APLICADO MULTIVARIADO ANLISIS ESTADSTICO

SEXTA EDICIN aplicado multivariado Anlisis estadstico RICHARD A. JOHNSON Universidad de Wisconsin-Madison DEAN W. Wichern Texas A & M University PEARSON

aprendiz sala prefacio A QUIN VA DIRIGIDO Este libro originalmente surgi de nuestras notas de clase para un curso "Anlisis Multivariante Aplicada", ofrecido conjuntamente por el Departamento de Estadstica y de la Escuela de Negocios de la la Universidad de Wisconsin-Madison. Aplicado Anlisis estadstico multivariante, Quinta Edition, tiene que ver con los mtodos estadsticos para describir y analizar datos multivariantes. El anlisis de datos, mientras que interesante con una variable, se convierte verdaderamente fascinante y difcil cuando se trata de varias variables. Los investigadores en el ciencias biolgicas, fsicas y sociales con frecuencia recogen medidas en varios variables. Paquetes informticos modernos proporcionan fcilmente los resultados numricos en lugar Los anlisis estadsticos complejos. Hemos tratado de ofrecer a los lectores con el apoyo conocimientos necesarios para hacer interpretaciones adecuadas, seleccionar las tcnicas adecuadas y la comprensin de sus fortalezas y debilidades. Esperamos que nuestras discusiones satisfaga las necesidades de los cientficos experimentales, en una amplia variedad de temas reas, como una introduccin legible para el anlisis estadstico de las observaciones multivariantes. NIVEL que sea fcilmente comprensible para los lectores que han tenido dos o ms cursos de estadstica. Hacemos hincapi en las aplicaciones de los mtodos multivariantes y, en consecuencia, tenemos

tratado de hacer las matemticas tan sabrosos como sea posible. Evitamos el uso del clculo. Por otro lado, los conceptos de una matriz y de la matriz son manipulaciones importante. No se asume que el lector est familiarizado con el lgebra matricial. Ms bien, nos introducir matrices que aparecen de manera natural en nuestros debates, y luego mostrar cmo simplifican la presentacin de modelos y tcnicas multivariantes. El relato introductorio de lgebra matricial, en el Captulo 2, pone de manifiesto la mayor importante lgebra matricial resulta que se aplican al anlisis multivariante. El Captulo 2 suplemento proporciona un resumen de los resultados de lgebra de matriz para las personas con poca o ninguna exposicin previa al sujeto. Este material suplementario ayuda a que el libro auto-contenida y se utiliza para completar las pruebas. Las pruebas pueden ser ignorados en la primera la lectura. De esta manera, esperamos que el libro fuera accesible a un pblico amplio. En nuestro intento de hacer el estudio de anlisis multivariado apelando a un gran audiencia de los profesionales y tericos, hemos tenido que sacrificar una consistencia de nivel. Algunas secciones son ms difciles que otros. En particular, hemos resumido voluminosa cantidad de material sobre la regresin en el Captulo 7. La presentacin resultante es bastante breve y difcil la primera vez a travs. Esperamos instructores ser capaz de compensar la desigualdad en el nivel de prudencia elegir las secciones y subsecciones, como corresponde a sus estudiantes y al tonificar los inicial necesaria. ORGANIZACIN Y ENFOQUE Las "herramientas" metodolgicas de anlisis multivariante se encuentran en los captulos 5 a 12. Estos captulos representan el corazn del libro, pero no pueden ser asimiladas sin gran parte del material en los captulos introductorios del 1 al 4. Incluso los lectores con un buen conocimiento del lgebra matricial o aquellos que estn dispuestos a aceptar los resultados de matemticas en la fe deben, por lo menos, leer el captulo 3, "Geometra Sample", y el Captulo 4, "Distribucin normal multivariante." Nuestro enfoque en los captulos metodolgicos es mantener la discusin directa y despejada. Ty Pically, empezamos con una formulacin de los modelos de poblacin, delimitar los resultados de las muestras correspondientes y abundantemente todo lo ilustran con ejemplos. la ejemplos son de dos tipos: los que son simples y cuyos clculos se puede hacer fcilmente con la mano, y los que se basan en datos del mundo real y los programas informticos. estos ser una oportunidad para (1) duplicar nuestros anlisis, (2) llevar a cabo los anlisis dictada por ejercicios, o (3) analizar los datos utilizando mtodos distintos de los que han utilizado o sugerido. La divisin de los captulos metodolgicos (5 a 12) en tres unidades permite a los instructores una cierta flexibilidad en la adaptacin de un curso a sus necesidades. Las posibles secuencias

para una (dos cuartos) curso de un semestre se indican esquemticamente. Cada instructor, sin duda, omitir ciertos sectores de algunos captulos a cubrir un conjunto ms amplio de temas de lo que indican estas dos opciones.

