1
Universidad Nacional de Trujillo
Departamento Académico de CC.BB
ALUMNOS:
Armando
2
ANALISIS MULTIVARIADO
Universidad Nacional de Trujillo
Departamento Académico de CC.BB
ESTADISTICA
Analisis Multivariado:
• El Análisis Multivariado es el conjunto de métodos estadísticos
cuya finalidad es ana...
Spearman (1904) y Pearson (1901) trataron de definir
una variable que midiese la cantidad de inteligencia y
que fuese un c...
Clasificación de
los métodos
multivariados
 Problemas de interdependencia
o creación de índices (análisis
factorial, clús...
Métodos de interdependencia
 Descripción de Dimensiones: posibilitan la
identificación de dimensiones o conceptos
complej...
Utilidad de este tipo de métodos:
 Evalúan correlaciones y sintetiza información
 Muestran la estructura de los datos se...
Análisis factorial
 Busca una síntesis del fenómeno objeto de
estudio. Logra resumir la información e
identificar lo fund...
Análisis factorial
Identificación de
estructuras
subyacentes
Reducción de
información
EN LA INVESTIGACIÓN SOCIAL SE TRABAJ...
Análisis factorial
REQUISITOS PARA SU
UTILIZACIÓN
 Selección de variables que formen conjuntos
coherentes (FACTORES)
 Va...
Análisis factorial
ETAPAS BÁSICAS
a) FASE DE PREPARACIÓN DE VARIABLES.
ANÁLISIS DE CORRELACIÓN.
b) MÉTODO DE COMPONENTES. ...
Análisis de Componentes Principales
Caracterización de los factores: Saturaciones
Factor 1 Acceso deficitario a la educaci...
Extracción de los factores principales
Gráfico de Sedimentación
Component Number
252321191715131197531
Eigenvalue
8
6
4
2
...
Análisis de correspondencia
 Busca descubrir y describir las dimensiones
fundamentales de un fenómeno pero con la
particu...
Análisis de correspondencia
RELACIONES ENTRE VARIABLES CATEGÓRICAS QUE SE
ANALIZAN MEDIANTE MAPAS PERCEPTUALES Y
EFECTOS F...
Análisis de correspondencia
ETAPAS BÁSICAS
ANÁLISIS DE
CORRESPONDENCIAS
SIMPLES
ANÁLISIS DE
CORRESPONDENCIAS
MÚLTIPLES
 P...
Análisis cluster
 Partiendo de un conjunto de variables se
obtienen subconjuntos o grupos, ya sea de casos
ya sea de vari...
Análisis cluster
Responde a la necesidad de:
 DIFERENCIAR
 CLASIFICAR
 SEGMENTAR (TIPOLOGÍAS)
CASOS /
INDIVIDUOS
VARIAB...
Análisis cluster
CRITERIOS PARA DISTINGUIR
GRUPOS
Criterio estricto
(dicotómico)
Criterio estadístico
(probabilidad)
 Se ...
Análisis cluster
REQUISITOS y ETAPAS
 Representatividad de la MUESTRA
 Controlar la MULTICOLINEALIDAD entre las
variable...
Análisis de Cluster
Cluster Aglomerado Media Máx. Mín. Media Máx. Mín. Media Máx. Mín.
Gran Buenos Aires 49,0 43,2 11,9
Gr...
Análisis de ClusterAnexo 3. Tasas del Mercado de Trabajo, Bienestar y Desigualdad por grupos y aglomerados.
Variación Porc...
Problemas de causalidad
 Diferencian entre variables (a)
explicativas, independientes o predictivas, (b)
variables a expl...
Utilidad de este tipo de métodos
 Mide la fuerza y sentido de relaciones parciales
 Predice valores a partir de una seri...
Análisis de regresión
 Es suceptible de utilizar cuando contamos con una
variable dependiente métrica y variables
indepen...
Análisis de regresión
TIPOS DE DATOS
Los datos que se utilizan en la aplicación de esta
técnica pueden ser:
 SERIES DE TI...
Análisis de regresión
HIPÓTESIS BÁSICAS
 Se supone que la forma funcional que liga la
variable explicada son las variable...
Análisis de regresión
REQUISITOS Y ETAPAS
 Control de distribución de errores
 Estimación de coeficientes e interpretaci...
El ingreso horario
de los ocupados
(entre 25 y 45 años)
no se ve afectados
por el sexo sino que
depende de la
cantidad de ...
