MANEJO DEL PROGRAMA

1.- ENTRAR EN SPSS Para entrar en SPSS, si no se dispone de acceso directo en el escritorio, se seguir la secuencia Inicio Programas SPSS - SPSS 10.0 para Windows. Una vez que se ha entrado al programa, aparece la siguiente pantalla:
Desde esta pantalla se puede acceder directamente a una base de datos utilizada recientemente (Abrir una fuente de datos existente), o crear una base de datos en blanco para introducir datos (Introducir Datos), etc.

Para salir de la pantalla, pulsar Cancelar. En caso de no querer que aparezca esta pantalla la prxima vez que se acceda al programa, sealar la opcin

2.- CREACIN DEL FICHERO DE DATOS Para empezar a trabajar con el programa SPSS lo primero que hay que hacer es construir el fichero de datos. Para ello se seguirn una serie de pasos, antes o despus de introducir los valores.
Este es el aspecto que presenta una base de datos vaca. Ntese la existencia de dos pestaas en la parte inferior, una llamada "Vista de datos" (activada) y la otra "Vista de variables" (desactivada)

En la "Vista de datos" aparecen las variables colocadas en columnas y los sujetos en filas.

En la "Vista de variables" encontramos que stas estn colocadas en filas, mientras que en las columnas se sita cada una de las caractersticas que las define, y que veremos ms adelante.

2.1.- DEFINICIN DE VARIABLES Las variables se definen desde la "Vista de variables", donde encontramos, como hemos visto antes, una columna para cada caracterstica: 2.1.1.- Nombre Pinchando con el ratn sobre la celdilla correspondiente al nombre de la variable que estamos definiendo, podemos escribir directamente el nombre de la misma (mximo 8 caracteres). 2.1.2.- Tipo Al pinchar sobre la celdilla, aparece un cuadro gris pinchar sobre el, accedemos a la siguiente pantalla:
En esta opcin se le indica al programa con qu tipo de datos estamos trabajando, as como el ancho de las celdillas y si quieren incluirse decimales.

y al

2.1.3.- Anchura A travs de esta opcin se puede modificar la anchura de las celdillas que se haba seleccionado en la pantalla anterior 2.1.4.- Decimales Igualmente, a travs de esta opcin modificar el nmero de decimales que tendrn los datos, ya seleccionado en el apartado 2.2.1.Tipo
En ambos casos se puede escribir directamente el nmero de decimales en la celdilla activada (seleccionada con el ratn) o mover las flechas hasta encontrar el que se quiere.

2.1.5.- Etiqueta La etiqueta de la variable corresponde al nombre completo de la misma,

que aparecer en las salidas. Para asignarla etiqueta de la variable, se escribe directamente sobre la celdilla activada (seleccionada con el ratn)

2.1.6.-Valores Son los diferentes valores que puede tomar la variable. Se van aadiendo a
la lista, mediante el botn Aadir. Se pueden introducir modificaciones con los botones Cambiar y Borrar. En Valor se escribe el valor de la categora y el Etiqueta de valor, su nombre correspondiente. Para que sea aceptado hay que pinchar Aadir y se sita en la ventana de abajo.

Ejemplo En el caso de estar definiendo la variable sexo, los valores que puede tomar la variable son dos: Mujer y Hombre, le asignamos a las mujeres un 1 y a los hombres un 2.

2.1.7.- Valores perdidos Accediendo a esta ventana, el programa pide que se le

especifiquen los valores que no tiene que incluir en el anlisis (errores del sistema, espacios en blanco, etc.)
Se accede a esta ventana pinchando el extremo derecho (sombreado en gris) de la celdilla.

2.1.8.- Columnas Esta opcin permite rectificar, si fuera necesario, el ancho de la columna (especificado ya en 2.1.2.- Tipo) Tal como hicimos en las opciones 2.1.3. y 2.1.4, se puede escribir directamente el ancho de la columna en la celdilla activada (seleccionada con el ratn) o mover las flechas hasta encontrar el que se quiere.

2.1.9.- Alineacin En esta opcin se ajusta al gusto la alineacin de los caracteres, es decir, se especifica como se quiere que aparezcan los datos en las columnas, alineados a la derecha, en el centro, o alineados a la izquierda.
Al acceder a la celdilla (pinchando con el ratn en su extremo derecho, en el que aparece una flecha), se despliega un cuadro en el que hay que seleccionar la opcin deseada, pinchando sobre ella.

2.1.10. Medida Por ltimo, en esta opcin se determina el nivel de medicin de la variable, pudiendo elegir entre Nominal, Ordinal o Intervalo.
Al acceder a la celdilla (pinchando con el ratn en su extremo derecho, en el que aparece una flecha), se despliega un cuadro en el que hay que seleccionar la opcin deseada, pinchando sobre ella.

Al ir definiendo cada una de las variables del fichero, puede ocurrir que queramos utilizar la misma opcin para ms de una variable. En lugar de ir definiendo cada variable, se puede copiar la informacin de una (con Ctrl + C o Edicin + Copiar) y pegarla en otra/s (con Ctrl + V o Edicin + Pegar). Por ejemplo, si queremos utilizar los mismos "Valores" para ms de una variable, basta definirlos para una, a continuacin se selecciona la celdilla que corresponde la los Valores de esa variable, se pincha Ctrl + C o Edicin + Copiar, y se selecciona el resto de variables que van a llevar los mismos valores (seleccionado con el ratn las celdillas correspondientes a los valores), y se pincha Ctrl + V o Edicin + Pegar. Esto puede hacerse con todas las opciones menos con el Nombre de la variable. Una vez que estn todas las variables definidas se meten los datos (la operacin puede realizarse a la inversa, metiendo primero los datos y definiendo

Este es el aspecto que muestra la Vista de Variables, una vez que se han opcin. definido todas, con la informacin correspondiente a cada

despus las variables), el fichero de datos presentara un aspecto similar al de la figura siguiente:

Este es el aspecto que muestra la Vista de Datos, una vez que se han introducido todos ellos.

Puede resultar interesante que, en lugar de los datos numricos de las variables, aparezcan los Valores que se les ha asignado. Para ello, hay que activar el icono:

Con el icono activado se puede operar igual que si no lo est

3.- MODIFICACIN DEL FICHERO DE DATOS Una vez que se ha elaborado el fichero de datos, se pueden introducir en l todas las modificaciones que sean necesarias. En el caso de querer introducir casos o variables nuevas, basta seleccionar el men Datos y acceder a Insertar variable o Insertar caso. Insertar variable Inserta una variable delante de la que est seleccionada. (Si queremos insertar una variable X entre las variables Z e Y, seleccionaremos la variable Y; la nueva variable X se situar delante de ella). Esto puede hacerse tanto desde la Vista de Datos como desde la Vista de Variables. Insertar caso Del mismo modo, se pueden incluir nuevos casos (sujetos) en el fichero, para ello se seleccionar el sujeto que quedar detrs del nuevo, y se insertar el caso. (Si queremos un caso nuevo entre el 3 y el 4, seleccionamos el 4, y

el nuevo aparecer delante, el programa numera de nuevo los casos de forma automtica) Eliminar variables o casos Para realizar esta operacin, se selecciona la variable o caso a eliminar y se pincha el botn Suprimir 4.- VER RESUMEN DE VARIABLES Una vez que hemos elaborado todo el fichero de datos, podemos ver un resumen de las variables sin tener que ir a una a una viendo cmo se han definido. Para ello, se acceder al men Utilidades Variables, donde se despliega una ventana en la que se encuentra informacin detallada de cada una de las variables. En
esta ventana aparece un listado de variables as como la informacin de la que est Pinchando Ir a se accede directamente al lugar del fichero de datos donde se encuentra esa variable, sin necesidad de buscarla, lo que facilita el trabajo cuando trabajamos con un fichero extenso. La ventana no permite realizar ningn cambio, para hacerlo hay que acudir a la variable y realizarlos en ella. seleccionada.

Nota: Igualmente se puede ir a un sujeto determinado sin tener que pasarlos uno por uno. Para ello, se accede a Datos Ir a caso, y se escribe el caso al que se quiere ir, pulsando despus Aceptar.

5.- ORDENAR CASOS En un momento determinado, puede resultar til tener los casos ordenados en una de las variables, el programa lo permite a travs del men casos. Datos Ordenar

En la ventana desplegada, slo hay que seleccionar la variable que queremos que ordene, determinar el orden de clasificacin, y Aceptar. En el fichero de los datos se reordenarn los casos a partir de esta variable

6.- ALMACENAMIENTO Y ACCESO A LOS DATOS Estas son las funciones bsicas del editor de datos del programa SPSS, una vez que tenemos el fichero de datos preparado, ya se puede empezar con el anlisis estadstico, sin olvidar antes guardar el fichero. 6.1.- GUARDAR EL FICHERO DE DATOS Seleccionar Archivo Guardar, y especificar el lugar donde se quiere guardar, as como el nombre asignado
Como puede verse, el procedimiento es el mismo que se sigue en cualquiera de los programas del entorno Windows. A esta opcin se accede igualmente pinchando en el icono

6.2.- ACCESO A LOS DATOS Se procede del mismo modo, especificando el nombre y ubicacin del archivo que queremos abrir, desde Archivo Abrir - Datos

A esta opcin se accede igualmente pinchando en el icono

Otra forma de acceder a un fichero de datos utilizado recientemente es a travs de Archivo - Datos usados recientemente y seleccionando el que se quiere abrir

7.- EL VISOR DE RESULTADOS El visor de resultados es la pantalla en la que el programa SPSS presenta los resultados de los anlisis. Una vez que hemos hecho el primer anlisis, y si no se especifica lo contrario, los sucesivos resultados se acumularn en el mismo visor.

La apariencia del visor es la siguiente:

El visor se divide en dos partes (de ancho regulable por el usuario). A la izquierda aparece el ndice de lo que contiene el visor, que nos permite desplazarnos por los resultados que pinchemos sin necesidad de pasar por todos los dems. La parte de la derecha, es la que muestra los resultados de los anlisis efectuados.

INDICE

RESULTADOS

A travs de los botones de la barra de tareas, podemos movernos del editor de datos al visor de resultados de manera rpida y sencilla

8.- GUARDAR LOS RESULTADOS Los resultados de los anlisis pueden guardarse de diferentes formas: 8.1.- EN FORMATO SPSS Se guardarn de esta forma cuando vayan a abrirse posteriormente en este formato, es decir, en equipos que tengan instalado el SPSS. Para ello basta con acceder a Archivo - Guardar y asignar el nombre y la ubicacin deseados
De nuevo encontramos una ventana de aspecto idntico a la proporcionada por cualquier programa del entorno Windows. De nuevo tambin, es posible acceder a esta ventana a travs del icono:

8.2.- EN OTROS FORMATOS El programa SPSS tiene su propio editor de resultados, editor que es incompatible habitualmente (Word, o Word Perfect). con el procesador de textos que se utiliza Por esta razn, para poder visualizar los

resultados en aquellos equipos que no tengan instalado el programa SPSS, es necesario exportar el visor de resultados a un documento HTML, que puede abrirse, y modificarse en Word. Para ello, en el men Archivo (del visor de resultados), seleccionamos la opcin Exportar y aparece la siguiente ventana
En esta ventana hay que especificar: Qu queremos exportar Dnde lo queremos exportar Cmo lo queremos exportar

8.2.1.- Qu queremos exportar Podemos exportar el documento completo (tablas y grficos, si los hubiera), solo los grfico, o slo las tablas. En esta opcin seleccionaremos la opcin que ms se ajuste a nuestra necesidad

8.2.2.- Dnde lo queremos exportar Hay que especificar dnde se quiere exportar el visor de resultados, para lo que hay que ir a Exportar archivo.

Pulsando examinar, se accede a una pantalla en la que especificaremos dnde queremos guardar el archivo y con qu nombre (si no se especifica nombre, el programa por defecto lo llama OUTPUT.TXT).
8.2.3.- Cmo lo queremos exportar Especificaremos el Formato de exportacin, donde

se seleccionar la opcin Archivo HTML (*.htm), que suele estar marcada por defecto

9.- RECUPERAR LA SALIDA 9.1.- EN FORMATO SPSS Desde el Visor de Resultados, se accede a Archivo - Abrir y se busca el archivo que se quiere abrir.

La apariencia de los resultados en el visor de resultados del SPSS es tal como aparece en la figura

9.2.- EN FORMATO HTML El archivo exportado puede ahora abrirse desde cualquier ordenador que no tenga instalado el programa SPSS, ahora con formato HTML. Para ello abriremos el procesadores de texto Word. Para abrirlo, accedemos a Archivo abrir en tipo de archivo, seleccionamos Documento HTML o Todos los archivos, buscamos el que queremos abrir y aparece un documento con el aspecto siguiente:

La ventaja que tiene exportar en este formato es que permite modificar las tablas, tal y como se hace en Word, posibilidad que en la salida de SPSS es mucho ms limitada

ANALISIS ESTADSTICO DESCRIPTIVO Y DE FRECUENCIAS

1.- ANLISIS DESCRIPTIVO Para realizar un anlisis descriptivo de datos, una vez recuperados los datos en la pantalla, acceder al men Analizar Estadsticos descriptivos Descriptivos. Aparece una pantalla en la que se da la opcin de escoger una, varias o todas las variables de la base de datos para hacer el anlisis. En este caso seleccionamos las variables: Rendimiento en Historia, Rendimiento en Filosofa, Rendimiento en Idioma, Rendimiento en Matemticas y Rendimiento en Dibujo. Para seleccionar las variables, se pinchan con el ratn y se arrastran a la ventana Variables. Esta opcin nos permite obtener estadsticos de resumen univariados para varias variables en una nica tabla y calcula valores tipificados (puntuaciones z), que pueden guardarse, si as se especifica, en el fichero de datos como una variable nueva.

Seleccionando esta opcin, aparecern las puntuaciones tipificadas en el fichero de datos.

Accediendo a las OPCIONES encontramos una pantalla en la que podremos especificar los estadsticos que nos interesen
En esta pantalla marcaremos con el ratn ( 3) los estadsticos que queramos, as como el orden de visualizacin de las variables en el visor de resultados. Las variables se pueden ordenar por el tamao de sus medias (en orden ascendente o descendente), alfabticamente o por el orden en el que se seleccionen las variables (el valor por defecto). Una vez especificado lo que queremos, pinchamos Continuar

Volvemos a la pantalla presentada en la pgina anterior, y pinchamos Aceptar. El visor de resultados de los estadsticos descriptivos es de muy fcil interpretacin, presenta una tabla en la que muestra, para cada variable, los estadsticos que se han pedido.

Estadsticos descriptivos N Rendimiento en historia Rendimiento en filosofa Rendimiento en idioma Rendimiento en matemticas Rendimiento en dibujo N vlido (segn lista) 100 100 100 100 100 100 Mnimo 0 0 0 0 0 Mximo 10 10 9 10 10 Media 5.73 5.50 5.32 5.70 5.50 Desv. tp. 2.27 2.34 2.08 1.96 2.19

Si se marc la opcin Guardar valores tipificados como variable , en el fichero de datos se crearn unas variables nuevas, llamadas znombrevariable, con la puntuacin tpica de cada sujeto en cada variable. 2.- ANLISIS DE FRECUENCIAS Accedemos a esta opcin a travs del men Analizar Estadsticos descriptivos Frecuencias. Esta opcin proporciona estadsticos y representaciones grficas que resultan tiles para describir muchos tipos de variables. Es un procedimiento til para realizar una inspeccin inicial de los datos.

Se da la opcin de mostrar / no mostrar la tabla de frecuencias. Para obtenerlas, debe estar marcado (3)

En esta pantalla se seleccionarn los Grficos que se desean (se seleccionan conjuntamente para todas las variables seleccionadas) as como los valores a partir de los que se generar el mismo.

La

opcin

ESTADSTICOS

permitira

seleccionar aquellos que se desee incluir presentado descriptivo) en la opcin

en los resultados (procedimiento similar al

1.- Anlisis

Los resultados obtenidos aparecen en una tabla similar a la presentada en la figura siguiente:

Estadsticos Estudios del padre 100 0 Profesin del padre 100 0 Estudios de la madre 100 0 Profesin de la madre 100 0

Vlidos Perdidos

En una primera tabla aparecen los estadsticos seleccionados para cada una de las variables incluidas en el anlisis.

A continuacin se presentan las tablas de frecuencias, una para cada variable, en la que se aparece la frecuencia directa, su porcentaje directo, as como el vlido (despus de eliminar valores perdidos), y el acumulado.

Estudios del padre Frecuencia Sin estudios 7 Primarios 14 Secundarios 16 Bachiller 21 Univ. Medios 16 Univ. Superiores 18 Otros 8 Total 100 Porcentaje 7.0 14.0 16.0 21.0 16.0 18.0 8.0 100.0 Porcentaje vlido 7.0 14.0 16.0 21.0 16.0 18.0 8.0 100.0 Porcentaje acumulado 7.0 21.0 37.0 58.0 74.0 92.0 100.0

Vlidos

ESTADSTICA PARAMTRICA: PRUEBA T DE STUDENT

Con la prueba t de Student se intenta probar la diferencia de medias para uno, dos o ms grupos. Se trata de una prueba paramtrica, es decir, que entre otras cosas, la/s variable/s dependiente/s deben estar medidas en nivel de intervalo o razn. 1.- PRUEBA T PARA MUESTRAS INDEPENDIENTES El programa SPSS, dentro del men Analizar, tiene una opcin para comparar medias y dentro de esta opcin accedemos a Prueba T para muestras independientes. En el ejemplo que se desarrolla en este caso seleccionamos como variable de agrupacin o variable independiente el Sexo que tiene dos categoras: MUJER (1) y HOMBRE (2). Como variables dependientes seleccionamos Rendimiento en Historia, Rendimiento en Filosofa, Rendimiento en Idioma, Rendimiento en Matemticas y Rendimiento en Dibujo.

En esta pantalla seleccionamos las variables dependientes, as como la variable independiente (de agrupacin) a partir de la que se calcula la diferencia de medias.

En DEFINIR GRUPOS hay que introducir los valores que puede tomar la variable de agrupacin, en nuestro caso 1 (hombre) y 2 (mujer), hasta que no se hace esto, no se puede continuar
En OPCIONES el programa nos sugiere un intervalo de confianza de 95%, es decir, = 0,05. Normalmente se utiliza este nivel de confianza aunque puede modificarse al 98% o al 99%. Si continuamos, aceptamos el 95% sugerido.

Las Ho quedan formuladas de la forma siguiente: Ho (1): No existen diferencias estadsticamente significativas en el Rendimiento de los alumnos en Historia en funcin de la variable Sexo. Ho (2): No existen diferencias estadsticamente significativas en el Rendimiento de los alumnos en Filosofa en funcin de la variable Sexo. Ho (3): No existen diferencias estadsticamente significativas en el Rendimiento de los alumnos en Idioma en funcin de la variable Sexo. Ho (4): No existen diferencias estadsticamente significativas en el Rendimiento de los alumnos en Matemticas en funcin de la variable Sexo. Ho (5): No existen diferencias estadsticamente significativas en el Rendimiento de los alumnos en Dibujo en funcin de la variable Sexo. Interpretacin de resultados En el visor de resultados encontramos dos tablas (aqu se presenta la segunda en dos partes). En la primera tabla, el programa calcula los ESTADISTICOS DEL GRUPO, concretamente la media, la desviacin tpica y el error tpico de medida de cada categora de la variable independiente, sexo en este caso.
Estadsticos de grupo Sexo Rendimiento en historia Mujer Hombre Rendimiento en filosofa Mujer Hombre Rendimiento en idioma Mujer Hombre Rendimiento en Mujer matemticas Hombre Rendimiento en dibujo Mujer Hombre N 53 47 53 47 53 47 53 47 53 47 Media 5.58 5.89 5.58 5.40 5.40 5.23 5.57 5.85 5.47 5.53 Desviacin tp. 2.20 2.36 2.28 2.42 1.96 2.22 1.95 1.98 2.34 2.02 Error tp. de la media .30 .34 .31 .35 .27 .32 .27 .29 .32 .29

A continuacin aparece una tabla que consta de dos partes, en la primera, el programa realiza una prueba a priori, la F de Levene, para comprobar si existe o no homogeneidad de varianzas (uno de los requisitos para aplicar pruebas paramtricas).

Por ltimo, en la segunda parte de la tabla, aparecen los resultados de la prueba, el valor de la t, los grados de libertad y su probabilidad asociada. Por ejemplo, la variable Rendimiento en Historia tiene un valor de t = -0,677y una probabilidad asociada de 0,500. Si la hiptesis nula planteada Ho (1) era que no

existen diferencias estadsticamente significativas en el Rendimiento de los alumnos en Historia en funcin de la variable Sexo, con los resultados obtenidos, y trabajando a un = 0,05, podemos aceptarla (porque 0,500 > 0,05) y afirmar que no existen diferencias estadsticamente significativas entre hombres y mujeres en el Rendimiento en Historia. En las siguientes columnas, el programa nos ofrece los diferentes intervalos confidenciales (nivel de confianza 95%) para cada una de las comparaciones.
Prueba de muestras independientes

Prueba T para la igualdad de medias 95% Intervalo de confianza para la diferencia Inferior Superior -1.21 -1.22 -.75 -.76 -.67 -.67 -1.06 -1.07 -.93 -.93 .60 .60 1.11 1.12 .99 1.00 .49 .50 .81 .81

t Rendimiento en historia Se han asumido varianzas iguales No se han asumido varianzas iguales Rendimiento en filosofa Se han asumido varianzas iguales No se han asumido varianzas iguales Rendimiento en idioma Se han asumido varianzas iguales No se han asumido varianzas iguales Rendimiento en Se han asumido matemticas varianzas iguales No se han asumido varianzas iguales Rendimiento en dibujo Se han asumido varianzas iguales No se han asumido varianzas iguales -.677 -.674 .384 .383 .388 .385 -.725 -.725 -.137 -.138

gl 98 94.473 98 94.940 98 92.602 98 96.184 98 97.932

Sig. (bilateral) .500 .502 .702 .703 .699 .701 .470 .470 .891 .890

Diferencia de medias -.31 -.31 .18 .18 .16 .16 -.29 -.29 -6.02E-02 -6.02E-02

Error tp. de la diferencia .46 .46 .47 .47 .42 .42 .39 .39 .44 .44

Para el resto de las Hiptesis Nulas planteadas Ho (2), Ho (3), Ho (4), Ho (5), podemos aceptarlas ya que las probabilidades asociadas al estadstico t (0,702 - 0,699 - 0,470 0,891 respectivamente) son mayores que (0,05), por lo que: No existen diferencias estadsticamente significativas en el Rendimiento de los alumnos en Filosofa en funcin de la variable Sexo . Ho (2) No existen diferencias estadsticamente significativas en el Rendimiento de los alumnos en Idioma en funcin de la variable Sexo. Ho (3) No existen diferencias estadsticamente significativas en el Rendimiento de los alumnos en Matemticas en funcin de la variable Sexo Ho (4) No existen diferencias estadsticamente significativas en el Rendimiento de los alumnos en Dibujo en funcin de la variable Sexo Ho (5) Contrastes Posteriores

En caso de haber encontrado diferencias significativas, y para ver hacia que direccin de dan, se consulta la tabla ESTADSTICOS DE GRUPO, y en la columna MEDIA, se puede ver qu grupo obtiene una media superior. 2.- PRUEBA T PARA MUESTRAS RELACIONADAS Dentro del men Analizar, entramos en la opcin comparar medias y dentro de esta opcin accedemos a Prueba T para muestras relacionadas. En este caso se trata de comprobar si existen diferencias estadsticamente significativas entre la Capacidad de Concentracin antes (de recibir un programa de entrenamiento de la concentracin PEC), y la Capacidad de Concentracin despus (del PEC). Seleccionamos estas variables porque estn medidas en nivel de razn. La H0 planteada es que no existen diferencias estadsticamente significativas entre la Capacidad de Concentracin antes y la Capacidad de Concentracin despus.