Las "herramientas" metodolgicas de anlisis multivariante se encuentran en los captulos 5 Para la mayora de los estudiantes, le sugerimos un pase rpido a travs de los primeros cuatro captulos (concentrndose principalmente en el material en el captulo 1, secciones 2.1, 2.2, 2.3, 2.5, 2.6 y 3.6, y la "evaluacin de la normalidad" material en el captulo 4), seguido de una seleccin de temas metodolgicos. Por ejemplo, uno puede discutir la comparacin de los significara vectores, componentes principales, anlisis factorial, anlisis discriminante y la agrupacin. Los debates podran ofrecer los muchos ejemplos "elaboradas" incluidos en estas secciones del texto. Los instructores pueden confiar en diagramas y descripciones verbales para ensear a los desarrollos tericos correspondientes. Si los estudiantes tienen uniformemente slida formacin matemtica, gran parte del libro se puede cubrir con xito en un solo plazo. Hemos encontrado proyectos de anlisis de datos individuales til para integrar contenidos de varios de los captulos mtodos. Aqu, nuestros tratamientos ms completos de El anlisis multivariado de varianza (MANOVA), anlisis de regresin, anlisis factorial, correlacin cannica, anlisis discriminante, y as sucesivamente son tiles, aunque que no pueden ser cubiertos especficamente en conferencias.

CAMBIOS A LA QUINTA EDICIN Nuevo material. Los usuarios de las ediciones anteriores, se dar cuenta de que hemos aadido varios ejercicios y conjuntos de datos, algunos de los nuevos grficos y han ampliado el anlisis de la dimensionalidad de los datos multivariados, curvas de

crecimiento y la clasificacin y rboles de regresin (CART). Adems, el desarrollo algebraica de la correspondencia El anlisis se ha hecho de nuevo y una nueva seccin de la minera de datos se ha aadido al Captulo 12. Ponemos el material de la minera de datos en el captulo 12 ya que gran parte de la minera de datos, ahora se aplica en los negocios, tiene una clasificacin y / o objetivo agrupacin. Como siempre, hemos tratado de mejorar la exposicin en varios lugares. CD de datos. Reconociendo la importancia de los paquetes estadsticos modernos en el anlisis de datos multivariados, se han aadido numerosos sets de datos real. Los conjuntos de datos completa utilizado en el libro se guardan como ficheros ASCII en el CD-ROM que se suministra con cada copia del libro. Este formato permitir una fcil interfaz con estadsticas existentes paquetes de software y proporcionar ms oportunidades de prctica de anlisis de datos con manos. Instructores Manual Solutions. Un Manual Solutions Instructores (ISBN 0-13 092555-1), que contiene soluciones completas para la mayor parte de los ejercicios en el libro est disponible gratis en la adopcin de Prentice Hall. Para obtener informacin adicional sobre los suplementos de venta que puede ser utilizado con la libro o ttulos adicionales de inters, por favor visite el sitio Web Prentice Hall en www.prenhall.com. AGRADECIMIENTOS Agradecemos a nuestros muchos colegas que ayudaron a mejorar el aspecto aplicado del libro contribuyendo con sus propios conjuntos de datos para ejemplos y ejercicios. Varias personas ayudaron a guiar esta revisin, y estamos agradecidos por sus sugerencias: Steve Coad, de la Universidad de Michigan, Richard Kiltie de la Universidad de Florida, Sam Kotz, George Universidad Mason; Shyamal Peddada de la Universidad de Virginia; K. Sivakumar, de la Universidad de Illinois en Chicago, Eric Smith, Virginia Te ch, y Stanley Wasserman, de la Universidad de Illinois en Urbana-Champaign. Tambin agradecemos a las votaciones de la estudiantes hemos enseado estos ltimos 30 aos en los cursos de anlisis multivariante aplicadas. Sus comentarios y sugerencias son en gran parte responsables de la actual iteracin de este trabajo. Tambin nos gustara dar las
gracias especialmente a Wai Kwong Cheang por su ayudar con los clculos para muchos de los ejemplos. Debemos agradecer a Dianne Hall por su valioso trabajo en el CD-ROM y Manual Solutions, Steve Verrill para calcular la ayuda en todo, y Alison Pollack para implementar un programa de Chernoff enfrenta. Estamos en deuda con Acantilado Gilman por su asistencia con los ejemplos de escalamiento multidimensional discutidos en el captulo 12.