EJEMPLO CORRELACIÓN
Total Ocupados entre 25 y 45 años (con ingresos)
Correlationsa
1,000 ,354** ,365** -,072**
, ,000 ,000...
 BONDAD DE AJUSTE DEL MODELO (R2)
Modelos de Regresión Lineal
ANÁLISIS DE UN EJEMPLO
Variables Entered/Removedb
Sexo (dum...
 ANÁLISIS DE VARIANZA DE LOS MODELOS
Modelos de Regresión Lineal
ANÁLISIS DE UN EJEMPLO
ANOVAc
22,486 1 22,486 2,061 ,151...
 COEFICIENTES B Y PRUEBAS T DE SIGNIFICANCIA
Modelos de Regresión Lineal
ANÁLISIS DE UN EJEMPLO
Coefficientsa
3,476 ,043 ...
 Detección de MULTICOLINEALIDAD a través de tablas
de correlación simple entre las variables
independientes. Seleccionar ...
Análisis de regresión
logística
 Es un caso particular de regresión en el cual la variable
dependiente es de naturaleza d...
Análisis de regresión
logística
 Permite construir un MODELO EXPLICATIVO a partir
de un conjunto de variables independien...
Análisis de regresión
logística
REQUISITOS Y ETAPAS
 Proceso de codificación de las variables independientes
categóricas
...
Modelos de Regresión Logística
ANÁLISIS DE UN EJEMPLO
• Classification Table for XCDEA
• The Cut Value is ,78
Observed
Pre...
Modelos de Regresión Logística
ANÁLISIS DE UN EJEMPLO
Variable B S.E. Wald Df Sig R Exp(B)
H13(1) 1,7112 ,0626 746,165 1 ,...
Modelos de Regresión Logística
ANÁLISIS DE UN EJEMPLO
Observed
Predicted
Activo Inactivo Percent
CorrectA I
Activo A 7.557...
Clase multivaariado 01
Clase multivaariado 01
Clase multivaariado 01
Clase multivaariado 01
Upcoming SlideShare
Loading in …5
×

Clase multivaariado 01

4,581 views

Published on

0 Comments
2 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
4,581
On SlideShare
0
From Embeds
0
Number of Embeds
3
Actions
Shares
0
Downloads
134
Comments
0
Likes
2
Embeds 0
No embeds

No notes for slide

Clase multivaariado 01

  1. 1. 1 Universidad Nacional de Trujillo Departamento Académico de CC.BB ALUMNOS: Armando
  2. 2. 2 ANALISIS MULTIVARIADO Universidad Nacional de Trujillo Departamento Académico de CC.BB
  3. 3. ESTADISTICA Analisis Multivariado: • El Análisis Multivariado es el conjunto de métodos estadísticos cuya finalidad es analizar simultáneamente conjuntos de datos de diversas variables medidas para cada individuo ú objeto estudiado. • Su razón de ser radica en un mejor entendimiento del fenómeno objeto de estudio obteniendo información que los métodos estadísticos univariados y bivariados son incapaces de conseguir. • Este análisis permite obtener una mayor comprensión de fenómenos complejos sea cual sea el ámbito que se esté considerando. • Poseen mucha mayor potencia y versatilidad, que las técnicas univariantes y bivariantes ya que representan mucho mejor la realidad.
  4. 4. Spearman (1904) y Pearson (1901) trataron de definir una variable que midiese la cantidad de inteligencia y que fuese un compendio o resumen (de hecho una combinación lineal) de los componentes de la misma. Esto sería el origen de lo que luego se denominó el método de los Componentes Principales. Posteriormente se han ido desarrollando numerosas técnicas para variables tanto cuantitativas como categóricas. HISTORIA Su origen histórico se encuentra en los primeros años del siglo XX. Surge dentro del marco de la psicología aplicada como una teoría matemática que trata de explicar el concepto de inteligencia. Es decir, se supone que la inteligencia constituye un compendio de diversas habilidades y conocimientos y se suele medir mediante aspectos o manifestaciones parciales.
