La clasificaci n inicial de las t cnicas de an lisis de datos distingue entre t cnicas predictivas, en las que las variables pueden clasificarse inicialmente en dependientes e independientes (similares a las t cnicas del an lisis de la dependencia o m todos explicativos del an lisis multivariante), t cnicas descriptivas, en las que todas las variables tienen inicialmente el mismo estatus (similares a las t cnicas del an lisis de la interdependencia o m todos descriptivos del an lisis multivariante) y t cnicas auxiliares. Las t cnicas predictivas especifican el modelo para los datos en base a un conocimiento te rico previo. Formalmente, la aplicaci n de todo modelo debe superar las fases de identificaci n objetiva (a partir de los datos se aplican reglas que permitan identificar el mejor modelo posible que ajuste los datos), estimaci n (proceso de c lculo de los par metros del modelo elegido para los datos en la fase de identificaci n), diagnosis (proceso de contraste de la validez del modelo estimado) y predicci n (proceso de utilizaci n del modelo identificado, estimado y validado para predecir valores futuros de las variables dependientes). Podemos incluir entre las t cnicas predictivas de an lisis de datos todos los tipos de regresi n, series temporales, an lisis de la varianza y covarianza, an lisis discriminante, rboles de decisi n y redes neuronales. Tanto los rboles de decisi n, como las redes neuronales y el an lisis discriminante son a su vez t cnicas de clasificaci n que pueden extraer perfiles de comportamiento o clases, siendo el objetivo construir un modelo que permita clasificar cualquier nuevo dato. En este libro se tratan pr cticamente todas las t cnicas predictivas de an lissi de datos y se ilustran con ejemplos resueltos exhaustivamente con el software SPSS.