3. Mediante otra fórmula que se basa en la correlación promedio MÉtodos de análisis multivariado






descargar 2.33 Mb.
título3. Mediante otra fórmula que se basa en la correlación promedio MÉtodos de análisis multivariado
página1/21
fecha de publicación30.07.2015
tamaño2.33 Mb.
tipoDocumentos
e.exam-10.com > Química > Documentos
  1   2   3   4   5   6   7   8   9   ...   21

MÉTODOS ESTADÍSTICOS MULTIVARIADOS P. REYES / MARZO 2007


MÉTODOS ESTADÍSTICOS MULTIVARIADOS

Elaboró: Dr. Primitivo Reyes Aguilar

Marzo de 2007

CONTENIDO
1. Coeficiente de Cronbach

2. Métodos de análisis multivariado

3. ANOVA de K direcciones

4. Análisis multivariado de Varianza (MANOVA)

5. Análisis de Covarianza

6. Análisis Discriminante

7. Análisis de Conglomerados (Clusters)

8. Análisis de componentes principales

9. Análisis Factorial

10. Análisis de Regresión Múltiple

11. Análisis de correspondencia

1. COEFICIENTE DE CRONBACH

1. CÁLCULO DEL COEFICIENTE DE CONFIABILIDAD

(FIABILIDAD) ALFA-CRONBACH
Existen tres procedimientos para determinar el coeficiente “o alfa :
1. Sobre la base de la varianza de los ítems, con la aplicación de la siguiente

fórmulaFórmula:


En donde N representa el número de ítems de la escala, “s2 (Yi)” es igual a la sumatoria de las varianzas de los ítems y “s2x” equivale a la varianza de toda la escala.
2. Sobre la base de la matriz de correlación de los ítems, el procedimiento

seríaSería:
a) Se aplica la escala.

b) Se obtienen los resultados.

c) Se calculan los coeficientes de correlación r de Pearson entre todos los ítems (todos contra todos de par en par).

d) Se elabora la matriz de correlación con los coeficientes obtenidos. Por

ejemploEjemplo:

Los coeficientes que se mencionan como “ya fue calculado”, se ubican en la

parteParte superior de las líneas horizontales (guiones). Es decir, cada coeficiente se incluye una sola vez y se excluyen los coeficientes que vinculan al ítem o

puntuaciónPuntuación consigo misma (1 con 1, 2 con 2, 3 con 3 y 4 con 4).



3. Mediante otra fórmula que se basa en la correlación promedio


2. MÉTODOS DE ANÁLISIS MULTIVARIADO


2. LOS MÉTODOS DE ANÁLISIS MULTIVARIADO
Los métodos de análisis multivariado son aquellos en que se analiza la relación entre diversas variables independientes y al menos una dependiente. Son métodos más complejos que requieren del uso de computadoras para efectuar los cálculos necesarios


Entre las técnicas más comunes se encuentran (1) Análisis de componentes principales y factores comunes, (2) regresión y correlación múltiple, (3) análisis discriminante múltiple, (4) análisis multivariado de varianza y covarianza, (5) análisis conjunto, (6) correlación canónica, (7) análisis de clusters, (8) escala multidimensional. Otras técnicas nuevas incluyen (9) análisis de correspondencia, (10) modelos de probabilidad lineal tales como el logit y probit, y (11) modelos de ecuación simultaneas / estructurales. A continuación se describen brevemente éstas técnicas.
Análisis de componentes principales y de factores comunes

Es un método estadístico que puede usarse para analizar las interrelaciones entre un gran número de variables y explicar esas variables en términos de sus dimensiones subyacentes comunes. El objetivo es hallar la forma de sintetizar la información contenida en un número de variables originales, dentro de un conjunto más pequeño de variates (factores) con mínima pérdida de información.
Regresión múltiple

En un método de análisis adecuado cuando el problema de investigación involucra una variable dependiente única que se presume se relaciona a dos o más variables independientes medibles. El objetivo es predecir el cambio en la variable dependiente de respuesta con cambios en las variables independientes, normalmente con el método de mínimos cuadrados.
Por ejemplo se pueden predecir los montos gastados en cenas a partir de ingresos de las familias (variable dependiente), su tamaño, y la edad del padre (variables independientes).
Análisis discriminante múltiple (MDA)

