WorksheetsAnálisis de Correspondencias simple y múltiple - Nivel Básico
Total questions: 20
Worksheet time: 10mins
El objetivo principal del Análisis de Correspondencias Simple es:
Maximizar la varianza total explicada por las variables numéricas.
Representar relaciones lineales entre variables continuas.
Representar asociaciones entre las modalidades de dos variables categóricas.
Minimizar la distancia euclidiana entre las observaciones.
En el ACS, la inercia total se interpreta como:
La suma de los valores propios.
La varianza total explicada por el modelo.
El promedio de los valores singulares.
La suma de los cuadrados de las frecuencias marginales.
La inercia en el ACS es análoga a:
La covarianza.
La varianza en el Análisis de Componentes Principales.
El determinante de la matriz de Burt.
El error cuadrático medio.
¿Qué distancia se utiliza en el espacio de perfiles fila y columna en el ACS?
Distancia euclidiana.
Distancia de Mahalanobis.
Distancia ji-cuadrado (χ²).
Distancia de Manhattan.
En el ACS, los autovalores representan:
Las correlaciones entre variables.
Las contribuciones de cada dimensión a la inercia total.
Las coordenadas principales de las filas.
Las proporciones marginales de cada categoría.
Si la inercia total es baja, esto sugiere que:
Las categorías están fuertemente asociadas.
No hay asociación significativa entre las categorías.
Las categorías son perfectamente correlacionadas.
Las variables son continuas.
En el mapa factorial del ACS, dos modalidades cercanas indican:
Que son independientes.
Que tienen frecuencias observadas muy distintas.
Que se asocian con respuestas similares.
Que están correlacionadas negativamente.
Una ventaja del ACS frente a una prueba chi-cuadrado tradicional es:
Permite visualizar asociaciones complejas de forma geométrica.
No requiere datos categóricos.
No depende del tamaño de muestra.
Evita la necesidad de calcular frecuencias esperadas.
La representación de filas activas y columnas suplementarias en ACS permite:
Aumentar la inercia explicada.
Analizar modalidades sin influir en el cálculo del eje factorial.
Reducir la dimensión de la tabla.
Cambiar el sistema de pesos.
El porcentaje de inercia explicada por el primer eje factorial suele indicar:
Fuerte asociación (dependencia) entre filas y columnas.
Qué tan homogéneas son las modalidades.
El número óptimo de dimensiones.
La varianza de las frecuencias absolutas.
El ACM puede considerarse una extensión de:
Análisis de Componentes Principales (ACP).
Análisis Discriminante.
Análisis de Correspondencias Simple.
Regresión Logística Multinomial.
El ACM trabaja con:
Variables numéricas normalizadas.
Variables categóricas con más de dos modalidades.
Variables ordinales únicamente.
Datos dicotómicos exclusivamente.
En el ACM, la matriz utilizada es la:
Matriz de covarianzas.
Matriz de correlaciones.
Matriz disyuntiva completa (o matriz indicadora).
Matriz de distancias euclidianas.
¿Cuál es el propósito principal del ACM?
Reducir la dimensionalidad de variables categóricas múltiples.
Clasificar observaciones en grupos homogéneos.
Calcular la media ponderada de variables ordinales.
Ajustar un modelo lineal.
En ACM, el valor propio asociado a cada dimensión representa:
El grado de correlación entre variables cuantitativas.
La proporción de inercia explicada por esa dimensión.
El número de categorías activas.
El número de observaciones.
Una forma común de realizar un ACM es mediante:
La descomposición de valores singulares (SVD).
La regresión múltiple.
El clustering jerárquico.
El test de Fisher.
En ACM, las contribuciones absolutas indican:
Cuánto aporta una categoría a la definición de un eje factorial.
La distancia promedio al centro de gravedad.
El peso de una observación en la varianza total.
El error de reconstrucción del modelo.
En el ACM, si dos categorías se encuentran muy próximas en el plano factorial, esto indica:
Que pertenecen a variables distintas sin relación.
Que poseen perfiles de respuesta similares
Que están estadísticamente independientes.
Que son variables de tipo continuo.
Una desventaja del ACM respecto al ACP es:
No puede aplicarse a variables nominales.
La interpretación de los ejes es menos directa.
No puede representar individuos en el plano factorial.
No calcula valores propios.
¿Cuál de las siguientes afirmaciones es falsa respecto al ACM?
Las variables deben ser convertidas en formato disyuntivo.
Las coordenadas de los individuos se obtienen como promedios ponderados.
El ACM permite analizar simultáneamente variables cualitativas y cuantitativas.
El ACM puede verse como un ACP sobre variables ficticias.
