Dr.

Kenneth Fonseca

Anlisis Multivariados: en un sentido amplio, se refiere a todos los mtodos estadsticos que analizan simultneamente medidas mltiples de cada individuo u objeto sometido a investigacin. Cualquier anlisis simultaneo de ms de dos variables puede ser considerado aproximadamente como un anlisis multivariados. (Hair, Anderson, Tatham y Black: 1999)

Normalidad: El supuesto fundamental del anlisis

mutlivariantes es la normalidad de los datos, en referencia al perfil de la distribucin de los datos para una nica variable mtrica y su correspondencia con una distribucin normal, punto de referencia de los mtodos estadsticos.
Test estadstico de normalidad:
1. 2. 3. 4. 5.

Mediana-media-moda. Curtosis. Simetra. Kolmogorov-Smirnov Shapiro-Wilk

Y: Media Mediana Moda Desv. St. Asimetra Curtosis : 19.64 : 20 : 20 : 3.4 : -.106 : 0.03 G=0

KolmogorovSmirnov(a) Estad stico gl Sig. Y .087 102 .054

Shapiro-Wilk Estad stico gl Sig. .979 102 .107

Rechazar Ho (normalidad) si Sig < 0.05 G< 0 G>0

Homogeneidad: es un supuesto primordial a las relaciones de dependencia entre variables. Se refiere al supuesto de que las variables dependientes exhiban iguales niveles de varianza a lo largo del rango del predictor de la variable. Es deseable porque la varianza de la variable dependiente que se est explicando en la relacin de dependencia debera concentrarse slo en un limitado rango de los valores independientes.

Test estadstico de homogeneidad 1. Prueba de levene.

Prueba de homogeneidad de varianzas Y

Estadstico de Levene .526

gl1
2

gl2
99

Sig.
.593

Ho: hay homogeneidad Rechazar Ho si sig<0.05 Acepta Ho si Sig>0.05

Correlacin: se refiere al grado de parecido o variacin conjunta existente entre dos o ms variables. Pearson: rho (intervalo y razn) Spearman: rho (valores -1 y 1, ordinales, no normales) Z Correlacin parcial:
X Y

Ho: = r = 0 (no existe relacin de las variables en cuestin) Hi = r 0 (si existe relacin entre las variables)

Hi= con mayor X1 se logra mayor Y

Regla de decisin : el valor de r pearson para una prueba unilateral con 100 grados de libertad y un nivel de significancia es de 0.01 es de 0.230.

Y Y Correlacin de Pearson Sig. (unilateral) N x1 Correlacin de Pearson Sig. (unilateral) N

x1

.560(**)
.000

102 .560(**) .000 102

102 1

102

Variables de control X3

Correlacin Significacin (unilateral) gl

Y 1.000 . 0 .232 .010 99

X1 .232 .010 99 1.000 . 0

X1

Correlacin Significacin (unilateral) gl

Anlisis factorial: es una aproximacin estadstica que puede usarse para analizar interrelaciones entre un gran nmero de variables y explicar estas variables en trminos de sus dimensiones subyacentes comunes (factores). (Anlisis factorial exploratorio y Confirmatorio)

Medida de adecuacin muestral de Kaiser-Meyer-Olkin. Prueba de esfericidad de Bartlett Chi-cuadrado aproximado gl Sig.

.738

MKO < 0.6 (NO)

181.078 45 .000 Sig > 0.05 (NO)

Autovalores iniciales % Compo % de la acumula nente Total varianza do 1 3.032 30.324 30.324 2 1.366 13.658 43.982 3 1.064 10.637 54.618 4 .939 9.391 64.010 5 .903 9.028 73.037 6 .754 7.537 80.574 7 .543 5.432 86.007 8 .497 4.973 90.979 9 .478 4.783 95.763 10 .424 4.237 100.000

Sumas de las saturaciones al cuadrado de la extraccin % % de la acumula Total varianza do 3.032 30.324 30.324 1.366 13.658 43.982 1.064 10.637 54.618

Suma de las saturaciones al cuadrado de la rotacin % % de la acumula Total varianza do 1.931 19.309 19.309 1.827 18.275 37.584 1.703 17.034 54.618

Rabelo, Ros y Graca (2004) 46%

Componente items 1 2 3 1 .653 .043 .193 2 .403 .263 -.001 3 -.114 .785 .067 4 .468 .579 .110 5 .102 .568 .393 6 .595 .406 -.105 7 .780 -.172 .100 8 .345 .506 .327 9 .135 .135 .812 10 .016 .121 .842

Valor> 0.6

Anlisis de varianza factorial: sirve para evaluar el efecto individual y conjunto de dos o ms factores (variables independientes categricas) sobre una variable dependiente cuantitativa.

