Guia en format PDF
Logo

Anàlisi multivariada de dades

Codi: 101148
Crèdits: 6
2026/2027
Titulació Tipus Curs
Sociologia OB 3

Professor/a de contacte

Nom :
Pedro López Roldán
Correu electrònic :
pedro.lopez.roldan@uab.cat

Idiomes dels grups

Podeu consultar aquesta informació al final del document.

Prerequisits

Per poder cursar aquesta assignatura s'aconsella haver realitzat el seguiment amb suficiència de les assignatures Mètodes Quantitatius de Recerca Social i de Mètodes d’Anàlisi.

Objectius

L’assignatura constitueix un curs d’introducció a les tècniques d’anàlisi multivariable de dades estadístiques que es planteja com a continuació de la perspectiva quantitativa d’investigació social iniciada en el grau. Els procediments, mètodes i tècniques ja tractats fins ara s’ampliaran per a considerar el que podem anomenar de forma general com el pas dels procediments d’anàlisi bivariable als procediments d’anàlisi multivariable.

En el context de l’itinerari de matèries tècniques i metodològiques, que busquen oferir una panoràmica dels diferents procediments de l’activitat científica sociològica, i donades l’extensió i varietat dels procediments d’anàlisi en l’àmbit de les ciències socials, l’assignatura estructura l’ensenyament amb una selecció de temes i instruments considerats com alguns dels més fonamentals i de major interès en la pràctica de la recerca sociològica amb els quals aprendre la lògica de la metodologia quantitativa multivariable i la utilització de les seves tècniques.

En concret, amb l’assignatura es pretén:

1) Des del punt de vista de l’alumnat, la construcció del seu aprenentatge es portarà a terme a partir de:

– El coneixement i comprensió dels principals conceptes associats a l’anàlisi multivariable de dades estadístiques, exemplificats amb els conceptes sociològics.

– La capacitat d’aplicació dels instruments tècnics destinats a l’anàlisi avançada de les dades estadístiques considerats en el curs.

– Saber utilitzar de forma instrumental el programari estadístic per a l’anàlisi estadística bivariable i multivariable.

– Saber interpretar els resultats estadístics d’una anàlisi de dades des del punt de vistatècnic i substantiu d’acord amb uns objectius coneixement i estudi de la realitat social.

2) Des de les condicions generals d’una assignatura d’aquest tipus en relació a l’aprofitament de l’alumnat es tracta de:

– Facilitar la comprensió, el maneig i la interpretació d’un sistema conceptual algebraic i estadístic bàsic per tal d’assimilar l’ús de les tècniques que impliquen la quantificació i la formalització dels fenòmens socials.

– Emmarcar de manera equilibrada, comprensiva i integradora els continguts d’aquesta assignatura dins del conjunt dels mètodes habituals en sociologia.

Resultats d'aprenentatge

  1. Avaluar la qualitat del propi treball.
  2. Gestionar el propi temps: planificar l'estudi propi, gestionar la relació amb un tutor o tutora o un assessor o assessora, i establir i complir els terminis adequats per a un projecte de treball.
  3. Treballar en equip i en xarxa en situacions diverses
  4. Buscar fonts documentals a partir de conceptes.
  5. Desenvolupar un pensament i un raonament crítics i saber comunicar-los de manera efectiva, tant en les llengües pròpies com en una tercera llengua.
  6. Desenvolupar estratègies d'aprenentatge autònom.
  7. Esmentar els principals conceptes de la sociologia.
  8. Indicar-ne les dimensions, els possibles indicadors quantitatius i l'evidència qualitativa rellevant per observar-los empíricament.
  9. Identificar els principals mètodes i tècniques quantitatius i qualitatius.
  10. Explicar la base metodològica d'aquests mètodes i tècniques quantitatius i qualitatius.
  11. Relacionar-los amb els diferents enfocaments de la sociologia.
  12. Utilitzar els instruments estadístics univariats.
  13. Utilitzar el programari apropiat per als instruments estadístics univariable.
  14. Mesurar un fenomen social amb aquests instruments a partir d'un marc teòric d'anàlisi.
  15. Utilitzar els instruments estadístics multivariable bàsics.
  16. Utilitzar el programari apropiat per als instruments estadístics multivariable bàsics.
  17. Utilitzar els instruments estadístics multivariats avançats.
  18. Utilitzar el programari apropiat per als instruments estadístics multivariable avançats.
  19. Definir conceptes d'anàlisi.
  20. Formular una hipòtesi amb aquests conceptes.
  21. Elaborar un instrument d'anàlisi significativa per a aquesta hipòtesi.
  22. Obtenir conclusions a partir de la informació recollida amb aquest instrument.

Continguts

Introducció general
– Objectius de l’assignatura, continguts, dinàmica del curs i avaluació
– L’anàlisi multivariable: característiques i classificació de les tècniques
– El programari per a l’anàlisi de dades estadístiques


PART I. L’anàlisi d’interdependència amb variables qualitatives


Tema 1. L’anàlisi de taules de contingència
– Anàlisi clàssica de taules de contingència multidimensionals


Tema 2. L’anàlisi log-lineal
– L’anàlisi logarítmica lineal general


PART II. L’anàlisi de dependència


Tema 3. L’anàlisi de variància
– L’anàlisi de variància unifactorial
– L’anàlisi de variància multifactorial


Tema 4. L’anàlisi de regressió
– L’anàlisi de regressió simple
– L’anàlisi de regressió múltiple


PART III. L’anàlisi d’interdependència per a la construcció de tipologies


Tema 5. L’anàlisi factorial
– Fonaments matemàtics d’anàlisi multivariada de dades
– L’anàlisi factorial de components principals
– L’anàlisi factorial de correspondències


Tema 6. L’anàlisi de classificació
– Anàlisis de classificació i la construcció de tipologies
– L’anàlisi de classificació automàtica

Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Tutories individuales programades 2 0,08
Lectures dels textos 30 1,2
Preparació individual dels exercicis pràctics 30 1,2
Classes magistrals 30 1,2
Treball individual 30 1,2
Pràctiques a l'aula 16 0,64

El curs es planteja amb una dinàmica d’ensenyament i aprenentatge continuada, el que implica el seguiment dels ritmes del curs i dels diversos continguts que s’han dissenyat d’acord amb les diferents activitats lectives programades. Els continguts de la matèria tenen un fil conductor lligat al procés d’investigació i per la continuïtat de l’aprenentatge de conceptes i d’instruments que s'incorporen de manera progressiva , així com per la resolució de problemes i qüestions, que es basen en l’assimilació i en la pràctica de cada tema anterior de l’assignatura.

Atès que l’objectiu de la formació és que l’alumnat aprengui a investigar en sociologia fent servir tècniques estadístiques avançades, la metodologia docent i les activitats formatives de l’assignatura resulten de la combinació de sessions expositives amb exercicis de resolució de problemes i pràctiques a l’aula que permetin aplicar els conceptes adquirits i tècniques explicades, així com tutories de seguiment i treball autònom.

Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè l'alumnat completi les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.

Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Treballs d'anàlisi 82,0% 0 0 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22
Exercicis pràctics 18,0% 12 0,48 6, 7, 8, 9, 10, 12, 13, 15, 16, 17, 18, 22

L’assignatura s’avalua de forma continuada. És important el seguiment i l’assistència regular a les sessions de classe per tal de garantir l’aprenentatge, l’assimilació progressiva de la matèria i la realització adequada de l’avaluació. Per tal de superar l’assignatura es requerirà una nota mitjana final mínima de 5 sobre 10. En l’avaluació es combinen tres aspectes:


Activitats d’avaluació


1) Els treballs d’anàlisi (82%): 2 treballs, realitzats en grups de 2 o 3 persones, d’anàlisi sociològica de dades quantitatives amb una base de dades escollida per l’alumnat i amb l’ajut del programari, en relació als temes següents:

1. Anàlisi de taules de contingència multidimensionals i log-lineal

a) Tutoria del treball (2%)

b) Selecció de les dades i formulació d’hipòtesis (5%)

c) Treball complet d’anàlisi (34%)

2. Anàlisi tipològica tot combinant l’anàlisi factorial i de classificació

a) Tutoria del treball (2%)

b) Selecció de les dades i formulació d’hipòtesis (5%)

c) Treball complet d’anàlisi (34%)

– S’elaboraran en contingut i en forma com un article acadèmic d’investigació segons un format definit i amb una extensió màxima de 3.500 paraules de redacció, annexos apart.

– Caldrà fer una tutoria obligatòria, presencial o per Teams, amb tots els membres del grup, abans del primer lliurament de cada treball, per tal d’orientar la seva correcta realització i comentar les dades triades, les hipòtesis formulades i les primeres anàlisis a partir del treball de preparació previ de l’alumnat del grup.

– Es requereix una nota mínima de 5 sobre 10 de cada treball. Els treballs amb una nota inferior a 5 es podran recuperar en qualsevol moment i abans de la data fixada en el calendari d’avaluacions. Caldrà tornar a presentar el treball amb les correccions realitzades i s’adjuntarà una pàgina al final del document del treball on s’explicaran breument les correccions realitzades en relació al treball presentat inicialment. La recuperació es puntuarà sobre un màxim de 7.

– Situacions en què es considerarà la no avaluació o el suspens de l’assignatura:

• La no presentació dels treballs o la presentació fora de termini sense justificació prèvia a la data de lliurament.

• La presentació incompleta de les anàlisis.

• No fer la tutoria obligatòria del treball tot presentant els primers resultats.

– La no presentació dels dos treballs serà el criteri pel qual s’assignarà “No avaluable” com avaluació de l’assignatura.


2) Les pràctiques (18%): es faran 6 sessions de pràctiques que consistiran en la realització a l’aula d’informàtica d’exercicis d’aplicació de les tècniques d’anàlisi de dades tractades:

1. Anàlisi de taules de contingència multidimensionals i log-lineal

2. Anàlisi de variància

3. Anàlisi de regressió

4. Anàlisi factorial de components principals

5. Anàlisi factorial de correspondències múltiples

6. Anàlisi de classificació

L’avaluació de l’activitat serà el resultat de la nota obtinguda en un qüestionari de preguntes sobre cada exercici pràctic. Les pràctiques es faran individualment. Si no es fa la pràctica a l’aula el dia programat per una raó justificada es podrà recuperar abans de que transcorri una setmana i la nota serà de 5. Fora d’aquest termini es considerarà no realitzada.


3) Per a poder ser avaluat de l’assignatura es requerirà un seguiment mínim del 50% en relació a totes les activitats proposades al llarg del curs, incloses les activitats puntuals de cada dia de classe. El seguiment recull la continuïtat de la formació i l’aprenentatge a través de les diferents activitats d’avaluació continuada i assistència a les classes, al marge de les circumstàncies individuals que en un moment donat dificultin aquest seguiment, i expressa el que es considera un procés de formació mínim del contingut de l’assignatura per a la seva assimilació bàsica. En cas contrari l’aprenentatge de la matèria es considera difícil i insuficient per a aquesta assimilació i la realització adequada de les activitats d’avaluació. Addicionalment, si es fa un seguiment de l’assignatura igual o superior al 80%, es podrà optar a sumar fins a 0,5 punts a la nota final de l’assignatura.


Ús de la intel·ligència artificial (IA)

En aquesta assignatura es permet l'ús de tecnologies d’Intel·ligència Artificial com a part integrant del desenvolupament del treball, sempre que el resultat final reflecteixi una contribució significativa de l’estudiant en l'anàlisi i la reflexió personal. L’estudiant haurà d'identificar clarament quines parts han estat generades amb aquesta tecnologia, especificar les eines emprades i incloure una reflexió crítica sobre com aquestes han influït en el procés i el resultat final de l’activitat. La no transparència de l’ús de la IA es considerarà falta d'honestedat acadèmica i pot comportar una penalització en la nota de l'activitat, o sancions majors en casos de gravetat. La realització de qualsevol irregularitat en un acte d’avaluació, frau acadèmic, plagi o ús indegut de la IA, suposa que aquest acte es qualificarà amb un 0, i es podrà instruir un procés disciplinari a l’estudiant que incorri en alguna d’aquestes irregularitats. El professorat es reserva el dret de realitzar entrevistes orals o una prova alternativa, per tal de comprovar l’efectiva adquisició de coneixements i competències i per tant la validesa de les proves d’avaluació realitzades per l’estudiantat.

Bibliografia

Bibliografia bàsica


López-Roldán, P.; Fachelli, S. (2015). Metodología de la investigación social cuantitativa. Bellaterra (Barcelona): Dipòsit Digital de Documents, Universitat Autònoma de Barcelona. 1a. edición.

http://ddd.uab.cat/record/129382 | http://webs.uab.cat/plopez/content/misc

Capítols 5, 6, 7, 8, 9, 11 i 12.


López-Roldán, P. (2015). Recursos para la investigación social. Dipòsit Digital de Documents. Bellaterra (Barcelona): Universitat Autònoma de Barcelona.

http://ddd.uab.cat/record/89349 | http://webs.uab.cat/plopez


López-Roldán, P. (2026). Material adicional del Campus Virtual de l’assignatura. Bellaterra (Barcelona): Universitat Autònoma de Barcelona.


Ajenjo, M.; Miguel Quesada, F. J.; Griera, O. (2022). Manual d’ús de jamovi per anàlisi de dades en estudis socials. MUJADES 1.4. Dipòsit Digital de Documents. Bellaterra (Barcelona): Universitat Autònoma de Barcelona.

https://ddd.uab.cat/record/238222


Bibliografia complementària


El manual Metodología de la investigación social cuantitativa (MISC) conté a cada capítol una relació de referències bibliogràfiques específiques que complementen la bibliografia bàsica.


Referències bibliogràfiques seleccionades:


Adams, K. A.; Lawrence, E. K. (2019). Research Methods, Statistics, and Applications. Thousand Oaks, California: Sage Publications.

Ato García, M.; López García, J. J. (1996). Análisis estadístico para datos categóricos. Madrid: Síntesis.

Bailey, K. D. (1994). Typologies and Taxonomies. An Introduction to Classification Techniques. Thousand Oaks (California): Sage.

Brown, B. L.; Hendrix, S. B.; Hedges, D. W.; Smith, T. B. (2011). Multivariate analysis for the biobehavioral and social sciences. A graphical approach. Hoboken: John Wiley & Sons.

Cea d’ancona, M. A. (2012). Fundamentos y aplicaciones en metodología cuantitativa. Madrid: Síntesis.

Cea d’Ancona, M. A. (2002/2014). Anàlisis multivariable. Teoría y práctica en la investigación social. Madrid: Síntesis.

Chang, W. (2023). R graphics cookbook: Practical recipes for visualizing data (2nd ed.). O’Reilly Media. https://r-graphics.org/

Christensen, R. R. (1997). Log-linear models and logistic regression. New York: Springer-Verlag.

Correa Piñero, A. D. (2002). Análisis logarítmico lineal. Madrid: La Muralla.

Denis, D. J.(2021). Applied Univariate, Bivariate, and Multivariate Statistics. Understanding Statistics for Social and Natural Scientists, With Applications in SPSS and R. Hoboken, NJ: John Wiley & Sons.

Escario Gracia, J. J., & Valiño García, J. (2020). Una introducción a R para la investigación en ciencias sociales. Zaragoza: Prensas de la Universidad de Zaragoza.

https://puz.unizar.es/img/cms/PARA%20IUNIZAR/9788413401584promocional.pdf

Everitt, B.; Hothorn, T. (2011). An introduction to applied multivariate analysis with R. New York: Springer.

Field, A.; Miles, J.; Field, Z. (2023). Discovering statistics using R (2nd ed.). London: Sage. https://profandyfield.com/discoverse/dsur/

Greenacre, M. J. (2008). La práctica del análisis de correspondencias. Madrid: Fundación BBVA.

http://www.fbbva.es/TLFU/tlfu/esp/publicaciones/libros/fichalibro/index.jsp?codigo=300

García Ferrando, M. (1987). Socioestadística. Introducción a la estadística en sociología. 2a edició amp. Madrid: Alianza. Alianza Universidad Textos, 96.

Guillén, M. F. (1992). Análisis de regresión múltiple. Madrid: Centro de Investigaciones Sociológicas.

Grolemund, G. (2014). Hands-on programming with R. O’Reilly Media. https://rstudio-education.github.io/hopr/

Kabacoff, R. I. (2015). R in action: Data analysis and graphics with R (2nd ed.). Manning Publications. https://www.manning.com/books/r-in-action-second-edition

Hahs-Vaughn, D. L. (2017). Applied multivariate statistical concepts. Nueva York: Routledge.

Hair, J. F., Black, W. C.; Babin, B. J.; Anderson, R. E. (2013). Multivariate data analysis. Pearson new international edition (7.ª ed.). Harlow: Pearson.

Healy, K. (2018). Data visualization: A practical introduction. Princeton University Press. https://socviz.co/

Hernández Encinas, L. (2001). Técnicas de taxonomía numérica. Madrid: La Muralla.

Harlow, L. L. (2014). The essence of multivariate thinking. Basic themes and methods (2.ª ed.). Nueva York: Routledge.

Horton, N. J.; Kleinman, K. (2015). Using R and RStudio for data management, statistical analysis, and graphics. Boca Raton, FL: Chapman & Hall/CRC.

Husson, F., Lê, S., & Pagès, J. (2011). Exploratory multivariate analysis by example using R. Boca Raton, FL: Chapman & Hall/CRC.

Ismay, C., & Kim, A. (2021). Statistical inference via data science: A modern dive into R and the tidyverse. Boca Raton, FL: Chapman & Hall/CRC. https://moderndive.com/

Joaristi Olariaga, L.; Lizasoain Hernandez, L. (1999). Análisis de correspondencias. Madrid: La Muralla.

Kuhn, M., & Silge, J. (2022). Tidy modeling with R: A framework for modeling in the tidyverse. Sebastopol, CA: O’Reilly Media. Tidy Modeling with R [Book]

Lévy Mangin, J. P.; Varela Mallou, J. (2003/2008) Análisis multivariables para las ciencias sociales. Madrid. Pearson-Prentice Hall.

