Académique Documents
Professionnel Documents
Culture Documents
= =
Donde V(rs) es el elemento con rengln r-simo y columna s-sima, de la
matriz inversa de covarianza para las variables p. Tambin se puede escribir en
forma matricial como:
) ,....., , ( '
) ,...., , ( '
2 1
2 1
p
p
x x x x
=
=
=
=
pi
i
i
i
j i j i ij
V D
.....
) ( )' (
2
1
1 2
i es el vector de medias para la poblacin i-sima y V es el vector de
covarianza. Una condicin es que la V sea similar para todas las poblaciones.
La distancia de Mahalanobis se utiliza frecuentemente para medir la distancia
de una observacin simple multivariada desde el centro de la poblacin de la
que emerge la observacin. Tambin se puede interpretar como un residuo
respecto al centro, con la consideracin de que si excede cierto valor se
investigue como punto aberrante.
Pg. 51
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Para el modelo discriminante, los vectores promedio de las m muestras pueden
ser considerados como estimados de los vectores promedio de los grupos.
Pueden calcularse las distancias de mahalanobis de individuos a centros de
grupos, y cada individuo puede ser asignado al grupo que le sea ms cercano.
El grupo final puede ser diferente del grupo del que procede originalmente. El
porcentaje de asignacin correcta es una indicacin clara de que tan bien los
grupos pueden ser separados, usando las variables disponibles.
El procedimiento puede definirse de manera ms clara como sigue:
El vector de valores promedio de la muestra del i-simo grupo es
) ,...., , ( '
2 1 pi i i
x x x x =
La matriz de covarianza para las muestras es:
=
pp p p
p
p
c c c
c c c
c c c
C
....
....... ..........
....
....
2 1
2 22 21
1 12 11
La distancia de Mahalanobis de una observacin
)' ,......, , ( '
2 1 p
x x x x =
al
centro del grupo i se estima con:
) ( )' (
1 2
i i i
x x C x x D =
) ( ) (
1 1
2
si s
rs
p
r
p
s
ri r i
x x c x x D =
= =
Donde c
rs
es el elemento den la r-sima fila y la s-sima columna de C
-1
. La
observacin x es asignada al grupo para el cual D
i
2
tiene el valor ms pequeo.
0unciones cannicas discriminantes
Pg. 52
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Es a veces til poder determinar las funciones de las variables X's que en
alguna forma separen los m grupos tan bien como sea posible. El mtodo ms
sencillo consiste en tomar una combinacin lineal de las variables X:
p p
X a X a X a Z + + + = ........
2 2 1 1
Una forma de seleccionar los coeficientes a's es seleccionar los que den la
mayor Fc en una ANOVA. Si se utiliza este mtodo, se encuentran las
funciones cannicas discriminantes para cada observacin i(sima que no
estn correlacionadas entre s.
p ip i i i
X a X a X a Z + + + = ........
2 2 1 1
La tabla ANOVA para una variable simple y m muestras es la siguiente:
Fuente de Suma de Grados de Cuadrado Medio F
Variacin cuadrados libertad
Entre muestras - G + H 9 m -1 M1 = B/(m-1) M1/M2
Dentro
= =
=
m
j
n
i
j ij
j
x x W
1
2
1
) ( n - m
de muestras
Total
= =
=
m
j
n
i
ij
j
x x T
1
2
1
) ( n 1
j
n
Tamao de la muestra j-sima
n
Nmero total de observaciones
ij
x
Es la observacin i-sima de la j-sima muestra
=
=
j
n
i
j
ij
j
n
x
x
1
Media de la muestra j-sima
= =
=
m
j
n
i
ij
j
n
x
x
1 1
Media global de todos los datos
El elemento en la fila r(sima y columna c(sima en la matriz + es:
) )( (
1 1
c ijc
m
j
n
i
r ijr rc
x x x x t
j
=
= =
El elemento en la r(sima fila y c(sima columna de la matriz 9 es:
Pg. 53
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
) )( (
1 1
jc ijc
m
j
n
i
jr ijr rc
x x x x w
j
=
= =
Hallar los coeficientes de las funciones discriminantes cannicas se convierte
en un problema de eigenvalores. La matriz de variacin dentro de la muestra 9
y la matriz de suma de cuadrados total + se calculan con las ecuaciones
anteriores. Por tanto la matriz entre grupos se determina con:
- G + H 9
Los eigenvalores y los eigenvectores se determinan con la matriz 9
@1
-. Si los
eigenvalores 1>2>3>..s entonces i es la razn de la suma de cuadrados
entre grupos a la suma de cuadrados entre grupos para la i-sima combinacin
lineal, Zi, mientras que los elementos de los eigenvectores, aIi = (ai1, ai2, ai3,
.., aip), son los coeficientes de Zi.
Las funciones cannicas discriminantes Z1, Z2,., Zp son combinaciones
lineales de las variables originales seleccionadas de tal forma que Z1 refleje
tanta diferencia de grupo como sea posible; Z2 capture tanta diferencia de
grupo como sea posible no mostrada por Z1; Z3 capture tanta diferencia de
grupo como sea posible que no sea mostrada por Z1 y Z2; etc. Se espera que
con las primeras funciones sea suficiente para acumular la mayor parte de las
diferencias de grupo. Si y solo si con las primeras dos variables se cumple esta
condicin, se puede graficar la diferencia entre grupos, graficando las funciones
para los individuos de las muestras.
El nmero de variables cannicas es el mnimo entre el nmero de variables
(X's) y el nmero de grupos menos uno (m 1= 2). Para el anlisis discrimnate
es necesario proporcionar el grupo al que pertenecen al inicio las
observaciones.
Para probar la significancia de la prueba, se puede utilizar el estadstico T2, de
Hottelling basado en el supuesto de normalidad y variabilidad similar dentro de
las muestras. Es decir que las muestras vengan de una distribucin mutivariada
normal con matrices de covarianza similares.
Pg. 54
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Para probar si la funcin discriminante cannica Zj vara significativamente de
grupo a grupo se utiliza un estadstico Chi cuadrado.
Finalmente, se pueden analizar las distancias de Mahalanobis de las
observaciones a los centros de los grupos a ser examinados. Deben variar de
acuerdo a una distribucin Chi cuadrada con p grados de libertad, si exceden el
valor crtico, se debe analizar si la observacin realmente viene del grupo
asignado.
Pg. 55
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
'%emplo,
El porcentaje de personas empleadas en nueve diferentes sectores industriales
en Europa (Agr = agricultura; Min = minera; Man = Manufactura; Ps = Energa;
Con = Construccin; Ser = Servicios; Fin = Finanzas; Sps = Servicios sociales;
Tc = Transporte y comunicaciones).
"o 6rupo &iudad Agr Min Man 4s &on .er 0in .ps +c
1 1 Blgica 3.3 0.9 27.6 0.9 8.2 19.1 6.2 26.6 7.2
2 1 Dinamarca 9.2 0.1 21.8 0.6 8.3 14.6 6.5 32.2 7.1
3 1 Francia 10.8 0.8 27.5 0.9 8.9 16.8 6.0 22.6 5.7
4 1 Alemania Occ. 6.7 1.3 35.8 0.9 7.3 14.4 5.0 22.3 6.1
5 1 rlanda 23.2 1.0 20.7 1.3 7.5 16.8 2.8 20.8 6.1
6 1 talia 15.9 0.6 27.6 0.5 10.0 18.1 1.6 20.1 5.7
7 1 Luxenburgo 7.7 3.1 30.8 0.8 9.2 18.5 4.6 19.2 6.2
8 1 Holanda 6.3 0.1 22.5 1.0 9.9 18.0 6.8 28.5 6.8
9 1 nglaterra 2.7 1.4 30.2 1.4 6.9 16.9 5.7 28.3 6.4
10 1 Austria 12.7 1.1 30.2 1.4 9.0 16.8 4.9 16.8 7.0
11 1 Finlandia 13.0 0.4 25.9 1.3 7.4 14.7 5.5 24.3 7.6
12 2 Grecia 41.4 0.6 17.6 0.6 8.1 11.5 2.4 11.0 6.7
13 1 Noruega 9.0 0.5 22.4 0.8 8.6 16.9 4.7 27.6 9.4
14 2 Portugal 27.8 0.3 24.5 0.6 8.4 13.3 2.7 16.7 5.7
15 2 Espaa 22.9 0.8 28.5 0.7 11.5 9.7 8.5 11.8 5.5
16 1 Suecia 6.1 0.4 25.9 0.8 7.2 14.4 6.0 32.4 6.8
17 1 Suiza 7.7 0.2 37.8 0.8 9.5 17.5 5.3 15.4 5.7
18 2 Turqua 66.8 0.7 7.9 0.1 2.8 5.2 1.1 11.9 3.2
19 3 Bulgaria 23.6 1.9 32.3 0.6 7.9 8.0 0.7 18.2 6.7
20 3 Checa 16.5 2.9 35.5 1.2 8.7 9.2 0.9 17.9 7.0
21 3 Alemania Ori. 4.2 2.9 41.2 1.3 7.6 11.2 1.2 22.1 8.4
22 3 Hungra 21.7 3.1 29.6 1.9 8.2 9.4 0.9 17.2 8.0
23 3 Polonia 31.1 2.5 25.7 0.9 8.4 7.5 0.9 16.1 6.9
24 3 Rumania 34.7 2.1 30.1 0.6 8.7 5.9 1.3 11.7 5.0
25 3 Rusia 23.7 1.4 25.8 0.6 9.2 6.1 0.5 23.6 9.3
26 3 Yugoslavia 48.7 1.5 16.8 1.1 4.9 6.4 11.3 5.3 4.0
En este caso el nmero de variables cannicas es el mnimo entre el nmero
de variables (8) y el nmero de grupos menos uno (m 1= 2). Las variables
cannicas se obtienen a continuacin:
Las instrucciones de Minitab son las siguientes:
1 Cargar los datos a Minitab
2 .tat / Multiariate / Discriminant Analysis.
3 En 6roups, poner SalmonCri-in.
4 En 4redictors, poner $res9)ater Marine. Click #2.
Los resultados se muestran a continuacin:
Pg. 56
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Discriminant Analysis, 6rupo ersus Agr3 Min3 ...
A#ter su"tracting group means,
Agr is ?ig?ly correlated (it? ot?er predictors,
A#ter su"tracting group means,
Man is ?ig?ly correlated (it? ot?er predictors,
A#ter su"tracting group means,
%ps is ?ig?ly correlated (it? ot?er predictors,
Linear Met?od #or 5esponseG >rupo
!redictorsG Agr, Min, Man, !s, &on, %er, Fin, %ps
>roup + $ .
&ount / / 2
%ummary o# classi#ication
True >roup
!ut into >roup + $ .
+ 2 + -
$ + 2 -
. - - 2
Total ' / / 2
' correct 2 2 2
!roportion -,22/ -,22/ +,---
' 4 $6 ' &orrect 4 $1 !roportion &orrect 4 -,/$.
%7uared Distance Eet(een >roups
+ $ .
+ -,---- /,1.62 1-,+.2*
$ /,1.62 -,---- $-,12.$
. 1-,+.2* $-,12.$ -,----
Linear Discriminant Function #or >roups
+ $ .
&onstant 6+++0+ 6+-2$+ 6+-602
Agr $$+ $+2 $+0
Min $21 $00 $0/
Man $++ $-2 $-0
!s .0+ .6/ .0+
&on $20 $2. $2$
%er $11 $./ $.6
Fin $-1 $-- +//
%ps $** $*+ $1/
Means #or >roup
Varia"le !ooled Mean + $ .
Agr +/,+.+ /,*.. $.,-11 $*,*$*
Min +,$*.2 +,-... -,***6 $,$20*
Man $0,--2 $0,+60 $1,*$$ $/,6$*
!s -,/-06/ -,/$$$$ -,0222/ +,-$*--
&on 2,+6*1 2,1660 2,-**6 0,/*--
%er +$,/*2 +0,-$$ +.,... 0,/6.
Pg. 57
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Fin 1,---- *,-$$$ 1,*660 $,$+$*
%ps $-,-$. $1,*++ +2,6*6 +6,*+.
!ooled %tDev #or >roup
Varia"le %tDev + $ .
Agr +1,.0 6,12 $-,-+ +.,+*
Min -,661. -,/--- -,$02/ -,66--
Man 6,/6/ 1,20+ 2,.1. 0,$01
!s -,.022 -,$/-6 -,.2** -,1*$2
&on +,6// +,++0 $,.16 +,..-
%er $,01/ +,6.2 .,//0 +,26/
Fin $,6.- +,060 $,$+* .,62+
%ps 6,+12 1,*$1 0,661 *,2-.
!ooled &ovariance Matrix
Agr Min Man !s &on %er Fin %ps
Agr $-6,1**
Min 6+,10+ -,11+
Man 62-,22/ +,62. 12,*6/
!s 6$,*62 -,-20 -,22+ -,+1.
&on 6+.,+/+ -,-$/ 6,$6/ -,-1$ $,220
%er 6.+,+2+ -,..6 ++,06. -,*06 $,-06 0,***
Fin 6.,10/ 6-,1$1 6+,$+6 -,$$- 6-,+12 -,$20 6,/+6
%ps 6*/,1$/ 6-,012 /,6-0 -,1$1 +,-2$ 6,./0 6+,1.$
%ps .0,0/2
&ovariance matrix #or >roup +
Agr Min Man !s &on %er Fin %ps
Agr 1$,-*.
Min 6-,2-- -,2+-
Man 6+*,.*/ $,*$$ $.,0$0
!s 6-,-60 -,-1- 6-,-*2 -,-21
&on -,2*6 6-,+*6 6+,.06 6-,$-2 +,$12
%er 6-,006 -,.0$ 6-,2-/ -,-+$ -,/$- $,621
Fin 62,*.0 6-,.+$ 6-,$0$ -,-01 6-,$*1 6-,1.$ .,+$$
%ps 6+1,/1/ 6$,.*/ 62,-*$ -,+-- 6-,/$$ 6$,-*- *,/-6
%ps $-,166
&ovariance matrix #or >roup $
Agr Min Man !s &on %er Fin %ps
Agr 1--,$$2
Min +,..6 -,-02
Man 6+1-,6+1 6-,1*/ 6/,6-/
!s 6*,2-2 -,-$+ $,-/- -,+1/
&on 6.-,2+. -,-$* +*,$*6 -,1.0 *,*-*
%er 60+,.*0 6-,$22 $*,*$2 +,+1/ 1,/1* +*,/02
Fin 6.+,./$ -,-12 +$,26* -,1.2 .,2.- .,+0/ 1,/-2
%ps 6/2,2+- 6-,0.$ ++,*-1 +,+.+ 6-,00+ +6,-$/ 1,/2+
%ps *2,0.*
&ovariance matrix #or >roup .
Agr Min Man !s &on %er Fin %ps
Agr +0$,222
Min 6*,11* -,1.6
Man 620,*$* .,+0$ *$,/+1
!s 6+,0$$ -,$+2 -,*0$ -,$-*
&on 6/,+-6 -,$1* 1,0.1 6-,+$. +,06/
%er 6$-,-+. +,--/ +-,1-+ -,*6* -,++/ .,1/1
Fin .1,$-+ 6+,-/. 6+2,.2/ -,+.* 61,*01 6$,+/* +.,*10
Pg. 58
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
%ps 66*,$*6 +,-06 $0,6$+ 6-,-+. *,1/+ *,-1$ 6+0,+10
%ps ..,602
%ummary o# Misclassi#ied )"servations
True !red %7uared
)"servation >roup >roup >roup Distance !ro"a"ility
133 + $ + ++,.$6 -,-00
$ 6,.0. -,/$+
. +/,0/6 -,--+
+633 $ + + *,.*- -,/11
$ +-,/2/ -,-*6
. .*,010 -,---
&orrida con .4..
Discriminant
9arnings
Option ''SEPARATE'' means
classification using group
covariance matrices of the canonical
discriminant functions, not those of
the original variables. f there are
fewer functions than variables, that
makes a difference.
Analysis &ase 4rocessing .ummary
26 100.0
0 .0
0 .0
0 .0
0 .0
26 100.0
Unweighted Cases
Valid
Missing or out-of-range
group codes
At least one missing
discriminating variable
Both missing or
out-of-range group codes
and at least one missing
discriminating variable
Total
Excluded
Total
N Percent
Pg. 59
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
6roup .tatistics
9.5929 5.3626 14 14.000
.8500 .7743 14 14.000
27.6214 5.0773 14 14.000
.9571 .2875 14 14.000
8.4214 1.0401 14 14.000
16.6786 1.5783 14 14.000
5.1143 1.4206 14 14.000
24.0786 5.3738 14 14.000
39.7250 19.6736 4 4.000
.6000 .2160 4 4.000
19.6250 9.0205 4 4.000
.5000 .2708 4 4.000
7.7000 3.6102 4 4.000
9.9250 3.4760 4 4.000
3.6750 3.2908 4 4.000
12.8500 2.5981 4 4.000
25.5250 13.1487 8 8.000
2.2875 .6600 8 8.000
29.6250 7.2742 8 8.000
1.0250 .4528 8 8.000
7.9500 1.3299 8 8.000
7.9625 1.8693 8 8.000
2.2125 3.6806 8 8.000
16.5125 5.8033 8 8.000
19.1308 15.5466 26 26.000
1.2538 .9700 26 26.000
27.0077 7.0078 26 26.000
.9077 .3762 26 26.000
8.1654 1.6456 26 26.000
12.9577 4.5753 26 26.000
4.0000 2.8066 26 26.000
20.0231 6.8295 26 26.000
AGR
MN
MAN
PS
CON
SER
FN
SPS
AGR
MN
MAN
PS
CON
SER
FN
SPS
AGR
MN
MAN
PS
CON
SER
FN
SPS
AGR
MN
MAN
PS
CON
SER
FN
SPS
GRUPO
1.00
2.00
3.00
Total
Mean Std. Deviation Unweighted Weighted
Valid N (listwise)
Analysis 1
.ummary of &anonical Discriminant 0unctions
'igenalues
11.347
a
92.1 92.1 .959
.977
a
7.9 100.0 .703
Function
1
2
Eigenvalue % of Variance Cumulative %
Canonical
Correlation
First 2 canonical discriminant functions were used in the
analysis.
a.