Jacquelyn Forer hizo la mayor parte de la escritura del borrador manuscrito original, y apreciamos su experiencia y la voluntad de soportar el oling caj de los autores frente a los plazos de publicacin. Por ltimo, nos gustara dar las gracias a Quincy McDonald, Joanne Wendelken, Steven Scott, Pawlowski, Pat Daly, Linda Behrens, Alan Fischer, y el resto del personal Prentice Hall por su ayuda en este proyecto. R. A. Johnson rica @ stat. wisc.edu D. W. Wichern d-wichern@tamu.edu

aplicado multivariado Anlisis estadstico CAPTULO 1 Aspectos del Anlisis Multivariante 1.1 INTRODUCCIN La investigacin cientfica es un proceso de aprendizaje iterativo. Objetivos relacionados con la explicacin de un fenmeno social o fsica deben especificarse y luego probados por recopilacin y anlisis de datos. A su vez, un anlisis de los datos recogidos por la experimentacin o la observacin por lo general sugerir una explicacin modificada del fenmeno. A lo largo de este proceso iterativo de aprendizaje, las variables a menudo se agregan o suprimido del estudio. Por lo tanto, la complejidad de la mayora de los fenmenos requieren de un investigador para recoger las observaciones de muchas variables diferentes. Este libro se ocupa con mtodos estadsticos diseados para obtener informacin de este tipo de conjuntos de datos. Debido a que los datos incluyen mediciones simultneas en muchas variables, este cuerpo de la metodologa que se llama anlisis multivariante. La necesidad de entender las relaciones entre las muchas variables hace que el anlisis multivariante un tema intrnsecamente difcil. A menudo, la mente humana se siente abrumado por la gran mayora de los datos. Adems, se requiere ms matemticas para derivar las tcnicas estadsticas multivariantes para hacer inferencias que en un entorno univariado. Hemos optado por dar explicaciones basadas en conceptos algebraicos y para evitar las derivaciones de los resultados estadsticos que requieren el clculo de muchos variables. Nuestro objetivo es dar a conocer varias tcnicas multivariantes tiles en un manera clara, lo que hace un uso intensivo de ejemplos ilustrativos y un mnimo de matemticas. No obstante, se requerir alguna sofisticacin matemtica y un deseo de pensar cuantitativamente. La mayor parte de nuestro nfasis estar en el anlisis de las mediciones obtenidas

