tipos de tecnica multivariante s para analisis


TIPOS DE TECNICAS MULTIVARIANTES
 
El análisis multivariante es un conjunto de técnicas de análisis de datos en expansión. Entre las técnicas más conocidas expuestas en este texto tenemos (1) regresión múltiple y correlación múltiple; (2) análisis discriminante múltiple; (3) componentes principales y análisis factorial común; (4) análisis multivariante de varianza y covarianza; (5)correlación canónica; (6) análisis cluster; (7) análisis multidimensional y (8) análisis conjunto. Entre las técnicas emergentes también incluidas están (9) análisis de correspondencias; (10) modelos de probabilidad lineal como logit y probit; y (11) modelos de ecuaciones simultáneas/estructurales. En este apartado, introduciremos cada una de las técnicas multivariantes, definiendo brevemente la técnica yel objetivo de su aplicación.
 
COMPONENTES FACTORIALES Y ANALISIS FACTORIAL COMUN
El análisis factorial, que incluye variaciones tales como el análisis de componentes y el análisis factorial común, es una aproximación estadística que puede usarse para analizar interrelaciones entre un gran número de variables y explicar estas variables en términos de sus dimensiones subyacentes comunes(factores). El objetivo es encontrar un modo de condensar la información contenida en un número de variables originales en un conjunto más pequeño de variables (factores) con una pérdida mínima de información.
Si se proporciona una estimación empírica de la estructura de las variables consideradas, el análisis factorial se convierte en una base objetiva para crear escalas aditivas.
 
REGRESIONMULTIPLE
La regresión múltiple es el método de análisis apropiado cuando el problema del investigador incluye una única variable métrica dependiente que se supone está relacionada con una o más variables métricas independientes. El objetivo del análisis de la regresión múltiple es predecir los cambios en la variable dependiente en respuesta a cambios en varias de las variables independientes. Esteobjetivo se consigue muy a menudo a través de la regla estadística de los mínimos cuadrados.
La regresión múltiple es útil siempre que el investigador esté interesado en predecir la cantidad o la magnitud de la variable dependiente. Por ejemplo, se puede hacer la predicción de los gastos mensuales de cenar fuera de casa (variables dependientes) con información referente a la renta familiar, sutamaño y la edad del cabeza de familia (variables independientes). De la misma forma. el investigador puede intentar predecir las ventas de una compañía a partir de información sobre sus gastos en publicidad, el número de vendedores y el número de tiendas que distribuyen sus productos.
 
ANALISIS DISCRIMANTE MULTIPLE
Si la única variable dependiente es dicotómica (es decir, comprador-no comprador) omultidicotómica (es decir, alto-medio-bajo) y por tanto no métrica, la técnica multivariante apropiada es un análisis discriminante múltiple (MDA). Como con la regresión múltiple, las variables independientes se supone que son métricas. El análisis discriminante es útil en situaciones donde la muestra total puede dividirse en grupos basándose en una variable dependiente caracterizada por variasclases conocidas. Los objetivos primarios del análisis discriminante múltiple son entender las diferencias de los grupos y predecir la verosimilitud de que una entidad (persona u objeto) pertenezca a una clase o grupo particular basándose en varias variables métricas independientes. Por ejemplo, el análisis discriminante puede usarse para distinguir innovadores de no innovadores de acuerdo a susperfiles demográficos y psicográficos. Otras aplicaciones incluyen la distinción entre usuarios habituales u ocasionales de un producto, compradores de marcas de ámbito nacional o restringido y el riesgo de crédito bueno del riesgo de crédito malo. Incluso la Agencia Tributaria utiliza un análisis discriminante para comparar las declaraciones seleccionadas con las devoluciones compuestas...