Please enable JavaScript.
Coggle requires JavaScript to display documents.
Analisis discriminante Multiple (Tercer paso: Supuestos de análisis…
Analisis discriminante Multiple
El análisis discriminante y la regresión logística son las técnicas estadísticas apropiadas cuando la variable dependiente es categórica (nominal o no métrica)
Quinto paso:Interpretacion de resultados
Valores de la F grandes indican una capacidad discriminante mayor. En la práctica, las clasificaciones que emplean el enfoque de los valores de la F son las mismas que la clasificación derivada al utilizar las ponderaciones
Sexto paso:Validacion de resultados
La última etapa se centra en la validez externa e interna de la función discriminante
Tercer paso: Supuestos de análisis discriminante
Los datos que no cumplan el supuesto de normalidad multivariante pueden causar problemas en la estimación de la función discriminante. Por ello, se sugiere que se use la regresión logística como una técnica alternativa, si es posible.
Las matrices de covarianzas distintas pueden afectar desfavorablemente al proceso de clasificación. Si los tamaños muéstrales son pequeños y las matrices de covarianzas son distintas, la significación estadística del proceso de estimación se ve afectada desfavorablemente.
Es deseable encontrar ciertas condiciones para la correcta aplicación del análisis discriminante. Los supuestos clave para obtener la función discriminante son el de normalidad multivariante de las variables independientes y el de estructuras (matrices
Primer paso:Objetivos
Determinar si existen diferencias estadísticamente significativas entre los perfiles de las puntuaciones medias sobre un conjunto de variables de dos (o más) grupos definidos a priori.
Determinar cuál de las variables independientes cuantifica mejor de las diferencias en los perfiles de las puntuaciones medias de dos o más grupos.
:
Establecer los procedimientos para clasificar objetos (individuos, empresas, productos, etc.), dentro de los grupos, en base a sus puntuaciones sobre un conjunto de variables independientes.
Establecer el número y la composición de las dimensiones de la discriminación entre los grupos formados a partir del conjunto de variables independientes.
Segundo paso: Diseno de la investigación
Determinación de la puntuación de corte Si los contrastes estadísticos indican que la función discrimina significativamente, es usual elaborar matrices de clasificación para proporcionar una valoración
Medición de la capacidad predictiva mediante la aleatoriedad Como se mencionó anteriormente, la capacidad predictiva de la función discriminaste se mide con el ratio de aciertos, el cual se obtiene de la matriz de clasificación
Costes de la clasificación errónea La puntuación de corte óptima también debe tener en cuenta el coste de clasificar de forma incorrecta un objeto dentro de un grupo erróneo
Cuarto paso: Estimación del valor discriminante y valoración del ajuste global
. La estimación simultánea implica el cálculo de la función discriminante donde todas las variables independientes son consideradas simultáneamente
La fase de estimación y valoración tiene grandes parecidos con las otras técnicas de dependencia, permitiendo bien un proceso de estimación directo o bien por etapas, y un análisis de la capacidad predictiva global y por casos.
las puntuaciones discriminantes Z, también conocidas como puntuaciones Z.