Pg. 60
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
9ilJsK )am(da
.041 62.301 16 .000
.506 13.290 7 .065
Test of Function(s)
1 through 2
2
Wilks'
Lambda Chi-square df Sig.
.tandardi!ed &anonical Discriminant 0unction &oefficients
3.690 .555
-.197 .551
2.038 .736
-.039 .357
.237 -.010
1.900 .025
1.047 .357
2.205 .970
AGR
MN
MAN
PS
CON
SER
FN
SPS
1 2
Function
.tructure Matri7
.630* .339
.157* -.032
-.243 -.737*
-.265 .592*
-.001 .551*
-.017 .544*
.229 .505*
.045 .103*
SER
FN
AGR
MN
PS
MAN
SPS
CON
1 2
Function
Pooled within-groups correlations between discriminating
variables and standardized canonical discriminant functions
Variables ordered by absolute size of correlation within function.
Largest absolute correlation between each variable and
any discriminant function
*.
0unctions at 6roup &entroids
2.792 .264
-1.234 -2.150
-4.269 .613
GRUPO
1.00
2.00
3.00
1 2
Function
Unstandardized canonical discriminant
functions evaluated at group means
Pg. 61
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
6roup coariances of canonical discriminant functions
.867 -.168
-.168 .737
2.340 .242
.242 .726
.672 .209
.209 1.605
Function
1
2
1
2
1
2
GRUPO
1.00
2.00
3.00
1 2
The pooled within-groups covariance matrix of the canonical
discriminant functions is an identity matrix by definition.
-o7Ks +est of '?uality of &oariance Matrices of &anonical
Discriminant 0unctions
)og Determinants
2 -.492
2 .495
2 .035
2 .000
GRUPO
1.00
2.00
3.00
(identity matrix)
Rank
Log
Determinant
The ranks and natural logarithms of determinants
printed are those of the group covariance matrices
of the canonical discriminant functions.
+est Results
4.673
.629
6
707.141
.707
Box's M
Approx.
df1
df2
Sig.
F
Tests null hypothesis of equal population covariance
matrices of canonical discriminant functions.
&lassification .tatistics
&lassification 4rocessing .ummary
26
0
0
26
Processed
Missing or out-of-range
group codes
At least one missing
discriminating variable
Excluded
Used in Output
Pg. 62
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
4rior 4ro(a(ilities for 6roups
.538 14 14.000
.154 4 4.000
.308 8 8.000
1.000 26 26.000
GRUPO
1.00
2.00
3.00
Total
Prior Unweighted Weighted
Cases Used in Analysis
.eparate@6roups 6rap1s
Canonical Discriminant Functions
GRUPO = 1
Function 1
4.5 4.0 3.5 3.0 2.5 2.0 1.5 1.0
F
u
n
c
t
i
o
n
2
2.5
2.0
1.5
1.0
.5
0.0
-.5
-1.0
-1.5
Group Centroid
Group Centroid
1
Canonical Discriminant Functions
GRUPO = 2
Function 1
1.0 .5 0.0 -.5 -1.0 -1.5 -2.0 -2.5
F
u
n
c
t
i
o
n
2
-1.0
-1.5
-2.0
-2.5
-3.0
-3.5
Group Centroid
Group Centroid
2
Pg. 63
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Canonical Discriminant Functions
GRUPO = 3
Function 1
-3.0 -3.5 -4.0 -4.5 -5.0 -5.5
F
u
n
c
t
i
o
n
2
3
2
1
0
-1
-2
Group Centroid
Group Centroid
3
Canonical Discriminant Functions
Function 1
6 4 2 0 -2 -4 -6
F
u
n
c
t
i
o
n
2
3
2
1
0
-1
-2
-3
-4
GRUPO
Group Centroids
3
2
1
3
2
1
&lassification Results
a
14 0 0 14
0 4 0 4
0 0 8 8
100.0 .0 .0 100.0
.0 100.0 .0 100.0
.0 .0 100.0 100.0
GRUPO
1.00
2.00
3.00
1.00
2.00
3.00
Count
%
Original
1.00 2.00 3.00
Predicted Group Membership
Total
100.0% of original grouped cases correctly classified.
a.
Pg. 64
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Territorial Map
&anonical Discriminant
Function $
66,- 61,- 6$,- ,- $,- 1,- 6,-
6,- .+
.+
.+
.+
.+
.+
1,- .+
.+
.+
.+
.+
.+
$,- .+
.+
..+
.$$$+
3 ..$ $+
.$$ $+ 3
,- ..$ $+
..$$ $+
.$$ $+
..$ $+
.$$ $+
..$ $+
6$,- .$$ 3 $+
..$ $+
.$$ $+
..$ $+
.$$ $+
..$ $+
61,- .$$ $+
..$ $+
$$ $+
$+
$+
$+
66,- $+
66,- 61,- 6$,- ,- $,- 1,- 6,-
&anonical Discriminant Function +
%ym"ols used in territorial map
%ym"ol >roup La"el
666666 66666 66666666666666666666
+ +
$ $
. .
3 @ndicates a group centroid
Canonical Discriminant Functions
Function 1
6 4 2 0 -2 -4 -6
F
u
n
c
t
i
o
n
2
3
2
1
0
-1
-2
-3
-4
GRUPO
Group Centroids
3
2
1
3
2
1
Pg. 65
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
'%emplo,
Para regular la pesca de salmn, se desea identificar si el pescado es originario
de Alaska o de Canad. Cincuenta peces de cada lugar de origen fueron
capturados y pesados cuando vivan en agua dulce y cuando vivieron en agua
salada. El objetivo es el de poder identificar si los nuevos pescados vienen de
criaderos en Alaska o Canad. Los datos se muestran a continuacin:
SalmonOrigin Freshwater Marine SalmonOrigin Freshwater Marine
Alaska 108 368
CanadaCana
d 129 420
Alaska 131 355
CanadaCana
d 148 371
Alaska 105 469
CanadaCana
d 179 407
Alaska 86 506
CanadaCana
d 152 381
Alaska 99 402
CanadaCana
d 166 377
Alaska 87 423
CanadaCana
d 124 389
Alaska 94 440
CanadaCana
d 156 419
Alaska 117 489
CanadaCana
d 131 345
Alaska 79 432
CanadaCana
d 140 362
Alaska 99 403
CanadaCana
d 144 345
Alaska 114 428
CanadaCana
d 149 393
Alaska 123 372
CanadaCana
d 108 330
Alaska 123 372
CanadaCana
d 135 355
Alaska 109 420
CanadaCana
d 170 386
Alaska 112 394
CanadaCana
d 152 301
Alaska 104 407
CanadaCana
d 153 397
Alaska 111 422
CanadaCana
d 152 301
Alaska 126 423
CanadaCana
d 136 438
Alaska 105 434
CanadaCana
d 122 306
Alaska 119 474
CanadaCana
d 148 383
Alaska 114 396
CanadaCana
d 90 385
Alaska 100 470
CanadaCana
d 145 337
Alaska 84 399 CanadaCana 123 364
Pg. 66
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
d
Alaska 102 429
CanadaCana
d 145 376
Alaska 101 469
CanadaCana
d 115 354
Alaska 85 444
CanadaCana
d 134 383
Alaska 109 397
CanadaCana
d 117 355
Alaska 106 442
CanadaCana
d 126 345
Alaska 82 431
CanadaCana
d 118 379
Alaska 118 381
CanadaCana
d 120 369
Alaska 105 388
CanadaCana
d 153 403
Alaska 121 403
CanadaCana
d 150 354
Alaska 85 451
CanadaCana
d 154 390
Alaska 83 453
CanadaCana
d 155 349
Alaska 53 427
CanadaCana
d 109 325
Alaska 95 411
CanadaCana
d 117 344
Alaska 76 442
CanadaCana
d 128 400
Alaska 95 426
CanadaCana
d 144 403
Alaska 87 402
CanadaCana
d 163 370
Alaska 70 397
CanadaCana
d 145 355
Alaska 84 511
CanadaCana
d 133 375
Alaska 91 469
CanadaCana
d 128 383
Alaska 74 451
CanadaCana
d 123 349
Alaska 101 474
CanadaCana
d 144 373
Alaska 80 398
CanadaCana
d 140 388
Alaska 95 433
CanadaCana
d 150 339
Alaska 92 404
CanadaCana
d 124 341
Alaska 99 481
CanadaCana
d 125 346
Alaska 94 491
CanadaCana
d 153 352
Alaska 87 480
CanadaCana
d 108 339
Las intruccionesinstrucciones de Minitab son las siguientes:
Pg. 67
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
1 Abrir la worksheet EXH_MVAR.MTW.
2 .tat / Multiariate / Discriminant Analysis.
3 En 6roups, poner SalmonCri-in.
4 En 4redictors, poner $res9)ater Marine. Click #2.
Los resultados obtenidos se muestran a continuacin:
Discriminant Analysis, .almon#rigin ersus 0res1Aater3 Marine
Linear Met?od #or 5esponseG %almon)rigin
!redictorsG Fres?(ater, Marine
>roup Alaska &anada
&ount *- *-
%ummary o# classi#ication
True >roup
!ut into >roup Alaska &anada
Alaska 11 +
&anada&anadH 6 1/
Total ' *- *-
' correct 11 1/
!roportion -,22- -,/2-
' 4 +-- ' &orrect 4 /. !roportion &orrect 4 -,/.-
%7uared Distance Eet(een >roups
Alaska &anada
Alaska -,----- 2,$/+20
&anada 2,$/+20 -,-----
Linear Discriminant Function #or >roups
Alaska &anada
&onstant 6+--,62 6/*,+1
Fres?(ater -,.0 -,*-
Marine -,.2 -,..
%ummary o# Misclassi#ied )"servations
%7uared
)"servation True >roup !red >roup >roup Distance !ro"a"ility
+33 Alaska &anada&anadH Alaska .,*11 -,1$2
&anada&anadH $,/6- -,*0$
$33 Alaska &anada&anadH Alaska 2,++.+ -,-+/
&anada&anadH -,$0$/ -,/2+
+$33 Alaska &anada&anadH Alaska 1,010- -,++2
&anada&anadH -,0$0- -,22$
+.33 Alaska &anada&anadH Alaska 1,010- -,++2
&anada&anadH -,0$0- -,22$
.-33 Alaska &anada&anadH Alaska .,$.- -,$2/
&anada&anadH +,1$/ -,0++
.$33 Alaska &anada&anadH Alaska $,$0+ -,161
&anada&anadH +,/2* -,*.6
0+33 &anada&anadH Alaska Alaska $,-1* -,/12
&anada&anadH 0,21/ -,-*$
5nterpretando los resultados
Pg. 68
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
El Anlisis Discriminante identific correctamente 93 de los 100 peces, a pesar
de que la probabilidad de clasificar correctamente un pez de Alaska fue menor
(44/50 o 88%) que la probabilidad de clasificar correctamente un pez de
Canad (49/50 o 98%). Para identificar el origen de un pez recientemente
capturado depende de cual valor discriminante sea mayor. Se puede correr el
anlisis discriminante de nuevo y predecir a que grupo pertenecen las nuevas
observaciones.
El resumen de las observaciones mal clasificadas muestra la distancia al
cuadrado desde el punto mal clasificado a los centroides del grupo (vectores
medios) y las probabilidades posteriores. Las observaciones son asignadas al
grupo con la mayor probabilidad posterior.
Si en #ptions introducimos en Predict membership for: 100 130, la
clasificacin aparece como:
!rediction #or Test )"servations
%7uared
)"servation !red >roup From >roup Distance !ro"a"ility
+ &anada&anadH
Alaska 02,112 -,---
&anada&anadH **,+/1 +,---
Pg. 69
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
El anlisis discriminante involucra establecer una "Variable (Variate),
combinacin lineal de dos o ms variables independientes que discriminarn
mejor entre grupos definidos a priori. Se logra al poner los pesos de la
"variable para cada variable de modo de maximizar la varianza entre grupos
respecto a la varianza dentro de los grupos. La ecuacin de la funcin
discriminante toma la forma de:
nk n k k jk
X W X W X W a Z + + + + = ....
2 2 1 1
Donde:
Zjk = Valor Z discriminante de la funcin discriminante J para el objeto K.
a = nterseccin en eje Y
Wi = Peso discriminante para la variable independiente i.
Xik = Variable independiente i para el objeto k.
La media de un grupo se denomina Centroide, que indica la localizacin tpica
de cualquier individuo dentro de un grupo en particular y una comparacin de
las centroides de los grupos muestra que tan alejados se encuentran en
relacin a la dimensin considerada.
A B A B
Representacin univariada de los valores Z de la funcin discriminante
Las reas sombreadas son la probabilidad de clasificar errneamente los objetos entre A y B
'%emplo con *A+&#,
4aso 1, #(%etios del anlisis discriminante
dentificar las percepciones de HATCO que difieren significativamente entre
empresas que utilizan los mtodos de compra: valor total de compra incluyendo
productos y servicios comprados y compra especificada donde se indican las
caractersticas deseadas del producto y del servicio.
Pg. 70
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
4aso 2. DiseLo de la inestigacin para el anlisis discriminante
La variable dependiente es categrica con dos grupos, las variables
independientes son X1 a X7 y X11 con los mtodos de compra de las
empresas.
LasLa muestra es de 100 observaciones que supera el mnimo de muestras a
variables de 5 a 1, siendo de 10.
Se toma una muestra de 40 observaciones para validar el modelo y se utilizan
60 observaciones para la estimacin.
4aso 3. .upuestos de la funcin discriminante
En la formacin de la Variate debe haber normalidad, linealidad, y
multicolinealidad y la estimacin de la funcin discriminante (matrices de
varianza y covarianza similares). Una prueba de igualdad de covarianza o
matrices de dispersin es la prueba M de Box.
4aso M. 'stimacin del modelo discriminante y ealuacin de a%uste
'%emplo con datos de *atco
El ejemplo siguiente utiliza las mismas variables que el anlisis discriminante
anterior para estimar el modelo.
Utilizando los datos de HATCO, la muestra de 100 clientes se divide en dos
grupos, uno de 60 para anlisis y otro de 40 para validacin. La regresin
logstica es ms robusta ante el supuesto de igualdad de varianza covarianza.
Para el ejemplo se utilizan las 7 variables X1 a X7 teniendo como respuesta a
X11.
nstrucciones en Minitab:
1. .tat / Multiariate / Discriminant Analysis.
2. En 6roups, poner X11.
Pg. 71
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
3 En 4redictors, poner X1 X7.
4. Click #2.
Los resultados se muestran a continuacin:
Discriminant Analysis, =11 ersus =13 =23 =33 =M3 =:3 =N3 =B
Linear Met?od #or 5esponseG B++
!redictorsG B+, B$, B., B1, B*, B6, B0
>roup - +
&ount $* .*
%ummary o# classi#ication
True >roup
!ut into >roup - +
- $1 $
+ + ..
Total ' $* .*
' correct $1 ..
!roportion -,/6- -,/1.
' 4 6- ' &orrect 4 *0 !roportion &orrect 4 -,/*-
%7uared Distance Eet(een >roups
- +
- -,---- +-,/2*0
+ +-,/2*0 -,----
Linear Discriminant Function #or >roups
- +
&onstant 6**,-/$ 660,*01
B+ +$,2+. +6,*./
B$ +$,.+. +1,6.2
B. 0,02- +-,+*2
B1 .,.$- .,6./
B* 6$+,/.. 6$6,201
B6 6$,.$6 6$,+*/
B0 1,.2/ $,6*0
%ummary o# Misclassi#ied )"servations
True !red %7uared
)"servation >roup >roup >roup Distance !ro"a"ility
+.33 - + - 6,$.2 -,101
+ 6,-.$ -,*$6
+033 + - - 0,2/. -,/2-
+ +*,60. -,-$-
*633 + - - 1,0*. -,21+
+ 2,-02 -,+*/
Por medio de SPSS
1. Analize > Clasify > Discriminant
2. Grouping variable X11 (0:1) ndependent variables X1 X7
3. Statistics Univariate ANOVAs Box's M
4. OK
Los resultados se muestran a continuacin
+ests of '?uality of 6roup Means
Pg. 72
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Wilks'
Lambda F df1 df2 Sig.
X1 .614 36.526 1 58 .000
X2
.716 22.953 1 58 .000
X3
.467 66.302 1 58 .000
X4
.997 .145 1 58 .704
X5
.993 .414 1 58 .523
X6
.991 .522 1 58 .473
X7
.528 51.951 1 58 .000
Como se puede observar son significativos X1, X2, X3 y X7.
La funcin discriminante es la siguiente:
.tandardi!ed &anonical Discriminant 0unction &oefficients
Function
1
X1 1.152
X2
.749
X3
.668
X4
.111
X5
-1.153
X6
.042
X7
-.626
La matriz estructural es la siguiente:
.tructure Matri7
Function
1
X3 .643
X7
-.569
X1
.477
X2
-.379
X6
.057
X5
.051
X4
.030
Pooled within-groups correlations between discriminating variables and standardized canonical
discriminant functions Variables ordered by absolute size of correlation within function.
Medias de grupos (centroides) de las funciones cannicas discriminantes:
0unctions at 6roup &entroids
X11
Function
1
.00 -1.933
1.00
1.381
Unstandardized canonical discriminant functions evaluated at group means
Pg. 73
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Z=0
N=24 N=33
Zo=-1.933 Z1=1.063
Grfica de los centroides de grupos
4aso :. $alidacin del modelo
Con los 40 datos restantes se repite la corrida y se observa que los resultados
concuerden:
Pg. 74
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
+ests of '?uality of 6roup Means
Wilks'
Lambda F df1 df2 Sig.
X1 .546 31.628 1 38 .000
X2
.934 2.676 1 38 .110
X3
.789 10.185 1 38 .003
X4
.969 1.205 1 38 .279
X5
.798 9.611 1 38 .004
X6
.997 .105 1 38 .748
X7
.535 33.043 1 38 .000
)og Determinants
X11 Rank
Log
DeterminantDe
terminan
.00 7 -9.872
1.00
7 -6.987
Pooled within-groups
7 -6.367
The ranks and natural logarithms of determinants printed are those of the group covariance matrices.
+est Results
Box's M 63.963
F Approx.
