Captulo 3 Estadstica Superior

CAPTULO 3: ANLISIS DISCRIMINANTE MLTIPLE

Sin duda la regresin mltiple es la tcnica de dependencia multivariante utilizada ms
extensamente. E l principal factor ha sido su capacidad para predecir u explicar variables
mtricas. El anlisis discriminante mltiple cuenta con amplias aplicaciones en situaciones
donde el primer objetivo es identificar el grupo al cual un objeto pertenece.
El anlisis discriminante es una tcnica estadstica apropiada cuando la variable dependiente
(nominal o no mtrica) es categrica y las variables independientes son mtricas. En muchos
casos la variable dependiente consta de dos grupos o clasificaciones. En otras situaciones, se
incluyen ms de dos casos. El anlisis discriminante tiene la capacidad de tratar tanto dos
grupos como grupos mltiples. Cuando se identifican tres o ms clasificaciones, la tcnica es
conocida como anlisis discriminante mltiple.
Este implica obtener un valor terico, es decir, una combinacin lineal de dos o ms variables
independientes que discrimine mejor entre los grupos definidos a priori. La discriminacin se
lleva a cabo estableciendo las ponderaciones del valor terico para cada variable de tal forma
que maximicen la varianza entre-grupos frente a la varianza intra-grupos.
El anlisis discriminante es la tcnica estadstica apropiada para contrastar la hiptesis de que
las medias de los grupos de un conjunto de variables independientes para dos o ms grupos
son iguales. Para realizar esto, el anlisis discriminante multiplica cada variable independiente
por su correspondiente ponderacin y suma estos productos. El resultado es una nica
puntuacin Z discriminante.
- Promediando las puntuaciones discriminantes para todos los individuos dentro de un
grupo particular, obtenemos la media del grupo. Esta media es conocida como
centroide.
o Los centroides indican la situacin ms comn de cualquier individuo de un
determinado grupo, y una comparacin de los centroides de los grupos
muestra los apartados que se encuentran los grupos a lo largo de la dimensin
que se est contrastando.
El contraste para la significacin estadstica de la funcin discriminante es una medida
generalizada de la distancia entre los centroides de los grupos. Se calcula comparando las
distribuciones de las puntuaciones discriminantes para los grupos.
- Si el solapamiento en la distribucin es pequeo, la funcin discriminante separa bien
los grupos.
- Si el solapamiento es grande, la funcin es un mal discriminador entre los grupos.
Cada funcin discriminante calcular una puntuacin discriminante Z, cada objeto tendr una
puntuacin para las funciones discriminantes una y dos, permitiendo que los objetos pueden
dibujarse en dos dimensiones, donde cada dimensin representa una funcin discriminante.
De esta forma, el anlisis discriminante no est limitado a un solo valor terico, como la
Captulo 3 Estadstica Superior
regresin mltiple, sino que obtiene valores tericos mltiples que representan dimensiones
de discriminacin entre los grupos.
Un determinado problema de anlisis discriminante, se halla una combinacin lineal de las
variables independientes, obtenindose una serie de puntuaciones discriminantes para cada
objeto en cada grupo. Las puntuaciones discriminantes se calculan de acuerdo a la regla
estadstica de maximizar la varianza entre los grupos y minimizar la varianza intra grupos, si la
varianza entre los grupos es grande con relacin a la varianza intra grupos, diremos que la
funcin discriminante separa bien los grupos.
1.- objetivos del anlisis discriminante
a) Determinar si existen diferencias estadsticamente significativas entre los perfiles de
las puntuaciones medias sobre un conjunto de variables de dos o ms grupos definidos
a priori.
b) Determinar cul de las variables independientes cuantifica mejor las diferencias en los
perfiles de las puntuaciones medias de dos o ms grupos.
c) Establecer los procedimientos para clasificar objetos dentro de los grupos, en base a
sus puntaciones sobre un conjunto de variables independientes.
d) Establecer el nmero y la composicin de las dimensiones de la discriminacin entre
los grupos formados a partir del conjunto de variables independientes.
El anlisis discriminante es til cuando el investigador est interesado en comprender las
diferencias de los grupos o en clasificar correctamente objetos en grupos o clases. En cualquier
caso, la tcnica es la ms apropiada cuando existe una nica variable dependiente entre
grupos sobre un conjunto de variables independientes. En este caso, el anlisis discriminante
es bastante similar al anlisis multivariante de la varianza..
El anlisis discriminante tiene en cuenta tanto el papel de las variables independientes como
las combinaciones que se construyen con estas variables que representan dimensiones de
discriminacin entre los grupos, estas dimensiones son los efectos conjuntos de varias
variables que trabajan unidas para diferencias entre grupos. El uso de los mtodos de
estimacin secuencial permite tambin identificar subconjuntos de variables con la mayor
capacidad discriminante. De esta forma, el anlisis discriminante puede utilizarse para
clasificar otras observaciones dentro de los grupos definidos.
2.- diseo de la investigacin mediante anlisis discriminante
Estas cuestiones la seleccin tanto de la variable dependiente como de las independientes, el
tamao muestral necesario para la estimacin de las funciones discriminantes y la divisin de
la muestra con fines de validacin.
a) Seleccin de las variables dependiente e independiente:
a. Variable dependiente: el nmero de grupos de la variable dependiente puede
ser de dos o ms , pero estos grupos deben ser mutuamente excluyentes y
exhaustivos, con esto queremos decir, que cada observacin debe estar
colocada dentro de un grupo solamente.
Captulo 3 Estadstica Superior
Sin embargo hay algunas situaciones donde el anlisis discriminante es
apropiado incluso aunque la variable dependiente no sea una verdadera
variable categrica. Podemos tener una variable dependiente que sea ordinal
o medida a intervalos que queremos utilizar como variable dependiente
categrica. En tales casos, tendremos que crear una variable categrica.

