ANALISIS DE VARIANZA MULTIVARIADO El MANOVA es una extensin del Anlisis de Varianza Univariado (ANOVA, por sus siglas en ingls)

al campo multivariado. Uno de sus objetivos es demostrar la existencia de diferencias entre grupos, que afecten significativamente el rendimiento del proceso considerando dos o ms variables de respuesta correlacionadas entre s y su anlisis consiste en medir la varianza dentro y entre grupos con respecto a las salidas, con el fin de determinar la varianza atribuible a los diferentes factores operativos mediante la obtencin de un estadstico , con el cual se aprueba o rechaza la hiptesis de diferencia o hiptesis alterna, demostrando as, si existen o no existen efectos importantes de los factores sobre la eficiencia total de las diversas variables de respuesta (Anderson et al. 1999). El MANOVA tiene dos objetivos principales: El primero es reducir el error estadstico de prediccin al hacer un solo anlisis en lugar de mltiples pruebas individuales que incrementen el error tipo I o error alfa, que en un caso industrial es conocido tambin como error del productor al rechazar produccin buena. El segundo es evaluar el efecto de los factores operativos sobre las respuestas con el fin de proponer un modelo que mejore los resultados del proceso y que estos resultados sean sostenibles a travs del tiempo (Carey 1998). Cuando queremos estudiar la influencia de una o ms variables independientes sobre dos o ms variables dependientes utilizamos el MANOVA.El MANOVA detecta si hay diferencias entre grupos a travs de una combinacinlineal de las variables dependientes.El MANOVA estudia si existen diferencias significativas entre las medias de lasvariables dependientes en los niveles de las variables independientes (Camacho)Al igual que en el ANOVA, el MANOVA ejecuta primero un test omnibus (global)de significacin y luego anovasunivariados en cada una de las variablesdependientes.Existe cierta controversia sobre si los anlisis sobre las variables dependientes deben hacerse siguiendo un modelo anova o un anlisis discriminante. Uno de las ventajas del MANOVA es que tiene en cuenta la correlacin entre las variables dependientes. Anlisis multivariante de la variancia (MANOVA) El anlisis multivariante de la variancia, aplicado a datos longitudinales, asume que las medidas son mltiples variables dependientes que estn correlacionadas en los mismos sujetos. Como seal Finn (1969), cuando se dispone de medidas repetidas, el MANOVA constituye una buena alternativa al anlisis univariado. Normalmente, los modelos multivariados se centran en el componente entre-grupos (o entre-sujetos) del anlisis, tratando de explicar la variancia total de las variables dependientes en funcin de las diferencias existentes entre los miembros de los distintos grupos. Las pruebas de significacin se llevan a cabo transformando las variables originales en contrastes de inters. Mediante esta transformacin de las medidas repetidas es posible verificar si se produce algn tipo de cambio lineal, cuadrtico, cbico o de otro orden en funcin del tiempo pero, como destacan Wu, Clopper y Wooldridge (1999), el factor intrasujeto, en s mismo, es eliminado del anlisis.

Los modelos MANOVA enfatizan la parte fija del modelo. Se estima un modelo que explica la estructura de las medias, considerando las covariancias intra-grupo/sujeto como errores aleatorios, es decir, como la parte de la variancia de las variables dependientes que no puede ser explicada por la pertenencia a un determinado grupo. En su aplicacin a las medidas repetidas, la parte fija del modelo es expandida. A fin de ajustar curvas de crecimiento polinmicas de un determinado grado, el conjunto de variables explicativas, entre las que la primera solo representa la pertenencia a un grupo concreto, se ampla con variables intra-sujeto que corresponden a los diferentes puntos temporales, tales como la edad. El MANOVA se define, en notacin matricial, por la expresin Y= XB + E (1) En la ecuacin (1), Y es la matriz (n x p) de observaciones (n observaciones y p medidas repetidas por sujeto a intervalos temporales fijos), X es la matriz (n x k) del diseo, la cual toma los valores 1 y 0 para representar la pertenencia o no pertenencia del sujeto a un determinado grupo, B es la matriz (k x p) de parmetros y E es la matriz (n x p) que incluye las fuentes de variacin aleatorias. El modelo de la ecuacin (1) asume que los errores de la i-sima fila de E siguen una distribucin normal multivariada, Np (0, p). Para su correcta aplicacin, el MANOVA requiere que las respuestas de los sujetos sean independientes entre s, que la distribucin de las mltiples variables dependientes sea normal multivariada, y que el conjunto de datos sea completo, a saber, sin valores ausentes (Stevens, 1966). El modelo de respuesta media o valor esperado de los valores observados viene dado por E (Y)= XB (2) A fin de comprobar si las medias de p ocasiones son iguales entre s, el enfoque multivariado utiliza una prueba derivada del estadstico T2 de Hotelling (1951). Mediante el estadstico T2 se pone a prueba la siguiente hiptesis de nulidad: H0: 1 = = p (3) Que es equivalente a: H0: 1 - 2 = = p-1 - p (4) El clculo del estadstico multivariante, T2, se obtiene del vector de medias de diferencias, Yd, y de la matriz de variancias y covariancias de las diferencias entre las puntuaciones, Sd. De forma que, T2= nYd Sd-1 Yd (5) El valor de T2 puede transformarse en la distribucin conocida F, con (n-1) y (n-1) (p-1) grados de libertad. Es importante sealar que el MANOVA clsico define la estructura entre-sujetos de los valores esperados de las observaciones sin tomar en consideracin las relaciones entre

