Esta sección se centra en el análisis multivariado, específicamente mediante el uso del test de Hotelling T² y herramientas del software SPSS. Inicia con una introducción al test de Hotelling T², útil para comparar medias multivariadas. Luego, se enseña cómo detectar outliers univariados y multivariados, lo cual es clave para asegurar la validez de los datos.

Posteriormente, se analiza la relación lineal entre variables dependientes, un paso esencial para modelos multivariados. También se verifica la normalidad de cada variable dependiente (VD) según los niveles de la variable independiente (VI), lo que es crucial para cumplir supuestos estadísticos. Se evalúa la igualdad de las matrices de varianza-covarianza mediante el test de Box, para confirmar la homogeneidad entre grupos. Finalmente, se enseña cómo interpretar correctamente todos estos resultados en SPSS.

Esta sección aborda el problema de la falta de independencia entre observaciones, una situación común en estudios biomédicos, especialmente en investigaciones oftalmológicas donde se recopilan datos de ambos ojos. Se inicia explicando qué hacer cuando no existe independencia, destacando que tratar ambos ojos como casos independientes puede llevar a errores estadísticos.

Luego se presenta un ejemplo erróneo de este enfoque, aclarando por qué no se debe considerar cada ojo como una unidad de análisis independiente. Posteriormente, se propone una solución desde la estadística univariada mediante la selección sistemática de un solo ojo (OD u OI). Finalmente, se introduce una aproximación multivariada que permite incorporar ambos ojos en el análisis considerando su correlación, lo que ofrece una alternativa más robusta y realista para manejar este tipo de datos dependientes.

Esta sección se enfoca en el MANOVA de una vía, una técnica estadística multivariada utilizada para evaluar diferencias entre grupos en varias variables dependientes al mismo tiempo. Comienza con una introducción conceptual y continúa con el uso de SPSS para llevar a cabo los análisis. Se enseña cómo detectar outliers univariados y multivariados, verificar la normalidad (tanto univariada como multivariada), y comprobar la relación lineal entre variables dependientes.

También se aborda la evaluación de la multicolinealidad, un aspecto clave que puede afectar la interpretación del MANOVA. Se revisa el supuesto de homogeneidad de matrices de varianza-covarianza y su validación con SPSS, además de interpretar los resultados y realizar pruebas post-hoc. Finalmente, se incluye una guía de redacción para presentar correctamente los resultados de un MANOVA de una vía en informes o artículos científicos.

Esta sección introduce el Análisis Discriminante, una técnica estadística que permite clasificar casos en grupos previamente definidos, en base a variables predictoras. Se comienza con una explicación teórica, seguida de la ejecución práctica del análisis utilizando SPSS.

Se enseña cómo interpretar los resultados del análisis discriminante, evaluando la significancia de las funciones discriminantes y las tasas de clasificación. Además, se presenta el análisis discriminante por pasos, útil para seleccionar las variables más relevantes. También se muestra cómo validar el modelo mediante curvas ROC, una herramienta que permite evaluar la capacidad predictiva del análisis.

La sección concluye explicando cómo el análisis discriminante puede usarse como prueba post hoc multivariada tras un MANOVA de una vía, y proporciona enlaces útiles para profundizar en el tema.

Esta sección introduce el Análisis Logarítmico Lineal, una técnica estadística multivariada utilizada para analizar relaciones entre variables categóricas en tablas de contingencia. Comienza con una presentación teórica de los conceptos clave, como la interacción entre variables y la estructura jerárquica de los modelos.

Luego se enseña a realizar la selección jerárquica del modelo en SPSS, evaluando qué términos de interacción incluir según el ajuste del modelo. También se explica cómo comprobar supuestos, ejecutar el análisis y interpretar correctamente los resultados, evaluando el ajuste mediante pruebas de bondad. Finalmente, se ofrece una guía para la redacción de los métodos y resultados, útil para la presentación formal en trabajos de investigación.

Esta sección presenta la Regresión Logística Ordinal, una técnica para analizar variables dependientes categóricas con orden. Comienza con una introducción conceptual, seguida por la verificación de supuestos clave como la multicolinealidad y la proporcionalidad de la odds. Estos pasos son esenciales para asegurar la validez del modelo.

