Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                

Correlacion Canonica Con SPSS PDF

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 7

Análisis multivariante

Gigi Causio Voinea

Análisis Multivariante
Correlación canónica con SPSS

2013

Estadística Aplicada
Gigi C. Voinea Correlación canónica

El fichero correlacionca2.sav contiene los resultados de una encuesta en la que


se medía el grado de acuerdo o desacuerdo (cada una con cinco niveles) con
seis afirmaciones. Las respuestas se codifican en las variables respuesta1-
respuesta6.
Realizar un análisis de correlación canónica no lineal tomando como primer
conjunto las preguntas 1, 2 y 3 y como segundo grupo las preguntas 4, 5 y 6.
Realizarlo con dos dimensiones.
Realizarlo mediante SPSS.

La correlación canónica es especialmente útil en situaciones donde se tienen múltiples


variables dependientes. Cuando las variables son métricas la correlación canónica es
la respuesta adecuada, ya que permite la valoración de la relación entre variables
predictoras métricas y múltiples medidas dependientes. En otras palabras, el análisis
de correlación canónica es un modelo estadístico multivariante que facilita el estudio
de las interrelaciones entre múltiples variables criterio (dependientes) y múltiples
variables predictoras (independientes).

El primer paso en el análisis de correlación canónica es fijar los objetivos. Una vez
tenidos los dos conjuntos de variables podemos fijar algunos objetivos:

a) Determinar si los dos conjuntos de variables son independientes uno de otro o


determinar la magnitud de las relaciones que pueden existir entre los dos
conjuntos

b) Obtener un conjunto de ponderaciones para cada conjunto de variables criterio


y variables predictoras

c) Explicar la naturaleza de cualquiera de las relaciones existentes entre los


conjuntos de variables criterio y variables predictoras

El segundo paso supone el diseño de un análisis de correlación canónica.


Tenemos que tener un tamaño muestral adecuado, por lo cual se recomienda
mantener por lo menos 10 observaciones por cada variable para evitar el
<<sobreajuste>> de los datos. En nuestro caso hay 6 variables y 67 observaciones
cumpliéndose con el mínimo requerido. Recordamos también que la clasificación de
las variables como dependientes o independientes tiene poca importancia en la
estimación estadística de las funciones canónicas, ya que el análisis de correlación
canónica pondera ambos valores teóricos para maximizar la correlación y no establece
ningún énfasis particular en alguno de los valores teóricos.

El tercer paso es la evaluación de los supuestos básicos de la correlación


canónica. Estos supuestos son la linealidad, la multicolinealiadad, la
homoscedasticidad, y es éste caso no es estricto el supuesto de normalidad. Si la
linealidad no se cumple los resultados se pueden ver afectados, entonces se debe
transformar una o todas las variables si fuese posible. El SPSS realiza

Página 2
Gigi C. Voinea Correlación canónica

automáticamente ésta transformación. Si la homoscedasticidad no se cumple hay


menos correlación entre las variables, y si las variables presentan multicolinealidad
entre algún conjunto de variables se disminuye la capacidad de la técnica para aislar
el impacto de cualquier variable única, haciendo que la interpretación que sea menos
fiable.

El cuarto paso es la obtención de las funciones canónicas. El número máximo de


valores teóricos canónicos (funciones/dimensiones) es que se pueden obtener a partir
de los conjuntos de variables es igual al número de variables que hay en el conjunto
menor, ya sea dependiente o independiente.

Después de cargar los datos en SPSS vamos al menú Analizar-Reducción de


dimensiones-Escalamiento óptimo. En la primera ventana seleccionamos El nivel de
escalamiento óptimo, el número de conjuntos de variables y Definir. En la siguiente
ventana introducimos los conjuntos de datos por separados y seleccionamos el rango
de cada variable en parte, introduciremos el número de dimensiones (funciones), en
nuestro caso vamos a seleccionar 2 dimensiones. En último lugar con el botón
Opciones optamos por los tipos de tablas y gráficos que queremos que nos devuelva
el programa.

Tabla 1.1: Resumen del análisis

Dimensión Suma
1 2
Conjunto 1 ,250 ,331 ,581
Pérdida Conjunto 2 ,249 ,329 ,579
Media ,249 ,330 ,580
Autovalores ,751 ,670
Ajuste 1,420

Los valores de ajuste del modelo nos relavan en qué medida el análisis de correlación
ajusta los datos en relación a la asociación entre las diferentes series de variables. El
valor de 1,420 de un máximo de 2, nos indica un ajuste en dos dimensiones es
bastante bueno. Si se hubiera elegido tres dimensiones el valor de ajuste obtenido
hubiera sido 2,016 de un máximo de 3, lo que en proporción es más pequeño que el
obtenido en dos dimensiones, por lo cual la elección do dos dimensiones es correcta.

El quinto paso es la interpretación del valor teórico canónico. Se suelen interpretar


las ponderaciones canónicas, las cargas canónicas (saturaciones en componentes) y
las cargas cruzadas canónicas.

Página 3
Gigi C. Voinea Correlación canónica

1) Ponderaciones canónicas.

