5 Multivariate
En Multivariate tenemos dos presentaciones de las variables respuestas. Correlation de Pearson y PCA (Ánalisis de componentes principales) ambos con sus respectivos gráficos. Estos nos permite conocer el grado de correlacion de las variables y el agrupamiento de los datos.
correlation y pca
5.1 correlation
En el cuadro de la izquierda Correlation de Pearson muestra el grado de Significance. Por defecto se trabaja con un grado de significancia igual al 5%, pero en el desplegable se puede elegir el nivel de significancia.
La Correlation permite conocer el grado de relacion que tiene cada variable respuesta respecto a la otra, en un rango de +1 a -1, si el valor absoluto de la correlación es cercano a 1 indica que presenta una magnitud relación muy estrecha, y el signo es positivo o negativo indica que es una relación directa o inversa, respectivamente.
En Font se puede escoger el tamaño de fuente, el cual por defecto es 1 es el tamaño de fuente más apropiado si se desea copiar la imagen para imprimir. Por último, color, en este se colocaran los colores HTML de su preferencia separados por un espacio para representar dicha correlación, notar que el orden como se ingresan los códigos de colores HTML es importante.
5.1.1 colors HTML
Para un mejor empleo de los colores HTML en Multivariate, se debera colocasr los colores HTML o llamar a los colores primarios por su nombre, como:
yellow, red, green, blue, orange, black, gray, white.
Una forma practica de obtener el código de color HTLM es usando un eyes dropper, una vez instalado en su navegador, ingresar al color picker. Copiar el cÓdigo del color como señala el elipse.
colors HTML, eyes dropper. En rojo: cuenta gotas. En verde: copiar codigo de color
Copiado el codigo de color HTML, pegar en Multivariate - correlation - color.
Es asi como puede personalizar sus graficos de la Correlation.
correlation y PCA - Type var
5.2 Analisis de componentes principales
En el analisis de los componentes principales (PCA), se tiene el desplegable Type donde se presenta biplot, var e ind; y junto a Variable, se puede escoger el plano que mejor grafique el proposito, ó la combinacion de estos.
PCA- Type permite encoger var el que representa la correlacion de las variables respuestas en una grafica simple de radio = 1. El cual tienen el mismo marco conceptual que Correlation visto lineas arribas, pero en representación grafica y la variable de agrupamiento.
La variable respuestas poseen una magnitud y direccion respecto a los cuadrantes del plano cartesiano.
Para el ejemplo observamos que se mueven una dirección opuesta (relacion inversa) y magnitud cercano a cercana a "1" (una correlaciin alta) entre Damage y LengthRootKm. Al investigador le interesan particularmente estas dos variables, puesto se esta estudiando la damage que causa un patogeno a las raices, es prioritario centrar su atención sobre los sintomas primarios (el deterioro de la raices). 
Relacion Damage y LengthRootKm inoculado y noinoculado (control)
En el item FieldBook se construyó la libreta de campo y el orden como se contruye la columna: repetición, bloque, factores y variables, es importante a la hora de escoger en Multivariate - PCA - Variable,la columna que va a representar.
Para el ejemplo, cuando elige la varible 2, elige la columna 2, que representa a las evaluaciones por lo que en la leyenda irá las evaluaciones con su respectivo color, y en label, tiene la oportunidad de cambiar el rótulo de la columna, puede cambiar eva por Evaluación, por ejemplo.
PCA Los ejes en gris representan el % de variación de la variancia para cada componente.
<El análisis de componentes principales suele ser muy utilizanda cuando se desea relacionar la presencia de un especie de cuerdo al habitat, por poner un ejemplo>
Correlation y Analisis de componentes principales
El eje de las componentes principales representa el porcentaje de variabilidad de la varianza y no tiene otro significado del que le da el investigador.