.

La expresión matricial de este modelo será la fórmula general Y = βX + ε,a las dos variables.

La hipótesis lineal general en este caso se escribe: LβM = 0; donde M es una matriz que
establece relaciones lineales entre las variables. Si M es la matriz diagonal identidad, se están
utilizando las variables originales.

Los contrastes de hipótesis en este caso se llevan a cabo con las matrices:

H = M’(Lb)’(L(X’X)−)−1(Lb)M, que corresponde a la suma de cuadrados y productos cruzados

de las dos variables, y

E = M’(Y’Y-b’(X’X)b)M, que corresponde a la suma de cuadrados y productos cruzados de los residuos.

Se pueden utilizar cuatro criterios para determinar la significación de este contraste:

„ λ de Wilks: det(E)/det(H+E)

„ Traza de Pillai: traza de (H(H+E)-1)

„ Traza de Hottelling-Lawley: traza (E-1H)

 UNIVERSIDAD DE LAS FUERZAS ARMADAS
NOMBRE: Victor Cadena FECHA: 21/06/2017
CAPITULO VII TEMA: Resumen de Manova

„ Raiz máxima de Roy: mayor autovalor de E-1H

Una aplicación particular del MANOVA para comprobar si los valores de una serie de variables
permanecen constantes tras un determinado tratamiento:

Hace análisis de variancia y covariancia univariado y multivariado, usando un modelo lineal

general. Se pueden usar hasta ocho factores (variables independientes). Si se especifica más
de una variable dependiente, se hacen análisis univariados y multivariados. El programa
acepta números iguales y desiguales de casos en las celdas.

MANOVA es el único programa de IDAMS para análisis multivariado de variancia. Se

recomienda ONEWAY para el análisis univariado de variancia. MCA maneja problemas
univariados de múltiples factores. No tiene limitaciones con relación a celdas vacías, acepta
más de ocho predictores y permite más de 80 celdas. Sin embargo, el modelo básico de
análisis de MCA es diferente del de MANOVA. Una diferencia importante es que MCA no
es sensible a los efectos de interacción.

Modelo jerárquico de regresión. MANOVA usa aproximación de la regresión al análisis de

variancia. De manera más particular, el programa emplea un modelo jerárquico. Hay una
consecuencia importante para el usuario: si una ejecución de MANOVA involucra más de
una variable de factor y hay un número desproporcionado de casos en las celdas construidas
por la clasificación cruzada de los factores, entonces se debe considerar el orden en el cual
están especificadas las variables de factores.

Opción de contraste. Hay dos opciones disponibles para definir los contrastes (ver el
parámetro de factor CONTRAST). Los contrastes nominales se generan por defecto; son las
desviaciones acostumbradas de las medias de fila y columna de la gran media y la
generalización de las mismas para los contrastes de interacción. El programa también puede
generar contrastes de Helmert.

Aumento de la suma de cuadrados dentro de las celdas. Es posible aumentar la suma de

cuadrados dentro de las celdas (término de error) usando los estimativos ortogonales (ver el
 UNIVERSIDAD DE LAS FUERZAS ARMADAS
NOMBRE: Victor Cadena FECHA: 21/06/2017
CAPITULO VII TEMA: Resumen de Manova

parámetro AUGMENT). Esto permite usar el programa para cuadrados Latinos y para reunir
los términos de interacción con errores.

Características estándar de IDAMS

Selección de casos y variables. El filtro estándar está disponible para escoger casos para
ejecución. Las variables dependientes se escogen con el parámetro DEPVARS y las
covariadas con el parámetro COVARS. Las variables de factor se especifican con
proposiciones especiales de factor.

Transformación de datos. Se pueden usar las proposiciones de Recode. Nótese que

solamente se aceptan valores enteros (positivos y negativos) para las variables usadas como
factor.

Ponderación de datos. No se aplica el uso de variables de ponderación.

Tratamiento de datos faltantes. El parámetro MDVALUES está disponible para indicar

cuales valores de datos faltantes, si los hay, se usarán para verificar datos faltantes. Se
excluyen los casos con códigos de datos faltantes en cualquiera de las variables de entrada
(dependientes, covariadas, o de factor). Esto puede resultar en muchos casos excluidos y
constituye un problema potencial que debe considerarse cuando se planee el análisis.

Resultados

Diccionario de entrada. (Opcional: ver el parámetro PRINT). Registros descriptores de

variables y registros C, si los hay, solamente para variables usadas en la ejecución.

Medias de celda y enes (N). Para cada celda, se imprime N y la media para cada variable
dependiente y cada variable covariada. Las medias no se ajustan para ninguna variable
covariada. Las celdas se etiquetan consecutivamente comenzando con "1 1" (para un diseño
con 2 factores) sin importar los códigos actuales de las variables de factor. Al indexar las
celdas, los índices del último factor son los menores (de más rápido movimiento).

Basa de diseño. Es la matriz de diseño generada por el programa. Las ecuaciones de efectos
están en las columnas comenzando con el efecto de la media en la columna 1. Si se ha
especificado REORDER, se imprime la matriz después del reordenamiento.
 UNIVERSIDAD DE LAS FUERZAS ARMADAS
NOMBRE: Victor Cadena FECHA: 21/06/2017
CAPITULO VII TEMA: Resumen de Manova

Intercorrelaciones entre los coeficientes de las ecuaciones normales.

Matriz de correlación de errores. En un análisis multivariado de variancia, el término de

error es una matriz variancia-covariancia. Este es el término de error reducido a una matriz de
correlación (antes de ajustar para las variables covariadas, si las hay).

Componentes principales de la matriz de correlación de errores. Las componentes están

en las columnas. Son las componentes del término de error del análisis (antes de ajustar para
las variables covariadas, si las hay).

Matriz de dispersión de errores y errores estándar de estimación. Es el término de error

del análisis, una matriz de variancia-covariancia. La matriz se ajusta para variables
covariadas, si las hay. Cada elemento de la diagonal de la matriz es exactamente el que
aparecería en una tabla de análisis convencional de variancia como el error interno cuadrático
medio de la variable. Los grados de libertad se ajustan para aumento si se solicita. Los errores
estándar de estimación corresponden a las raíces cuadradas de los elementos de la diagonal de
la matriz..