Se aplica cuando la variable dependiente es dicotómica (vgr.Vg. hombre – mujer) o multitómica (vgrVg.. Alto – medio – bajo) y por tanto no medible. Como en la regresión las variables independientes deben ser medibles. Se aplica cuando la muestra total se puede dividir en grupos con base en una variable no medible caracterizando varias clases conocidas. Su objetivo es comprender las diferencias entre grupos y predecir la probabilidad de que una entidad (objeto individual) pertenezca a una clase o grupo particular con base en varias variables independientes medibles o métricas.
Por ejemplo el análisis discriminante se puede utilizar para distinguir entre innovadores y no innovadores de acuerdo a su perfil demográfico y psicográfico.
Análisis multivariado de varianza y covarianza (MANOVA)

Es un método estadístico para explorar simultáneamente la relación entre varias variables categóricas independientes (referidas como tratamientos) y dos o más variables dependientes medibles o métricas. Es una extensión del ANOVA univariado. El análisis multivariado de covarianza (MANCOVA) se puede usar en conjunto con el MANOVA para remover (después del experimento) el efecto de cualquier variable métrica independiente no controlada (conocida como covariada) en la variable independiente.
Análisis conjunto

Se aplica a nuevos productos para evaluar la importancia de los atributos del nuevo producto así como los niveles de cada atributo, mientras que el consumidor evalúa solo unos pocos perfiles del producto como combinaciones de los niveles de producto.
Por ejemplo asumir un producto con tres atributos (precio, calidad y color), cada uno en tres niveles posibles (vgrVg.. Rojo, amarillo y azul). En vez de tener que evalurevaluar las 27 combinaciones posibles (3x3x3), se evalúa un subconjunto de 9 o más combinaciones con base en su atractivo para el consumidor, de manera que el investigador no solo conozca la importancia de cada atributo, sino además la importancia de cada nivel (atractivo del rojo vsvs. amarillo vsvs. azul).
Correlación canónica

El análisis de correlación puede ser visto como una extensión lógica de la regresión múltiple. Donde se trata de correlacionar simultáneamente varias variables dependientes medibles o métricas y varias variables independientes medibles. El principio es establecer una combinación lineal de cada conjunto de variables (dependientes e independientes) para maximizar la correlación entre los dos conjuntos (obteniendo ponderaciones adecuados para las variables).
Análisis de conglomerados (Clusters)

Es una técnica analítica para desarrollar sugrupossubgrupos significativos de individuos u o objetos. Específicamente, el objetivo es clasificar una muestra de entidades (individuos u objetos) en un número más pequeño de grupos más pequeños con base en las similitudes entre entidades. A diferencia del análisis discriminante, los grupos no están definidos, más bien se usa para identificarlos.
Normalmente se realiza en tres pasos. El primero es la medición de alguna forma de similitud o asociación entre las entidades para identificar cuantos grupos realmente existen en la muestra. El segundo paso es el proceso en sí de conglomerados, donde las entidades se particionan en grupos (conglomerados o clusters). El paso final es perfilar las personas o variables para determinar su composición. Muchas veces esto último se realiza con el análisis discriminante.
Escala multidimensional

El objetivo es transformar los juicios del consumidor de similitud o preferencias (vgrVg.. Preferencia por tiendas o marcas) en distancias representadas en un espacio multidimensional. Si los objetos A y B se juzgan por el consumidor como similares, comparados con cualquier otro par de objetos, la técnica posiciona los objetos A y B de manera que la distancia entre ellos en un espacio multidimensional es más pequeñopequeña que la distancia entre cualquier otro par de objetos. Al final se muestra un mapa perceptual con la posición relativa de los objetos.
Análisis de correspondencia

Facilita tanto la reducción dimensional de objetos en un conjunto de atributos y el mapa perceptual de objetos respecto a estos atributos. En su forma más elemental es una tabla de contingencia o tabulación cruzada de dos variables categóricas. Transforma los datos no métricos a un nivel medible y realiza una reducción dimensional (similar al análisis de factores) y un mapa perceptual (similar al análisis multidimensional).
Por ejemplo, las preferencias de marcas de los consumidores pueden ser tabuladas contra variables demográficas (vgrVg.. Género, categorías de ingresos, ocupación) indicando cuanta gente prefiere cada una de las marcas que caen en cada categoría de las variables demográficas. Por medio del análisis de correspondencia, la asociación o “correspondencia” de marcas y las características distintivas de aquellos que prefieren las marcas se muestran en un mapa tridimensional o bidimensional tanto de marcas como de las características que distinguen a aquellos que prefieren cada marca.
Modelos de probabilidad lineal (Análisis Logit)

