En el análisis de idoneidad, es posible utilizar la herramienta de matriz de correlación para evaluar cómo se correlacionan las variables entre sí y con la puntuación final. Este análisis identifica la multicolinealidad (variables superpuestas o redundantes), lo que permite una mejor selección de variables, decisiones de ponderación más meditadas y un diseño más sólido del índice de adecuación.
Los análisis de adecuación suelen incluir variables que miden conceptos similares. Si no comprueba si hay solapamientos, es posible que cuente dos veces un concepto y sesgue los resultados.
Ejemplo
Un organismo gubernamental está utilizando el análisis de idoneidad para identificar posibles sitios para un banco de alimentos emergente. En el análisis, incluyeron tanto la tasa de pobreza como la tasa de desempleo como variables. Utilizando la matriz de correlación, queda claro que existe una alta correlación entre la tasa de pobreza y la tasa de desempleo. Sin ajustes, el análisis podría sobrevalorar las desventajas económicas. Se recomienda que los analistas consideren eliminar una variable del par redundante, fusionar las variables relacionadas en un subíndice o ajustar sus ponderaciones para que el concepto no se cuente dos veces.
Resultados
La matriz de correlación analiza los resultados de un análisis de idoneidad para validar sus elecciones variables. Por ejemplo, es posible detectar la multicolinealidad y equilibrar la influencia de los índices. Con este conocimiento, es posible mejorar la solidez de su análisis de idoneidad.
Para validar sus elecciones variables utilizando la matriz de correlación, haga lo siguiente:
- Detectar la multicolinealidad. La multicolinealidad se produce cuando dos o más variables están tan correlacionadas que capturan la misma información, lo que dificulta distinguir el efecto individual de cada variable. Compruebe los pares de variables con alta correlación (por ejemplo, el coeficiente r de Pearson > 0,75). Para reducir la multicolinealidad, es posible considerar las siguientes soluciones:
- Eliminar una variable de un par altamente correlacionado
- Fusionar variables correlacionadas en un subíndice (por ejemplo, vulnerabilidad económica o acceso a la salud)
- Ajustar los pesos para mitigar el efecto de variables altamente correlacionadas, de modo que el mismo concepto subyacente no se cuente dos veces
Nota:
Aplique siempre sus conocimientos sobre el dominio cuando modifique los pesos.
Influencia del índice de equilibrio. Marque cualquier variable que esté altamente correlacionada con la puntuación final (por ejemplo, el coeficiente r de Pearson > 0,85). Ajuste su ponderación o agrupe las variables relacionadas en un subíndice para que ningún factor domine el modelo. Consulte Creación de índices compuestos con ArcGIS para obtener orientación detallada sobre cómo crear subíndices.
Cálculos
El análisis de idoneidad realiza cálculos utilizando variables seleccionadas; con frecuencia incluye variables que son conceptualmente o estadísticamente similares. Sin comprobar si se superponen, es posible que incluya involuntariamente varias variables que representan el mismo concepto subyacente, lo que daría lugar a resultados sesgados o distorsionados.
Coeficiente de correlación
El coeficiente r de Pearson es un coeficiente que oscila entre -1 y 1 y mide tanto la fuerza como la dirección de una relación lineal. Por ejemplo, los valores más cercanos a +1 indican una relación positiva fuerte mientras que los valores más cercanos a -1 indican una relación negativa fuerte. Los valores cercanos a 0 indican una relación escasa o no lineal. En la matriz de correlación, puede filtrar la visualización en función del valor r de Pearson.
Relevancia estadística
La relevancia estadística indica si es probable que una correlación sea real y no solo fruto del azar. Los valores p más bajos (por ejemplo, p < 0,01) indican una relación más fiable desde un punto de vista estadístico, lo que significa que es menos probable que la correlación se deba al azar. En la mayoría de los casos, un valor p inferior a 0,05 se considera estadísticamente significativo. Un valor p de 0,05 corresponde a un nivel de confianza del 95 porciento y es un umbral habitual para determinar la relevancia estadística.
En la matriz de correlación, puede filtrar la visualización en función de la relevancia estadística de las variables. Se utilizan asteriscos para representar la relavancia estadística de la siguiente manera:
| Asteriscos | valor P | Relevancia estadística |
|---|---|---|
*** | p < 0,001 | Muy significativo |
** | p < 0,01 | Moderadamente significativo |
* | p < 0,05 | Significant |
Ninguno | Ninguno | Estadísticamente no significativo |
Limitaciones
La matriz de correlación solo está disponible en el flujo de trabajo análisis de idoneidad.
Créditos
Este flujo de trabajo consume créditos. Se estima que la exportación de resultados a Excel cuesta 10 créditos por cada 1.000 registros.
Consulte Créditos para obtener información completa sobre el consumo de créditos en Business Analyst Web App.
Requisitos de licencia
El flujo de trabajo de análisis de idoneidad está disponible para los usuarios que disponen de una licencia de Business Analyst Web App Advanced. Para obtener más información sobre los tipos de licencias de Business Analyst, consulte Licencias.
Recursos
Para obtener más información sobre el análisis de idoneidad, consulte los siguientes recursos: