Datos Multivariados
Resumen de Compresión
Supera el umbral del 80% recomendado.
Gráfico de Sedimentación (Scree Plot)
Inspección de autovalores $\lambda_j$ para la regla de corte de Kaiser y el método del codo.
Tabla de Descomposición Espectral
$\sum \lambda_j = p$| Componente | Autovalor ($\lambda_j$) | Varianza Explicada | Varianza Acumulada | Regla de Kaiser ($\lambda > 1$) | Estado Selección |
|---|
Biplot 2D: Observaciones y Vectores de Carga
Proyección de las $n$ observaciones en los componentes principales con las flechas de correlación de las variables originales.
Matriz de Correlación Original ($R_{xx}$)
Det(R) = --Matriz de Autovectores Ortonormales (Loadings $V$)
$V^T V = I$Regresión sobre Componentes Principales (PCR)
Demostración matemática de la erradicación total de la multicolinealidad al reemplazar variables correlacionadas por componentes ortogonales.
| Variable | VIF Estimado | Diagnóstico |
|---|
| Componente | VIF Matemático | Diagnóstico |
|---|
Conclusión Metodológica para Exámenes y TPs:
Cuando un conjunto de regresores presenta $D \le 0.10$ y factores $VIF > 10$, estimar por MCO clásico genera errores estándar astronómicos y signos inconsistentes. Al transformar el espacio a Componentes Principales ($Z = X V_k$), los nuevos regresores satisfacen $Cov(Z_i, Z_j) = 0$, garantizando $VIF \equiv 1.0$ y resolviendo la inestabilidad numérica.
Matriz de Puntuaciones (Scores $Z$)
Coordenadas de cada observación proyectada sobre los componentes principales seleccionados.