Cuando tenemos un exceso de datos, se llegan a ocultar valiosas de informaciones, que la estadística tradicional no procesa. En estas situaciones se acude a Data Mining. Trabajamos tanto en modelos descriptivos como predictivos y el soporte informatico esta basado tanto en modelos propios como en paquetes informáticos tales como SPSS, S-Plus, SAS y MiniTaB. A modo de ejemplo podríamos decir que realizamos los siguientes estudios:
Análisis de Datos. Selección de datos y muestras. Exploración y análisis interactivo de datos.
Análisis univariante y bivariante
Análisis de la distribución de una variable
Ajustar Modelos (Fit Y X)
Análisis Multivariante (Multivariate)
Depuración y modificación de datos
Depuración y modificación de datos y resultados
Series temporales
Análisis cluster
Métodos descriptivos: Técnicas del análisis de interdependencia
Análisis en componentes principales
Análisis factorial
Análisis de correspondencias
Escalamiento multidimensional
Análisis de conglomerados (análisis cluster)
Análisis Cluster
Modelos: regresión múltiple y logística
Métodos explicativos: Técnicas del análisis de la dependencia
Regresión múltiple
Análisis canónico (correlación canónica)
Análisis discriminante
Modelos de elección discreta
Modelo ANOVA (Análisis de la varianza simple)
Modelo ANCOVA (Análisis de la covarianza simple)
Modelo MANOVA (Análisis de la varianza múltipe)
Modelo MANCOVA (Análisis de la covarianza múltiple)
Regresión múltiple y modelos de elección discreta con variables ficticias.
Árboles de decisión
Extracción de reglas mediante árboles de decisión
Redes Neuronales
Las Redes Neuronales Biológicas
Las Redes Neuronales Artificiales
El algoritmo Backpropagation
Data Mining y reducción de la dimensión con variables cuantitativas: Componentes Principales
Data Mining y técnicas emergentes de análisis de datos
Análisis en componentes principales
Cálculo de las componentes principales
Puntuaciones o medición de las componentes
Número de componentes principales a retener
Criterio de la media aritmética
Criterio del gráfico de sedimentación
Matriz de cargas factoriales, comunalidad y círculos de correlación
Rotación de las componentes
Data Mining y reducción de la dimensión con variables cuantitativas: Análisis Factorial
Contrastes en el modelo factorial
Rotación de los factores
Rotaciones ortogonales
Rotaciones oblicuas
Interpretación gráfica de los factores
Puntuaciones o medición de los factores
Data Mining y reducción de la dimensión con variables cualitativas: Correspondencias
Análisis de correspondencias
Análisis de correspondencias simples ACS
Análisis de correspondencias múltiples ACM
Técnicas de Data Mining para clasificación ad hoc: Análisis discriminante
El análisis discriminante como técnica de Data Mining
Hipótesis en el modelo discriminante
Estimación del modelo discriminante
Contrastes de significación en el modelo discriminante
Selección de variables discriminantes
Interpretación de la función discriminante
Clasificación de los individuos
Análisis discriminante canónico
Técnicas de Data Mining de clasificación post hoc: Análisis cluster
El análisis cluster como técnica de Data Mining
El planteamiento del análisis cluster
El concepto de distancia
Distancia ultramétrica y algoritmos de clasificación
Medidas de similitud
Técnicas en el análisis cluster
Clusters jerárquicos, secuenciales, aglomerativos y exclusivos (S.H.N.)
El dendograma en el análisis cluster
Análisis cluster no jerárquico
Análisis cluster jerárquico con SAS. Procedimientios CLUSTER, ACECLUS y TREE
Ejemplo de análisis cluster jerárquico
Análisis cluster no jerárquico. Procedimiento FASTCLUS
Ejemplo de análisis cluster no jerárquico
Análisis cluster jerárquico y no jerárquico. Procedimiento VARCLUS