En este caso, hay que seleccionar las dos variables a la vez y llevarlas a la ventana de la derecha

Interpretacin de resultados Aparece en primer lugar una tabla que resumen la informacin de las variables incluidas en el anlisis. Podramos haber metido ms de un par de variables, en los resultados se identifican como Par 1, Par 2, etc.
Estadsticos de muestras relacionadas Media Par 1 Capacidad de concentracin antes Capacidad de concetracin despues 61.29 71.61 N 100 100 Desviacin tp. 20.25 18.35 Error tp. de la media 2.03 1.83

A continuacin aparece una tabla que nos proporciona la correlacin entre las variables: Podemos ver que la correlacin es significativa (sig. = 0,000 < = 0,05) y muy alta (ver prctica de correlacin) Por ltimo aparece la tabla en la que se contrasta la hiptesis que ponamos en juego:

Prueba de muestras relacionadas

Correlaciones de muestras relacionadas Diferencias relacionadas Par 1

Par 1 95% Intervalo de N Correlacin confianza para la Error tp. CapacidadDesviaci de diferencia de la concentracin antes y media Media n tp. Inferior Superior 100 .744 1.39 -13.08 -7.56

Sig.
t .000 gl -7.415 99 Sig. (bilateral)

Capacidad de Capacidad de concentracin concetracin despues antes - Capacidad -10.32 13.92 de concetracin despues

.000

Podemos ver que la probabilidad asociada al estadstico t es menos que , por lo que rechazamos la H0 planteada y afirmamos que existen diferencias estadsticamente significativas entre la Capacidad de Concentracin antes y la Capacidad de Concentracin despus. Contrastes posteriores Una vez que hemos visto que las diferencias entre la capacidad de concentracin antes y la capacidad de concentracin despus son significativas, puede interesar en qu direccin se dan estas diferencias. Para ello, volvemos a la tabla primera que proporciona el programa, y vemos en que variable a media es ms alta.
Estadsticos de muestras relacionadas Media Par 1 Capacidad de concentracin antes Capacidad de concetracin despues 61.29 71.61 N 100 100 Desviacin Error tp. de tp. de concentracin la media despus de recibir

Es superior la media en Capacidad

20.25 el PEC, por 2.03 lo que puede decirse 18.35

que es un programa eficaz.

1.83

ESTADSTICA NO PARAMTRICA
Las pruebas no paramtricas se utilizan para contrastar la existencia de diferencias significativas cuando la/s variable/s dependiente/s estn medidas en nivel nominal u ordinal. El programa SPSS, dentro del men Analizar, tiene una opcin para Pruebas no Paramtricas. Dentro de esta opcin podemos encontrar varios casos entre los que cabe destacar: para 2 muestras independientes, para ms de dos muestras independientes, para 2 muestras relacionadas, para ms de dos muestras relacionadas, Chi cuadrado. Vamos a entrar nicamente en tres de estos casos, para el resto, se procede de la misma forma, seleccionando la opcin correspondiente. 1.- PRUEBA NO PARAMTRICA PARA DOS MUESTRAS INDEPENDIENTES Accedemos al men Analizar Pruebas no paramtricas 2 muestras independientes. Seleccionamos como variable dependiente el Inters Profesional de los alumnos, y como independiente o variable de agrupacin, el sexo. Queremos comprobar si existen diferencias estadsticamente significativas entre los intereses profesionales de hombres y mujeres. Para adaptarnos al programa del curso, utilizaremos la prueba U de Mann-Whitney, aunque como se puede comprobar, el programa da otras opciones (Z de Kolmogorov-Smirnov, Reacciones extremas de
Como variable de agrupacin (o variable independiente) seleccionamos la variable Sexo y definimos los grupos como 1 (MUJER) y 2 (HOMBRE).

Moses) En OPCIONES se da la opcin de pedir descriptivos o cuartiles. En el caso que nos ocupa no pediremos estadsticos ya que con anterioridad se ha presentado cmo se calculan e interpretan los estadsticos descriptivos y frecuencias. Una vez completo el men, aceptamos y pasamos al visor de resultados. Como siempre, enunciamos la Hiptesis nula a contrastar:

19

H0:

No

existen

diferencias

estadsticamente

significativas

en

los

intereses

profesionales de los alumnos en funcin del sexo. Interpretacin de resultados En los resultados aparece una tabla en la que se muestra el nmero de sujetos que hay en cada categora de la variable independiente, el rango promedio y la suma de
Rangos Sexo Mujer Hombre Total N 53 47 100 Rango promedio 52.39 48.37 Suma de rangos 2776.50 2273.50

Interes profesional del alumno

rangos. A continuacin encontramos la tabla en la que aparecen los estadsticos de contraste. Aunque aparecen por defecto la U de Mann Whitney, W de Wilcoxon y la Z, interpretaremos solo la primera de ellas, aunque como puede verse, la significatividad asociada a los tres estadsticos es la misma. As pues, en funcin de la probabilidad asociada al valor del estadstico U de Mann Whitney, podemos concluir que no existen diferencias estadsticamente significativas en los intereses profesionales de los alumnos en funcin del sexo , ya que este valor (0,479) es mayor que (0,05)
a Estadsticos de contraste

U de Mann-Whitney W de Wilcoxon Z Sig. asintt. (bilateral)

Interes profesional del alumno 1145.500 2273.500 -.707 .479

a. Variable de agrupacin: Sexo

20

2.- PRUEBA NO PARAMTRICA PARA K MUESTRAS INDEPENDIENTES

Para el caso de ms de dos muestras independientes vamos a utilizar la Prueba H de Kruskal-Wallis. Accedemos al men Analizar Pruebas no paramtricas K muestras independientes Del mismo modo que el anterior contraste no pediremos estadsticos descriptivos en el men opciones y seleccionaremos las variables dependientes. En este caso vamos a utilizar como variables dependientes el nivel de estudios y profesional de los padres, y como variable independiente, el nivel Para definir el rango, se introducen los valores mximo y mnimo que puede tomar la variable independiente o de agrupacin

social de la familia. Vamos a contrastar las siguientes hiptesis: H0 (1): No existen diferencias estadsticamente significativas entre el nivel de estudios del padre en funcin del nivel social de la familia. H0 (2): No existen diferencias estadsticamente significativas entre el nivel profesional del padre en funcin del nivel social de la familia. H0 (3): No existen diferencias estadsticamente significativas entre el nivel de estudios de la madre en funcin del nivel social de la familia. H0 (4): No existen diferencias estadsticamente significativas entre el nivel profesional de la madre en funcin del nivel social de la familia. Interpretacin de resultados En los resultados aparecen las siguientes tablas:
Rangos Nivel social familiar Bajo Medio-Bajo Medio Medio-Alto Alto Total Bajo Medio-Bajo Medio Medio-Alto Alto Total Bajo N 14 33 26 17 10 100 14 33 26 17 10 100 14 Rango promedio 76.00 66.15 47.52 29.68 6.30 29.07 42.36 50.40 64.91 83.10 40.75

Para el

cada anlisis,

variable aparece el

dependiente introducida en nmero de casos que hay en cada categora (N) y el Rango Promedio para cada una de ellas.

Profesin del padre

Estudios del padre

Estudios de la madre

a,b Estadsticos de contraste

Chi-cuadrado gl Sig. asintt.

Profesin del padre 54.291 4 .000

Estudios del padre 27.800 4 .000

Estudios de la madre 4.099 4 .393

Profesin de la madre 7.825 4 .098

a. Prueba de Kruskal-Wallis b. Variable de agrupacin: Nivel social familiar

A continuacin aparece una tabla en la que aparece el estadstico correspondiente a cada una de los contrastes de hiptesis realizados (Chi-cuadrado), as como los grados de libertad (gl) y la significatividad asociada al estadstico de contraste (Sig.asintt.). Podemos comprobar que existen diferencias significativas entre el nivel educativo y el nivel profesional del padre en funcin de la clase social a la que pertenece el familia, ya que las probabilidades asociadas al estadstico en ambos casos son 0,000, valor inferior a =0,05. (Rechazamos H0 (1) y H0 (2)) Por el contrario, comprobamos que no existen diferencias significativas entre el nivel educativo y el nivel profesional de la madre en funcin de la clase social a la que pertenece el familia, ya que las probabilidades asociadas al estadstico en ambos casos, 0,393 y 0,098, son superiores a =0,05. (Aceptamos H0 (3) y H0 (4))

3.- PRUEBA CHI CUADRADO

Dentro de las pruebas no paramtricas, es decir las que se realizan con variables medidas en escala ordinal o nominal, se encuentra el CHI CUADRADO. Con esta prueba podemos comprobar si existen o no diferencias estadsticamente significativas entre frecuencias observadas (datos extrados de la realidad) y frecuencias tericas (o esperadas). Hablamos en trminos de frecuencias ya que con variables nominales o categricas slo podemos utilizar estadsticos de este tipo. Podemos encontrar la Prueba Chi Cuadrado en el men Analizar-Pruebas no parametricas- Chi cuadrado.

Las

variables

que

vamos

seleccionar para realizar el anlisis son Sexo, Grupo de clase y Nivel Social Familiar. Se trata de tres variables medidas en escala nominal y aptas por tanto para incluir en el anlisis.

En OPCIONES podramos pedir descriptivos, como en el resto de las pruebas no paramtricas anteriormente presentadas, pero no vamos a hacerlo en esta prctica por la misma razn que no lo hicimos anteriormente. Las H0 a contrastar son: H0 (1): No existen diferencias estadsticamente significativas entre la distribucin real de los sujetos en la variable Sexo y la distribucin que cabra esperar al azar H0 (2): No existen diferencias estadsticamente significativas entre la distribucin real de los sujetos en la variable Grupo de clase y la distribucin que cabra esperar al azar H0 (3): No existen diferencias estadsticamente significativas entre la distribucin real de los sujetos en la variable Nivel Social Familiar y la distribucin que cabra esperar al azar

Interpretacin de resultados

Aparecen en primer lugar las tablas con las frecuencias encontradas en cada categora de cada una de las variables, as como lo que cabra esperar al azar (N / n de categoras) y el residual.
Sexo Mujer Hombre Total N observado 53 47 100 N esperado 50.0 50.0 Residual 3.0 -3.0

En estas tablas aparecen las frecuencias empricas (N observado), que es cmo se distribuyen realmente los sujetos en las diferentes categoras. A continuacin aparecen las frecuencias tericas (N esperado), que es cmo se distribuiran al azar, igual nmero de sujetos en cada categora. Aparecern tantas tablas como variables se incluyan en el anlisis.
Nivel social familiar Bajo Medio-Bajo Medio Medio-Alto Alto Total N observado 14 33 26 17 10 100 N esperado 20.0 20.0 20.0 20.0 20.0 Residual -6.0 13.0 6.0 -3.0 -10.0

Grupo Grupo Grupo Grupo Grupo Total A B C D N observado 25 25 25 25 100 N esperado 25.0 25.0 25.0 25.0 Residual .0 .0 .0 .0

A continuacin aparece la tabla con los valores del estadstico Chi cuadrado, los grados de libertad y la probabilidad asociada al estadstico. Las probabilidades asociadas a los valores de chi cuadrado son 0,549 - 1,000 y 0,002, en el caso de Sexo y del Grupo mayores que el valor de = 0,05, y en el caso de Nivel Social Familiar, inferior a este valor, por lo que afirmamos que no existen diferencias (mayores que las esperadas por azar) entre las diferentes categoras de las variables Sexo y Grupo de Clase, y si que las hay en la variable Nivel Social
Estadsticos de contraste Sexo .360 1 .549 Grupo .000 3 1.000 Nivel social familiar 17.500 4 .002

A partir de esta tabla se realiza el contraste de hiptesis, comparando la probabilidad asociada a ChiCuadrado con el al que estemos trabajando.

