AÑO DEL BICENTENARIO DEL PERÚ: 200 AÑOS DE INDEPENDENCIA”

INSTITUTO DE EDUCACIÓN SUPERIOR TECNOLÓGICO PRIVADO

“REYNA DE LAS AMÉRICAS”

ESPECIALIDAD: TECNICA EN FARMACIA

CICLO : III TURNO: TARDE

ASIGNATURA: INVESTIGACION E INNOVACION

TECNOLOGICA

DOCENTE: MARTHA ELIZABETH RIBEYRO

MALAFAY

TEMA: MULTIVARIANTES
ALUMNOS :
 VEGA TALEXIO MARILYN LUCERO
 MARINGO CHOTA ARIANE
 JIMENEZ BAOS JHANETH PRISCILA

IQUITOS – PERÚ
2021
 Investiga y redacta con fuente bibliográfica:
I. ANALISIS DE MUTIVARIANTES

Es el conjunto de métodos estadísticos cuya finalidad es analizar simultáneamente

conjuntos de datos multivariantes en el sentido de que hay varias variables medidas para
cada individuo ú objeto estudiado. Su razón de ser radica en un mejor entendimiento del
fenómeno objeto de estudio obteniendo información que los métodos estadísticos
univariantes y bivariantes son incapaces de conseguir.
Así, como Hair et al. (1999) dicen:
“Las mujeres y hombres de negocios de hoy no pueden seguir aproximaciones ya pasadas en las que los
consumidores eran considerados homogéneos y caracterizados por un número pequeño de variables
demográficas. En su lugar, deben desarrollar estrategias que atraigan a numerosos segmentos de clientes
con características demográficas y psicográficas diversas en un mercado con múltiples restricciones
(legales, económicas, competitivas, tecnológicas, etc.). Sólo a través del análisis multivariante las
relaciones múltiples de este tipo podrán ser examinadas adecuadamente para obtener un entendimiento
más completo y real del entorno que permita tomar las decisiones más adecuadas.”1

II. MULTIVARIANTES DE INTERDEPENDENCIA

1.1. Definición:
Son aquellas que otorgan la misma consideración a todas las variables, tienden a
descubrir las interrrelaciones y estructura subyacente entre ellas. Son técnicas de
clasificación.2 Es decir que este método no distingue entre variables dependientes e
independientes y su objetivo consiste en identificar que variables están relacionadas,
como lo están y por qué.
Se pueden clasificar en dos grandes grupos según que el tipo de datos que analicen
sean métricos o no métricos.

1.2 Tipos de Multivariables de Interdependencia;

1.2.1. ANALISIS FACTORIAL:
Definición:
El análisis factorial es una técnica de reducción de datos que sirve para
encontrar grupos homogéneos de variables a partir de un conjunto numerosos
de variables. Esos grupos homogéneos se forman con las variables que
correlacionan muchos entre sí y procurando, inicialmente, que unos grupos
sean independientes de otros.
Cuando recogemos un gran numero de variables de forma simultánea, por
ejemplo, en un cuestionario de satisfacción laboral, podemos estar interesados
en averiguar si las preguntas del cuestionario se agrupan de alguna forma
1
[Link]
2
[Link]
 característica. Aplicando un análisis factorial a las respuestas de los sujetos
podemos encontrar grupos de variables con significado común y conseguir de
esta manera reducir el numero de dimensiones necesarias para explicar las
respuestas de los sujetos.
El análisis factorial es, por tanto, una técnica de reducción de la
dimensionalidad de los datos. Su propósito ultimo consiste en buscar el número
mínimo de dimensiones capaces de explicar el máximo de información
contenidas en los datos.
A diferencia de lo que ocurre en otras técnicas como el análisis de varianza o el
de regresión, en el análisis factorial todas las variables del análisis s cumplen el
mismo papel todas ellas son independientes en el sentido de que no existe a
priori una dependencia conceptual de una de las variables sobre otra.
El análisis factorial consta de 4 fases características: El cálculo de la matriz
capaz de expresar la variabilidad conjunta de todas las variables, la extracción
de números óptimo de factores, la rotación de la solución para facilitar su
interpretación y la estimación de las puntuaciones de los sujetos en nuevas
dimensiones. Para ejecutar correctamente un análisis factorial será necesario
tomar alguna de las decisiones en cada una de estas faces.3

