Guia d'anàlisi multivariant: ACS, ACM i ACP

Interpretar (Taules)

• Taula de contingència: Mirar les freqüències → Veure quines categories apareixen més i la relació inicial entre variables.
• Chi-quadrat: p < 0,05 → Hi ha associació entre les variables → podem interpretar l'ACS.
• Resum del model/Inèrcia: Mirar el % d'inèrcia explicada → Si les dues primeres dimensions expliquen >70% → és representatiu.
• Valors propis (Eigenvalues): Les dimensions amb més inèrcia són les més importants (normalment s'interpreten les 2 primeres dimensions).
• Coordenades de files i columnes: Mirar quines categories tenen coordenades semblants (categories properes → perfil similar).
• Mapa factorial:
  • Categories properes → associades.
  • Categories llunyanes de l'origen (0,0) → més discriminants i més importants.
  • Categories a prop del centre → aporten poca informació.
• Interpretació sociològica: Analitzar els eixos (Dimensió 1 i Dimensió 2).

ACM: (+ de 2 variables qualitatives)

Mirar el % de variància/inèrcia explicada:

• Les primeres dimensions han d'explicar un percentatge elevat (ideal >60-70%).
• Normalment s'interpreten les 2 primeres dimensions.

Valors propis (Eigenvalues)

• Les dimensions amb més valor propi són les més importants.
• Normalment s'interpreten les 2 primeres dimensions.

Excel (important): Amb la inèrcia que dona SPSS

• Calcular el % d'inèrcia de cada dimensió.
• Mirar el % acumulat.
• Decidir quantes dimensions (grans grups) interpretar.

Coordenades de les categories (amb Excel)

• Calcular la contribució de cada categoria a cada dimensió.
• Les categories amb una contribució superior a la mitjana són les que defineixen la dimensió.
• Les categories amb contribució baixa pràcticament no s'interpreten.

Variables suplementàries

• No serveixen per construir les dimensions, només per interpretar-les.
• Primer construeixes les dimensions amb les variables actives.
• Després mires on cauen les suplementàries per donar significat sociològic.

Mesures de discriminació

• Indica quines variables expliquen millor cada dimensió.
• Com més alta la discriminació, més important és aquella variable per definir la dimensió.

Quantificacions / Coordenades

• Categories amb coordenades semblants → tenen perfils similars.
• Categories oposades → perfils diferents.

Mapa factorial

• Categories properes → associades.
• Categories oposades → perfils diferents.
• Categories lluny del centre → més representatives.
• Categories molt a prop del centre → poc discriminants.
• Interpretar sociològicament cada dimensió.

ACP: (Variables quantitatives)

Matriu de covariància: Relacions entre variables (allunyades de 0).

• Prova KMO: (indica si podem seguir analitzant)
  • a) KMO: > 0,7 bona (com més baix pitjor) → Adequat.
  • b) Bartlett: si és significatiu < 0,05.
• Comunalitat: Si l'extracció de les variables és > 0,4 està bé (ben representades) → sinó, tornar a fer i eliminar.
• Variància total explicada: Total superior a 1, % acumulat superior a 70% → A partir d'aquí tornar a fer l'anàlisi amb +/- components.
• Gràfic de sedimentació: (recolza la taula anterior: Variància total explicada).
• Matriu de component rotat: Agrupar les variables per grups (superiors a 0,4-0,5 i dona igual que sigui + /-) → tu interpretes sociològicament. → Si no et quadren, fas un altre cop l'anàlisi amb +/- components.