  5. 5. Clasificación de los métodos multivariados  Problemas de interdependencia o creación de índices (análisis factorial, clúster y escalamiento).  Problemas de causalidad o asociación (análisis de varianza, regresión y discriminante). La investigación EMPÍRICA se ocupa de fenómenos multidimensionales Métodos multivariados Su clasificación
  6. 6. Métodos de interdependencia  Descripción de Dimensiones: posibilitan la identificación de dimensiones o conceptos complejos subyacentes (Análisis Factorial, Componentes Múltiples, etc.).  Clasificación de unidades o variables: permiten clasificar unidades individuales o colectivas o variables con el fin de crear tipologías, cluster o clases de individuos (Cluster, Escalamiento, etc.). Métodos multivariados
  7. 7. Utilidad de este tipo de métodos:  Evalúan correlaciones y sintetiza información  Muestran la estructura de los datos según criterio  Establecen clasificaciones y/o genera valores índices Técnicas de Análisis  ANÁLISIS FACTORIAL  ANÁLISIS DE CORRESPONDENCIAS  ANÁLISIS DE CLUSTER Métodos de interdependencia Métodos multivariados
  8. 8. Análisis factorial  Busca una síntesis del fenómeno objeto de estudio. Logra resumir la información e identificar lo fundamental de la misma, revelando la estructura subyacente de los datos. Algunos ejemplos:  Identificar los factores o componentes principales que intervienen en la construcción de la imagen de una marca o de una organización, de un comportamiento o de una actitud. ANÁLISIS DE CASOS
  9. 9. Análisis factorial Identificación de estructuras subyacentes Reducción de información EN LA INVESTIGACIÓN SOCIAL SE TRABAJA CON MUCHOS CONCEPTOS COMPLEJOS QUE NO SON DIRECTAMENTE OBSERVABLES Creación de variables resumen USOS MÁS FRECUENTES
  10. 10. Análisis factorial REQUISITOS PARA SU UTILIZACIÓN  Selección de variables que formen conjuntos coherentes (FACTORES)  Variables en escala métrica  Variables no métricas (ESTADARIZACIÓN DE SUS VALORES)  CANTIDAD DE CASOS: mínimo de 100 casos  CIERTA CORRELACIONES ENTRE LAS VARIABLES OBSERVABLES
  11. 11. Análisis factorial ETAPAS BÁSICAS a) FASE DE PREPARACIÓN DE VARIABLES. ANÁLISIS DE CORRELACIÓN. b) MÉTODO DE COMPONENTES. EXTRACCIÓN Y SELECCIÓN DE LOS FACTORES. c) GRÁFICO DE SEGMENTACIÓN. VALORES PROPIOS Y VARIANZA EXPLICADA. MATRIZ DE CARGAS FACTORIALES. d) INTERPRETACIÓN: ROTACIÓN VARIMAX Y REPRESENTACIÓN GRÁFICA e) EVALUACIÓN Y VALORACIÓN DEL ANÁLISIS
  12. 12. Análisis de Componentes Principales Caracterización de los factores: Saturaciones Factor 1 Acceso deficitario a la educación y la vivienda
  13. 13. Extracción de los factores principales Gráfico de Sedimentación Component Number 252321191715131197531 Eigenvalue 8 6 4 2 0 Análisis de Componentes Principales
  14. 14. Análisis de correspondencia  Busca descubrir y describir las dimensiones fundamentales de un fenómeno pero con la particularidad de que trabaja con variables categóricas que proporcionan mapas perceptuales que permiten una representación fácilmente comprensible. Algunos ejemplos:  Posicionamiento de productos y de atributos. ANÁLISIS DE CASOS
  15. 15. Análisis de correspondencia RELACIONES ENTRE VARIABLES CATEGÓRICAS QUE SE ANALIZAN MEDIANTE MAPAS PERCEPTUALES Y EFECTOS FACTORIALES A TRAVÉS DE FACTORES REDUCE LAS DIMENSIONES DE ANÁLISIS Paso intermedio para la aplicación de otras técnicas como el análisis de cluster, regresión y análisis discriminante. Permite estudiar las formas que adoptan las relaciones entre las variables
  16. 16. Análisis de correspondencia ETAPAS BÁSICAS ANÁLISIS DE CORRESPONDENCIAS SIMPLES ANÁLISIS DE CORRESPONDENCIAS MÚLTIPLES  Preparar tablas de contingencia: Perfiles filas y columnas  Distancias chi-cuadrado entre filas y columnas  Valores propios e inercia de valores propios  Contribuciones absolutas y relativas  Coordenadas de filas y columnas  Representación factorial de filas y columnas Tablas bidimensionales Tablas multidimensionales
  17. 17. Análisis cluster  Partiendo de un conjunto de variables se obtienen subconjuntos o grupos, ya sea de casos ya sea de variables. Se busca establecer grupos HOMOGÉNEOS internamente y HETEROGÉNEOS entre ellos. Algunos ejemplos:  En el campo del Marketing es útil para clasificar e identificar segmentos, tipos de productos, tipos de consumidores, etc. ANÁLISIS DE CASOS
  18. 18. Análisis cluster Responde a la necesidad de:  DIFERENCIAR  CLASIFICAR  SEGMENTAR (TIPOLOGÍAS) CASOS / INDIVIDUOS VARIABLES / CARACTERÍSTICAS SE PUEDEN AGRUPAR
  19. 19. Análisis cluster CRITERIOS PARA DISTINGUIR GRUPOS Criterio estricto (dicotómico) Criterio estadístico (probabilidad)  Se busca formar grupos mutuamente excluyentes y colectivamente exhaustivos, pero los criterios de agrupamiento y la medida de distancia pueden producir cambios en la estructura de los grupos
  20. 20. Análisis cluster REQUISITOS y ETAPAS  Representatividad de la MUESTRA  Controlar la MULTICOLINEALIDAD entre las variables  Definir MÉTODO y medidas de distancia para la formación de grupos  Análisis de distancias euclídeas (diagrama en árbol), esquemas de agrupación y de la media de los grupos.  Delimitación del NÚMERO de grupos significativos.
  21. 21. Análisis de Cluster Cluster Aglomerado Media Máx. Mín. Media Máx. Mín. Media Máx. Mín. Gran Buenos Aires 49,0 43,2 11,9 Gran La Plata 46,1 40,2 12,8 Bahía Blanca - Cerri 45,8 42,0 8,4 Gran Rosario 45,5 39,2 13,7 Gran Córdoba 45,3 41,2 9,2 Neuquen-Plottier 45,2 40,6 10,1 Ushuaia - Río Grande 47,7 43,2 9,5 Mar del Plata y Batán 48,4 43,1 11,0 Río Cuarto 43,7 39,4 9,7 Total 46,3 49,0 43,7 41,3 43,2 39,2 10,7 13,7 8,4 Gran Resistencia 35,4 33,4 5,6 Formosa 33,3 31,8 4,5 Total 34,4 35,4 33,3 32,6 33,4 31,8 5,1 5,6 4,5 Gran Santa Fe 39,2 36,4 7,2 Gran Paraná 41,3 38,1 7,7 Posadas 39,0 35,7 8,5 Corrientes 37,6 34,6 8,0 Concordia 40,0 35,9 10,1 Santiago del Estero- La Banda 40,5 36,8 9,2 Gran Catamarca 40,9 36,6 10,5 Salta 42,5 37,1 12,6 Gran San Juan 42,9 38,7 9,8 Gran Tucumán-Tafí Viejo 40,5 35,4 12,6 Total 40,4 42,9 37,6 36,5 38,7 34,6 9,6 12,6 7,2 Comodoro Rivadavia- Rada Tilly 44,0 40,7 7,4 Gran Mendoza 45,8 42,6 6,9 Jujuy- Palpalá 43,0 39,9 7,2 Río Gallegos 44,5 43,8 1,7 La Rioja 43,1 40,0 7,2 San Luis - El Chorrillo 44,1 43,5 1,2 Santa Rosa - Toay 41,2 39,6 4,0 Total 43,7 45,8 41,2 41,4 43,8 39,6 5,1 7,4 1,2 Tasa de Actividad Tasa de Empleo Tasa de Desocupación 4 3 2 1
  22. 22. Análisis de ClusterAnexo 3. Tasas del Mercado de Trabajo, Bienestar y Desigualdad por grupos y aglomerados. Variación Porcentual 1991-2001. Aglomerados agrupados por Grupo Activi- dad Empleo Pleno Subem pl Desem pl Ing. Tot. Fliar. Ing. x Perc. Ing. x Eq. Adul. Coef. Sen Coef. Gini Grupo 1 Río Gallegos 9.5 6.8 178.4 -26.0 15.6 11.9 35.1 21.8 -12.2 Media Grupo 1 9.5 6.8 85.7 -26.0 15.6 11.9 35.1 21.8 -12.2 Ushuaia y Río Grande -2.3 -9.8 56.8 8.5 -23.1 -23.6 -13.7 -22.5 -1.7 Comodoro Rivadavia 0.3 -9.6 64.5 37.2 -2.6 4.5 14.5 -12.0 24.4 Grupo 2 Gran San Miguel de Tuc.-Tafí Viejo 1.1 -14.7 43.1 58.7 -3.3 0.4 11.3 -1.0 -4.7 Media Grupo 2 -0.3 -11.4 54.8 34.8 -9.7 -6.2 4.0 -11.8 6.0 Gran Córdoba -2.1 -20.9 53.8 188.2 -20.3 -17.0 -9.7 -21.3 3.1 Gran Mendoza 0.3 -20.0 79.1 207.6 -10.8 -6.5 -3.7 -15.1 10.9 San Luis y El Chorrillo -2.4 -22.5 162.2 124.7 -28.8 -21.3 -20.8 -31.1 7.4 Grupo 3 San Salvador de Jujuy y Palpalá 6.1 -19.2 38.6 526.7 -7.4 -7.8 -1.5 -12.8 13.2 Media Grupo 3 0.5 -20.6 83.4 261.8 -16.8 -13.1 -8.9 -20.1 8.7 Ciudad de Bs. As. 10.1 -9.3 116.5 257.8 20.4 21.5 25.2 14.2 10.8 Gran La Plata 13.3 -7.0 90.7 163.9 6.6 10.4 16.9 3.8 7.3 Paraná 15.2 -10.3 90.0 264.0 -28.0 -23.0 -20.9 -28.2 0.4 Grupo 4 Gran San Juan 12.0 -11.5 80.2 162.3 -11.1 -10.7 -2.0 -13.6 6.2 Media Grupo 4 12.6 -9.5 75.5 212.0 -3.1 -0.4 4.8 -6.0 6.2 Salta 15.9 -17.8 164.0 351.2 -27.4 -27.8 -18.8 -33.1 16.8 Santa Rosa y Toay 11.6 -13.6 300.5 528.4 -4.6 0.4 11.0 -15.0 32.0 Gran Rosario 9.2 -20.5 131.9 164.9 -22.5 -20.9 -16.6 -24.5 5.6 Partidos del Conurbano 8.5 -24.6 171.2 69.4 -14.3 -12.0 -7.2 -21.5 19.4 Grupo 5 Neuquén 10.7 -14.2 217.1 184.3 -19.2 -16.8 -7.6 -16.4 -6.9 Media Grupo 5 11.2 -18.1 196.9 259.6 -17.6 -15.4 -7.8 -22.1 13.4 Fuente: Elaboración propia, con base en datos de la EPH, INDEC (Octubre 1991-2001).
  23. 23. Problemas de causalidad  Diferencian entre variables (a) explicativas, independientes o predictivas, (b) variables a explicar o dependientes, y (c) variables control o intervinientes.  La distinción entre variables dependientes e independientes debe efectuarse con arreglo a fundamentos teóricos, por conocimiento o experiencia y estudios anteriores. Métodos de tipo:  EXPLICATIVOS /PREDICTIVOS Métodos multivariados
  24. 24. Utilidad de este tipo de métodos  Mide la fuerza y sentido de relaciones parciales  Predice valores a partir de una serie de variables  Explica el comportamiento de una o más variables  Evalúa la bondad de ajuste de un modelo teórico a los datos MÉTODOS  ANÁLISIS DE VARIANZA (ANOVA)  ANÁLISIS DE REGRESIÓN  ANÁLISIS DISCRIMINANTE  REGRESIÓN LOGÍSTICA Problemas de causalidad Métodos multivariados
  25. 25. Análisis de regresión  Es suceptible de utilizar cuando contamos con una variable dependiente métrica y variables independientes métricas ó categóricas (ficticia).  Explica el comportamiento de la variable dependiente (ej: ventas, gastos, consumo),  Anticipa sus valores en función de los atributos de las variables independientes (ej: precio, gasto en publicidad, atributos personales, segmento de mercado) y  Estima las incidencias que cada una de éstas tiene en la variable dependiente. ANÁLISIS DE CASOS
  26. 26. Análisis de regresión TIPOS DE DATOS Los datos que se utilizan en la aplicación de esta técnica pueden ser:  SERIES DE TIEMPO y  DATOS DE CORTE TRASVERSAL Modelo de Regresión Lineal Simple (MLS)  Figura una sola variable explicativa, el comportamiento de la variable Y se puede explicar a través de la variable X Modelo de Regresión Múltiple  La variable dependiente viene explicada por varias variables independientes.