TIPOS DE ANALISIS FACTORIAL:

 El Análisis Factorial Exploratorio (AFE) es una técnica estadística que

permite explorar con mayor precisión las dimensiones subyacentes,
constructos o variables latentes de las variables observadas, es decir, las
que observa y mide el investigador. Si, por ejemplo, para los propósitos de
un estudio se elabora o se adapta una batería de pruebas (pruebas de
medición de constructos cognitivos, cuestionarios de variables afectivas), el
AFE se aplica con el objetivo de comprobar hasta qué punto estos
instrumentos o los ítems que los conforman representan adecuadamente los
constructos latentes de interés o diferentes dimensiones del mismo
constructo.4
 El análisis factorial confirmatorio, AFC, trata de determinar si el número
de factores obtenidos y sus cargas se corresponden con los que cabría
esperar a la luz de una teoría previa acerca de los datos. La hipótesis a
priori es que existen unos determinados factores preestablecidos y que cada
uno de ellos está asociado con un determinado subconjunto de las variables.
El análisis factorial confirmatorio entonces arroja un nivel de confianza para
poder aceptar o rechazar dicha hipótesis. También considera las variables
como dos medidas que pueden ser cuantificadas constantemente.5
Aplicaciones del Análisis Factorial
Se utiliza para analizar interrelaciones entre un número elevado de variables
métricas explicando dichas interrelaciones en términos de un número menor de
variables denominadas factores (si son inobservables) o componentes
principales (si son observables).

3
[Link]
4
[Link]
5
[Link]
 El análisis factorial se utiliza para identificar factores que expliquen una
variedad de resultados en diferentes pruebas. Por ejemplo, investigación en
inteligencia halla que la gente que obtienen una nota alta en una prueba de
habilidad verbal también se desempeña bien en pruebas que requieren
habilidades verbales. Los investigadores explican esto mediante el uso de
análisis factorial para aislar un factor a menudo llamado inteligencia cristalizada
o inteligencia verbal, que representa el grado en el cual alguien es capaz de
resolver problemas usando habilidades verbales.6
Así, 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 número de
ratios financieros, construyendo varios índices numéricos que definan su
situación, el problema se resolvería mediante un Análisis de Componentes
Principales.7
1.2.2 Análisis Clúster

Definición:
Un análisis de cluster o análisis de grupos es un método de agrupamiento
estadístico utilizado para analizar grandes cantidades de datos. Aquí, los
objetos bajo revisión se dividen en diferentes grupos (clusters) y se comparan
en base a características específicas.8

Objetivo:
Su objetivo es clasificar una muestra de entidades (individuos o variables) en
un número pequeño de grupos de forma que las observaciones pertenecientes
a un grupo sean muy similares entre sí y muy disimilares del resto. A diferencia
del Análisis Discriminante se desconoce el número y la composición de dichos
grupos.
En otro decir, es crear grupos homogéneos a partir de objetos individuales
heterogéneos. Hoy en día, el análisis de cluster es una parte común del
marketing y se utiliza, entre otras cosas, como base para las medidas
publicitarias
Por ejemplo, clasificar grupos de alimentos (pescados, carnes, vegetales y
leche) en función de sus valores nutritivos.
La diferencia fundamental entre el análisis cluster y el discriminante reside en
que en el análisis cluster los grupos son desconocidos a priori y son
precisamente lo que queremos determinar; mientras que en el análisis
discriminante, los grupos son conocidos y lo que pretendemos es saber en qué
medida las variables disponibles nos discriminan esos grupos y nos pueden
ayudar a clasificar o asignar los individuos en/a los grupos dados.9

Importancia
Como puede comprenderse fácilmente el análisis cluster tiene una
extraordinaria importancia en la investigación científica, en cualquier rama del
saber. Téngase presente que la clasificación es uno de los objetivos
fundamentales de la ciencia. Y en la medida en que el análisis cluster nos

6
[Link]
7
[Link]
8
[Link]
9
[Link]
 proporciona los medios técnicos para realizarla, se nos hará imprescindible en
cualquier investigación.
Ya desde Linneo, las clasificaciones y taxonomías fueron piezas clave en las
investigaciones biológicas, y, en consecuencia, no puede resultarnos extraño
que haya sido en los entornos de este tipo de ciencias donde hayan surgido las
técnicas del análisis cluster. Los trabajos de Sokal y Sneath , marcan el inicio
de las técnicas de clusterización, que, poco a poco, han ido extendiendo sus
aplicaciones a todos los ámbitos científicos.
Con el análisis cluster se pretende encontrar un conjunto de grupos a los que ir
asignando los distintos individuos por algún criterio de homogeneidad. Por lo
tanto, se hace imprescindible definir una medida de similitud o bien de
divergencia para ir clasificando a los individuos en unos u otros grupos.10

Requisitos para realizar un análisis Cluster:

Se deben cumplir algunos requisitos para realizar un análisis de cluster.
 Deben identificarse en primer lugar las características (variables) que
deben utilizarse como base para la comparación.
 se utilizarán datos normalizados para la comparación con otros datos.
 Los valores atípicos, es decir, los objetos que presentan valores
extremos, deben excluirse de las comparaciones.
 Las variables que son demasiado similares deben evitarse ya que
pueden falsificar el resultado final.
 Deben evitarse los valores de salida demasiado constantes, ya que
pueden complicar la evaluación posterior.11

Características:
 Motivación: Necesidad de diseñar una estrategia que permita definir
grupos de objetos homogéneos. Tarea de clasificación.
 Aplicabilidad: Psicología, biología, sociología, ingeniería, investigación
de mercados, marketing, etc.
 Similitud con el análisis factorial: Mientras que el análisis cluster agrupa
objetos, el análisis factorial se centra en la agrupación de variables.
 Inconvenientes del análisis cluster: Descriptivo, ateórico y no
inferencial, se utiliza habitualmente como una técnica exploratoria. No
ofrece soluciones únicas, a pesar de que existen una estructura de
clasificación ´´verdadera¨ en los datos, las soluciones dependen de las
variables y del método de análisis cluster empleado.

1.2.3 Análisis de Correspondencia:

Definicion:
El análisis de correspondencias es una técnica descriptiva desarrollada
por Jean-Paul Benzécri. Suele aplicarse al estudio de tablas de contingencia y
es conceptualmente similar al análisis de componentes principales con la
diferencia de que en el análisis de correspondencias los datos se escalan de
modo que filas y columnas se tratan de modo equivalente.
10
[Link]
11
[Link]
 El análisis de correspondencias descompone el estadístico del test de la ji-
cuadrado asociado a una tabla de contingencia en componentes ortogonales.
Dado que se trata de una técnica descriptiva, puede aplicarse incluso en
circunstancias en las que la prueba anterior no es apropiada.
El análisis de correspondencias es una técnica descriptiva para representar
tablas de contingencia. Los datos de partida para el análisis de
correspondencias es una matriz X de dimensiones n × k que representa las
frecuencias absolutas observadas en una tabla de contingencia de dos
variables, donde la primera se representa por filas y tiene n categorías y la
segunda por columnas y tiene k categorías. Por ejemplo, clasificamos un
conjunto de estudiantes en n posibles procedencias geográficas y k posibles
opiniones respecto a la docencia. En general, el elemento xij de la matriz X
representa la frecuencia absoluta observada en la casilla (i, j) de la tabla de
contingencia.12

Importancia:
El Análisis de correspondencias es una técnica de reducción de dimensiones,
una técnica para visualizar una nube de puntos multidimensional en dos
dimensiones. Consiste, como las demás técnicas de reducción de dimensiones,
en un procedimiento de traslado de una nube de puntos definida en un espacio
de muchas dimensiones a un espacio de dos dimensiones donde poder
visualizar la posición relativa de unos puntos. Este traslado se hará respetando
al máximo las posiciones relativas de los puntos en la nube de puntos original.
Veamos un ejemplo que puede ilustrar lo que estamos diciendo: Tomamos 100
seguidores del Alianza Lima, Universitario de deportes, Sporting Cristal,
Cienciano, y del CNI. Y les pedimos que elijan de entre esos cinco equipos dos
preferentes. Uno, evidentemente será el propio equipo del que es seguidor
pero el segundo debe ser el que más les simpático les caiga o el que por el que
menos antipatía sientan. Esto nos permitirá analizar la posición relativa de los
seguidores de esos equipos respecto a esos equipos.13

Objetivo:
 Cuando estudiamos dos o más variables cualitativas cada una de ellas tiene
una serie de valores posibles, de valores que en realidad son categorías, son
valores nominales (es por esto que a las variables cualitativas se les
denomina también categóricas o nominales). Por ejemplo, la variable sexo:
Hombre y Mujer, la variable fumar: Fuma y No fuma, etc.
 El objetivo del Análisis de correspondencias crear un mapa de la posición
relativa de las variables cualitativas estudiadas con cada uno de sus valores
posibles. Una posición que refleje el grado de asociación entre ellas. Es una
técnica que, aunque está basada en unos métodos algebraicos complejos, es
muy intuitiva, como se verá a continuación. Básicamente el objetivo es
representar cada uno de los valores posibles de cada una de las variables
estudiadas en un plano donde la posición relativa de los puntos refleje el
grado de asociación entre cada uno de los conceptos representados.

Tipos:

12
[Link]
13
[Link]
 Análisis de correspondencias simples: Cuando sean dos variables
cualitativas estudiadas

Análisis de correspondencias múltiples: Cuando sean más de dos variables

cualitativas.

1.3 Modelo de regresión:

Definición:
Un modelo de regresión es un modelo matemático que busca determinar la relación
entre una variable dependiente (Y), con respecto a otras variables, llamadas
explicativas o independientes (X).
El análisis de regresión es una técnica usada para modelar la relación entre
variables. Se desea establecer como una o varias variables dependientes se
comportan respecto a una o más variables independientes. Mediante esta técnica
podemos obtener información sobre como una variable de interés Y, variable
dependiente, varia cuando una de las independientes lo hace. Es común considerar
que la relación entre Y y X es descrita por una función.

Forma del modelo de Regresión:

El modelo de regresión simple tiene la siguiente forma:

Y = A + BX + u

Y= variable dependiente o endógena

X= variable independiente o explicativa
A, B = parámetros fijos y desconocidos
u= termino de error que recoge todos los demás factores que afectan a Y, pero que
no están incluidos en el modelo. También puede captar los errores de estimación
de la variable dependiente. No observable.
Luego, el objetivo del modelo de regresión será estimar los valores de A y B a partir
de una muestra.

Para aplicar un análisis de este tipo, usaremos obligatoriamente dos tipos de

variables.

 Variables dependientes: son aquellas que buscamos estudiar mediante la

regresión estadística para comprender cómo se adapta al modificar las
variables independientes.
 Variables independientes: son los factores que consideramos que influyen y
que afectan directamente a las variables dependientes que están bajo estudio.

Significado de las variables de una modelo de regresión

El parámetro B debería reflejar cuál es el impacto de un cambio de X sobre la
variable Y, cuando el resto de las variables explicativas se mantienen constantes
(ceteris paribus).
El parámetro A, en tanto, no afecta en nada la relación entre Y y X. Por lo que
sólo se trata de una normalización en la que se supone que el valor promedio de
u será cero.
 Por ejemplo, un modelo de regresión lineal se dibujaría de la siguiente manera:

Para que se utiliza

Dado que un análisis de regresión nos facilita que podamos calcular un valor futuro
de una variable, existen múltiples aplicaciones posibles en el día a día. Tanto
a nivel empresarial como personal o social, el análisis de regresión es una
herramienta muy práctica.
Por ejemplo, para evaluar el riesgo de accidentes en una zona determinada de la
carretera respecto a su geografía, o comprobar la eficacia de un cambio realizado
en un proyecto comercial o académico basándose en los resultados obtenidos tras
introducir un cambio.
Los análisis de regresión se emplean con gran frecuencia en el mundo
corporativo. Gracias a los resultados que arrojan, las empresas pueden
comprender mejor cuáles son los elementos que tienen un mayor impacto en los
resultados, cuales afectan a otros elementos de la compañía o cuales se pueden
ignorar.
De esta forma, las empresas obtienen información importante que pueden aplicar
rápidamente en sus organizaciones para mejorar su eficiencia.14

Características:

 Es común el interés de estudiar la existencia de relaciones entre variables.

 En muchos problemas existe una relación inherente entre dos o más variables, y
resulta necesario explorar la naturaleza de esta relación. El análisis de regresión
es una técnica estadística para el modelado y la investigación de la relación
entre dos o más variables.
 Escoger el modelo de regresión lineal correcto puede ser difícil. Tratar de
modelarlo con solo una muestra no lo hace más fácil.
 Para disponer de un buen modelo de regresión, se desea incluir las variables
que se están probando específicamente junto con otras variables que afecten a
la respuesta para así evitar resultados sesgados

14
[Link]
  Elegir el modelo de regresión correcto es tanto una ciencia como un arte. Los
métodos estadísticos pueden ayudar a orientar en la dirección correcta, pero, en
última instancia, se deben de incorporar otras consideraciones.
 Podría pensar que los problemas complejos requieren modelos complejos, pero
muchos estudios muestran que los modelos más simples generalmente
producen predicciones más precisas. Dados varios modelos con capacidad
explicativa similar, el más simple es probablemente la mejor opción. Comience
de manera simple, y solo haga el modelo más complejo según sea necesario.
Cuanto más complejo sea su modelo, más probable será que adapte el modelo
específicamente a su conjunto de datos y la generalización sufra.
 Los métodos van a depender de como los datos fueron obtenidos. No es lo
mismo lo que ocurre en un proceso industrial, donde se pueden controlar una
serie de efectos, que en un estudio biológico, donde hay variaciones no
controladas modeladas por errores, como son los efectos ambientales.
 El modelo de regresión se suele utilizar en las Ciencias Sociales con el fin de
determinar si existe, o no, relación causal entre una variable dependiente (Y) y
un conjunto de otras variables explicativas (X). Asimismo, el modelo busca
determinar cuál será el impacto sobre la variable Y ante un cambio en las
variables explicativas (X).

Tipos de modelos de Regresion

Podemos realizar 3 modelos de análisis distintos en función del número de variables y

la forma de interactuar entre ellas:

 Modelo de regresión lineal simple

 Modelo de regresión lineal múltiple
 Modelo de regresión no lineal

Dependerá del número de variables que necesitemos incluir elegir entre un modelo u
otro.
 Modelo de regresión Lineal Simple
El análisis de regresión lineal simple es el más utilizado y el más sencillo de
todos. Se trata de estudiar el efecto de una variable independiente sobre
una única variable dependiente de la primera —o que al menos a nivel
teórico hemos considerado que es dependiente—. Empleando esta ecuación
de regresión lineal simple se puede realizar una estimación basándose en los
datos obtenidos.
Fórmula de la regresión lineal simple

y = B0 + B1 x + ε

Donde B0 es el valor de la variable independiente, B1 es la variable

dependiente y ε representa el residuo o error. La función de ε es
explicar la posible variabilidad de los datos que no pueden explicarse a
través de la relación lineal de la fórmula.

 Modelo de regresión lineal múltiple

En el caso de la regresión lineal múltiple nos encontramos con un modelo
que sencillamente cuenta con más de una variable independiente. Este
modelo lo aplicaremos cuando tengamos razones para creer que hay más
de un factor que afecta a la variable de estudio.
 Fórmula de la regresión lineal múltiple
Y = 0 + B1*X1 + B2*X2 + … + Bn*Xn + ε
Nuevamente, Y representa la variable dependiente que se está estudiando
y B1, B2, Bn son todas las variables independientes que pueden afectar al
valor de la variable dependiente Y. De igual modo ε sigue representando el
posible error existente.

 Modelo de regresión no lineal

Hay ocasiones en las que la relación que puede darse entre variables
independientes y la variable dependiente no tenga un desarrollo lineal, sino
que tengan, por ejemplo, un crecimiento exponencial. En esos casos, el
modelo de regresión no lineal entra en juego y permite que obtengamos
una aproximación de los valores de la variable dependiente en un
entorno no lineal. Tengamos presente que el proceso de una regresión
no lineal es más complejo, ya que puede no coincidir el número de
parámetros con el de las variables independientes.

Ejemplos
 Podemos preguntarnos si hay alguna relación entre las el consumo de
electricidad, las horas de trabajo, la eficiencia de las calderas y el tiempo
de vida de los engranajes de las máquinas del taller. La primera
aproximación seria representa pares de variables en un plano. Así,
obtendríamos una nube de puntos la cual podría indicarnos visualmente la
existencia o no de algún tipo de relación entre las variables.15
 Por ejemplo, en un proceso químico, supóngase que el rendimiento del
producto está relacionado con la temperatura de operación del proceso. El
análisis de regresión puede emplearse para construir un modelo que
permita predecir el rendimiento para una temperatura dada. Como
ilustración, considérense los datos de la siguiente tabla. En ella, Υ es la
pureza del oxígeno producido en un proceso de destilación químico, y x es
el porcentaje de hidrocarburos presentes en el condensador principal de la
unidad de destilación. La figura 1 presenta el diagrama de dispersión de
los datos contenidos en la Tabla 1. El análisis de este diagrama de
dispersión indica que, si bien una curva no pasa exactamente por todos los
puntos, existe una evidencia fuerte de que los puntos están dispersos de
manera aleatoria alrededor de una línea recta. Por consiguiente es
razonable suponer que la media de la variable aleatoria Υ está relaciona
con x por la siguiente relación lineal: E(Υ|x) = β0 + β1 x Donde la pendiente
y la ordenada al origen de la recta reciben el nombre de coeficientes de
regresión.16
 Así, por ejemplo, un economista podría estar interesado en determinar la
relación entre el ingreso de los trabajadores y su nivel de educación. Para
esto, podría llevar acabo un modelo de regresión en el que la variable
independiente (Y), será el ingreso del trabajador. En cuanto a las variables
explicativas (X), se deben incluir todas aquellas que podrían explicar el
ingreso entre las que se encuentran por supuesto la educación, la
experiencia, la educación de los padres, etc.

15

[Link]
NES/links/5a871265a6fdcc6b1a3abe40/[Link]
16
[Link]
 1.4 Indicadores en una investigación:

Definición:
Un indicador es una medida de resumen, de preferencia estadística, referida a la
cantidad o magnitud de un conjunto de parámetros o atributos. Permite ubicar o
clasificar las unidades de análisis con respecto al concepto o conjunto de
variables o atributos que se están analizando.17
Un indicador es una característica específica, observable y medible que puede
ser usada para mostrar los cambios y progresos que está haciendo un programa
hacia el logro de un resultado específico.
Los indicadores son características de la realidad y deben ser claros,
específicos, oportunos, referidos al concepto, comparables, disponibles,
observales, medibles, cuantificables.18
Un indicador es una característica específica, observable y medible que puede
ser usada para mostrar los cambios y progresos que está haciendo un programa
hacia el logro de un resultado específico. Deber haber por lo menos
un indicador por cada resultado. El indicador debe estar enfocado, y ser claro y
específico.19

Condiciones que debe tener un indicador:

 Válido: la medición exacta de un comportamiento, práctica, tarea, que es

el producto o resultado esperado de la intervención
 Confiable: consistentemente medible a lo largo del tiempo, de la misma
forma, por diferentes observadores
 Preciso: definido en términos operacionalmente claros
 Medible: cuantificable usando las herramientas y métodos disponibles
 Oportuno: aporta una medida a intervalos relevantes y apropiados en
términos de las metas y actividades del programa
 Importante programáticamente: vinculado al programa o a la consecución
de los objetivos del programa.

