Introducción al Análisis Multivariante con SPSS y AMOS

En esta lección se aborda el concepto de análisis multivariante, términos asociados y los principales métodos que lo componen.

En esta lección se abordan los conceptos teóricos asociados con el análisis de regresión lineal múltiple. Asimismo, se mencionan los requisitos y supuestos que deben cumplirse para su correcta aplicación.

En esta segunda parte, se explica la interpretación de los coeficientes, evaluación del modelo y cómo predecir los valores de la variable dependiente mediante el uso de la ecuación de la recta de regresión.

En esta lección se abordan los elementos teóricos del análisis de regresión logística binaria, incluyendo los supuestos y requisitos que esta técnica requiere para su correcta aplicación.

En esta segunda parte se pone en práctica el análisis de regresión logística binaria. Se evaluará el modelo y se ilustrará el procedimiento para predecir la probabilidad de pertenencia de los casos a un grupo específico mediante el uso de la función logística.

En esta lección se abordan los aspectos teóricos asociados con el análisis de correlación canónica lineal, concretamente para cuantificar la relación entre dos conjuntos de variables simultáneamente. Adicionalmente, se presentan y explican los supuestos y requisitos para la correcta aplicación de esta técnica.

En esta segunda parte se pone en práctica la técnica análisis de correlación canónica lineal. Se calcularán e interpretarán las cargas y pesos canónicos para entender la estructura de las correlaciones entre dos conjuntos de variables.

En esta lección se abordan los elementos teóricos asociados con el análisis de la varianza multivariado, así como los supuestos y requerimientos para su correcta aplicación a los datos.

En esta segunda parte se pone en práctica el MANOVA, donde se comparan vectores de medias de múltiples grupos con respecto a dos o más variables dependientes continuas de manera conjunta.

En esta lección se abordan los elementos teóricos asociados con el análisis de la covarianza multivariado, y los supuestos y requisitos para su correcta aplicación a los datos.

En esta segunda parte se pone en práctica el análisis de covarianza multivariado a un conjunto de datos. Acá se contrastarán vectores de medias de múltiples grupos en más de una variable dependiente, pero controlando el efecto de una tercera variable (covariable).

En esta lección se aborda teóricamente la técnica análisis discriminante. Asimismo, se detallan los supuestos y requisitos para su correcta aplicación a los datos.

En esta segunda parte se pone en práctica el análisis discriminante. Acá se explica cómo identificar las variables que mejor discriminan entre dos grupos y cómo construir las funciones discriminantes para clasificar nuevos casos.

En esta lección se abordan los elementos teóricos de los Modelos de Ecuaciones Estructurales (SEM), que combina análisis factorial y regresión para probar modelos causales complejos con variables latentes y variables observadas. Asimismo, se explican los supuestos y requerimientos para la correcta aplicación de esta técnica a los datos.

En esta segunda parte se pone en práctica el SEM. Acá se enseña, mediante el uso de AMOS, cómo construir el diagrama de trayectorias para relacionar variables latentes.

En esta tercera parte se evalúa el modelo de medida propuesto mediante el examen de las medidas de la calidad del ajuste, tales como: medidas absolutas del ajuste, medidas del ajuste incremental y medidas del ajuste de la parsimonia.

En esta cuarta parte se enseña cómo modificar un modelo cuando este no se ajusta a los datos. Posteriormente, se muestra cómo se compara un modelo modificado (a partir del examen de los índices de modificación) con el modelo original a partir de las medidas de la calidad del ajuste. Asimismo, se examina el modelo estructural a partir de los coeficientes de regresión obtenidos.

En esta quinta parte se construye un modelo sin definir las variables latentes, por lo que se usará un path analysis para evaluar las relaciones entre variables observadas.

En esta lección se abordan los elementos teóricos para reducir la dimensionalidad de un conjunto de datos transformando las variables originales en un conjunto más pequeño de componentes no correlacionados que capturen la mayor parte de la varianza.

