ANALISIS MULTIVARIANTE

INTRODUCCION

El Anlisis Multivariante es el conjunto de mtodos estadsticos cuya finalidad es

analizar simultneamente conjuntos de datos multivariantes en el sentido de que
hay varias variables medidas para cada individuo objeto estudiado.
Su razn de ser radica en un mejor entendimiento del fenmeno objeto de estudio
obteniendo informacin que los mtodos estadsticos univariantes y bivariantes son
incapaces de conseguir.

En esta leccin se va a dar una breve visin general de dicho conjunto de tcnicas
exponiendo, brevemente, cul es su finalidad, ilustrada con ejemplos.

Tres son los objetivos de la leccin:

Definir qu es el Anlisis Multivariante y cules son sus objetivos

Clasificar las distintas tcnicas multivariantes, distinguiendo entre mtodos de dependencia,
interdependencia y estructurale e indicando, de forma resumida, los objetivos de las diversas tcnicas
multivariantes presentadas en la leccin.
Indicar cules son las etapas a seguir en la resolucin de un problema de Anlisis Multivariante

1.- QU ES EL ANLISIS MULTIVARIANTE?

Es el conjunto de mtodos estadsticos cuya finalidad es analizar
simultneamente conjuntos de datos multivariantes en el sentido de que hay
varias variables medidas para cada individuo objeto estudiado.
Su razn de ser radica en un mejor entendimiento del fenmeno objeto de
estudio obteniendo informacin que los mtodos estadsticos univariantes y
bivariantes son incapaces de conseguir.
As, como Hair et al. (1999) dicen:

Las mujeres y hombres de negocios de hoy no pueden seguir

aproximaciones ya pasadas en las que los consumidores eran considerados
homogneos y caracterizados por un nmero pequeo de variables
demogrficas. En su lugar, deben desarrollar estrategias que atraigan a
numerosos segmentos de clientes con caractersticas demogrficas y
psicogrficas diversas en un mercado con mltiples restricciones (legales,
econmicas, competitivas, tecnolgicas, etc). Slo a travs del anlisis
multivariante las relaciones mltiples de este tipo podrn ser examinadas
adecuadamente para obtener un entendimiento ms completo y real del entorno
que permita tomar las decisines ms adecuadas.
1.1. 1.1. Objetivos del Anlisis Multivariante

Pueden sintetizarse en dos:

1) Proporcionar mtodos cuya finalidad es el estudio conjunto de datos
multivariantes que el anlisis estadstico uni y bidimensional es incapaz de
conseguir

2) Ayudar al analista o investigador a tomar decisiones ptimas en el contexto en

el que se encuentre teniendo en cuenta la informacin disponible por el conjunto
de datos analizado
2.- TIPOS DE TECNICAS MULTIVARIANTES
Se pueden clasificar en tres grandes grupos (ver esquema adjunto):

1) 1) Mtodos de dependencia
Suponen que las variables analizadas estn divididas en dos grupos: las
variables dependientes y las variables independientes. El objetivo de los mtodos
de dependencia consiste en determinar si el conjunto de variables independientes
afecta al conjunto de variables dependientes y de qu forma.

2) 2) Mtodos de interdependencia
Estos mtodos no distinguen entre variables dependientes e independientes
y su objetivo consiste en identificar qu variables estn relacionadas, cmo lo
estn y por qu.

3) 3) Mtodos estructurales
Suponen que las variables estn divididas en dos grupos: el de las variables
dependientes y el de las independientes. El objetivo de estos mtodos es anlizar,
no slo como las variables independientes afectan a las variables dependientes,
sino tambin cmo estn relacionadas las variables de los dos grupos entre s.
 Anlisis de Regresin
Dependiente Anlisis de Supervivencia
Mtrica MANOVA
Correlacin Cannica
Mtodos de
Dependencia Anlisis Discriminante
Dependiente Regresin Logstica
No Mtrica Anlisis Conjoint

A. Comp. Principales
Tcnicas Anlisis Factorial
Datos Mtricos
Multivariantes Escalas Multidimensionales
Mtodos de Anlisis Cluster
Interdependencia
Anlisis de Correspondencias
Datos No Modelos log-lineales
Mtricos Escalas Multidimensionales
Anlisis Cluster

