Class Summary
✅ ¿Te enfrentas a un conjunto de datos y no sabes por dónde empezar? ¡No te preocupes! Te guiaremos a través del Análisis Multivariado de Datos, una herramienta avanzada para obtener resultados precisos y profundos en tus investigaciones. En esta lección, exploraremos cómo analizar simultáneamente múltiples variables para descubrir relaciones complejas y patrones ocultos. Aprenderás sobre técnicas esenciales como el análisis de componentes principales (PCA), el análisis factorial y la regresión múltiple. Estas técnicas te permitirán interpretar datos de manera más completa y tomar decisiones informadas basadas en resultados robustos. 4 Análisis ESTADÍSTICO de resultados de una investigación: Análisis multivariado Para acceder al CURSO COMPLETO y los MATERIALES DESCARGABLES: 👉https://asesoriaeducacional.com/curso-analisis-de-resultados/ ENCONTRARÁS MÁS SERVICIOS EDUCATIVOS 👉 http://asesoriaeducacional.com/ SUSCRÍBETE y dale a la campanita 🔔 para recibir contenidos constantes que te permiten hacer tu proyecto, de investigación, tesis, tesina, artículo científico, ensayo, monografía y hasta publicar tus investigaciones en revistas científicas. Y si estás leyendo esto significa que ERES o SERÁS un investigador de ÉLITE porque perteneces al 1% de las personas que se leen las descripciones hasta el final, eres un furioso del estudio. Déjame en los comentarios del video que más te interesa aprender y un emoji de 👓. Me harás muy feliz y te daré seguimiento personalizado con regalos 🎁 de materiales descargables e ideas 💡 para tus trabajos. ÍNDICE 00:00 Introducción 00:25 Análisis multivariado 02:02 Regresión lineal 03:43 Regresión logística 05:09 Análisis de varianza (ANOVA) 07:00 Análisis de componentes principales (PCA) #estadistica #investigación #asesoriaprofeluisa #tesis #proyectodetesis #cienciassociales
Class Transcript
### Marcas de Tiempo - `[00:00]` hola bienvenido o bienvenida a nuestro canal de YouTube de asesoría educacional y suscríbete y dale a la campanita para que te lleguen las notificaciones cada vez que publiquemos un nuevo video de nuestra serie y vamos a comenzar en esta clase aprenderemos el análisis multivariado de datos que es la regresión lineal la regresión logística análisis de varianza anova y análisis de - `[00:23]` componentes principales el análisis multivariado de datos se utiliza para analizar la relación entre tres o más variables permite evaluar Cómo varias variables interactúan entre sí Y cómo afectan una variable de interés existen diversas técnicas de análisis multivariado de datos entre las que se incluyen el análisis de regresión múltiple sirve para evaluar la relación entre una variable dependiente y varias - `[00:50]` variables independientes el análisis de componentes principales reduce la complejidad de un conjunto de datos multivariados y y encuentra patrones en los datos el análisis de conglomerados sirve para agrupar observaciones similares en grupos o clústers el análisis discriminante determina qué variables discriminan mejor entre dos o más grupos de observaciones el análisis de correlación canónica evalúa la relación entre dos conjuntos de - `[01:25]` variables multivariables el análisis factorial Identifica las dimensiones latentes que subyacen en un conjunto de variables observadas el análisis multivariado de datos es ampliamente utilizado en diversas áreas como la investigación de Mercado la investigación social la investigación médica la psicología la biología la economía la ingeniería entre otras permite evaluar Cómo varias variables interactúan entre sí Y cómo afectan a - `[01:56]` una variable de interés lo que puede ser muy útil para entender relaciones complejas entre los datos el primer método que estudiaremos es la regresión lineal utilizada para analizar la relación de dos variables continuas consiste en encontrar la mejor línea recta que se ajusta a los datos observados de manera que pueda ser utilizada para predecir los valores de - `[02:19]` una variable en función de la otra variable en la regresión lineal una variable se considera como la variable dependiente o respuesta digamos la y y la otra variable se considera como la variable independiente o explicativa digamos la x la ecuación de la línea recta se puede expresar como vemos en pantalla el objetivo de la regresión lineal es encontrar los valores a y b - `[02:44]` que minimizan la distancia entre la línea recta y los puntos de datos observados esta distancia se mide mediante el error cuadrático medio o el coeficiente de