Академический Документы
Профессиональный Документы
Культура Документы
Analisis de correspondencias
Asociacion entre categoras de columnas o filas: se usa para medir la asociacion de solo
una fila o columna, para ver, por ejemplo si las modalidades de una variable pueden ser
combinadas
Asociacion entre categoras de filas y columnas: se usa para estudiar si existe relacion
entre categoras de las filas y columnas.
El analisis de correspondencias solo requiere que los datos representen las respuestas a una
serie de preguntas y que estan organizadas en categoras. Dependiendo si existen dos o mas
variables el analisis sera simple o multiple.
91
Analisis de correspondencias 92
El analisis de las tablas de contingencia a menudo incluye examinar los perfiles de fila y
de columna, as como contrastar la independencia a traves del estadstico de chi-cuadrado.
Sin embargo, el numero de perfiles puede ser bastante grande y la prueba de chi-cuadrado no
revelara la estructura de la dependencia. El procedimiento Tablas de contingencia ofrece varias
medidas y pruebas de asociacion pero no puede representar graficamente ninguna relacion en-
tre las variables.
Una vez seleccionado el analisis obtendremos el siguiente menu, en donde hemos de selec-
cionar las variables con las trabajar y las categoras que tiene cada una. En este ejemplo la
variable Fila sera estado civil, la cual tiene tres categoras (ordenadas de la 1 a la 3) por lo que
el rango tomara como valor maximo el 3 y el mnimo el 1. La variable columna sera preocupa-
ciones, el rango sera de 1 a 4.
A la hora de indicar las categoras de cada variable tenemos una serie de opciones sobre
ellas que son:
1. Las categoras deben ser iguales. Utilizaremos esta opcion si existen dos categoras que
son iguales o las queremos agrupar.
Boton Modelo
Con este boton especificaremos el numero de dimensiones, la medida de distancia, el metodo
de estandarizacion y el metodo de normalizacion.
Dimensiones en la solucion: tendremos que tener en cuenta que el numero de dimensiones
optimo sera el menor numero de dimensiones que necesitaremos para explicar la mayor
parte de la variacion. Evidentemente intentaremos que este valor sea el mnimo posible,
de tal manera que el numero maximo de dimensiones sera el mnimo del numero de filas
menos uno (en este caso 4-1=3) y el de columnas menos uno (3-1=2), es decir, en nuestro
ejemplo usaremos dos dimensiones.
Medida de distancia: por defecto usaremos la distancia chi-cuadrado.
Metodo de normalizacion: esta es una de las decisiones mas importantes, ya que de-
pendiendo del metodo, se produciran soluciones que, aunque equivalentes, pueden ser
diferentes. Usaremos:
1. Simetrico: en este caso la inercia se reparte igualmente entre filas y columnas. Us-
aremos este metodo para examinar las diferencias entre las categoras de las dos
variables.
2. Principal: usaremos este metodo si deseamos examinar las diferencias entre las cate-
goras de una o de ambas variables en lugar de las diferencias entre las dos variables.
3. Principal por fila: este metodo se usa para examinar las diferencias entre las cate-
goras de la variable de filas.
4. Principal por columna: para examinar las diferencias entre las categoras de la vari-
able de columnas.
5. Personalizado.
Tabla de correspondencias: tabla de contingencia de las variables con los totales marginales
de filas y columnas.
Inspeccion de los puntos de fila: resumen de cada categora de filas, las puntuaciones,
la masa, la inercia, la contribucion a la inercia de la dimension y la contribucion de la
dimension a la inercia del punto.
Inspeccion de los puntos de columna: igual que para las filas pero para cada columna.
Aplicacion en SPSS
Vamos a seleccionar todas las opciones disponibles con este boton.
