Professional Documents
Culture Documents
UNIVERSIDAD DE JAÉN
M
MAAT
A TE
T ER
E RIIIA
R AL
A L IIX
L X ““E
EXXP
X PL
P LIIIC
L CA
C AC
A CIIIÓ
C ÓN
Ó NM
N MU
UL
U LT
L TIIIV
T VA
V AR
A RIIIA
R AD
A DA
D AC
A CO
C ON
ONNR
REEEG
GR
G RE
R ES
E SIIIÓ
S ÓN
Ó N”
N ”
Índice
1
©Manuel Miguel Ramos Álvarez
Curso de Análisis de investigaciones con programas Informáticos IX-2
MCR
¾ Supuesto M2
SC gl (ν ) MC Fk η2 p Fk = ≡ Analizar Æ Regresión Æ lineal Æ
Reducc . Fuente MCε
Err. AMP RPE / gl Dependiente: ExCard;
Regres.
(1 − RPE ) / gl Independientes: Cigarrillos;
Err. o
Error EstadísticosÆ Estimaciones Æ
Residual
AMP Continuar Æ Aceptar
Total SCR StatisticsÆ Multiple Regression
Error *p≤α η2 = ÆVariables: Dependent: ExCard;
COM SCE (COM )
Independent: Cigarrillos Æ OKÆ
AceptarÆPestaña Advanced Æ
SummaryÆ ANOVA Æ Pestaña
Residuals
2
©Manuel Miguel Ramos Álvarez
Curso de Análisis de investigaciones con programas Informáticos IX-3
• Informa del influjo de una variable relevante sobre el predictor objetivo de manera
selectiva, asociación o interrelación entre los predictores en el modelo
general. r( X 1− X 1')•Y .
• Cuánto se incrementa la correlación múltiple al añadir una variable predictora en la
ecuación de regresión, o, de otra manera, la correlación semiparcial de esa variable
añadida con el criterio, parcializando el influjo sobre dicha variable objetivo de los
otros predictores que ya estaban incluidos en el modelo.
Fk =
MCR
≡ ¾ Supuesto M2.1
Reducc Fuente SC gl (ν ) MC Fk η2 p MCε
Analizar Æ Regresión lineal Æ
Err.SAT RPE / gl
Dependiente: Ex.Card;
Regres (1 − RPE ) / gl
X1 Independientes: Hostilidad,
Reducc … Estres; EstadísticosÆ
Err. Xp SCR Estimaciones Æ Continuar Æ
AMP1 Err. ó Residual η2 = Aceptar
SCE (COM ) StatisticsÆ Multiple Regression
Error Total
*p≤α ÆVariables: Dependent: ExCard;
SAT
Independent: Hostilidad, Estres
SCR1
Error η12 = Æ OKÆ AceptarÆPestaña
COM SCE (COM 1) Advanced Æ SummaryÆ
ANOVA Æ Pestaña Residuals
Conceptos destacados:
• Redundancia. La correlación Rp2 es la medida RPE obtenida cuando se emplea a todos
los predictores p-1 restantes en la predicción del predictor focal p, a modo de asociación
entre predictores.
3
©Manuel Miguel Ramos Álvarez
Curso de Análisis de investigaciones con programas Informáticos IX-4
4
©Manuel Miguel Ramos Álvarez
Curso de Análisis de investigaciones con programas Informáticos IX-5
Problemas
• Si los predictores son redundantes (recordar los conceptos asociados como tolerancia o
tasa de Inflación), entonces el algoritmo implementado por algunos programas
especializados no lleva a modelos realmente óptimos.
• Además, la interpretación del modelo resultante puede ser difícil. Siempre es preferible
realizar un análisis guiado por hipótesis de investigación que doten de sentido a los
resultados del análisis estadístico. Los criterios estadísticos pueden promover que
diferencias mínimas entre variables pueden llevar a excluir a unas a favor de otras.
¾ F-entrar < F-salir, para que la variable que acaba de entrar no sea inmediatamente
eliminada de la ecuación.
o Para introducir muchas variables en la ecuación: incrementar la probabilidad (i.e.
0.10 mejor que 0.05).
o Para ser exigente con las variables que queden en la ecuación: probabilidades de
salida bajas (i.e. 0.05 en lugar de 0.10).
¾ Comparación métodos:
o Simultáneo. para realizar predicciones/ comprobar correlaciones.
o Por etapas. Si el objetivo es la construcción de un modelo de regresión, tanto
más interesante cuanto mayor número de variables y si no tenemos modelos
teóricos que guíen el análisis.
o Secuencial. Si hemos medido variables independientes por razones teóricas, que
no está orientado a la construcción de modelos, sino a su contraste.
¾ Si la investigación incluye muchos predictores estará claramente enfocada desde el
punto de vista correlacional/covariacional y será preferible realizar los análisis dentro de
la perspectiva especializada de “análisis causal”, en la que se corrige el problema de
“colinealidad”.
¾ Recordar la posibilidad de incluir la interacción en el modelo o bien Modelos Polinómicos
para Relaciones curvilíneas.
5
©Manuel Miguel Ramos Álvarez
Curso de Análisis de investigaciones con programas Informáticos IX-6
Para ajustar modelos de regresión lineal pero entre dos conjuntos de variables más que
entre variables aisladamente.
Usualmente servirá para predecir un conjunto a partir del otro aunque en origen los dos
conjuntos de variables tienen el mismo estatus. Cuando se hayan medido a varios
sujetos dos conjuntos de variables (métricas todas ellas) diferentes, e interese
determinar si los conjuntos correlacionan.
6
©Manuel Miguel Ramos Álvarez
Curso de Análisis de investigaciones con programas Informáticos IX-7
Aunque las correlaciones canónicas constituyen el cálculo más destacado, hay otras
estimaciones de interés.
⎣ ⎝ 2 ⎠⎦
“a” y “b” son el número de variables en los conjuntos X e Y
N es el número total de sujetos.
B) Los pesos para combinar linealmente las variables de cada conjunto nos informarán de la
importancia relativa de cada una. Para ello tendremos que operar en los dos sistemas
siguientes:
(R
−1
YY
−1
RYX R XX )
R XY − ρ 2 I b = 0 ; para los pesos del conjunto Y
(R
−1
XX
−1
R XY RYY )
RYX − ρ 2 I a = 0 ; para los pesos del conjunto X
Mejor las cargas canónicas (correlación entre cada variable y sus variados) para muestras
pequeñas.
C) La Varianza de las variables observadas en cada conjunto por cada variado canónico.
cLi2
b a
cRi2
pY = ∑ y pX = ∑ ; donde “c” son las cargas canónicas
i =1 b i =1 a
Es decir la suma de las redundancias del conjunto Y. Y cada redundancia se obtiene con el
producto de la varianza por la raíz asociada al variado.
7
©Manuel Miguel Ramos Álvarez
Curso de Análisis de investigaciones con programas Informáticos IX-8
Para detalles ver el capítulo 6 (Apdo.4) del manual de Catena, Ramos y Trujillo (2003).
8
©Manuel Miguel Ramos Álvarez
Curso de Análisis de investigaciones con programas Informáticos IX-9
2) Diseño de investigación
Nº Criterios
Reducir
Multicolinealidad
Modelos muy
1 >1 creando Variados
complejos
5) Interpretación resultados
Volver Principio