Enfoque de los extremos polares: compara solamente los dos grupos
extremos excluyendo los grupos medios del anlisis discriminante. El enfoque
de los extremos polares con anlisis discriminante puede revelar diferencias
que no resultan claras en un anlisis de regresin de un conjunto completo de
datos.

b. Variable independiente: las variables independiente generalmente se
seleccionan de dos formas:
i. la primera implica identificar las variables tanto en la investigacin
previa como desde el modelo terico que sirve de fundamento a la
pregunta de la investigacin.
ii. La segunda forma es intuitiva.
b) Tamao muestral: el anlisis discriminante es bastante sensible al ratio entre el
tamao muestral y el nmero de variables predictoras. Muchos estudios sugieren un
ratio de 20 observaciones por cada variable predictora. El investigador debe tener en
cuenta que los resultados podran llegar a ser inestables a medida que el tamao
muestral disminuye en relacin con el nmero de variables independientes.
El investigador debe tambin considerar el tamao muestral de cada grupo. Como
mnimo, el tamao del grupo ms pequeo debe ser mayor que el nmero de
variables. Cada grupo debe tener al menos 20 observaciones. Si los grupos varan
ampliamente en tamao, esto puede afectar a la estimacin de la funcin
discriminante y a la clasificacin de las observaciones.
o Si los tamaos de los grupos varan de forma importante, puede que el
investigador quiera muestrear aleatoriamente desde el grupo ms grande, y
con ello reducir su tamao a un nivel comparable con el grupo ms pequeo.
c) Divisin de la muestra: en muchas ocasiones la muestra se divide en dos submuestras,
una, utilizada para la estimacin de la funcin discriminante, y otra con fines de
validacin. Es esencial que cada submuestra tenga un tamao adecuado para apoyar
las conclusiones de los resultados.
a. El procedimiento habitual consiste en dividir aleatoriamente la muestra total
de encuestados en dos grupos:
i. La muestra del anlisis, se usa para construir la funcin discriminante.
ii. La ampliacin de la muestra, se usa para validar la funcin
discriminante.
Cuando se seleccionan los individuos para los grupos de anlisis y validacin,
generalmente se sigue un proceso de muestreo estratificado proporcional. Si los
grupos categricos del anlisis discriminante estn igualmente representados en el
total de la muestra, se selecciona un nmero igual de individuos. Si los grupos
Captulo 3 Estadstica Superior
categricos son desiguales, los tamaos de los grupos seleccionados para la ampliacin
de la muestra deben ser proporcionales a la distribucin total de la muestra.
Si el investigador va a dividir la muestra en los grupos de anlisis y ampliacin, la
muestra debe ser suficientemente grande para realizarlo. Una vez ms el investigador
querra al menos 100 observaciones en el total de la muestra para justificar el dividirla
en dos grupos.
o Si el tamao muestral es demasiado pequeo como para justificar la divisin
en los grupos de anlisis y ampliacin, construya la funcin con la muestra
entera y despus utilice esta funcin para clasificar el mismo grupo que sirvi
para construirla. Este procedimiento sesga al alza la capacidad predictiva de la
funcin, pero es ciertamente mejor que no validar la funcin en absoluto.
3.- Supuestos del anlisis discriminante
Los supuestos clave para obtener la funcin discriminante son el de normalidad multivariante
de las variables independientes y el de estructuras (matrices) de varianza y dispersin
desconocida (pero iguales) para los grupos.
Los datos que no cumplan el supuesto de normalidad multivariante pueden causar problemas
en la estimacin de la funcin discriminante. Por ello, se sugiere que se use la regresin
logstica como una tcnica alternativa, si es posible.
