1.- QU ES EL ANLISIS MULTIVARIANTE?

Es el conjunto de mtodos estadsticos cuya finalidad es analizar simultneamente

conjuntos de datos multivariantes en el sentido de que hay varias variables medidas para
cada individuo objeto estudiado.
Su razn de ser radica en un mejor entendimiento del fenmeno objeto de estudio
obteniendo informacin que los mtodos estadsticos univariantes y bivariantes son
incapaces de conseguir.
1.1.

Objetivos del Anlisis Multivariante

Pueden sintetizarse en dos:

1) Proporcionar mtodos cuya finalidad es el estudio conjunto de datos multivariantes que el

anlisis estadstico uni y bidimensional es incapaz de conseguir
2) Ayudar al analista o investigador a tomar decisiones ptimas en el contexto en el que se
encuentre teniendo en cuenta la informacin disponible por el conjunto de datos analizado

2.- TIPOS DE TECNICAS MULTIVARIANTES

Se pueden clasificar en tres grandes grupos (ver esquema adjunto):
1) 1) Mtodos de dependencia
Suponen que las variables analizadas estn divididas en dos grupos: las variables
dependientes y las variables independientes. El objetivo de los mtodos de dependencia
consiste en determinar si el conjunto de variables independientes afecta al conjunto de
variables dependientes y de qu forma.
2) 2) Mtodos de interdependencia
Estos mtodos no distinguen entre variables dependientes e independientes y su
objetivo consiste en identificar qu variables estn relacionadas, cmo lo estn y por qu.
3) 3) Mtodos estructurales
Suponen que las variables estn divididas en dos grupos: el de las variables
dependientes y el de las independientes. El objetivo de estos mtodos es anlizar, no slo
como las variables independientes afectan a las variables dependientes, sino tambin cmo
estn relacionadas las variables de los dos grupos entre s.

Dependiente
Mtrica
Mtodos de
Dependencia
Dependiente
No Mtrica

Tcnicas
Multivariantes

Anlisis de Regresin
Anlisis de Supervivencia
MANOVA
Correlacin Cannica
Anlisis Discriminante
Regresin Logstica
Anlisis Conjoint

Datos Mtricos
Mtodos de
Interdependencia
Datos No
Mtricos

Modelos estructurales

A. Comp. Principales
Anlisis Factorial
Escalas Multidimensionales
Anlisis Cluster
Anlisis de Correspondencias
Modelos log-lineales
Escalas Multidimensionales
Anlisis Cluster

2.1 Mtodos de dependencia

Se pueden clasificar en dos grandes subgrupos segn que la variable (s) dependiente
(s) sea (n) cuantitativas o cualitativas.
Si la variable dependiente es cuantitativa algunas de las tcnicas que se pueden
aplicar son las siguientes:
1) Anlisis de Regresin
Es la tcnica adecuada si en el anlisis hay una o varias variables dependientes
mtricas cuyo valor depende de una o varias variables independientes mtricas.
Por ejemplo, intentar predecir el gasto anual en cine de una persona a partir de su
nivel de ingresos, nivel educativo, sexo y edad.
2) Anlisis de Supervivencia
Es similar al anlisis de regresin pero con la diferencia de que la variable
independiente es el tiempo de supervivencia de un individuo objeto.
Por ejemplo, intentar predecir el tiempo de permanencia en el desempleo de un
individuo a partir de su nivel de estudios y de su edad.
3) Anlisis de la varianza
Se utilizan en situaciones en las que la muestra total est dividida en varios grupos
basados en una o varias variables independientes no mtricas y las variables dependientes
analizadas son mtricas. Su objetivo es averiguar si hay diferencias significativas entre
dichos grupos en cuanto a las variables dependientes se refiere.
Por ejemplo, hay diferencias en el nivel de colesterol por sexos? afecta, tambin, el
tipo de ocupacin?.
4) Correlacin Cannica
Su objetivo es relacionar simultneamente varias variables mtricas dependientes e
independientes calculando combinaciones lineales de cada conjunto de variables que
maximicen la correlacin existente entre los dos conjuntos de variables.
Por ejemplo, analizar cmo estn relacionadas el tiempo dedicado al trabajo y al ocio
de una persona con su nivel de ingresos, su edad y su nivel de educacin
Si la variable dependiente es cualitativa algunas de las tcnicas que se pueden aplicar
son las siguientes:
1) Anlisis Discriminante