sin control activo o manipular cualquiera de las variables en las que se realizan las mediciones. Slo en los captulos 6 y 7 vamos a tratar un poco experimental planes (diseos) para generar datos que prescriben la manipulacin activa de variables importantes. Aunque el diseo experimental es normalmente la parte ms importante de una investigacin cientfica, con frecuencia es imposible controlar la generacin de datos apropiados en determinadas disciplinas. (Esto es cierto, por ejemplo, en negocios, economa, ecologa, geologa, y la sociologa.) Usted debe consultar [7] y [8] para las cuentas detalladas de los principios de diseo que, afortunadamente, tambin se aplican a situaciones multifactoriales. Ser cada vez ms claro que muchos mtodos multivariantes se basan en un modelo de probabilidad subyacente conocida como la distribucin normal multivariante. Otros mtodos son ad hoc en la naturaleza y son justificados por lgica o sentido comn argumentos. Independientemente de su origen, las tcnicas multivariantes deben, siempre, ser implementados en un ordenador. Los recientes avances en la tecnologa informtica han estado acompaados por el desarrollo de los ms sofisticados paquetes de software estadstico, haciendo que el paso de implementacin ms fcil. El anlisis multivariado es un "cajn de sastre". Es difcil establecer una clasificacin esquema de tcnicas multivariantes que tanto es ampliamente aceptado y se indica el adecuacin de las tcnicas. Una clasificacin distingue las tcnicas diseadas para estudiar las relaciones interdependientes de los diseados para estudiar las relaciones de dependencia. Otro clasifica las tcnicas de acuerdo con el nmero de poblacin y el nmero de grupos de variables que se estudian. Los captulos de este texto se dividen en secciones de acuerdo a la inferencia sobre los medios de tratamiento, la inferencia sobre la estructura de covarianza, y las tcnicas para clasificar o agrupar. Esto no debera, sin embargo, ser considerado como un intento de colocar cada mtodo en una ranura. Ms bien, la eleccin de los mtodos y los tipos de anlisis empleadas son determinados en gran medida por los objetivos de la investigacin. En la Seccin 1.2, enumeramos una serie pequea de prctica problemas diseados para ilustrar la conexin entre la eleccin de una estadstica mtodo y los obj etivos del estudio. Estos problemas, adems de los ejemplos en la texto, debe proporcionar una apreciacin de la aplicabilidad de multivariante tcnicas en los diferentes campos. Los objetivos de las investigaciones cientficas de que la mayora de los mtodos multivariantes naturalmente se prestan son los siguientes: 1. Los datos de reduccin o simplificacin estructural. El fenmeno en estudio es representados como simplemente como sea posible sin sacrificar informacin valiosa. Lo Se espera que esto har ms fcil interpretacin.

2. Ordenar y agrupar. Se crean grupos de objetos "similares" o variables, sobre la base de caractersticas medidas. Alternativamente, las reglas para clasificar ects obj en grupos bien definidos, pueden ser necesarios. 3. Investigacin de la dependencia entre las variables. La naturaleza de las relaciones entre las variables es de inters. Son todas las variables independientes entre s o son una o ms variables dependientes de los dems? Si es as, cmo? 4. Prediccin. Las relaciones entre las variables deben ser determinados con el fin de predecir los valores de una o ms variables sobre la base de las observaciones sobre las otras variables. 5. Hiptesis de construccin y las pruebas. Hiptesis estadsticas especficas, formuladas en trminos de los parmetros de las poblaciones multivariantes, se ponen a prueba. Esto puede ser efectuado para validar las hiptesis o para reforzar convicciones previas. Concluimos este breve resumen de anlisis multivariado con una cita de F. H. C. Marriott [19], en la pgina 89. La declaracin fue hecha en una discusin de grupo anlisis, pero creemos que es apropiado para una amplia gama de mtodos. Usted debe tenerlo en cuenta cada vez que intente o lee acerca de un anlisis de datos. Se le permite a uno mantener una perspectiva adecuada y no ser abrumado por la elegancia de algunos de la teora: Si los resultados no estn de acuerdo con la opinin informada, no admiten una interpretacin lgica simple, y no aparece claramente en una presentacin grfica, que probablemente estn equivocados. No hay nada mgico acerca de los mtodos numricos, y muchas las formas en que se puede romper hacia abajo. Se trata de una valiosa ayuda para la interpretacin de los datos, no mquinas salchichas transformacin automtico de los cuerpos de nmeros en paquetes de un hecho cientfico. APLICACIONES DE LA tcnicas multivariantes Las aplicaciones publicadas de mtodos multivariantes han aumentado enormemente en los ltimos aos. Ahora es difcil de cubrir la variedad de aplicaciones del mundo real de los mismos mtodos con un breve debate, como lo hicieron en ediciones anteriores de este libro. Sin embargo, con el fin de dar una idea de la utilidad de las tcnicas multivariantes, ofrecemos las siguientes descripciones breves de los resultados de los estudios de varias disciplinas. Estas descripciones estn organizados de acuerdo a las categoras de los objetivos que figuran en el seccin anterior. Por supuesto, muchos de los ejemplos son mltiples y podra ser colocado en ms de una categora. La reduccin de datos o la simplificacin

