ANÁLISIS MULTIVARIANTE EN R
Análisis multivariante de la varianza
Relación entre las variables usando la inferencia del MANOVA
Con un factor
Con 2 factores
Descomposición de la matriz de covarianzas
Cálculo del estadístico de contraste
Bondad de ajuste y potencia de prueba
Comprobación de los supuestos en los que se basa MANOVA
Pruebas post hoc
Descomposición de la matriz de covarianzas
Cálculo del estadístico de contraste
summary (fit, test ="Wilks") o summary (fit,test="Roy")
Se calculan los autovectores y autovalores
Normal multivariante ----library(mvnormtest)---mshapiro.test (grupo 1)
Homocedasticidad---library (biotools)
Test de esfericidad cortest.barlett(R,n=9)
summary.manova (fit12)
mshapiro.test(group)
library(biotools)
boxM(datos[3:4], datos [ ,1])
Regresión lineal multiple;
modelo estadístico versátil para evaluar las relaciones entre un destino continuo y los predictores.
TIPOS DE ANALIS MULTIVARIANTE
Permite manejar y analizar datos con múltiples variables de manera simultánea, lo que es crucial en investigaciones complejas donde las variables no actúan de forma independiente. Es una herramienta poderosa, pero su uso requiere un buen entendimiento de las técnicas y los supuestos subyacentes.
Clasificación y segmentación: Utilizado en marketing, biología, y otras ciencias para identificar grupos naturales dentro de los datos.
Análisis de componentes principales (PCA)
Análisis discriminante:
Análisis de regresión múltiple:
Análisis factorial:
Análisis de conglomerados (clúster):
ANÁLISIS DISCRIMINANTE
Clasificación con
dos grupos
Es una técnica estadística
utilizada principalmente para
es clasificar las observaciones en una de dos posibles categorías
es útil cuando las distribuciones de los grupos son aproximadamente normales y tienen matrices de covarianza similares
CLASIFICACIÓN CON DOS GRUPOS Y UNA
VARIABLE CLASIFICADORA
CLASIFICACIÓN CON DOS GRUPOS Y DOS
VARIABLES CLASIFICADORAS
se realiza utilizando solo una variable clasificadora
se utilizan dos variables clasificadoras para realizar el análisis discriminante
única variable
es suficiente para
discriminar entre los dos grupos
dos variables
permite una mayor precisión en la clasificación de las observaciones en uno de los dos grupos
SE UTILIZA PARA ASIGNAR INDIVIDUOS
A UNO DE LOS DOS GRUPOS
DENOMINADOS I Y II
Se dividen los datos en dos grupos (categorías o clases) basándose en dos variables diferentes.
2 GRUPOS
2 VARIABLES
Se refiere a la existencia de dos posibles categorías en las que se pueden clasificar los elementos.
Estas son las variables que se utilizan para asignar los elementos a uno de los dos grupos.
Cada variable puede tener distintos valores, y la combinación de estos valores determina a qué grupo pertenece un elemento.
clasificar un conjunto de datos en dos o más grupos
Regresión lineal múltiple - Minimos cuadrados
Se realiza mediante la estimación de los coeficientes del modelo
Supuestos
Multicolinealidad
Normalidad
Homocedasticidad
Linealidad
Independencia en los términos de error
Bondad de ajuste del modelo
Coeficiente de determinación R2
Coeficiente de determinación corregido (R² ajustado)
Estadístico AIC: Criterio de información de Akaike
Medidas de ajuste: Discute cómo evaluar qué tan bien el modelo ajusta los datos.
permite predecir un valor de la variable dependiente en función de dos o más variables independientes
se ajusta una ecuación lineal