Análisis multivariante : aplicaciones con SPSS
- 1ª ed.
- San Salvador : UFG Editores, 2016
Índice- Prefacio- Nota introductoria- 1. INTRODUCCIÓN ALANÁLISIS MULTIVARIANTE- 1.1. Tipos de técnicas multivariantes- 1.2. Análisis exploratorio multivariante de datos- 1.3. La matriz de datos- 1.4. Medidas de centralización: el vector de medias- 1.5. La matriz de varianzas y covarianzas- 1.6. La varianza generalizada- 1.7. Coeficientes de asimetría y kurtosis- 1.8. Aplicaciones en SPSS- 1.9. Análisis gráfico y datos atípicos: histogramas y diagramas de dispersión- 1.10. Ejercicios- 2. ANÁLISIS DEREGRESIÓN LINEAL MÚLTIPLE (RLM)- 2.1. Metodología- 2.2. Aplicación del análisis de regresión múltiple- 2.3. Supuestos del modelo de regresión lineal múltiple- 2.4. Métodos para aplicar RLM- 2.5. Análisis de regresión por pasos. Regresión STEP WISE-pasos sucesivos- 2.6. Ejercicios- 3. ANÁLISIS DECOMPONENTES PRINCIPALES (ACP)- 3.1. Planteamiento del problema- 3.2. Enfoque descriptivo- 3.3. Enfoque estadístico- 3.4. Enfoque geométrico- 3.5. Cálculo del primero y segundo componentes- 3.6. Propiedades de los componentes- 3.7. Análisis normado o con correlaciones- 3.8. Interpretación de los componentes- 3.9. Aplicación en SPSS- 3.10. Ejercicios- 4. ANÁLISIS FACTORIAL- 4.1. El modelo factorial- 4.2. Hipótesis previas- 4.3. Importancia de las aplicaciones de análisis factorial- 4.4. Metodología del análisis factorial- 4.5. Aplicación del método en SPSS- 4.6. Ejercicios- 5. ANÁLISIS SIMPLE DECORRESPONDENCIAS- 5.1. Métodos de reducción: Análisis de correspondencias- 5.2. Metodología del Análisis de correspondencias- 5.3. Aplicaciones del Análisis de correspondencias- 5.4. Análisis de correspondencias simple (ANACOR)- 5.5. Aplicación mediante SPSS (ANACOR)- 5.6. Ejercicios- 6. ANÁLISIS MÚLTIPLE DECORRESPONDENCIAS (HOMALS)- 6.1. Escalamiento óptimo- 6.2. Aplicación mediante SPSS (HOMALS)- 6.3. Ejercicios- 7. ANÁLISIS DECORRELACIÓN CANÓNICA NO LINEAL- 7.1. Aplicación en SPSS- 7.2. Ponderaciones, cuantificaciones y saturaciones- 7.3. Cuantificaciones- 7.4. Ejercicios- 8. ANÁLISIS DECORRELACIÓN CANÓNICA LINEAL- 8.1. Fundamentación matemática del Análisis de correlación canónica- 8.2. El análisis de relaciones mediante la correlación canónica- 8.3. Metodología del Análisis de correlación canónica- 8.4. Supuestos y términos clave- 8.5. Aplicación en SPSS- 8.6. Ejercicios- 9. Bibliografía- 10. Anexos.
Generalmente se nos ha enseñado en las aulas universitarias el proceso de análisis estadístico a partir de un análisis en particular: Recolectar la data a través de diferentes mecanismos o herramientas; realizar un análisis estadístico, aplicando herramientas de estadística descriptiva, que es lo más usual, presentar la información en una forma comprensible, y muy pocas veces aplicamos estadística inferencial. El investigador o profesional calcula frecuencias, hace gráficas, encuentra medidas de tendencia central, calcula la dispersión e identifica valores atípicos en la distribución de los datos. Se aplica estadística descriptiva, que, como su nombre lo indica, describe la data en general; mientras que la estadística inferencial no solo describe los datos, sino que aborda el problema de hacer generalizaciones más amplias o inferencias de una muestra de datos hacia la población; sin embargo, la estadística como herramienta tiene un amplio abanico de opciones para tratar y analizar datos que van más allá de las tradicionales dos variables. Un ejemplo muy clásico es el analizar la situación de salud o educación de una comunidad, un instrumento de psicología que explora comportamientos o habilidades en los individuos; un análisis de mercado donde se exploran nichos o niveles de satisfacción de los usuarios; un análisis climático, donde se analizan datos del clima de una región o de una situación particular; una base de datos con indicadores sociales y económicos de una población en particular; un censo agropecuario, de hogares o de vivienda, que contiene decenas o centenas de variables. Estos y otros ejemplos parecidos denotan una gran cantidad de variables que requieren métodos estadísticos avanzados para poder interpretarlos y tomar decisiones efectivas. Generalmente, los estudiantes o profesionales que se introducen en el campo de la investigación científica, solamente utilizan frecuencias simples o variables univariadas, donde ejemplifican porcentajes específicos; en otros casos, se hace un análisis bivariado en el cual se toman de dos a dos las variables de un problema en particular; no obstante, estos análisis son limitados y su tratamiento no es útil para tomar decisiones ya que se necesita de analizar categorías y determinados perfiles, lo cual requiere tomar más variables.