 Usando datos sobre varias variables relacionadas con respuestas de los pacientes de cncer a la radioterapia, se construy una simple medida de la respuesta del paciente a la radioterapia. (Ver el ejercicio 1.15.) Tr registros ack de muchas naciones se utilizaron para desarrollar un ndice de rendimiento tanto para los hombres y mujeres deportistas. (Ver [10] y [22]). Datos de imgenes multiespectrales recogidos por un escner de gran altitud se redujeron a una forma que podra ser visto como imgenes (fotos) de una lnea de costa en dos dimensiones. (Ver [23].) Los datos sobre diversas variables relativas al rendimiento y contenido de protena se utilizaron para crear un ndice para seleccionar a los padres de las generaciones posteriores de mejora de frijol plantas. (Ver [14]). Una matriz de similitudes tctica se desarroll a partir de los datos agregados derivados de mediadores profesionales. A partir de esta matriz el nmero de dimensiones por las cuales mediadores profesionales juzgan las tcticas que utilizan en la resolucin de disputas se determin. (Ver [21]). Ordenar y agrupar Los datos sobre diversas variables relacionadas con el uso de computadoras se utilizaron para crear grupos de categoras de puestos de trabajo informticos que permitan una mejor determinacin de la utilizacin de equipo existente (o en proyecto). (Ver [2].) Las mediciones de varias variables fisiolgicas se utilizaron para desarrollar un procedimiento de seleccin que discrimina a alcohlicos de los no alcohlicos. (Ver [26].) Data related to responses to visual stimuli were used to develop a rule for separating people suffering from a multiple-sclerosis-caused visual pathology from those not suffering from the disease. (See Exercise 1.14.) The U. S. Internal Revenue Service uses data collected from tax returns to sort taxpayers into two groups: those that will be audited and those that will not.

(See [31].) Investigation of the dependence among variables Data on several variables were used to identify factors that were responsible for client success in hiring external consultants. (See [13].) Measurements of variables related to innovation, on the one hand, and variables related to the business environment and business organization, on the other hand, were used to discover why some firms are product innovators and some firms are not. (See [5].) ' Data on variables representing the outcomes of the 10 decathlon events in the Olympics were used to determine the physical factors responsible for success in the decathlon. (See [17].) The associations between measures of risk-taking propensity and measures of socioeconomic characteristics for top-level business executives were used to assess the relation between risk-taking behavior and performance. (See [18].) Prediction The associations between test scores and several high school performance variables and several college performance variables were used to develop predictors of success in college. (See [11].) Data on several variables related to the size distribution of sediments were used to develop rules for predicting different depositional environments. (See [9] and [20].) Measurements on several accounting and financial variables were used to develop a method for identifying potentially insolvent property-liability insurers. (See [28].)

Data on several variables for chickweed plants were used to develop a method for predicting the species of a new plant. (See [4].) Hyp otheses testing Several pollution-related variables were measured to determine whether levels for a large metropolitan area were roughly constant throughout the week, or whether there was a noticeable difference between weekdays and weekends. (See Exercise 1.6.) Experimental data on several variables were used to see whether the nature of the instructions makes any difference in perceived risks, as quantified by test scores. (See [27].) Data on many variables were used to investigate the differences in structure of American occupations to determine the support for one of two competing sociological theories. (See [16] and [25].) Los datos sobre varias variables se utilizaron para determinar si los diferentes tipos de empresas de los pases recientemente industrializados mostraron diferentes patrones de innovacin cin. (Ver [15].) Las descripciones anteriores ofrecen vistazos a la utilizacin de mtodos multivariantes en muy diversos campos. ORGANIZACIN DE LOS DATOS A lo largo de este texto, vamos a estar preocupados con el anlisis de las mediciones hecha de varias variables o caractersticas. Estas mediciones (comnmente llamado datos) con frecuencia se deben coordinar y muestran de diversas maneras. Por ejemplo, los grficos y los arreglos tabulares son ayudas importantes en el anlisis de datos. Nmeros de Resumen, que cuantitativamente retratar ciertas caractersticas de los datos, tambin son necesarias para cualquier Descripcin. Ahora introducimos los conceptos preliminares que subyacen a estos primeros pasos de los datos organizacin.