Modelos estructurales
 2.1 Mtodos de dependencia
Se pueden clasificar en dos grandes subgrupos segn que la variable (s)
dependiente (s) sea (n) cuantitativas o cualitativas.
Si la variable dependiente es cuantitativa algunas de las tcnicas que se
pueden aplicar son las siguientes:
1) Anlisis de Regresin
Es la tcnica adecuada si en el anlisis hay una o varias variables
dependientes mtricas cuyo valor depende de una o varias variables
independientes mtricas.
Por ejemplo, intentar predecir el gasto anual en cine de una persona a
partir de su nivel de ingresos, nivel educativo, sexo y edad.
2) Anlisis de Supervivencia
Es similar al anlisis de regresin pero con la diferencia de que la variable
independiente es el tiempo de supervivencia de un individuo objeto.
Por ejemplo, intentar predecir el tiempo de permanencia en el desempleo
de un individuo a partir de su nivel de estudios y de su edad.
3) Anlisis de la varianza
Se utilizan en situaciones en las que la muestra total est dividida en
varios grupos basados en una o varias variables independientes no mtricas y las
variables dependientes analizadas son mtricas. Su objetivo es averiguar si hay
diferencias significativas entre dichos grupos en cuanto a las variables
dependientes se refiere.
Por ejemplo, hay diferencias en el nivel de colesterol por sexos? afecta,
tambin, el tipo de ocupacin?.
4) Correlacin Cannica
Su objetivo es relacionar simultneamente varias variables mtricas
dependientes e independientes calculando combinaciones lineales de cada
conjunto de variables que maximicen la correlacin existente entre los dos
conjuntos de variables.
 Por ejemplo, analizar cmo estn relacionadas el tiempo dedicado al
trabajo y al ocio de una persona con su nivel de ingresos, su edad y su nivel de
educacin
Si la variable dependiente es cualitativa algunas de las tcnicas que se
pueden aplicar son las siguientes:

1) Anlisis Discriminante
Esta tcnica proporciona reglas de clasificacin ptimas de nuevas
observaciones de las que se desconoce su grupo de procedencia basndose en la
informacin proporcionada los valores que en ella toman las variables
independientes.
Por ejemplo, determinar los ratios financieros que mejor permiten
discriminar entre empresas rentables y poco rentables.

2) Modelos de regresin logstica

Son modelos de regresin en los que la variable dependiente es no
mtrica. Se utilizan como una alternativa al anlisis discriminante cuando no hay
normalidad

3) Anlisis Conjoint
Es una tcnica que analiza el efecto de variables independientes no
mtricas sobre variables mtricas o no mtricas. La diferencia con el Anlisis de
la Varianza radica en dos hechos: las variables dependientes pueden ser no
mtricas y los valores de las variables independientes no mtricas son fijadas por
el analista. En otras disciplinas se conoce con el nombre de Diseo de
Experimentos.
Por ejemplo, una empresa quiere disear un nuevo producto y para ello
necesita especificar la forma del envase, su precio , el contenido por envase y su
composicin qumica. Presenta diversas composiciones de estos cuatro factores.
100 clientes proporcionan un ranking de las combinaciones que se le presentan.
Se quiere determinar los valores ptimos de estos 4 factores.
2.2 Mtodos de Interdependencia
Se pueden clasificar en dos grandes grupos segn que el tipo de datos que
analicen sean mtricos o no mtricos.
Si los datos son mtricos se pueden utilizar, entre otras, las siguientes
tcnicas:

1) Anlisis Factorial y Anlisis de Componentes Principales

Se utiliza para analizar interrelaciones entre un nmero elevado de
variables mtricas explicando dichas interrelaciones en trminos de un nmero
menor de variables denominadas factores (si son inobservables) o componentes
principales (si son observables).
As, por ejemplo, si un analista financiero quiere determinar la cual es el
estado de salud financiero de una empresa a partir del conocimiento de un
nmero de ratios financieros, construyendo varios ndices numricos que definan
su situacin, el problema se resolvera mediante un Anlisis de Componentes
Principales.
Si un psiclogo quiere determinar los factores que caracterizan la
inteligencia de un individuo a partir de sus respuestas a un test de inteligencia,
utilizara para resolver este problema un Anlisis Factorial.

2) Escalas Multidimensionales
Su objetivo es transformar juicios de semejanza o preferencia en distancias
representadas en un espacio multidimensional. Como consecuencia se construye
un mapa en el que se dibujan las posiciones de los objetos comparados de forma
que aqullos percibidos como similares estn cercanos unos de otros y alejados
de objetos percibidos como distintos.
Por ejemplo, analizar, en el mercado de refrescos, las percepciones que un
grupo de consumidores tiene acerca de una lista de refrescos y marcas con el fin
de estudiar qu factores subjetivos utiliza un consumidor a la hora de clasificar
dichos productos.
3) Anlisis Cluster
Su objetivo es clasificar una muestra de entidades (individuos o variables)
en un nmero pequeo de grupos de forma que las observaciones pertenecientes
a un grupo sean muy similares entre s y muy disimilares del resto. A diferencia
del Anlisis Discriminante se desconoce el nmero y la composicin de dichos
grupos.
Por ejemplo, clasificar grupos de alimentos (pescados, carnes, vegetales y
leche) en funcin de sus valores nutritivos.
Si los datos son no mtricos se pueden utilizar, adems de las Escalas
Multidimensionales y el Anlisis Cluster, las siguientes tcnicas:

