ANALÍTICA DE DATOS

Análisis Factorial
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 número mínimo de dimensiones capaces de explicar el máximo de información contenida en los datos.
  1. Los GRUPOS HOMOGÉNEOS se forman con las variables que correlacionan mucho entre sí y procurando, inicialmente, que unos grupos sean independientes de otros.
  2. ESQUEMA DE UN ANÁLISIS FACTORIAL
    1. -> Formulación del problema.
    2. ->Análisis de la matriz de correlación.
    3. ->Extracción de factores
    4. -> Determinación del número de factores
    5. -> Rotación de factores
    6. -> Interpretación de factores
    7. -> Validación del modelo
    8. -> Cálculo de puntuaciones factoriales
    9. -> Selección de las variables representativas
    10. Análisis posteriores: regresión, cluster...
  3. SE PUEDE DIVIDIR EN DOS GRANDES MÉTODOS Y TÉCNICAS DE ANÁLISIS.
    1. MÉTODOS DESCRIPTIVOS O EXPLORATORIOS: éstos métodos se utiliza cuando el investigador se aproxima a Datos sin ninguna hipótesis previa, el objetivo es observar la realidad para obtener nuevos conocimientos.
      1. ANÁLISIS FACTORIAL EXPLORATORIO
        Por lo general, el AFE no debería aplicarse cuando el tamaño muestral está constituido por menos de 50 casos. Además, es preferible que dicho tamaño sea mayor que 100 o, idealmente, 300-400 casos a fin de minimizar la probabilidad de equivocación (valores inflados), aumentar la precisión de los estimadores poblacionales y, por tanto, la confianza en las inferencias elaboradas.
        ESTÁNDARES
        Tamaño muestral
        Ratio mínima de casos por variable
        Ratio de variables por factor
    2. MÉTODOS EXPLICATIVOS O CONFIRMATIVOS: en estos métodos se parte de una hipótesis previas basadas en un marco teórico. El investigador se acerca a los datos con el objetivo de validar empíricamente dichas hipótesis.
      1. ANÁLISIS FACTORIAL CONFIRMATORIO
        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
        Informa sobre la estructura interna de los instrumentos de medida. Tras la selección de datos, se estiman los parámetros y, a continuación, se evalúa el ajuste del modelo. Si el modelo presenta un ajuste adecuado, se podrá utilizar para evaluar e interpretar los parámetros.
Modelos de ecuaciones estructurales
1. CARACTERÍSTICAS
  1. 1. Evaluar las relaciones de dependencia tanto múltiple como cruzadas
  2. 2. el grado para representar conceptos no observados en estas relaciones y tener en cuenta el error de medida en el proceso de estimación
2. Cupani (2012), refiere que es 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.
3. UTILIDAD
  1. 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; así como las variables con ambos roles; que bien puede ser bajo la sig estructura:
  2. OBJETIVOS
    1. Entender los pasos para construir un modelo de investigación con interrelaciones de causalidad
    2. Ser capaz de construir e interpretar diagramas causales SEM
    3. Entender los principios básicos de cómo se contrastan e interpretan los SEM
    4. Ser capaz de utilizar diferentes programas (EQS, PLS, AMOS, etc.) para estimar los SEM
4. FASES DEL MODELO
  1. Especificación
  2. Identificación
  3. Estimación de parámetros
  4. La evaluación o bondad de ajuste s
  5. reespecificación del modelo
  6. interpretación de resultados que lo conforman
5. ETAPAS EN LA ESTIMACIÓN
  1. Plantear estructuras de constructos-ítem a priori
  2. Construir un diagrama del modelo a medida
  3. Seleccionar la matriz de datos (input)
  4. Estimar el modelo
  5. Evaluar la bondad de ajuste del modelo
  6. Interpretar y modificar el modelo (si está justificado)
BIG DATA
1. Corresponde al proceso de examinar una gran cantidad de datos para descubrir patrones ocultos, correlaciones desconocidas e información útil, con el propósito de sacar conclusiones sobre la información..
Modelo Data Enterprise Leadership Targets Analysts (DELTA)
1. Es la base de todo proceso de tratamiento y análisis de datos. Es poder desarrollar un plan estratégico de datos para alcanzar una madurez analítica que aporte a la empresa.
2. DATA.- capturar, procesar y estructurar los datos de forma que queden listos para ser analizados
3. ENTERPRISE.- compartir los datos, la tecnología y los recursos dentro de la empresa para crear la cultura basada en datos.
4. LEADERSHIP.- Se requiere tener soporte directo de las altas esferas de la compañía, y relacionarse mucho con el equipo de analistas que sí tienen como misión el análisis cuantitativo
5. TARGET.- Orientar los esfuerzos. Es necesario generar las capacidades para analizar y entender en dónde nos equivocamos basados en datos. Por eso una equivocación con un target claro genera un crecimiento.
6. TECHNOLOGY.- Es la palanca de innovación de una empresa. Deben ser capaces de controlar los desafíos del Big data: Volumen, Velocidad, Variedad, Veracidad y Valor.
7. ANALYSTS.- generar las capacidades para analizar y entender nuestros errores. Receptores de datos, uso de herramientas, creación de modelos, creación de algoritmos y modelos, liderazgo de iniciativas.

Media attachments

Tecnicas Analisis (binary/octet-stream)

Next up

ANALÍTICA DE DATOS

Description

Resource summary

Media attachments

Similar

	Created by JD GC about 6 years ago