Esta tcnica proporciona reglas de clasificacin ptimas de nuevas observaciones de

las que se desconoce su grupo de procedencia basndose en la informacin proporcionada
los valores que en ella toman las variables independientes.
Por ejemplo, determinar los ratios financieros que mejor permiten discriminar entre
empresas rentables y poco rentables.
2) Modelos de regresin logstica
Son modelos de regresin en los que la variable dependiente es no mtrica. Se
utilizan como una alternativa al anlisis discriminante cuando no hay normalidad
3) Anlisis Conjoint
Es una tcnica que analiza el efecto de variables independientes no mtricas sobre
variables mtricas o no mtricas. La diferencia con el Anlisis de la Varianza radica en dos
hechos: las variables dependientes pueden ser no mtricas y los valores de las variables
independientes no mtricas son fijadas por el analista. En otras disciplinas se conoce con el
nombre de Diseo de Experimentos.
Por ejemplo, una empresa quiere disear un nuevo producto y para ello necesita
especificar la forma del envase, su precio , el contenido por envase y su composicin
qumica. Presenta diversas composiciones de estos cuatro factores. 100 clientes
proporcionan un ranking de las combinaciones que se le presentan. Se quiere determinar los
valores ptimos de estos 4 factores.
2.2 Mtodos de Interdependencia
Se pueden clasificar en dos grandes grupos segn que el tipo de datos que analicen
sean mtricos o no mtricos.
Si los datos son mtricos se pueden utilizar, entre otras, las siguientes tcnicas:
1) Anlisis Factorial y Anlisis de Componentes Principales
Se utiliza para analizar interrelaciones entre un nmero elevado de variables mtricas
explicando dichas interrelaciones en trminos de un nmero menor de variables
denominadas factores (si son inobservables) o componentes principales (si son observables).

As, por ejemplo, si un analista financiero quiere determinar la cual es el estado de

salud financiero de una empresa a partir del conocimiento de un nmero de ratios
financieros, construyendo varios ndices numricos que definan su situacin, el problema se
resolvera mediante un Anlisis de Componentes Principales.
Si un psiclogo quiere determinar los factores que caracterizan la inteligencia de un
individuo a partir de sus respuestas a un test de inteligencia, utilizara para resolver este
problema un Anlisis Factorial.
2) Escalas Multidimensionales
Su objetivo es transformar juicios de semejanza o preferencia en distancias
representadas en un espacio multidimensional. Como consecuencia se construye un mapa en
el que se dibujan las posiciones de los objetos comparados de forma que aqullos percibidos
como similares estn cercanos unos de otros y alejados de

objetos percibidos como

distintos.
Por ejemplo, analizar, en el mercado de refrescos, las percepciones que un grupo de
consumidores tiene acerca de una lista de refrescos y marcas con el fin de estudiar qu
factores subjetivos utiliza un consumidor a la hora de clasificar dichos productos.
3) Anlisis Cluster
Su objetivo es clasificar una muestra de entidades (individuos o variables) en un
nmero pequeo de grupos de forma que las observaciones pertenecientes a un grupo sean
muy similares entre s y muy disimilares del resto. A diferencia del Anlisis Discriminante
se desconoce el nmero y la composicin de dichos grupos.
Por ejemplo, clasificar grupos de alimentos (pescados, carnes, vegetales y leche) en
funcin de sus valores nutritivos.
Si los datos son no mtricos se pueden utilizar, adems de las Escalas
Multidimensionales y el Anlisis Cluster, las siguientes tcnicas:
1) Anlisis de Correspondencias
Se aplica a tablas de contingencia multidimensionales y persigue un objetivo similar
al de las escalas multidimensionales pero representando simultneamente las filas y
columnas de las tablas de contingencia.

Por ejemplo, analizar el paro en Aragn teniendo en cuenta la provincia, sexo, edad y
nivel de estudios del parado
2) Modelos log-lineales
Se aplican a tablas de contingencia multidimensionales y modelizan relaciones de
dependencia multidimensional de las variables observadas que buscan explicar las
frecuencias observadas.
2.3 Mtodos estructurales
Analizan las relaciones existentes entre un grupo de variables representadas por
sistemas de ecuaciones simultneas en las que se suponen que algunas de ellas
(denominadas constructos) se miden con error a partir de otras variables observables
denominadas indicadores.
Los modelos utilizados constan, por lo tanto, de dos partes: un modelo estructural
que especifica las relaciones de dependencia existente entre las constructos latentes y un
modelo de medida que especifica como los indicadores se relacionan con sus
correspondientes constructos.
Por ejemplo, analizar cmo se relacionan los niveles de utilizacin de los servicios de
una empresa con las percepciones que sus clientes tienen de ella.