Вы находитесь на странице: 1из 4

INTRODUCCIÓN AL ANÁLISIS

MULTIVARIADO

CLASIFICACIÓN DE LAS TÉCNICAS


MULTIVARIADAS

Julia Moreno Madueño


Métodos y Técnicas de Investigación en Psicología, grupo M2
Facultad de Psicología, Universidad de Granada

1
Las técnicas multivariadas se pueden clasificar en función de la técnica
obteniendo 2 tipos:

• Explicativas
• Descriptivas

- EXPLICATIVAS

Se emplean en contextos de investigación experimentales. En estas


técnicas consideramos a las variables independientes como causas
potenciales de las variables dependientes. Su objetivo es contrastar
hipótesis relativas.

Aquí podemos distinguir las siguientes técnicas:

a) Análisis de regresión múltiple

Intenta predecir el criterio desde el conjunto de predictores métricos


(expresan magnitud) medidos. Se consigue combinando linealmente los
predictores, es decir, la suma ponderada de los valores de los
predictores.

Los pesos de cada variable (ya que cada valor puede tener un peso
diferente) se determinan mediante un proceso de estimación llamado
mínimos cuadrados que intenta obtener pesos cuya suma de los
cuadrados de los errores de predicción sea mínima.

Esta técnica se puede usar con bajo la condición de que las variables
estén medidas en una escala de intervalos o de razón (escalares).

b) Análisis discriminante

Se utiliza en los casos en los que la muestra pueda dividirse en grupos


conocidos de antemano (como variables politómicas y dicotómicas),
siempre que los predictores sean variables escalares.

- Sus objetivos son:

• Calcular la probabilidad de que los individuos pertenezcan a


uno u otro de los grupos a partir de los predictores
• Determinar cuales de las variables predictoras son realmente
útiles (ya que algunos pueden resultar innecesarios)

c) Análisis multivariado de varianza y covarianza

- Podemos distinguir entre los siguientes:

2
MANOVA:

Su objetivo es determinar si una o más variables independientes (pueden


ser métricas o no) producen efectos diferentes sobre dos o más variables
dependientes (deben ser variables métricas).
También es aplicable en diseños de medidas repetidas (se mide la misma
variable dependiente de forma reiterada).

MANCOVA:

Si en el diseño no se ha podido realizar un control experimental


adecuado. Intenta un control estadístico midiendo variables relacionadas
con las dependientes antes de que se apliquen las independientes a los
sujetos (covariados).
Se basa en asumir que lo que puede ser predicho por los covariados no es
atribuible a las independientes.

d) Análisis de regresión logística

Esta técnica se utiliza cuando las variables predictoras no son métricas.


Su objetivo es predecir el grupo al que pertenece un individuo, y para ello
trata de combinar variables predictoras con la ponderación adecuada.
Aunque la relación entre la mezcla de variables y la variable predictora no
es lineal y la estimación de los pesos se realiza por un proceso interactivo
denominado máxima verosimilitud.

e) Ecuaciones lineales estructurales (LISREL)

Utilizada cuando nos centramos en relaciones de predicción secuenciales.


Se construye un modelo estructural donde se especifica la forma en que
están relacionadas las variables predictoras y los criterios.
El modelo suele basarse en presupuestos teóricos y define qué variables
se van a emplear para cada variable criterio o predictora.
El modelo de medida nos permite determinar cómo cada tarea contribuye
a la medición de la capacidad de memoria operativa.

- DESCRIPTIVAS

Los aplicamos en contextos no experimentales. Su objetivo es resumir el


conjunto de datos conforme nuestros objetivos.
Los tipos de técnicas descriptivas son los siguientes:

a) Análisis de datos categóricos

Se utiliza cuando queremos medir variables de carácter categórico


(nominal) u ordinal.

3
Nuestro objetivo es establecer si existe una relación entre las variables
medidas.
Para analizar la relación entre variables cualitativas utilizamos el análisis
de frecuencias de múltiples vías (análisis log-lineal). Cuando solamente
hay dos variables se mide la asociación con el estadístico c2, pero cuando
el número de variables es mayor de dos, se utiliza el análisis de tablas de
contingencia múltiples.
El análisis de datos categóricos puede también utilizarse por la técnica de
análisis por correspondencias. Los objetivos y métodos son los mismos
aunque realiza una transformación de los datos no métricos para obtener
datos métricos y adquirir las dimensiones subyacentes a los mismos y
mapas de representación de la cercanía de los valores de las variables
medidas.

b) Correlación canónica

Medimos a un grupo de sujetos dos conjuntos de variables y varias


medidas. Se correlacionan combinaciones lineales de las variables de un
conjunto con combinaciones lineales de las variables del otro conjunto.

c) Análisis de cluster

Esta técnica consiste en clasificar individuos o variables semejantes entre


sí en las variables que hemos medido sin un criterio de clasificación a
priori. Permite agrupar individuos o variables en función de su semejanza.

d) Análisis factorial y de componentes principales

Su objetivo es reducir los datos a partir de las correlaciones para


encontrar un número reducido de factores que los expliquen. En las
etapas se miden las variables, se computan las correlaciones y arreglan
en una matriz para posteriormente extraer los factores (que son
combinaciones lineales de las variables). A veces es necesario rotar para
interpretar los resultados de forma más efectiva.

e) Análisis de supervivencia

El interés se centrá en establecer el tiempo necesario que ha de


transcurrir para que ocurra algo. Trata de describir la proporción de casos
en diferentes momentos del tiempo que permanecen en el estudio. A
menudo se emplea más de un grupo. El análisis presenta curvas de
supervivencia para cada grupo, aunque también es posible realizar
pruebas estadísticas para comparar los grupos.