MANUAL DE

INVESTIGACION DEL COMPORTAMIENTO CON

APLICACIONES PARA EL PROGRAMA
ESTADISTICO MINITAB
Por: Teresa Borja, Ph.D.
Agradecimiento especial mi alumno VINICIO BRITO por su importante colaboracin
en este manual.

PUEDEN BAJARSE EL PROGRAMA GRATUITO de minitaba PARA 30

DIAS EN
http://www.minitab.com

AYUDA PARA RESPONDER A LAS PREGUNTAS PARA LOS

ARTICULOS LEIDOS
1. CUAL ES EL MARCO TEORICO DE ESTA INVESTIGACION?
Est en la introduccin del artculo. Son todos los conceptos y teoras que el
investigador conoce gracias a otras investigaciones anteriores. Es la informacin que
le permite al investigador generar sus propias hiptesis para el presente estudio.
2. CUALES SON LAS PREGUNTAS QUE INTENTA RESPONDER?
Son las preguntas que el autor va a contestar con esta investigacin.
3. CUALES SON LAS HIPOTESIS DE ESTA INVESTIGACION?
Generalmente estn al final de la introduccin. Suelen decir algo como "los objetivos
de esta investigacin son. Recuerde que las hiptesis son por lo general
afirmaciones sobre la relacin entre variables.
4. ESPECIFIQUE SI ESTAS HIPOTESIS SON DESCRIPTIVA, CORRELACIONAL,
Y/O CAUSAL
Descriptiva: No habla sobre relaciones entre variables. Quiere describir una poblacin
(Ej., conocer cul es el promedio o los porcentajes de una variable)
Correlacional: Interesa saber cmo se relacionan variables entre s
Causal: Es una hiptesis en la que se establece causa-efecto entre las variables.
Requiere de un diseo experimental en el que se manipulan las variables (v.
independiente, dependiente y hay grupos de control)
5. CUAL ES LA MUESTRA?
Se encuentra en la seccin mtodo, bajo el subttulo sujetos.
6. DIGA QUE HERRAMIENTAS DE RECOLECCIN DE DATOS SE UTILIZARON
(OBSERVACIONES DIRECTAS, ENCUESTAS, DIARIOS, INSTRUMENTOS)
Busque en la seccin mtodo, bajo el subttulo procedimientos
7. DIGA SI EL DISEO DE INVESTIGACION ES: LONGITUDINAL, TRANSVERSAL
Busque en la seccin mtodo, bajo el subttulo procedimientos. Es longitudinal
cuando el inters de la investigacin est centrada en el efecto del paso del tiempo. Es
transversal cuando se estudian grupos en un tiempo especfico. Es posible que el
estudio sea mixto (longitudinal y transversal)
8. DIGA SI EL DISEO DE INVESTIGACION ES: EXPERIMENTO PURO,
CUASIEXPERIMENTO, CORRELACIONAL O DESCRIPTIVO.
EXPERIMENTO PURO: El investigador manipula la variable independiente. Hay grupo
de control.
CUASIEXPERIMENTO: La variable independiente est naturalmente dividida (Ej..,
sexo, edad, religin)
En los estudios correlacionales, el inters es en las relaciones entre variables pero no
se asume que una variable causa o afecta directamente a la otra variable.
En los estudios descriptivos, lo que se busca es describir (e.j., porcentajes) a una