Arrays Surgen de datos multivariantes cuando un investigador, buscando comprender un bien social o fenmeno fsico, selecciona un nmero p > 1 de variables o caracteres para grabar. Los valores de estas variables estn grabadas para cada elemento distinto, individual, o unidad experimental. Vamos a utilizar el xjk notacin para indicar el valor particular de la variable kth que se observa en el punto j, ni juicio. Es decir, xjk = medida de la variable k-simo en el j-simo elemento Por lo tanto, n mediciones de p variables se pueden visualizar de la siguiente manera:

O podemos mostrar estos datos como una matriz rectangular, llamado X, de n filas y columnas p:

La matriz X, a continuacin, contiene los datos que consta de todas las observaciones sobre la totalidad de la variables. Ejemplo 1.1 (Una matriz de datos) Una seleccin de cuatro reciben de una librera de la universidad se obtuvo con el fin para investigar la naturaleza de las ventas de libros. Cada recibo proporciona, entre otras cosas, el nmero de libros vendidos y el importe total de cada venta. Deje que el primera variable sea las ventas totales en dlares y el segundo ser nmero variable de libros vendidos. Entonces podemos considerar a los nmeros correspondientes a los recibos de hasta cuatro mediciones en dos variables. Supongamos que los datos, en forma de tabla, son

Teniendo en cuenta los datos en forma de matrices facilita la exposicin de la materia La materia y permite clculos numricos que se llevan a cabo en forma ordenada y eficiente manera: La eficiencia es doble, ya que las ganancias se logran tanto en (1) que describe los clculos numricos como operaciones sobre matrices y (2) la aplicacin de los clculos en computadoras, que ahora utilizan muchos idiomas y paquetes estadsticos a realizar operaciones de matriz. Consideramos que la manipulacin de matrices de nmeros en Captulo 2. En este punto, estamos preocupados slo por su valor como dispositivos para la visualizacin de datos. Estadstica Descriptiva Un gran conjunto de datos es voluminoso, y es muy masiva plantea un serio obstculo para cualquier intento de extraer visualmente la informacin pertinente. Gran parte de la informacin contenida en la los datos se pueden evaluar mediante el clculo de ciertos nmeros de resumen, conocido como descriptivo estadsticas. Por ejemplo, la media aritmtica o promedio de la muestra, es una estadstica descriptiva que proporciona una medida de es decir, un "valor central" de un conjunto de nmeros de ubicacin que. Y la media de los cuadrados de las distancias de todos los nmeros de la media proporciona una medida de la difusin, o la variacin, en los nmeros. Vamos a confiar ms fuertemente en las estadsticas descriptivas esa ubicacin medida, la variacin y de asociacin lineal. Las definiciones formales de estas cantidades siguen. Vamos x11, x21, ... , Ser xn1 n mediciones sobre la primera variable. A continuacin, la media aritmtica de estas mediciones es

Si las n mediciones representan un subconjunto del conjunto completo de mediciones que los podra haber sido observado, entonces x1 tambin se llama la media muestral para la primera variable. Adoptamos esta terminologa porque la mayor parte de este libro est dedicado a los procedimientos diseados para el anlisis de muestras de mediciones de las colecciones ms grandes. La media de la muestra se puede calcular a partir de las mediciones de n en cada uno de los las variables, de modo que, en general, habr p medias de la muestra:

Una medida de propagacin es proporcionado por la varianza de la muestra, que se define para n mediciones en la primera variable como

donde x1 es la media muestral de la XJ1 s. En general, para las variables p, tenemos

Tw o Los comentarios estn en orden. En primer lugar, muchos autores definen la varianza de la muestra con una divisor de n - 1 en lugar de n. Ms adelante veremos que existen razones tericas para hacer esto, y es particularmente apropiado si el nmero de mediciones, n, es pequea. Las dos versiones de la varianza de la muestra siempre se diferencian mediante la visualizacin de la expresin apropiada. En segundo lugar, aunque la notacin s2 se utiliza tradicionalmente para indicar la muestra varianza, se tendr en cuenta el tiempo una serie de cantidades en que las varianzas de las muestras se encuentran a lo largo de la diagonal principal. En esta situacin, es conveniente utilizar doble subndices en las variaciones con el fin de indicar su posicin en el array. Por lo tanto, Introducimos el skk notacin para denotar la misma varianza calculada a partir de las mediciones de la variable i-sima, y tenemos las identidades de notacin

La raz cuadrada de la varianza de la muestra, 'se conoce como el estndar de la muestra desviacin. Esta medida de la variacin es en las mismas unidades que las observaciones. Considere la posibilidad de n pares de mediciones en cada una de las variables 1 y 2: