Men煤 Cerrar

An谩lisis Multivariante: todo lo que necesitas saber para comenzar

An谩lisis Multivariante - destacada

En la vida real, a diferencia de la investigaci贸n de laboratorio, es probable que descubras que tus datos se ven afectados por muchas cosas adem谩s de la variable que deseas probar.

Existen correlaciones entre elementos que nunca has considerado y el mundo es m谩s complejo de lo que parece

El prop贸sito del an谩lisis multivariante o multivariado es hacer m谩s sencillas las relaciones entre variables, mediante la creaci贸n de modelos abstractos que representen adecuadamente a la realidad

 

驴C贸mo podemos simplificar el an谩lisis de datos reales?


Hay cuatro formas de simplificar el an谩lisis

  • A trav茅s del dise帽o de la investigaci贸n
  • Utilizar sub muestras
  • Usar controles estad铆sticos
  • An谩lisis multivariante

 

Hablemos a continuaci贸n de las tres primeras, para luego concentrarnos en la cuarta que es el prop贸sito principal del art铆culo

 

#1. El Dise帽o de la investigaci贸n

Puedes dise帽ar tu investigaci贸n para que los factores causales sean independientes entre s铆.

Por ejemplo, si crees que puede haber un v铆nculo entre la edad y el salario, tomar una muestra aleatoria de empleados correr谩 el riesgo de combinar los efectos de ambos.

Sin embargo, si divides la poblaci贸n en grupos por edad y luego seleccionas muestras al azar de igual tama帽o en cada grupo, habr谩s hecho que la edad y el salario sean independientes.

 

#2. Uso de sub muestras

Aqu铆, seleccionas la 聽muestra para que no est茅 influenciada por cualquier factor de confusi贸n potencial.

Por ejemplo, el tipo de trabajo puede afectar el salario, por lo que si deseas estudiar los efectos de otro factor sobre el salario, puedes seleccionar s贸lo a personas que hagan el mismo tipo de trabajo.

 

#3. Uso de controles estad铆sticos

Si sospecha que tres variables pueden estar relacionadas, puedes controlar una para probar las correlaciones entre las otras dos.

Efectivamente, fija el valor 聽de la variable control para que sea constante y prueba si todav铆a existe una relaci贸n entre las otras dos variables.

Pudieras 聽encontrar que la relaci贸n observada permanece alta (es real) o se reduce considerablemente (probablemente no haya una correlaci贸n verdadera).

Hay un tercer caso: donde no hay relaci贸n hasta que controlas la tercera variable, lo que significa que la variable de control est谩 enmascarando la relaci贸n entre las otras dos.

 

An谩lisis Multivariante


El an谩lisis multivariante incluye muchos m茅todos estad铆sticos que est谩n dise帽ados para permitirte 聽incluir m煤ltiples variables y examinar la contribuci贸n de cada una.

Los factores que incluyas en tu an谩lisis multivariante seguir谩n dependiendo de lo que desees estudiar.

Algunas investigaciones querr谩n ver la contribuci贸n de ciertos factores y otras buscar谩n controlar esos factores para que no contaminen los resultados.

 

Dos tipos de variables

En el an谩lisis multivariado, lo primero que hay que decidir es el papel que jugar谩n las variables.

Hay dos posibilidades:

  • La variable causa un efecto: variable predictora
  • La variable se ve afectada: variable dependiente

Las relaciones entre variables suelen estar representadas por una imagen como la de abajo:

 

Variable dependiente y predictoras
Variable dependiente y predictoras

 

Tambi茅n puedes observar variables directamente o inferirlas a partir de lo que est谩 sucediendo.

Las primeras son las variables observadas

Las segundas se conocen como variables latentes.

 

Variables observadas versus variables latentes

Siempre que est茅s investigando, es probable que haya diferentes tipos de datos involucrados.

Por ejemplo, aqu铆 hay tanto datos objetivos (茅xito acad茅mico, duraci贸n media de una amistad) como datos subjetivos (esfuerzo percibido).

El tipo de datos que elijas tendr谩 un efecto en la calidad de tu investigaci贸n y tambi茅n en las conclusiones que puedas sacar.

Hay m谩s informaci贸n sobre esto en nuestro art铆culo sobre Tipos de Variables

La idea detr谩s del an谩lisis multivariante es que existen correlaciones entre las variables observadas y latentes

Se supone que estas correlaciones son causadas por聽 factores comunes.

Cuanto mayor sea la influencia de los factores comunes (la聽 carga factorial), mayores ser谩n las correlaciones entre las variables observadas聽 y las latentes

Por lo tanto, debes medir estas correlaciones para evaluar la confiabilidad, lo que puedes hacer de varias maneras.

Uno de las m谩s comunes es utilizar el conocido Alfa de Cronbach (que la mayor铆a de los paquetes de software estad铆stico calcular谩n por ti).

sample85
+ M谩s Informaci贸n

REDACTA OBJETIVOS DE INVESTIGACI脫N COMO UN PRO

Vas a poder formularlos con precisi贸n de MIRA L脕SER

47.0023.50

Esto eval煤a si la variable observada mide realmente la variable latente de inter茅s, es decir, si la variable observada es indicador confiable para la variable latente.

El Alfa de Cronbach se utiliza para medir las correlaciones entre variables.

Un valor de 0,70 o m谩s da un buen nivel de fiabilidad al modelo.

