DESEMPEÑO DE CATORCE ALGORITMOS DISCRIMINANTES: UN CASO DE ESTUDIO CON DATOS MORFOMÉTRICOS MULTIVARIADOS

El análisis lineal discriminante (LDA) es una de las herramientas multivariadas más usadas en estudios morfométricos, sin embargo requiere el cumplimiento de supuestos que rara vez son comprobados, produciendo sesgo y malas interpretaciones de los resultados. Los más discutidos en la literatura son la normalidad multivariada, la homocedasticidad de las matrices de covarianza, ausencia de colinealidad entre variables predictoras, baja dimensionalidad y la sensibilidad ante datos atípicos multivariados. El objetivo principal de este trabajo fue comparar el desempeño de catorce algoritmos discriminantes en un caso de estudio particular de datos morfométricos reales. La evaluación de los supuestos reveló importantes desviaciones de la normalidad multivariada y homocedasticidad en las matrices de covarianza, también se encontraron potenciales problemas de colinealidad entre variables predictoras y gráficamente se evidenció la presencia de datos atípicos multivariados. El análisis discriminante localizado (LocLDA) mostró el menor porcentaje de error de clasificación (0,85 %), seguido por los algoritmos discriminante regularizado (RDA), discriminante diagonal (DDA) ambos con 1,96 % y el discriminante cuadrático (2,35 %). Estos resultados permiten resaltar la factibilidad de utilizar los algoritmos LocLDA, RDA y DDA ante violaciones de los supuestos del LDA, en datos morfométricos similares a los presentados en este estudio