determinación un valor de r2 o sea de coefici cente de determinación cercano a uno indica que la línea recta se ajusta bien a los datos Y puede utilizarse para predecir los valores futuros de la variable - `[03:09]` dependiente en función de la variable independiente la regresión lineal se utiliza comúnmente En diversas áreas como la investigación de Mercado la medicina psicología biología economía e ingenierías permite evaluar la relación entre dos variables continuas y predecir valores de variables dependientes sin embargo es importante tener en cuenta que la regresión lineal ASUME una relación lineal entre las variables lo - `[03:35]` que puede limitar su uso en Casos de una relación que no es lineal veremos ahora la regresión logística es utilizada para analizar la relación entre una variable binaria dependiente la y y una o más variables dependientes continuas o categóricas la X La variable dependiente es una variable dicotómica que solo puede tomar dos valores 0 o un por - `[04:02]` ejemplo puede utilizarse para predecir la probabilidad de que ocurra un evento en este caso sería uno o que no ocurra Y en este caso sería Cero en función de un conjunto de variables predictoras utiliza una función de probabilidad logística para modelar la relación entre las variables la ecuación de la regresión logística se puede expresar como vemos en la pantalla donde p es la - `[04:29]` la probabilidad de que ocurra el evento a es la constante de la ecuación y b es el coeficiente de regresión para la variable independiente el resultado de la regresión logística es una estimación de la probabilidad de que ocurra un evento o que no ocurra en función de los valores de las variables predictoras la probabilidad estimada puede ser - `[04:52]` utilizada para clasificar los individuos en diferentes categorías o grupos la regresión logística se utiliza comúnmente En diversas áreas como la epidemiología la psicología y la biología vamos a ver ahora el análisis de varianza conocido también como anova utilizado para comparar las medias de tres o más grupos y determinar si existen diferencias significativas entre ellos la técnica se basa en la - `[05:19]` descomposición de la variabilidad total en dos componentes la variabilidad debida a las diferencias entre los grupos y la variabilidad debida a las diferencias dentro de los grupos el anova se utiliza para evaluar si las medias de los grupos son iguales o diferentes se realiza una prueba de hipótesis para determinar si hay una diferencia significativa entre los grupos si se encuentra una diferencia - `[05:45]` significativa se utiliza un análisis post hot para identificar Qué grupos son significativamente diferentes entre sí el anova puede ser de dos tipos anova de un factor y anova de dos o más factores en en el anova de un factor se compara la media de una variable en dos o más grupos en el anova de dos o más factores - `[06:07]` se compara la media de la variable en dos o más grupos pero cada grupo se divide en subgrupos en función de otra variable el anova de dos o más factores se utiliza para evaluar influencia de dos o más variables independientes en la variable dependiente es una técnica ampliamente utilizada en diversas áreas como la psicología ía ingeniería permite - `[06:31]` evaluar la diferencia entre las medias de tres o más grupos y determinar si existen diferencias significativas entre ellos sin embargo es importante tener en cuenta que la Nova ASUME que las distribuciones de los datos son normales y que las varianzas de los grupos son iguales si estas suposiciones no se cumplen es necesario utilizar técnicas estadísticas alternativas vamos a ver el - `[06:56]` análisis de los componentes principales es una técnica estadística también conocida como pca multivariante utilizada para reducir la complejidad de los datos y encontrar patrones subyacentes en un conjunto de variables la técnica se basa en transformación de un conjunto de variables correlacionadas en un conjunto de variables llamados componentes principales el objetivo del pca es reducir el número de variables en - `[07:23]` un conjunto de datos y simplificar la estructura de los datos para poder explorar y analizar fácilmente el pca utiliza una matriz de covarianzas o de correlaciones para identificar los patrones subyacentes en los datos Y para determinar la cantidad de variabilidad explicada por cada componente principal el primer componente principal es aquel que explica la mayor cantidad de variabilidad de los datos el segundo - `[07:51]` componente