MirPirFir.

Análisis multivariado

Técnicas de análisis multivariante como regresión, análisis factorial, discriminante y ecuaciones estructurales.

Revisada contra las fuentes50 fuentes12 preguntas reales

El tema agrupa las técnicas que manejan simultáneamente varias variables: modelos de regresión (lineal múltiple y logística), análisis factorial (exploratorio y confirmatorio), análisis discriminante y modelos de ecuaciones estructurales. La estadística multivariante se define por el análisis simultáneo de más de una variable respuesta 30. Lo que más se pregunta son los criterios para elegir la técnica adecuada según el tipo de variables y el objetivo (explicar, pronosticar, clasificar o buscar constructos latentes), el significado de los coeficientes de regresión y de los indicadores de multicolinealidad, el uso de variables dummy y la autoría del análisis factorial confirmatorio (Jöreskog) 3816192014632364243.

Regresión lineal múltiple y correlaciones multivariadas

Ecuación del modelo. La regresión lineal aproxima la relación de dependencia entre una variable dependiente (Y) y una o varias variables independientes media (X) más un término aleatorio: Y = β0 + β1X1 + … + βmXm + ε. El término β0 es la constante o intersección (valor de Y cuando todos los predictores valen cero) y cada βi es el parámetro que mide la influencia de su predictor correspondiente 3.

Regresión simple frente a múltiple. Cuando se quiere pronosticar una variable dependiente cuantitativa (por ejemplo, satisfacción vital) a partir de varios predictores a la vez, la técnica es la regresión múltiple; el modelo completo se contrasta globalmente y se informa la proporción de varianza explicada junto con los coeficientes y su significación de cada predictor 4. El coeficiente de determinación (R², y su versión corregida) expresa qué porcentaje de la varianza de la VD explica el conjunto de predictores 4.

Coeficientes y puntuaciones típicas. En regresión simple, la pendiente es la correlación entre Y y X corregida por el cociente de desviaciones típicas; por tanto, al trabajar con puntuaciones típicas, el coeficiente beta estandarizado de la VI coincide con la correlación de Pearson entre VD y VI 46. En regresión simple, el coeficiente de regresión no estandarizado β1 indica cuánto cambia la variable de respuesta por cada incremento de una unidad en la predictora 3. En los modelos con varios predictores se informan coeficientes β acompañados de su error, su estadístico y su p para valorar la contribución de cada uno 4.

Correlación parcial y semiparcial. La correlación parcial mide el grado de asociación entre dos variables una vez eliminado el efecto de un conjunto de variables de control; sin ese control, una tercera variable relacionada con ambas puede contaminar la correlación observada 5. Es la lógica que también subyace a la inclusión de variables adicionales en la regresión múltiple 5. En modelos con covariables se emplean también coeficientes semiparciales (sr) como tamaño de efecto 43. PIR-2022-003 pregunta por el caso en que el efecto de Z se elimina solo de Y, y la respuesta oficial es correlación semiparcial; la distinción operativa completa entre parcial y semiparcial se recoge en sin_fuente por falta de fuente específica.

Multicolinealidad. Aparece cuando los predictores están muy correlacionados entre sí; produce estimaciones imprecisas, cambios de signo de los coeficientes y efectos de supresión que desaparecen al depurar el modelo. Se diagnostica con el factor de inflación de la varianza (VIF), que mide cuánto se incrementa la varianza de un coeficiente por la colinealidad, y con comprobaciones de estabilidad; una alternativa de estimación es la regresión ridge 1242. En PIR-2021-030 la opción oficial es la tolerancia; su relación con el VIF (1/VIF) y los distractores Durbin-Watson y distancia de Cook se detallan en sin_fuente.

Coeficientes con variables dicotómicas. El coeficiente phi mide la asociación entre dos variables binarias 32. PIR-2023-010 tiene como respuesta oficial el coeficiente biserial; la definición de biserial, tetracórica y punto-biserial se recoge en sin_fuente por falta de fuente específica.