1) Anlisis de Correspondencias
Se aplica a tablas de contingencia multidimensionales y persigue un
objetivo similar al de las escalas multidimensionales pero representando
simultneamente las filas y columnas de las tablas de contingencia.
Por ejemplo, analizar el paro en Aragn teniendo en cuenta la provincia,
sexo, edad y nivel de estudios del parado

2) Modelos log-lineales
Se aplican a tablas de contingencia multidimensionales y modelizan
relaciones de dependencia multidimensional de las variables observadas que
buscan explicar las frecuencias observadas.

2.3 Mtodos estructurales

Analizan las relaciones existentes entre un grupo de variables
representadas por sistemas de ecuaciones simultneas en las que se suponen que
algunas de ellas (denominadas constructos) se miden con error a partir de otras
variables observables denominadas indicadores.
Los modelos utilizados constan, por lo tanto, de dos partes: un modelo
estructural que especifica las relaciones de dependencia existente entre las
constructos latentes y un modelo de medida que especifica como los indicadores
se relacionan con sus correspondientes constructos.
Por ejemplo, analizar cmo se relacionan los niveles de utilizacin de los
servicios de una empresa con las percepciones que sus clientes tienen de ella.
3.- ETAPAS DE UN ANALISIS MULTIVARIANTE
Pueden sintetizarse en 6:

1) Objetivos del anlisis

Se define el problema especificando los objetivos y las tcnicas
multivariantes que se van a utilizar
El investigador debe establecer el problema en trminos conceptuales
definiendo los conceptos y las relaciones fundamentales que se van a investigar.
Se deben establecer si dichas relaciones van a ser relaciones de dependencia o de
interdependencia. Con todo esto se determinan las variables a observar.

2) Diseo del anlisis.

Se determina el tamao muestral, las ecuaciones a estimar (si procede), las
distancias a calcular (si procede) y las tcnicas de estimacin a emplear. Una vez
determinado todo esto se proceden a observar los datos

3) Hiptesis del anlisis

Se evaluan las hiptesis subyacentes a la tcnica multivariante. Dichas
hiptesis pueden ser de normalidad, linealidad, independencia, homocedasticidad, etc.
Tambin se debe decidir qu hacer con los datos missing

4) Realizacin del anlisis

Se estima el modelo y se evala el ajuste a los datos. En este paso pueden
aparecer observaciones atpicas (outliers) o influyentes cuya influencia sobre las
estimaciones y la bondad de ajuste se debe analizar.

5) Interpretacin de los resultados

Dichas interpretaciones pueden llevar a reespecificaciones adicionales de
las variables o del modelo con lo cual se puede volver de nuevo a los pasos 3) y
4)
6) Validacin del anlisis
Consiste en establecer la validez de los resultados obtenidos analizando
s los resultados obtenidos con la muestra se generalizar a la poblacin de la que
procede. Para ello se puede dividir la muestra en varias partes en las que el model
se vuelve a estimar y se compararn los resultados. Otras tcnicas que se pueden
utilizar aqu son las tcnicas de remuestreo (jacknife y bootstrap)

En el ejemplo siguiente concretamos en qu consistiran dichas etapas para

un Anlisis de Regresin Mltiple:

Ejemplo: Anlisis de Regresin Mltiple

1) Objetivos del anlisis
Predecir el gasto en cine de una persona a partir de su nivel de ingresos,
nivel educativo, sexo y edad lo cual nos permitira entender mejor cules son las
pautas de comportamiento de la poblacin.
Para ello se propone un anlisis de regresin mltiple en el que la variable
dependiente sera el gasto en cine y como variables independientes el resto.