Objetivo:

 El objetivo de los indicadores es coadyuvar a la que la gestión de las

organizaciones sea eficaz y eficiente ya que facilita a sus integrantes su
desempeño, permitiéndoles evaluar la gestión y mejorar los
niveles de aprendizaje en la organización.20

Caracteristicas:
 Deber haber por lo menos un indicador por cada resultado. El indicador debe
estar enfocado, y ser claro y específico. El cambio medido por el indicador
debe representar el progreso que el programa espera hacer.

17
[Link]
18
[Link]
19
[Link]
20
[Link]
  Un indicador debe ser definido en términos precisos, no ambiguos, que
describan clara y exactamente lo que se está midiendo. Si es práctico, el
indicador debe dar una idea relativamente buena de los datos necesarios y de
la población entre la cual se medirá el indicador.
 En un mundo perfecto, los indicadores considerados de más calidad y más
útiles serían los elegidos para monitorear y evaluar las actividades del
programa.
 Sin embargo, en el mundo real intervienen muchos otros factores. Como lo
indican los marcos de monitoreo y evaluación, son importantes los vínculos
con las actividades del programa, y también las necesidades del programa
para la toma de decisiones.
 Muchos indicadores comúnmente usados no están definidos en términos
claros, o por lo menos incluyen terminología que podría se podría mejorar
para dar más precisión. Por ejemplo, “conocimientos sobre violencia en el
noviazgo”, “actitud hacia la violencia contra la mujer”, “disposición para buscar
ayuda” de las víctimas de violencia, o “calidad de los servicios”, todas ellas
pueden indicar cosas diferentes en circunstancias diferentes.
 Cuanto más definido esté el indicador, habrá menos lugar para confusiones o
complicaciones posteriores. Por ejemplo, “porcentaje de mujeres que acceden
a los servicios de salud en la institución X, desde la FECHA A a la FECHA B,
quienes expresan haber recibido los cuidados y asistencia apropiados” o
“porcentaje de hombres que expresan que no es aceptable golpear,
abofetear, dar puñetazos a sus esposas, con las manos u otros objetos bajo
ninguna circunstancia.”
 Los indicadores ideales pueden no ser prácticos; la factibilidad de usar ciertos
indicadores puede estar limitada por la disponibilidad de los datos y los
recursos humanos y financieros. Puede ser necesario tener que dar prioridad
a los requisitos y necesidades de los donantes, el gobierno, las sedes de los
organismos y otros.
• En la práctica ocurre que ciertas variables contienen indicadores más
complejos que otros, por ejemplo, los indicadores “nivel de escolaridad” y
“estilo de vida”. Este último debe desglosarse en subindicadores.

¿Cuántos indicadores se necesita?

