TEMA I CONTEXTUALIZACIÓN Y REVISIÓN GENERAL DE TEMA LAS 1 TÉCNICAS MULTIVARIANTES

Transcripción

1 TEMA I CONTEXTUALIZACIÓN Y REVISIÓN GENERAL DE TEMA LAS 1 TÉCNICAS MULTIVARIANTES

2 Guión 1. Introducción 2. El método científico Definición y características Tres supuestos o principios Marco conceptual para la investigación empírica 3. Importancia de lo Multivariante/ble 4. Modelos Qué es un Modelo Modelos Teóricos Modelos Estadísticos Modelo Lineal 5. Etapas de una investigación 6. ANÁLISIS MULTIVARIANTE: Definición y Clasificación Qué es Razones de la expansión Clasificación 7. Algunos ejemplos de Técnicas Multivariantes Análisis Multivariantes 2

3 LECTURA OBLIGATORIA del Tema 1 Algunas cuestiones previas. (2008). Estadística Práctica para la Investigación en Ciencias de la Salud. Coruña: Netbiblo. Páginas Introducción al Análisis Multivariante. (2008). Estadística Práctica para la Investigación en Ciencias de la Salud. Coruña: Netbiblo. Páginas (cine) Lectura recomendable: Ato, M., López, J. y Benavente, A. (2013). Un sistema de clasificación de los diseños de investigación en psicología. Anales de Psicología, vol. 29, nº3, Análisis Multivariante 3

4 1. INTRODUCCIÓN El psicólogo es un CIENTÍFICO SOCIAL, por lo que debe desligarse de lo meramente especulativo La labor del científico social no es fácil!! Debe transformar las especulaciones, cábalas e hipótesis en verdades, eso sí, en verdades probables.. (uso de la estadística) Para ello hay que proveerse de un MÉTODO. Es el procedimiento de adquisición e incorporación de conocimientos lo que define el territorio científico y lo distingue del no-científico (No es el qué, sino el cómo lo hace) Análisis Multivariante 4

5 2. EL MÉTODO CIENTÍFICO 2.1. Definición y Características Método Científico es el procedimiento mediante el cual podemos alcanzar un conocimiento riguroso y objetivo de la realidad (conjunto de reglas para investigar) DOS CARACTERÍSTICAS Carácter empírico: tiene como primer y último referente la experiencia, la observación y el control Carácter replicable: todos los pasos seguidos hasta llegar a él son susceptibles de ser repetidos de forma idéntica Análisis Multivariante 5

6 EL MÉTODO CIENTÍFICO 2.2. TRES SUPUESTO o PRINCIPIOS La naturaleza es comprensible. Se estructura u organiza siguiendo algún tipo de leyes. Es posible detectar ciertas regularidades La naturaleza es universal/uniforme. La existencia de las regularidades encontradas (y sus explicaciones) tienen carácter universal y uniforme. Sin embargo, este principio no resulta del todo asumible para las ciencias sociales ya que existe una variabilidad intrínseca al comportamiento humano que hace necesario el uso de la estadística para elaborar modelos del comportamiento (variables aleatorias vs. deterministas) La naturaleza tiene una causalidad finita. Los agentes que pueden estar originando un determinado fenómeno no sólo son conocibles, sino que además son limitados, finitos. El Principio de Parsimonia nos lleva a elegir siempre la explicación más simple para dar cuenta del problema 6

7 2.3. Marco conceptual para la investigación empírica en Psicología Tres pilares metodológicos sustentan el Procesos General de una Investigación, íntimamente relacionados con 4 formas de validez de la investigación (Shadis, Cook y Campbell, 2002) El Diseño: Validez Interna y Externa La Medida: Validez de Constructo El Análisis: Validez de Conclusión Estadística Validez Interna Validez Externa DISEÑO MEDIDA ANÁLISIS Validez Constructo Validez conclusión Estadística 7

8 LOS 3 PILARES DEL PROCESO DE El primer pilar es el DISEÑO INVESTIGACIÓN Un plan que proporciona una estructura para integrar todos los elementos de un estudio empírico y que todos los elementos sean CREÍBLES, LIBRES DE SESGO Y GENERALIZABLES (Danels, 2010) Partiendo de un problema, el DISEÑO se encarga de: Selección y asignación de los participantes Control de las variables extrañas potenciales Dos tipos de Validez determinan la calidad de un DISEÑO: Validez Interna: capacidad de controlar el efecto de terceras variables que pueden ser causas alternativas a la causa investigada Validez Externa: capacidad de generalizar los resultados a otros participantes, a otros contextos y a otros momentos temporales El equilibrio óptimo entre ambas es uno de los objetivos más deseables de un buen diseño de investigación Los estudios manipulativos o experimentales priman la interna Los descriptivos o correlacionales priman la externa 8