Chi-cuadrado gl Sig. asintt.

Familiar

ANALISIS DE VARIANZA

1.- ANLISIS DE VARIANZA SIMPLE. El Anlisis de Varianza simple (ANOVA) es una tcnica estadstica utilizada para contrastar la existencia de diferencias estadsticamente significativas entre las medias de las muestras sometidas a diferentes tratamientos. La hiptesis nula (H0) general que se pretende contrastar es la siguiente: No existen ejemplo) Esta prueba, en SPSS, la encontramos en el men Analizar Comparar Medias ANOVA de un factor.
En este men se da la opcin de seleccionar ms de una variable dependiente, aunque los contrastes son de ANOVA simple, es decir, de cada variable dependiente con la independiente, por separado.

diferencias

estadsticamente

significativas

en

la

Variable

Dependiente

(Rendimiento, por ejemplo) provocadas por la Variable Independiente (Sexo, por

En esta prctica, y al ser el ANOVA una prueba paramtrica. Seleccionamos las variables Rendimiento en Historia, Rendimiento en Filosofa, Rendimiento en Idioma, Rendimiento en Matemticas, y Rendimiento en Dibujo ya que se trata de variables medidas en nivel de intervalo. Como variable independiente seleccionamos la variable Grupo. Las H0 a contrastar queda pues formulada en los siguientes trminos: H0 (1): No existen diferencias estadsticamente significativas en Rendimiento en Historia en funcin del grupo al que pertenecen los alumnos. H0 (2): No existen diferencias estadsticamente significativas en Rendimiento en Filosofa en funcin del grupo al que pertenecen los alumnos. H0 (3): No existen diferencias estadsticamente significativas en Rendimiento en Idioma en funcin del grupo al que pertenecen los alumnos. H0 (4): No existen diferencias estadsticamente significativas en Rendimiento en Matemticas en funcin del grupo al que pertenecen los alumnos.

H0 (5): No existen diferencias estadsticamente significativas en Rendimiento en Dibujo en funcin del grupo al que pertenecen los alumnos.

En OPCIONES podramos pedir estadsticos o que haga la prueba de Homogeneidad de Varianzas (uno de los requisitos para poder aplicar una prueba paramtrica). En este caso no vamos a solicitarlo.

En el caso de querer tambin los contrastes posteriores, es decir, que adems de saber si hay diferencias, saber hacia qu direccin se dan estas diferencias, hay que especificarlo en este momento. Para ello, desde la ventana principal, entramos a la opcin Post Hoc...

De los diferentes estadsticos que nos ofrece el programa, seleccionamos el de Scheffe

Aqu podramos cambiar el nivel de significacin.

Interpretacin de resultados En la primera tabla que aparece podemos contrastar las hiptesis nulas, siempre comparando con la probabilidad asociada al estadstico F
ANOVA Suma de cuadrados Rendimiento en historia Inter-grupos Intra-grupos Total Rendimiento en filosofa Inter-grupos Intra-grupos Total Rendimiento en idioma Inter-grupos Intra-grupos Total Rendimiento en Inter-grupos matemticas Intra-grupos Total Rendimiento en dibujo Inter-grupos Intra-grupos Total
246.350 263.360 509.710 298.440 242.560 541.000 22.320 405.440 427.760 122.440 256.560 379.000 221.640 251.360 473.000

gl
3 96 99 3 96 99 3 96 99 3 96 99 3 96 99

Media cuadrtica
82.117 2.743 99.480 2.527 7.440 4.223 40.813 2.673 73.880 2.618

F
29.933

Sig.
.000

39.372

.000

1.762

.160

15.272

.000

28.216

.000

A la vista de los resultados presentados en la tabla, rechazamos las Ho 1 - 2- 4 y 5, y afirmamos que: Existen diferencias estadsticamente significativas en Rendimiento en Historia en funcin del grupo al que pertenecen los alumnos. H0 (1) Existen diferencias estadsticamente significativas en Rendimiento en Filosofa en funcin del grupo al que pertenecen los alumnos. H0 (2) Existen diferencias estadsticamente significativas en Rendimiento en Matemticas en funcin del grupo al que pertenecen los alumnos. H0 (4) Existen diferencias estadsticamente significativas en Rendimiento en Dibujo en funcin del grupo al que pertenecen los alumnos H0 (5) En todos los casos, la probabilidad asociada a F es menor que (0,000 en los 4 casos) Por el contrario, en el caso de la H0 (3), si que aceptamos y afirmamos que No existen diferencias estadsticamente significativas en Rendimiento en Idioma en funcin del grupo al que pertenecen los alumnos, ya que la probabilidad asociada a F es menor que (0,160) Contrastes posteriores Para comprobar hacia qu lado se dan las diferencias encontradas, vamos a la siguiente tabla. A continuacin se presenta el extracto de dicha tabla correspondiente a la variable dependientes Rendimiento Comparaciones en Historia. mltiples
Scheff Diferencia de Diferencia (J) Grupo medias (I-J) Error tpico Sig. significativa Grupo B -2.64* .47 .000 Grupo C .28 .47 .949 Grupo D -3.28* .47 .000 Grupo B Grupo A 2.64* .47 .000 Grupo C 2.92* .47 .000 Diferencia no Grupo D -.64 .47 .602 significativa Grupo C Grupo A -.28 .47 .949 Grupo B -2.92* .47 .000 Grupo D -3.56* .47 .000 Grupo D Grupo A 3.28* .47 .000 Grupo B .64 .47 .602 Grupo C 3.56* .47 .000 Rendimiento en idioma Grupo A Grupo B -.68 .58 .714 Grupo C -1.16 .58 .270 En la primera columna aparece de medias de cada categora de la Grupo Dla diferencia -8.00E-02 .58 .999 Grupo B Grupo A .68 .58la sustraccin .714 variable independiente con el resto, adjudicando al minuendo de el nombre Grupo C -.48 .58 .877 (I), y al sustrayendo el nombre (J), en la (Diferencia de medias (I-J), se Grupo D segunda columna .60 .58 .785 Grupo C Grupo A 1.16 .58 .270 presentan los resultados de dicha diferencia. En el caso de aparecer un asterisco (*) al Grupo B .48 .58 .877 lado del resultado, y segn consta a Dpie de tabla, ser.333 significativa. La Grupo 1.08 la diferencia .58 Grupo D Grupo A 8.00E-02 .58 .999 Grupo B -.60 .58 .785 Grupo C -1.08 .58 .333 Variable dependiente Rendimiento en historia (I) Grupo Grupo A *. La diferencia entre las medias es significativa al nivel .05.

significatividad de la diferencia se ve igualmente en la columna Sig. en la que aparece la probabilidad asociada a la diferencia. Como puede verse, para las probabilidades que no son significativas (es decir, que son mayores que = 0,05), no aparece asterisco (*) en el valor de la diferencia, y cuando no aparece el asterisco (*) en este valor, la probabilidad no es significativa (su valor es mayor que = 0,05).
2.- ANLISIS DE VARIANZA FACTORIAL

Cuando se quiere comprobar si existen o no diferencias entre ms de dos variables independientes y una dependiente, utilizamos el Anlisis de Varianza Factorial, al que accedemos a travs de la secuencia Univariante.
En la opcin MODELO, escogemos el factorial completo.

Analizar Modelo Lineal General

Seleccionamos

como

variable

dependiente el Rendimiento global del alumno, y como factores fijos o variables independientes el Grupo y el Nivel Social Familiar

Como en el caso del Anlisis de Varianza Simple, este es el momento de pedir (si se quieren) los contrastes posteriores, para lo que accedemos de nuevo a Post Hoc...

En esta ventana hay que especificar para cual/es de las variables independientes o factores se quieren los contrastes posteriores.

La hiptesis nula (Ho) que vamos a contrastar queda pues formulada en los trminos siguientes: No existen diferencias estadsticamente significativas en el

Rendimiento Global obtenido por los alumnos en funcin del efecto conjunto de las variables Grupo de clase al que pertenecen y Nivel Social de la Familia. Interpretacin de resultados La primera tabla que aparece en la salida nos muestra un resumen de los casos incluidos en el estudio
Factores inter-sujetos Etiqueta del valor Grupo A Grupo B Grupo C Grupo D Bajo Medio-Baj o Medio Medio-Alt o Alto N 25 25 25 25 14 33 26 17 10

Grupo

Nivel social familiar

1 2 3 4 1 2 3 4 5

A continuacin aparece la tabla del anlisis de varianza factorial. Como puede verse, ha resultado ser no significativo, es decir que la interaccin entre el Grupo y el Nivel Social Familiar no influyen sobre el Rendimiento Global de los alumnos. La probabilidad asociada al estadstico F para la interaccin de las dos variables es de 0,465, valor mayor que , por lo que acepto H0
Pruebas de los efectos inter-sujetos Variable dependiente: Rendimiento global Suma de cuadrados tipo III 90.610 a 2352.540 47.545 1.497 10.452 70.300 3240.050 160.910 Media cuadrtica 4.769 2352.540 15.848 .374 .871 .879

Fuente Modelo corregido Interseccin GRUPO NIVSOC GRUPO * NIVSOC Error Total Total corregida

gl 19 1 3 4 12 80 100 99

F 5.427 2677.144 18.035 .426 .991

Significacin .000 .000 .000 .789 .465

a. R cuadrado = .563 (R cuadrado corregida = .459)

La tabla proporciona tambin un ANOVA simple para cada una de las variables independientes por separado. El estadstico F para el factor Grupo tiene una probabilidad asociada de 0,000, a un nivel de significacin de 0,05, resulta significativo.

Por el contrario, el valor de la probabilidad asociada a F para la variable Nivel social es de 0,789 resultando no significativa para un valor de de 0,05. Contrastes Posteriores En las tablas siguientes pueden hacerse los contrastes posteriores, del mismo modo que se hacan en el caso de ANOVA simple
Comparaciones mltiples Variable dependiente: Rendimiento global Scheffe Intervalo de confianza al 95%. Lmite Lmite inferior superior -1.0772 .4372 .3508 1.8652 -2.1412 -.6268 -.4372 1.0772 .6708 2.1852 -1.8212 -.3068 -1.8652 -.3508 -2.1852 -.6708 -3.2492 -1.7348 .6268 2.1412 .3068 1.8212 1.7348 3.2492

(I) Grupo Grupo A

Grupo B

Grupo C

Grupo D

(J) Grupo Grupo B Grupo C Grupo D Grupo A Grupo C Grupo D Grupo A Grupo B Grupo D Grupo A Grupo B Grupo C

Diferencia entre medias (I-J) -.3200 1.1080* -1.3840* .3200 1.4280* -1.0640* -1.1080* -1.4280* -2.4920* 1.3840* 1.0640* 2.4920*

Error tp. .2651 .2651 .2651 .2651 .2651 .2651 .2651 .2651 .2651 .2651 .2651 .2651

Significacin .693 .001 .000 .693 .000 .002 .001 .000 .000 .000 .002 .000

Basado en las medias observadas. *. La diferencia de medias es significativa al nivel .05.