1.776
df1
28
df2
3061.289
Sig.
.007
Tests null hypothesis of equal population covariance matrices.
.tandardi!ed &anonical Discriminant 0unction &oefficients
Function
1
X1 1.932
X2
1.525
X3
.294
X4
-.621
X5
-1.698
X6
.934
X7
-.783
.tructure Matri7
Function
1
X7 -.644
X1
.630
X3
.358
X5
.347
X2
-.183
X4
-.123
X6
-.036
Pg. 75
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Pooled within-groups correlations between discriminating variables and standardized canonical
discriminant functions Variables ordered by absolute size of correlation within function.
0unctions at 6roup &entroids
X11
Function
1
.00 -1.822
1.00
1.093
Unstandardized canonical discriminant functions evaluated at group means
4rior 4ro(a(ilities for 6roups
.500 15 15.000
.500 25 25.000
1.000 40 40.000
X11
.00
1.00
Total
Prior Unweighted Weighted
Cases Used in Analysis
-2 -1 0 1 2 3 4
0
1
2
3
4
5
Mean = 1.09
Std. Dev. = 1.142
N = 25
=11 G 1
&anonical Discriminant 0unction 1
-3.0 -2.5 -2.0 -1.5 -1.0 -0.5 0.0
0
1
2
3
4
5
Mean = -1.82
Std. Dev. = 0.692
N = 15
=11 G O
&anonical Discriminant 0unction 1
&lassification Results(a)
X11
Predicted Group
Membership
Total .00 1.00
Original Count .00 15 0 15
1.00
3 22 25
% .00
100.0 .0 100.0
1.00
12.0 88.0 100.0
a 92.5% of original grouped cases correctly classified.
Pg. 76
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Regresin )ogPstica
Una de las ventajas de la regresin logstica versus el anlisis discriminante es
que es menos afectada por las diferencias en varianzas / covarianzas entre los
grupos, que es una premisa del anlisis discriminante. Otra ventaja es que la
regresin logstica puede manejar variables independientes categricas
fcilmente, mientras que en el anlisis discriminante el uso de variables de
apoyo crea problemas con la igualdad de varianza / covarianza. Finalmente la
regresin logstica es similar a la regresin mltiple en trminos de su
interpretacin e interpretacin incluyendo los residuos.
'%emplo,
Un investigador est interesado en comprender el efecto de fumar y el peso en
el pulso en reposo, como esta ltima variable dependiente es categrica (bajo,
alto) el anlisis de regresin logstica es adecuado.
You are a researcher who is interested in understanding the effect of smoking
and weight upon resting pulse rate. Because you have categorized the
response-pulse rate-
into low and high, a binary logistic regression analysis is appropriate to
investigate the effects of smoking and weight upon pulse rate.
Se tiene inters en comprender el efecto de fumar y el peso sobre el pulso (alto
y bajo).
Los datos utilizados son los siguientes:
Resting4ulse .moJes
9eig1
t Resting4ulse .moJes
9eig1
t Resting4ulse .moJes 9eig1t
Low No 140 Low No 215 Low No 115
Low No 145 Low Yes 150 Low No 102
Low Yes 160 Low Yes 145 Low No 115
Low Yes 190 Low No 155 Low No 150
Low No 155 Low No 155 Low No 110
Low No 165 Low No 150 High No 116
High No 150 Low Yes 155 Low Yes 108
Low No 190 Low No 150 High No 95
Low No 195 High Yes 180 High Yes 125
Low No 138 Low No 160 Low No 133
High Yes 160 Low No 135 Low No 110
Low No 155 Low No 160 High No 150
High Yes 153 Low Yes 130 Low No 108
Low No 145 Low Yes 155 Low No 155
Low No 170 Low Yes 150 Low No 180
Pg. 77
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Low No 175 Low No 148 Low No 122
Low Yes 175 High No 155 Low No 120
Low Yes 170 Low No 150 Low No 118
Low Yes 180 High Yes 140 Low No 125
Low No 135 Low Yes 190 High Yes 135
Low No 170 High No 145 Low No 125
Low No 157 High Yes 150 High No 118
Low No 130 Low Yes 164 High Yes 150
Low Yes 185 Low No 140 Low Yes 112
High No 140 Low No 142 Low No 125
Low No 120 High No 136 Low No 190
Low Yes 130 Low No 123 Low No 155
High No 138 Low No 155 Low Yes 170
High Yes 121 High No 130 Low No 145
Low No 125 Low No 120 High Yes 131
High No 116 Low No 130
Las instrucciones de Minitab para el ejemplo son:
1. Open worksheet EXH_REGR.MTW.
2. Seleccionar Stat > Regression > Binary Logistic Regression.
3. En Response, poner RestingPulse. En Model, poner Smokes Weight. En
Factors (optional), poner Smokes (para predictors categricos).
4. Click Graphs. Seleccionar Delta chi-square vs probability and Delta chi-
square vs leverage. Click OK.
5. Click Results. Seleccionar n addition, list of factor level values, tests for
terms with more than 1 degree of freedom, and y 2 additional goodness-of-fit
tests.
6. Click OK en cada cuadro de dilogo.
Los resultados se muestran a continuacin:
Results for, '718regr.M+9
-inary )ogistic Regression, Resting4ulse ersus .moJes3 9eig1t
Link FunctionG Logit
Observaciones que caen dentro de cada categora
Response Information Varia"le Value &ount
5esting! Lo( 0- 9Event; -> Evento de referencia
=ig? $$
Total /$
Factor Information
Factor Levels Values
Pg. 78
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
%mokes $ 'o Aes
Logistic Regression Table
)dds /*8 &@
!redictor &oe# %E &oe# I ! 5atio Lo(er Cpper
&onstant 6+,/20 +,60/ 6+,+2 -,$.0
%mokes
Aes 6+,+/.- -,**.- 6$,+6 -,-.+ -,.- -,+- -,/-
eig?t -,-$*-$ -,-+$$6 $,-1 -,-1+ +,-. +,-- +,-*
Por ser su P value menor a 0.05 son significativos Smoke y Weight
El coeficiente de -1.93 para Smoke representa el cambio estimado en el log de
P(low pulse)/P(high pulse) cuando el sujeto fuma comparado a cuando no
fuma, con el covariado Weight (peso) mantenido constante.
El coeficiente de 0.0250 para Weight (peso) es el cambio estimado en el log de
P(low pulse)/P(high pulse) con una unidad (lb.) de incremento en peso con el
factor Fumar constante.
A pesar de que hay evidencia de el parmetro de peso Weight no es cero, la
tasa de exceso es muy cercana a uno (1.03), indicando que un incremento de
peso de una libra tiene un efecto menor en la tasa de pulso en reposo de la
persona. Una diferencia ms significativa se puede encontrar si se comparan
sujetos con una diferencia de peso mayor, por ejemplo 10 libras, la tasa cambia
a 1.28 (1.03 + 0.025*10), indicando que el puso de un sujeto con pulso bajo se
incrementa 1.28 veces con cada 10 libras de incremento de peso.
Para Smokes, el coeficiente negativo de -1.93 y la tasa de exceso de 0.30
indica que los sujetos que fuman tienden a tener una mayor tasa de pulso en
reposo (resting pulse rate) que los sujetos que no fuman. Dados sujetos con el
mismo peso, la tasa de exceso puede ser interpretada como el exceso de
fumadores en la misma muestra teineido un pulso bajo (low pulse) de 30% de
los no fumadores teniendo un pulso bajo (low pulse).
Log6Likeli?ood 4 616,2$-
Test t?at all slopes are DeroG > 4 0,*01, DF 4 $, !6Value 4 -,-$.
El estadstico G prueba la hiptesis nula de que los coeficientes asociados con
los predoctores son iguales a cero versus que esos coeficientes no todos son
Pg. 79
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
cero. En es ejemplo con G = 7.574 y P value = 0.023, indican que hay
suficiente evidencia que al menos uno de los coeficientes es diferente de cero.
>oodness6o#6Fit Tests
Met?od &?i6%7uare DF !
!earson 1-,212 10 -,0$1
Deviance *+,$-+ 10 -,.+$
=osmer6Lemes?o( 1,01* 2 -,021
Ero(nG
>eneral Alternative -,/-* $ -,6.6
%ymmetric Alternative -,16. + -,1/6
Estas pruebas de bondad de ajuste con P values de 0.312 a 0.724 indican que
no hay evidencia suficiente que indique que el modelo no ajuste a los datos
adecuadamente, considerando un nivel de significancia de 0.05.
Ta"le o# )"served and Expected Fre7uenciesG
9%ee =osmer6Lemes?o( Test #or t?e !earson &?i6%7uare %tatistic;
>roup
Value + $ . 1 * 6 0 2 / +- Total
Lo(
)"s 1 6 6 2 2 6 2 +$ +- $ 0-
Exp 1,1 6,1 6,. 6,6 6,/ 0,$ 2,. +$,/ /,+ +,/
=ig?
)"s * 1 . + + . $ . - - $$
Exp 1,6 .,6 $,0 $,1 $,+ +,2 +,0 $,+ -,/ -,+
Total / +- / / / / +- +* +- $ /$
Esta tabla permit e ver que tan bien ajusta el modelo a los datos, comparando
las frecuencias observadas y las frecuencias esperadas, siendo similares indica
que no hay evidencia suficiente de que los datos no ajusten bien al modelo,
soportado por las pruebas de bondad de ajuste para un nivel de significancia
de 0.05.
Measures o# AssociationG
9Eet(een t?e 5esponse Varia"le and !redicted !ro"a"ilities;
!airs 'um"er !ercent %ummary Measures
&oncordant +-1* 60,/8 %omers< D -,.2
Discordant 16+ $/,/8 >oodman6Jruskal >amma -,./
Ties .1 $,$8 Jendall<s Tau6a -,+1
Total +*1- +--,-8
Esta tabla muestra 1540 pares (70 individuos con un low pulse y 22 con high
pulse resultando en 70*22 = 1540) con valores de respuesta diferentes. Con
base en el modelo un par es concordante si el individuo con una tasa de pulso
baja (low pulse rate) tiene una ms alta probabilidad de tener pulso bajo,
discrepante de si sucede lo contrario, y empate si las probabilidades son
iguales. En este ejemplo el 67.9% de los pares son concordantes y 29% son
Pg. 80
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
discrepantes. Se pueden usar estos valores como una medicin comparativa
de prediccin, por ejemplo para comparar ajustes con diferentes conjuntos de
predictores o con funciones diferentes de enlace.
Se muestran resumenes de pares concordantes y discrepantes de Somers,
Goodman-Kriskal Gamma, y Tau de Kendall. Las mtricas se encuentran entre
0 y 1 donde los valores mayores indican que el modelo tiene una mejor
habilidad predictiva. En este ejemplo el rango va de 0.14 a 0.39 que implica
una baja capacidad predictiva.
Pg. 81
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
1.0 0.9 0.8 0.7 0.6 0.5 0.4
5
4
3
2
1
0
Probability
D
e
l
t
a
C
h
i
-
S
q
u
a
r
e
Delta Chi-Square versus Probability
0.16 0.11 0.06 0.01
5
4
3
2
1
0
Leverage
D
e
l
t
a
C
h
i
-
S
q
u
a
r
e
Delta Chi-Square versus Leverage
Las grficas del ejemplo de Chi cuadrada versus probabilidad y versus
apalancamiento muestran que hay dos puntos que se desvan ms all del
lmite sugerido de 3.84, indicando situaciones anormales que deben ser
investigadas.
Con la opcin Editor > Brush se puede observar que corresponden a los
valores de datos 31 y 66, correspondientes a individuos con un pulso alto, que
no fuman, y que tienen pesos menores al promedio (116 y 136 libras).
Pg. 82
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
'%emplo con datos de *atco
El ejemplo siguiente utiliza las mismas variables que el anlisis discriminante
anterior para estimar el modelo.
Utilizando los datos de HATCO, la muestra de 100 clientes se divide en dos
grupos, uno de 60 para anlisis y otro de 40 para validacin. La regresin
logstica es ms robusta ante el supuesto de igualdad de varianza covarianza.
Para el ejemplo se utilizan las 7 variables X1 a X7 teniendo como respuesta a
X11.
Pg. 83
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
7. A,/lii $e Co,!lomera$o
Pg. 84
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Q. A";)5.5. D' &#"6)#M'RAD#.
Se cuenta tambin con el anlisis de conglomerados o clusters (tcnica para
agruparAgrupar los casos o elementos de una muestra en grupos con base en
una o
msMs variables).
Usar Anlisis de componentes principales para ayudar a comprender la
estructura de datos y/o a formar un pequeo nmero de variables no
correlacionadas (por ejemplo para evitar multicolinealidad en la regresin).
El anlisis de conglomerados agrupa individuos u objetos dentro de
conglomerados ("Clusters) de modo que los objetos en el mismo grupo tienen
caractersticas ms similares que las que tienen versus otros grupos.
El "Cluster Variate es el conjunto de variables representando las
caractersticas utilizadas para comparar objetos en el anlisis de
conglomerados. Es decir determina el "carcter de los objetos. Es la nica
tcnica multivariada que no estima la "variate empricamente sino que se
especifica por el investigador.
"Variate es la combinacin lineal de variables formadas en la tcnica
multivariada al determinar empricamente ponderaciones aplicadas al conjunto
de variables especificadas por el investigador.
El anlisis de conglomerados tambin se ha denominado 8nlisis D3
0onstruccin de tipolo-a3 8nlisis de clasificacin3 y taxonoma numrica7 Esto
debido al uso de estas tcnicas en diversas reas como la sicologa, biologa,
sociologa, economa, ingeniera, y los negocios. El anlisis de conglomerados
es parecido al anlisis factorial en su propsito de evaluar la estructura. Pero el
anlisis de conglomerados difiere del anlisis factorial en que agrupa objetos,
mientras que el anlisis factorial se enfoca principalmente a agrupar variables.
Pg. 85
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
El anlisis de conglomerados puede hacer reducciones de datos colectados de
cuestionarios en una poblacin, a informacin relacionada con pequeos
subgrupos especficos. No tiene bases estadsticas sobre las que se puedan
realizar inferencias estadsticas de una muestra a una poblacin, su uso es
principalmente como tcnica exploratoria. Las soluciones no son nicas y se
pueden obtener diversas soluciones variando uno o ms elementos del
procedimiento.
A. &onglomerados de o(seraciones
Usar conglomerados de observaciones para clasificar observaciones en
grupos, cuando inicialmente los grupos son desconocidos.
Este procedimiento utiliza un mtodo jerrquico aglomerativo que inicia con
todas las observaciones separadas, cada una formando su propio
conglomerado. Como primer paso, las dos observaciones ms cercanas se
unen. En un siguiente paso, ya sea que se adicione una tercera observacin a
las primeras dos, o dos observaciones diferentes se unan en un conglomerado
(cluster) diferente. Este proceso contina hasta que todos los conglomerados
se han unido en uno, sin embargo este ltimo no es til para propsitos de
clasificacin.
R&mo funciona el anlisis de conglomeradosS
Se ilustra con un ejemplo con datos dbivariados.
Suponer que un estudio de mercado trata de determinar segmentos de
mercado en base a los patrones de lealtad de marcas (V1) y tiendas (V2),
medidas del 0 al 10 en 7 personas (A-G).
Variables V1 V2
A 3 2
B 4 5
C 4 7
D 2 7
E 6 6
Pg. 86
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
F 7 7
G 6 4
Variables A B C D E F G
V1 3 4 4 2 6 7 6
V2 2 5 7 7 6 7 4
$1
$
2
7 6 5 4 3 2
7
6
5
4
3
2
G
F
E
D C
B
A
.catterplot of $2 s $1
Para acomodar en grupos se necesita contestar:
Cmo se mide la similaridad?, se puede hacer por correlacin o
proximidad en un espacio de dos dimensiones.
Cmo se forman los conglomerados?
Cuntos grupos se formarn?
'%emplo 1,
Para medir la similitud se evala con la distancia euclidiana (lnea recta) entre
cada par de observaciones (ver Tabla), entendiendo que las distancias
pequeas indican similaridad, E y F son las ms similares (1.414) y la A y F las
ms diferentes (6.403).
Observ. A B C D E F G
A
Pg. 87
Distancia
euclidiana de A a
B
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
B 3.162
C 5.099 2.000
D 5.099 2.828 2.000
E 5.000 2.236 2.236 4.123
F 6.403 3.606 3.000 5.000 1.414
G 3.606 2.236 3.606 5.000 2.000 3.162
Formamos conglomerados ahora con un rocedimiento jerrquico
movindose paso a paso para formar un rango completo de soluciones.
Tambin se denomina M!todo Aglomerativo dado que los conglomerados se
forman con la combinacin de conglomerados existentes.
La distancia entre observaciones es:
Distancia
Mnima entre
observa-ciones
Solucin por
conglomerados
Paso Distancia
Mnima entre
observaciones
Par
observado
Miembros en el
conglomerado
Nm.
Deo.
de
Conglo
merado
.
Dist.ancia
Prom.edio
Ddentro del
Conglomerado.
Sol. inicial A, B,C,D,E,F,G 7 0
1 1.414 E-F A, B,C,D,E-F,G 6 1.414
2 2.000 E-G A, B,C,D,E-F-G 5 2.192
3 2.000 C-D A, B,C-D,E-F-G 4 2.144
4 2.000 B-C A, B-C-D,E-F-G 3 2.234
5 2.236 B-E A,B-C-D-E-F-G 2 2.896
6 3.162 A==B A-B-C-D-E-F-G 1 3.420
Utilizando Minitab:
Stat > Multivariate Anlisis > Cluster Observations
Distance Measured %uclidean Seleccionar Show Dendogram OK
Pg. 88
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
#(serat ions
.
i
m
i
l
a
r
i
t
y
G F E D C B A
50.61
67.08
83.54
100.00
4roceso de %erar?uPa de conglomerados
#(serat ions
D
i
s
t
a
n
c
e
7 6 5 4 3 2 1
3.16
2.11
1.05
0.00
Dendrogram Ait1 .ingle )inJage and 'uclidean Distance
La similaridad sEi<F entre dos conglomerados i3 < se determina como:
) / ) ( 1 ( 100 ) (
max
d ij d ij s =
Pg. 89
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Donde Dmax = 6.403
S(E,F) = 100(1 1.4142/ 6.403 ) = 77.913
S(C,D) = 100(1 2/6.403) = 68.7646
&luster Analysis of #(serations, $13 $2
Euclidean Distance, %ingle Linkage
Amalgamation %teps
'um"er
'um"er o# o"s,
o# %imilarity Distance &lusters 'e( in ne(
%tep clusters level level :oined cluster cluster
+ 6 00,/+.0 +,1+1$+ * 6 * $
$ * 62,06*$ $,----- * 0 * .
