Análisis multivariante by Pedro Luque

1. Análisis multivariante
¿Para qué sirve cada uno de ellos?
Pedro Luque

2. Índice
• Conjunto……………………………………………………………..3
• Factorial……………………………………………………………...4
• Discriminante múltiple……………………………………..…5
• Regresión Logística………………………………………………7
• ANOVA………………………………………………………………..9
• MANOVA………………………………………………..………….11
• Clúster…………………………………………….………………….13
• Ecuaciones Estructurales…………………………………….15
Pedro Luque

3. Análisis conjunto
Cuando un producto tiene muchas características a analizar, reduce las combinaciones a analizar
para conocer el óptimo.
Ejem: Queremos saber las preferencias de los consumidores sobre las características del jabón.
Como en este caso sería difícil preguntar sobre la preferencia en las 288 combinaciones
(4*4*2*3*3), el análisis conjunto reduciría el número de dimensiones para conocer el óptimo.
Pedro Luque
Olor Color Consistencia Tacto Tamaño
Jazmin Blanco Líquido Suave Grande
Lavanda Morado Sólido Áspero Mediano
Flores Amarillo Neutro Pequeño
Canela Verde

4. Análisis factorial
• Agrupa casos o variables (más común), sirve para determinar la estructura subyacente de las
variables, cada factor constituye una dimensión. Sirve para simplificar.
• Ejem: Queremos saber que variables están relacionadas sobre la valoración de un producto, y con
las que podamos construir una que englobe a todas (variable latente).
Pedro Luque
Servicio Postventa Competitividad del producto
Analizar
Reducción
de
dimensiones
Factor…
SPSS

5. Análisis discriminante múltiple
• Agrupa casos (personas, empresas…) en grupos previamente definidos. Sirve para dadas unas
características, ver a qué grupo pertenece.
• Los grupos (variable dependiente) son no métricos y las variables independientes son métricas.
• Ejem: en una encuesta de 200 personas sobre la valoración de diversas características
relacionadas con el producto, queremos clasificar en función de que lleven menos de un año
comprando, entre uno y cincos años, y más de cinco años (3 categorías de la variable
dependiente). Para ello SPSS recoge una función de pertenencia englobando las variables
independientes.
Pedro Luque
SPSS

6. Pedro Luque

7. Regresión logística
• Funciona de la misma manera que el análisis discriminante, y lo bueno es que no se ve tan
afectada cuando no se cumplen los supuestos, especialmente normalidad en las variables
independientes, e igualdad de varianza y covarianza (M de Box).
• Ejem: Queremos saber con que características podemos catalogar a un potencial comprador de
un coche, con uno que no lo es.
Pedro Luque
SPSS

8. Pedro Luque
No
comprador
Potencial
comprador

9. ANOVA
• Sirve para ver diferencias significativas entre dos o más grupos (a diferencia del t-test que solo
sirve para ver las diferencias en dos grupos).
• En el caso utilizado para en análisis discriminante y la regresión logística, utilizamos unas variables
para definir los grupos, por tanto esas variables para que tengan peso a la hora de definir la
pertenencia en un grupo determinado, deberán de ser distintas entre ellos.
• Ejem: Vamos a coger las variables independientes utilizadas para en análisis discriminante, y ver si
son diferentes entre ellas (es decir tendrían poder clasificatorio).
Pedro Luque
SPSS

10. • Diferencias de medias entre cada grupo
Pedro Luque
Y aquí vemos como hay diferencias significativas (con un 95% de confianza) para la cualidad del
producto, y sin embargo no las hay para E-commerce.

11. MANOVA
• Es igual que el ANOVA, pero analizando de forma conjunta las variables dependientes.
• Ejem: antes queríamos ver las diferencias entre los grupos de la antigüedad del cliente para cada
una de las variables, y ahora vamos a ver las diferencias de la antigüedad del cliente para las dos
variables de forma conjunta. Es decir queremos ver si hay diferencias de forma general en la
antigüedad.
Pedro Luque
SPSS

12. • Vemos las medias y las desviaciones típicas como anteriormente:
Pedro Luque - GFK
Aquí no nos fijamos en la interceptación (la constante, mala traducción del inglés de intercept), y nos
fijamos en los niveles de significación de los diversos test, y vemos que en todos es significativo al 95%.

13. Análisis cluster
• Agrupa objetos similares entre sí, cada grupo va a ser un conglomerado o cluster, es decir puede
agrupar individuos que son parecidos entre sí, y luego hacer categorías entre ellos, es decir,
segmentarlos (como hedonist, self-directed…etc).
• Aquí a diferencia del análisis discriminante o la regresión logística, éramos nosotros quienes
predefiníamos los grupos, pero aquí es él solo quien agrupa.
• Ejem: Con varias respuestas sobre la importancia de dos preguntas en la encuesta (conseguir
dinero y disfrutar) del 0 al 1, queremos segmentar a la población en categorías, y realizando el
análisis finalmente conseguimos:
Pedro Luque
Analizar Clasificar Cluster…
SPSS

14. Pedro Luque
Disfrutar
Conseguir dinero
Self-directed
Hedonist
Achievers

15. Análisis de ecuaciones estructurales
• Permite verificar relaciones entre variables mucho más complejas, de dependencia e
interdependencia.
• Es un método que está cogiendo cada vez mayor importancia, debido a su implementación con
nuevo software (SMART PLS permite en lugar de escribir complicadas ecuaciones, dibujar las
relaciones y ver si son estadísticamente apropiadas).
• Un paso previo natural para realizar estas relaciones es realizar un análisis factorial, para con
variables medibles construir variables latentes, como en nuestro ejemplo anterior.
Pedro Luque
Garantía
Servicio técnicoReclamaciones
Competitividad
del precio
Calidad del
producto
Flexibilidad
del precio
Servicio Postventa Competitividad del producto
Piensa en
recomendar
Le gusta
Piensa en
comprar
Imagen del producto

16. • Ejem 1: Y a partir de ahí construir nuestro modelo:
Pedro Luque
Servicio
postventa
Reclamaciones
Garantía
Servicio
técnico
Competitividad
en el producto
Commpetitividad
en el precio
Calidad del
producto
Flexibilidad del
precio
Imagen
del
producto
Recomendar
Piensa en
comprar
Le gusta

17. • Ejem 2: Un análisis más complejo:
Pedro Luque

18. Efectos en el modelo:
• Correlación
• Recíproca
• Directa
• Mediadora
• Moderación
Pedro Luque

19. Para resolver los sistemas vistos hay dos grandes métodos:
1) Sistemas basados en la covarianza (más populares) COV SEM, en los cuales el algoritmo a veces
no converge, es decir, no da una solución final.
2) Sistemas basados en la varianza (el algoritmo siempre converge) PLS SEM, su aplicación está en
rápido crecimiento, cada vez hay más programas (se recomienda SMART PLS).
Pedro Luque