Comparaciones mltiples Variable dependiente: Rendimiento global Scheffe Intervalo de confianza al 95%. Lmite Lmite inferior superior -1.0487 .8370 -1.1662 .7936 -1.2101 .9236 -1.4225 1.0253 -.8370 1.0487 -.8556 .6947 -.9199 .8451 -1.1598 .9743 -.7936 1.1662 -.6947 .8556 -.8790 .9650 -1.1122 1.0876 -.9236 1.2101 -.8451 .9199 -.9650 .8790 -1.2333 1.1227 -1.0253 1.4225 -.9743 1.1598 -1.0876 1.1122 -1.1227 1.2333

Diferencia entre (I) Nivel social familiar (J) Nivel social familiar medias (I-J) Bajo Medio-Bajo -.1058 Medio -.1863 Medio-Alto -.1433 Alto -.1986 Medio-Bajo Bajo .1058 Medio -8.0420E-02 Medio-Alto -3.7433E-02 Alto -9.2727E-02 Medio Bajo .1863 Medio-Bajo 8.042E-02 Medio-Alto 4.299E-02 Alto -1.2308E-02 Medio-Alto Bajo .1433 Medio-Bajo 3.743E-02 Medio -4.2986E-02 Alto -5.5294E-02 Alto Bajo .1986 Medio-Bajo 9.273E-02 Medio 1.231E-02 Medio-Alto 5.529E-02 Basado en las medias observadas.

Error tp. .2990 .3108 .3383 .3881 .2990 .2458 .2799 .3384 .3108 .2458 .2924 .3488 .3383 .2799 .2924 .3736 .3881 .3384 .3488 .3736

Significacin .998 .985 .996 .992 .998 .999 1.000 .999 .985 .999 1.000 1.000 .996 1.000 1.000 1.000 .992 .999 1.000 1.000

3.- ANLISIS DE COVARIANZA

El anlisis de covarianza (ANCOVA) es una combinacin de las tcnicas de regresin y anlisis de varianza, que se utiliza para comprobar la existencia de diferencias estadsticamente significativas entre una variable independiente (ms de dos grupos o categoras) y otra dependiente (nivel de medicin intervalo o razn), eliminando la interaccin de una variable extraa que controlamos a travs de ste mtodo, introducindola en el anlisis como COVARIABLE. La suposicin especfica del ANCOVA es que la variable concomitante (covariable) no debe ser afectada por los tratamientos, es decir, que los tratamientos aplicados a las unidades experimentales para poder observar sus efectos en la variable Y no deberan influir en los valores esperados de X. Accedemos al anlisis de covarianza a travs del men Analizar Modelo Lineal General Univariante. Por lo tanto, la H0 queda formulada de la forma siguiente: No existen diferencias estadsticamente significativas en el Rendimiento Global de los alumnos en funcin del Grupo
de clase al que pertenezcan, controlando la influencia del Nivel Social de la familia.

En este caso vamos a coger como variable dependiente el Rendimiento Global, como independiente o factor fijo el Grupo de clase, y se va a controlar el efecto de la variable Nivel Social de la familia.

Interpretacin de resultados De la tabla podemos deducir una serie de conclusiones (tantas como pruebas de significatividad realizadas) que se presentan a continuacin: 1. Modelo corregido Se pone a prueba la existencia de diferencias estadsticamente significativas en el Rendimiento Global obtenido por los alumnos en funcin del Grupo al que pertenecen, controlando el efecto que pueda ejercer el Nivel Social Familiar. La probabilidad asociada al estadstico F calculado es de 0,000 al ser un valor menor que (0,05), rechazamos H0 y afirmamos que existen diferencias en el Rendimiento Global obtenido por los alumnos en funcin del Grupo al que pertenecen, controlando el efecto que pueda ejercer el Nivel Social Familiar

2. Interseccin En este caso se pretende comprobar la existencia de diferencias estadsticamente significativas en el Rendimiento Global de los alumnos, provocadas por la accin conjunta de las variables Grupo de Clase y Nivel Social Familiar. En este caso, la probabilidad asociada a F es tambin de 0,000, y al ser menor que (0,05), se rechaza H0, por lo que se confirma la existencia de diferencias estadsticamente significativas en el Rendimiento Global de los alumnos, provocadas por la accin conjunta de las variables Grupo de Clase y Nivel Social Familiar
Pruebas de los efectos inter-sujetos Variable dependiente: Rendimiento global Suma de cuadrados tipo III 79,255 a 445,926 ,337 79,000 81,655 3240,050 160,910 Media cuadrtica 19,814 445,926 ,337 26,333 ,860

Fuente Modelo corregido Interseccin NIVSOC GRUPO Error Total Total corregida

gl 4 1 1 3 95 100 99

F 23,052 518,803 ,392 30,637

Significacin ,000 ,000 ,533 ,000

123 4

a. R cuadrado = ,493 (R cuadrado corregida = ,471)

3. Por ltimo se hace un ANOVA con cada una de las variables independientes utilizadas. En el primer caso (para la Variable Nivel Social Familiar) se acepta la H0 al ser la probabilidad asociada a F mayor que (0,05) (para Nivel Social Familiar la probabilidad asociada a F es de 0,533), por lo que no hay diferencias estadsticamente significativas en el Rendimiento Global de los alumnos en funcin del Nivel Social Familiar. 4. En el segundo caso se rechaza la H0 al ser la probabilidad asociada a F menor que (0,05) (para Grupo de Clase la probabilidad asociada a F es de 0,000), por lo que hay diferencias estadsticamente significativas en el Rendimiento Global de los alumnos en funcin del Grupo de clase al que pertenecen.

CORRELACIN
La correlacin es una medida de la relacin entre dos variables. Su valor oscila entre 1 y +1 pasando por 0. Los coeficientes de correlacin indican dos cosas; primero indican la cuanta de la relacin, para lo que se tiene en cuenta el valor absoluto del coeficiente, y que se interpreta segn la siguiente tabla:

Menor de |0,30|

Correlacin baja

Entre |0,30| y |0,50| Correlacin moderada

Entre |0,50| y |0,70| Correlacin alta Mayor de |0,70| Correlacin muy alta

En segundo lugar, el signo del coeficiente de correlacin indica el sentido de la relacin. Si el signo es positivo (+), al aumentar una variable tambin lo hace la otra, y si es negativo (-) las variables se relacionan inversamente, al aumentar una de ellas disminuye la otra. COEFICIENTES DE CORRELACIN Pearson El coeficiente de correlacin de Pearson se utiliza cuando las variables del anlisis estn medidas en nivel de intervalo o razn. En ambos casos la interpretacin se hace igual. Spearman Utilizaremos el coeficiente de correlacin de Spearman cuando las variables a relacionar estn medidas en nivel nominal u ordinal. LAS CORRELACIONES EN SPSS El programa SPSS, a travs del MenAnalizar, nos ofrece la opcin Correlaciones, elegimos la opcin Bivariadas (porque queremos correlacionar dos variables). Una vez dentro de la pantalla, el programa nos pide las variables que queremos correlacionar, el coeficiente de correlacin que queremos calcular, y la prueba de significacin (bilateral o unilateral) con la queremos trabajar.

1.- CORRELACIN ENTRE VARIABLES MEDIDAS EN NIVEL NOMINAL U ORDINAL. COEFICIENTE

DE

SPEARMAN

Vamos a calcular si existe correlacin entre las variables Nivel Educativo y Nivel Profesional del Padre, y Nivel Educativo y Nivel Profesional de la Madre y su cuanta en caso de haberla.

Una opcin muy til es la que nos pregunta si queremos que en los resultados aparezcan marcadas las correlaciones significativas (tanto al 1% como al 5%). (Se recomienda marcar la opcin (4) para facilitar la interpretacin de
Interpretacin de resultados Una vez que tenemos las variables que queremos correlacionar, aceptamos y en el visor de resultados aparecer una matriz en la que aparecen de nuevo los siguientes datos: Coeficiente de correlacin Valor del coeficiente, que se interpreta segn la tabla que aparece al principio de la prctica. Significatividad (Sig.) Es lo primero que hay que mirar, indica si la correlacin es significativa, si el valor es menor que nuestro , entonces la correlacin es significativa (no se debe al azar). Mediante la opcin Marcar las correlaciones significativas, el programa seala con un asterisco (*) o dos (**) las correlaciones que son significativas al 0,05 o al 0,01, indicando a pie de tabla la clave de interpretacin. N Nmero de sujetos que intervienen en el anlisis

Correlaciones Estudios del padre Rho de Spearman Estudios del padre Coeficiente de correlacin Sig. (bilateral) N Profesin del padre Coeficiente de correlacin Sig. (bilateral) N Estudios de la madre Coeficiente de correlacin Sig. (bilateral) N Profesin de la madre Coeficiente de correlacin Sig. (bilateral) N 1.000 . 100 -.570** .000 100 .039 .700 100 -.060 .550 100 Profesin del padre -.570** .000 100 1.000 . 100 .025 .803 100 -.043 .672 100 Estudios de la madre .039 .700 100 .025 .803 100 1.000 . 100 -.292** .003 100 Profesin de la madre -.060 .550 100 -.043 .672 100 -.292** .003 100 1.000 . 100

**. La correlacin es significativa al nivel 0,01 (bilateral).

Vemos en este caso que existe correlacin significativa entre los Estudios del Padre y su profesin, as como entre los estudios que ha realizado la madre y su profesin. Las correlaciones son moderada en el primer caso y baja en el segundo. En ambos casos la correlacin es negativa, es decir, que la relacin entre las variables es inversa. Esto quiere decir que a medida que aumenta el valor de una variable disminuye el de la otra. Para interpretar esto, slo hay que tener en cuenta cmo se han categorizado las variables, vemos que se ha hecho de la siguiente forma:
NIVEL DE ESTUDIOS DEL PADRE/MADRE
1 Sin estudios 2 Primarios 3 Secundarios 4 Bachiller 5 Univ. Medios 6 Univ. Superiores 7 Otros

NIVEL PROFESIONAL DEL PADRE/MADRE

1 Directivo de empresa 2 Profesiones liberales 3 Profesional ligado a la enseanza 4 Tcnicos medios 5 Auxiliares 6 De servicio 7 Tareas domsticas 8 En paro 9 Otros

Como puede verse, en el caso de Nivel de estudios, la categora 1 es lo ms bajo y la categora 6 lo ms alto. En el caso del Nivel profesional es al contrario, la categora 1 es el nivel superior y la 8 el inferior, con lo que tiene sentido decir que a medida que aumenta el valor de la variable Nivel de estudios, disminuye el valor de la variable Nivel profesional 2.- CORRELACIN ENTRE VARIABLES MEDIDAS EN NIVEL DE INTERVALO COEFICIENTE DE PEARSON En este caso vamos a comprobar si existe correlacin entre los Rendimientos de los alumnos en todas las materias incluidas en el fichero de los datos entre si y con el Rendimiento global RAZN.