Las matrices de covarianzas distintas pueden afectar desfavorablemente al proceso de
clasificacin. Si los tamaos muestrales son pequeos y las matrices de covarianzas son
distintas, la significacin estadstica del proceso de estimacin se ve afectada
desfavorablemente. El caso ms probable es el de covarianzas distintas entre grupos de
tamao muestral adecuado.
Otra caracterstica es la multicolinealidad entre variables independientes:
- La multicolinealidad consiste en que dos o ms variables independientes estn
altamente correlacionadas, por lo que una variable puede venir muy bien explicada o
predicha por otras variables y, por ello, aadir poca capacidad explicativa al conjunto
completo.
o El investigador, al interpretar la funcin discriminante, debe conocer el nivel
de multicolinealidad y su influencia al determinar qu variables entran en la
solucin por etapas.
Un supuesto implcito es que todas las relaciones son lineales. Los casos atpicos pueden tener
una influencia sustancial en la precisin clasificatoria de cualquier resultado del anlisis
discriminante.




Captulo 3 Estadstica Superior
4.- Estimacin del modelo discriminante y valoracin del ajuste global
- Primero pueden calcularse las puntuaciones discriminantes tambin conocidas como
puntuaciones Z. La comparacin de las medias de los grupos sobre las puntuaciones Z
ofrece una medidas de la discriminacin entre grupos. La capacidad en la prediccin
se valore por el nmero de observaciones clasificadas dentro de los grupos adecuados.
- Finalmente, la validacin por casos puede identificar la precisin en la clasificacin de
cada caso y su influencia relativa sobre la estimacin global del modelo.

a) Mtodo de clculo: se pueden utilizar dos mtodos de clculo parta derivar una
funcin discriminante:
a. Mtodo simultneo (directo): implica el clculo de la funcin discriminante
donde todas la variables independientes son consideradas simultneamente.
Por ello, las funciones discriminantes se calculan basndose en el conjunto
completo de variables independientes, sin considerar la capacidad
discriminante de cada variable independiente. El mtodo simultneo es
apropiado cuando, por razones tericas, el investigador quiere introducir
todas las variables independientes en el anlisis y no est interesado en
observar resultados intermedios basados solamente en las variables que
discriminan mejor.
b. Mtodo por etapas: es una alternativa al enfoque simultneo. Incluye las
variables independientes dentro de la funcin discriminante de una en una,
segn su capacidad discriminatoria.
i. El enfoque por etapas comienza eligiendo la variable que mejor
discrimina. La variable inicial se empareja entonces con cada una de
las variables independientes, y se elige la variable que ms consigue
incrementar la capacidad discriminante de la funcin en combinacin
con la primera variable. La tercera y posteriores variables se
seleccionan de una manera similar.
ii. Mientras se incluyen variables adicionales, algunas variables
seleccionadas previamente pueden ser eliminadas si la informacin
que contienen sobre las diferencias del grupo est contenida en
alguna combinacin de otras variables incluas en posteriores etapas.
iii. Al final, o bien todas las variables habrn sido incluidas en la funcin, o
se habr considerado que las variables excluidas no contribuyen
significativamente a una mejor discriminacin.
El mtodo por etapas es til cuando el investigador quiere considerar un
nmero relativamente grande de variables independientes para incluir en la
funcin. Seleccionando secuencialmente la siguiente variable que mejor
discrimina en cada paso, se eliminan las variables que no son tiles para
discriminar entre los grupos y se identifica un conjunto reducido de variables.