Luego se muestra cómo ejecutar la regresión en SPSS y calcular el odds ratio, que permite interpretar el efecto de las variables predictoras. La sección también incluye la interpretación de los resultados, estimadores y tablas de confusión, lo que facilita una lectura completa del modelo.

Finalmente, se introduce la Regresión Logística Multinomial, útil cuando las categorías no tienen un orden natural, junto con pautas para la redacción profesional de los métodos y resultados en documentos científicos.

Esta sección se dedica al Análisis de Perfiles, una técnica empleada para comparar patrones entre grupos a lo largo de diferentes condiciones o mediciones repetidas. Se inicia con una introducción comparativa entre el ANOVA de medidas repetidas y el diseño mixto, explicando cuándo es más adecuado cada enfoque.

Luego se revisan los supuestos del análisis de perfiles y se enseña cómo realizarlo en SPSS cuando se dispone de una variable independiente. También se incluye la realización de pruebas post-hoc y el análisis de efectos simples tras obtener resultados significativos.

Finalmente, se compara el enfoque doblemente multivariado (MANOVA mixto) con el ANOVA mixto de tres vías, detallando cómo ejecutarlos en SPSS y brindando orientaciones claras para la redacción científica de los resultados en diseños factoriales mixtos.

Esta sección está dedicada al Análisis Factorial, una técnica estadística multivariada que permite identificar estructuras latentes en un conjunto de variables. Comienza con una introducción a los métodos de extracción y explica la diferencia entre el Análisis de Componentes Principales y el Análisis Factorial Exploratorio (AFE). Se presentan pautas para el diseño del estudio, como la selección de variables y el tamaño muestral adecuado.

Se analizan los supuestos previos, incluyendo el tipo de variables, valores perdidos, multicolinealidad y la factorizabilidad de la matriz. En SPSS, se enseña cómo evaluar estos supuestos, aplicar métodos de extracción, y decidir cuántos factores retener mediante criterios clásicos, Análisis Paralelo (PA) y Mínimo Promedio Parcial (MAP).

La sección también cubre los métodos de rotación ortogonal y oblicua, sus criterios de elección y cómo interpretarlas en SPSS. Finalmente, se incluye el cálculo de puntuaciones factoriales y la consistencia interna de los factores extraídos, lo que permite construir modelos teóricos sólidos basados en evidencia empírica.

Esta sección introduce los Modelos de Ecuaciones Estructurales (SEM) y el Análisis Factorial Confirmatorio (AFC), herramientas avanzadas para evaluar relaciones entre variables latentes. Comienza con una explicación teórica del enfoque EFA dentro del contexto estructural, seguida de un ejemplo práctico para interpretar un modelo.

Se enseñan los principios básicos de representación gráfica y cómo construir diagramas en AMOS, con consejos útiles para optimizar el proceso. Además, se abordan los supuestos clave del AFC y las consideraciones previas necesarias antes de ejecutar el modelo, como normalidad, tamaño muestral y tipo de escalas.

Posteriormente, se detallan los índices de ajuste que permiten evaluar la calidad del modelo (CFI, RMSEA, etc.) y cómo interpretar los resultados tras la ejecución en AMOS. Finalmente, se incluye el reajuste post-hoc como una etapa de refinamiento del modelo teórico a partir de los datos observados.

Esta sección trata sobre el Análisis de Clúster, una técnica estadística utilizada para identificar grupos homogéneos dentro de un conjunto de datos. Se introducen sus fundamentos, los diferentes tipos de análisis disponibles en SPSS (como el jerárquico y el de K-medias), y se detallan los pasos metodológicos necesarios para aplicarlo correctamente: selección de variables, cálculo de la proximidad entre casos, elección del método de agrupación y determinación del número de grupos óptimos. También se abordan elementos como el tamaño muestral necesario y la interpretación visual mediante dendogramas y scree plots. Finalmente, se ofrece una aplicación práctica utilizando SPSS, lo cual permite al estudiante familiarizarse con el procedimiento real del análisis de conglomerados.