La ventana es la misma que en el caso anterior, nicamente hay que seleccionar la opcin del coeficiente de Pearson y eliminar la marca del coeficiente de Spearman

Interpretacin de resultados Una vez que tenemos las variables que queremos correlacionar, aceptamos y en el visor de resultados aparecer de nuevo una matriz en la que aparecen de nuevo los siguientes datos: Coeficiente de correlacin Valor del coeficiente, que se interpreta segn la tabla que aparece al principio de la prctica. Significatividad (Sig.) Es lo primero que hay que mirar, indica si la correlacin es significativa, si el valor es menor que nuestro , entonces la correlacin es significativa (no se debe al azar). Mediante la opcin Marcar las correlaciones significativas, el programa seala con un asterisco (*) o dos (**) las correlaciones que son significativas al 0,05 o al 0,01, indicando a pie de tabla la clave de interpretacin. N Nmero de sujetos que intervienen en el anlisis

En la matriz se presentan las correlaciones entre las variables, vemos que se trata de una matriz simtrica, en la que las diagonales son 1, el valor de la
Correlaciones Rendimiento en historia Rendimiento en historia Correlacin de Pearson Sig. (bilateral) N Correlacin de Pearson Sig. (bilateral) N Correlacin de Pearson Sig. (bilateral) N Correlacin de Pearson Sig. (bilateral) N Correlacin de Pearson Sig. (bilateral) N Correlacin de Pearson Sig. (bilateral) N 1.000 . 100 .576** .000 100 .010 .922 100 .239* .017 100 .205* .041 100 .714** .000 100 Rendimiento en filosofa .576** .000 100 1.000 . 100 .033 .743 100 .267** .007 100 .253* .011 100 .752** .000 100 Rendimient o en idioma .010 .922 100 .033 .743 100 1.000 . 100 -.225* .025 100 .044 .660 100 .288** .004 100 Rendimiento en matemticas .239* .017 100 .267** .007 100 -.225* .025 100 1.000 . 100 .328** .001 100 .530** .000 100 Rendimiento en dibujo .205* .041 100 .253* .011 100 .044 .660 100 .328** .001 100 1.000 . 100 .623** .000 100 Rendimiento global .714** .000 100 .752** .000 100 .288** .004 100 .530** .000 100 .623** .000 100 1.000 . 100

Rendimiento en filosofa

Rendimiento en idioma

Rendimiento en matemticas

Rendimiento en dibujo

Rendimiento global

**. La correlacin es significativa al nivel 0,01 (bilateral). *. La correlacin es significante al nivel 0,05 (bilateral).

correlacin de cada variable consigo misma. En esta tabla podemos ver que existe correlacin (y muy alta en algunos casos) entre el Rendimiento global de los alumnos y el rendimiento en cada una de las asignaturas, as como correlaciones entre los rendimientos de varias asignaturas.

REGRESIN
Anteriormente hemos visto los coeficientes de correlacin, que indican el grado o la cuanta en que varan conjuntamente dos mediciones o variables. El conocimiento de la relacin entre variables es algo ms que un fin en si mismo; en algunas ocasiones se quiere aprovechar el conocimiento de una relacin entre variables como punto de partida para realizar un pronstico o prediccin. Es decir, al conocer la variable X y su relacin con la variable Y, se tratara de averiguar en qu forma se pueden considerar los valores particulares de la variable X y predecir a partir de ellos los valores que corresponden en Y. El Anlisis de Regresin es la tcnica que utilizamos para ello. La regresin lineal estima los coeficientes de la ecuacin lineal, con una (regresin simple) o ms (regresin mltiple) variables independientes, que mejor prediga el valor de la variable dependiente. Tanto la variable dependiente como la/s independiente/s deben ser continuas (en caso contrario se utilizara Anlisis de Varianza). Por ejemplo, se puede intentar predecir el rendimiento de un alumno (variable dependiente) a partir de su nivel de motivacin, edad, o capacidad de concentracin (variables independientes).
1.- REGRESIN SIMPLE

El anlisis de regresin simple se encuentra en el men Analizar Regresin Lineal

El mtodo que vamos a utilizar es el de pasos sucesivos

En este caso, vamos a estimar el Rendimiento en Matemticas de los sujetos (variable predicha - dependiente) a partir de su Motivacin (variable predictora independiente).

INTERPRETACIN DE RESULTADOS De entre los diferentes criterios existentes para calcular la recta de regresin, se va a utilizar el de los MNIMOS CUADRADOS debido a sus excelentes propiedades estadsticas.
a Variables introducidas/eliminadas

Modelo 1

Variables introducidas

Variables eliminadas

Motivacin despus del programa

Mtodo Por pasos (criterio: Prob. de F para entrar <= ,050, Prob. de F para salir >= ,100).

Esta

tabla nos presenta las

variables que han sido incluidas en el modelo, y el orden de inclusin de las mismas (como es regresin simple, solo se incluye una variable)

a. Variable dependiente: Rendimiento en matemticas

El COEFICIENTE DE DETERMINACIN (R Cuadrado) se utiliza para valorar la calidad del ajuste obtenido, y se obtiene elevando al cuadrado el coeficiente de correlacin (R). Para interpretar se utiliza R CUADRADO CORREGIDA. Cuanto mayor sea el valor del COEFICIENTE DE DETERMINACIN, mayor ser el porcentaje de cambios explicados por esta variable. En la tabla vemos que el valor del coeficiente de determinacin obtenido es de ,138, lo que implica que el 13% de los cambios que se dan en la Rendimiento en Matemticas se debe a la Motivacin de los alumnos. Queda sin explicar el 87% de los cambios (100-13).
Resumen del modelo Modelo 1 R R cuadrado ,372 a ,138 R cuadrado corregida ,129 Error tp. de la estimacin 1,83

a. Variables predictoras: (Constante), Motivacin despus del programa

El ERROR TPICO DE LA ESTIMACIN es el error que se comete en toda prediccin, y su valor oscila entre 0 y S Y . Si el coeficiente de correlacin (R) entre las variables es grande, el error tpico de la estimacin ser pequeo y viceversa. A continuacin aparece la tabla del Anlisis de Varianza, en la que se valora la importancia de la parte de la variable dependiente ( Rendimiento en Matemticas) explicada por la variable independiente (Motivacin). Con este anlisis obtendremos la probabilidad de que la parte explicada haya podido serlo por azar.

En la columna de la derecha aparece el valor de la significatividad, que nos indica la probabilidad de que la suma de distancias explicada mediante la regresin haya sido obtenida por el azar (estamos utilizando el mtodo de los mnimos cuadrados).
b ANOVA

Modelo 1

Regresin Residual Total

Suma de cuadrados 52,352 326,648 379,000

gl 1 98 99

Media cuadrtica 52,352 3,333

F 15,707

Sig. ,000 a

a. Variables predictoras: (Constante), Motivacin despus del programa b. Variable dependiente: Rendimiento en matemticas

En este caso, se ha obtenido una significatividad de 0,000, menor que (0,05), por lo que puede afirmarse que las diferencias no se deben al azar.
a Coeficientes

Modelo 1

(Constante) Motivacin despus 3,237E-02 del programa

Coeficientes no estandarizados B Error tp. 3,687 ,540 ,008

Coeficient es estandari zados Beta ,372

t 6,832 3,963

Sig. ,000 ,000

a. Variable dependiente: Rendimiento en matemticas

En la tabla de los coeficientes aparece lo siguiente: en la columna B aparecen los valores a (3,687) y b (0,0032) de la recta de regresin, que puede escribirse de la forma siguiente: Y (Rendimiento en Matemticas) = 3,687+ 0,0032* Motivacin El valor de la constante a representa el valor que se asigna a la variable dependiente (Rendimiento en Matemticas) en el caso en que la variable independiente (Motivacin) fuera 0. El valor de b por su parte, representa el incremento de la variable dependiente cuando la variable independiente aumenta en una unidad.

Desde el punto de vista grfico, b representa la pendiente de la recta de regresin, mientras que a indica el punto de corte de la recta de regresin con el eje de ordenadas Y. Coeficientes Beta En ocasiones, sobre todo cuando las variables con las que trabajamos estn medidas en escalas muy diferentes, puede resultar interesante trabajar con las puntuaciones estandarizadas en vez de hacerlo con las directas. De esta forma podremos comparar los resultados obtenidos con variables medidas en diferentes escalas. Los coeficientes de la recta de regresin obtenidos para las puntuaciones estandarizadas son los coeficientes BETA (atencin, no confundir con los coeficientes , que representan a los parmetros poblacionales). Su interpretacin es la siguiente: el incremento de la variable dependiente (en puntuaciones tpicas) al aumentar en una unidad la puntuacin tpica de la variable independiente. O, dicho de otra forma, el nmero de desviaciones tpicas en que se incrementar el valor de la variable dependiente al incrementarse en una desviacin tpica la variable independiente. Adems, en el caso de la regresin simple, el coeficiente BETA coincide con el coeficiente de correlacin. Cmo realizar la prediccin Cuando queremos conocer la puntuacin de un sujeto en la variable Y (criterio) a partir de su puntuacin en la variable X (predictor), se calcula la recta de regresin a partir de los datos o puntuaciones obtenidas por el grupo normativo, y a partir de esa recta de regresin, se calcula la puntuacin Y de ese sujeto y se le suma y resta el error tpico de estimacin dando lugar a un intervalo: Lmite superior Y + Sxy Y + - Sxy Lmite inferior Y - Sxy

2.- REGRESIN MLTIPLE

La regresin mltiple es la generalizacin de la regresin simple para el caso en que contemos con ms de una variable explicativa (o independiente). Accedemos, igual que en el caso de la regresin simple, al men Analizar Regresin Lineal.

Seleccionamos, como en el caso de Regresin Simple, el mtodo de Pasos Sucesivos

En este caso se va a predecir el Rendimiento Global de los alumnos (variable dependiente), a partir de su Motivacin despus del programa (variable independiente 1) y de su Inteligencia general (variable independiente 2). INTERPRETACIN DE RESULTADOS
a Variables introducidas/eliminadas

Modelo 1

Variables introducidas

Variables eliminadas

Inteligencia general

Motivacin despus del programa

Mtodo Por pasos (criterio: Prob. de F para entrar <= ,050, Prob. de F para salir >= ,100). Por pasos (criterio: Prob. de F para entrar <= ,050, Prob. de F para salir >= ,100).

En esta primera tabla se presentan las variables que han sido incluidas en el modelo, y el orden de inclusin de las mismas Tenemos dos modelos, el primero (1) con la variable independiente Inteligencia Inteligencia General + General y el segundo (2) con las variables independientes Motivacin Despus del Programa. Aunque habamos seleccionado en primer lugar la Motivacin Despus del Programa, en el anlisis ha entrado antes la Inteligencia General porque explica mayor porcentaje de los cambios en la variable

a. Variable dependiente: Rendimiento global

Recordar que hemos elegido el mtodo de Pasos Sucesivos que, frente al de Introducir (que introduce todas las variables independientes a la vez), va introducindolas una por una.
Resumen del modelo Modelo 1 2 R R cuadrado ,698 a ,487 ,745 b ,555 R cuadrado corregida ,482 ,546 Error tp. de la estimacin ,9175 ,8592

a. Variables predictoras: (Constante), Inteligencia general b. Variables predictoras: (Constante), Inteligencia general, Motivacin despus del programa

Al utilizar el mtodo de Pasos Sucesivos podemos ver el valor de los coeficientes para cada modelo. La primera variable independiente que se incluye es la que tiene una mayor relacin con la variable dependiente (en este caso la Inteligencia General de los alumnos), y ella sola explica el 48,2% (R cuadrado corregida = 0,482) de los cambios de la variable Rendimiento Global. En el segundo modelo, al incluir la segunda variable independiente en la ecuacin (Motivacin Despus), el porcentaje de varianza explicada aumenta a 54,6% (R cuadrado corregida = 0,546), al igual que lo hace el coeficiente de correlacin mltiple R (pasa de 0,698 a 0,745). En este segundo modelo disminuye tambin el error de estimacin (de 0,9175 a 0,8592)

c ANOVA

Modelo 1

Regresin Residual Total Regresin Residual Total

Suma de cuadrados 78,405 82,505 160,910 89,306 71,604 160,910

gl 1 98 99 2 97 99

Media cuadrtica 78,405 ,842 44,653 ,738

F 93,130

Sig. ,000 a

60,490

,000 b

a. Variables predictoras: (Constante), Inteligencia general b. Variables predictoras: (Constante), Inteligencia general, Motivacin despus del programa c. Variable dependiente: Rendimiento global

En la tabla del Anlisis de Varianza tenemos de nuevo la informacin para los dos modelos, la interpretacin se hace igual que en el caso de regresin simple.

Vemos que los dos modelos son significativos, es decir, que la parte explicada no se debe al azar (,000 < ) En la tabla siguiente se presentan los coeficientes de regresin de cada modelo, en el que solo se incluye la variable Inteligencia General como independiente (modelo 1), y en el que se incluyen las dos: Inteligencia General y Motivacin Despus (modelo 2).
a Coeficientes

Modelo 1 2

(Constante) Inteligencia general (Constante) Inteligencia general Motivacin despus 1,601E-02 del programa

Coeficientes no estandarizados B Error tp. -23,365 2,998 ,335 ,035 -19,856 2,952 ,283 ,035 ,004

Coeficient es estandari zados Beta ,698 ,589 ,282

t -7,795 9,650 -6,727 8,028 3,843

Sig. ,000 ,000 ,000 ,000 ,000

a. Variable dependiente: Rendimiento global

Las ecuaciones son: Y (rend.global) = - 23,365 + 0,335 * Inteligencia General Y (rend.global) = - 19,8 + ,283 * Inteligencia General + 0,001 * Motivacin D
La interpretacin de los coeficientes BETA es la misma que en caso de la regresin simple

En la ltima tabla aparecen las variables que han quedado excluidas del anlisis. La exclusin no tiene que deberse forzosamente a que la variable no sea importante a la hora de explicar los cambios de la variable dependiente, simplemente querr decir que su aportacin a la explicacin de los cambios de la variable dependiente ya est explicada por otras variables incluidas, y que su inclusin puede resultar redundante. En este caso se ha excluido finalmente la Motivacin Despus del Programa porque como puede verse en la tabla-resumen del modelo, su contribucin al Rendimiento Global es muy pequea.
b Variables excluidas

Modelo 1

Beta dentro Motivacin despus del programa ,282

a

t 3,843

Sig. ,000

Correlacin parcial ,363

Estadstic os de colinealid ad Tolerancia ,851

a. Variables predictoras en el modelo: (Constante), Inteligencia general b. Variable dependiente: Rendimiento global

ANLISIS FACTORIAL

El anlisis factorial es una tcnica estadstica multivariada cuya finalidad consiste en obtener un nmero reducido de variables abstractas, que estn compuestas por distintas cargas o saturaciones sobre variables empricas, en funcin de la estructura de los datos obtenidos al realizar el proceso de medida de dichas variables empricas. Como el nmero de factores que se obtienen al realizar un anlisis factorial es menor que el nmero de variables de las que partimos y contienen la misma informacin, cada factor explica una conducta ms compleja que la explicada por las variables empricas. Para realizar un Anlisis Factorial con SPSS, elegiremos en el men- analizar, la opcin Reduccin de datos- Anlisis Factorial

En esta ventana, el programa pide las variables que queremos introducir para realizar el anlisis, en nuestro caso vamos a introducir todas las variables del fichero para tratar de obtener un nmero de factores que inferior al nmero y que de nos variables tenemos

A travs de esta pantalla podemos introducir una serie de especificaciones como el mtodo de rotacin y extraccin de los factores

En

la

opcin de que

mtodo los

de

ROTACIN entre los

factores, el

aparecen varios mtodos, de elegiremos

Respecto a la EXTRACCIN de los factores, el mtodo de Componentes Principales es el que vamos a utilizar.

La opcin DESCRIPTIVOS nos permite especificar al programa si queremos que en la salida aparezcan la solucin inicial y estadsticos univariados, as como lo que queremos que aparezca en la matriz de correlaciones (coeficientes, niveles de significacin, matriz inversa, reproducida o anti-imagen, determinante y la prueba de Barlett) para elegir cualquiera de ellos, basta con seleccionarlos (4).

La opcin PUNTUACIONES, nos permite obtener las puntuaciones factoriales de los sujetos, para ello, seleccionamos la opcin y elegimos el mtodo de Barlett. Las puntuaciones factoriales de cada sujeto en cada factor aparecern al final del fichero de datos como nuevas variables con el nombre factndel factor_ n de anlisis.

Interpretacin de resultados

Comunalidades Edad Sexo Grupo Rendimiento global Rendimiento en historia Rendimiento en filosofa Rendimiento en idioma Rendimiento en matemticas Rendimiento en dibujo Estudios del padre Profesin del padre Estudios de la madre Profesin de la madre Nivel social familiar Situacin laboral del alumno Interes profesional del alumno Capacidad de concentracin antes Capacidad de concetracin despues Motivacin antes del programa Motivacin despus del programa Inicial 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 Extraccin .486 .503 .765 .961 .634 .687 .783 .582 .536 .646 .785 .636 .607 .728 .664 .687 .859 .881 .718 .805

La tabla de comunalidades nos indica cmo est representada cada una de las variables en la solucin factorial (utilizamos el criterio > 0,60 para establecer que las variables estn bien representadas en la solucin factorial)

Mtodo de extraccin: Anlisis de Componentes principales.

La tabla de Varianza total explicada nos informa del nmero total de factores (componentes) extrados, as como de la varianza explicada por cada factor en la solucin factorial, tanto antes como despus de la rotacin. En esta tabla podemos ver cules son los factores significativos, que sern aquellos cuya varianza explicada
Varianza total explicada Autovalores iniciales % de la Componente Total varianza % acumulado 1 4.096 20.482 20.482 2 2.371 11.853 32.335 3 2.025 10.123 42.458 4 1.666 8.329 50.787 5 1.442 7.212 57.998 6 1.264 6.321 64.320 7 1.085 5.425 69.745 8 .999 4.996 74.740 9 .858 4.290 79.030 10 .734 3.671 82.701 11 .674 3.368 86.069 12 .583 2.915 88.983 13 .565 2.824 91.807 14 .487 2.436 94.244 15 .350 1.750 95.993 16 .312 1.562 97.555 17 .255 1.277 98.832 18 .176 .878 99.710 19 5.787E-02 .289 100.000 20 3.180E-05 1.590E-04 100.000 Sumas de las saturaciones al cuadrado Suma de las saturaciones al cuadrado de la extraccin de la rotacin % de la % de la Total varianza % acumulado Total varianza % acumulado 4.096 20.482 20.482 3.926 19.632 19.632 2.371 11.853 32.335 2.274 11.371 31.003 2.025 10.123 42.458 1.938 9.691 40.695 1.666 8.329 50.787 1.522 7.608 48.303 1.442 7.212 57.998 1.467 7.335 55.638 1.264 6.321 64.320 1.424 7.122 62.760 1.085 5.425 69.745 1.397 6.984 69.745

Mtodo de extraccin: Anlisis de Componentes principales.

sea mayor que 1. Han salido siete factores significativos que explican el 69,745% (19,632+11,371+9,691+7,608+7,335+7,7122+6,984) de la varianza total. La varianza total de la solucin factorial es igual al nmero de variables incluidas en el anlisis; en nuestro caso, la varianza total es 20.

A continuacin aparece la tabla con las cargas factoriales de las variables, primero sin rotar y despus rotadas (que es la que tenemos que interpretar). Los pesos factoriales sern significativos a partir de 0,30.
a Matriz de componentes rotados

1 Edad 3.784E-02 Sexo 4.277E-02 Grupo .343 Rendimiento global .917 Rendimiento en historia .727 Rendimiento en filosofa .816 Rendimiento en idioma 6.141E-02 Rendimiento en .500 matemticas Rendimiento en dibujo .540 Estudios del padre -5.95E-02 Profesin del padre 8.774E-02 Estudios de la madre -2.09E-02 Profesin de la madre 1.363E-02 Nivel social familiar 7.748E-03 Situacin laboral del 2.918E-02 alumno Interes profesional del -.371 alumno Capacidad de -5.43E-02 concentracin antes Capacidad de -6.32E-03 concetracin despues Motivacin antes del .698 programa Motivacin despus del .765 programa

2 5.927E-02 -4.54E-02 -.127 6.126E-02 -.173 -3.40E-02 4.061E-02 .184 .188 .785 -.868 4.817E-02 -8.66E-04 .846 -.121 -1.89E-02 4.100E-02 -1.69E-02 -.164 -.129

3 -.241 .232 .245 -4.90E-02 .122 -2.92E-02 2.887E-02 -7.57E-02 -.197 -2.94E-02 -9.35E-02 1.552E-02 -2.01E-02 -4.69E-02 -.120 -.128 .898 .924 -3.01E-02 3.363E-03

Componente 4 5 .345 .376 .652 -8.01E-02 -.298 .680 -7.33E-03 -6.26E-02 -.112 .176 -7.52E-02 9.493E-02 3.964E-02 8.593E-02 -5.88E-03 .146 -7.47E-02 -9.55E-03 .105 .356 -8.57E-02 .774 1.848E-02 9.690E-02 -1.98E-02 .224 .197 -.312 -.267 -6.74E-02 2.598E-02 .118 .223 1.712E-03 -3.93E-02 .697 -.151 .157 -.122 -.133

6 -.391 -7.49E-02 -4.58E-02 .293 9.478E-02 3.712E-02 .872 -.309 .165 -2.92E-02 -1.79E-02 .119 3.830E-02 4.983E-02 7.180E-02 .191 8.297E-02 3.656E-03 -.312 -.347

7 9.626E-02 -8.94E-02 .133 .158 9.488E-02 -5.66E-02 -8.57E-02 .315 .225 -.123 -.119 -.771 .654 -1.73E-02 .170 -9.38E-02 -9.63E-02 5.527E-02 -.202 -.158

Mtodo extraccin: Anlisis de componentes principales. A de partir de los pesos significativos de las variables en los factores, iramos Mtodo de rotacin: Normalizacin Varimax con Kaiser. a. La ha convergido en 9 iteraciones. dando larotacin naturaleza al factor, es decir, ponindole nombre. En este anlisis se ha

reducido la informacin de 20 variables a 7 factores PUNTUACIONES FACTORIALES En caso de haber solicitado al programa las puntuaciones de cada sujeto en cada factor, al final del fichero de datos aparecern unas variables nuevas, con el aspecto que se muestra a continuacin:

ANLISIS DE COVARIANZA
El anlisis de covarianza (ANCOVA) es una combinacin de las tcnicas de regresin y anlisis de varianza, que se utiliza para comprobar la existencia de diferencias estadsticamente significativas en la variable dependiente atribuibles a la variable independiente (con dos ms grupos o categoras) y otra dependiente (nivel de medicin intervalo o razn), eliminando la interaccin de una variable extraa que controlamos a travs de ste mtodo, introducindola en el anlisis como COVARIABLE. La suposicin especfica del ANCOVA es que la variable concomitante (covariable) no debe ser afectada por los tratamientos, es decir, que los tratamientos aplicados a las unidades experimentales para poder observar sus efectos en la variable Y no deberan influir en los valores esperados de X. Accedemos al anlisis de covarianza a travs del men Analizar Modelo Lineal General Univariante.
La H0 queda formulada de la forma siguiente: No existen diferencias estadsticamente significativas en el Rendimiento Global de los alumnos en funcin del
Grupo de clase al que pertenezcan, controlando la influencia del Nivel Social de la familia.

En este caso vamos a coger como variable dependiente el Rendimiento Global, como independiente o factor fijo el Grupo de clase, y se va a controlar el efecto de la variable Nivel Social de la familia.

