Presentación
1. Introducción
1.1. Introducción
1.2. Niveles de medida de las variables
1.3. Clasificación de las técnicas multivariantes
1.4. Proceso de aplicación de una técnica multivariante
2. Análisis previo de los datos
2.1. Introducción
2.2. Valores perdidos
2.3. Outliers: casos atípicos
2.4. Comprobación de los supuestos básicos del análisis multivariante
3. Análisis de conglomerados
3.1. Introducción
3.2. Medidas de similaridad
3.3. Formación de los grupos: análisis jerárquico de conglomerados
3.4. Selección del número de conglomerados de la solución
3.5. Formación de los grupos: análisis no jerárquico de conglomerados
3.6. Elección entre los distintos tipos de análisis de conglomerados
3.7. Un ejemplo de aplicación del análisis de conglomerados
4. Escalamiento multidimensional
4.1. Introducción
4.2. El algoritmo básico del MDS
4.3. Recogida de datos para un escalamiento multidimensional
4.4. Tipos de escalamiento multidimensional
5. Análisis de correspondencias
5.1. Introducción
5.2. Funcionamiento del análisis de correspondencias
5.3. Fundamentación matemática del análisis de correspondencias
5.4. Incorporación de puntos suplementarios al análisis de correspondencias simple
5.5. Análisis de correspondencias múltiple
6. Análisis de la varianza
6.1. Introducción
6.2. Análisis de la varianza de un factor
6.3. Análisis de la varianza de dos factores
7. Análisis multivariante de la varianza
7.1. Introducción
7.2. Análisis multivariante de la varianza con un factor
7.3. Análisis multivariante de la varianza con dos factores
8. Regresión lineal múltiple
8.1. Introducción
8.2. El modelo de regresión lineal simple y su estimación por mínimos
cuadrados
8.3. El modelo de regresión lineal múltiple y su estimación por mínimos
cuadrados
8.4. Contraste de hipótesis
8.5. Bondad de ajuste del modelo
8.6. Supuestos del análisis de regresión múltiple
8.7. Modelos con variables ficticias
9. Análisis discriminante
9.1. Introducción
9.2. Clasificación con dos grupos
9.3. Análisis discriminante con más de dos grupos
10. Regresión logística
10.1. Introducción
10.2. El modelo de regresión logística binomial
10.3. Regresión logística multinomial
11. Análisis de componentes principales
11.1. Introducción
11.2. La geometría del análisis de componentes principales
11.3. Componentes principales de dos variables
11.4. Componentes principales para el caso general
11.5. Aspectos operativos en la estimación de un PCA
12. Análisis factorial exploratorio
12.1. Introducción
12.2. Formulación del modelo de análisis factorial exploratorio
12.3. Métodos para la extracción de factores
12.4. Determinación del número de factores que hay que retener
12.5. Rotación de la solución factorial
12.6. Indicadores de bondad de la solución factorial
12.7. Puntuaciones factoriales
12.8. Un ejemplo de aplicación del análisis factorial exploratorio
13. Modelos de ecuaciones estructurales: análisis factorial confirmatorio
13.1. Introducción
13.2. Formalización matemática del análisis factorial confirmatorio (CFA)
13.3. La identificación del modelo en un CFA
13.4. Estimación del análisis factorial confirmatorio
13.5. Bondad de ajuste del modelo estimado
13.6. Interpretación del modelo
13.7. Reespecificación del modelo
13.8. Un ejemplo completo de CFA
13.9. Anexo 13.1
14. Modelos de ecuaciones estructurales: validación del instrumento de medida
14.1. Introducción
14.2. La medición en ciencias sociales
14.3. Análisis de la fiabilidad del instrumento de medida
14.4. Análisis de la validez del instrumento de medida
14.5. Un ejemplo completo de evaluación del instrumento de medida
14.6. Guía para el desarrollo de escalas
15. Modelos de ecuaciones estructurales: modelos de estructuras de covarianza (CB-SEM)
15.1. Introducción
15.2. Formalización matemática del CB-SEM
15.3. Identificación del modelo de ecuaciones estructurales
15.4. Estimación del modelo de ecuaciones estructurales
15.5. Bondad de ajuste del modelo estimado
15.6. Interpretación del modelo
15.7. Reespecificación del modelo
15.8. Un ejemplo completo de modelo de ecuaciones estructurales
16. Modelos de ecuaciones estructurales: modelos de estructuras de
varianza (PLS-SEM)
16.1. Introducción
16.2. El algoritmo de estimación de los modelos PLS-SEM
16.3. Cuándo usar PLS-SEM: fortalezas y debilidades
16.4. Etapas en la estimación de un modelo estructural mediante PLS-SEM
16.5. Presentación de los resultados en una publicación
Bibliografía