9 LOS 3 PILARES DEL PROCESO DE El segundo pilar es la MEDIDA INVESTIGACIÓN Consiste en la identificación, definición y medición de las variables observables y no observables Medición: es la generación de valores numéricos o datos que son la entrada de los procedimientos del Análisis Estadístico (Martínez Arias, 1995) Los datos deben de poseer un alto grado de Fiabilidad (que el error aleatorio se haya minimizado) La validez relacionada con la medida es la Validez de Constructo o la capacidad de definir y operativizar apropiadamente el constructo (variables) de la investigación Análisis Multivariante 9

10 LOS 3 PILARES DEL PROCESO DE El tercer pilar es el ANÁLISIS INVESTIGACIÓN Consiste en la estimación de parámetros y prueba de hipótesis acerca del objetivo de investigación con los procedimientos estadísticos más apropiados Actualmente se demanda mayor énfasis en la exactitud de la estimación de parámetros que en la prueba de hipótesis (Maxwell, Kelley y Raush, 2008) Valorando aspectos como el tamaño del efecto y la significación práctica y clínica de los resultados (Thompson, 2002) El tipo de validez relacionada con el análisis es la Validez de la Conclusión Estadística (si el valor de las estimaciones se aproxima al de la población) 10

11 Aunque una investigación sea perfecta en su concepción sustantiva, ésta puede ser inadecuada si no se utilizan adecuadamente los pilares de la investigación (Diseño, Medida y Análisis) Validez Interna Validez Externa DISEÑO MEDIDA ANÁLISIS Validez Constructo Validez conclusión Estadística El empleo de técnicas estadísticas sofisticadas no mejoran los resultados; si el diseño es incorrecto o no se utilizaron medidas apropiadas 11

12 3. Importancia de lo MULTIVARIANTE Nadie duda de que el comportamiento humano es algo complejo en el que confluyen multitud de factores Los investigadores del Comportamiento deben dotarse de herramientas estadísticas para poder comprobar cómo distintas variables se combinan para explicar dicho comportamiento: Análisis Multivariante La mejor forma de representar el conocimiento que poseemos de la realidad es la ELABORACIÓN de MODELOS Su relativa uniformidad hace que dichos modelos, cuando se trata de explicar el comportamiento humano, tengan que ser Modelos Estadísticos Además, dado el carácter finito de la causalidad, el científico debe esforzarse siempre en el desarrollo de modelos lo más parsimoniosos posible Análisis Multivariante 12

13 4. MODELOS 4.1. Qué es un MODELO? Una representación formal, estructurada, concisa y clara de la realidad, que permite conocer sus propiedades y las leyes que la rigen, posibilitando la realización de predicciones. TIPOS: Modelos icónicos. Son imágenes físicas, normalmente tridimensionales, de algún objeto material (Ej: las maquetas) Modelos analógicos. Procesos pictóricos destinados a reproducir en otro medio la estructura del objeto o situación original (Ej. gráficas de los polímetros, del sueño ) Modelos teoréticos. Una organización de ideas o estructura conceptual que ayuda a explicar el comportamiento o los fenómenos investigados. Están basados en lenguajes especializados, como el lenguaje matemático o la lógica de programación Análisis Multivariante 13

14 4.2. MODELOS TEORÉTICOS, 2 tipos: 1. Modelos Matemáticos. Son formulaciones matemáticas de una situación, que permiten hacer predicciones en torno a la distribución de los acontecimientos Los MODELOS ESTADÍSTICOS son un tipo concreto de Modelos Matemáticos 2. Modelos Informáticos. Son modelos expresados en un lenguaje de programación Análisis Multivariante 14

15 4.3. MODELOS ESTADÍSTICOS Los MODELOS ESTADÍSTICOS contienen una parte sistemática (S) y una parte aleatoria (A) La combinación de ambos componentes debe ser capaz de reproducir el objeto de interés científico (Y) Y S A Aunque existen multitud de formas de vincular los dos elementos de un Modelo Estadístico, la primera tentativa y la más recurrida por su simplicidad, es la FORMA LINEAL, sumando ambos componentes Análisis Multivariante 15

16 4.4. MODELO LINEAL Y S A La parte aleatoria (A) se suele denominar término de error y acostumbra a representarse por la letra E La parte sistemática (S) suele incluir más de un elemento y, por ello, es frecuente que se desglose en varios componentes sistemáticos f(xi), que representen el efecto simultáneo de diversas variables Y f ( X ) E i Análisis Multivariante 16

17 MODELO LINEAL GENERAL Y f ( X ) E f(xi) representa una combinación lineal de las variables explicativas donde f(xi) = 1 X X 2 + i X i, siendo 1, 2 y i coeficientes que representan el peso, efecto o importancia relativa de cada variable explicativa de Y Y 0 1 X1 2X 2 E i Análisis Multivariante 17

18 En definitiva... El investigador debe optar siempre por el modelo más simple y parsimonioso de los plausibles. Es el mayor reto en el desarrollo de una INVESTIGACIÓN (con cuántas Xi nos quedamos?) V.D V.I.s Y X X E Análisis Multivariante 18

19 5. Etapas de una INVESTIGACIÓN 1. Planteamiento del Problema 2. Formulación de Objetivos y/o Hipótesis 3. Diseño de investigación 4. Elaboración de Cuestionario y procedimiento de administración 5. Diseño de la Muestra 6. Selección de los Entrevistadores 7. Trabajo de Campo y Supervisión 8. Codificación de preguntas y depuración de la información 9. Análisis de los Datos (Análisis Multivariante) 10. Redacción del Informe de Resultados Análisis Multivariante 19

20 Etapa 1: Planteamiento del Problema "Problema" es una pregunta para la cual no tenemos respuesta, el punto de partida de toda investigación científica Dejar de tratar problemas es dejar de investigar (Bunge, 1989). Requisitos: Resoluble Contrastable empíricamente Formulable operativamente Expresar una relación entre variables Claro, sin ambigüedades El problema condiciona los métodos concretos y las técnicas particulares a emplear para llegar a una respuesta válida Ejemplo: Conocer la variabilidad de las Ventas de refrescos en el canal HORECA 20..

21 Etapa 2: Formulación de Objetivos y Planteamiento de Hipótesis Proponer una posible explicación del problema. Es el primer intento para comprenderlo y solucionarlo Requisitos: Establecer una relación entre dos o más variables: Ejemplo: Ventas HORECA- oferta + activación merchandising + + equipamiento frío Contrastable empíricamente mediante la estadística: Hipótesis nula e Hipótesis alternativa 21

22 Ejemplo Posible INVESTIGACIÓN: Me gustaría conocer si los ingresos familiares (Y) en España se explican en función del número de miembros en el hogar (X1) y según el tamaño del municipio (X2) Y 0 1 X1 2X 2 E Hipótesis: El nivel de ingresos de la unidad familiar apenas presenta diferencia con el número de miembros del hogar y el tamaño del municipio de residencia a. Formulación de Objetivos b. Planteamiento de Hipótesis Análisis Multivariante 22

23 Ej.: Delimitar los objetivos nos ayuda a identificar las variables relevantes para el problema Problema. Estudiar las Actitudes, Creencia y hábitos de uso de los jóvenes gallegos hacia internet Objetivos Nivel de conocimiento fuentes de información Actitudes y hábitos de uso de internet Brecha digital en el territorio gallego y posibles barreras o frenos Uso de diferentes herramientas en internet Uso y conocimiento de redes sociales y motivaciones Uso peligroso internet: webs apuestas, juegos Papel de los padres en relación a internet Propuesta de Cuestionario (ver documento adjunto en moodle) RESULTADOS E INFORME

24 Trabajo voluntario de curso sobre Objetivos y Variables Seleccionar un artículo o publicación de cualquier especialidad describir el problema teórico que pretende resolver Identificar el objetivo u objetivos de investigación identificar las variables que utiliza para dar respuesta al problema Identificar qué técnica/s estadísticas utiliza Incluir la cita según APA del artículo trabajado ENTREGARLO EN UN PLAZO MÁXIMO DE 15 DÍAS A PARTIR DE HOY

25 Fases o etapas de una INVESTIGACIÓN 1. Planteamiento del Problema 2. Formulación de Objetivos y/o Hipótesis 3. Diseño de investigación 4. Elaboración de Cuestionario y procedimiento de administración 5. Diseño de la Muestra 6. Selección de los Entrevistadores 7. Trabajo de Campo y Supervisión 8. Codificación de preguntas y depuración de la información 9. Análisis de Datos 10. Redacción del Informe de Resultados Análisis Multivariante 25

26 Etapa 3: Diseño de la Investigación El Diseño es un plan estructurado de acción. El plan a seguir por el investigador para abordar los objetivos planteados Diferentes sistemas de clasificación (Montero y León, 2007). Optaremos por la reciente de M. Ato, López y Benavente (2013): a) Investigación teórica: no requieren emplear datos empíricos originales y proceden de estudios primarios (incluye el meta-análisis o revisión) b) Investigación instrumental: analizan las propiedades psicométricas de instrumentos de medida psicológicos. Validación de test. (Guía de validación de test en Anales de Psicología) c) Investigación metodológica: trabajos con nuevas metodologías en el diseño, medida y análisis, así como los estudios de simulación d) Investigación empírica: para dar respuesta a problemas que se plantean en Psicología pueden utilizarse diferentes estrategias de investigación: manipulativa (experimental), asociativa y descriptiva (no-experimental) 26

27 Investigación Empírica a) ESTRATEGIA MANIPULATIVA: analizar la relación causal (hipótesis causales) entre dos o más variables. Tres tipos: i. Experimental: Al menos una variables debe ser manipulada y los participantes se asignan al azar a los tratamientos ii. Cuasiexperimental: Una variable debe ser manipulada pero no se exige asignación al azar a los grupos iii. Caso único, en contextos aplicados b) ESTRATEGIA ASOCIATIVA: explorar la relación funcional existente entre variables (hipótesis de covariación). Tres tipos: i. Comparación de grupos ii. Predicción de comportamiento iii. Clasificación de grupos o probar modelos teóricos c) ESTRATEGIA DESCRIPTIVA: describir cosas tal y como ocurren, sin manipulación de variables, ni comparación de grupos, ni predicción de comportamientos, ni prueba de modelos. Dos tipos: Observacional y Selectivo o Encuesta 27