Interpretacin de resultados De la tabla podemos deducir una serie de conclusiones (tantas como pruebas de significatividad realizadas) que se presentan a continuacin: 5. Modelo corregido Se pone a prueba la existencia de diferencias estadsticamente significativas en el Rendimiento Global obtenido por los alumnos en funcin del Grupo al que pertenecen, controlando el efecto que pueda ejercer el Nivel Social

Familiar. La probabilidad asociada al estadstico F calculado es de 0,000 al ser un valor menor que (0,05), rechazamos H0 y afirmamos que existen 6. diferencias en el Rendimiento Global obtenido por los alumnos en funcin del Grupo al que pertenecen, controlando el efecto que pueda ejercer el Nivel Social Familiar 7. Interseccin En este caso se pretende comprobar la existencia de diferencias estadsticamente significativas en el Rendimiento Global de los alumnos, provocadas por la accin conjunta de las variables Grupo de Clase y Nivel Social Familiar. En este caso, la probabilidad asociada a F es tambin de 0,000, y al ser menor que (0,05), se rechaza H0, por lo que se confirma la existencia de diferencias estadsticamente significativas en el Rendimiento Global de los alumnos, provocadas por la accin conjunta de las variables Grupo de Clase y Nivel Social Familiar
Pruebas de los efectos inter-sujetos Variable dependiente: Rendimiento global Suma de cuadrados tipo III 79,255 a 445,926 ,337 79,000 81,655 3240,050 160,910 Media cuadrtica 19,814 445,926 ,337 26,333 ,860

Fuente Modelo corregido Interseccin NIVSOC GRUPO Error Total Total corregida

gl 4 1 1 3 95 100 99

F 23,052 518,803 ,392 30,637

Significacin ,000 ,000 ,533 ,000

123 4

a. R cuadrado = ,493 (R cuadrado corregida = ,471)

8. Por ltimo se hace un ANOVA con cada una de las variables independientes utilizadas. En el primer caso (para la Variable Nivel Social Familiar) se acepta la H0 al ser la probabilidad asociada a F mayor que (0,05) (para Nivel Social Familiar la probabilidad asociada a F es de 0,533), por lo que no hay diferencias estadsticamente significativas en el Rendimiento Global de los alumnos en funcin del Nivel Social Familiar. 9. En el segundo caso se rechaza la H0 al ser la probabilidad asociada a F menor que (0,05) (para Grupo de Clase la probabilidad asociada a F es de 0,000), por lo que hay diferencias estadsticamente significativas en el Rendimiento Global de los alumnos en funcin del Grupo de clase al que pertenecen.

ANLISIS DE TEMS: ITEMAN ITEMAN es un programa diseado para realizar anlisis de tems, y determinar la proporcin de sujetos que acierta cada tem, los que contribuyen a la fiabilidad de un test, qu alternativas funcionan mejor y peor para un tem dado, etc. EL FICHERO DE DATOS El programa ITEMAN funciona bajo MS-DOS, por lo que los datos deben introducirse con formato ASCII (texto), por ejemplo desde el editor del DOS, Word Pad o Bloc de Notas de Windows. El fichero de datos va a tener un aspecto similar al siguiente:

Las cuatro primeras lneas del fichero de datos son fundamentales y debe extremarse la atencin al escribirlas, que cualquier error en ellas (un espacio de ms o de menos, un punto, etc.) puede hacer que el programa no se ejecute o lo haga de forma incorrecta. La primera lnea est formada por 10 columnas que indican lo siguiente: Columnas 1 a 3 Nmero de tems de que consta el test (mximo 250 tems). En el ejemplo anterior, el test consta de 80 tems, observar

que la primera columna queda en blanco, hubiera sido igual poner 035, pero siempre respetando las tres columnas. Columna 4 Espacio en blanco. Columna 5 Cdigo para las respuestas omitidas (en el Fichero del ejemplo, el 9 es el valor que se asigna a los tems no contestados). Columna 6 Espacio en blanco Columna 7 Cdigo para los tems no alcanzados. Especialmente importante cuando se trata de test de velocidad, es el valor que se asigna a los tems que no han sido alcanzados por el alumno por falta de tiempo (en el Fichero del ejemplo, el 8 es el valor que se asigna a estos tems, pero no aparece ninguno porque no se trata de una prueba de velocidad). Columna 8 Espacio en blanco Columnas 9 y 10 Nmero de caracteres utilizados para identificar a los sujetos. En el fichero de ejemplo se especifica un 3 porque se utilizan las dos primeras para enumerar del 1 al 50 y una ms de separacin entre la identificacin y los datos, total, 3 columnas. En la segunda lnea se especifica la clave de correccin, la alternativa correcta de cada tem. Debe haber tantos dgitos como tems. En la tercera lnea se indica el nmero de alternativas que hay para cada uno de los tems del test. En el fichero del ejemplo cada tem tiene 4 alternativas En la cuarta lnea se especifican los tems que entran en el anlisis. Y significa que el tem se analizar; N significa que no se analizar. Debe haber tantos Y/N cono tems en el test. En el fichero de ejemplo se pide el anlisis de los 80 tems. A partir de la quinta lnea se empiezan a escribir los datos.

GUARDAR LOS DATOS Como ya hemos visto antes, los datos deben guardarse en un fichero de texto; se recomienda hacerlo en el Word Pad de Windows, que asigna por defecto al fichero la extensin .txt Escribir el nombre del fichero, de u mximo de 8 caracteres (recordar que ITEMAN trabaja bajo MS-DOS y no reconoce nombres largos). No poner ninguna extensin al fichero, slo el nombre y la ubicacin (en disco de 3 1/2) y Aceptar

EJECUCIN DE ITEMAN Acceder al programa Inicio - Programas - ITEMAN Lo primero que pide el programa es el fichero de los datos. Se escribe el nombre del fichero de datos (por ejemplo a:datos.txt) y se pulsa INTRO A continuacin, el programa pide que se especifique dnde se debe guardar la salida (por ejemplo a:salida). Si no se pone extensin al fichero, por defecto el programa le asigna la extensin .out. Pulsar
INTRO

ITEMAN pregunta si se desea crear un fichero con las puntuaciones de cada sujeto (Do you want the scores written to a file?) . Si se escribe Y (yes), el programa pide la ubicacin de este archivo (por ejemplo a:puntua), si se escribe N (no) pasa a la siguiente pregunta. A la siguiente pregunta (Do you want a key exceptions file? ) decimos siempre que
NO

ITEMAN pregunta si se quiere un fichero con los estadsticos ( Do you wnat to write statistics to a external file?). En este caso, diremos al programa que Al pulsar
INTRO, NO,

pero si se

quieren, el programa pide que se le especifique el nombre (por ejemplo a:estadis) sale una pantalla en la que hay que especificar las opciones de configuracin del anlisis. En nuestro caso vienen sealadas por defecto, as que simplemente pulsamos Continuar (INTRO)

Una vez terminado el anlisis, aparece una barra roja que dice ***ITEM ANALYSIS COMPLETE***. Para ver los resultados, puede pulsarse directamente F2 para acceder al editor de ITEMAN o abrir el archivo desde el Word Pad LOS RESULTADOS EN la salida encontramos, en primer ligar, informacin referida al programa (versin, ao, etc.). A continuacin los detalles especficos del anlisis:

******************** Data (Input) Analysis Output Score Output Exceptions Statistics Output

ANALYSIS SUMMARY INFORMATION File: File: File: File: File: A:\DATOS.TXT A:\SALIDA.OUT NONE NONE NONE DICHOT = Dichotomous

********************

Scale Definition Codes:

MPOINT = Multipoint/Survey

Se especifica dnde estaban almacenados los datos, dnde se ha grabado la salida as como el resto de archivos que se hayan pedido.
0 ------Type of Scale DICHOT N of Items 80 N of Examinees 50 ***** CONFIGURATION INFORMATION Point-Biserial NO YES NO PROPORTIONS ***** Scale:

Type of Correlations: Correction for Spuriousness: Ability Grouping: Subgroup Analysis: Express Endorsements As: Score Group Interval Width:

Aqu se resume la configuracin que se especific en la pantalla A partir de ahora, aparece el anlisis de cada tem. Se presenta slo un extracto de la salida con el anlisis de dos de ellos.

Parte 1 La primera parte hace referencia a la alternativa correcta de cada tem, y se da la informacin siguiente: Prop. Correct Proporcin de sujetos que eligen esa alternativa (al ser la correcta, nos da la informacin sobre proporcin de aciertos del tem). Nos indica el ndice de dificultad del tem. Disc. Index. Indice de discriminacin. Correlacin entre el tem y el test. Indica el grado en que el tem mide lo que mide el test Point. Biser. Indice de homogeniedad del tem. Equivalente al ndice de discriminacin

En la segunda parte de la salida, que hace referencia al tem completo, se da la informacin correspondiente a todas las alternativas del tem. Alt. Nmero de alternativa Parte 2 Prop.Endorsing Low. Proporcin del 27% de los alumnos con peor puntuacin en el test, que eligen esa alternativa Prop.Endorsing High. Proporcin del 27% de los alumnos con mejor puntuacin en el test, que eligen esa alternativa Point Biser. Relacin existente entre cada alternativa y el test completo Atl. Alternativa que se ha sealado

como correcta en la clave de correccin

Un signo de interrogacin (?), por ejemplo el que aparece en el tem 4, indica que hay que revisar el tem, que se ha especificado la alternativa 3 como correcta en la clave de correccin, pero est funcionando mejor la 2 A continuacin el programa proporciona una descripcin estadstica completa de todo el instrumento:
0 ------N of Items 80 N of Examinees 50 Mean 51.920 Variance 58.554 Std. Dev. 7.652 Skew 0.637 Kurtosis -0.478 Minimum 41.000 Maximum 69.000 Median 50.000 Alpha 0.798 SEM 3.440 Mean P 0.649 Mean Item-Tot. 0.230 Mean Biserial 0.329 Max Score (Low) 46 N (Low Group) 13 Min Score (High) 56 N (High Group) 14 Scale:

Un histograma que representa la frecuencia de aciertos:

Number FreqCum Correct uency Freq PR PCT -----------------------. . . No examinees below this score . . . 40 0 0 1 0 41 3 3 6 6 42 2 5 10 4 43 1 6 12 2 44 2 8 16 4 45 2 10 20 4 46 3 13 26 6 47 5 18 36 10 48 2 20 40 4

+ |###### |#### |## |#### +#### |###### |########## |####

49 2 22 44 50 4 26 52 51 2 28 56 52 1 29 58 53 2 31 62 54 4 35 70 55 1 36 72 56 3 39 78 57 0 39 78 58 1 40 80 59 1 41 82 60 1 42 84 61 0 42 84 62 1 43 86 63 2 45 90 64 0 45 90 65 0 45 90 66 1 46 92 67 2 48 96 68 1 49 98 69 1 50 99 70 0 50 99 71 0 50 99 . . . No examinees above this score . .

4 8 4 2 4 8 2 6 0 2 2 2 0 2 4 0 0 2 4 2 2 0 0 .

|#### +######## |#### |## |#### |######## +## |###### | |## |## +## | |## |#### | + |## |#### |## |## + | | |----+----+----+----+----+ 5 10 15 20 25 Percentage of Examinees

A continuacin presentamos una tabal que puede resultar til para la interpretacin de resultados:
INDICE DE DIFICULTAD DEL ITEM Valor Interpretacin Menor de 0,25 Muy difcil Entre 0,25 y 0,44 Difcil Entre 0,45 y 0,54 Normal Entre 0,55 y 0,74 Fcil Mayor de 0,75 Muy Fcil INDICE DE VALIDEZ - INDICE DE HOMOGENEIDAD Valor Interpretacin Negativo a menor de 0,20 Rechazar tem Mayor o igual de 0,55 Bastante alto Mayor o igual de 0,75 Muy alto