principal explica la mayor cantidad de variabilidad restante Y así sucesivamente los componentes principales se ordenan de mayor a menor importancia en términos de la cantidad de variabilidad explicada cada componente principal es una combinación lineal de las variables originales y se puede interpretar como una nueva variable que representa una combinación de las variables originales el pca se - `[08:16]` utiliza comúnmente En diversas áreas como la investigación médica la investigación de Mercado la biología la ingeniería psicología y la economía entre otras permite reducir la complejidad de los datos Y en ar patrones subyacentes en un conjunto de variables además el pca puede utilizarse como una técnica de preprocesamiento para otras técnicas de análisis multivariante hasta aquí nuestro tema de - `[08:41]` hoy nos vemos en el próximo video si le gustó nuestro contenido suscríbase a nuestro canal y dele a la campanita para recibir notificación de los próximos videos de esta serie y déjenos en los comentarios qué contenidos desea ver o ### Texto Completo Continuo hola bienvenido o bienvenida a nuestro canal de YouTube de asesoría educacional y suscríbete y dale a la campanita para que te lleguen las notificaciones cada vez que publiquemos un nuevo video de nuestra serie y vamos a comenzar en esta clase aprenderemos el análisis multivariado de datos que es la regresión lineal la regresión logística análisis de varianza anova y análisis de componentes principales el análisis multivariado de datos se utiliza para analizar la relación entre tres o más variables permite evaluar Cómo varias variables interactúan entre sí Y cómo afectan una variable de interés existen diversas técnicas de análisis multivariado de datos entre las que se incluyen el análisis de regresión múltiple sirve para evaluar la relación entre una variable dependiente y varias variables independientes el análisis de componentes principales reduce la complejidad de un conjunto de datos multivariados y y encuentra patrones en los datos el análisis de conglomerados sirve para agrupar observaciones similares en grupos o clústers el análisis discriminante determina qué variables discriminan mejor entre dos o más grupos de observaciones el análisis de correlación canónica evalúa la relación entre dos conjuntos de variables multivariables el análisis factorial Identifica las dimensiones latentes que subyacen en un conjunto de variables observadas el análisis multivariado de datos es ampliamente utilizado en diversas áreas como la investigación de Mercado la investigación social la investigación médica la psicología la biología la economía la ingeniería entre otras permite evaluar Cómo varias variables interactúan entre sí Y cómo afectan a una variable de interés lo que puede ser muy útil para entender relaciones complejas entre los datos el primer método que estudiaremos es la regresión lineal utilizada para analizar la relación de dos variables continuas consiste en encontrar la mejor línea recta que se ajusta a los datos observados de manera que pueda ser utilizada para predecir los valores de una variable en función de la otra variable en la regresión lineal una variable se considera como la variable dependiente o respuesta digamos la y y la otra variable se considera como la variable independiente o explicativa digamos la x la ecuación de la línea recta se puede expresar como vemos en pantalla el objetivo de la regresión lineal es encontrar los valores a y b que minimizan la distancia entre la línea recta y los puntos de datos observados esta distancia se mide mediante el error cuadrático medio o el coeficiente de determinación un valor de r2 o sea de coefici cente de determinación cercano a uno indica que la línea recta se ajusta bien a los datos Y puede utilizarse para predecir los valores futuros de la variable dependiente en función de la variable independiente la regresión lineal se utiliza comúnmente En diversas áreas como la investigación de Mercado la medicina psicología biología economía e ingenierías permite evaluar la relación entre dos variables continuas y predecir valores de variables dependientes sin embargo es importante tener en cuenta que la regresión lineal ASUME una relación lineal entre las variables lo que puede limitar su uso en Casos de una relación que no es lineal veremos ahora la regresión logística es utilizada para analizar la relación entre una variable binaria dependiente la y y una o más variables dependientes continuas o categóricas la X La variable dependiente