poblacin.
9. DIGA SI EL DISEO DE INVESTIGACION ES: DE LABORATORIO, ESTUDIO DE
CAMPO
Laboratorio: Todas las variables extraas estn bastante bien controladas
Estudio de Campo: No se pueden controlar fcilmente las variables extraas
10. DIGA SI EL DISEO DE INVESTIGACION ES: ENTRE SUJETOS, INTRA
SUJETOS, O MIXTO.
Busque en la seccin mtodo, bajo el subttulo procedimientos.
ENTRE SUJETOS: Cada grupo (nivel) de la variable independiente contiene sujetos
que son diferentes a los sujetos de los que se obtiene las medidas para los otros
niveles de la variable independiente. Ej., La Variable Religin tiene tres niveles:
catlicos, judos, protestantes. Cada uno de estos grupos est constituido por su
propio grupo de sujetos. No pueden estos grupos ser constituidos por los mismos
sujetos, ya que una persona no puede ser catlica, juda y protestante a la vez.
INTRA SUJETOS: Se usan a los mismos sujetos para obtener las medidas de los
distintos niveles de la variable independiente. Ej.. La variable Alcohol tiene dos niveles
5 onzas y 10 onzas.
El grupo de sujetos que recibe las 5 onzas de alcohol, es el mismo grupo de sujetos
que recibe las 10 onzas de alcohol. No son grupos diferentes (podran haberlo sido,
pero no lo son). Se repiten los mismos sujetos en cada condicin, en cada nivel de la
variable independiente.
.
11. DIGA SI EL DISEO DE INVESTIGACION ES: N GRANDE O DE N PEQUEA
N grande: Los resultados son un promedio, un resumen de todo el grupo. En la
investigacin no importa lo que sucede con cada individuo que participa en la
investigacin, sino que busca un resumen del grupo.
N pequea: Se hace un seguimiento de cada individuo para comprender cul es el
efecto de una variable independiente sobre este individuo. Todos los estudios de caso
son de N pequea.
12. ESPECIFIQUE CADA UNA DE LAS VARIABLES INVESTIGADAS
Esta informacin est en la hiptesis y en la seccin mtodo.
Las variables son los conceptos claramente definidos y que son el objeto de estudio de
la investigacin. Por ejemplo, en una investigacin cuyo objetivo es averiguar cul es
el efecto que tienen los padres en el desarrollo de los hijos, hay dos variables: el rol
de los padres y el desarrollo de los hijos.
13. ESPECIFIQUE COMO SE OPERACIONALIZARON CADA UNA DE ESTAS
VARIABLES?
Esta informacin se encuentra en la seccin mtodo, bajo "materiales" o medidas o
instrumentos.
Cada una de las variables de estudio tiene que ser definida de tal manera que pueda
ser medida para poder ser estudiada. En el ejemplo anterior, el rol de los padres tiene
que operacionalizarse de tal manera que se pueda medir. Por ejemplo, se lo puede
operacionalizar de las siguientes maneras: a) tiempo que el padre est en directo
contacto con los hijos, b) con un cuestionario que mide el inters del padre en sus
hijos, c) la cantidad de veces que juega con sus hijos, etc.
La variable desarrollo de los hijos se puede operacionalizar de varias maneras: a)
promedio de notas acadmicas, b) cantidad y calidad de amigos, c) con un

cuestionario de autoestima, etc.

En muchos casos, nombran tests estandarizados para medir con ellos las variables de
inters. Tambin puede ser que observen comportamientos que estn relacionados
con la variable de inters (Ej.., Nmero de golpes dados por un nio, para medir la
variable agresin). Tambin puede usar aparatos para medir una variable (Ej., un
aparato que mide sudoracin para medir la variable angustia)
14. CUAN VALIDA Y CONFIABLE ES LA OPERACIONALIZACION DE CADA UNA
DE ESTAS VARIABLES?
Esta informacin est en la misma seccin anterior o muy al principio de la seccin
"resultados".
Generalmente reportan coeficientes de confiabilidad, o mencionan a otros autores que
previamente han utilizado esta medida o mencionan estrategias para operacionalizar
la variable de una manera profesional (Ej.., usan jueces para definir belleza)
15. ESPECIFIQUE CADA UNA DE ESTAS VARIABLES E INDIQUE SI SU MEDIDA
ES CUANTITATIVA (DATOS CONTINUOS) O CUALITATIVA (DATOS
CATEGRICOS, NOMINALES).
Est en la seccin mtodo o en la seccin "resultados". Las medidas cuantitativas
permiten llegar a promedios. Por ejemplo, el promedio acadmico, el promedio en un
test de autoestima, la cantidad de veces que interrumpe en una conversacin.
Las medidas cualitativas (tambin se usan las palabras nominales o categricas)
hablan de conceptos que no pueden ser cuantificados. Por ejemplo, sexo , la religin,
estado civil. Todas estas variables categricas tienen sus respectivos niveles (Ej.,
hombre-mujer).
Hay veces en que un dato puede tener ambas formas. Por ejemplo, el nmero de
hijos. Se puede tanto sacar un promedio de nmero de hijos de un grupo de
personas. En este caso, se usa estos datos como medidas cuantitativas. Pero
tambin se puede dividir a las personas entre aqullas que tienen 1 hijo, aquellas que
tienen 2 hijos, y aquellas que tienen 3 o ms hijos. En este caso, se est haciendo
una divisin categrica del nmero de hijos.
16. SI EL DISEO ES EXPERIMENTAL O CUASIEXPERIMENTAL: CULES SON
LAS VARIABLES INDEPENDIENTES, DEPENDIENTES Y DE CONTROL
En los diseos experimentales, el investigador manipula una variable para comprender
cul es su efecto. La variable manipulada se la conoce como variable independiente.
La variable que es afectada por la variable independiente, se la conoce como variable
dependiente. Por ejemplo, el investigador manipula la variable alcohol creando dos
condiciones 5 onzas y 10 onzas de alcohol. Se le da a los sujetos para que consuman
y se observa el cambio en el tiempo de reaccin. En este caso, el nivel de alcohol es
la variable independiente y el tiempo de reaccin es la variable dependiente.
17. QU ANALISIS ESTADISTICOS SE APLICARON?
Mencione los anlisis estadsticos aplicados. Esta informacin la encuentra en la
seccin resultados.
18. A QUIENES SE PUEDE GENERALIZAR LOS RESULTADOS DE ESTA
INVESTIGACION?
En la muestra (sujetos) le especifican quines son el grupo escogido. Asuma que es
muy difcil generalizar si la muestra no fue aleatoria.