. 1 62,06*$ $,----- . 1 . $
1 . 62,06*$ $,----- $ . $ .
* $ 6*,-02* $,$.6-0 $ * $ 6
6 + *-,6+.* .,+6$$2 + $ + 0
Final !artition
'um"er o# clustersG +
it?in Average Maximum
cluster distance distance
'um"er o# sum o# #rom #rom
o"servations s7uares centroid centroid
&luster+ 0 1+,1$26 $,$.+20 .,00+*1
'%emplo 2,
Se registran las siguientes caractersticas para 14 censos: Poblacin total
(Pop), mediana de aos escolares (School), empleo total (Employ),empleo en
servicios de salud (Health), y valor mediano del valor de la casa (Home). Los
datos se muestran a continuacin:
Pop School Employ Health Home
5.935 14.2 2.265 2.27 2.91
1.523 13.1 0.597 0.75 2.62
2.599 12.7 1.237 1.11 1.72
4.009 15.2 1.649 0.81 3.02
4.687 14.7 2.312 2.5 2.22
8.044 15.6 3.641 4.51 2.36
2.766 13.3 1.244 1.03 1.97
6.538 17 2.618 2.39 1.85
6.451 12.9 3.147 5.52 2.01
3.314 12.2 1.606 2.18 1.82
3.777 13 2.119 2.83 1.8
1.53 13.8 0.798 0.84 4.25
2.768 13.6 1.336 1.75 2.64
6.585 14.9 2.763 1.91 3.17
Pg. 90
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Se realiza un anlisis de components principales para comprender la estructura
de datos subyacente. Se usa la matriz de correlacin para estandarizar las
mediciones dado que no se mide con la misma escala.
Las instrucciones de Minitab son las siguientes:
1 Abrir la worksheet EXH_MVAR.MTW.
2 .tat / Multiariate / 4rincipal &omponents.
3 En $aria(les, .op(1ome.
4 En +ype of Matri7, seleccionar &orrelation.
5 Click 6rap1s y seleccionar .cree plot.
6 Click #2 en cada cuadro de dilogo.
Los resultados se muestran a continuacin:
4rincipal &omponent Analysis, 4op3 .c1ool3 'mploy3 *ealt13 *ome
Eigenanalysis o# t?e &orrelation Matrix
Eigenvalue .,-$2/ +,$/++ -,*0$* -,-/*1 -,-+$+
!roportion -,6-6 -,$*2 -,++1 -,-+/ -,--$
&umulative -,6-6 -,261 -,/02 -,//2 +,---
Varia"le !&+ !&$ !&. !&1 !&*
!op 6-,**2 6-,+.+ -,--2 -,**+ 6-,6-6
%c?ool 6-,.+. 6-,6$/ 6-,*1/ 6-,1*. -,--0
Employ 6-,*62 6-,--1 -,++0 -,$62 -,06/
=ealt? 6-,120 -,.+- -,1** 6-,612 6-,$-+
=ome -,+01 6-,0-+ -,6/+ -,-+* -,-+1
&omponent "um(er
'
i
g
e
n
a
l
u
e
5 4 3 2 1
3.0
2.5
2.0
1.5
1.0
0.5
0.0
.cree 4lot of 4op3 ...3 *ome
Pg. 91
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
5nterpretando los resultados
El primer componente principal tiene varianza (eigenvalor) 3.029 y acumula el
60.6% de la varianza total. Los coeficientes para el PC1 muestran como
calcular el nivel del componente principal.
PC1 = .558 Pop .313 School .568 Employ .487 !al"h # .174 om!
Notar que la interpretacin de los components principales es subjetiva, sin
embargo, frecuentemente surgen patrones obvios. Por ejemplo, se podra
pensar que el primer componente represente el efecto del tamao de la
poblacin total, el nivel de escolaridad, empleo y servicios de salud, dado que
los coeficientes de estos trminos tienen el mismo signo y no son cercanos a
cero.
El segundo componente tiene varianza 1.2911 y acumula el 25.8% de la
variabilidad de los datos. Se calcula de los datos originales usando los
coeficientes listados en PC2. Este componente podra ser pensado como nivel
de contraste de escolaridad y valor de la casa con salud y empleo de alguna
manera.
Juntos el primero y segundo componentes representan el 86.4% y 97%,
respectivamente, de la variabilidad total. As, la mayora de la estructura de
datos puede ser capturada en dos o tres dimensiones relevantes. Los
componentes remanentes solo tienen una menor proporcin de probabilidad y
no son importantes. La grfica Scree proporciona una visin grfica de lo
anterior.
'%emplo 32,
Con los datos de HATCO se utilizan las siete percepciones de clientes para
identificar segmentos de clientes.
4aso 1, #(%etios del anlisis de conglomerados
Pg. 92
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
El objetivo es segmentar objetos (clientes) en grupos con percepciones
similares (X1 a X7). Una vez identificados, se pueden aplicar diferentes
estrategias para para cada grupo.
X1 = Rapidez de entrega
X2 = Nivel de precio
X3 = Flexibilidad de precio
X4 = magen del fabricante
X5 = Servicio en general
X6 = magen de la fuerza de ventas
X7 = Calidad del producto
4aso 2. DiseLo del anlisis de conglomerados
Se identifica si no hay puntos aberrantes en los datos. Se selecciona la medida
de similaridad, en este caso la distancia euclidiana al cuadrado. Si se observa
multicolinealidad que afecte a las ponderaciones de las variables3 entonces se
puede utilizar la distancia de Mahalanobis (D2). La estandarizacin de variables
no es importante dado que tienen valores parecidos.
4aso 3. .upuestos en el anlisis de conglomerados
Para el anlisis se considera que los datos de la muestra representan a la
poblacin de clientes de HATCO. Queda pendiente el efecto de la
multicolinealidad en la ponderacin implcita de los resultados.
4aso M. 'sta(lecer conglomerados y ealuar el a%uste al modelo
Con Minitab:
1. Stat > Multivariate > Cluster observations
2. Variables or distance matrix X1 X7
3. Linkage method Ward (minimizea la distancia dentro de los
conglomerados)
4. Distance Measure Squared Euclidean
5. Seleccionar Show Dendogram
6. Customize Label Y axis with Distances
7. OK
Los resultados se muestran a continuacin:
Pg. 93
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
&luster Analysis of #(serations, =13 =23 =33 =M3 =:3 =N3 =B
%7uared Euclidean Distance, ard Linkage
Amalgamation %teps
'um"er
'um"er o# o"s,
o# %imilarity Distance &lusters 'e( in ne(
%tep clusters level level :oined cluster cluster
+ // +--,--- -,--- +* $- +* $
$ /2 //,/20 -,-+- * 1$ * $
. /0 //,/20 -,-+- $1 $0 $1 $
1 /6 //,/0* -,-$- 10 6+ 10 $
* /* //,/1/ -,-1- +/ $2 +/ $
6 /1 //,/$1 -,-6- 60 /- 60 $
0 /. //,/+$ -,-0- .6 1+ .6 $
2 /$ //,/+$ -,-0- *+ 00 *+ $
/ /+ //,/+$ -,-0- +2 /$ +2 $
+- /- //,/+$ -,-0- .. 6$ .. $
++ 2/ //,201 -,+-- $* 11 $* $
+$ 22 //,201 -,+-- 2* 20 2* $
+. 20 //,201 -,+-- 1. 16 1. $
+1 26 //,2.6 -,+.- .2 6. .2 $
+* 2* //,0/2 -,+6- 6/ 2+ 6/ $
+6 21 //,06- -,+/- *- 0$ *- $
+0 2. //,06- -,+/- *6 /+ *6 $
+2 2$ //,06- -,+/- /1 /2 /1 $
+/ 2+ //,0$$ -,$$- + /* + $
$- 2- //,0$$ -,$$- +6 0. +6 $
$+ 0/ //,0$$ -,$$- 0* // 0* $
$$ 02 //,0$$ -,$$- .0 12 .0 $
$. 00 //,621 -,$*- ++ +-- ++ $
$1 06 //,616 -,$2- 1 2/ 1 $
$* 0* //,616 -,$2- 21 22 21 $
$6 01 //,616 -,$2- $. .$ $. $
$0 0. //,616 -,$2- $ 2. $ $
$2 0$ //,616 -,$2- $/ 02 $/ $
$/ 0+ //,616 -,$2- . 0+ . $
.- 0- //,*$- -,.2- +0 61 +0 $
.+ 6/ //,1*0 -,1.- 2 62 2 $
.$ 62 //,1*0 -,1.- +$ 06 +$ $
.. 60 //,..- -,*.- / 01 / $
.1 66 //,$60 -,*2- *$ 6- *$ $
.* 6* //,+*. -,60- +- .1 +- $
.6 61 //,++* -,0-- $6 */ $6 $
.0 6. /2,/./ -,21- 1/ /0 1/ $
.2 6$ /2,2+$ -,/1- 0 60 0 .
./ 6+ /2,626 +,-1- +. $+ +. $
1- 6- /2,60. +,-*- 1- *1 1- $
1+ */ /2,60. +,-*- 2$ /. 2$ $
1$ *2 /2,6*6 +,-6. +- .- +- .
1. *0 /2,612 +,-0- 66 2- 66 $
11 *6 /2,*/+ +,++* .6 21 .6 1
1* ** /2,..$ +,.$- 6 0- 6 $
16 *1 /0,/-$ +,66- 1* 26 1* $
10 *. /0,200 +,62- ./ /6 ./ $
12 *$ /0,06+ +,00$ +- *. +- 1
1/ *+ /0,.$+ $,+$- +. .* +. .
*- *- /6,.** $,22* *- 6/ *- 1
*+ 1/ /6,$-. .,--* 1- 1* 1- 1
*$ 12 /*,/26 .,+00 +1 .2 +1 .
*. 10 /*,2+2 .,.+- / *2 / .
*1 16 /*,**$ .,*$- $$ ** $$ $
** 1* /*,.$* .,0-- 6* 0/ 6* $
*6 11 /1,2$6 1,-/* +- .+ +- *
*0 1. /1,.-+ 1,*+- 6 *$ 6 1
*2 1$ /1,-*1 1,0-6 +- .0 +- 0
*/ 1+ /.,//6 1,0*+ +1 66 +1 *
6- 1- /.,02. 1,/$- +* +/ +* 1
6+ ./ /.,01* 1,/*- +6 $/ +6 1
Pg. 94
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
6$ .2 /.,*/1 *,-0- 1 0* 1 1
6. .0 /$,260 *,61* $* .. $* 1
61 .6 /$,.1+ 6,-6$ $* $6 $* 6
6* .* /+,6.. 6,6$$ +2 *- +2 6
66 .1 /-,0.$ 0,..* $. *6 $. 1
60 .. /-,*66 0,166 / +$ / *
62 .$ 2/,0/0 2,-0* ++ 2* ++ 1
6/ .+ 2/,6-0 2,$$* 2 .6 2 6
0- .- 22,6$+ /,--* + *+ + 1
0+ $/ 22,*.0 /,-0$ +. $$ +. *
0$ $2 20,2*/ /,6-2 1- /1 1- 6
0. $0 20,6$+ /,0/0 1 $1 1 6
01 $6 26,121 +-,6/0 . +- . /
0* $* 26,.2+ +-,002 +2 1. +2 2
06 $1 26,$+6 +-,/-/ 0 +* 0 0
00 $. 2*,+/* ++,0+0 +6 10 +6 6
02 $$ 2*,--+ ++,20- ./ 6* ./ 1
0/ $+ 2$,21+ +.,*2- . *0 . +-
2- $- 2$,**- +.,2+- / +1 / +-
2+ +/ 2+,+-1 +1,/*1 / 1/ / +$
2$ +2 00,212 +0,*.+ $ 1 $ 2
2. +0 06,//6 +2,$-* 2 +0 2 2
21 +6 60,*1+ $*,622 + $* + +-
2* +* 6*,02+ $0,-2+ $ 1- $ +1
26 +1 6+,$*0 .-,66+ 0 / 0 +/
20 +. 6-,002 .+,-1- ++ $. ++ 2
22 +$ *6,$-$ .1,66$ 6 2 6 +$
2/ ++ 1/,021 ./,01+ $ ./ $ +2
/- +- 1$,61- 1*,./* . 2$ . +$
/+ / 1-,.6$ 10,+/0 + +2 + +2
/$ 2 .6,+0+ *-,*+1 + +6 + $1
/. 0 $/,+-1 *6,+-0 6 ++ 6 $-
/1 6 +/,*/. 6.,6.1 * 0 * $+
/* * +0,/.- 61,/*- + +. + $/
/6 1 6+*,2$6 /+,66* $ 6 $ .2
/0 . 6/6,0-+ +**,66/ $ . $ *-
/2 $ 6+.*,61* +26,12/ + * + *-
// + 62./,202 01.,2$- + $ + +--
Final !artition
'um"er o# clustersG +
it?in Average Maximum
cluster distance distance
'um"er o# sum o# #rom #rom
o"servations s7uares centroid centroid
&luster+ +-- //6,.*$ .,-*+66 *,$0*-.
Pg. 95
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
#(serat ions
D
i
s
t
a
n
c
e
9
3
8
2
3
1
6
4
1
7
5
7
4
8
3
7
5
3
3
0
3
4
1
0
7
1 3
7
9
6
5
9
6
3
9
9
8
9
4
8
6
4
5
5
4
4
0
2
7
2
4
8
9 4
8
8
8
4
4
1
3
6
6
8 8
6
0
5
2
7
0 6
9
1
5
6
3
2
2
3
9
9
7
5
8
3 2
2
8
1
9
1
4
9
0
6
7 7
4
2 5
6
2
3
3
5
9
2
6
4
4
2
5
8
1
6
9
7
2
5
0
4
6
4
3
9
2
1
8
7
8
2
9
7
3
1
6
8
0
6
6
6
3
3
8
2
0
1
5
5
8
7
6
1
2
9
7
4
9
7
4 9
5
5
2
2
3
5
2
1
1
3
6
1
4
7
8
7
8
5
1
0
0
1
1
7
7
5
1
9
5 1
406.13
270.75
135.38
0.00
4roceso de %erar?uPa de conglomerados
#(serat ions
D
i
s
t
a
n
c
e
9
3
8
2
3
1
6
4
1
7
5
7
4
8
3
7
5
3
3
0
3
4
1
0
7
1 3
7
9
6
5
9
6
3
9
9
8
9
4
8
6
4
5
5
4
4
0
2
7
2
4
8
9 4
8
8
8
4
4
1
3
6
6
8 8
6
0
5
2
7
0 6
9
1
5
6
3
2
2
3
9
9
7
5
8
3 2
2
8
1
9
1
4
9
0
6
7 7
4
2 5
6
2
3
3
5
9
2
6
4
4
2
5
8
1
6
9
7
2
5
0
4
6
4
3
9
2
1
8
7
8
2
9
7
3
1
6
8
0
6
6
6
3
3
8
2
0
1
5
5
8
7
6
1
2
9
7
4
9
7
4 9
5
5
2
2
3
5
2
1
1
3
6
1
4
7
8
7
8
5
1
0
0
1
1
7
7
5
1
9
5 1
406.13
270.75
135.38
0.00
4roceso de %erar?uPa de conglomerados
Pg. 96
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
#(serat ions
D
i
s
t
a
n
c
e
9
3
8
2
3
1
6
4
1
7
5
7
4
8
3
7
5
3
3
0
3
4
1
0
7
1 3
7
9
6
5
9
6
3
9
9
8
9
4
8
6
4
5
5
4
4
0
2
7
2
4
8
9 4
8
8
8
4
4
1
3
6
6
8 8
6
0
5
2
7
0 6
9
1
5
6
3
2
2
3
9
9
7
5
8
3 2
406.13
270.75
135.38
0.00
4roceso de %erar?uPa de conglomerados
#(serat ions
D
i
s
t
a
n
c
e
2
8
1
9
1
4
9
0
6
7 7
4
2 5
6
2
3
3
5
9
2
6
4
4
2
5
8
1
6
9
7
2
5
0
4
6
4
3
9
2
1
8
7
8
2
9
7
3
1
6
8
0
6
6
6
3
3
8
2
0
1
5
5
8
7
6
1
2
9
7
4
9
7
4 9
5
5
2
2
3
5
2
1
1
3
6
1
4
7
8
7
8
5
1
0
0
1
1
7
7
5
1
9
5 1
406.13
270.75
135.38
0.00
4roceso de %erar?uPa de conglomerados
-. &onglomerado de o(seraciones por 2@Medias
Pg. 97
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Esta opcin se utiliza de manera similar al conglomerado de observaciones,
para clasificar observaciones en grupos cuando no se conocen al inicio. Este
procedimiento utiliza la formacin de conglomerados no jerrquicos de
observaciones de acuerdo al algoritmo de MacQueen.
1
El algoritmo funciona
mejor cuando hay suficiente informacin disponible para hacer asignaciones
iniciales de conglomerados adecuadas.
El procedimiento de conglomerado por K medias inicia al agrupar
observaciones en un nmero de conglomerados predefinidos.
1. Se evala cada observacin, movindola al conglomerado ms cercano, que
es el que tiene la distancia euclidiana ms pequea entre la observacin y el
centroide del conglomerado.
2. Cuando cambia el conglomerado, al ganar o perder alguna observacin, se
recalcula el centroide del conglomerado.
3. El proceso se repite hasta que no haya ms observaciones a mover dentro
de un conglomerado diferente. De esta manera, todas las observaciones estn
en su conglomerado ms cercano. De modo diferente a la clasificacin
jerrquica, es posible que dos observaciones sean partidas en conglomerados
diferentes despus de que hayan reunido.