Son una combinación de regresión múltiple y análisis discriminante. Es similar al análisis de regresión múltiple excepto que la variable dependiente es categórica no métrica como en el análisis discriminante.
Modelos de ecuaciones estructurales

A veces se refiere como el nombre del software LISREL, es una técnica que permite separar las relaciones del conjunto de variables dependientes. En su forma más sencilla proporciona el modelo más adecuado y la técnica de estimación más eficiente para una serie de ecuaciones de regresión múltiple, evaluadas simultáneamente. Se caracteriza por dos componentes básicos: (1) el modelo estructural y (2) el modelo de medición.
El modelo estructural es la “vía” que relaciona variables dependientes e independientes. El modelo de medición permite al investigador a usar varias variables (indicadores) para una variable dependiente e independiente.
Los datos para HATCO son los siguientes:
Variables / Tipo

Percepciones / Medibles (Métricas)

X1 Tiempo de entrega - entrega del producto con la orden confirmada

X2 Nivel de precios - nivel de precio percibido ponderacióndo por proveedores

X3 Flexibilidad de precios - flexibilidad para negociar precios

X4 Imagen de la empresa - general

X5 Servicio en general - nivel necesario para mantener relaciones

X6 Imagen de la fuerza de ventas - general

X7 Calidad del producto – calidad percibida en desempeño o rendimiento
Resultados de compras / Medibles (Métricas)

X9 Nivel de utilización - que porcentaje de producto es surtido por Hatco

X10 Nivel de satisfacción – que tan satisfecho esta el cliente con Hatco
Características del comprador / No Medibles (No Métricas)

X8 Tamaño de la empresa - 1- Grande 0 - pequeño

X11 Especificación de compra - 1-Evalúa por el valor total y 0- especificación

X12 Estructura de abastecimiento – 1- centralizado 0 - descentralizado

X13 Tipo de industria - 1- industria A 0 – otras industrias

X14 Tipo de situación de compra – 1- nueva 2- modificada 0- tradicional

3. ANOVA DE K DIRECCIONES

3. ANOVA (análisis de varianza de k direcciones )

El ANOVA es similar a la regresión en el sentido de que se utiliza para investigar y modelar la relación entre una variable de respuesta y una o más variables independientes. Sin embargo, el ANOVA difiere de la regresión en dos aspectos: las variables independientes son cualitativas (categóricas), y no hay supuestos acerca de la naturaleza de la relación (o sea que el modelo no incluye coeficientes para variables). En efecto el ANOVA extiende la prueba de dos muestras con prueba t para probar la igualdad de dos poblaciones a una hipótesis más general al comparar más de dos medias, versus que no sean iguales.

Definición: Es una prueba estadística para evaluar el efecto de dos o más variables independientes sobre una variable dependiente.
Responde a esquemas como el que se muestra en la figura:


Constituye una extensión del análisis de varianza unidireccional, solamente

queQue incluye más de una variable independiente. Evalúa los efectos por separado de cada variable independiente y los efectos conjuntos de dos o más variables independientes.
Variables: Dos o más variables independientes y una dependiente.
Nivel de medición de las variables: La variable dependiente (criterio) debe estar

medida en un nivel por intervalos o razón, y las variables independientes (factores) pueden estar en cualquier nivel de medición, pero expresadas de manera categórica.
Interpretación y ejemplo
Hi: La similitud en valores, la atracción física y el grado de retroalimentación

positiva son variables que inciden en la satisfacción sobre la relación en parejas de novios.
Contexto: Muestra de parejas de adultos jóvenes (23-29 años), pertenecientes a estratos económicos altos (n=400).
El ANOVA efectuado mediante un paquete estadístico computacional como

