Sinceramente, he de darle la enhorabuena por la forma que ha tenido de explicar este tema, de manera fácil, sencilla y, sobre todo, comprensible. Simplemente, Magistral. Lástima que tenga pocos videos, los que como yo necesitamos cierta ayuda, seguro que le agradeceríamos más videos. Muchas gracias.
Muy bueno en video, Giovanny. Me gustaría que también subieras otro sobre Análisis de Correspondencias Múltiples y de Escalamiento Multidimensional. Saludos!!
Un gran video, una consulta, qué pasos debo seguir para luego de este procedimiento, poder hallar indices sintéticos, o en todo caso de que forma se hallan los indices sintéticos, agradecería tu respuesta.
SALUDOS. Me gusta el video excelente trabajo En el minuto 8:30 realizas un cambio en una componente para aumentar su valor pero no nos dice la razón de porqué al realizar ese cambio el valor aumenta, si pudieras explicar te lo agradezco, gracias!
Hola. Luego de determinar los componentes, entonces cómo se calcula el valor de cada componente para cada observación/unidad muestral? Se supone que cada variable representa una proporción del valor del componente?
Muchas gracias por el análisis me ayudó bastante; quisiera hacer una consulta, en este método puedo darme cuenta que sirve para variables que no dependen una de otra, es decir, no es de la forma "y = mx + b" o de la forma "y = ax + by + ... + cz", pero ¿se podría aplicar a situaciones donde las variables son dependientes en un modelo lineal simple o múltiple donde existen variables independientes y una dependiente?
Muchas gracias por el comentario. Este método genera nuevas variables denominadas "latentes", F1=u_{11} *X1+u_{12}*X2+... +u_{1p}*Xp, de este modo F1 es una nueva variable que es una función lineal de las variables originales, es decir, que contiene información de todas ellas; asimismo se puede construir F2=u_{21} *X1+u_{22}*X2+... +u_{2p}Xp, que sería una segunda variable latente, que contiene información que no está en F1, lo que origina la propiedad de que la correlación entre F1 y F2 es cero. Así que contestando a la pregunta, el método puede ser usado en modelos econometricos/supervisados para reducir el número de variables independientes, eliminando así el problema de multicolinealidad.
Son departamentos que no se diferencian por algo en especial, sus variables tienen niveles cercanos al promedio. Esto es debido a que el análisis está escalado/normalizado, entonces el origen del plano representa el punto dónde todas las variables son iguales a su media.
No, cada componente resume la información de todas las variables. De hecho, cada componente principal es una combinación lineal de todas las variables originales (C = w1*X1 + w2*X2+ ... +wp*Xp)
Entonces de que sirve tener varios componentes en los cuales todos tienen las mismas variables pero presentan distintos valores ?. Soy nuevo en esto, me cruje la cabeza, gracias por responder
No entendí bien!! La verdad es que yo soy primeriza y a mi no me enseñaron bien como hacerlo. En mi caso tengo que hacer una correlación de 41 preguntas pero no tengo idea de como hacerlo. Alguien podría ayudarme!!🥺
Sinceramente, he de darle la enhorabuena por la forma que ha tenido de explicar este tema, de manera fácil, sencilla y, sobre todo, comprensible. Simplemente, Magistral.
Lástima que tenga pocos videos, los que como yo necesitamos cierta ayuda, seguro que le agradeceríamos más videos. Muchas gracias.
Qué excelente explicación amigo. Te recomiendo subir más videos, tendrías mucha pegada. Saludos desde Perú.
Saludos, buena explicación clara y con un ejemplo real. Espero agregue más vídeos sobre otros análisis multivariados.
¡Muy buen vídeo de análisis de componentes principales en SPSS!
Excelente video!
El contraste de la práctica con la teoría está buenísimo 😎👍
Muchas gracias!
Que buen video! mil graciaaaas me salvaste la tesis !
excelente material profe.
Excelente!
Muchas gracias 👍🏼👍🏼👍🏼
Muchas gracias por la excelente explicación
Muy bueno en video, Giovanny. Me gustaría que también subieras otro sobre Análisis de Correspondencias Múltiples y de Escalamiento Multidimensional. Saludos!!
Excelente. Profesor
¡Felicidades! Excelente ejemplo y explicación!!! ¿Podría hacer que los datos utilizados en SPSS estén disponibles?
QUE BUEN VIDEO! GRACIAS.
EXCELENTE !!
Gracias Giovany, me ha ayudado mucho. ¿Se puede representar en un único gráfico, el gráfico de componentes con el de los departamentos?
muy interesante ....
GRACIAS
Un gran video, una consulta, qué pasos debo seguir para luego de este procedimiento, poder hallar indices sintéticos, o en todo caso de que forma se hallan los indices sintéticos, agradecería tu respuesta.
SALUDOS. Me gusta el video excelente trabajo
En el minuto 8:30 realizas un cambio en una componente para aumentar su valor pero no nos dice la razón de porqué al realizar ese cambio el valor aumenta, si pudieras explicar te lo agradezco, gracias!
Excelente.
Hola. Luego de determinar los componentes, entonces cómo se calcula el valor de cada componente para cada observación/unidad muestral? Se supone que cada variable representa una proporción del valor del componente?
Seria recomendable tener el documento para descargarlo, por otro lado, perfecto!
Muchas gracias por el análisis me ayudó bastante; quisiera hacer una consulta, en este método puedo darme cuenta que sirve para variables que no dependen una de otra, es decir, no es de la forma "y = mx + b" o de la forma "y = ax + by + ... + cz", pero ¿se podría aplicar a situaciones donde las variables son dependientes en un modelo lineal simple o múltiple donde existen variables independientes y una dependiente?
Muchas gracias por el comentario. Este método genera nuevas variables denominadas "latentes", F1=u_{11} *X1+u_{12}*X2+... +u_{1p}*Xp, de este modo F1 es una nueva variable que es una función lineal de las variables originales, es decir, que contiene información de todas ellas; asimismo se puede construir F2=u_{21} *X1+u_{22}*X2+... +u_{2p}Xp, que sería una segunda variable latente, que contiene información que no está en F1, lo que origina la propiedad de que la correlación entre F1 y F2 es cero. Así que contestando a la pregunta, el método puede ser usado en modelos econometricos/supervisados para reducir el número de variables independientes, eliminando así el problema de multicolinealidad.
Como serian interpretados aquellos departamentos que estan cerca del 0,0?
Son departamentos que no se diferencian por algo en especial, sus variables tienen niveles cercanos al promedio. Esto es debido a que el análisis está escalado/normalizado, entonces el origen del plano representa el punto dónde todas las variables son iguales a su media.
Hola amigo, sería de gran ayuda que pasarás el documento para poder descargarlo y practicar por favor...
Cada componente representa una variable ?
No, cada componente resume la información de todas las variables. De hecho, cada componente principal es una combinación lineal de todas las variables originales (C = w1*X1 + w2*X2+ ... +wp*Xp)
Entonces de que sirve tener varios componentes en los cuales todos tienen las mismas variables pero presentan distintos valores ?. Soy nuevo en esto, me cruje la cabeza, gracias por responder
A la próxima podrías dejar el archivo para descargar :)
No entendí bien!! La verdad es que yo soy primeriza y a mi no me enseñaron bien como hacerlo. En mi caso tengo que hacer una correlación de 41 preguntas pero no tengo idea de como hacerlo. Alguien podría ayudarme!!🥺