Algunas directrices para seleccionar indicadores:
Al menos uno o más indicadores por resultado (lo ideal es que provengan de
diferentes fuentes)
Al menos un indicador por cada actividad principal (por ejemplo capacitación,
cambio de comportamiento comunicación)
No más de 8 a10 indicadores por área de foco de atención del programa
Utilizar una variedad de estrategias de recolección y fuentes de datos
 MAPA SEMANTICO DE MULTIVARIABLES  Análisis de Regresión. Modelo de Análisis Regresión:
 Análisis de supervivencia. Un modelo de regresión es un modelo matemático que
Métrica busca determinar la relación entre una variable
 Análisis de Varianza
 Correlación canónica dependiente (Y), con respecto a otras variables, llamadas
Apoyar al analista o investigador a tomar explicativas o independientes (X).
decisiones optimas en el contexto Forma del modelo de Regresión:
El modelo de regresión simple tiene la siguiente forma: Y =
A + BX + u
El mejor entendimiento del fenómeno Tipos de modelos de Regresion
u objeto de estudio obteniendo Dependencia Podemos realizar 3 modelos de análisis distintos en función
información de los métodos del número de variables y la forma de interactuar entre
estadísticos usados para ello. ellas: Modelo de regresión lineal simple, Modelo de
 Análisis regresión lineal múltiple, Modelo de regresión no lineal
Discriminante. Características:
No Métrica  Es común el interés de estudiar la existencia de
 Modelos de
Cuando hay más de tres relaciones entre variables.
objetivos regresión logística
 En muchos problemas existe una relación inherente
variables involucradas y el contexto
de su contenido no está claro. El entre dos o más variables, y resulta necesario explorar
objetivo es detectar una estructura la naturaleza de esta relación. El análisis de regresión
por un lado, y verificar los datos de es una técnica estadística para el modelado y la
las estructuras por otro Su razón de Cuáles son investigación de la relación entre dos o más variables.
 Escoger el modelo de regresión lineal correcto puede
ser los tipos ser difícil. Tratar de modelarlo con solo una muestra
no lo hace más fácil.

Cuando se Características:
Modelos Constan de un modelo estructural que
utiliza Estructurales especifica las relaciones de
dependencia entre los constructos.
Conjunto de metodos Y de un modelo de medida que
estadisticos cuya finalidad es Interdependencia especifica como los indicadores se
analizar los conjuntos de
datos multivariantes Multivariantes relacionan con sus respectivos
constructos.

Como se define De Interdependencia con

De Interdependencia con
datos métricos
datos métricos

Análisis factorial Escalas Análisis Cluster Modelos Log_Lineales

Análisis de
multidimensionales
Correspondencia
Definición: Analiza interrelaciones entre un número elevado de DM explicando
dichas interrelaciones en términos de Factores o componentes.
Los tipos de análisis factorial son:
El Análisis Factorial Exploratorio (AFE) es una técnica estadística que permite Definición: Clasifica una muestra de entidades en un numero Aplica tablas de contingencia multidimensionales representado en filas y
explorar con mayor precisión las dimensiones subyacentes, constructos o variables pequeño de grupos de formas de las Observaciones de un columnas
segmento sea diferente al resto. El análisis de correspondencias es una técnica descriptiva desarrollada
latentes de las variables observadas, es decir, las que observa y mide el
Su objetivo es crear grupos homogéneos a partir de objetos por Jean-Paul Benzécri. Suele aplicarse al estudio de tablas de
investigador.
individuales heterogéneos. Hoy en día, el análisis de cluster es contingencia y es conceptualmente similar al análisis de componentes
El análisis factorial confirmatorio, AFC, trata de determinar si el número de una parte común del marketing y se utiliza, entre otras cosas,
factores obtenidos y sus cargas se corresponden con los que cabría esperar a la luz principales con la diferencia de que en el análisis de correspondencias los
como base para las medidas publicitarias datos se escalan de modo que filas y columnas se tratan de modo
de una teoría previa acerca de los datos. Por ejemplo, clasificar grupos de alimentos (pescados, carnes,
Su uso: Se utiliza para analizar interrelaciones entre un número elevado de variables equivalente.
vegetales y leche) en función de sus valores nutritivos. El análisis de correspondencias descompone el estadístico del test de la ji-
métricas explicando dichas interrelaciones en términos de un número menor de Importancia: Como puede comprenderse fácilmente el análisis
variables denominadas factores (si son inobservables) o componentes principales (si cuadrado asociado a una tabla de contingencia en componentes
cluster tiene una extraordinaria importancia en la investigación
son observables). ortogonales. Dado que se trata de una técnica descriptiva, puede
científica, en cualquier rama del saber. Téngase presente que la
El análisis factorial se utiliza para identificar factores que expliquen una variedad de clasificación es uno de los objetivos fundamentales de la ciencia aplicarse incluso en circunstancias en las que la prueba anterior no es
resultados en diferentes pruebas apropiada.