  27. 27. Análisis de regresión HIPÓTESIS BÁSICAS  Se supone que la forma funcional que liga la variable explicada son las variables explicativas es de tipo LINEAL al menos en los parámetros.  Las variables explicativas deben ser linealmente INDEPENDIENTES, es decir, que no hay multicolinalidad exacta.
  28. 28. Análisis de regresión REQUISITOS Y ETAPAS  Control de distribución de errores  Estimación de coeficientes e interpretación  Intervalos de confianza y prueba de hipótesis  Bondad de ajuste  Predicción  Variables ficticias
  29. 29. El ingreso horario de los ocupados (entre 25 y 45 años) no se ve afectados por el sexo sino que depende de la cantidad de años de instrucción Modelos de Regresión Lineal ANÁLISIS DE UN EJEMPLO Años de estudio (aprox.) 20100 Ingresohorariodelaocupaciónppal 80 60 40 20 0 Sexo Mujer Varón
  30. 30. EJEMPLO CORRELACIÓN Total Ocupados entre 25 y 45 años (con ingresos) Correlationsa 1,000 ,354** ,365** -,072** , ,000 ,000 ,000 ,354** 1,000 ,945** -,223** ,000 , ,000 ,000 ,365** ,945** 1,000 -,217** ,000 ,000 , ,000 -,072** -,223** -,217** 1,000 ,000 ,000 ,000 , Pearson Correlation Sig. (2-tailed) Pearson Correlation Sig. (2-tailed) Pearson Correlation Sig. (2-tailed) Pearson Correlation Sig. (2-tailed) Ingreso horario de la ocupación ppal Años de estudio (aprox.) Nivel de Instrucción Cantidad de hijos menores de 12 años Ingreso horario de la ocupación ppal Años de estudio (aprox.) Nivel de Instrucción Cantidad de hijos menores de 12 años Correlation is significant at the 0.01 level (2-tailed).**. Listwise N=10338a.
  31. 31.  BONDAD DE AJUSTE DEL MODELO (R2) Modelos de Regresión Lineal ANÁLISIS DE UN EJEMPLO Variables Entered/Removedb Sexo (dummy: 0=Varón)a , Enter Años de estudio (aprox.)a , Enter Model 1 2 Variables Entered Variables Removed Method All requested variables entered.a. Dependent Variable: Ingreso horario de la ocupación ppalb. Model Summary ,014a ,000 ,000 3,3032 ,359b ,129 ,129 3,0832 Model 1 2 R R Square Adjusted R Square Std. Error of the Estimate Predictors: (Constant), Sexo (dummy: 0=Varón)a. Predictors: (Constant), Sexo (dummy: 0=Varón), Años de estudio (aprox.) b.
  32. 32.  ANÁLISIS DE VARIANZA DE LOS MODELOS Modelos de Regresión Lineal ANÁLISIS DE UN EJEMPLO ANOVAc 22,486 1 22,486 2,061 ,151a 112779,9 10336 10,911 112802,4 10337 14557,248 2 7278,624 765,683 ,000b 98245,112 10335 9,506 112802,4 10337 Regression Residual Total Regression Residual Total Model 1 2 Sum of Squares df Mean Square F Sig. Predictors: (Constant), Sexo (dummy: 0=Varón)a. Predictors: (Constant), Sexo (dummy: 0=Varón), Años de estudio (aprox.)b. Dependent Variable: Ingreso horario de la ocupación ppalc.
  33. 33.  COEFICIENTES B Y PRUEBAS T DE SIGNIFICANCIA Modelos de Regresión Lineal ANÁLISIS DE UN EJEMPLO Coefficientsa 3,476 ,043 80,455 ,000 -,0941 ,066 -,014 -1,436 ,151 ,271 ,091 2,964 ,003 -,426 ,062 -,064 -6,898 ,000 ,306 ,008 ,362 39,102 ,000 (Constant) Sexo (dummy: 0=Varón) (Constant) Sexo (dummy: 0=Varón) Años de estudio (aprox.) Model 1 2 B Std. Error Unstandardized Coefficients Beta Standardi zed Coefficien ts t Sig. Dependent Variable: Ingreso horario de la ocupación ppala.