Pero el investigador debera darse cuenta de que la estimacin por etapas
puede llegar a ser menos estable y generalizable en tanto que el ratio del
Captulo 3 Estadstica Superior
tamao muestral respecto a las variables independientes se reduce por debajo
de las 20 observaciones por variable independiente. Es especialmente
importante en estas situaciones validar los resultados de tantas formas como
sea posible.

b) Significacin estadstica: se dispone de varios criterios estadsticos. Las medidas del
Lambda de Wilks, la traza de Hotelling y el Criterio de Pillai evalan la significacin
estadstica de la capacidad discriminatoria de la funcin discriminante.
a. La mayor raz caracterstica de Roy evala solamente la primera funcin
discriminante.
Si se utiliza un mtodo por etapas para estimar la funcin discriminante, son ms
apropiadas las medidas D
2
de Mahalanobis y V de Rao. Ambas son medidas de
distancia generalizada.
o D
2
de Mahalanobis se basa en la distancia eucldea al cuadrado generalizada
que se adeca a varianzas desiguales. La principal ventaja es que se calcula en
el espacio original de las variables predictoras, en lugar de alguna otra versin
obsoleta utilizada en otras medidas. Este llega a ser particularmente crtico a
medida que el nmero de variables predictoras se incrementa dado que no se
da ninguna reduccin en la Dimensionalidad. La prdida de dimensionalidad
causa una prdida de informacin, porque hace disminuir la variabilidad de las
variables independientes. En general este procedimiento es el preferido
cuando se est interesado en aprovechar al mximo la informacin disponible.
Se lleva a cabo un anlisis discriminante por etapas similar al anlisis de
regresin por etapas.
la regla de seleccin en este procedimiento es maximizar la distancia
D
2
de Mahalanobis entre los grupos
c) Valoracin de ajuste global: esta valoracin conlleva 3 etapas:
a. Calcular la puntuacin Z discriminante para cada observacin: esta
puntuacin, una medida mtrica, ofrece unas medias directas para comparar
observaciones para cada funcin. Las observaciones con puntuaciones Z
similares se suponen ms parecidas sobre las variables que constituyen esta
funcin que aquellas con puntuaciones dispares.
Debemos darnos cuenta de que la funcin discriminante difiere de la
funcin de clasificacin, tambin conocida como la funcin
discriminante lineal de Fisher. Las funciones de clasificacin, una para
cada grupo, pueden utilizarse al clasificar observaciones.
La observacin se clasifica entonces en el grupo con la mayor
puntuacin de clasificacin. Utilizamos la funcin discriminante como
el medio de clasificar porque ofrece una representacin resumida y
simple de cada funcin discriminante, simplificando el proceso de
interpretacin y la valoracin de la contribucin de las variables
independientes.