28 Clasificación de los distintos tipos de investigación en Psicología (Ato et al, 2013) Experimental Estrategia Manipulativa Cuasiexperimental Objetivos de Investigación Estrategia Asociativa Caso único Comparativo Predictivo Explicativo Estrategia Descriptiva Observacional Selectivo 28

29 Otra clasificación más clásica El Diseño es un plan estructurado de acción. El plan a seguir por el investigador para abordar los objetivos planteados y someter a contraste las hipótesis Aspectos que intervienen: objetivos, naturaleza del problema y de las hipótesis, variables, unidades de muestreo, etc. Debe especificar la estrategia científica de partida: Experimental Cuasiexperimental Selectivo o de Encuesta Observacional De MAYOR a MENOR CONTROL Modelos Multivariantes 29

30 Etapa 4: Elaboración de cuestionario y procedimiento de administración Las variables de la etapa anterior deben permitirnos responder, como mínimo, a tres objetivos: Estimar magnitudes Describir a la población Verificar las hipótesis planteadas Formas de Administración: personal, telefónico, postal Utilizar diferentes tipos de preguntas (abiertas, cerradas, múltiples, etc.) que permitan diferentes tipos de análisis de datos Modelos Multivariantes 30

31 Etapa 5: Diseño de la Muestra Identificación de la población o universo (target) Selección de informantes (muestra representativa) mediante procedimientos de la teoría muestral La elaboración previa del cuestionario que responda a los objetivos de la investigación, es clave para determinar la necesaria representación de diferentes submuestras o segmentos, y no tener que recurrir, posteriormente, a la ponderación del fichero de datos

32 Etapa 6: Selección de los Entrevistadores y Pilotaje del Cuestionario Evitamos sesgos en la administración del cuestionario si los entrevistadores trabajan de acuerdo con un protocolo que garantice la máxima homogeneidad interentrevistadores. La importancia de un buen briefing o instrucciones PRE-TEST DEL CUESTIONARIO o prueba piloto para conocer su adecuación a los objetivos de la investigación Si el orden es lógico, el lenguaje apropiado al target Probar con diferentes versiones de cuestionarios Comprobar la idoneidad de la selección muestral Estimar el porcentaje de no-respuesta Duración, etc.

33 Etapa 7: Trabajo de campo y supervisión 3 tareas clave: 1. Incidencias en la recogida de los datos: hablar con los jefes de zona y equipo para posibles incidencias 2. Comprobación de las rutas aleatorias: comprobación de las unidades últimas del muestreo (completarlo adecuadamente) 3. Revisión de los cuestionarios: datos de identificación, % respuestas, codificación preguntas, omisión preguntas, calidad respuestas, seguimiento preguntas filtro, amabilidad de la entrevista, etc.

34 Etapa 8: Codificación de preguntas y depuración de la información En el centro de la investigación: categorización y codificación de preguntas abiertas y considerar posibles re-clasificaciones (ej. preguntas métricas en no métricas) Creación fichero de datos y grabación: buscar inconsistencias, valores fuera de rango, respuestas de las preguntas filtro, transformación de variables, cuantificar la no-respuesta, etc análisis preliminar de los datos

35 Etapa 9: Análisis de Datos o uso de la Estadística El análisis de los datos. a) Conocer detalladamente cada una de las variables utilizadas en la investigación: distribuciones de frecuencias, estadísticos univariantes y representaciones gráficas b) El análisis de las relaciones bivariantes o relaciones entre variables. Existen diferentes técnicas en función de la escala en la que se ha medido cada variable (nominal, ordinal, intervalo, razón): diferencias de porcentajes, diferencia de medias, relación significativa entre variables,.) c) El Análisis Multivariante. Analizar conjuntamente más de 2 variables

36 En otras palabras La ESTADÍSTICA como un cuadro de herramientas o 3 niveles de análisis: Nivel 1: DESCRIPTIVO-UNIVARIADO. Resumir e ilustrar la información contenida en una matriz de datos Nivel 2:INFERENCIAL-BIVARIADO. Estimar parámetros, contrastar hipótesis, comparar el comportamiento de dos o más grupos o analizar la relación entre pares de variables Nivel 3: MODELIZACIÓN-MULTIVARIANTE. Elaborar modelos, ecuaciones o funciones que permitan explicar unas variables a partir de otras o identificar variables latentes para resumir la información Modelos Multivariantes 36

37 Etapa 10: Redacción del Informe Presentación de los hallazgos de la investigación: Título, Resumen, Antecedentes y Objetivos, Metodología y Procedimiento (el proceso de la investigación, métodos y técnicas utilizadas ) así como la Discusión o Conclusiones. Sin olvidarse de las referencias bibliográficas (oportunidad de replicación) Los resultados deben integrarse en un marco teórico, al tiempo que resaltar posibles lagunas y nuevos interrogantes. Existe una tendencia a comunicar sólo los resultados que confirman la hipótesis Código deontológico ESOMAR:. Antecedentes, Muestra (descripción universo, tamaño muestral, sustitución y distribución geográfica proyectada y conseguida, método de ponderación, tasas de respuesta y posibles sesgos de la no respuesta, etc.), Recogida de los Datos (procedimiento del campo, personal, instrucciones, control de calidad, reclutamiento e incentivos, fecha, etc.) y Presentación de los Resultados (bases de porcentajes, margen error estadístico, medias significación de las diferencias, etc.)