Para el examen

  • Modelo: Y = β0 + β1X1 + … + βmXm + ε; β0 es la constante y βi la influencia de cada predictor 3
  • Con varios predictores y una VD cuantitativa se emplea regresión múltiple; R² cuantifica la varianza explicada 4
  • β1 no estandarizado = cambio en la VD por cada unidad de incremento en la predictora 3
  • En regresión simple con puntuaciones típicas, beta estandarizado = r de Pearson entre VD y VI 46
  • La correlación parcial elimina el efecto de variables de control 5; PIR-2022-003 tiene como respuesta oficial la correlación semiparcial (detalle operativo en sin_fuente)
  • La multicolinealidad se detecta con el VIF 142 y distorsiona los coeficientes; ridge regression es una solución sesgada pero más precisa 2. En PIR-2021-030 la opción oficial es tolerancia
  • Phi mide la asociación entre dos variables binarias 32; PIR-2023-010 tiene como respuesta oficial biserial

Regresión logística y codificación de predictores categóricos

Qué modela. La regresión logística modela el log-odds (logit) de un evento como combinación lineal de uno o más predictores; se enmarca en los modelos lineales generalizados y usa la función logit como enlace 89. Sirve para predecir el resultado de una variable dependiente categórica a partir de variables independientes que pueden ser continuas o categóricas 9.

Regresión logística binaria. Hay una única variable dependiente binaria codificada como 0/1 y los predictores pueden ser binarios (codificados con una variable indicadora) o continuos 8. Es el modelo de regresión binaria más usado desde aproximadamente 1970 y se emplea ampliamente en ciencias sociales y de la salud 8.

Resultados que se informan. Los coeficientes se suelen presentar como odds ratios (OR) con sus intervalos de confianza al 95 %, que expresan cuánto se multiplica la odds del evento por cada unidad de cambio en el predictor; además se valora la calibración y la capacidad discriminativa del modelo 21.

Predictores categóricos y variables dummy. Un predictor con más de dos categorías no puede entrar tal cual: se descompone en variables binarias indicadoras (dummy), de modo que se estiman coeficientes para las categorías frente a una referencia 8. En PIR-2021-031, un predictor categórico con cuatro niveles se transforma en 3 variables dicotómicas; la regla general k−1 y la categoría de referencia se recogen en sin_fuente por falta de fuente específica.

Extensiones. La regresión logística multinomial generaliza el método a variables dependientes con más de dos resultados discretos, devolviendo la probabilidad de cada categoría 11.

Relación con el discriminante. La regresión logística y la regresión probit son alternativas al análisis discriminante lineal cuando no es razonable asumir normalidad multivariante en los predictores 1928.

Para el examen

  • La regresión logística modela el log-odds del evento como combinación lineal de predictores (enlace logit) 89
  • En la logística binaria la VD es dicotómica 0/1 y los predictores pueden ser binarios o continuos 8
  • Los resultados se expresan como odds ratios con intervalos de confianza 21
  • Los predictores politómicos se recodifican en variables indicadoras (dummy) 8; PIR-2021-031: 4 niveles → 3 dummies (regla k−1 en sin_fuente)
  • La logística multinomial se usa con VD de más de dos categorías 11
  • Si no se asume normalidad de los predictores, la logística es preferible al discriminante lineal 1928

Análisis factorial exploratorio y confirmatorio

Definición. El análisis factorial es una técnica de reducción de datos que explica las correlaciones entre las variables observadas en términos de un número menor de variables no observadas llamadas factores; las variables observadas se modelan como combinaciones lineales de los factores más un término de error. Nació en psicometría y se usa en ciencias del comportamiento 20. Es, por tanto, la técnica que busca una estructura de constructos latentes a partir de las correlaciones entre las variables medidas 20.

Análisis factorial exploratorio (AFE). Se emplea cuando no hay una hipótesis previa sobre la estructura: su objetivo es identificar las relaciones subyacentes entre las variables y detectar los constructos latentes que explican una batería de medidas 13. Se basa en el modelo de factor común: cada variable manifiesta depende de los factores comunes, de un factor único y del error, y cada factor único afecta a una sola variable 13. Funciona mejor cuando cada factor está representado por varias variables medidas 13.

Análisis factorial confirmatorio (AFC). Es una forma especial de análisis factorial que testa si las medidas de un constructo son consistentes con el modelo teórico que el investigador postula; permite imponer restricciones (por ejemplo, fijar a cero la correlación entre dos factores) y evaluar el ajuste del modelo 16. Fue desarrollado por Jöreskog en 1969 16.

Aplicación clásica. La PCL-R de Hare es una escala de 20 ítems con dos factores: interpersonal-afectivo y desviación social/antisocial 36. Dentro del Factor I se distinguen las facetas interpersonal y afectiva; dentro del Factor II, el estilo impulsivo y la faceta antisocial 36. En PIR-2023-053, el ítem “maquiavelismo” no forma parte de la PCL-R ni de sus dos factores; la asignación clásica de los ítems a los factores se recoge en sin_fuente.

Aplicaciones y variantes. El AFC se ha extendido a datos ordinales, donde la elección de la función de enlace y del estimador condiciona la convergencia y la recuperación de parámetros 23, y se usa para discriminar efectos sistemáticos como la posición del ítem o el formato de redacción, lo que aconseja un preanálisis de efectos de método 25.

Relación con las ecuaciones estructurales. El AFC y el SEM comparten el uso de variables latentes; el SEM añade relaciones causales entre ellas 1624.

Para el examen

  • El análisis factorial reduce datos explicando las correlaciones observadas mediante factores no observados 20
  • El AFE se usa sin hipótesis previa para descubrir la estructura latente de un conjunto de medidas 13
  • El AFC testa un modelo de medida hipotetizado a priori y permite imponer restricciones 16
  • El AFC fue desarrollado por Jöreskog (1969) 16
  • La PCL-R de Hare tiene 20 ítems y dos factores: interpersonal-afectivo y desviación social/antisocial; el Factor I incluye facetas interpersonal y afectiva, y el Factor II estilo impulsivo y antisocial 36
  • PIR-2023-053: “maquiavelismo” no es un ítem de la PCL-R (asignación de ítems en sin_fuente)
  • El AFC y el SEM comparten variables latentes; el SEM añade relaciones causales 1624

Análisis discriminante y clasificación multivariada

Definición. El análisis discriminante lineal (ADL/LDA) es una generalización del discriminante lineal de Fisher: busca una combinación lineal de rasgos que caracterice o separe dos o más clases de objetos o eventos 1928. La combinación obtenida se usa como clasificador lineal o, más frecuentemente, para reducir dimensiones antes de clasificar 19.

Lógica de variables. Frente al ANOVA, que usa variables independientes categóricas y una dependiente continua, el análisis discriminante tiene variables independientes continuas y una variable dependiente categórica (la etiqueta de clase) 1928. La generalización a más de dos clases se describe como análisis discriminante lineal 1928.

Supuestos. El ADL asume normalidad de las variables independientes; cuando no es razonable asumirlo, la regresión logística o la probit son preferibles 1928.

Parentesco con otras técnicas. Está próximo a la regresión y al ANOVA porque también expresa una variable como combinación lineal de otras medidas 1928, y al análisis de componentes principales y al análisis factorial porque todos buscan combinaciones lineales de variables que expliquen mejor los datos 1928. La diferencia clave es el criterio: el discriminante maximiza la separación entre grupos ya definidos, mientras que el análisis factorial busca factores latentes que expliquen la covariación entre variables 1920.

Desarrollos actuales. Existen variantes del ADL que optimizan la capacidad discriminativa de cada característica en el subespacio o incorporan información de correlación entre muestras similares, mejorando la precisión de clasificación 2729.

Para el examen

  • El ADL busca una combinación lineal de variables continuas que separe dos o más grupos 1928
  • En el discriminante la VD es categórica (clase) y las VI continuas; en el ANOVA ocurre al revés 1928
  • Puede usarse como clasificador o para reducción de dimensiones 19
  • Asume normalidad de los predictores; si no se cumple, es preferible la regresión logística 1928
  • No confundir con análisis factorial: el discriminante separa grupos conocidos, no busca factores latentes 1920

Ecuaciones estructurales y modelos de medida

Definición. Los modelos de ecuaciones estructurales (MES/SEM) son una técnica estadística multivariante para probar y estimar relaciones causales a partir de datos estadísticos y de supuestos cualitativos sobre la causalidad 26. De forma más operativa, el SEM representa hipótesis sobre medias, varianzas y covarianzas de los datos observados en función de un número menor de parámetros estructurales definidos por un modelo conceptual o teórico 24.

Componentes. Un modelo SEM incluye variables latentes y conexiones causales entre ellas y con las variables observadas 24. Las conexiones se representan con ecuaciones y con diagramas de flechas 24.

Lógica de estimación. Las estructuras causales implican patrones concretos en los valores de las variables observadas; a partir de esas relaciones se estiman las magnitudes de los efectos postulados y se testa si los datos observados son consistentes con el modelo 24. De ahí la importancia de los índices de bondad de ajuste, también presentes en el AFC 16.

