ANÁLISIS MULTIVARIANTE DE LA VARIANZA (MANOVA)

Si el análisis de la varianza univariante pretende contrastar hipótesis lineales sobre la influencia de los distintos niveles de uno o varios factores en el comportamiento de una variable (unidimensional), el análisis multivariante de la varianza (MANOVA) tiene la misma pretensión, pero considerando un vector (multidimensional) de variables.

La aplicación paradigmática del análisis de la varianza es determinar si existen diferencias significativas entre los distintos niveles o grupos de un factor ( categórico), a través del contraste de igualdad de medias. Porque es, fundamentalmente, ésta la aplicación que nos interesa, aquí nos detendremos un poco en ella, para el caso multivariante del MANOVA, para luego poder extender sus resultados y consideraciones al análisis factorial discriminante.

Los supuestos del análisis serán los mismos en el caso del MANOVA que en el del análisis factorial discriminante y, en consecuencia, los mantendremos ya desde aquí:

1. Consideramos un vector aleatorio Y de dimensión n sobre el cuál obtenemos g muestras correspondientes a los g niveles, categorías o grupos considerados.

2. Suponemos que Y sigue, en cada una de las poblaciones de los g grupos una distribución Normal n-variante con vector de medias M (i= 1,2,...g),eventualmente distinto para cada grupo y matriz de covarianzas V, la misma para todas las poblaciones.

Bajo estos supuestos, consideraremos, también, que cada observación n-dimensional para cada grupo, i, puede expresarse de acuerdo con el siguiente modelo:

                                                                                Y_i = M + A_i + E_i

Donde: M es el vector de medias general. A_i es un vector n-dimensional que nos indica el efecto propio del nivel o grupo i-simo. E_i es un vector aleatorio que nos indica la desviación errática de las observaciones y se supone que sigue una distribución normal n-dimensional con vector de medias el vector nulo y matriz de varianzas V, la misma para todos los grupos (i=1,2,...g)

En estas circunstancias es fácil comprobar cómo el vector Y_i tendrá, en cada grupo, i, una distribución:

                                                                            Y_i ® N [ (M + A_i ); V ]

Sobre este modelo nos plantemos contrastar la hipótesis nula de que todos los vectores A sean nulos:

                                                                                H₀: A₁= A₂=....= A_g =0

Esta hipótesis equivale a considerar que no hay diferencias en los vectores de medias de Y en cada uno de los grupos o que las medias en cada grupo son las mismas y coinciden el vector M .

Para la realización del contraste, partimos, como en el caso univariante, de la descomposición de la varianza total; en este caso de la matriz de varianzas y covarianzas total.

La matriz de varianzas muestrales T puede verse como la suma de otras dos matrices de varianzas: T = B + W

Donde B es la matriz de varianzas "entre-grupos" (Between-groups) y W es la matriz de varianza "intra- grupos" (Within-groups).

B expresa las varianzas y covarianzas, considerando los centroides de los grupos como observaciones.

W, en cambio, expresa la suma para todos los grupos de las varianzas y covarianzas de las observaciones de cada grupo.

Pues bien, la matriz NB, donde N es el número total de observaciones muestrales, puede probarse que sigue una distribución de Wishart con parámetros n, g-1 , V (lo que se expresa como W_n(g-1, V ) ).

La distribución puede considerarse como una generalización de la distribución c ² de Pearson, que puede definirse de acuerdo con el siguiente esquema general:

Si tenemos una matriz de n columnas y m filas, Z; donde cada columna está formada por un vector aleatorio m-dimensional que tiene una distribución normal m-variante con vector de medias el vector nulo y matriz de varianzas V, la misma para todas las columnas de la matriz; entonces la matriz A = Z'Z sigue una distribución de Wishart de parámetros n, m y V [lo que puede expresarse como: W_n (m,V) ]

Una propiedad importante de esta distribución es que si realizamos un muestreo aleatorio de tamaño N sobre una población normal multivariante N [M,V],la matriz formada por el producto del escalar N y la matriz de varianzas muestral,S, sigue una distribución de Wishart de parámetros n, N-1, V: NS ® W_n (N-1, V )

Es, precisamente, a partir de esta propiedad como puede probarse el resultado de que :

                                                            NB ® W_n (g-1,V)

Igualmente puede probarse también que si la hipótesis nula: H₀: A₁= A₂=....= A_g =0 es cierta, entonces la matriz NW seguirá, también una distribución de Wishart de parámetros n, N-g, V y será independiente de la distribución de NB.

Obviamente también, considerando esa misma propiedad, NS (siendo S la matriz de varianzas totales muestral ) seguirá también una distribución W_n (N-1,V)

Teniendo en cuenta ésto, el contraste de la hipótesis nula: H₀: A₁= A₂=....= A_g =0 se lleva a cabo evaluando el valor del estadístico L (lambda de Wilks):      L = |W| _/ |T|

Estadístico que sigue una distribución L de Wilks de parámetros n, N-g ,g-1 .

Es, precisamente este estadístico el que nos conducirá a determinar si los vectores de medias de los grupos son significativamente diferentes o no; es decir, si la hipótesis nula es rechazable o no:

Para un nivel de significación a:

• Aceptaremos la hipótesis nula si L > L_a

• Rechazaremos la hipótesis nula si L < L_a

Siendo L el valo crítico que verifica P (L > L_a) = a en una distribución L (n, N-g,g-1).

En la práctica el contraste se realiza después de una transformación previa del estadístico en una F o una c2

Ir al Análisis factorial

 PROYECTO CEACES

c