El procedimiento de K medias trabaja mejor cuando se proporcionan puntos de
arranque para los conglomerados adecuados, hay dos formas de hacerlo:
Especificando un nmero de conglomerados o
Proporcionando una columna de partici n inicial que contenga cdigos
de grupos.
Suponiendo que se sabe que la particin final consistir de tres grupos, y que
las observaciones 2, 5 y 9 pertenecen a esos grupos respectivamente. Para
proceder depende de si se especifica el nmero de conglomerados o se
proporciona una columna de particin.
1
$. %oh&'o& a&( ). *+ch!,& (1992). Applied Multivariate Statistical Methods , -h+,( E(+"+o&. P,!&"+c!
all.
Pg. 98
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Si se especifica el nmero de conglomerados, los datos deben
acomodarse de manera que las observaciones 2, 5 y 9 se encuentren al
principio de la hoja de trabajo, y especificar 3 como nmero de
conglomerados (Number of clusters).
=
2
2
3
0
2
3
4
2
15
0
2
15
6
A
Los valores caractersticos o Eigenvalores se obtienen al resolver la ecuacin
del determinante: | A - 5 | = 0, lo cual da en este caso:
0
) 2 (
2
3
0
2
3
) 4 (
2
15
0
2
15
) 6 (
=
v v v
v
v
v
La restriccin para que la solucin sea nica es que:
Proporciona el eigenvector:
=
20
9
10
3
2
1
' v
Determinado los otros eigenvectores se tiene la matriz $.
=
70
1
20
9
28
15
35
12
10
3
14
5
14
9
2
1
28
3
V
Pg. 118
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
En Matla" se tieneG
To get started, select KMATLAE =elpK #rom t?e =elp menu,
LL A4M6 s7rt9+*N$; -O s7rt9+*N$; 1 s7rt9.N$;O - s7rt9.N$; $P
A 4
6,---- $,0.26 -
$,0.26 1,---- +,$$10
- +,$$10 $,----
LL Lamda4eig9A;
Lamda 4
+,----
.,----
2,----
LL MV,DP4eig9A;
V 4
-,.$0. -,*--- 6-,2-+2
6-,*/06 6-,*100 6-,*2**
-,0.+/ 6-,60-2 6-,++/*
D 4
+,---- - -
- .,---- -
- - 2,----
LL
Los s eigenvectores y sus correspondientes eigenvalores proporcionan s
soluciones para el componente principal deseado Z1. La solucin que
corresponde al mnimo requerido emplea el eigenvalor ms grande 1 y su
vector correspondiente 1.
En particular var(Zi) = i y las constantes ai1, ai2, ., aip son los elementos del
eigenvector correspondiente.
Los pasos para hacer un anlisis de componentes principales son los
siguientes:
4
1. niciar codificando las variables X1, X2, ..., Xp a que tnegan media cero y
desviacin estndar uno.
2. Calcular la matriz de covarianza &. Es la matriz de correlacin despus del
paso 1.
4
4,ya&, 5.%. .a&ly, Multivariate Statistical Methods# Chapma& a&( all, 1o&(,!', 1986
Pg. 119
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
=
1 . ..........
.......... .......... ..........
. .......... 1
........ .......... 1
2 1
2 21
1 12
p p
p
p
c c
c c
c c
C
Donde cada 0i< # 0<i es la correlacin entre >
i
y >
<
. De esta manera la suma de
los trminos diagonales, y la suma de los eigenvalores es igual al nmero de
variables p.
3. Encontrar los eigenvalores
A
3
'
3 BB3
p
y los correspondientes
eignevectores a
A
3 a
'
3 BB 3 a
p
7 Los coeficientes del i-simo componente
principal estn dados por ai mientras que la varianza es
i
.
4. Descartar cualquier componente que solo contenga una pequea parte de la
varianza de los datos (menor o igual a uno). Por ejemplo, iniciando en 20
variables, puede ser que los primeros tres componentes tengan el 90% de la
varianza total. Bajo esta base, se pueden ignorar los otros 17 componentes.
'%emplo,
Los datos de las dimensiones de 49 pjaros se muestran a continuacin:
Tabla y corrida Minitab
Los eigenvalores de esta matriz son: 3.616, 0.532, 0.386, 0.302 y 0.164, que
suman 5.000, que es igual a la suma de los trminos de la diagonal de la matriz
&.
De la tabla de eigenvectores, se obtienen los coeficientes de los componentes
principales.
El eigenvalor de un componente principal, indica la varianza de un total de
5.000. As, para el primer componente principal se tiene:
Pg. 120
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
(3.616/5.000)*100%=72.3%; el segundo tiene 10.6%; el tercero 7.7%, etc. De
manera clara, el primer componente es el ms importante.
El primer componente principal es:
5 4 3 2 1 1
398 . 0 471 . 0 451 . 0 462 . 0 452 . 0 X X X X X Z + + + + =
Donde X1 a X5 son las variables estandarizadas. Este es un ndice del tamao
de los pjaros. De modo que el 72.3% de la varianza de los datos est
relacionada con diferencias en los tamaos.
El segundo componente principal es:
5 4 3 2 1 2
877 . 0 185 . 0 325 . 0 300 . 0 051 . 0 X X X X X Z + + + =
En este caso contrasta X2, X3 y X4 contra X5, de modo que Z2 ser alta si
(X2,X3,X4) son altas y (X5) es baja, por tanto puede considerarse que
representa la diferencia de forma entre los pjaros.
Para calcular Z1, primero se estandarizan las Xi como sigue:
X1 = (x1 Media x1)/ desv. Estad. x1 = (156 157.98) / 3.654
X2 = (245 241.327)/5.068 = 0.725
X3 = (31.6 31.459)/0.795 = 0.177
X4 = (18.5 18.469)/0.564 = 0.055
X5 = (20.5 20.827)/0.991 = -0.330
Sustituyendo estos valores en las ecuaciones para Z1 y Z2 se tiene:
Z1 = 0.064
Z2 = 0.602
De esta misma manera se pueden calcular los otros componentes.
Los valores de las coordenadas Z correspondientes a los diferentes pjaros se
muestra a continuacin.
Pg. 121
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
En la figura se puede observar que los pjaros con valores extremos en
dimensiones Z1 tienen menos probabilidades de sobrevivir, lo mismo sucede
para valores altos de Z2.
Pg. 122
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
'%emplo, alimentos en las principales ciudades europeas,
X1 X2 X3 X4 X5 X6 X7 X8 X9
4aPs RM'A+ 9M'A+ '66. M5)2 05.* &'R) .+AR&* "V+. 0R@$'6
1 10.1 1.4 0.5 8.9 0.2 42.3 0.6 5.5 1.7
2 8.9 14 4.3 19.9 2.1 28 3.6 1.3 4.3
3 13.5 9.3 4.1 17.5 4.5 26.6 5.7 2.1 4
4 7.8 6 1.6 8.3 1.2 56.7 1.1 3.7 4.2
5 9.7 11.4 2.8 12.5 2 34.3 5 1.1 4
6 10.6 10.8 3.7 25 9.9 21.9 4.8 0.7 2.4
7 8.4 11.6 3.7 11.1 5.4 24.6 6.5 0.8 3.6
8 9.5 4.9 2.7 33.7 5.8 26.3 5.1 1 1.4
9 18 9.9 3.3 19.5 5.7 28.1 4.8 2.4 6.5
10 10.2 3 2.8 17.6 5.9 41.7 2.2 7.8 6.5
11 5.3 12.4 2.9 9.7 0.3 40.1 4 5.4 4.2
12 13.9 10 4.7 25.8 2.2 24 6.2 1.6 2.9
13 9 5.1 2.9 13.7 3.4 36.8 2.1 4.3 6.7
14 9.5 13.6 3.6 23.4 2.5 22.4 4.2 1.8 3.7
15 9.4 4.7 2.7 23.3 9.7 23 4.6 1.6 2.7
16 6.9 10.2 2.7 19.3 3 36.1 5.9 2 6.6
17 6.2 3.7 1.1 4.9 14.2 27 5.9 4.7 7.9
18 6.2 6.3 1.5 11.1 1 49.6 3.1 5.3 2.8
19 7.1 3.4 3.1 8.6 7 29.2 5.7 5.9 7.2
20 9.9 7.8 3.5 24.7 7.5 19.5 3.7 1.4 2
21 13.1 10.1 3.1 23.8 2.3 25.6 2.8 2.4 4.9
22 17.4 5.7 4.7 20.6 4.3 24.3 4.7 3.4 3.3
23 9.3 4.6 2.1 16.6 3 43.6 6.4 3.4 2.9
24 11.4 12.5 4.1 18.8 3.4 18.6 5.2 1.5 3.8
25 4.4 5 1.2 9.5 0.6 55.9 3 5.7 3.2
Las instrucciones de Minitab son las siguientes:
Para un anlisis de correlaciones se tiene:
1. Stat > Basic statistics > Correlation
2. Variables X1, X2, X3, X4, X6, X7
3. Display p alues
4. OK
Los resultados son los siguientes:
Pg. 123
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
&orrelations, RM'A+3 9M'A+3 '66.3 M5)23 05.*3 &'R)3 .+AR&*3 "V+.3 0R@
$'6
5MEAT MEAT E>>% M@LJ F@%= &E5L %TA5&= 'CT%
MEAT -,+*.
-,16*
E>>% -,*26 -,6$-
-,--$ -,--+
M@LJ -,*-. -,$2+ -,*06
-,-+- -,+0. -,--.
F@%= -,-6+ 6-,$.1 -,-66 -,+.2
-,00$ -,$6- -,0** -,*++
&E5L 6-,*-- 6-,1+1 6-,0+$ 6-,*/. 6-,*$1
-,-++ -,-1- -,--- -,--$ -,--0
%TA5&= -,+.* -,.+1 -,1*$ -,$$$ -,1-1 6-,*..
-,*+/ -,+$0 -,-$. -,$2* -,-1* -,--6
'CT% 6-,.1/ 6-,6.* 6-,*6- 6-,6$+ 6-,+10 -,6*+ 6-,101
-,-20 -,--+ -,--1 -,--+ -,12. -,--- -,-+0
F56VE> 6-,-01 6-,-6+ 6-,-16 6-,1-2 -,$66 -,-10 -,-21 -,.0*
-,0$1 -,00+ -,2$/ -,-1. -,+/2 -,2$* -,622 -,-6*
&ell &ontentsG !earson correlation
!6Value
Se observa que varias variables Xi estan correlacionadas entre s.
Para el anlisis de componentes principales se tiene:
1 Cargar los datos de la Tabla.
2 .tat / Multiariate / 4rincipal components
3 En $aria(les, X1, X2, X3, X4, X6, X7, X8, X9
4 En "um(er of factors to e7tract, 3. Seleccionar &orrelation Matri7
5 Click 6rap1s y seleccionar .cree 4lot3 .core plot for first 2
components )oading plot for first 2 components
8 Click .torage e indicar las columnas donde se guarden los coeficientes y
los valores Z (scores) &oef1 &oef 2 y <1 <2
9. Click #2 en cada uno de los cuadros de dilogo.
Pg. 124
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Los eigenvalores para cada componente son los siguientes:
4rincipal &omponent Analysis, RM'A+3 9M'A+3 '66.3 M5)23 05.*3 &'R)3
.+AR&*3 "V+
Eigenanalysis o# t?e &orrelation Matrix
!&+ !&$ !&. !&1 !&* !&6 !&0 !&2
Eigenvalue 1,--61 +,6.*- +,+$0/ -,/*10 -,16.2 -,.$*+ -,$0+6 -,++6.
!roportion -,11* -,+2$ -,+$* -,+-6 -,-*$ -,-.6 -,-.- -,-+.
&umulative -,11* -,6$0 -,0*$ -,2*2 -,/+- -,/16 -,/06 -,/2/
!&/
Eigenvalue -,-//+
!roportion -,-++
&umulative +,---
Se observa que los componentes PC1 y PC2 contienen el 62% de la varianza
total.
&omponent "um(er
'
i
g
e
n
a
l
u
e
9 8 7 6 5 4 3 2 1
4
3
2
1
0
.cree 4lot of RM'A+3 ...3 0R@$'6
Valor mnimo a considerar
La composicin aproximada de las variables en funcin de los componentes
principales son:
Varia"le !&+ !&$ !&.
5MEAT 6-,.-. -,-*6 -,$/2
MEAT 6-,.++ -,$.0 6-,6$1
E>>% 6-,1$0 -,-.* 6-,+2$
M@LJ 6-,.02 -,+2* -,.26
F@%= 6-,+.6 6-,610 -,.$+
&E5L -,1.2 -,$.. 6-,-/6
%TA5&= 6-,$/0 6-,.*. 6-,$1.
'CT% -,1$- 6-,+1. -,-*1
F56VE> -,++- 6-,*.6 6-,1-2
Que al graficar en funcin de los dos primeros componentes, se obtiene lo
siguiente:
Pg. 125
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
0irst &omponent
.
e
c
o
n
d
&
o
m
p
o
n
e
n
t
0.4 0.3 0.2 0.1 0.0 -0.1 -0.2 -0.3 -0.4 -0.5
0.2
0.1
0.0
-0.1
-0.2
-0.3
-0.4
-0.5
-0.6
-0.7
FR-VEG
NUTS
STARCH
CERL
F SH
M LK
EGGS
WMEAT
RMEAT
)oading 4lot of RM'A+3 ...3 0R@$'6
Los valores de las variables Z1 y Z2 (scores) calculados son:
Z1 Z2
3.48537 1.63048
-1.42267 1.04123
-1.62203 -0.15950
3.13408 1.30107
-0.37046 0.60267
-2.36527 -0.28545
-1.42221 -0.45030
-1.56386 0.59600
-1.48798 -0.78537
2.23970 -1.00106
1.45744 0.81595
-2.66348 0.76371
1.53457 -0.39899
-1.64145 0.91199
-0.97470 -0.82203
-0.12187 -0.53174
1.70585 -4.28893
2.75681 1.11879
1.31181 -2.55352
-1.63373 0.20738
-0.91232 0.75106
-1.73537 0.09398
0.78260 0.11077
-2.09384 0.29378
3.62301 1.03803
Que al graficarlos dan lo siguiente:
1. Graph > Scatterplot > Simple
2. Y Variables Z2 X Variables Z1
3. Labels > Data labels > Use labels form column Pas
4. OK
Pg. 126
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Se tiene la grfica siguiente de paisespases:
Europa occidental Europa oriental Balcanes
<1
<
2
4 3 2 1 0 -1 -2 -3
2
1
0
-1
-2
-3
-4
-5
25
24
23 22
21
20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
.catterplot of <2 s <1
ennsula i!"rica
Pg. 127
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
'%emplo,
Se registran las siguientes caractersticas para 14 censos: Poblacin total
(Pop), mediana de aos escolares (School), empleo total (Employ),empleo en
servicios de salud (Health), y valor mediano del valor de la casa (Home). Los
datos se muestran a continuacin:
Pop School Employ Health Home
5.935 14.2 2.265 2.27 2.91
1.523 13.1 0.597 0.75 2.62
2.599 12.7 1.237 1.11 1.72
4.009 15.2 1.649 0.81 3.02
4.687 14.7 2.312 2.5 2.22
8.044 15.6 3.641 4.51 2.36
2.766 13.3 1.244 1.03 1.97
6.538 17 2.618 2.39 1.85
6.451 12.9 3.147 5.52 2.01
3.314 12.2 1.606 2.18 1.82
3.777 13 2.119 2.83 1.8
1.53 13.8 0.798 0.84 4.25
2.768 13.6 1.336 1.75 2.64
6.585 14.9 2.763 1.91 3.17
Se realiza un anlisis de componentes principales para comprender la
estructura de datos subyacente. Se usa la matriz de correlacin para
estandarizar las mediciones dado que no se mide con la misma escala.
Las instrucciones de Minitab son las siguientes:
1 Abrir la worksheet EXH_MVAR.MTW.
2 .tat / Multiariate / 4rincipal &omponents.
3 En $aria(les, .op(1ome.
4 En +ype of Matri7, seleccionar &orrelation.
5 Click 6rap1s y seleccionar .cree plot.
6 Click #2 en cada cuadro de dilogo.
Los resultados se muestran a continuacin:
4rincipal &omponent Analysis, 4op3 .c1ool3 'mploy3 *ealt13 *ome
Pg. 128
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Eigenanalysis o# t?e &orrelation Matrix
Eigenvalue .,-$2/ +,$/++ -,*0$* -,-/*1 -,-+$+
!roportion -,6-6 -,$*2 -,++1 -,-+/ -,--$
&umulative -,6-6 -,261 -,/02 -,//2 +,---
Varia"le !&+ !&$ !&. !&1 !&*
!op 6-,**2 6-,+.+ -,--2 -,**+ 6-,6-6
%c?ool 6-,.+. 6-,6$/ 6-,*1/ 6-,1*. -,--0
Employ 6-,*62 6-,--1 -,++0 -,$62 -,06/
=ealt? 6-,120 -,.+- -,1** 6-,612 6-,$-+
=ome -,+01 6-,0-+ -,6/+ -,-+* -,-+1
&omponent "um(er
'
i
g
e
n
a
l
u
e
5 4 3 2 1
3.0
2.5
2.0
1.5
1.0
0.5
0.0
.cree 4lot of 4op3 ...3 *ome
5nterpretando los resultados
El primer componente principal tiene varianza (eigenvalor) 3.029 y acumula el
60.6% de la varianza total. Los coeficientes para el PC1 muestran como
calcular el nivel del componente principal.
PC1 = .558 Pop .313 School .568 Employ .487 !al"h # .174 om!
Notar que la interpretacin de los componentes principales es subjetiva, sin
embargo, frecuentemente surgen patrones obvios. Por ejemplo, se podra
pensar que el primer componente represente el efecto del tamao de la
poblacin total, el nivel de escolaridad, empleo y servicios de salud, dado que
los coeficientes de estos trminos tienen el mismo signo y no son cercanos a
cero.
El segundo componente tiene varianza 1.2911 y acumula el 25.8% de la
variabilidad de los datos. Se calcula de los datos originales usando los
Pg. 129
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
coeficientes listados en PC2. Este componente podra ser pensado como nivel
de contraste de escolaridad y valor de la casa con salud y empleo de alguna
manera.