19. CUALES SON LAS LIMITACIONES QUE LOS AUTORES DICEN QUE TIENE
ESTA INVESTIGACION?
Esto est en la discusin.
20. CUALES SON LOS RESULTADOS, CONCLUSIONES MS IMPORTANTES DE
ESTA INVESTIGACION?
Esto est en la discusin.
21. QUE APLICACIONES PUEDE DARSE A LOS RESULTADOS DE ESTA
INVESTIGACION?
Esto est en la discusin.
22. QUE INVESTIGACION SE LE OCURRE QUE PODRIA SER LA CONTINUACION
DE ESTA INVESTIGACION?
Sea creativo y piense en una investigacin que podra continuar a esta que acaba de
leer. En la discusin, los autores hacen algunas sugerencias para futuras
investigaciones que le pueden dar una pauta a usted.

VOCABULARIO BASICO
Variables: Son los constructos (conceptos operacionados) considerados en una
investigacin.
Las V. independientes son las variables que son manipuladas por el investigador
para establecer su efecto en otra variable (las v. dependientes).
Las V. dependientes son las variables que varan debido al efecto de la variable
independiente
Las v. intervinientes son aquellas que, sin ser estudiadas en la investigacin,
pueden haber influenciado en los cambios de la variable dependiente estudiada en la
investigacin.
Las v. controladas son aquellas que el investigador mantiene constantes para que no
interfieran en la investigacin, pero cuyo efecto especfico no es objeto de
investigacin en el estudio que se realiza.
Las v. organsmicas son aqullas que describen a las personas (sexo, edad, estatus
socio-econmico, raza, religin). No se pueden manipular pero gracias al diseo de
investigacin se las puede usar como v. independientes.
Cuando los niveles de una variable son ininterrumpidos o continuos, a la variable se la
define como variable continua", cuantitativa, numrica
Cuando la divisin es entrecortada por intervalos (Ej. 100-200, 200-300) o cuando son
categoras (Ej. clases sociales = alto, medio, bajo), a la variable se la denomina
variable categrica", nominal, cualitativa. Los niveles de una variable
categrica se refieren a la divisin interna que tiene una variable (Ej. La variable Sexo
tiene 2 niveles: hombre/mujer).
DISEO EXPERIMENTAL = Es un diseo de investigacin que tiene como fin
encontrar las causas del cambio en una variable. Para lograr este objetivo, se
manipula ciertas variables y se mide los efectos que tiene esta manipulacin en otras