Tabla 1.2: Ponderaciones

Conjunto Dimensión
1 2
item1 ,514 ,671
1 item2 -,370 ,380
item3 ,584 -,351
item4 ,182 -,838
2 item5 -,206 -,384
item6 -,777 -,359

Para interpretar las ponderaciones nos tenemos que fijar en el signo y en la magnitud
de la ponderación canónica asociada a cada variable en su valor teórico canónico.

Las variables con ponderaciones relativamente mayores contribuyen más al valor


teórico de manera positiva, directa, en oposición con las variables con ponderaciones
relativamente menores, contribuyen menos al valor teórico. Los que tienen un signo
negativo contribuyen de manera indirecta, negativa al valor teórico.

En la Tabla 1.2 se observa que en el primer conjunto para la primera dimensión la


mayor ponderación la tiene el ítem 3 (0,584) seguido por el primer ítem (0,514), y para
la segunda dimensión la mayor influencia la tiene también la primera variable, con una
ponderación de 0,671.

Para el segundo conjunto en la primera dimensión el ítem 6 tiene una ponderación


fuerte, pero negativa (-0,777), y para la segunda dimensión el ítem 4 es el que más
ponderación tiene, también negativa (-0,838).

Una ponderación pequeña puede significar o bien que su correspondiente variable es


irrelevante para explicar la relación o bien que ha sido apartada de la relación debido a
un alto grado de multicolinealidad.

2) Las cargas canónicas (saturaciones en componentes)

Las cargas canónicas, también denominadas correlaciones de estructura canónica,


miden la correlación simple entre una variable original observada del conjunto
dependiente o independiente y el valor teórico canónico del conjunto. Las cargas
canónicas reflejan la varianza que la variable observada comparte con el valor teórico
canónico, y puede ser interpretada como una carga factorial para valorar la
contribución relativa de cada variable a cada función canónica. Cuanto mayor es el
coeficiente, mayor es la importancia que tiene para calcular el valor teórico canónico.

Página 4
Gigi C. Voinea Correlación canónica

Tabla 1.3: Ajuste

Conjunto Ajuste múltiple Ajuste simple Pérdida simple

Dimensión Suma Dimensión Suma Dimensión Suma

1 2 1 2 1 2
a
item1 ,272 ,465 ,737 ,252 ,460 ,712 ,020 ,005 ,025
a
1 item2 ,179 ,134 ,313 ,152 ,131 ,283 ,027 ,003 ,030
a
item3 ,357 ,134 ,491 ,342 ,119 ,461 ,015 ,015 ,030
a
item4 ,072 ,699 ,771 ,041 ,697 ,738 ,031 ,002 ,033
a
2 item5 ,054 ,153 ,206 ,043 ,140 ,182 ,011 ,013 ,024
a
item6 ,585 ,148 ,732 ,583 ,140 ,724 ,001 ,007 ,008

a. Nivel de escalamiento óptimo: Ordinal

En la Tabla 1.3 vemos, para el conjunto de dimensiones, los ítems 1, 4 y 6 son los que
más discriminan y los que menos discriminan son los 5, 2 y 3. Si queremos ver las
dimensiones por separado, nos fijamos en la primera y en la segunda columna de la
tabla. Para la primera dimensión el ítem más discriminante es el 6 y el menos
discriminante es el 4. Para la segunda dimensión el ítem más discriminante es el 4 y el
menos discriminante es el 2.

3) Las cargas cruzadas canónicas.

Representan una alternativa a las cargas convencionales, y consiste en correlacionar


cada una de las variables dependientes originales observadas directamente con el
valor teórico canónico independiente, y viceversa. De ésta manera, las cargas
cruzadas proporcionan una medida más directa de las relaciones entre las variables
dependientes e independientes eliminando un paso intermedio incluido en las cargas
convencionales. Notamos que el SPSS no nos proporciona éstas cargas cruzadas,
pero hay otros programas como el SAS que si lo hace.

Con el gráfico de saturaciones en componentes (Figura 1.2) podemos ver la posición


en dos dimensiones de las variables, donde observamos que el en la primera
dimensión el ítem 1, 3, 4 están cercanos teniendo coeficientes parecidos (véase la
Tabla 1.3, también), y el ítem 4, 5, 6, están más separados. El segundo factor sigue
un modelo bastante diferente con los ítems separados uno de otro, con valores entre -
0,665 y +0,638.

Página 5
Gigi C. Voinea Correlación canónica

Los resultados de los centroides nos ayudan a interpretar el grado en que cada
variable discrimina los grupos de individuos. En éste caso los datos están bastante
agrupados y nos dice mucho.

Presentamos también el gráfico de las puntuaciones para ver de ésta manera cual son
los individuos raros, que pueden afectar fuertemente la relación. Hay alguno más
separado (como el 25, el 3 y el 17) pero a una muestra de 67 no pueden influir
decisivamente, por lo cual todos se queda en el análisis.

Página 6
Gigi C. Voinea Correlación canónica

Página 7

También podría gustarte