Juntos el primero y segundo componentes representan el 86.4% y 97%,
respectivamente, de la variabilidad total. As, la mayora de la estructura de
datos puede ser capturada en dos o tres dimensiones relevantes. Los
componentes remanentes solo tienen una menor proporcin de probabilidad y
no son importantes. La grfica Scree proporciona una visin grfica de lo
anterior.
Pg. 130
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
)&. A(BLISIS :ACTORIAL
Pg. 131
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
1O. A";)5.5. 0A&+#R5A)
De manera similar al anlisis de componentes principales, el propsito principal
del 8nlisis factorial es decribirdescribir la variacin entre muchas variables, en
trminos de una pocas variables subyacentes no observables, denominadas
factores. De manera diferente al anlisis de componentes, en el anlisis
factorial se especifican un cierto nImero de factores comunes. Todas las
covarianzas o correlaciones se explican por los factores comunes. La varianza
no explicada por los factores comunes se asigna los trminos de error residual
denominados factores Inicos3 no correlacionados entre s7
La matriz del modelo de anlisis factorial asume que la matriz de correlacin o
de covarianzas se puede dividir en dos partes:
La matriz de factores comunes
La matriz de errores o factores nicos
Mientras que el anlisis de componentes principales se enfoca a explicar la
vasrianzavarianza de las variables, el anlisis factorial se enfoca a la
explicacin de la covarianza de las variables. Al final obtiene grupos de
variables dentro de los cuales las variables son altamente correlacionadas, sin
embargo entre diferentes grupos tengan correlacin dbil.
5
El anlisis factorial es un mtodo cuyo propsito principal es definir la
estructura subyacente de una matriz de datos. Atiende el problema de analizar
la estructura de las interrelaciones (correlaciones) entre un gran nmero de
variables (vgrVg.. Respuestas de cuestionarios) al definir un conjunto de
dimensiones subyacentes comunes, conocidas como factores. Con el anlisis
factorial se identifican las dimensiones separadas de la estructura y despus se
determina que tanto cada variable es explicada por cada dimensin. Una vez
que se determinan las dimensiones y se explican las variables por cada
dimensin, se puede hacer un resumen y reduccin de datos.
6
5
%o&'o&, %.)., Applied Multivariate Data Analsis' Volume $$# Cate(orical and Multivariate Methods,
Sp+&6!, 7!,la6, 89!:a ;o,<, 1992
6
a+,, %o'!ph, 5, et) Al., Multivariate Data Analsis# 5
"h
. E(+"+o&, P,!&"+c! all =&"!,&a"+o&al, 89!:a
%!,'!y, 1998
Pg. 132
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
El anlisis factorial es una tcnica de interdependencia en la cual todas las
variables son consideradas de manera simultanea, cada una relacionada a las
otras, y empleando el concepto de variate, composicin lineal de variables. De
hecho las variates (factores) se forman para maximizar su explicacin de todo
el conjunto de variables, no para predecir una variable dependiente(s). Una
variate (factor) es una variable dependiente que es funcin del conjunto total de
variables.
Se usa el Anlisis factorial, de manera similar al anlisis de componentes
principales, para resumir la estructura de covarianza de los datos en unaunas
pocas dimensiones de los mismos. Sin embargo, el nfasis en anlisis factorial
es la identificacin de los "factores subyacentes que pueden explicar las
dimensiones asociadas con la gran variabilidad de los datos.
Se pueden tener tres tipos de datos de entrada:
Columnas de datos unitarios
Una Matriz de correlaciones o covarianzas
Columnas conteniendo ponderaciones de factores
Con los datos del ejemplo anterior de Componentes principales, realizar un
anlisis factorial como sigue:
Nos gustara investigar que "factores pueden explicar la mayor parte de la
variabilidad. Como primer paso del anlisis factorial, se utiliza la extraccin de
componentes principales y se examinan los eigenvalores en grfica como
ayuda para decidir el nmero de factores.
Modelo matemtico
A partir de los trabajos de Charles Spearman (1904) al hacer estudios de
psicologa sobre la teora de pruebas mentales, formul un modelo de dos
factores: cada resultado de la prueba se forma de dos partes, uno que es
comn a todas las pruebas ("inteligencia general) y otro que es especfico a la
prueba. Posteriormente, se modific a para permitir que cada resultado de
Pg. 133
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
prueba consistiera de una parte debida a varios factores comunes, adems de
una parte especfica de la prueba.
El modelo general de anlisis de factores es el siguiente:
i m im i i i
e * a * a * a X + + + + = ...
2 2 1 1
Donde >i es el resultado i-simo de la prueba con media cero y varianza
unitaria; aiA3 ai'3B3 aim son las 0ar-as factoriales para la i-sima prueba; $A3
$'3 B3 $m son los m #actores comunes no correlacionados, cada uno con
media cero y varianza uno, ei es el error especfico para la i-sima prueba, no
correlacionado con los factores comunes.
Con este modelo:
) ( ... ) (
) ( ) ( ... ) ( ) ( ) (
2
2
2
1
2
2
2
2
2
1
1
2
i
im i i
i
i m
im i i
i
e Var a a a X Var
e Var * Var a * Var a * Var a X Var
+ + + + =
+ + + + =
Donde:
im i i a a a
2
2
2
1
2
... + + +
Es llamada la comunalidad de $i (la parte de la varianza que est relacionada
con los factores comunes) mientras que "arEeiF es denominada la
especi#icidad de $i (la parte de su varianza que no est relacionada con los
factores comunes). Tambin se puede establecer que la correlacin entre Xi y
Xj es:
jm im j i j i ij
a a a a a a r + + + = ......
2 2 1 1
De esta manera dos resultados de prueba estn muy correlacionados si tienen
valores de carga altos en los mismos factores. Adems -1<= aij <= 1, ya que la
comunalidad no puede exceder uno.
El anlisis factorial se hace en tres etapas:
Pg. 134
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
%tapa & ' e(traccin de #actores) se determinan cargas o
ponderaciones provisionales de los factores a
i<
. Una forma de hacerlo es
realizar un anlisis de componentes principales y no considerar los
componentes principales despus de los primeros m, que sern
tomados como los m factores7 0omo re-la se pueden tomar los m
ei-envalores que excedan a la unidad. Estos factores no estn
correlacionados entre s, sin emabargo los factores especficos pueden
estar correlacionados entre s, lo que no afecta si las comunalidades son
altas. Con cualquier mtodo que se extraigan las ponderaciones
preliminares de los factores, se puede mostrar que no son nicas. Si F1,
F2,., Fm son los factores preliminares, se pueden construir
combinaciones lineales de estos de la forma:
m mm m m m
m m
m m
* d * d * d *
* d * d * d *
* d * d * d *
+ + + =
+ + + =
+ + + =
.....
.....
.....
2 2 1 1
'
2 2 22 1 21
'
2
1 2 12 1 11
'
1
Las combinaciones se pueden hacer de forma que no sean
correlacionadas y "expliquen los datos adecuadamente. Se observa que
hay un nmero infinito de posibles soluciones.
%tapa * ' +otacin de #actores) los factores preliminares se
transforman de modo que se identifiquen nuevos factores ms fciles de
interpretar. Rotar equivale a seleccionar los coeficientes d
i<
en las
ecuaciones anteriores. La rotacin puede ser ortogonal u oblicua. Con la
rotacin ortogonal, los nuevos factores no estn correlacionados, tal
como los originales. Con rotacin oblicua, los nuevos factores estn
correlacionados. Se espera que las ponderaciones o cargas aij sean
casi cero (indicando que Xi no se relaciona con el factor Fj), o muy
alejadas de cero (positivas o negativas) indicando que Xi est
determinado ampliamente por Xj de manera amplia.
Un mtodo popular de rotacin es el ,arima( que est basado en el
supuesto de que la interpretabilidad del factor j puede ser medido por la
Pg. 135
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
varianza del cuadrado de sus ponderaciones (aA
<
'
, a'
<
'
,etc.) donde si la
varianza es grande, los valores de a
i<
'
tienden a ser cero o cercanos a la
unidad, de esta forma Varimax maximiza la suma de estas varianzas para
todos los factores.
Los factores rotados se pueden expresar como sigue:
X + + + * ' ) ' ( >
1
=
%tapa - ' aaclculo de los #actores individuales) son los valores de
los factores F1, F2, ., Fm, para cada una de las observaciones
individuales.
Pg. 136
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
4R#&'.# D' D'&5.5D" D' A";)5.5. 0A&+#R5A)
4aso 1. #(%etios del Anlisis factorial
El propsito es encontrar una forma de condensar (resumir) la informacin
contenida en un cierto nmero de variables originales, en un grupo ms
pequeo de dimensiones nuevas, compuestas o variates (factores) con un
mnimo de prdida de informacin.
Por ejemplo si hay datos de 100 cuestionarios en 10 caractersticas, el anlisis
factorial se aplica a la matriz de correlacin de variables y se denomina
Anlisis .actorial +/ para identificar las dimensiones que estn latentes o no
son fcilmente observables.
El anlisis factorial tambin se puede aplicar a una matriz de correlacin de los
cuestionarios individuales basados en sus caractersticas, referido como
Anlisis .actorial 0/ es un mtodo de condensar o combinar un grupo grande
de gente en diferentes grupos distintos dentro de una poblacin grande, para
esto se utiliza el anlisis de conglomerados (clusters).
4aso 2. DiseLo del anlisis factorial
ncluye tres decisiones bsicas: (1) clculo de los datos de entrada (una matiz
de correlacin) para cumplir con los objetivos especificados de agrupar
variables o cuestionarios; (2) el diseo del estudio en trminos del nmero de
variables, propiedades de medicin de las variables, y el tipo de variables
permitidas y (3) el tamao de muestra necesario (al menos 5 veces el nmero
de variables analizadas), ambos en trminos absolutos y como funcin de del
nmero de variables en el anlisis.
Pg. 137
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
4aso 3. .upuestos del anlisis factorial
Es deseable algn grado de multicolinealidad entre variables dado que el
objetivo es identificar conjuntos de variables interrelacionadas, no son tan
importantes la normalidad, homoestacidad y linealidad a menos que
disminuyan significativamente las correlaciones observadas.
La matriz de correlacin debe indicar valores mayores a O.3 para aplicar el
anlisis de correlacin. Tambin si las correlaciones parciales entre variables
(correlacin entre variables cuando el efecto de las otras variables se toma en
cuenta) son pequeas dado que la variable puede explicada por los factores
(variates con ponderaciones para cada una de las variables). Si las
correlaciones parciales son altas, no hay factores subyacentes "verdaderos y
el anlisis factorial es inapropiado.
La prueba de esfericidad de Bartlett mide la presencia de correlaciones entre
las variables, proporciona la probabilidad de que la matriz de correlacin tenga
correlaciones significativas en algunas de las variables. Otro indicador es el
:Measure of Samplin- 8dequacy EMS8F3 con rango de 0 a 1, donde 0.8 o ms
es meritorio; 0.07 o ms es regular; 0.60 o ms es mediocre; 0.50 o ms
miserable y debajo de 0.50 inaceptable.
El supuesto bsico en el anlisis factorial es que existe una estructura
subyacente en el conjunto de variables seleccionadas.
4aso M. 5dentificando factores y ealuando el a%uste del modelo
Una vez que se especifican las variables y se prepara la matriz de correlacin,
se toman decisiones en relacin a (1) el mtodo de extraccin de los factores
(anlisis de factores comunes versus anlisis de componentes) y (2) el nmero
de factores seleccionados para representar la estructura subyacente en los
datos.
Pg. 138
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Anlisis de componentes
El anlisis de componentes se usa cuando el objetivo es resumir la mayor parte
de la informacin original (varianza) en un mnimo nmero de factores para
propsitos de prediccin. Considera la varianza total y determina factores que
contienen pequeas proporciones de varianza nica y, en algunos casos,
varianza del error. No se basa en un modelo estadstico especfico7
J
Anlisis factorial
En contraste el anlisis de factores comunes se utiliza para identificar los
factores subyacentes o dimensiones que reflejan aquello que las variables
comparten en comn. Se basa en un modelo estadstico especial7
En este mtodo se tienen tres tipos de varianzas: (1) comn, (2) especfica
(nica), y (3) error. La varianza comn (communalities) se define como la
varianza en una variable que es compartida por todas las dems variables. La
varianza especfica es la varianza asociada solo con una variable especfica.
La varianza del error es la varianza debida a la incertidumbre en el proceso de
recoleccin de datos, errores de medicin, o componente aleatorio en el
fenmeno medido.
&riterios para el nmero de factores a e7traer
El primer mtodo extrae la combinacin de variables explicando la mayor
cantidad de varianza y despus contina con combinaciones que representan
menos y menos cantidades de varianza.
La seleccin de factores a extraer equivale a enfocar un microscopio,
normalmente se hace por prueba y error contrastando los resultados.
&riterio de RaP! )atente, su racional es que cualquier factor individual debe
contener la varianza de al menos una variable. Como cada variable contribuye
con 1 al eigenvalor total o raz latente. Se seleccionan solo los factores con
eigenvalores mayores a uno, cuando se tienen menos de 20 variables, los
factores extrados son pocos.
7
$%idem
Pg. 139
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
&riterio a 4riori, en este mtodo el investigador ya tiene una idea clara de los
factores a extraer y as lo indica en la computadora.
&riterio de porcenta%e de arian!a, Enfoque basado en lograr un porcentaje
acumulado de varianza total extrado por factores sucesivos. Normalmente el
proceso para al acumular 95%.
&riterio .cree +est, Se usa para identificar el nmero ptimo de factores que
pueden ser extrados antes de que la cantidad de varianza nica empiece a
dominar la estructura de varianza comn.
4aso :. 5nterpretando los factores
Se obtiene la matriz no rotada para estimar el nmero de factores a extraer. La
matriz de factores contiene ponderaciones de factores para cada variable en
cada factor. El primer factor puede verse como la mejor combinacin lineal
incluida en los datos, con cada factor con ponderaciones significativos y
acumula la mayor parte de la varianza; el segundo factor es la segunda mejor
combinacin lineal de variables, sujeta a que es ortogonal al primer factor, se
basa en la porcin residual de la varianza una vez removido el primero, as
sucesivamente.
Pg. 140
Eig
env
alor
1
Nmero de factores
8
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Los ponderaciones de los factores representan la correlacin de cada una de
las variables y el factor, entre mayores sean, mayor ser la representatividad
del factor por la variable.
La rotacin de los factores ms simple es una rotacin ortogonal, en la cual
se mantienen los ejes a 90 grados. Se pueden rotar los ejes sin mantener los
90 grados entre los ejes de referencia. Cuando no hay restriccin de
ortogonalidad, el procedimiento de rotacin se denomina rotacin o(licua.
Fig. 1 Rotacin ortogonal de factores (observar la ponderacin o ponderacin de factores y
en la variable V2, es ms clara cuando se rotan los factores)
En la figura se observan dos conglomerados de variables (V1 y V2) y (V3, V4 y
V5), sin embargo con los factores sin rotar no es muy obvia su ponderacin o
ponderacin de los factores y . Despus de la rotacin de los ejes de
factores, las variables 3, 4 y 5 tienen una ponderacin o ponderacin fuerte de
factor , y las variables 1 y2 tienen una ponderacin o ponderacin fuerte en el
factor . Siendo ms obvia la distincin entre conglomerados en dos grupos.
MUtodos de rotacin ortogonal
En la prctica el objetivo de todos los mtodos de rotacin es simplificar las
filas y columnas de la matriz de factores para facilitar la interpretacin. En una
Pg. 141
+1 Factor sin rotar
+1 Factor sin rotar
-1
Factor
-1
V1
V2
V5
V3
V4
+1 Factor rotado
+1 Factor rotado
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
matriz de factores las columnas representan factores, con cada rengln
correspondiente a la ponderacin de las variables a travs de los factores. Al
simplificar los renglones, se hacen tantos valores en cada fila tan cercanos a
cero como sea posible (i.e. maximizando la ponderacin de una variable con un
factor nico). Simplificando las columnas, se hacen tantos valores en las
columnas tan cercanos a cero como sea posible (i.e. hacer el mximo nmero
de ponderaciones "altas como sea posible). Se han desarrollado tres mtodos
para lo anterior como sigue:
Wuartima7, para simplificar las filas de la matriz; o sea, que Quartimax se
enfoca a rotar los factores iniciales de manera que las variables tengan la
mayor ponderacin posible de un factor y la mnima de los otros. Aunque este
mtodo no ha sido eficiente.
$arima7, se centra en simplificar las columnas de la matriz factorial. La
mxima simplificacin posible se logra cuando solo hay 1's y 0's en la columna.
Es decir que VARMAX maximiza la suma de variancias de ponderaciones
requeridas de la matriz factorial. Este mtodo ha probado ser un mtodo
analtico efectivo para obtener una rotacin ortogonal de factores.
'?uima7,
Es un compromiso entre las anteriores. Trata de simplificar los renglones y las
columnas, no se utiliza frecuentemente.
MUtodos de rotacin o(licua,
Estos mtodos son similares a las rotaciones ortogonales excepto que permiten
factores correlacionados en vez de mantener la independencia de los factores
rotados.
En general no hay reglas para seleccionar uno de los mtodos anteriores.
&riterios para la significancia de ponderacin de factores en las aria(les
Pg. 142
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
e manera prctica si las ponderaciones son de G7*G se considera que
cumplen el nivel mnimoK ponderaciones de G7HG son importantesK G7LG o
mayores son si-nificativas en la prctica7 0omo la ponderacin del factor es la
correlacin de la variable y el factor3 la ponderacin al cuadrado es la cantidad
representada de la varianza total por el factor7 De esta forma con 0.3 se tiene
un 10% de explicacin y un 0.5 de ponderacin denota que un 25% de la
varianza es representada por el factor.
'aluando la significancia estadPstica
Con base en un nivel de significancia de 0.05, un nivel de potencia del 80% y
errores estndar asumidos se el doble de los coeficientes de correlacin
convencionales, se tiene la tabla siguiente:
onderaci#n del
$actor
%ama&o de muestra
re'uerida para tener
si(ni$icancia
0.30 350
0.35 300
0.40 250
0.45 200
0.50 150
0.55 100
0.60 85
0.65 70
0.70 60
Resumiendo las guas para la significancia de los factores son:
(1) entre mayor sea el tamao de muestra, el valor de ponderacin
significativo se reduce.