SPSS produce los siguientes elementos básicos:
Fuente de la variación (source of variation). Es el factor que origina variación en la dependiente. Si una fuente no origina variación en la dependiente, no tiene efectos.
Efectos principales (main effects). Es el efecto de cada variable independiente

por separado; no está contaminado del efecto de otras variables iindependientesindependientes ni de error. Suele proporcionarse la suma de todos los efectos principales.
Interacciones de dos direcciones (2-way interactions). Representa el efecto conjunto de dos variables independientes, aislado de los demás posibles efectos de las variables independientes (individuales o en conjuntos). Suele proporcionarse la suma de los efectos de todas estas interacciones.
Interacciones de tres direcciones (3-way interactions). Constituye el efecto conjunto de tres variables independientes, aislado de otros efectos. Suele proporcionarse la suma de los efectos de todas estas interacciones.
• Puede haber efecto de K-direcciones, esto dependiedepende del número de variables independientes.
En nuestro ejemplo, tenemos los resultados siguientes:
TABLA ANOVA
VARIABLE DEPENDIENTE: SATISFACCIÓN EN LA RELACIÓN


Fuente de variación

Suma de cuadrados

Grados de libertad

Cuadrados medios

Estadístico F

Significancia de Fc = P

Efectos principales

(main effects










22.51

.001**

SIMILITUD










31.18

0.001**

ATRACCIÓN










21.02

0.001**

RETROALIM










11.84

0.004**

SIMILITUD ATRACCIÓN










-4.32

0.04*

SIMILITUD

RETROALIM










2.18

0.11

ATRACCION

RETROALIM










1.56

0.190

SIN – RETROL-ATRACCION










8.01

0.02*


NOTA: Normalmente interesa saber si las razones “F” resultaron o no significativas; por tanto, sólo se incluyen estos valores. Se recomienda concentrarse en dichos valores y evitar confusiones. Desde luego, el investigador experimentado acostumbra estudiar todos los valores.
**— Razón “F” significativa al nivel del 0.01 (p < 0.01)
*—Razón “F” significativa al nivel del 0.05 (p < 0.05)
Como podemos ver en la tabla, la similitud, la atracción y la retroalimentación tienen un efecto significativo sobre la satisfacción en la relación.
Respecto a los efectos de dos variables independientes conjuntas, sólo la similitud y la atracción tienen un efecto, hay un efecto conjunto de las tres variables independientes. La hipótesis de investigación se acepta y la nula se rechaza. Asimismo, se recuerda al lector que en el capítulo 5 del presente disco: Otros diseños experimentales (en el apartado sobre diseños factoriales) se explica la noción de interacción entre variables independientes. Cabe agregar que el ANOVA es un método estadístico propio para los diseños experimentales factoriales.
  1   2   3   4   5   6   7   8   9   ...   21

Añadir el documento a tu blog o sitio web

similar:

3. Mediante otra fórmula que se basa en la correlación promedio MÉtodos de análisis multivariado iconMateriales de referencia-analisis de gases-metodos de comparacion...

3. Mediante otra fórmula que se basa en la correlación promedio MÉtodos de análisis multivariado iconTema específico: Análisis de la cantidad promedio y motivos aparentes...

3. Mediante otra fórmula que se basa en la correlación promedio MÉtodos de análisis multivariado icon' es el conocimiento sistematizado, elaborado mediante observaciones,...

3. Mediante otra fórmula que se basa en la correlación promedio MÉtodos de análisis multivariado iconObjetivos generales capacitar al alumno en el análisis, comprensión...

3. Mediante otra fórmula que se basa en la correlación promedio MÉtodos de análisis multivariado iconResumen del Capítulo 'La encuesta' del libro "El análisis de la realidad...

3. Mediante otra fórmula que se basa en la correlación promedio MÉtodos de análisis multivariado iconAjuste. Regresión y correlacióN

3. Mediante otra fórmula que se basa en la correlación promedio MÉtodos de análisis multivariado iconResumen La enseñanza por medio del estudio o análisis de casos es...

3. Mediante otra fórmula que se basa en la correlación promedio MÉtodos de análisis multivariado iconIbex 35: Análisis de su representatividad como referencia principal...

3. Mediante otra fórmula que se basa en la correlación promedio MÉtodos de análisis multivariado iconTrayecto Político es un importante esfuerzo editorial, mediante el...

3. Mediante otra fórmula que se basa en la correlación promedio MÉtodos de análisis multivariado iconProducto promedio del trabajo (pp L )




Economía


© 2015
contactos
e.exam-10.com