38 Resumen etapas de una investigación mediante encuesta

39 VARIABLES Toda característica o dimensión de un sujeto (u objeto) susceptible de adoptar distintos valores o nombres. Por ello podemos hablar de medida en Psicología Tipos de variables...teniendo en cuenta: Su nivel de medida (Stevens, 1951): Nominales Ordinales Intervalo Razón Su papel en la investigación Independientes (predictores) Dependientes (criterio) Modelos Multivariantes 39

40 VARIABLE NOMINAL Los números no implican cantidad, sino cualidad, categorías, función identificadora (sexo, estado civil, etc.) Ejemplo: Cuál es su estado civil? * Soltero (1) * Casado (2) * Separado (3) * Divorciado (4) * Viudo (5) Modelos Multivariantes 40

41 VARIABLE ORDINAL Los números reflejan cantidad Pueden establecerse relaciones de orden (mayor o menor) No existe una unidad de medida Ejemplo: En conjunto diría usted que se siente actualmente: * Nada feliz (1) * Poco feliz (2) * Bastante feliz (3) * Muy feliz (4) * Totalmente feliz (5) Modelos Multivariantes 41

42 VARIABLE de INTERVALO Unidad de medida pero no cero absoluto o ausencia de... Ejemplos: el C.I., temperatura VARIABLE de RAZÓN Existencia de un cero absoluto Ejemplo: INGRESOS ECONÓMICOS Niveles de medida débiles y fuertes ( ESCALA ) Modelos Multivariantes 42

43 Otras clasificaciones de Variables Variables Cualitativas (nominales): Dicotómicas y politómicas (Sexo, raza, tipo de consumidor, etc.) Variables Cuantitativas (intervalo y razón): Peso, número de hermanos, ingresos, etc.). Discretas y continuas. Variables Cuasi-cuantitativas (ordinales): Clasificación en una oposición, Ordenamiento por preferencias, Práctica de deportes, etc. Modelos Multivariantes 43

44 Sujetos m MATRICES Variables n x 11 x m1 (xij) x 1n x nm Conjunto de números reales ordenados en filas y columnas. El lugar donde se recoge la información de una investigación Modelos Multivariantes 44

45 ANÁLISIS MULTIVARIANTE: DEFINICIÓN Y CLASIFICACIÓN

46 LECTURA OBLIGATORIA del Tema 1 Algunas cuestiones previas. (2008). Estadística Práctica para la Investigación en Ciencias de la Salud. Coruña: Netbiblo. Páginas Introducción al Análisis Multivariante. (2008). Estadística Práctica para la Investigación en Ciencias de la Salud. Coruña: Netbiblo. Páginas (cine) Lectura recomendable: Ato, M., López, J. y Benavente, A. (2013). Un sistema de clasificación de los diseños de investigación en psicología. Anales de Psicología, vol. 29, nº3, Análisis Multivariante 46

47 6. ANÁLISIS MULTIVARIANTE La Complejidad de los fenómenos sociales obliga a recoger gran cantidad de medidas. Se necesita una visión conjunta e integrada de la realidad: Análisis Multivariante Por lo tanto, surge como una forma de hacer comprensible una gran cantidad de datos o MATRIZ que represente la realidad Útil porque permite descubrir estructuras, establecer relaciones entre variables o contrastar hipótesis, reflejando los mecanismos que actúan para determinar la conducta humana, ya que ésta está multideterminada. KENDALL en 1975 lo define como una extensión del análisis univariable y bivariable al análisis simultáneo de más de dos variables en un muestreo de observaciones Análisis Multivariante 47

48 6.1. DEFINICIÓN Sheth, Métodos estadísticos que se preocupan por el análisis de las múltiples medidas que se han hecho sobre un cierto número de objetos Cuadras, Una rama de la estadística que estudia, interpreta y elabora el material estadístico sobre la base de un conjunto de n>1 variables, que pueden ser de tipo cuantitativo, cualitativo o una mezcla de ambos Hair, Todos los métodos estadísticos que analizan simultáneamente medidas múltiples de cada individuo u objeto sometido a investigación 48 Análisis Multivariante

49 Definición Técnicas estadísticas que nos permiten analizar un conjunto de variables, así como poner a prueba distintos modelos para explicar las relaciones entre ellas Multivariate Analysis Análisis multivariable: psicología, sociología y economía Análisis multivariante: bioestadística, biología Análisis multivariado: educación 49