(2) Entre ms variables sean consideradas en el anlisis, ms pequea es
la ponderacin que se considera significativa.
(3) Entre ms factores haya, mayor es la ponderacin en los factores
adicionales para que sea considerada significativa.
Cada columna de nmeros en la matriz representa un factor por separado. Las
columnas de nmeros representan las ponderaciones para cada una de las
variables. dentificar la ms alta ponderacin para cada variable. Mecordar que
Pg. 143
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
para tama=os de muestra similares a AGG se considera si-nificante G7*7 La
comunalidad para cada variable representa la cantidad de varianza
considerada por la solucin factorial para cada variable. Evaluar la comunalidad
de las variables, es decir identificar las que tengan ms del 50%, ya que las
que tengan menos no tienen suficiente explicacin. El nombre de los factores
se desarrolla de manera intuitiva, con base en las variables con una mayor
ponderacin se consideran ms importantes y tienen una mayor influencia para
el nombre seleccionado para representar al factor.
$alidacin del anlisis factorial
Se trata de evaluar el grado de generalizacin de los resultados en la poblacin
y la influencia potencial de casos individuales en los resultados totales.
%l al#a de 1ronbach es una medida del coeficiente de confiabilidad que evalIa
la consistencia de toda la escala7 %ste ndice es la relacin positiva del nImero
de tems en la escala3 donde G7J se considera adecuado7
Pg. 144
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
'%emplo con datos de alimentos,
Continuando con el ejemplo del anlisis de componentes que se realiz en el
captulo anterior para el caso de alimentos en diferentes pases, se identificaron
dos componentes principales que excedan un eigenvalor de 1.0, como sigue:
0act or "um(er
'
i
g
e
n
a
l
u
e
9 8 7 6 5 4 3 2 1
4
3
2
1
0
.cree 4lot of RM'A+3 ...3 0R@$'6
Parte del archivo de datos se muestra a continuacin:
4aPs RM'A+ 9M'A+ '66. M5)2 05.* &'R) .+AR&* "V+. 0R@$'6
X1 X2 X3 X4 X5 X6 X7 X8 X9
1 10.1 1.4 0.5 8.9 0.2 42.3 0.6 5.5 1.7
2 8.9 14 4.3 19.9 2.1 28 3.6 1.3 4.3
Etc.
Las instrucciones de Minitab son las siguientes:
1 Cargar los datos de tabla de alimentos.
2 .tat / Multiariate / 0actor Analysis.
3 En $aria(les, X1, X2, X3, X4, X6, X7, X8, X9
4 En "um(er of factors to e7tract, 4.
5 En Met1od of '7traction , seleccionar 4rincipal components
6 En +ype of Rotation, seleccionar $arima7.
7 Click 6rap1s y seleccionar )oading plot for first 2 factors y .cree 4lot.
8 Click Results y seleccionar .ort loadings .
Pg. 145
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
9 Seleccionar .torage e indicar columnas para ponderaciones,
coeficientes, Z's, eigenvalores, etc.
10 Click #2 en cada uno de los cuadros de dilogo.
Los resultados se muestran a continuacin:
0actor Analysis, RM'A+3 9M'A+3 '66.3 M5)23 05.*3 &'R)3 .+AR&*3 "V+.3
0R@$'6
!rincipal &omponent Factor Analysis o# t?e &orrelation Matrix
Los eigenvalores para los factores 1 y 2 son los siguientes:
'igenalues 0actores
4.00644 F1
1.63500 F2
1.12792 F3
0.95466 F4
Cnrotated Factor Loadings and &ommunalities
Con los eigenvalores anteriores, se determina el modelo factorial:
Cnrotated Factor Loadings and &ommunalities
Varia"le Factor+ Factor$ Factor. Factor1 &ommunality
B+ 5MEAT 6-,6-6 -,-0$ -,.+6 -,6.$ -,20+
B$ MEAT 6-,6$$ -,.-. 6-,66. 6-,-.6 -,/+2
B. E>>% 6-,2*1 -,-1* 6-,+/. -,.-6 -,26$
B1 M@LJ 6-,0*6 -,$.6 -,1+- 6-,--. -,0/*
B* F@%= 6-,$0$ 6-,2$0 -,.1+ 6-,$++ -,/+/
B6 &E5L -,206 -,$// 6-,+-$ 6-,--6 -,260
B0 %TA5&= 6-,*/* 6-,1*+ 6-,$*2 6-,.$/ -,0.$
B2 'CT% -,21+ 6-,+2. -,-*2 -,.$. -,21/
B/ F56VE> -,$$+ 6-,626 6-,1.. -,1*+ -,/+-
Variance 1,--61 +,6.*- +,+$0/ -,/*10 0,0$1-
8 Var -,11* -,+2$ -,+$* -,+-6 -,2*2
La comunalidad de X1 RMEAT = 0.871 se calcula de la manera siguiente:
0.871 = 0.606^2+0.072^2+0.316^2+0.632^2
Como las comunalidades son relativamente altas (cercanas a la unidad), indica
que la mayor parte de la varianza para las variables X1 a X9 se acumula en los
factores F1 a F4.
Las ponderaciones de los factores que son mayores a |0.5|, sin importar el
signo, se analizan para mostrar como se relacionan las variables con los
factores. Se puede observar que: la variable X1 se explica fuertemente por los
Pg. 146
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
factores F1 y F4; la variable X2 se explica por los factores F1 y F3; las
variables X2 X3, X4, X6, X7 y X8 se relacionan fuertemente al factor 1 y X5 y
X9 al factor 2. Esto sugiere que una rotacin puede ayudar a definir los
factores.
5otated Factor Loadings and &ommunalities
Varimax 5otation
Varia"le Factor+ Factor$ Factor. Factor1 &ommunality
B+ 5MEAT -,-*+ 6-,/.+ -,-+1 -,-.0 -,20+
B$ MEAT -,/1. 6-,+$0 6-,+-- -,-*- -,/+2
B. E>>% -,6$2 6-,661 -,+6. -,-$- -,26$
B1 M@LJ -,+/0 6-,6+- -,$+/ -,*0/ -,0/*
B* F@%= 6-,$$6 6-,-22 -,/$+ 6-,+-1 -,/+/
B6 &E5L 6-,./* -,*1/ 6-,6$1 6-,+1* -,260
B0 %TA5&= -,*+* 6-,--1 -,62. 6-,-$6 -,0.$
B2 'CT% 6-,6.2 -,$6. 6-,.$6 6-,*+* -,21/
B/ F56VE> 6-,-+- -,--. -,+02 6-,/.0 -,/+-
Variance $,$-*1 $,-01/ +,/$0. +,*+6* 0,0$1-
8 Var -,$1* -,$.+ -,$+1 -,+62 -,2*2
%orted 5otated Factor Loadings and &ommunalities
Varia"le Factor+ Factor$ Factor. Factor1 &ommunality
MEAT -,/1. 6-,+$0 6-,+-- -,-*- -,/+2
'CT% 6-,6.2 -,$6. 6-,.$6 6-,*+* -,21/
5MEAT -,-*+ 6-,/.+ -,-+1 -,-.0 -,20+
E>>% -,6$2 6-,661 -,+6. -,-$- -,26$
M@LJ -,+/0 6-,6+- -,$+/ -,*0/ -,0/*
F@%= 6-,$$6 6-,-22 -,/$+ 6-,+-1 -,/+/
%TA5&= -,*+* 6-,--1 -,62. 6-,-$6 -,0.$
&E5L 6-,./* -,*1/ 6-,6$1 6-,+1* -,260
F56VE> 6-,-+- -,--. -,+02 6-,/.0 -,/+-
Variance $,$-*1 $,-01/ +,/$0. +,*+6* 0,0$1-
8 Var -,$1* -,$.+ -,$+1 -,+62 -,2*2
En este caso las variables X3, X4, X6, X7 y X8 se explican al menos por dos
factores, lo cual es mejor.
0irst 0act or
.
e
c
o
n
d
0
a
c
t
o
r
1.00 0.75 0.50 0.25 0.00 -0.25 -0.50
0.50
0.25
0.00
-0.25
-0.50
-0.75
-1.00
FR-VEG
NUTS
STARCH
CERL
F SH
M LK
EGGS
WMEAT
RMEAT
)oading 4lot of RM'A+3 ...3 0R@$'6
Pg. 147
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
El modelo queda como sigue:
Factor %core &oe##icients
Varia"le Factor+ Factor$ Factor. Factor1
5MEAT 6-,$-2 6-,666 6-,+0* 6-,+*1
MEAT -,*2- -,+.1 6-,+22 6-,+$.
E>>% -,$+0 6-,$/0 6-,-/* 6-,+21
M@LJ 6-,+.- 6-,$12 -,-1. -,.$2
F@%= 6-,$*6 -,-.0 -,*02 -,--*
&E5L 6-,-$0 -,+*2 6-,$*$ 6-,--1
%TA5&= -,$*/ -,$*1 -,.6/ 6-,-.2
'CT% 6-,$.2 6-,+$2 6-,+$1 6-,$/$
F56VE> -,+-. 6-,+11 -,-1- 6-,0+/
Obteniendo las graficas de Z1 vs. Z2 y Z3 vs. Z4 con los valores de los
coeficientes de los factores se tiene:
<1 <2 <3 <M
-2.08984 0.21229 -1.48719 0.91607
1.51952 -0.14373 -0.67295 -0.04645
0.54271 -0.78648 0.18603 -0.22398
-0.67265 0.77630 -1.57884 -0.08663
1.12632 0.60458 -0.33966 0.02184
0.28382 -0.24185 1.21441 1.14642
1.45824 0.86238 0.78301 0.03869
-0.67673 -0.14921 0.93845 2.29981
0.03566 -1.84164 0.00237 -1.24522
-1.73291 -0.89465 -0.40999 -1.39879
1.07856 1.20405 -1.09708 -0.64712
0.84733 -1.15498 -0.08258 0.51667
-0.62204 -0.37440 -0.59829 -1.17455
1.20389 -0.18081 -0.31569 0.37021
-0.87260 0.00189 1.50818 1.24280
1.07154 0.81779 0.25040 -0.66725
-1.02013 1.36441 2.63942 -1.71648
-0.51952 1.25002 -1.03438 0.40083
-0.48351 0.41424 1.05124 -1.81043
-0.27184 -0.39239 0.76534 1.37725
0.10789 -1.21314 -0.71597 -0.11354
-0.53941 -2.17878 -0.17044 -0.12795
-0.34330 0.78311 0.21603 0.63639
1.23608 -0.44858 0.05799 0.00754
-0.66709 1.70958 -1.10980 0.28389
Pg. 148
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
<1
<
2
2 1 0 -1 -2
2
1
0
-1
-2
Yugoslavia
Alemania Occ
Rusia
Reino Unido
Suiza
Suecia
Espaa
Rumania
Portugal
Polonia
Noruega
Holanda
talia
rlanda
Hungra
Grecia
Francia
Finlandia
Alemania orien
Dinamarca
Checa
Bulgaria
Blgica
Autria
Albania
.catterplot of <2 s <1
<3
<
M
3 2 1 0 -1 -2
2
1
0
-1
-2
Yugoslavia
Alemania Occ
Rusia
Reino Unido
Suiza
Suecia
Espaa
Rumania
Portugal
Polonia
Noruega
Holanda
talia
rlanda
Hungra
Grecia
Francia
Finlandia
Alemania orien
Dinamarca
Checa
Bulgaria
Blgica
Autria
Albania
.catterplot of <M s <3
<3
<
2
3 2 1 0 -1 -2
2
1
0
-1
-2
Yugoslavia
Alemania Occ
Rusia
Reino Unido
Suiza
Suecia
Espaa
Rumania
Portugal
Polonia
Noruega
Holanda
talia
rlanda
Hungra
Grecia
Francia
Finlandia
Alemania orien
Dinamarca
Checa
Bulgaria
Blgica
Autria
Albania
.catterplot of <2 s <3
Pg. 149
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
<M
<
1
2 1 0 -1 -2
2
1
0
-1
-2
Yugoslavia
Alemania Occ
Rusia
Reino Unido
Suiza
Suecia
Espaa
Rumania
Portugal
Polonia
Noruega
Holanda
talia
rlanda
Hungra
Grecia
Francia
Finlandia
Alemania orien
Dinamarca
Checa
Bulgaria
Blgica
Autria
Albania
.catterplot of <1 s <M
Pg. 150
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
'%emplo con datos de *A+&#
Prueba de la adecuacin del modelo, utilizando Minitab:
1. .tat / -asic statistics / &orrelation
2. $aria(les X1, X2, X3, X4, X6, X7
3. Display p alues
M. #2
&orrelations, =13 =23 =33 =M3 =N3 =B
B+ B$ B. B1 B6
B$ 6-,.1/
-,---
B. -,106 6-,10$
-,--- -,---
B1 -,-*- -,$0$ 6-,-/*
-,6+2 -,--6 -,.10
B6 -,-00 -,+26 6-,-+* -,022
-,116 -,-61 -,22- -,---
B0 6-,12. -,10- 6-,1-0 -,$-- -,+00
-,--- -,--- -,--- -,-16 -,-02
&ell &ontentsG !earson correlation
!6Value
De la matriz, 7 de 15 correlaciones son significativas estadsticamente. El valor
de MSA de 0.665 cumple con con el criterio para aplicar el anlisis factorial.
Anlisis factorial con Minita(,
Las instrucciones de Minitab son las siguientes:
1 Cargar los datos de HATCO.
2 .tat / Multiariate / 0actor Analysis.
3 En $aria(les, X1, X2, X3, X4, X6, X7
4 En "um(er of factors to e7tract, '.
6 En Met1od of '7traction, seleccionar 4rincipal components
6 En +ype of Rotation, seleccionar $arima7.
Pg. 151
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
7 Click 6rap1s y seleccionar )oading plot for first 2 factors y .cree 4lot.
8 Click Results y seleccionar .ort loadings. Click #2 en cada uno de los
cuadros de dilogo.
Los resultados se muestran a continuacin:
0actor Analysis, =13 =23 =33 =M3 =N3 =B
!rincipal &omponent Factor Analysis o# t?e &orrelation Matrix
Cnrotated Factor Loadings and &ommunalities
Varia"le Factor+ Factor$ &ommunality
B+ -,6+2 6-,*+0 -,61/
B$ 6-,06. -,-0/ -,*22
B. -,6/* 6-,.*0 -,6+-
B1 6-,*-$ 6-,0/. -,22+
B6 6-,1.1 6-,2$0 -,20.
B0 6-,06+ -,+0- -,6-/
Variance $,1661 +,01$* 1,$-2/
8 Var -,1++ -,$/- -,0-+
El primer factor contiene la mayor parte de la varianza y es un factor general
con alta ponderacin en cada variable. Las ponderaciones para el segundo
factor muestra tres variables que tambin tiene alta ponderacin (X1, X4 y X6).
La interpretacin es sumamente difcil y sin significado, por lo que se debe
considerar la rotacin de factores como sigue:
5otated Factor Loadings and &ommunalities
Varimax 5otation
Varia"le Factor+ Factor$ &ommunality
B+ 6-,02. -,+22 -,61/
B$ -,0+2 -,$62 -,*22
B. 6-,02+ -,-+- -,6+-
B1 -,-/0 -,/.1 -,22+
B6 -,-$- -,/.1 -,20.
B0 -,0*2 -,+26 -,6-/
Variance $,.$.+ +,22*2 1,$-2/
8 Var -,.20 -,.+1 -,0-+
Las variables X1, X2 y X3 ponderacinnponderacin significativamente al factor
1 y las variables X4 y X6 ponderacinnponderacin significativamente al factor
2.
Pg. 152
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Si se considera como punto de corte las ponderaciones con 0.55 o ms, el
factor 1 tiene cuatro ponderaciones significativas y el factor 2 tiene 2. Para el
factor 1, se ven dos grupos de variables. Las primeras son el nivel de precios
(X2) y la calidad del producto (X7) ambas con signos positivos y varan como
conjunto. Las otras dos, tiempo de entrega (X1) y flexibilidad de precios (X3)
tienen signos negativos tambin varan como conjunto.
En el factor 1, ambos grupos varan en sentido contrario, tal vez este factor sea
el valor bsico y representa un compromiso entre percepciones de precio o
calidad del producto y percepciones de tiempo de entrega y flexibilidad de
precios.
En el factor 2, la variable X4 (imagen de fabricacin) y X6 (imagen de la fuerza
de ventas) tal vez se pueda agrupar en ima-en, ambas variables tienen el
mismo signo, actuando en la misma direccin.
La variable X5 (servicio en general) no se incluy en al anlisis.
Se tienen ahora dos factores como combinacin lineal de las variables para
efectos de realizacin de estudios:
Factor %core &oe##icients
Varia"le Factor+ Factor$
B+ 6-,.*6 -,+*1
B$ -,$/0 -,-/0
B. 6-,.1. -,-*2
B1 6-,-$- -,1/2
B6 6-,-*1 -,*-.
B0 -,.$- -,-*-
Para verificar la validez del modelo se pueden hacer dos grupos de 50
observaciones y comparar sus matrices rotadas.
Pg. 153
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Data + Q *-G 5otated Factor Loadings and &ommunalities
Varimax 5otation
Varia"le Factor+ Factor$ &ommunality
B+R+ 6-,2$0 -,-2* -,6/+
B$R+ -,6-. -,.06 -,*-6
B.R+ 6-,626 6-,+00 -,*-$
B1R+ -,+*6 -,/+/ -,26/
B6R+ -,+.6 -,/$1 -,20+
B0R+ -,0-$ -,$-+ -,*..
Variance $,-*12 +,/+02 .,/0$6
8 Var -,.1$ -,.$- -,66$
Data *+ Q +--G 5otated Factor Loadings and &ommunalities
Varimax 5otation
Varia"le Factor+ Factor$ &ommunality
B+R$ -,01+ 6-,.+. -,610
B$R$ 6-,02* 6-,+/- -,6*$
B.R$ -,2+* 6-,+*1 -,622
B1R$ 6-,-1+ 6-,/1/ -,/-.
B6R$ -,-*$ 6-,/$. -,2*1
B0R$ 6-,2$1 6-,+*1 -,0-.