variables. En estos diseos se habla de variables independientes, dependientes,

grupos de control.
DISEO CORRELACIONAL = Es un diseo de investigacin que tiene como fin
encontrar las relaciones o asociaciones entre variables. En estos diseos no se habla
de V. independientes ni dependientes, sino simplemente de variables.
Within -Subjects: = Tiene que ver con las diferencias individuales dentro de un grupo.
Between- Subjects = Tiene que ver con las diferencias entre grupos
Probability Level (Prob. Level): El sig level, el p, o la prob. Level es la
probabilidad de equivocarse si se toma la decisin de que existen diferencias entre los
grupos o si se dice que hay un efecto de una determinada variable.
Tomar una decisin usando una muestra de la poblacin siempre conlleva una
posibilidad de error, el prob. Level es una estimacin de uno de los errores que se
pueden cometer.
En psicologa, no se acepta probabilidades de error mayores de 5%, es decir 0.05.
Esto es lo mismo que decir que se acepta un confidence level no menor a 95%.
Por lo tanto, si el prob. Level es mayor a 0.05, tenemos que aceptar que, en nuestro
estudio, no pudimos comprobar que hay diferencias entre los grupos o que no hay un
efecto de la variable en estudio.
Es posible que exista una diferencia, sin embargo, el estudio no fue capaz de
comprobarla. Tal vez, la cantidad de datos coleccionados o el diseo experimental no
fue capaz de identificar el efecto de la variable.
En este caso, el investigador tiene dos opciones, reformular su hiptesis o mejorar su
diseo de investigacin.
CORRELACIN PEARSON:
Para determinar la relacin/asociacin que existe entre dos o ms variables cuyos
datos son cuantitativos
ANALISIS DE ITEMS
BASADO EN CORRELACIONES PEARSON:
En el caso de cuestionarios, la correlacin Pearson sirve para establecer la
consistencia interna de los tems que miden un concepto (anlisis de tems). Sirve
tambin para establecer la validez interna de un test (Cronbach Alpha).
CRONBACH ALPHA:
En base a las correlaciones Pearson, indica la consistencia interna de un Cuestionario.
Por lo tanto, mide la validez interna del test.
FACTOR ANLISIS:
Tambin basado en las correlaciones entre tems. Se juntan los tems ms
relacionados entre si para crear grupos a los que llamamos factores. Se aplica el
anlisis factorial para definir las dimensiones o los subconceptos (factores) que estn
siendo medidos en un test multidimensional (que miden varios conceptos relacionados
entre si)
KAPPA:
Para determinar la confiabilidad entre observadores cuando las medidas observadas
son categricas o cualitativas

T-TEST:
Para determinar la diferencia en la variable dependiente (cuantitativa) entre dos
niveles de una variable independiente (cada nivel es una categora o grupo). Para ver
el efecto de una variable independiente con dos niveles sobre una variable
dependiente cuantitativa
T-Test Two Sample: Cuando los datos de la variable dependiente son obtenidos de
dos grupos independientes. Diseo entre sujetos, es decir, NO son los mismos sujetos
los que estn en un grupo y los que estn en el otro grupo
T-Test Paired: Cuando los datos de la variable dependiente son obtenidos de dos
grupos formados por los mismos sujetos. Diseo intra sujetos o de medidas repetidas,
es decir, son los mismos sujetos los que componen ambos grupos, por eso se dice
que los sujetos se repiten.
ANOVA ONE WAY:
Para determinar diferencias en la Variable Dependiente (medida cuantitativa) entre
tres o ms niveles de una variable independiente (cada nivel es una categora o grupo)
Para ver el efecto de una variable independiente con tres o ms niveles sobre una
variable dependiente cuantitativa
ANOVA TWO WAY:
Para ver el efecto de dos o ms variables independientes (medidas categricas) sobre
una variable dependiente (medida cuantitativa)
MANOVA:
Es un anlisis estadstico que permite ver la influencia de una o ms variables
independientes cuyos niveles son categricos sobre dos o ms variables dependientes
cuyos datos son medidas continuas.
ANOVA PARA MEDIDAS REPETIDAS:
Es un ANOVA para medidas repetidas, es decir, para diseos INTRASUJETOS. Esto
ocurre cuando los mismos sujetos que reciben una condicin (nivel de la variable
independiente) tambin reciben la otra condicin (nivel) de la v. independiente.
CHI CUADRADO: Se utiliza cuando tanto la variable independiente como la
dependiente tiene datos categricos
REGRESIN: Para predecir una variable dependiente cuyos datos son cuantitativos,
en base a variables independientes que pueden ser tanto categricas-cualitativas
como cuantitativas-numricas.

