parciales
El procedimiento Regresión de mínimos cuadrados parciales estima los modelos de regresión de los mínimos cuadrados parciales (PLS, también denominados “proyección a la estructura latente”). La PLS es una técnica de predicción alternativa a la regresión de mínimos cuadrados ordinarios (OLS), a la correlación canónica o al modelado de ecuaciones estructurales, y resulta particularmente útil cuando las variables predictoras están muy correlacionadas o cuando el número de predictores es superior al número de casos.
La PLS combina las características del análisis de componentes principales y la regresión múltiple. En primer lugar, extrae un conjunto de factores latentes que explica en la mayor medida posible la covarianza entre las variables dependientes e independientes. A continuación, un paso de regresión pronostica los valores de las variables dependientes mediante la descomposición de las variables independientes.
Disponibilidad. La PLS es un comando de extensión que necesita que el IBM® SPSS® Statistics - Integration Plug-In for Python se haya instalado en el sistema donde se vaya a ejecutar PLS. El módulo de extensión PLS se debe instalar por separado y se puede descargar de http://www.spss.com/devcentral.
Nota: El módulo de extensión PLS depende del software Python. SPSS Inc. no es el propietario ni el licenciatario del software Python. Cualquier usuario de Python debe aceptar las condiciones del acuerdo de licencia de Python que se encuentra en el sitio Web de Python. SPSS Inc. no realiza ninguna afirmación sobre la calidad del programa Python. SPSS Inc. rechaza completamente todas las responsabilidades asociadas al uso del programa Python.
Tablas. La proporción de la varianza explicada (por factor latente), las ponderaciones y las saturaciones de los factores latentes, la importancia de la variable independiente en proyección (VIP) y las estimaciones de los parámetros de la regresión (por variable dependiente) se generan por defecto.
Gráficos. La variable independiente en proyección (VIP), las puntuaciones factoriales, las ponderaciones factoriales de los tres primeros factores latentes y la distancia al modelo se generan desde la pestañaOpciones.
Nivel de medida. Las variables (predictoras) dependientes e independientes pueden ser de escala, nominales u ordinales. El procedimiento supone que se ha asignado el nivel de medida adecuado a todas las variables, aunque puede cambiar temporalmente el nivel de medida de una variable pulsando el botón derecho la variable en la lista de variables de origen y seleccionando un nivel de medida en el menú contextual. El procedimiento trata por igual las variables categóricas (nominales u ordinales).
© Copyright SPSS Inc. 1989, 2010 123
124 Capítulo 19
Codificación de la variable categórica. El procedimiento recodifica temporalmente las variables dependientes categóricas utilizando la codificación “una dec” durante el procedimiento. Si hay ccategorías de una variable, la variable se almacena comocvectores, con la primera categoría denotada como (1,0,...,0), la siguiente categoría (0,1,0,...,0), ... y la última categoría (0,0,...,0,1).
Las variables dependientes categóricas se representan mediante una variable auxiliar o dummy; es decir, omitiendo simplemente el indicador correspondiente a la categoría de referencia.
Ponderaciones de frecuencia. Los valores de ponderación se redondean al número entero más cercano antes de utilizarlos. Los casos con ponderaciones perdidas o ponderaciones inferiores a 0,5 no se emplearán en los análisis.
Valores perdidos. Los valores definidos como perdidos por el usuario o el sistema se consideran no válidos.
Cambio de escala. Todas las variables del modelo se centran y tipifican, incluidas las variables indicador que representan variables categóricas.
Para obtener la regresión de mínimos cuadrados parciales Seleccione en los menús:
Analizar > Regresión > Mínimos cuadrados parciales...
Figura 19-1
Regresión de mínimos cuadrados parciales, pestaña Variables
E Seleccione al menos una variable dependiente.
Regresión por mínimos cuadrados parciales E Seleccione al menos una variable independiente.
Si lo desea, puede:
Especificar una categoría de referencia para las variables dependientes categóricas (nominales u ordinales).
Especificar la variable que se utilizará como identificador único para los resultados por casos y los conjuntos de datos guardados.
Especificar un límite máximo para el número de factores latentes que se extraerán.
Modelo
Figura 19-2
Regresión de mínimos cuadrados parciales, pestaña Modelo
Especificar efectos del modelo. El modelo de efectos principales contiene todos los efectos principales de los factores y de las covariables. SeleccionePersonalizadopara especificar las interacciones. Indique todos los términos que desee incluir en el modelo.
Factores y Covariables.Muestra una lista de los factores y las covariables.
Modelo.El modelo depende de la naturaleza de los datos. Después de seleccionarPersonalizado, puede elegir los efectos principales y las interacciones que sean de interés para el análisis.
126 Capítulo 19
Construir términos
Para las covariables y los factores seleccionados:
Interacción. Crea el término de interacción de mayor nivel con todas las variables seleccionadas.
Ésta es la opción por defecto.
Efectos principales. Crea un término de efectos principales para cada variable seleccionada.
Todas de 2. Crea todas las interacciones dobles posibles de las variables seleccionadas.
Todas de 3. Crea todas las interacciones triples posibles de las variables seleccionadas.
Todas de 4.Crea todas las interacciones cuádruples posibles de las variables seleccionadas.
Todas de 5.Crea todas las interacciones quíntuples posibles de las variables seleccionadas.
Opciones
Figura 19-3
Regresión de mínimos cuadrados parciales, pestaña Opciones
La pestaña Opciones permite al usuario guardar y representar las estimaciones de los modelos para los determinados casos, factores latentes y predictores.
Para cada tipo de datos, especifique el nombre del conjunto de datos. Los nombres de los conjuntos de datos deben ser únicos. Si introduce el nombre de un conjunto de datos ya existente, se reemplazarán los contenidos. En otro caso, se creará un nuevo conjunto de datos.
Regresión por mínimos cuadrados parciales
Guardar estimaciones para casos individuales.Guarda las siguientes estimaciones de modelos por casos: valores pronosticados, residuos, distancia respecto al modelo del factor latente y puntuaciones de los factores latentes. También representa las puntuaciones de los factores latentes.
Guardar estimaciones para factores latentes. Guarda las saturaciones y las ponderaciones de los factores latentes. También representa las ponderaciones de factores latentes.
Guardar estimaciones para variables independientes.Guarda las estimaciones de los parámetros de regresión y la importancia de la variable en la proyección (VIP). También representa la VIP por factor latente.