Variance $,*+$0 +,/..2 1,1166
8 Var -,1+/ -,.$$ -,01+
Como se ve las dos rotaciones VARMAX son comparables en trminos de
ponderaciones y comunalidades para las seis percepciones. As se puede
asegurar que los resultados son estables dentro de la muestra.
De la grfica Scree Plot con los Eigenvalores de los factores se tiene:
0act or "um(er
'
i
g
e
n
a
l
u
e
6 5 4 3 2 1
2.5
2.0
1.5
1.0
0.5
0.0
.cree 4lot of =13 ...3 =B
Slo dos factores sern mantenidos si se toma como referencia el Eigenvalor
de 1 o tres si se toma como referencia el criterio Scree.
La grfica de ponderaciones por variables se muestra a continuacin,
identificando tres grupos de variables:
Pg. 154
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
0irst 0act or
.
e
c
o
n
d
0
a
c
t
o
r
0.5 0.0 -0.5 -1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
X7
X6 X4
X3
X2
X1
)oading 4lot of =13 ...3 =B
En resumen se identifican dos dimensiones "alor bsico e &ma-en3 ahora se
pueden hacer planes alrededor de estas dos dimensiones en lugar de
considerar todas las variables separadas.
'%emplo con datos del arc1io '=*8M$AR
Se registran las siguientes caractersticas de 14 regiones censadas: poblacin
total (Pop), promedio de escolaridad (School), empleo total (Employ), empleo
en servicios de salud (Health), y valor promedio de casa (Home). Se desea
investigar que "factores podran explicar la mayor parte de la variabilidad.
Como primer paso del anlisis factorial, se usa el mtodo de extraccin de
componentes principales y se examina la grfica de eigenvalores (Scree) para
apoyarnos en decidir sobre el nmero de factores.
Pop School Employ Health
5.935 14.2 2.265 2.27
1.523 13.1 0.597 0.75
2.599 12.7 1.237 1.11
4.009 15.2 1.649 0.81
4.687 14.7 2.312 2.5
8.044 15.6 3.641 4.51
2.766 13.3 1.244 1.03
6.538 17 2.618 2.39
6.451 12.9 3.147 5.52
3.314 12.2 1.606 2.18
3.777 13 2.119 2.83
Pg. 155
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
1.53 13.8 0.798 0.84
2.768 13.6 1.336 1.75
6.585 14.9 2.763 1.91
Las instrucciones de Minitab son las siguientes:
1 Abrir la worksheet EXH_MVAR.MTW.
2 .tat / Multiariate / 0actor Analysis.
3 En $aria(les, poner .op(1ome.
4 Click 6rap1s y seleccionar .cree plot. Click #2 in each dialog box.
Los resultados se muestran a continuacin:
0actor Analysis, 4op3 .c1ool3 'mploy3 *ealt13 *ome
!rincipal &omponent Factor Analysis o# t?e &orrelation Matrix
Cnrotated Factor Loadings and &ommunalities
Varia"le Factor+ Factor$ Factor. Factor1 Factor* &ommunality
!op 6-,/0$ 6-,+1/ -,--6 -,+0- 6-,-60 +,---
%c?ool 6-,*1* 6-,0+* 6-,1+* 6-,+1- -,--+ +,---
Employ 6-,/2/ 6-,--* -,-2/ -,-2. -,-2* +,---
=ealt? 6-,210 -,.*$ -,.11 6-,$-- 6-,-$$ +,---
=ome -,.-. 6-,0/0 -,*$. -,--* -,--$ +,---
Variance .,-$2/ +,$/++ -,*0$* -,-/*1 -,-+$+ *,----
8 Var -,6-6 -,$*2 -,++1 -,-+/ -,--$ +,---
Factor %core &oe##icients
Varia"le Factor+ Factor$ Factor. Factor1 Factor*
!op 6-,.$+ 6-,++6 -,-++ +,02$ 6*,*++
%c?ool 6-,+2- 6-,**. 6-,0$6 6+,166 -,-6-
Employ 6-,.$0 6-,--1 -,+** -,262 6,/22
=ealt? 6-,$2- -,$0$ -,6-+ 6$,-/2 6+,2$/
=ome -,+-- 6-,6+0 -,/+1 -,-1/ -,+$/
Pg. 156
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
0act or "um(er
'
i
g
e
n
a
l
u
e
5 4 3 2 1
3.0
2.5
2.0
1.5
1.0
0.5
0.0
.cree 4lot of 4op3 ...3 *ome
5nterpretacin de resultados
Cinco factores describen estos datos perfectamente, pero la meta es reducir el
nmero de factores requeridos para explicar la variabilidad de los datos.
La proporcin de la variabilidad explicada por los dos ltimos factores es
mnima (0.019 y 0.002 respectivamente) y pueden ser eliminadas sin
afectar al resultado. Los primeros dos factores juntos representan 86% de
la variabilidad mientras que tres factores representan 98% de la
variabilidad. La cuestin es si usar dos o tres factores, se requieren otras
corridas para decidir si usar dos o tres factores.
Se seleccionan dos factores como el nmero que representa los datos del
censo en base al anlisis de componentes principales. Se realiza una
extraccin de mxima verisimilitud y rotacin varimax para interpretar los
factores.
Las instrucciones de Minitab son las siguientes:
1 Abrir la worksheet EXH_MVAR.MTW.
2 .tat / Multiariate / 0actor Analysis.
3 En $aria(les, .op(1ome.
4 En "um(er of factors to e7tract, '.
5 En Met1od of '7traction, seleccionar Ma7imum liJeli1ood.
Pg. 157
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
6 En +ype of Rotation, seleccionar $arima7.
7 Click 6rap1s y seleccionar )oading plot for first 2 factors.
8 Click Results y seleccionar .ort loadings. Click #2 en cada uno de los
cuadros de dilogo.
Los resultados se muestran a continuacin:
0actor Analysis, 4op3 .c1ool3 'mploy3 *ealt13 *ome
Maximum Likeli?ood Factor Analysis o# t?e &orrelation Matrix
3 ')TE 3 =ey(ood case
Cnrotated Factor Loadings and &ommunalities
Varia"le Factor+ Factor$ &ommunality
!op -,/0+ -,+6- -,/62
%c?ool -,1/1 -,2.. -,/.2
Employ +,--- -,--- +,---
=ealt? -,212 6-,./* -,20*
=ome 6-,$1/ -,.0* -,$-$
Variance $,/602 +,-+*/ .,/2.0
8 Var -,*/1 -,$-. -,0/0
5otated Factor Loadings and &ommunalities
Varimax 5otation
Varia"le Factor+ Factor$ &ommunality
!op -,0+2 -,60. -,/62
%c?ool 6-,-*$ -,/60 -,/.2
Employ -,2.+ -,**6 +,---
=ealt? -,/$1 -,+1. -,20*
=ome 6-,1+* -,+0. -,$-$
Variance $,$.*1 +,012. .,/2.0
8 Var -,110 -,.*- -,0/0
%orted 5otated Factor Loadings and &ommunalities
Varia"le Factor+ Factor$ &ommunality
=ealt? -,/$1 -,+1. -,20*
Employ -,2.+ -,**6 +,---
!op -,0+2 -,60. -,/62
=ome 6-,1+* -,+0. -,$-$
%c?ool 6-,-*$ -,/60 -,/.2
Variance $,$.*1 +,012. .,/2.0
8 Var -,110 -,.*- -,0/0
Factor %core &oe##icients
Varia"le Factor+ Factor$
!op 6-,+6* -,$16
%c?ool 6-,*$2 -,02/
Employ +,+*- -,-2-
=ealt? -,++6 6-,+0.
=ome 6-,-+2 -,-$0
Pg. 158
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
0irst 0act or
.
e
c
o
n
d
0
a
c
t
o
r
1.00 0.75 0.50 0.25 0.00 -0.25 -0.50
1.0
0.8
0.6
0.4
0.2
0.0
Home
Health
Employ
School
Pop
)oading 4lot of 4op3 ...3 *ome
Estos resultados indican un caso Heywood (las varianzas menores al lmite de
convergencia especificado se ponen a cero y sus comunalidades a 1).
Se tienen tres tablas de ponderaciones y comunalidades: no rotadas, rotadas,
ordenadas y rotadas. Los factores no rotados explican el 79.7 de la variabilidad
de los datos y los valores de comunalidad indican que todas las variables sin
Home estn bien representadas por esos dos factores (comunalidad son 0.202
para Home, 0.875 1.0 para otras variables). El porcentaje de la variabilidad
total representada por los factores no cambia con la rotacin, sino despus de
rotar, pero despus de rotar, estos factores son mas claramente balanceados
en el porcentaje de variabilidad que ellos representan, siendo 44.7% y 35%,
respectivamente.
El ordenamiento es realizado por la ponderacin mxima absoluta para
cualquier factor. Las variables que tienen la mayor ponderacin absoluta en el
factor 1 se muestran primero en orden. Despus las variables con la
ponderacin mayor en el factor 2 y as sucesivamente. El factor 1 tiene su
ponderacin mayor positiva en Health (0.924), Employ (0.831) y Pop (0.718), y
-0.415 en Home, mientras que la ponderacin en School es baja. El factor 2
tiene una ponderacin positiva en School de 0.967 y ponderacin de 0.556 y
0.673 en Employ y Pop respectivamente, y una ponderacin pequea en
Health y Home.
Pg. 159
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
Se pueden ver las ponderaciones rotadas grficamente en la grfica de
ponderaciones (load graph). Ah se muestra para factor 1 con ponderaciones
altas en Pop, Emply, y Health y ponderacin negativa en Home. School tiene
una ponderacin alta positiva para el factor 2 y algo menor para Pop y Employ.
De los resultados se puede pensar en que el factor 1 sea un factor relacionado
con "Cuidado de la salud tamao de la poblacin. El factor 2 puede ser
considerado como un factor relacionado con "educacin tamao de la
poblacin.
En forma adicional Minitab muestra una tabla de coeficientes del factor.
Muestran como se calculan los factores. Minitab calcula los valores
multiplicando los coeficientes y los datos despus de corregirlos centrndolos
al restarle sus medias.
Pg. 160
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
10. ANLSS DE REGRESN MLTPLE
Pg. 161
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
1O. A";)5.5. D' R'6R'.5D" MC)+54)'
Es una tcnica estadstica que se puede usar para analizar la relacin entre
una variable dependiente simple (respuesta, criterio) y varias variables
independientes cuyos valores son conocidos para predecir la variable
dependiente. Los pesos denotan la contribucin relativa de las variables
independientes a la prediccin general y facilitar la interpretacin de la
influencia de cada variable en la prediccin, lo que se complica si hay
correlacin de las variables independientes.
El conjunto de variables independientes con sus pesos forma la Variate de
regresin, ecuacin de regresin o modelo de regresin, que es una
combinacin lineal de las variables independientes que mejor predicen la
variable dependiente.
Los supuestos de un anlisis de regresin mltiple son los siguientes:
Linealidad del fenmeno medido
Varianza constante de los trminos de error
ndependencia de los trminos de error
Normalidad de la distribucin de los trminos de error.
2!rminos clave
&oeficiente a%ustado de determinacin (R2 a%ustada), Es una mtrica
modificada del coeficiente de determinacin que toma en cuenta el
nmero de variables independientes incluidas en la ecuacin de
regresin y el tamao de muestra. A pesar de que la adicin de variables
independientes hace que se incremente el coeficiente de determinacin,
el coeficiente de determinacin ajustado se reduce si las variables
independientes tienen poco poder explicativo y/o si los grados de
libertad son muy pequeos. Este estadstico es til para comparar
ecuaciones con diferentes nmeros de variables independientes, con
diferentes tamaos de muestra, o ambos.
Regresin con todos los posi(les su(con%untos, Mtodo de
seleccin de variables en el modelo que considera todas las
Pg. 162
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
combinaciones posibles de las variables independientes. Por ejemplo
para cuatro variables, se estiman modelos para una, dos, tres y cuatro
variables, identificando el modelo con la mayor capacidad predictiva.
'liminacin 1acia atrs, Mtodo de seleccin de variables en el
modelo que inicia con todas las combinaciones posibles de las variables
independientes para ir eliminando las que no tienen una contribucin
significativa a la prediccin.
&oeficiente (eta, Coeficientes estandarizados de la regresin que
permite una comparacin directa de su potencia relativa explicatoria de
la variable dependiente.
&oeficiente de determinacin (R2), Mide la proporcin de la varianza
de la variable dependiente alrededor de su media que es explicada por
las variables predictoras independientes. El coeficiente puede variar
entre 0 y 1. Entre mayor sea su valor es mejor la prediccin de la
variable dependiente.
&olinealidad, Expresin de la relacin entre dos (colinealidad) o entre
varias (multicolinealidad) variables independientes. Dos variables
independientes tienen colinealidad total si coeficiente de correlacin es 1
y no tienen colinealidad si coeficiente de correlacin es cero. La
multicolinealidad se presenta cuando una variable independiente est
muy correlacionada con otras variables independientes.
&oeficiente de correlacin (r.): Coeficiente que indica la fuerza de la
asociacin entre dos variables medibles. El signo (+) o (-) indica la
direccin de la relacin. +1 o -1 indica una correlacin perfecta positiva
(cuando aumenta una variable, aumenta la otra) o negativa (inversa
cuando aumenta una variable, la otra disminuye) y 0 sin correlacin.
6rados de li(ertad, En una regresin simple se estiman dos
parmetros, la interseccin (b0) y el coeficiente de la regresin para la
variable independiente (b1). Por tanto los grados de libertad
proporcionan una medida de cmo se restringen los datos para alcanzar
un cierto nivel de prediccin (n-2). Si el nmero de grados de libertad es
pequeo, la prediccin resultante no puede generalizarse, esta ser ms
robusta con un valor alto de grados de libertad.
Pg. 163
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
$aria(le ficticia, Es una variable independiente usada para contabilizar
el efecto que tienen diferentes niveles de una variable no medible al
predecir la variable dependiente. Para contabilizar los L niveles de una
variable independiente no medible, se requieren L-1 variables artificiales.
En el caso de Hombre Mujer se requiere una variable X con valores 0
y 1; para tres niveles se requerirn dos variables X1 y X2.
Adicin 1acia delante, Mtodo de seleccin de variables en el modelo
que inicia sin las variables independientes para ir agregndolas con
base en su contribucin a la prediccin.
*omoestacidad, Descripcin de los datos para los cuales la varianza
de los trminos de error (e F aparece constante sobre el rango de valores
de la variable independiente. Cuando los trminos de error tienen
varianza incremental o modulada, se dice que los datos tienen
Heteroestacidad.
#(seracin influyente, Es una observacin que tiene una influencia
desproporcionada en uno o ms aspectos de los estimados de la
regresin, puede ser basada en valores extremos de las variables
independientes y dependiente o ambas.
#utlier, Es una observacin que tiene una diferencia significativa entre
el valor real de la variable dependiente y el valor de prediccin. Los
casos que son muy diferentes ya sea en sus variables independientes o
dependiente. Deben analizarse para poder eliminarlas.
&oeficiente de correlacin parcial, Valor que mide la fuerza de la
relacin entre la variable dependiente o criterio y una nica variable
independiente manteniendo constante los efectos de las otras variables
independientes. Es til para identificar la variable independiente con la
mayor capacidad predictiva incremental. Se le asocian los estadsticos
parciales de F y t as como su grfica de regresin parcial.
4otencia, Probabilidad de que se tenga una relacin significativa si
realmente existe. Complementa el nivel de significancia Alfa.
'rror de prediccin, Diferencia entre los valores reales y estimados de
la variable dependiente para cada observacin en la muestra (residuos).
Pg. 164
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
'stadPstico 4R'.., Medida de validacin obtenida al eliminar cada
observacin una a la vez y estimando su valor dependiente con el
modelo de regresin estimado con las observaciones remanentes.
$aria(le de Regresin (ariate), Combinacin lineal de variables
independientes ponderadas usadas para predecir la variable
dependiente.
'rror estndar, El valor t de un coeficiente de regresin se obtiene
cuando se divide el valor del coeficiente entre el error estndar.
'stimacin por pasos, Mtodo de seleccionar variables para inclusin
en el modelo de regresin que inicia seleccionando el mejor predictor de
la variable dependiente. Las variables independientes adicionales se
seleccionan con base de su potencia explicatorio incremental que
pueden agregar al modelo de regresin (o en base a sus coeficientes de
correlacin significativos estadsticamente). Tambin se pueden eliminar
variables independientes si su potencia predictiva se reduce a niveles no
significativos cuando se agrega otra variable independiente al modelo.
Residuo estudenti!ado, Para minimizar el efecto de un outlier simple,
se calcula la desviacin estndar del residuo para la observacin i de los
estimados de la regresin omitiendo la observacin i-sima.
+olerancia, Es una medida de colinealidad y multicolinealidad, es:
>
2
1
i
" T,-i =
>
2
i
" es el coeficiente de determinacin para la variable de prediccin i
por las otras variables independientes. Conforme disminuye el valor de
la tolerancia la variable es mejor estimada por las otras variables
independientes (colinealidad).
0actor de inflacin de arian!a ($50), es un indicador del efecto que
las otras variables independientes tienen en el error estndar de un
coeficiente de regresin. El factor de inflacin de varianza est
directamente relacionado al valor de la tolerancia (VFi = 1 / TOLi).
Valores grandes de VF tambin indican un alto grado de colinealidad o
multicolinealidad entre las variables independientes.
Pg. 165
MTODOS ESTADSTCOS MULTVARADOS P. REYES / MARZO 2007
0rmulas,
La ecuacin de regresin simple es:
1 1 0
2
V % % . + =
Donde:
bo = Trmino de intercepcin
b1 = coeficiente de la regresin.
Error de prediccin o residuo = diferencia entre valor real y estimado de la
variable dependiente.
El error estndar del estimado se determina como:
2
=
n
SS/
S//
Con SSE = Suma de cuadrados del error.
n = tamao de la muestra
El intervalo de confianza de prediccin se determina como:
S// t . $C >
2
=
La suma de cuadrados total es:
SS/ SS" SST + =
= = =
+ =
n
i
n
i
i i i
n
i
i
1 1
2 2
1
2
) 2 ( ) 2 ( ) (