50 6.2. Razones de la expansión 1.Necesidades de investigación. La complejidad de los fenómenos sociales requiere un tratamiento de datos multidimensional 2.El desarrollo de la informática y los ordenadores. Posibilidad de realizar cálculos complejos en pocos segundos 3.Utilidad en numerosos campos: Marketing, Comportamiento, Economía, Meteorología, Biología, etc. 4.Proliferación de la investigación de mercados y los estudios de opinión (ver 5.Abundante bibliografía aplicada (artículos, manuales y series monográficas) Análisis Multivariante 50

51 6.3. CLASIFICACIÓN Los primeros desarrollos surgen en el ámbito de la Psicología con Spearman sobre el Análisis Factorial, aunque, posteriormente, fue en el Marketing donde más se utilizaron La primera clasificación surge en el Vol. 35 del Journal of Marketing (Kinnear y Taylor, 1971; Sheth, 1971) Dos criterios para clasificar las técnicas multivariantes: a) En función de los objetivos de la investigación: Descriptivos y Explicativos b) En función de la relación entre las variables: Dependencia e Independencia 51 Análisis Multivariante

52 a) En función de los OBJETIVOS de la investigación 1. DESCRIPTIVAS. Las que tratan de DESCRIBIR y/o EXPLORAR la realidad: Acercamiento a la realidad sin hipótesis previas. Analizar la interdependencia entre todas las variables con el fin de reducir el número y así describir la realidad observada (principio de parsimonia) Ejemplos: Análisis factorial exploratorio, Análisis de Correspondencias, Escalamiento Multidimensional y el Análisis de Conglomerados 2. EXPLICATIVAS o Predictivas. Tienen como fin EXPLICAR la realidad Parten de hipótesis extraídas de un marco teórico y, mediante investigación se intentan validarlas empíricamente Son PREDICTIVAS porque ayudan a comprender y explicar un fenómeno. Se parte de una situación a predecir (VD) y de un grupo de variables intervinientes o criterio (VI) cuya influencia se desea mantener bajo control y observar su efecto Ejemplos: Análisis de la varianza y covarianza, regresión múltiple, regresión logística, análisis discriminante, modelos log-lineales,

53 b) En función de la RELACIÓN y NATURALEZA entre las variables SHETH, 1971, Se hace dos preguntas referidas a la relación entre las variables: Existencia o ausencia de variables dependientes e independientes: Unas variables dependen de otras? Acerca de la escala de medida de cada variable. Variables cuantitativas (métricas) y cualitativos (no-métricas). Cuáles son las propiedades de los datos? Análisis Multivariante 53

54 Todas las técnicas Multivariantes según Sheth, 1971 NO Algunas de las variables son dependientes de otras? SÍ Reciben el nombre de Técnicas de Interdependencia Se acercan a la realidad sin hipótesis específicas y tratan de describir la realidad sintetizando la información relevante: Técnicas Descriptivas o Reductivas Reciben el nombre de Técnicas de Dependencia Detectan las relaciones de dependencia entre una (o varias) V.D y una (o varias) V.I. elaborando una hipótesis que se intenta validar empíricamente: Técnicas Explicativas o Predictivas Análisis de Regresión, Medición Conjunta, Análisis Factorial, Análisis de Conglomerados, Análisis Discriminante, Análisis de Varianza Escalamiento Multidimensional Anñalisis Multivariante 54

55 4. Análisis Conjunto Modelos Multivariantes 55

56 Hay que ser capaz de reproducirlo sin mirar!!! Modelos Multivariantes 56

57 Modelos Multivariantes 57

58 7. Algunos ejemplos de Técnicas Multivariantes.

59 REGRESIÓN LINEAL OBJETIVO: Explicar o predecir una Variable Criterio a partir de una o varias variables predictoras. Caso simple o múltiple Y = a + b1x1 + b2x2 + + bnxn (métrica) (..métricas.) EJEMPLO: Predecir la cuota de mercado (o audiencia) en función de las preferencias de los consumidores y la inversión en publicidad, minutos de emisión deportiva, minutos de informativos, etc. CONDICIÓN: Predictores y Criterio cuantitativos Simple o Múltiple Caso especial: predictores categóricos (Regresión con variables ficticias: DUMMY) Análisis Multivariante 59

60 REGRESIÓN (LINEAL) MÚLTIPLE EN EL TEMA 3 estudiaremos Analiza la naturaleza de las relaciones entre un conjunto de variables con el objeto de hacer predicciones Tratando de conocer el influyo que una serie de V.Is. ejercen sobre V.D. Requerimientos: Que la V.D. sea métrica y las V.Is. Métricas (excepcionalmente categóricas) Busca predecir los cambios en la V.D. cuantitativa en función de los cambios en varias V.I. cuantitativas Esta relación no implica que una sea causa de otras. Los coeficientes calculados sólo aportan información sobre el grado en que varias variables están asociadas, y no es posible extraer de ellos leyes de causalidad Análisis Multivariante 60

