Академический Документы
Профессиональный Документы
Культура Документы
TCNICAS
MULTIVARIANTES
1. Introduccin
2 Clasificacin de las tcnicas
2.
3. Etapas de anlisis
4. Supuestos bsicos
5. Valores p
perdidos y anmalos
introduccin
D fi i i
Definicin.
-
Objetivos.
Objetivos
-
clasificacin
3 grupos:
-
Mtodos de dependencia
Mtodos de interdependencia
Mtodos estructurales
Mtodos de dependencia:
-
clasificacin
Mt d de
Mtodos
d interdependencia:
i t d
d
i
-
Mtodos estructurales:
-
Regresin
clasificacin
Supervivencia
Mtrica
MANOVA
Correlacin cannica
Dependencia
Discriminante
No mtrica
Regresin logstica
C j i t
Conjoint
Componentes
Co
po e tes p
principales
c pa es
Factorial
Mtrica
Cluster
Escalas multidimensionales
Interdependencia
C
Correspondencias
d
i
Modelos log-lineales
No mtrica
Cluster
Escalas multidimensionales
Modelos estructurales
clasificacin
La
L investigacin
i
ti
i responde
d a un problema
bl
de
d dependencia
d
d
i
entre variables o de interdependencia de las mismas?
Si es un p
problema de dependencias,
p
,
cuntas variables dependientes existen?
clasificacin
Anlisis de dependencias
varias
relaciones
una
relacin
1 variable
dependiente
dependencia
mtrica
ecuaciones
estructurales
regresin
mltiple
> 1 variable
dependiente
dependencia
no mtrica
anlisis
discriminante
dependencia
mtrica
dependencia
no mtrica
independencia
independencia
no mtrica
mtrica
Regresin
logstica
MANOVA
correlacin
cannica
clasificacin
R
Regresin
i lineal
li
l mltiple:
lti l
-
clasificacin
Anlisis
A
li i discriminante.
di
i i
t Proporciona
P
i
reglas
l de
d clasificacin
l ifi
i
ptimas de nuevas observaciones de las que se desconoce
su g
grupo
p de p
procedencia basndose en la informacin
proporcionada los valores que en ella toman las variables
independientes.
clasificacin
((Y1, Y2, Y3, .... Ym) ((X1, X2, X3, .... Xm) correlacin cannica
Si la dependencia es no mtrica
Por ejemplo:
-
clasificacin
E
Ecuaciones
i
estructurales:
t
t
l
clasificacin
A li i de
Anlisis
d interdependencia.
i t d
d
i
-
clasificacin
Anlisis de interdependencias
Relacin
entre
variables
Mtricas
componentes
principales
Relacin
entre
casos
Relacin
entre
objetos
j
anlisis
cluster
escalamiento
multidimensional
No mtricas
anlisis
factorial
anlisis
correspondencias
clasificacin
A li i de
Anlisis
d componentes
t principales.
i i l
-
Esas
combinaciones
se
denominan
Componentes
Principales estn incorrelacionados y cada componente
Principales,
sucesivo explica menos varianza.
clasificacin
Anlisis factorial.
-
El peso y su incremento
g
regiones
g
corporales
p
y su
Las dimensiones de algunas
relacin respecto a otras
clasificacin
A li i de
Anlisis
d correspondencias.
d
i
-
clasificacin
A li i de
Anlisis
d escalamiento
l i t multidimensional.
ltidi
i
l
-
clasificacin
A li i de
Anlisis
d conglomerados
l
d (cluster).
( l t )
-
Por ejemplo:
Analizar la gestin de los sectores ecolgicos
AF/ACP + ANOVA
Correlacin cannica
D
Dependencia
d
i de
d una variable
i bl y las
l dems:
d
-
Regresin logstica
AF/ACP + Discriminante
L escalas
Las
l de
d las
l variables
i bl a analizar
li
son correctas
t
supuestos bsicos
C di i
Condiciones
d aplicabilidad.
de
li bilid d
-
Normalidad
Homocedasticidad
Linealidad
Independencia
supuestos bsicos
( )
Se calculan las distancias de Mahanalobis (D)
Se representan D2 y X2
La variable o variables
transformar o eliminar
problemticas
se
pueden
supuestos bsicos
H
Homoscedasticidad
d ti id d (univariante):
( i
i t )
-
Homoscedasticidad (multivariante):
-
Contraste M de Box
-
Por ejemplo:
supuestos bsicos
Estudiar
E
t di
sii los
l
ganaderos
d
son conscientes
i t
d que la
de
l
produccin intensiva perjudica el medio ambiente
Si esto es as,
as los ganaderos intensivos estaran
significativamente ms en desacuerdo con la afirmacin
que los extensivos
q
Por ejemplo:
-
supuestos bsicos
E t es un problema
Esto
bl
d anlisis
de
li i discriminante:
di
i i
t
-
Por ejemplo:
supuestos bsicos
Debe
D
b comprobarse
b
l hiptesis
la
hi t i nula,
l
que la
l matriz
t i de
d
varianzas-covarianzas de las variables Y es la misma para los
niveles de X (intensivo-extensivo).
(
)
Contraste M de Box.
supuestos bsicos
Linealidad:
-
grficos de dispersin
p
Para el resto de los casos: g
bivariante
Por ejemplo:
consumo inc. Peso inc. Dim.
Digest
Consumo MS ((kg/animal)
g
)
0,87
,
0,91
,
-0,66
,
Incremento de Peso
0,87
0,79
0,81
Incremento de Dimetro
0 91
0,91
0 79
0,79
0 92
0,92
Digestibilidad MS (%)
-0,66
0,81
0,92
supuestos bsicos
consumo
inc Peso
inc.
inc Dim.
inc.
Dim
40
40
30
30
20
20
10
10
Digestibilidad
100
80
60
Consumo
20
40
I Peso
Inc
P
20
0
0
60
40
40
20
40
60
40
40
30
30
20
20
10
10
20
40
60
30
20
10
0
0
20
40
60
100
40
80
30
60
20
20
40
60
20
40
60
20
40
60
40
Inc Diam
30
20
40
10
20
10
0
0
0
Diges
20
40
60
20
40
60
100
40
40
80
30
30
20
20
10
10
60
40
20
0
0
20
40
60
0
0
20
40
60
20
40
60
supuestos bsicos
I d
Independencia:
d
i
-