ANOVA: Comparación de Medias entre Grupos

El ANOVA es una técnica estadística que permite determinar si existen diferencias significativas entre las medias de tres o más grupos. Compara la variación entre los grupos con la variación dentro de los grupos. Se usa cuando hay una variable dependiente cuantitativa y una variable independiente categórica o factor.

ANOVA de un factor

El ANOVA de un factor analiza el efecto de una sola variable independiente sobre una variable dependiente. Se llama “de un factor” porque la heterogeneidad entre los grupos se explica por una única causa o factor. Por ejemplo, comparar la altura de plantas sometidas a distintos niveles de luz.

Componentes de la Variación

• La SCE es la suma de cuadrados entre grupos y mide la variación explicada por el factor.
• La SCD es la suma de cuadrados dentro de los grupos y mide la variación no explicada o aleatoria.
• La SCT es la suma de cuadrados total y representa la variabilidad total de los datos. Se define como: SCT = SCE + SCD.

El Estadístico F y Toma de Decisiones

El estadístico F compara dos varianzas: la variabilidad entre grupos y la variabilidad dentro de los grupos. Si F es grande, significa que las diferencias entre medias son importantes respecto de la variación interna. La fórmula es F = CME / CMD. Si el F calculado > F crítico o p ≤ α, se rechaza la hipótesis nula (H₀).

Pruebas Post-Hoc: Tukey-Kramer

El procedimiento Tukey-Kramer se usa después del ANOVA cuando se rechaza H₀. Sirve para identificar específicamente entre qué pares de medias existen diferencias significativas. Compara diferencias absolutas entre medias con un rango crítico. Si la diferencia supera el valor crítico, ese par de medias difiere significativamente.

Regresión Lineal Simple y Múltiple

Regresión Lineal Simple

La regresión lineal simple analiza la relación entre una variable dependiente Y y una variable independiente X. Su objetivo es construir una ecuación que permita explicar o predecir valores de Y a partir de X. Se usa cuando se supone una relación lineal entre ambas variables. La ecuación estimada es: Ŷ = a + bX.

• a es el intercepto y representa el valor esperado de Y cuando X vale cero.
• b es la pendiente e indica cuánto cambia Y, en promedio, cuando X aumenta una unidad.
• El término de error representa la parte de Y que el modelo no logra explicar (variables omitidas, azar, errores de medición).
• El residuo es la diferencia entre el valor real de Y y el valor estimado por el modelo: e = Y – Ŷ.

Coeficientes de Correlación y Determinación

El coeficiente de correlación r mide la dirección y fuerza de la relación lineal entre X e Y. Si r es positivo, la relación es directa; si es negativo, es inversa. El R² indica qué proporción de la variación total de Y está explicada por el modelo de regresión (valores entre 0 y 1).

Regresión Lineal Múltiple

La regresión lineal múltiple es una extensión de la regresión simple que analiza la relación entre una variable dependiente Y y dos o más variables independientes X. La ecuación general es: Ŷ = b₀ + b₁X₁ + b₂X₂ + … + bkXk.

• R² ajustado: Corrige el R² considerando el número de variables independientes y el tamaño de la muestra, penalizando el exceso de variables innecesarias.
• Prueba F global: Evalúa si el modelo en conjunto es significativo (H₀: β₁ = β₂ = … = βk = 0).
• Pruebas t individuales: Analizan si cada variable independiente tiene un efecto significativo por separado.
• Multicolinealidad: Ocurre cuando las variables independientes están muy correlacionadas entre sí, dificultando distinguir sus efectos individuales.
• Interacción: Existe cuando el efecto de una variable sobre Y cambia según el valor de otra variable independiente.

Supuestos y Análisis Residual

Los supuestos principales incluyen linealidad, independencia, normalidad y homocedasticidad (igualdad de varianza de los errores). El análisis residual permite verificar si el modelo es adecuado; los residuos deben distribuirse de forma aleatoria alrededor de cero. El estadístico Durbin-Watson sirve para detectar autocorrelación entre errores (valores cerca de 2 indican ausencia de autocorrelación).

Análisis Multivariante

El análisis multivariante se aplica cuando se estudia simultáneamente el comportamiento de varias variables. Se divide en:

• Técnicas de interdependencia: No distinguen entre variables dependientes e independientes (ej. ACP, Clúster).
• Técnicas de dependencia: Distinguen entre una variable dependiente y variables independientes (ej. Regresión múltiple, Análisis discriminante).

Análisis de Componentes Principales (ACP)

El ACP es una técnica de reducción de datos que transforma muchas variables correlacionadas en un menor número de componentes principales no correlacionados. El valor propio indica cuánta varianza explica cada componente (se suelen conservar los > 1). Las cargas factoriales indican la correlación entre variables originales y componentes. La rotación Varimax facilita la interpretación al redistribuir las cargas.

Análisis de Correspondencias (AFC)

El AFC analiza relaciones entre variables categóricas mediante tablas de contingencia y un mapa perceptual. La inercia mide la variabilidad explicada. El baricentro es el centro del mapa; las categorías alejadas de él contribuyen más a la explicación de los factores.

Técnicas de Clasificación y Agrupamiento

Análisis Clúster

El análisis clúster agrupa casos según su similitud, buscando homogeneidad interna y heterogeneidad externa. Utiliza medidas como la distancia euclídea.

• Métodos jerárquicos: Forman estructuras en árbol. El método ascendente (aglomerativo) empieza con casos individuales y los une; el método descendente (divisivo) parte de un grupo total y lo divide.
• Dendrograma: Representación gráfica del proceso de agrupamiento que ayuda a decidir el número de grupos.
• Método de Ward: Busca minimizar la variabilidad interna para generar grupos compactos.
• K-medias: Procedimiento no jerárquico que requiere definir previamente el número de grupos k y asigna casos según su cercanía al centroide (promedio del grupo).

Análisis Discriminante

A diferencia del clúster, en el análisis discriminante los grupos ya están definidos. Su objetivo es encontrar una función discriminante (combinación lineal de variables) que maximice la separación entre grupos y permita clasificar nuevos casos.

• Lambda de Wilks: Mide la proporción de variabilidad no explicada; valores bajos indican una buena discriminación.
• Matriz de confusión: Compara la clasificación real con la predicha para evaluar la precisión del modelo.

Series de Tiempo

Una serie de tiempo es un conjunto de datos ordenados cronológicamente. Sus componentes principales son tendencia, estacionalidad, ciclos y variaciones irregulares.