TABLA: RESUMEN DE ANALISIS ESTADISTICOS CON SUS REPECTIVOS TIPOS

DE VARIABLES
Correlationn Pearson,
Cronbach Alpha, Factor
Analysis
Kappa, Chi cuadrado

Variables continuas/numricas/cuantitativas

T test

1 V.Independiente categrica con 2 niveles

1 V. Dependiente continua

ANOVAS

1 V.Independiente categrica con 3 o ms niveles

1 V. dependiente continua

Variables categricas/cualitativas/nominales

2 o ms V. I. Categoricas.

1 V Dependiente continua
MANOVA

1 o ms V. I. categricas
2 o ms V. dependientes continuas

Regresin

1 o ms Variables Independientes continuas y

categricas (convertidas en numricas)
V dependiente continua (pueden ser varias)

CORRELACIN PEARSON

EN MINITAB
Para determinar la relacin/asociacin que existe entre dos o ms variables
cuyos datos son cuantitativos
Correlacin Pearson._ La correlacin puede variar desde -1 a +1. Una correlacin
de 0 significa que las variables no estn relacionadas entre s. Una correlacin de +1 o
-1 significa que las variables estn completamente relacionadas entre s. Si el signo es
positivo significa que las variables estn relacionadas positivamente, es decir, cuando
la medida de una variable aumenta, la medida de la otra variable tambin aumenta, o
que cuando la medida de una variable disminuye, la medida de la otra variable
tambin disminuye. Si el signo es negativo significa que cuando la una variable
aumenta la otra disminuye. Se consideran significativas, correlaciones de -.30 o +.30
hasta o +1.
Datos._ Las medidas de las variables son de tipo cuantitativo, numrico, continuos.
Hiptesis._ Un ejemplo de hiptesis puede ser as: H1: Las personas que manifiestan
mayor satisfaccin matrimonial (medida cuantitativa) tienen ndices de depresin
(medida cuantitativa) menores. Es decir, se espera que exista una correlacin
negativa (si la una aumenta, la otra disminuye) entre estas variables.
Ingreso de datos._ La forma como se ingresan los datos en MINITAB es:
En la fila superior indicar el nombre de las variables que se estudian, en este caso bajo
C1 poner ISM (ndice satisfaccin Matrimonial) y bajo C2 escribir ID (ndice de
depresin)
Bajo cada columna poner los datos correspondientes a cada variable (se los puede
tener a estos datos en Excel y se los puede trasladar a la columna correspondiente)
(C1)
ISM
5
6
7
8

(C2)
ID
12
12
13
13

Correr la Correlacin en MINITAB ._ Stats Basic statistics Correlation

Select las Variables que se quieren investigar (deben ser variables cuantitativas)
(seale display p values) ok.
Resultados Obtenidos._
Pearson Correlations Section

(Row-Wise Deletion)

Miniex 1

Miniex2

Miniex2

0.217
0.000

Miniex3

0.183
0.000

-0.259

0.105
0.000

0.258
0.000

Miniex4

Miniex3

0.000
-0.112
0.000

Cell Contents: Pearson correlation

P-Value (menores a .05 se consideran resultados vlidos, son lo que son)