las variables o medidas repetidas. Sin embargo, desde la perspectiva longitudinal, el principal inters radica en modelar los perfiles de las respuestas medias, es decir, en obtener informacin sobre el efecto del tiempo. Mediante el modelo de anlisis de la variancia multivariante generalizado es posible obtener ese tipo de informacin. REGRESION LINEAL

REGRESIN LINEAL MLTIPLE La regresin lineal mltiple estima los coeficientes de la ecuacin lineal, con una o ms variables independientes, que mejor prediga el valor de la variable dependiente. Por ejemplo, se puede intentar predecir el total de facturacin lograda por servicios prestados en una IPS cada mes (la variable dependiente) a partir de variables independientes tales como: Tipo de servicio, edad, frecuencia del servicio, tipo de usuario y los aos de antigedad en el sistema del usuario. Mtodos de seleccin de variables en el anlisis de regresin lineal La seleccin del mtodo permite especificar cmo se introducen las variables independientes en el anlisis. Utilizando distintos mtodos se pueden construir diversos modelos de regresin a partir del mismo conjunto de variables.

Para introducir las variables del bloque en un slo paso seleccione Introducir. Para eliminar las variables del bloque en un solo paso, seleccione Eliminar. La seleccin de

variables Hacia adelante introduce las variables del bloque una a una basndose en los criterios de entrada . La eliminacin de variables Hacia atrs introduce todas las variables del bloque en un nico paso y despus las elimina una a una basndose en los criterios de salida . La entrada y salida de variables mediante Pasos sucesivos examina las variables del bloque en cada paso para introducirlas o excluirlas . Se trata de un procedimiento hacia adelante por pasos. Los valores de significacin de los resultados se basan en el ajuste de un nico modelo. Por ello, estos valores no suele ser vlidos cuando se emplea un mtodo por pasos (Pasos sucesivos, Hacia adelante o Hacia atrs). Todas las variables deben superar el criterio de tolerancia para que puedan ser introducidas en la ecuacin, independientemente del mtodo de entrada especificado. El nivel de tolerancia por defecto es 0,0001. Tampoco se introduce una variable si esto provoca que la tolerancia de otra ya presente en el modelo se site por debajo del criterio de tolerancia. Todas las variables independientes seleccionadas se aaden a un mismo modelo de regresin. Sin embargo, puede especificar distintos mtodos de introduccin para diferentes subconjuntos de variables. Por ejemplo, puede introducir en el modelo de regresin un bloque de variables que utilice la seleccin por pasos sucesivos, y un segundo bloque que emplee la seleccin hacia adelante. Para aadir al modelo de regresin un segundo bloque de variables, pulse en Siguiente. Regresinmltiple Muchosproblemas de regresininvolucranms de una variable regresiva. Tales modelos sedenominanderegresinmltiple. La regresinmltipleesuna de lastcnicasestadsticasmasampliamenteutilizadas. Este captulopresentalastcnicasbsicas de la estimacin de parmetros,de la estimacin del intervalo de confianza y de la verificacin de la suficiencia del modeloparalaregresinmltiple. Presentamostambinalgunosproblemasencontrados con frecuencia en el uso prctico de la regresinmltiple, incluyendo la construccin del modelo y la seleccin de variables,laautocorrelacin en los errores, y lamulticolinearidad y la dependenciacasi lineal entre losregresores.

ANALISIS FACTORIAL
El Anlisis Factorial es una tcnica estadstica multivariantecuyo principal propsito es sintetizar las interrelaciones observadas entre un conjunto de variables en una forma concisa y segura como una ayuda a la construccin de nuevos conceptos y teoras. Para ello utiliza un conjunto de variables aleatorias inobservables, que llamaremos factores comunes, de forma que todas las covarianzas o correlaciones son explicadas por dichos factores y cualquier porcin de la varianza inexplicada por los factores comunes se asigna a trminos de error residuales que llamaremos factores nicos oespecficos. El modelo del Anlisis Factorial Sean X1, X2,, Xp las p variables objeto de anlisis que supondremos en todo lo que sigue, que estn tipificadas. Si no lo estuvieran el anlisis se realizara de forma similar pero la matriz utilizada para calcular los factores no sera la matriz de correlacin sino la de varianzas y covarianzas.

http://ocw.upm.es/estadistica-e-investigacion-operativa/introduccion-a-la-estadisticabasica-el-diseno-de-experimentos-y-la-regresion-lineal/contenidos/Material-declase/Regresion-lineal-multiple.pdf