61 ANÁLISIS DISCRIMINANTE OBJETIVO: Identificar funciones capaces de separar dos o más grupos de individuos según sus puntuaciones en una serie de variables, con el fin de localizar las variables que contribuyen en mayor grado a discriminar a los sujetos de los diferentes grupos establecidos a priori en la V.D. Técnica de clasificación. Y = X1 + X2 + X Xn (no métrica) categórica ( métricas ) cuantitativa Obtener una función discriminante del tipo: Z jk = a + W 1 X 1 + W 2 X W j X k EJEMPLO: Predecir el voto a partir de los ingresos económicos, la edad Análisis Multivariante 61

62 ANÁLISIS DISCRIMINANTE la V.D. es cualitativa o categórica Su fin es localizar funciones capaces de separar dos o más grupos de individuos a partir de sus respuestas en una serie de variables. con el fin de localizar las variables que más contribuyen a discriminar a los sujetos en los diferentes grupos establecidos por la variable dependiente Clasificar si un niño puede desarrollar un cuadro depresivo o no En qué se diferencian los consumidores que respondieron a una campaña de MKT de aquellos que no lo han hecho Estimar si un nuevo producto tendrá éxito en el mercado 62 considerando la inversión en publicidad, precio,.

63 REGRESIÓN LOGÍSTICA OBJETIVO: Pronosticar o explicar la pertenencia de los sujetos a un grupo de la VD no métrica, a partir de sus puntuaciones en una serie de variables predictoras o VI (métricas o no métricas). Estimar la probabilidad de que se de un evento. EJEMPLO: Predecir si un alumno va a aprobar o no en función de las horas de estudio, frecuencia de asistencia a clase, estatus socioeconómico Y = (no-métrica) X1 + X2 + X Xn ( métricas o no-métricas ) CONDICIÓN: VD categórica y VI métricas-no métricas Permite trabajar con predictores cualitativos y/o categóricos Análisis Multivariante 63

64 REGRESIÓN LOGÍSTICA Caso particular de la Regresión Múltiple en el que la V.D. es cualitativa, y las V.I. pueden ser cuantitativas o cualitativas Ventaja de esta técnica: tiene pocas restricciones sobre la distribución de las V.I., estando más libre de supuestos restrictivos que la regresión múltiple y el análisis discriminante El principal objetivo es la predicción pero ahora la V.D. es cualitativa Es útil cuando queremos saber si ciertas características socioeconómicas (estado civil, ingresos, nivel de estudios, etc.) influyen en que un individuo compre un determinado coche, conocer las características demográficas de los clientes habituales y de los clientes ocasionales, etc. Análisis Multivariante 64

65 ANÁLISIS CONJUNTO OBJETIVO: Entender cómo conforman los individuos sus preferencias hacia los objetos o estímulos, estimando la importancia relativa que le conceden a cada uno de los atributos o características de éste CONDICIÓN: VI categórica (atributos) y VD ordinal Muy utilizado en Marketing (diseño de nuevos productos, test de envases, elasticidad del precio, Identificación del producto ideal, segmentación de mercados, simulaciones, etc.) Basado en los Modelos Descomposicionales Compensatorios EJEMPLO: Explicar las preferencias de las amas de casa hacia las diferentes opciones de LECHE envasada (envase, marca, tapón, precio, procedencia.) Análisis Multivariante 65

66 ANÁLISIS CONJUNTO (AC) EJEMPLO: Desarrollo de un nuevo modelo de automóvil. Dudamos entre tres niveles de potencia (60cv, 100cv, 125cv) (3niveles) Una carrocería de tres o cinco puertas (2niveles) Instalación de una serie de extras en el modelo más bajo de gama.. (2) Tipo de motor (eléctrico, híbrido) (2) Tres precios distintos (3) TAREA EXPERIMENTAL: Se solicita la opinión de un grupo de consumidores que deberán de valorar 72 productos resultantes de la combinación de sus características objeto de análisis (3x2x2x2x3) La tarea es complicada y no llega a ser realista; por eso el A.C. realiza una selección de todas las combinaciones posibles, mostrando al consumidor tan sólo algunas de éstas RESULTADOS: El investigador es capaz de valorar la importancia de todos los atributos y los niveles de cada uno, mientras los consumidores valoran únicamente los perfiles de unos pocos productos Análisis Multivariante 66

67 Y CÓMO SE HACE? El principio básico consiste en descomponer PREFERENCIAS manifestadas por los productos en UTILIDADES O IMPORTANCIAS por atributo (y nivel) desarrollando los siguientes pasos: 1) Identificación y Selección de los atributos relevantes para esa categoría de producto o servicio. Focus group o experiencia del equipo. Ej. Al desarrollar una botella de agua podemos definir el formato y color del envase, el tapón, el precio, la marca, 2) Definición de niveles u opciones para cada atributo. Para el atributo tapón podemos pensar en rosca, click,. 3) Selección de la combinación de atributos a ser evaluada con el fin de determinar cuál de todas es la preferida (ideal) para los consumidores Modelos Multivariantes 67