López-Roldán, P.; Fachelli, S. (2018). Metodología de construcción de tipologías para el análisis de la realidad social. Bellaterra (Cerdanyola del Vallès): Dipòsit Digital de Documents, Universitat Autònoma de Barcelona. 2a. edición.

MacFarland, T. W. (2012). Two-Way Analysis of Variance: Statistical Tests and Graphics Using R. New York: Springer.

Marradi, A. (1990). Classification, typology, taxonomy. Quality & Quantity, 24, 129-157.

Mateos-Aparicio, G.; Hernandez Estrada, A. (2021). Analisis multivariante de datos: Cómo buscar patrones de comportamiento en Big Data. Madrid: Pirámide.

Matloff, N. (2011). The art of R programming: A tour of statistical software design. No Starch Press. https://nostarch.com/artofr.htm

Meneses, J. (2019). Introducción al análisis multivariante. Barcelona: UOC

Navarro, D. J. (2021). Learning statistics with R: A tutorial for psychology students and other beginners. https://learningstatisticswithr.com| En castellà

Miller, J. E. (2013). The Chicago guide to writing about multivariate analysis (2.ª ed.). Chicago: The University of Chicago Press.

Paladino, M. (2018). R para ciencias sociales. https://martinpaladino.github.io/rsociales/index.html

Pérez López, C. (2019). R para estadística aplicada. Madrid: Garceta.

Pimpler, E. (2018). Data visualization and exploration with R: A practical guide to using R, RStudio, and Tidyverse for data visualization, exploration, and data science applications. Boerne, TX: Geospatial Training Services. https://geospatialtraining.com/data-visualization-and-exploration-with-r/

Pituch, K. A.; Stevens, J. P. (2016). Applied multivariate statistics for the social sciences (6.ª ed.). Nueva York: Routledge.

Powers, D. A.; Xie, Y. (2008). Statistical Methods for Categorical Data Analysis. Bingley, U.K.: Emerald. 2a. edició.

R Core Team. (2026). An introduction to R. R Foundation for Statistical Computing. https://cran.r-project.org/doc/manuals/r-release/R-intro.html

Rey-Sáez, R., & Estrada Alonso, E. (2024). Análisis de datos con R en ciencias sociales y de la salud. Madrid: Síntesis.

https://www.sintesis.com/libro/analisis-de-datos-con-r-en-ciencias-sociales-y-de-la-salud

Sánchez Carrión, J. J. (1999). Manual de análisis estadístico de los datos. Madrid: Alianza. Manuales, 055.

Sánchez Carrión, J. J. (Ed.) (1984). Introducción a las técnicas de multivariable aplicadas a las ciencias sociales. Madrid: Centro de Investigaciones Sociológicas.

Sánchez Carrión, J. J. (1989). Análisis de tablas de contingencia. El uso de los porcentajes en ciencias sociales. Madrid: Centro de Investigaciones Sociológicas-Siglo XXI.

Tabachnick, B. G.; Fidell, L. S. (2019). Using multivariate statistics (7.ª ed.). Nueva York: Pearson.

Tejedor, F. J. (1999). Análisis de varianza: introducción conceptual y diseños básicos. Madrid: La Muralla.

VV.AA. (1996). La construcció de tipologies. Exemples. Monogràfic de Papers. Revista de Sociologia, 48.

http://ddd.uab.cat/search?cc=papers&f=issue&p=02102862n48&rg=100&sf=fpage&so=a&ln=en

Wickham, H. (2019). Advanced R (2nd ed.). Boca Raton, FL: Chapman & Hall/CRC.

Wickham, H. (2023). ggplot2: Elegant graphics for data analysis (3rd ed.). Springer. https://ggplot2-book.org/

Wickham, H.; Grolemund, G. (2023). R for data science / R Para Ciencia de Datos (2nd ed.). O’Reilly Media. https://r4ds.hadley.nz/ | https://es.r4ds.hadley.nz/


Programari

L'assignatura farà servir el programari R per a l'anàlisi de dades estadístiques.

Complementàriament s'emprarà Moodle, MS-Office (Word, Excel) i Adobe Acrobat.

Grups i idiomes de l'assignatura

La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura

Tipus de docència Grup Idioma Semestre Torn
(TE) Teoria 1 Català primer quadrimestre matí-mixt
(SEM) Seminaris 1 Català primer quadrimestre matí-mixt
(TE) Teoria 51 Català primer quadrimestre tarda
(SEM) Seminaris 51 Català primer quadrimestre tarda