Origen histórico. La definición de relaciones causales estructurales fue articulada por Sewall Wright (1921), Trygve Haavelmo (1943) y Herbert Simon (1953), y formalizada por Judea Pearl (2000) con el cálculo contrafactual 26. El AFC de Jöreskog (1969) aportó el modelo de medida que hoy se integra en el SEM 16.

Usos. Se emplean tanto en investigación observacional como experimental, sobre todo en ciencias sociales y del comportamiento, y también en econometría, epidemiología y empresa 24.

Para el examen

  • El SEM prueba y estima relaciones causales a partir de datos y supuestos cualitativos sobre causalidad 26
  • Representa hipótesis sobre medias, varianzas y covarianzas observadas con menos parámetros estructurales 24
  • Incluye variables latentes y su vínculo con las observadas, representado con ecuaciones y diagramas de flechas 24
  • La definición causal se atribuye a Sewall Wright, Haavelmo y Simon, y fue formalizada por Pearl (2000) 26
  • El AFC de Jöreskog (1969) actúa como modelo de medida dentro del SEM 1624

Trampas habituales

  • Confundir análisis factorial con análisis discriminante: el factorial busca factores latentes que explican la covariación 20; el discriminante separa grupos ya definidos con una VD categórica 19.
  • Atribuir el AFC solo a Jöreskog: S16 documenta a Jöreskog (1969); en PIR-2024-045 la opción oficial es 'Jöreskog y Sörbom'.
  • Confundir β0 con β1: β0 es la constante (valor de Y cuando los predictores valen cero) y β1 el cambio en Y por unidad de X 3.
  • La correlación parcial descuenta el efecto de variables de control de la asociación entre dos variables 5; no debe confundirse con la correlación simple.
  • PIR-2022-003: si el efecto de Z se elimina solo de una de las dos variables, la respuesta oficial es correlación semiparcial; la parcial descuenta el efecto de Z de ambas 5 (distinción operativa en sin_fuente).
  • Creer que la regresión lineal no admite predictores categóricos: se incorporan codificados como variables indicadoras 8.
  • Elegir el análisis discriminante cuando no hay normalidad en los predictores: en ese caso es preferible la regresión logística 1928.
  • Confundir R² con un coeficiente de regresión: R² es la proporción de varianza explicada 4, mientras que β1 cuantifica el cambio por unidad 3.
  • PIR-2021-030: la opción oficial es tolerancia; el VIF también es indicador de multicolinealidad 142; Durbin-Watson y la distancia de Cook son distractores (sin_fuente).
  • PIR-2021-031: un predictor de 4 niveles se codifica con 3 dummies; la regla k−1 y la categoría de referencia están en sin_fuente.
  • En regresión simple con puntuaciones típicas, beta estandarizado = r de Pearson 46.
  • PIR-2023-010: la respuesta oficial es biserial; phi es para dos variables binarias 32; biserial, tetracórica y punto-biserial se detallan en sin_fuente.
  • PIR-2023-053: 'maquiavelismo' no es un ítem de la PCL-R (sin_fuente); la PCL-R tiene dos factores, interpersonal-afectivo y antisocial 36.

Autores clave

Jöreskog
Desarrolló el análisis factorial confirmatorio en 1969, sustituyendo métodos previos de validez de constructo y permitiendo testar modelos de medida hipotetizados 16
Hoerl y Kennard
Introdujeron la regresión ridge en 1970 como solución a la imprecisión de los estimadores mínimo-cuadráticos cuando hay predictores muy correlacionados 2
Fisher
Su discriminante lineal es la base del análisis discriminante lineal, generalizado después a más de dos clases 1928
Sewall Wright, Haavelmo y Simon
Articularon la definición de los modelos de ecuaciones estructurales como relaciones causales (1921, 1943, 1953) 26
Judea Pearl
Formalizó la definición causal de los modelos estructurales mediante el cálculo contrafactual (2000) 26

Glosario

Análisis factorial
Técnica de reducción de datos que explica las correlaciones entre variables observadas mediante un número menor de factores no observados 20
Análisis factorial confirmatorio (AFC)
Forma de análisis factorial que testa si las medidas son consistentes con un modelo de constructo hipotetizado a priori 16
Análisis discriminante lineal
Método que busca una combinación lineal de variables continuas que separe dos o más clases y permite clasificar o reducir dimensiones 1928
Ecuaciones estructurales (SEM)
Conjunto de métodos que representan hipótesis sobre medias, varianzas y covarianzas observadas mediante parámetros estructurales de un modelo teórico 24
Regresión logística
Modelo lineal generalizado con enlace logit que predice una variable dependiente categórica a partir de predictores 89
Correlación parcial
Grado de asociación entre dos variables una vez eliminado el efecto de un conjunto de variables de control 5
Multicolinealidad
Correlación elevada entre predictores que genera estimaciones imprecisas y cambios de signo; se diagnostica con el VIF 142
VIF (factor de inflación de la varianza)
Indicador de multicolinealidad en modelos de regresión; valora cuánto aumenta la varianza de un coeficiente por la colinealidad 142
Variable dummy
Variable indicadora binaria que representa las categorías de un predictor categórico en el modelo 8
Odds ratio (OR)
Cociente de odds que expresa el efecto de un predictor en regresión logística, con intervalo de confianza 21
Coeficiente de determinación (R²)
Proporción de varianza de la variable dependiente explicada por el modelo de regresión 4
Coeficiente phi
Medida de asociación entre dos variables binarias 32