En esta segunda parte se pone en práctica el ACP. Acá se enseñará cómo determinar el número óptimo de componentes (regla de Kaiser, criterio de contraste de caída), interpretar las cargas factoriales de las variables en cada componente extraído y el análisis del posicionamiento de los casos en dichos componentes.

En esta tercera parte se enseña cómo calcular las contribuciones absolutas y contribuciones relativas (calidad de representación de las variables). Las primeras informan el grado de contribución de una variable a la definición de un componente y las segundas indican qué tan bien está representada la variable en el plano factorial.

En esta lección se aborda teóricamente el Análisis Factorial Exploratorio como técnica para descubrir estructuras latentes y los supuestos para su correcta aplicación a los datos.

En esta segunda parte se pone en práctica el Análisis Factorial Exploratorio. Acá se evaluará la pertinencia de esta técnica mediante la prueba de esfericidad de Bartlett y el coeficiente KMO. Adicionalmente, se seleccionarán los factores mediante la regla de Kaiser y se interpretará la matriz de factores rotados.

En esta lección se abordan los aspectos teóricos detrás del Análisis Factorial Confirmatorio, sus supuestos y requisitos para su correcta aplicación a los datos. Esta técnica es muy útil para la evaluación de la validez de constructo de las medidas de instrumentos psicométricos.

En esta segunda parte se enseña cómo construir el diagrama de trayectorias, el cual refleja únicamente la relación entre variables observadas y variables latentes (modelo de medida).

En esta tercera parte se aborda la evaluación del modelo factorial propuesto, específicamente su validez. Dicha evaluación se realiza mediante el examen de las medidas de la calidad del ajuste, tales como: las medidas absolutas del ajuste, las medidas del ajuste incremental y las medidas del ajuste de la parsimonia.

En esta cuarta parte se enseña cómo modificar un modelo factorial que no se ajusta de manera satisfactoria a los datos. Esta modificación se efectuará a partir del examen de los índices de modificación.

En esta lección se abordan los elementos teóricos del Análisis de Correspondencias Binarias, su definición y requerimientos para su correcta aplicación.

En esta segunda parte se enseña cómo analizar asociaciones entre categorías de dos variables cualitativas a través de mapas perceptuales con el apoyo del Análisis de Correspondencias Binarias.

En esta lección se abordan los elementos teóricos para extender el análisis de correspondencias al estudio de las asociaciones entre más de dos variables categóricas simultáneamente, y cómo sus categorías se relacionan entre sí.

En esta segunda parte se pone en práctica el Análisis de Correspondencias Múltiples a un conjunto de datos. Acá se analizará la asociación entre las categorías de más de dos variables cualitativas a través de mapas perceptuales.

En esta lección se abordan los aspectos teóricos detrás del Escalamiento Multidimensional y los requerimientos para su correcta aplicación a los datos.

En esta segunda parte se pone en práctica el Escalamiento Multidimensional. Acá se representarán estímulos u objetos en un espacio de dimensiones reducidas a partir de sus semejanzas.

En esta lección se abordan los elementos teóricos de la técnica de agrupamiento no jerárquico K-Means, cuyo objetivo es particionar las observaciones en un número K de clústeres, minimizando la varianza dentro de cada grupo. Asimismo, se revisan los requisitos para su correcta aplicación a los datos.

En esta segunda parte se pone en práctica el análisis de clúster K-Means. Acá se emplea dicha técnica para segmentar un conjunto de datos, determinar el número K óptimo de clústeres y caracterizar a fondo los perfiles de los grupos resultantes a partir de sus centroides.

En esta lección se abordan los aspectos teóricos detrás del análisis de clúster jerárquico. Asimismo, se revisan los diferentes métodos de agrupación, tales como: aglomerativo y divisivo. También, se exponen los requisitos para la correcta aplicación de esta técnica de agrupación.

En esta segunda parte se pone en práctica el análisis de clúster jerárquico. Acá se expone el procedimiento para interpretar las diferentes salidas que se obtienen de su aplicación en SPSS, haciendo énfasis en el dendrograma, el cual permitirá seleccionar el número óptimo de clústers o grupos, finalizando con la caracterización de estos grupos.