Captulo 3 Estadstica Superior
b. Evaluar diferencias de grupo sobre las puntuaciones Z discriminantes: una
forma de valorar el ajuste global del modelo es determinar la magnitud de las
diferencias entre los miembros de cada grupo en trminos de las puntuaciones
Z discriminantes. Una medida resumen de las diferencias entre grupos es una
comparacin de los centroides del grupo, la puntuacin Z discriminante media
para todos los miembros del grupo.
i. Las diferencias en centroides se miden en trminos de la medida D
2
de
Mahalanobis, para la cual se dispone de contrastes que determina si
las diferencias son significativamente distintas. Los centroides de
grupo entre cada funcin discriminante pueden tambin dibujarse
para mostrar los resultados desde una perspectiva global. Los valores
para cada grupo muestran su posicin en un espacio discriminante
reducido.
c. Valorar la precisin en la prediccin de pertenencia al grupo: cada observacin
debe valorarse como si fuera correctamente clasificada. Al hacer esto, deben
realizarse una serie de consideraciones: la razn de ser prctica y estadstica
para elaborar matrices de clasificacin, la determinacin de la puntuacin de
corte, la construccin de matrices de clasificacin y los estndares para valorar
la exactitud clasificatoria.
i. Por qu se elaboran matrices de clasificacin: el nivel de significacin
de estos estadsticos es una indicacin muy pobre de la capacidad de
la funcin para discriminar entre los dos grupos. Para determinar la
capacidad predictiva de una funcin discriminante, el investigador
debe construir matrices de clasificacin.
ii. En el anlisis discriminante mltiple, el ratio de aciertos, es anlogo al
R
2
de la regresin. El ratio de aciertos revela lo correctamente que la
funcin discriminante clasific los objetos; el R
2
indica cuanta varianza
explic la ecuacin de regresin. El contraste F para la significacin
estadstica del R
2
es, por tanto, anlogo al contraste chi-cuadrado de
significacin en el anlisis discriminante.
d. Determinacin de la puntuacin de corte: si los contrastes estadsticos indican
que la funcin discrimina significativamente, es usual elaborar matrices de
clasificacin para proporcionar una valoracin ms precisa de la capacidad
discriminatoria de la funcin.
i. la puntuacin de corte es el criterio frente al cual cada puntuacin
discriminante individual es comparada para determinar dentro de qu
grupo debe ser clasificado cada objeto.
Al construir las matrices de clasificacin, el investigador querr determinar la
puntuacin de corte ptima (valor Z crtico). La puntuacin de corte ptima
diferir dependiendo de si los tamaos de los grupos son iguales o distintos. Si
los grupos son de igual tamao, la puntuacin de corte ptima estar a mitad
de camino entre los centroides de los dos grupos. El punto de corte para dos
grupos se define por tanto como:
Captulo 3 Estadstica Superior

o Especificacin de las posibilidades de clasificacin para tamaos de grupos
distintos:
Para calcular correctamente la puntuacin de corte cuando los tamaos de
grupo son distintos, el investigador debe tambin determinar si los tamaos
de los grupos observados reflejan las proporciones poblacionales reales o si los
tamaos de los grupos poblacionales se deben considerar iguales.
El supuesto por defecto es que las probabilidades sean iguales, es
decir, se supone que cada grupo tiene una misma probabilidad de
ocurrir incluso aunque los tamaos de los grupos en la muestra sean
distintos. Si el investigador no est seguro de si las proporciones
observadas de la muestra son representativas de las proporciones
poblacionales en cada grupo, entonces la mejor estimacin de las
probabilidades anteriores no es la de igualdad, sino la de las
proporciones.
La influencia de especificar las anteriores probabilidades como iguales a
las proporciones muestrales va segn la diferencia que exista entre las
proporciones muestrales y las proporciones poblacionales. Pero el
investigador debera determinar las probabilidades en todos los anlisis
para asegurar que los supuestos adecuados estn presentes en los
procesos de clasificacin.
o Determinacin de la puntuacin de corte para grupos de tamao desigual:
Si los grupos no son de igual tamao y se supone que son representativos de
las proporciones de la poblacin, una media ponderada de los centroides de
los grupos proporcionar una puntuacin de corte ptima para una funcin
discriminante
Costes de la clasificacin errnea:
La puntuacin de corte ptima tambin debe tener en cuenta el coste de clasificar de forma
incorrecta in objeto dentro de un grupo errneo. Si los costes de clasificacin errnea son
distintos, la puntuacin de corte ptima ser aquella que minimice dichos costes.
Construccin de las matrices de clasificacin: la muestra debe dividirse aleatoriamente en dos
grupos:
a) Uno de los grupos se utiliza para calcular la funcin discriminante
b) El otro grupo se usa para la elaboracin de la matriz de clasificacin.
El proceso consiste en multiplicar las ponderaciones generadas por la muestra de anlisis por
las medidas de la variable primaria de la ampliacin de la muestra. Despus, las puntuaciones
discriminantes individuales para la ampliacin de la muestra se comparan con el valor de la
puntuacin de corte crtica
Captulo 3 Estadstica Superior