2. Perfiles por fila y columna: son las distribuciones marginales. Los perfiles por fila son el
resultado de dividir cada valor por el total de su fila mientras que los perfiles por columna
es el valor de cada casilla entre el total su columna.
a) Valor propio.
b) Inercia: raz cuadrada del valor propio. Mide la importancia de un eje; 0.043 el
primero y 0.05 el segundo.
c) Inercia total: explicacion total de los ejes. Los ejes explican un total de 0.048.
d ) Proporcion de inercia: aunque el valor de la inercia poda parecer pequeno, 0.0403
y 0.005, entre ambos ejes explican el 100 de la varianza y mas concretamente el
primero el 90.4 % y el segundo el 9.06 %.
e) Chi-cuadrado: con este valor obtenemos el contraste de independencia entre am-
bas variables, como vimos en la seccion ?? el contraste de la chi-cuadrado en las
Tablas de Contingencia contrasta la independencia como hipotesis nula frente a la
dependencia. En este caso al ser el p-valor 0,3 103 aceptaramos la hipotesis de
dependencia entre variables. Destacamos que en el caso en que dos variables fuesen
independientes, el analisis de correspondencias podra realizarse, pero no tendra
logica.
Las puntuaciones en la dimension son los valores que toma cada punto en la repre-
sentacion que hayamos calculado. Con inercia vemos lo que aporta cada categora
al total de inercia, por ejemplo, del total de inercia (0.048) los Solteros aportan 0.028.
Diagramas de dispersion: produce los graficos por parejas de las dimensiones. Entre ellos:
Aplicacion en SPSS
Si seleccionamos todos los graficos posibles obtendremos:;
Diagramas de dispersion:
Con esta opcion obtenemos los graficos en dos dimensiones (si hubiera mas dimensiones
obtendramos las combinaciones de las dimensiones) para filas y columnas a la vez y por
separado.
Si analizamos los perfiles fila, observamos que los tres grupos, Solteros, Casados y Otros
son bastante diferentes (lejanos). Si observamos los puntos columna, en estos parece que
existe semejanza entre Dinero y Vida Afectiva y Salud y Armona Familiar.
Con el grafico de filas y columnas podemos sacar las conclusiones finales, que son que
los Casados prefieren la Armona Familiar y la Salud frente a los Solteros que prefieren
el Dinero y la Vida Afectiva.
Graficos de lneas: muestras los valores de las componentes de las filas y columnas uni-
dimensionalmente.
Analizar
Reduccion de Datos
Escalamiento optimo
Dentro de este analisis podramos obtener todos los resultados equivalentes al analisis de
correspondencias simple. Nosotros solo nos centraremos en las siguientes opciones:
1. Medidas discriminantes
2. Correlaciones de las variables originales
Con estas dos opciones podemos ver la relacion entre las variables. La correlacion
mas baja es entre la variable Sexo con las otras dos, lo que implicara que no existe
mucha relacion entre ellas. Con respecto a la segunda dimension los valores aumen-
tan pero sigue la variable Sexo sin estar muy relacionada. Tambien podemos ver esta
circunstancia en el grafico de discriminacion, en donde las variables Estado Civil y
Preocupaciones estan muy relacionadas. La tabla de Medidas de discriminacion son
las coordenadas de las variables en las dos dimensiones.
Las cuantificaciones son los valores de los individuos son las representaciones opti-
mas en el sentido que esten separadas unas de otras en las dimensiones estudiadas y
dentro de cada categora los individuos esten juntos entre si. Estas cuantificaciones
son graficadas posteriormente y sera esos valores los que estudiemos.
1. Graficos por categoras: introduciremos las tres variables. Con esta opcion nos
mostrara los graficos bidimensionales de las variables marginalmente.
2. Graficos de categoras conjuntas: tambien introduciremos las tres variables. En este
caso obtendremos un grafico bidimensional con todas las variables juntas.
En ellos podemos ver como los Hombres se posicionan cerca de preferencia por
la Salud, las Mujeres por Casadas y Armona Familiar y los Solteros por la Vida
Afectiva.
3. Graficos de objeto: con este grafico obtenemos la representacion de todos los indi-
viduos pudiendo buscar aquellos que sean anomalos o extremos, que sera aquellos
que tengan un comportamiento distinto al resto.
3. Realizar una analisis de correspondencias con dos dimensiones. Sera admisible agru-
par alguna modalidad de la variable consumo de tabaco? Y de categora profesional?
Comentar el grafico bidimensional.