2) Diseo del anlisis

Se decidira cmo elegir la muestra, el tamao de la misma y cmo medir
las variables implicadas en el anlisis. El gasto en cine podra medirse como el
gasto anual en cine medido en pesetas. El nivel de ingresos podra medirse con
una variable ordinal, dadas las reticencias a dar informacin precisa sobre este
tipo de variables; el nivel educativo sera una variable ordinal; el sexo una
variable binaria y la edad una variable cuantitativa medida en aos.
El tamao de la muestra se eligira en funcin de la potencia que se quiera
dar a la regresin mltiple. As, por ejemplo, con un tamao muestral de 100
observaciones se podra detectar, en una regresin mltiple lineal, las relaciones
con un coeficiente de correlacin mltiple (R2) de aproximadamente igual a 0.3
con una potencia de 0.8% utilizando un nivel de significacin igual a 0.01.
Conviene, adems, que el ratio del nmero de observaciones al nmero de
parmetros a estimar sea lo suficientemente amplio para estimar los parmetros
del modelo con el menor error posible

3) Hiptesis del anlisis

Hay que comprobar la linealidad de la relacin, la normalidad y la
homocedasticidad. No hay datos missing y se deben estudiar la posible existencia
de ouliers en cada una de las variables.

4) Realizacin del anlisis

Se puede utilizar el estimador de mnimos cuadrados del que se conoce su
distribucin muestral bajo hiptesis de normalidad. Dicho estimador coincide con
el mximo verosimil y es eficiente. Se puede tambin utilizar el mtodo de
regresin paso a paso para determinar las variables independientes a incluir en la
regresin. Una vez estimada la ecuacin de regresin se estudia la bondad de
ajuste mediante el clculo de R 2 y el anlisis de los resduos. Se estudiara la
homocedasticidad, independencia, posible omisin de variables, existencia de
outliers e influencia de observaciones individuales

5) Interpretacin de los resultados

Se interpretara el valor de los coeficientes obtenidos as como su signo
teniendo cuidado con la posible existencia de multicolinealidad

6) Validacin del anlisis

Se divide la muestra en dos submuestras de tamao 50 y se vuelve a
estimar la ecuacin de regresin en cada submuestra comparando los resultados.
 Resumen
El Anlisis Multivariante es el conjunto de mtodos estadsticos cuya
finalidad es analizar simultneamente conjuntos de datos multivariantes en el
sentido de que hay varias variables medidas para cada individuo objeto
estudiado.
Su razn de ser radica en un mejor entendimiento del fenmeno objeto de
estudio obteniendo informacin que los mtodos estadsticos univariantes y
bivariantes son incapaces de conseguir.
Dicho conjunto de mtodos puede dividirse en tres grandes grupos segn
el papel que juegen en el anlisis las variables consideradas:
1) 1) Mtodos de dependencia
2) 2) Mtodos de interdependencia
3) 3) Mtodos estructurales
Para llevar a cabo un anlisis de este tipo se deben los siguientes pasos:
1) 1) Establecer los objetivos del anlisis
2) 2) Disear el anlisis
3) 3) Evaluar las hiptesis subyacentes a la tcnica a utilizar
4) 4) Realizar el anlisis
5) 5) Interpretar los resultados obtenidos
6) 6) Validar dichos resultados
 Bibliografa

Como libro de consulta dedicado exclusivamente al Anlisis Multivariante

y con un montn de referencias adicionales recomiendo:

GRIM, L. and YARNOLD, P.R. (1994). Reading and understanding multivariate statistics.
American Psycological Association. Washington D.C
HAIR, J., ANDERSON, R., TATHAM, R. y BLACK, W. (1999). Anlisis Multivariante. 5
Edicin. Prentice Hall.
MARTINEZ ARIAS, R. (2000). El Anlisis Multivariante en la Investigacin Cientfica.
Cuadernos de Estadstica. Editorial La Muralla
Otros libros interesantes son:
AFIFI, A.A. and CLARK, V. (1996) Computer-Aided Multivariate Analysis. Third Edition.
Texts in Statistical Science. Chapman and Hall.
EVERITT, B. And GRAHAM, D. (1991). Applied Multivariate Data Analysis. Arnold.
SHARMA, S. (1998). Applied Multivariate Techiques. John Wiley and Sons.
URIEL, E. (1995). Anlisis de Datos: Series temporales y Anlisis Multivariante. Coleccin
Plan Nuevo. Editorial AC.

Desde un punto de vista ms matemtico:

JOBSON, J.D. (1992) Applied Multivariate Data Analysis. Volume II: Categorical and
Multivariate Methods. Springer-Verlag.
LEBART, L; MORINEAU, A. and PIRON, M. (2000). Statistique Exploratoire
Multidimensionnelle. 3 Edition. DUNOD.
MARDIA, K.V., KENT, J.T. y BIBBY, J.M. (1994). Multivariate Analysis. Academic Press.

Enfocados hacia SPSS:

FERRAN, M. (1997). SPSS para WINDOWS. Programacin y Anlisis Estadstico. Mc.Graw
Hill.
VISAUTA, B. (1998) Anlisis Estadstico con SPSS para WINDOWS (Vol II. Anlisis
Multivariante). Mc-Graw Hill.