Ho = w1 no poseen diferencias en su nivel de Y Ho= 1=2=3 Hi=12 3 Nivel de significancia de 0.01 Se rechaza la Ho si F es mayor a 4.89
Suma de cuadrados Inter-grupos Intra-grupos Total 216.059 1013.235 1229.294

gl
2 99 101

Media cuadrtica 108.029 10.235

F
10.555

Sig.
.000

Regresin mltiple: es el mtodo de anlisis apropiado cuando el problema de investigacin incluye una nica variable mtrica dependiente que se supone est relacionada con una o ms variables mtricas independientes. Es til siempre que el investigador est interesado en predecir la cantidad o la magnitud de la variable dependiente. Y= b0 + b1x1+b2x2 bnxn

Resum en del m odelo y estimaciones de los parmetros Variable dependiente: Y Ecuacin R cuadrado Lineal .538 Logartmica .535 Inversa .525 Cuadrtico .538 Cbico .538 Compuesto .539 Potencia .547 S .546 Crecimiento .539 Exponencial .539 Logstica .539 Resumen del modelo F gl1 gl2 116.232 1 100 115.072 1 100 110.369 1 100 57.544 2 99 57.544 2 99 117.097 1 100 120.740 1 100 120.472 1 100 117.097 1 100 117.097 1 100 117.097 1 100 Sig. .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 Estimaciones de los parmetros Constante b1 b2 b3 1.571 .529 -40.816 17.175 35.753 -538.237 .738 .580 -.001 .738 .580 -.001 .000 7.327 1.029 .731 .930 3.842 -29.420 1.992 .028 7.327 .028 .136 .972

La variable independiente esX3.

LINEAL: LOGARTMICA: INVERSO: CUADRTICO: CBICO: POTENCIA: COMPUESTO: S: LOGSTICA: CRECIMIENTO: EXPONENCIAL:

Y : B0 + B1X Y : B0 + B1 ln(X) Y: B0 + B1(1/X) Y: B0 + B1X+ B2X2 Y: B0 + B1X + B2X2+ B3X3 Y: BO+ (XB1) Y: BO+ (B1X) Y: e B0 + B1(1/X) Y: 1/(1/c + B0 B1X Y: e B0 + B1X Y: BO e B1X

Modelo 1

R .767(a)

R cuadrado .588

R cuadrado Error tp. de corregida la estimacin .575 2.27463

DurbinWatson 1.912

AUTO-CORRELACIN: REGLA : No Autocorrelacin. Si d> du Tambin se puede indicar que no existe auto-correlacin o que los residuos son completamente independiente si el DW Oscila entre 1.5 y 2.5

Determinar qu R no es igual a cero F 4.04

Modelo 1

Suma de cuadrado s Regresi n Residual Total 722.247 507.047

gl 3 98

Media cuadrtic a 240.749 5.174

F 46.531

Sig. .000(a)

1229.294

101

a Coeficientes

Modelo 1

(Constante) X1 X3 X2

Coeficientes no estandarizados B Error tp. -1.575 1.880 .197 .094 .367 .066 .237 .097

Coeficientes estandarizad os Beta .171 .508 .202

t -.838 2.104 5.524 2.445

Sig. .404 .038 .000 .016

Estadsticos de colinealidad Tolerancia FIV .641 .497 .614 1.560 2.012 1.628

a. Variable dependiente: Y

Ho: coeficiente de regresin = o poblacin Rechazar si sig< 0.05

a Diagnsticos de colinealidad

Modelo 1

Dimensin 1 2 3 4

Autovalor 3.968 .016 .009 .007

Proporciones de la varianza Indice de condicin (Constante) X1 X3 1.000 .00 .00 .00 15.706 .21 .77 .00 20.476 .75 .12 .23 24.556 .03 .11 .77

X2 .00 .07 .25 .68

a. Variable dependiente: Y
ndice de condicin no debe superar el valor 15, ndices mayores a 15 indican un posible problema, ndices mayores que 30 delatan un Serio problema de colinealidad

La regresin por mnimos cuadrados en dos fases utiliza variables instrumentales que no estn
correlacionadas con los trminos de error para calcular los valores estimados de los predictores problemticos (en la primera fase) y despus utiliza dichos valores calculados para estimar un modelo de regresin lineal para la variable dependiente (la segunda fase). Dado que los valores calculados se basan en variables que no estn correlacionadas con los errores, los resultados del modelo en dos fases son ptimos.
X1 Y

X2

La investigacin no experimental puede aproximarse a la experimental partiendo de modelos causales en los que se introduzcan las variables necesarias para refutar aquellas relaciones entre variables no derivadas de la teora. (Martin y Pea) A.F.C es un procedimiento de anlisis encuadrado en los modelos de ecuaciones estructurales (SEM).

El ndice de ajuste por excelencia en los modelos AFC es X2 . Niveles de significacin de X2 : el valor p (x2) debera ser superior a 0.05

RMSEA : inferior a 0.8 (preferiblemente, inferior a 0.06); el modelo debera rechazarse si RMSEA> 0.10
SRMR : inferior a .08, mejor mientras ms prximo a 0.00 CFI y NNFI : debera ser superior a 0.95; mejor cuanto ms prximo a 1.00