- GRUPO A: Z
n
<Z
ct

- GRUPO B: Z
n
>Z
ct

Los resultados del proceso de clasificacin se presentan de forma matricial. Los elementos de
la diagonal de la matriz representan el nmero de individuos correctamente clasificados. Los
nmeros fuera de la diagonal representan las clasificaciones incorrectas
- Los nmeros de la columna denominada tamao del grupo real representan el
nmero de individuos que realmente hay uno de los dos grupos. Los nmeros que
estn al final de las columnas representan el nmero de individuos asignados a los
grupos por la funcin discriminante.

Medicin de la capacidad predictiva mediante la aleatoriedad: la capacidad predictiva de la
funcin discriminante se mide con el ratio de aciertos, el cual se obtiene de la matriz de
clasificacin.
- Determinacin del criterio basado en la aleatoriedad: cuando los tamaos muestrales
son iguales, la determinacin de la clasificacin aleatoria es bastante simple; se
obtiene dividiendo 1 por el nmero de grupos. El establecimiento de la clasificacin
aleatoria en situaciones donde los tamaos de los grupos son distintos es algo ms
complicado.
o Determinar la clasificacin aleatoria basndose en el tamao muestral del
grupo ms grande se conoce como criterio de mxima aleatoriedad. Se
determina calculando el porcentaje de la muestra completa representado por
el ms grande de los grupos..
Si el ratio de aciertos para la funcin discriminante no excedi el 65%,
entonces no nos ayudara a predecir basarnos en este criterio
El criterio de mxima aleatoriedad debera utilizarse cuando el nico
objetivo del anlisis discriminante es maximizar el porcentaje
clasificado correctamente.
En casos donde los tamaos muestrales son distintos y el investigador
quiere clasificar a los miembros de los grupos, la funcin discriminante
desafa lo extrao clasificando a un sujeto en un grupo ms pequeo.
Pero el criterio de aleatoriedad no tiene este hecho en cuenta. Por lo
que otro criterio de aleatoriedad (criterio de aleatoriedad
proporcional) debe emplearse en tales situaciones.
Estos criterios de aleatoriedad son tiles slo cuando se calculan con ampliacin de la
muestra. Si los individuos utilizados para calcular la funcin discriminante son los que
estn siendo clasificados, el resultado estar sesgado al alza en su capacidad
predictiva. En tales casos, estos dos criterios tendran que ser ajustados a su vez al
alza para tener en cuenta el sesgo.

Captulo 3 Estadstica Superior
- Comparacin del ratio de aciertos con el criterio de aleatoriedad: si el porcentaje de
clasificaciones correctas es significativamente ms grande que el que cabra esperar de
forma aleatoria, se puede llevar a cabo un ejercicio de interpretacin de las funciones
discriminantes con la finalidad de elaborar perfiles de grupo. Sin embargo, si la
precisin clasificatoria no es ms grande que lo que se podra esperar aleatoriamente,
las diferencias en los perfiles de las puntuaciones no proporcionan una informacin
significativa para identificar la pertenencia a un grupo.
Un contraste estadstico para contrastar la capacidad discriminatoria de la matriz de
clasificacin cuando se compara con un modelo de aleatoriedad es el estadstico Q de Press.
Esta medida sencilla compara el nmero de clasificaciones correctas con el tamao muestral
total y el nmero de grupos. Se compara el valor hallado con un valor crtico. Si ste excede el
valor crtico, la matriz de clasificacin puede considerarse estadsticamente mejor que la
aleatoriedad.
Diagnosis mediante casos: se trata de entender qu observaciones han sido mal clasificadas, y
no son representativas del resto de los miembros del grupo
- Clasificacin errnea de casos individuales: la finalidad de identificar y analizar las
observaciones mal clasificadas es identificar cualesquiera caractersticas de estas
observaciones que podran incorporarse en el anlisis discriminante para mejorar su
capacidad predictiva.