Preguntas reales de este tema

Fuentes

  1. 1When suppressor effects may reflect multicollinearity artifacts: a cautionary tale from multiple object tracking and clay pigeon shooting performance. · Jin K, Gao P, Han S, Zhang X., 2026 · Artículo · acceso abierto
  2. 2Ridge regression · Wikipedia (en) · acceso abierto
  3. 3Regresión lineal · Wikipedia · acceso abierto
  4. 4Effect of Supplier Selection Practices on Availability of Essential Medicines in Private Pharmacies: A Case Study of Kicukiro District, Rwanda. · Nyirimana JDLP., 2026 · Artículo
  5. 5Partial correlation · Wikipedia (en) · acceso abierto
  6. 6Modelos de regresión múltiple postulados y no postulados · Wikipedia · acceso abierto
  7. 7Content-Independent Pointers Mediate Working Memory Storage for Both Visual and Verbal Stimuli. · Chang W, Epstein W, Jones H, Ngiam WXQ, Awh E., 2026 · Artículo
  8. 8Logistic regression · Wikipedia (en) · acceso abierto
  9. 9Regresión logística · Wikipedia · acceso abierto
  10. 10Behaviorally-relevant features of observed actions dominate cortical representational geometry in natural vision. · Han J, Chauhan V, Philip R, Taylor MK, Jung H, Halchenko YO, Gobbini MI, Haxby JV, Nastase SA., 2026 · Artículo · acceso abierto
  11. 11Regresión logística multinomial · Wikipedia · acceso abierto
  12. 12Determinants of Postnatal Care Service Utilization Among Mothers in Bangladesh: A Two-Level Binary Logistic Regression Approach. · Hossain MO, Dey SR, Majumder UK., 2026 · Artículo · acceso abierto
  13. 13Exploratory factor analysis · Wikipedia (en) · acceso abierto
  14. 14Diferencias en diferencias · Wikipedia · acceso abierto
  15. 15Coping strategies and their relationship with quality of life in older adults with type 2 diabetes: a binary logistic regression analysis. · Sarvari S, Taheri Tanjani P, Ramezankhani A, Azadbakht M, Talavari N., 2026 · Artículo · acceso abierto
  16. 16Confirmatory factor analysis · Wikipedia (en) · acceso abierto
  17. 17Joshua Angrist · Wikipedia · acceso abierto
  18. 18Correction: The latent profile of health literacy among older adults patients with chronic disease comorbidity and its association with self-management behaviors. · Guo J, Ma B, Xue W., 2026 · Artículo · acceso abierto
  19. 19Linear discriminant analysis · Wikipedia (en) · acceso abierto
  20. 20Análisis factorial · Wikipedia · acceso abierto
  21. 21Social, behavioral and environmental correlates of tobacco use among adults in a tribal population in northern India. · Venkatesh U, Ahmed A, Durga R, Dixit AM, Dutta V., 2026 · Artículo · acceso abierto
  22. 22Factorial · Wikipedia · acceso abierto
  23. 23Confirmatory Factor Analysis with Adaptive Quadrature Estimator Using Four Link Functions. · Atalay Kabasakal K, Dilek I, Atar B., 2026 · Artículo · acceso abierto
  24. 24Structural equation modeling · Wikipedia (en) · acceso abierto
  25. 25Discriminating Between Attribute, Item-Position, and Wording Effects by the Congeneric and Tau-Equivalent Confirmatory Factor Analysis Models. · Schweizer K, Ren X, Wang T., 2026 · Artículo · acceso abierto
  26. 26Ecuaciones estructurales · Wikipedia · acceso abierto
  27. 27Minorization-Maximization for Ratio Sum Linear Discriminant Analysis. · Zhao J, Huang G, Ma X., 2026 · Artículo
  28. 28Análisis discriminante lineal · Wikipedia · acceso abierto
  29. 29Joint optimization transposed projection envelope linear discriminant analysis mode. · Li Y, Zhao W, Li F, Zhang X, Wang P., 2027 · Artículo
  30. 30Estadística multivariante · Wikipedia · acceso abierto
  31. 31Neutrophil-to-Lymphocyte Ratio as a Prognostic Marker for Hospital-Acquired Infections in Neurosurgical Patients. · Jabłońska R, Ślusarz R, Zając M, Królikowska A, Filipska-Blejder K, Sokal P., 2025 · Artículo · acceso abierto
  32. 32Phi coefficient · Wikipedia (en) · acceso abierto
  33. 33Robert Hare · Wikipedia · acceso abierto
  34. 34Checking assumptions: advancing the analysis of sex and gender in health sciences. · Cost KT, Unternaehrer E, Pruessner JC, Abramovich A, Cleverley K, Szatmari P, Lai MC., 2026 · Artículo · acceso abierto
  35. 35Psychopathy Checklist · Wikipedia (en) · acceso abierto
  36. 36PCL-R · Wikipedia · acceso abierto
  37. 37Psychopathic Traits in Forensic and Community Samples: Evidence From Portugal Using the Self-Report Psychopathy Scale -Short Form (SRP-SF). · Conde AR, Sousa C, Pita E, Souto T, Ferreira MJ., 2026 · Artículo
  38. 38Pearson correlation coefficient · Wikipedia (en) · acceso abierto
  39. 39Validating a Four-Factor Model of Psychopathic Personality from the Triarchic Psychopathy Measure (TriPM) Across Community and Incarcerated Samples. · Roy S, Mezhenska M, Neumann CS, Gray NS, Snowden RJ., 2025 · Artículo · acceso abierto
  40. 40Categorical variable · Wikipedia (en) · acceso abierto
  41. 41Introducing the Naturalistic Expression Labeling Task (NELT): Associations with posed expression labeling, empathy, and general cognitive ability. · Talipski LA, Palermo R, Sutherland CAM, Gignac GE, Jeffery L, Crookes K, Wilmer JB, Krumhuber EG, Bell J, Dawel A., 2026 · Artículo · acceso abierto
  42. 42Variance inflation factor · Wikipedia (en) · acceso abierto
  43. 43Do adults with cardiovascular disease risk show meaningful reactivity to physical activity measurement? Coordinated analysis across six studies. · Arigo D, Baga K, Folk AL, Salvatore GM, Bercovitz I, Singh R, König LM, Butryn ML, Mogle JA., 2026 · Artículo · acceso abierto
  44. 44Trastorno antisocial de la personalidad · Wikipedia · acceso abierto
  45. 45Is Wushu participation associated with internalizing problem behaviors among Chinese adolescents? A cross-sectional baseline survey. · Yang M, Ge X, Zhang D., 2026 · Artículo · acceso abierto
  46. 46Simple linear regression · Wikipedia (en) · acceso abierto
  47. 47Knowledge, Beliefs, and Practices Regarding Fibromyalgia Among Family Medicine Physicians and Residents in Saudi Arabia: A Cross-Sectional Study. · Khormi AAM, AlDhuwaihy A, Al Dammas FK, Aynusah NJ, Abolkhair A, Alanazi AB, Alnoshan MA, Almurshid MA, AlOsleb A,…, 2026 · Artículo · acceso abierto
  48. 48Age-related determinants of geriatric depression: an analysis of theory-driven and data-driven approaches. · Orhan F., 2026 · Artículo · acceso abierto
  49. 49Intensive care subspecialty in turkey: what do emergency medicine physicians think? · Barut E, Giden R, Barut K, Yasak İH, Araç S., 2026 · Artículo · acceso abierto
  50. 50Public trust and moral perceptions as predictors of anticipated preventive behavior toward future epidemics among adults in Riyadh, Saudi Arabia: a cross-sectional study. · Alkanhal HF, Mohammed EAS, Alharbi ZO, Alalwan MH., 2026 · Artículo · acceso abierto

Guía de estudio personal, elaborada a partir de las fuentes citadas y revisada contra ellas y contra la plantilla oficial de respuestas. No es material oficial y puede contener errores: si ves alguno, contrasta con el manual.