Introducción al Análisis de Componentes Principales en Stata

En esta sesión se mostrará desde un caso aplicado las metodologías del análisis multivariante haciendo énfasis en el análisis de componentes principales y el procedimiento que se debe llevar acabo en STATA para su estimación sin dejar a un lado la revisión teórica de este tipo de análisis.
Estos y otros talleres online en www.SOFTWARE-s...
SOFTWAR...
/ softwareshopinc
[e-mail]

[@dario5225]

Hola que tal. ¿Por que al principio del video no se estanderiza las variables ya que me parece un supuesto importante?

[@camilosaldarriaga4592]

Hola muchas gracias por el vídeo, tengo la siguiente pregunta. ¿ Tengo una base de datos panel, le podría aplicar el Analisis de componentes principales ?

[@claudiomanuelantonio3055]

hola, muchas gracias por el vídeo, tengo la siguiente pregunta
cuando haces el summarize de las nuevas variables f1 y f2 estas tienen un valor mínimo y un máximo
¿Cómo puedo interpretar estos valores? al ser uno negativo y el otro positivo, qué significado tiene el cero?
Saludos, nuevamente, muchas gracias

[@joseleonelsalazarpineda877]

si tengo más de dos factores, como hago el gráfico de cargas factoriales?

[@debasisdutta5890]

hello, if i want to take two factor together to build one index, how to do that in stata? please help me by explaining a easy way. thanks

[@KarlVonBismark]

Al ser ACP según yo la "normalización" seria volver ortonormal (componentes ortogonales entre su con norma 1) a las observaciones pertenecientes a los nuevos componente.
Según yo no tiene nada que ver la normalización al estilo de una distribución de probabilidad O.o
Salu2

[@hernanduarte2926]

Hola! ¿Por qué utilizas la rotación ortogonal y no la oblicua
?

[@Software_Shop]

No se han desarrollado reglas concretas que guíen al investigador a seleccionar una técnica de rotación particular. Sin embargo, dejo los siguientes tips:
1. Si el objetivo es reducir el número de variables originales con independencia de la significancia resultante de los factores, debería seleccionar ortogonal.
2. Si el objetivo es reducir un gran número de variables a un conjunto pequeño de variables incorrelacionadas para después utilizarlo en un modelo de regresión múltiple, debería seleccionar ortogonal.
3. Si el objetivo es obtener varios factores teóricos significativos, debería seleccionar oblicua.
Quick Help: Las rotaciones oblicuas permiten la existencia de factores correlacionados en lugar de mantener la independencia entre los factores rotados.

[@joaquinriera3428]

Dónde se puede descargar el archivo (ppt) ?

[@Software_Shop]

¡Hola! Puedes solicitar el archivo del ejercicio al correo de [e-mail] haciendo la referencia a este video.