68 y cómo se hace? 4) Recolección de datos La recogida de datos o la evaluación de los estímulos se puede realizar de diferentes maneras: a) alternativas de a pares, pidiendo que elija entre dos productos b) ordenando los productos en un ranking, pidiendo que los clasifique por orden de preferencia c) Valorando los productos en una escala de 0 a 10 5) Selección del método para calcular los valores de utilidad * Elegir un método para cuantificar los valores de utilidad percibida de cada combinación de atributos * También es conveniente integrar los valores de utilidad con un análisis costo-beneficio porque muchas veces la opción más valorada no es la más rentable Modelos Multivariantes 68

69 ANÁLISIS DE SUPERVIVENCIA OBJETIVO: Predecir o modelizar el tiempo que transcurre hasta que ocurre un evento, el RIESGO de EJEMPLO: Conocer la probabilidad de supervivencia de un grupo de pacientes de una determinada patología en función del tratamiento recibido, edad, etc. CONDICIÓN (3 variables diferentes): DE RESPUESTA: Tiempo de registro o seguimiento (cuantitativa) DE CENSURA: Si ha ocurrido o no el evento (dicotómica) EXPLICATIVAS: cuantitativa o cualitativa (Edad, Tratamiento, ) Análisis Multivariante 69

70 ANÁLISIS DE VARIANZA OBJETIVO: Determinar e qué medida una VD está influenciada por una o varias VI. Comprobar si existe un efecto significativo de un Tratamiento EJEMPLO: Comprobar si existe un efecto significativo del consumo de alcohol sobre el rendimiento atencional CONDICIÓN: VI categórica (factores) y VD cuantitativa Ideal para experimentos Una o varias VÍAS (VI): ONEWAY ó ANOVA (Diseños factoriales) MANOVA (Análisis Multivariante de la Varianza: varias VD)..Hasta aquí, fueron técnicas de Dependencia. ahora serán de Interdependencia Análisis Multivariante 70

71 ANÁLISIS FACTORIAL OBJETIVO: Reducción de datos (variables métricas). A partir de la relación entre variables observadas identificar un número menor de variables resumen, FACTORES o variables latentes que resultan después de eliminar las redundancias existentes entre el conjunto inicial de variables observadas EJEMPLO: Agrupar ítems de una escala y etiquetarlos bajo una misma dimensión o factor de evaluación CONDICIÓN: Variables cuantitativas Exploratorio (AFE): Componentes Principales Confirmatorio (AFC): LISREL, AMOS Análisis Multivariante 71

72 ANÁLISIS DE CORRESPONDENCIAS OBJETIVO: Reducción de datos (variables no métricas). A partir de la relación entre variables observadas identificar DIMENSIONES o variables latentes. Profundiza en las relaciones que se establecen entre dos o más variables categóricas EJEMPLO: Obtener un Mapa Perceptual de Posicionamiento que muestra la asociación entre el objeto y un conjunto de características, por ejemplo, de los países turísticos europeos, identificando las dimensiones subyacentes CONDICIÓN: Variables cualitativas. SIMPLE (entre las categorías de dos variables) o MÚLTIPLE (más de dos) Un subtipo de Análisis Factorial, ideal para tablas de asociación (recogida de datos rápida) Muy utilizado en Marketing Análisis Multivariante 72

73 ANÁLISIS DE CONGLOMERADOS (cluster) OBJETIVO: Identificar grupos homogéneos de sujetos u objetos a partir de su puntuación en una serie de variables. Estos grupos, a su vez, deben de ser muy diferentes entre sí. Alta homogeneidad interna y elevada heterogeneidad entre los grupos EJEMPLO: identificar segmentos de jóvenes en función de sus hábitos de consumo. Es decir, permite clasificar una población en el menor número posible de grupos mutuamente exclusivos y exhaustivos, basándose en la similitud entre los casos CONDICIÓN: Variables medidas en la misma escala También llamado Cluster Analysis Técnica de Clasificación Los grupos no son conocidos a priori Análisis Multivariante 73

74 ESCALAMIENTO MULTIDIMENSIONAL OBJETIVO: Utilizar las proximidades entre objetos para realizar una representación espacial de los mismos, identificando las dimensiones subyacentes EJEMPLO: Representación espacial de las similitudes entre las distintas marcas de cerveza en Galicia, con el fin de conocer el posicionamiento relativo de cada una de ellas CONDICIÓN: Gran versatilidad en la recogida de datos (distintos tipos de tareas) Gran Utilidad en MKT e investigación social Transforma los juicios de los consumidores, respecto a similitudes o preferencias, en distancias representadas en un espacio multidimensional Análisis Multivariante 74

75 OTRAS TÉCNICAS Modelos de Ecuaciones Estructurales (SEM) o Análisis de Estructuras de Covarianza Permite comprobar en qué medida un modelo teórico se ajusta a los datos empíricos En ocasiones se le llama también Path Analysis Variables cuantitativas Programas estadísticos: LISREL y AMOS Modelos Log-Lineales: Permite poner a pruebas modelos que postulan distinto tipo de relaciones entre dos o más variables categóricas. Modelos Multivariantes 75