5.- Interpretacin de los resultados:
Dentro de este proceso se examinan las funciones discriminantes para determinar la
importancia relativa de cada variable independiente en la discriminacin de los grupos. Se han
propuestos 3 mtodos para determinar la importancia relativa:
- Las ponderaciones discriminantes estandarizadas.
- Las cargas discriminantes (correlaciones de estructura)
- Los valores parciales de la F

a) Ponderaciones discriminantes: el enfoque tradicional para interpretar las funciones
discriminantes estudia el signo y la magnitud de la ponderacin discriminante
estandarizada (denominado coeficiente discriminante) asignada a cada variable para
calcular las funciones discriminantes. Cuando se ignora el signo, cada ponderacin
representa la contribucin relativa de su variable asociada a esa funcin.
a. las variables independientes con ponderaciones relativamente grandes
contribuyen ms a la capacidad discriminante de la funcin que las variables
con ponderaciones ms pequeas
b. el signo solamente denota que la variable ofrece una contribucin positiva o
negativa.
Captulo 3 Estadstica Superior
La interpretacin de las ponderaciones discriminantes es anloga a la interpretacin
de las ponderaciones beta en el anlisis de regresin y por ello est sujeta a las
mismas crticas.
Otro problema en la utilizacin de las ponderaciones discriminantes es que estn
sujetas a una considerable inestabilidad. Estos problemas implican que se tenga
precaucin en el uso de las ponderaciones para interpretar los resultados del anlisis
discriminante.

b) Cargas discriminantes: denominadas tambin correlaciones de estructura, miden la
correlacin lineal simple entre cada variable independiente y la funcin discriminante.
Las cargas discriminantes reflejan la varianza que las variables independientes
comparten con la funcin discriminante, y pueden ser interpretadas como cargas de
los factores para valorar la contribucin relativa de cada variable independiente a la
funcin discriminante.
Las cargas discriminantes pueden estar sujetas a inestabilidad. Se considera que las
cargas son relativamente ms vlidas que las ponderaciones como medio de
interpretacin de la capacidad discriminante de las variables independientes debido a
su naturaleza de correlacin.

c) Valores parciales de la F: cuando se selecciona el mtodo por etapas, se cuenta con un
nmero adicional de interpretar la capacidad discriminatoria de las variables
independientes por medio del uso de los valores parciales de la F.
a. Este se realiza examinando los tamaos absolutos de los valores significativos
de la F y clasificndolos. Valores de la F grandes indican una capacidad
discriminante mayor.
b. Las clasificaciones que emplean el enfoque de los valores de la F son las
mismas que la clasificacin derivada al utilizar las ponderaciones, pero los
valores F indican adems los niveles de significacin asociado a cada variable.
d) Rotacin de las funciones discriminantes: despus de haber construido funciones
discriminantes, stas pueden ser rotadas para redistribuir la varianza. La rotacin
mantiene la estructura original y la fiabilidad de la solucin discriminante mientras que
al mismo tiempo hace que las funciones sean ms fciles de interpretar de forma
sustancial. En la mayora de los casos, se hace uso de la rotacin VARIMAX como
fundamento de la rotacin.
e) ndice de potencia: es una medida relativa entre todas las variables que seala la
capacidad discriminante de cada variable. Incluye tanto la contribucin de la variable a
la funcin discriminante como la contribucin relativa de la funcin de solucin global.
La composicin es simplemente la suma de los ndices de potencia individuales entre
todas las funciones discriminantes significativas. Sin embargo, la interpretacin de la
medida compuesta esta limitada por el hecho de que es til solamente para describir
la posicin relativa de cada variable, y el valor absoluto no tiene un verdadero
significado. Etapas:
a. Etapa 1: calcular un valor de potencia para cada funcin significativa.
b. Etapa 2: calcular el ndice de potencia compuesto entre todas las funciones
significativas.