Por lo tanto, la correlacin entre miniex2 y miniex3 es -0.259, que es una correlacin
negativa (cuando la una variable aumenta, la otra disminuye) y no muy fuerte (no hay
tanta asociacin, es decir, conociendo el valor de una variable, no se puede predecir
con mucha certeza cual es el valor de la otra variable.
El p<0.05 en este caso, significa que matemticamente se puede confiar en estos
resultados
Interpretacin de las correlaciones: Segn el signo de la correlacin y el valor de la
correlacin se deciden cmo estn relacionadas las variables entre s.
Correlaciones mayores de 0,30 son consideradas importantes, interesantes. Entre
ms se acerque a 1.00, ms fuerte es la asociacin entre una y otra variable.
El signo es importante. Un signo negativo quiere decir que las variables estn
negativamente relacionadas, es decir, si la una variable aumenta, la otra disminuye, y
viceversa.
Redaccin._ Ej..., Para comprobar la hiptesis de que las personas que manifiestan
mayor satisfaccin matrimonial tienen ndices de depresin menores se aplic una
correlacin Pearson. (Suponga que entre la variables 1 y 2 hay una correlacin de
-0,67). Los resultados obtenidos de la correlacin Pearson dan soporte a la hiptesis
de que existe una fuerte correlacin negativa entre la variable ISM y la variable ID (r =
-0,67). Dicha correlacin indica que entre ms alto es el ndice de Satisfaccin
Matrimonial, ms bajo es el ndice de Depresin.
Si la correlacin entre las variables tiene un valor de 0,20 a 0.30 se puede redactar de
la siguiente manera: Los resultados obtenidos de la correlacin Pearson no dan
soporte a la hiptesis de que. Ya que existe una asociacin baja entre la variable
ISM y la variable ID (r = 0,22).
Otra forma de redactar: Para estudiar la relacin entre. (Mencionar las variables en
estudio) se aplic una correlacin Pearson. Los resultados indican que la variable
(mencionar una de las variables en estudio) se correlaciona (positiva o negativamente)
con la variable (mencionar la otra variable en estudio). Esto se puede hacer con
cuantas variables se desea investigar. Si son muchas, se presenta una tabla y se
menciona slo aqullas correlaciones que son significativas (mayores a -.30 o +.30)

CORRELACION PEARSON PARA ESTABLECER LA

CONFIABILIDAD Y LA VALIDEZ DE UN TEST
EN MINITAB
En el caso de cuestionarios, la correlacin Pearson tambin sirve para
establecer la consistencia interna de los tems que miden un concepto, lo que
ayuda a establecer la validez interna de un test

Correlacin Pearson: La correlacin Pearson tambin se usa para investigar la

validez interna de un test. Si un test mide un concepto, cada tem del test debera
estar relacionado con el concepto que el test intenta medir. Es decir, cada tem del
test debera estar positivamente relacionado con el ndice total del test (la suma de
todos los tems). Si un tem se encuentra negativamente relacionado con el ndice
total, quiere decir que ese tem, de la forma como est calificado mide lo opuesto a lo
que el ndice busca medir. Por eso, cuando un tem del test est negativamente
relacionado con el ndice total, se debe revertir la forma como se califica ese tem.
Para este anlisis se deben considerar slo aquellas preguntas que miden el
concepto que el test quiere medir (no se deben incluir preguntas etnogrficas
adicionales que generalmente tambin se adiciona a los tests -como sexo, edad,
estado civil, etc.).
Para el anlisis de tems de un cuestionario siga los siguientes pasos:
1. TRANSFORME LAS OPCIONES DE RESPUESTAS A NUMEROS
(SIGUIENDO UNA LGICA QUE EXPLIQUE LA DIFERENCIA
CUANTITATIVA ENTRE LAS RESPUESTAS).
POR EJEMPLO:
Totalmente de acuerdo = 5
Algo de acuerdo =4
Ni de acuerdo ni en desacuerdo =3
Poco de acuerdo =2
Nada de acuerdo = 1
Para la transformacin, tiene que ser coherente con lo que quiere medir, puede ser
que la calificacin de un tem deba ser transformado a la escala contraria, es decir, en
vez de 5 debera valer 1 ya que la respuesta a ese tem contrasta con la respuesta a
otros tems de su escala. Es decir, si la respuesta totalmente de acuerdo a la mayora
de tems indica una actitud positiva, y en uno o algunos de los tems, esta misma
respuesta indica una actitud negativa, entonces debe revertir la manera de calificar
esos tems que son opuestos a la mayora de los otros tems. En todo caso, si se
equivoca en esto, la correlacin que obtendr ser negativa, lo que implica que la
forma como codific estuvo equivocado.
2. Para cada sujeto saque un ndice total, esto es, la suma de todos los tems
que miden el concepto
Meta los datos para cada sujeto y haga la sumatoria total para cada sujeto, este es su
ndice, que expresa cuantitativamente la actitud que tiene cada sujeto con respecto al
tema de inters de su encuesta .
Ingreso de datos._ La forma como se ingresan los datos en MINITAB es:
En la fila superior indicar el nombre de las variables que se estudian, en este caso bajo
C1 poner ISM (ndice satisfaccin Matrimonial) y bajo C2 escribir ID (ndice de
depresin)
Bajo cada columna poner los datos correspondientes a cada variable (se los puede
tener a estos datos en Excel y se los puede trasladar a la columna correspondiente)
(C1)
Item 1
1
2
1