  34. 34.  Detección de MULTICOLINEALIDAD a través de tablas de correlación simple entre las variables independientes. Seleccionar las variables con menor correlación o transformar en variables ficticias no correlacionadas.  Detección de la HETEROSCEDASTICIDAD /a través de gráficos de residuos є para cada valor de ŷ. Estandarización de la variable dependiente Y.  Detección de la AUTOCORRELACIÓN DE ERRORES / a través de la prueba Durbin-Watson. El valor 2 indica no autocorrelación. Corrección de observaciones o eliminación de casos. Modelos de Regresión Lineal Control de Supuestos
  35. 35. Análisis de regresión logística  Es un caso particular de regresión en el cual la variable dependiente es de naturaleza dicotómica y las independientes son cuantitativas o categóricas y no exige restricciones tan fuertes sobre la distribución de las variables independientes. Estima y explica las probabilidades de que un evento ocurra.  Estas peculiaridades la hacen interesante para situaciones en las que no cabe aplicar la regresión lineal. Algunos ejemplos:  Identificar los principales factores que pueden influir en aumentar la probabilidad de que un nuevo producto sea introducido con éxito en el mercado. ANÁLISIS DE CASOS
  36. 36. Análisis de regresión logística  Permite construir un MODELO EXPLICATIVO a partir de un conjunto de variables independientes de tipo categóricas o continuas (estado civil, ingresos, nivel de estudios, edad y números de hijos) y una variable dicotómica o binaria que solo definen opciones (contratar un servicio o no, consumir determinado producto o no, etc.) Ejemplo:  En qué medida ciertas características socio-demográficas influyen en que un individuo contrate un nuevo servicio de televisión por cable.  ¿En qué medida la aceptación de un producto está relacionado con el nivel de ingresos del cliente?
  37. 37. Análisis de regresión logística REQUISITOS Y ETAPAS  Proceso de codificación de las variables independientes categóricas a) Codificación de variable dependientes en 0 y 1 b) Significancia de los coeficientes de regresión c) Significancia global del modelo d) Bondad de ajuste y eficacia predictiva e) Estimación de probabilidades parciales y conjuntas f) Métodos de selección de las variables independientes (INTRODUCIR Y ELIMINACIÓN POR PASOS)
  38. 38. Modelos de Regresión Logística ANÁLISIS DE UN EJEMPLO • Classification Table for XCDEA • The Cut Value is ,78 Observed Predicted Activo Inactivo Percent CorrectA I Activo A 6.774 5.130 56,91% Inactivo I 458 2.985 86,70% Overall 63,59% Variable B S.E. Wald Df Sig R Exp(B) H13(1) 2,1547 ,0535 1620,21 1 ,0000 ,3147 8,6251 XMEN5(1 ,2425 ,0424 32,7129 1 ,0000 ,0434 1,2744 Constant -2,7914 ,0516 2926,26 1 ,0000
  39. 39. Modelos de Regresión Logística ANÁLISIS DE UN EJEMPLO Variable B S.E. Wald Df Sig R Exp(B) H13(1) 1,7112 ,0626 746,165 1 ,0000 ,2301 5,5357 XMEN5 -,8638 ,1170 54,4647 1 ,0000 -,0611 ,4216 INT_1 1,3302 ,1262 111,185 1 ,0000 ,0881 3,7818 Constant -2,4388 ,0549 1974,89 1 ,0000 Beginning Block Number 2. Method: Enter •Variable(s) Entered on Step Number •1.. H13 * XMEN5
  40. 40. Modelos de Regresión Logística ANÁLISIS DE UN EJEMPLO Observed Predicted Activo Inactivo Percent CorrectA I Activo A 7.557 4.347 63,48% Inactivo I 620 2.823 81,99% Overall 67,64% Variable B S.E. Wald Df Sig R Exp(B) H13(1) -1,7161 ,0634 732,350 1 ,0000 -,2290 ,1798 XMEN5 1,0891 ,1182 84,8889 1 ,0000 ,0771 2,9716 INT_1 -1,3462 ,1270 112,346 1 ,0000 -,0890 ,2602 XQUINTI ,3088 ,0168 339,416 1 ,0000 ,1556 1,3618 XH12 ,2411 ,0451 28,5608 1 ,0000 ,0437 1,2726 XEDAD2 -,0031 ,0006 23,1655 1 ,0000 -,0390 ,9969 Constant -2,8649 ,7656 14,0034 1 ,0002

×