Psicometría

Objetivos de aprendizaje
 Identificar los conceptos de sensibilidad y
especificidad y procedimientos de estimación:
Análisis de Cluster
El análisis de conglomerados
 El análisis de conglomerados es una técnica descriptiva multivariada cuyo
objetivo es identificar grupos homogéneos y diferenciados al interior de
una cierta población.
El análisis de conglomerados
 Los grupos de unidades (por ej., personas) son
identificados a partir de un conjunto de variables
utilizadas para caracterizar a las unidades.
 Los grupos de unidades serán homogéneos en su
interior según sus valores en dichas variables.
Requisitos
 Variables de caracterización continuas. La variable que
identifica las unidades a agrupar debe ser alfanumérica.
 Las variables deben tener relación conceptual entre sí.
 Las variables deben poseer la misma escala de medida. Si
no es así, se las debe estandarizar.
 La cantidad de variables debe ser no muy grande (ej.: 20).
 Si no es así, reducir la dimensionalidad de las variables (por
ej.: usando AF).
 Cantidad de casos no muy grande (ej.: 20).
Tipos de análisis
1. Métodos jerárquicos.
2. Métodos no jerárquicos.

 Es más frecuente el uso de métodos jerárquicos.

Los métodos jerárquicos
 Se desarrollan en etapas y pueden ser de dos
tipos:
 Asociativos.
 Disociativos.
 En los métodos asociativos, las unidades son
asociadas de manera progresiva en grupos de
tamaño cada vez mayor.
 Los métodos disociativos comienzan con todas las
unidades, y lo dividen progresivamente en
conjuntos menores. El uso de los métodos
asociativos es más frecuente.
Métodos Jerárquicos
Asociativos
El procedimiento a seguir es:
 Al comienzo las unidades son consideradas de manera aislada.
 Luego aquellas unidades más parecidas son asociadas en pares.
 En las etapas siguientes se asocian unidades aisladas a grupos, o bien grupos entre sí.
 El procedimiento termina cuando todas las unidades forman un solo conjunto.

DENDROGRAMA
Gráfico en forma de árbol
Muestra la secuencia de agrupación, y
se lee de izquierda a derecha:
Distancia entre grupos
Los métodos jerárquicos difieren en la medida de similitud de las unidades:
a. Medida de agrupación simple:
 Corresponde a la menor distancia entre unidades de grupos distintos.
Distancia entre grupos
b. Medida de agrupación completa:
 Corresponde a la mayor distancia entre unidades de grupos distintos.
Distancia entre grupos
c. Medida de agrupación promedio:
 El promedio de todas las distancias entre pares de unidades de grupos
distintos:
SPSS
Caso
 Interesa evaluar si un determinado conjunto de
competencias genéricas son capaces de conformar
grupos homogéneos según carrera.
 Competencias genéricas:
 Estrategias meta-cognitivas (TOTAL_PRINTICH)

 Habilidades sociales (TOTAL_HABSOC)

 Autoestima (TOTAL_ROSENBERG)

 Emprendimiento (TOTAL_EMP)

 Conducta pro-ambiental (TOTAL_NEP)

 Conducta pro-social (TOTAL_PTM)

ANALIZAR-CLASIFICAR-CONFLOMERADOS JERÁRQUICOS
GRÁFICOS

MÉTODO

ESTADÍSTICOS

Estandarizar
variable
RESULTADO
 RESULTADO
Línea de corte

4 GRUPOS
4 puntos de corte
4 grupos
Segunda etapa
MÉTODO NO AGLOMERATIVO
AGRUPACIÓN DE K-MEDIAS
 A diferencia de los métodos aglomerativos, en él se
establece desde un comienzo el número de casos
deseado.
Primer paso: estandarizar las variables
MÉTODO NO AGLOMERATIVO:
AGRUPACIÓN K-MEDIAS
 RESULTADO: ANOVA
 El Análisis de Varianza en el Análisis de Conglomerados permite evaluar la capacidad de las distintas variables
para formar grupos diferenciados.
 Para cada variable (estandarizada) se compara la dispersión entre los grupos (MEDIA2 EN LOS CONGLOMERADOS)
y la dispersión dentro de los grupos (MEDIA2 DEL ERROR). Para ello se calcula su cociente, el estadístico F, y se
examina su significatividad: las variables cuyo F posea significación menor que α=0,05 contribuyen a diferenciar
los grupos.
 En este ejemplo la variable TOTAL_NEP no contribuyen a diferenciar los grupos (su estadístico F no es
significativo).
 Por otro lado, de entre las variables cuyo estadístico F es significativo, las de mayor poder diferenciador son
aquellas que presentan un mayor valor de F, pues eso significa que la variabilidad de dicha variable es mayor entre
los conglomerados que en su interior: en este ejemplo corresponde a la variable del área de la salud (señalada en
azul):
ANOVA

Conglomerado Error
Media Media
cuadrática gl cuadrática gl F Sig.
Puntua(TOTAL_PRINTICH) 3,443 3 ,569 17 6,052 ,005
Puntua(TOTAL_HABSOC) 4,405 3 ,399 17 11,040 ,000

Puntua(TOTAL_ROSENBERG)
5,740 3 ,164 17 35,093 ,000

Puntua(TOTAL_EMP) 5,129 3 ,271 17 18,894 ,000

Puntua(TOTAL_NEP) 1,453 3 ,920 17 1,579 ,231 >α

Puntua(TOTAL_PTM) 3,657 3 ,531 17 6,886 ,003

Las pruebas F sólo se deben utilizar con una finalidad descriptiva puesto que los conglomerados han sido elegidos para
maximizar las diferencias entre los casos en diferentes conglomerados. Los niveles críticos no son corregidos, por lo que no
pueden interpretarse como pruebas de la hipótesis de que los centros de los conglomerados son iguales.