ANALITICA DE DATOS

ANALITICA DE DATOS

1. ANÁLISIS FACTORIAL

   • Es una técnica de reducción de datos que sirve para encontrar grupos homogéneos de variables a partir de un conjunto numeroso de variables. Es buscar el numero mínimo de dimensiones capaces de explicar al máximo de información contenida en los datos.
     • ESQUEMA DEL ANÁLISIS FACTORIAL
       • - Formulación del problema
       • - Análisis de la matriz de correlación
       • - Extracción de Factores
       • - Determinación del número de factores
       • - Rotación de Factores
       • - Validación del Modelo
       • - Calculo de puntuaciones factoriales
       • - Selección de las variables representativas
       • - Análisis posteriores: Regresión, Cluster...
   • MÉTODOS EXPLICATIVOS O CONFIRMATIVOS
     • Se parte de una hipótesis previa basada en un marco teórico. El investigador se acerca a los datos con el objetivo de validar empíricamente dichas hipótesis.
       • Informa sobre la estructura interna de los instrumentos de medida. Tras la selección de datos se estiman los parámetros y se evalúa el ajuste del modelo. Si el modelo presenta un ajuste adecuado, se podrá utilizar para evaluar e interpretar los parámetros.
         • Se representa con un diagrama de flujo
           • Los rectángulos representan ítems y las elipses, factores comunes.
           • Flechas unidireccionales entre factores comunes e ítems expresan saturaciones.
           • Flechas bidireccionales indican correlaciones entre factores comunes o únicos
   • MÉTODOS DESCRIPTIVOS O EXPLORATORIOS
     • Se utilizan cuando el investigador se aproxima a datos sin ninguna hipótesis previa, el objetivo es observar para tener nuevos conocimientos.
       • Este método no debería aplicarse cuando el tamaño muestral es por lo menos de 50 casos. El tamaño idea es que sea mayo de 100 para minimizar la probabilidad de equivocación,. aumentar la precisión de los estimadores poblacionales y por tanto la confianza en las inferencias elaboradas.
         • ESTANDARES
           • Ratio de variables por factor
           • Ratio mínima de casos por variable
           • Tamaño Muestral

2. MODELOS DE ECUACIONES ESTRUCTURALES

   • Se refiere a una técnica que combina tanto la regresión múltiple como el análisis factorial. Permite al investigador no solo evaluar las muy complejas interrelaciones de dependencia sino también incorporar los efectos del error de medida sobre los coeficientes estructurales al mismo tiempo.
   • Se utiliza para explicar fenómenos a la directiva de la empresa, a través de técnicas inferenciales multivariables clásicas y la interrelación existente entre las variables dependientes e independientes, asi como las varibles con ambos roles.
   • OBJETIVOS
     • Entender los pasos para construir un modelo de investigación con interrelaciones de causalidad
     • Ser capaz de construir e interpretar diagramas casuales SEM
     • Entender los principios básicos de cómo se contrastan e interpretan los SEM
     • Ser capaz de utilizar diferentes programas para estimar los SEM (EQS, PLS, AMOS, etc.)
   • FASES DEL MODELO
     • Especificación
     • Identificación
     • Estimación de parametrós
     • Evaluación o bondad de ajustes
     • Reespecificación del modelo
     • Interpretación de resultados que lo conforman
   • ETAPAS DE LA ESTIMACIÓN
     • Plantear estructuras de constructos-ítem a prriori
     • Construir un diagrama del modelo a medida
     • Seleccionar la matriz de datos (input)
     • Estimar el modelo
     • Evaluar la bondad de ajuste del modelo
     • Interpretar y modificar el modelo
   • CARACTERISTICAS
     • 1- Evaluar las relaciones de dependencia tanto múltiple como cruzadas.
     • 2 - El grado para representar conceptos no observados en estas relaciones y tener en cuenta el error de medida en el proceso de estimación.