1. ANALISIS MULTIVARIADO
1. INTRODUCCIÓN
El análisis multivariado puede contribuir a enriquecer el debate público sobre los
fenómenos que son objeto de interés para los profesionales y los investigadores, gracias
a la oportunidad que les ofrece para llevar a cabo un análisis complejo de los datos
obtenidos en sus estudios. Al servicio de la investigación cuantitativa, y como extensión
de las técnicas de análisis univariante y bivariante, el análisis multivariante tiene como
objetivo principal modelar las múltiples relaciones existentes entre diversas variables de
manera simultánea. La construcción de modelos multivariantes ejerce, pues, un papel
importante en el desarrollo de las diferentes disciplinas basadas en el análisis de datos
cuantitativos y requiere, por lo tanto, una atención especial en la formación de futuros
profesionales e investigadores
2. DESARROLLO
El análisis multivariado es un conjunto de métodos estadísticos cuya finalidad es
analizar simultáneamente conjunto de datos multivariantes en el sentido de que hay
varias variables medidas para cada objeto o sujeto estudiado. Su razón de ser radica en
un mejor entendimiento del fenómeno objeto de estudio o teniendo información de los
métodos estadísticos univarinates y bivariante son incapaces de conseguir.
3. CARACTERÍSTICAS
Tipos de análisis multivariantes
Los métodos multivariantes pueden subdividirse según diferentes aspectos. En primer
lugar, se diferencian en función de si se debe descubrir o verificar una estructura con
ellos. Los métodos de determinación de la estructura incluyen el dominio:
Análisis factorial: Reduce la estructura a datos relevantes y variables individuales.
Los estudios factoriales se centran en diferentes variables, por lo que se subdividen
en análisis de componentes principales y análisis de correspondencia. Por ejemplo:
¿Qué elementos de laweb influyen más en el comportamiento de compra?
Análisis de clusters: Las observaciones se asignan gráficamente a grupos de variables
individuales y se clasifican sobre la base de ellas. Los resultados son clusters y
segmentos, como el número de compradores de un producto en particular, que
tienen entre 35 y 47 años y tienen un alto nivel de ingresos.
Los procedimientos de revisión estructural incluyen, entre otros, el TLD:
Análisis de regresión: Investiga la influencia de dos tipos de variables una sobre la
otra. Se habla de variables dependientes y no dependientes. Las primeras son las
llamadas variables explicadas, mientras que las segundas son variables explicativas.
El primero describe el estado real sobre la base de los datos, el segundo explica
2. estos datos por medio de relaciones de dependencia entre las dos variables. En la
práctica, varios cambios de los elementos de la página web corresponden a
variables independientes, mientras que los efectos sobre la tasa de conversión
serían la variable dependiente.
Análisis de desviaciones: Determina la influencia de varias variables o de variables
individuales en grupos calculando promedios estadísticos. Aquí se pueden comparar
variables dentro de un grupo así como diferentes grupos, dependiendo de dónde se
deben suponer las desviaciones. Por ejemplo: ¿Qué grupos hacen clic con más
frecuencia en el botón "Comprar ahora" de su cesta de la compra?
Análisis discriminante: Se utiliza en el contexto del análisis de desviaciones para
diferenciar entre grupos que se pueden describir con características similares o
idénticas. Por ejemplo, ¿en qué variables difieren los diferentes grupos de
compradores?
Tipología de técnicas multivariantes
Dicho lo anterior, quizás la mejor manera de entender qué es el Análisis Multivariante es
la descripción de los principales procedimientos que engloba. Sin ánimo de ser
exhaustivos, éstos pueden ser agrupados en los siguientes tipos:
a) Modelos de rango completo y no completo.
o - Análisis de regresión múltiple.
o - Análisis de la varianza (ANOVA).
o - Análisis de la covarianza (ANCOVA).
o - Análisis multivariante de la varianza (MANOVA).
o - Análisis multivariante de la covarianza (MANCOVA).
o - Correlación canónica.
b) Reducción de la dimensionalidad.
o - Análisis de componentes principales
o - Análisis factorial.
c) Clasificación y Discriminación.
o - Análisis de Conglomerados.
o - Análisis discriminante.
c) Otros procedimientos multivariantes.
o - Análisis conjunto.
o - Escalamiento multidimensional.
o - Análisis de correspondencias.
o - Análisis logit.
o - Modelos de ecuaciones estructurales.
4. CONCLUSIONES
En un sentido amplio, se refiere a todos los métodos estadísticos que analizamos
simultáneamente medidas múltiples de cada individuo u objeto sometido a
investigación.