 

An谩lisis Multivariante ejemplo


Revisemos el siguiente caso: es dif铆cil medir el 茅xito en la escuela, 聽es una variable latente.

Podr铆as decidir que consiste en el 茅xito acad茅mico, junto con alguna medida de 茅xito social, digamos que el tama帽o del grupo de amigos del estudiante

Estas son tus variables observadas.

El modelo de medici贸n examina la relaci贸n entre esas variables observadas y la variable latente 茅xito acad茅mico

 

An谩lisis Multivariante y el concepto de medida


Existe una variedad de m茅todos de an谩lisis para modelos de medici贸n como este.

Incluyen An谩lisis Factorial Confirmatorio y An谩lisis Factorial Exploratorio, y generalmente se llevan a cabo por computadora.

Los detalles de c贸mo llevar a cabo cada uno los puedes consultar en el siguiente post, An谩lisis Factorial

Pero la idea b谩sica es que miden cu谩nto de la variaci贸n observada en el constructo te贸rico es causada por cada factor.

 

Modelos Causales


Los modelos causales analizan la forma en que las variables se relacionan entre s铆.

Si bien no es posible probar la causalidad m谩s all谩 de toda duda, los modelos causales te permiten decir si la relaci贸n sugerida se ajusta a los datos y qu茅 tan bien.

La fortaleza o debilidad de cualquier modelo causal est谩 en la selecci贸n de las variables.

Si no se toma en cuenta un factor causal importante, las conclusiones ser谩n limitadas o incorrectas.

Por lo tanto, vale la pena tomarse el tiempo para definir el modelo con el mayor cuidado posible.

Hay que encontrar un equilibrio entre la simplicidad y la inclusi贸n de m谩s variables para obtener un mejor ajuste.

Obviamente, no querr谩s perderte una variable causal importante, e incluir m谩s variables siempre dar谩 un mejor ajuste.

Pero debes considerar si la complejidad adicional vale la pena por la ganancia en calidad del modelo.

 

驴C贸mo abordar los modelos causales?

Los m茅todos de an谩lisis adecuados para los modelos causales son los llamados Modelos Lineales Generalizados

Incluyen an谩lisis de regresi贸n log铆stica, an谩lisis de regresi贸n m煤ltiple, an谩lisis multivariado de covarianza (MANCOVA) y an谩lisis multivariado de varianza (MANOVA).

Dale un vistazo a 聽Gu铆a B谩sica para entender el An谩lisis de la Varianza (ANOVA) para un mejor entendimiento de estos conceptos

Todos estos m茅todos te dicen cu谩nta variaci贸n en las variables dependientes es causada por los predictores y, por lo tanto, si tu modelo es bueno.

Nuevamente, existen softwares como SPSS que pueden realizar estos an谩lisis por ti, pero aseg煤rate de comprender lo que hacen y de interpretar los resultados correctamente.

Por otra parte, el Modelado de Ecuaciones Estructurales聽 (SEM) re煤ne modelos de medici贸n y modelos causales.

Es una t茅cnica de modelado por computadora que ajusta una ecuaci贸n estructural a una situaci贸n dada

Esta t茅cnica es complicada, pero en esencia compara posibles modelos e identifica el que mejor se ajusta a los datos.

Aqu铆 tienes una clasificaci贸n de los diferentes tipos de An谩lisis Multivariantes con los que te puedes topar:

 

Tipos de An谩lisis Multivariante
Tipos de An谩lisis Multivariante

 

Para finalizar…


El mundo es un lugar complejo y, a veces, la 煤nica forma de comprender lo que est谩 sucediendo es utilizar t茅cnicas estad铆sticas avanzadas para modelar la realidad

Sin embargo, estas tambi茅n son complejas y no debes embarcarte en ellas sin entender los conceptos b谩sicos.

Si no lo haces, es una buena idea consultar a alguien que s铆 lo haga, generalmente un estad铆stico.

Incluso si has utilizado la t茅cnica antes, sigue siendo una buena idea conseguir que un estad铆stico eche un vistazo a lo que planeas hacer y verifique tus resultados despu茅s en caso de errores evidentes.

Un an谩lisis deficiente afectar谩 una buena investigaci贸n muy r谩pidamente.

Please follow and like us:

2 comentarios

    • Carlos Godoy Rodr铆guez

      Buenas Tardes Eliseo,

      Gracias por darte una vuelta por Tesis de Cero a 100

      Me complace que el art铆culo que publicamos sobre An谩lisis Multivariante te haya sido de utilidad

      Mantente atento a los pr贸ximos post que iremos agregando

      Saludos Cordiales,

      Dr. Carlos Godoy Rodr铆guez, MSc.

Deja un comentario

Tu direcci贸n de correo electr贸nico no ser谩 publicada. Los campos obligatorios est谩n marcados con *

Este sitio web utiliza cookies para que usted tenga la mejor experiencia de usuario. Si contin煤a navegando est谩 dando su consentimiento para la aceptaci贸n de las mencionadas cookies y la aceptaci贸n de nuestra pol铆tica de cookies, pinche el enlace para mayor informaci贸n.plugin cookies

ACEPTAR
Aviso de cookies
Hola! 驴Te gustar铆a completar con 茅xito tu Tesis o Proyecto de Investigaci贸n? Clic Aqu铆Close