es una variable dicotómica que solo puede tomar dos valores 0 o un por ejemplo puede utilizarse para predecir la probabilidad de que ocurra un evento en este caso sería uno o que no ocurra Y en este caso sería Cero en función de un conjunto de variables predictoras utiliza una función de probabilidad logística para modelar la relación entre las variables la ecuación de la regresión logística se puede expresar como vemos en la pantalla donde p es la la probabilidad de que ocurra el evento a es la constante de la ecuación y b es el coeficiente de regresión para la variable independiente el resultado de la regresión logística es una estimación de la probabilidad de que ocurra un evento o que no ocurra en función de los valores de las variables predictoras la probabilidad estimada puede ser utilizada para clasificar los individuos en diferentes categorías o grupos la regresión logística se utiliza comúnmente En diversas áreas como la epidemiología la psicología y la biología vamos a ver ahora el análisis de varianza conocido también como anova utilizado para comparar las medias de tres o más grupos y determinar si existen diferencias significativas entre ellos la técnica se basa en la descomposición de la variabilidad total en dos componentes la variabilidad debida a las diferencias entre los grupos y la variabilidad debida a las diferencias dentro de los grupos el anova se utiliza para evaluar si las medias de los grupos son iguales o diferentes se realiza una prueba de hipótesis para determinar si hay una diferencia significativa entre los grupos si se encuentra una diferencia significativa se utiliza un análisis post hot para identificar Qué grupos son significativamente diferentes entre sí el anova puede ser de dos tipos anova de un factor y anova de dos o más factores en en el anova de un factor se compara la media de una variable en dos o más grupos en el anova de dos o más factores se compara la media de la variable en dos o más grupos pero cada grupo se divide en subgrupos en función de otra variable el anova de dos o más factores se utiliza para evaluar influencia de dos o más variables independientes en la variable dependiente es una técnica ampliamente utilizada en diversas áreas como la psicología ía ingeniería permite evaluar la diferencia entre las medias de tres o más grupos y determinar si existen diferencias significativas entre ellos sin embargo es importante tener en cuenta que la Nova ASUME que las distribuciones de los datos son normales y que las varianzas de los grupos son iguales si estas suposiciones no se cumplen es necesario utilizar técnicas estadísticas alternativas vamos a ver el análisis de los componentes principales es una técnica estadística también conocida como pca multivariante utilizada para reducir la complejidad de los datos y encontrar patrones subyacentes en un conjunto de variables la técnica se basa en transformación de un conjunto de variables correlacionadas en un conjunto de variables llamados componentes principales el objetivo del pca es reducir el número de variables en un conjunto de datos y simplificar la estructura de los datos para poder explorar y analizar fácilmente el pca utiliza una matriz de covarianzas o de correlaciones para identificar los patrones subyacentes en los datos Y para determinar la cantidad de variabilidad explicada por cada componente principal el primer componente principal es aquel que explica la mayor cantidad de variabilidad de los datos el segundo componente principal explica la mayor cantidad de variabilidad restante Y así sucesivamente los componentes principales se ordenan de mayor a menor importancia en términos de la cantidad de variabilidad explicada cada componente principal es una combinación lineal de las variables originales y se puede interpretar como una nueva variable que representa una combinación de las variables originales el pca se utiliza comúnmente En diversas áreas como la investigación médica la investigación de Mercado la biología la ingeniería psicología y la economía entre otras permite reducir la complejidad de los datos Y en ar patrones subyacentes en un conjunto de variables además el pca puede utilizarse como una técnica de preprocesamiento para otras técnicas de análisis multivariante hasta aquí nuestro tema de hoy nos vemos en el próximo video si le gustó nuestro contenido suscríbase a nuestro canal y dele a la campanita para recibir notificación de los próximos videos de esta serie y déjenos en los comentarios qué contenidos desea ver o ---