(C2)
Item 2
3
4
2

(C3)
Item 3
5
2
3

(C4)
Item 4
2
1
4

Correr la Correlacin en MINITAB ._ Stats Basic statistics Correlation

Select las Variables que se quieren investigar (deben ser variables cuantitativas) ok.
Las correlaciones CON SIGNO NEGATIVO, QUIEREN DECIR QUE los tems ESTAN
INVERSAMENTE RELACIONADOS, ES DECIR, LA RESPUESTA DE LOS SUJETOS
A ESE TEM EXPRESA UNA ACTITUD CONTRARIA A LO QUE EXPRESAN TODOS
LOS DEMS ITEMS DE LA ENCUESTA.
Por eso, si usted encuentra una correlacin negativa entre uno de los tems y el ndice
total, USTED DEBE REVERTIR los valores del ITEM. Es decir, en este caso se
debe revertir la forma de codificar el item P41 porque se encuentra
negativamente relacionado con el ndice (r=-0.505)
Totalmente de acuerdo = 5 revierta a 1
Algo de acuerdo = 4
revierta a 2
Ni de acuerdo ni en desacuerdo =3 en la reversin se mantiene como 3
Poco de acuerdo =2
revierta a 4
Nada de acuerdo =
1 revierta a 1
Resultados Obtenidos._ En la tabla (DEBAJO DEL CUADRO PARA CRONBACH
ALPHA) se puede ver las correlaciones pearson entre todos los tems. Ponga atencin
a las correlaciones entre el ndice y cada uno de los tems.
P36
P37
P38
P39
P40
P41
P42
P43
P44
INDICE

P37
0.303
0.294
0.329
0.190
0.266
0.116
0.474
0.532
0.508

P38

P39

P40

P41

0.896
0.579
0.352
0.330
0.120
0.678
0.649
0.673

0.573
0.350
0.319
0.121
0.652
0.644
0.657

0.256
0.309
0.128
0.674
0.602
0.649

0.541
0.157
0.469
0.530

P42

p43

P44

p45

0.131
0.587 0.148
0.543 0.283 0.945
-0.505 0.574 0.215 0.988 0.984

Cell Contents: Pearson correlation

P=pregunta o tem

En los datos anteriores, entre el tem P41 y el ndice total, la correlacin es -0,505.
Esto quiere decir que el tem 41 y el ndice estn inversamente relacionados, es decir,
entre ms alto es el valor del tem, menor es el ndice, lo cual es incongruente con el
concepto que usted quiere medir con su cuestionario. En todos estos casos de
relacin negativa entre un tem o pregunta del cuestionario y el ndice total hay que
hacer lo que se indica a continuacin.
Ya que la correlacin entre el tem 41 y el ndice fue negativa, es necesario volver al
momento de la calificacin de la escala de la pregunta 3, y esta vez, la forma de
calificacin de esta pregunta debe revertirse:
SI PARA LA CALIFICACION DEL ITEM P41, USTED CALIFICO:
Totalmente de acuerdo = 5
Algo de acuerdo =4
Ni de acuerdo ni en desacuerdo =3
Poco de acuerdo =2
Nada de acuerdo = 1
AHORA, DEBE RECALIFICAR EL ITEM P41, Y REVERTIR LA CALIFICACION:

10

Totalmente de acuerdo = 1
Algo de acuerdo =2
Ni de acuerdo ni en desacuerdo =3
Poco de acuerdo =4
Nada de acuerdo = 5

Atencin: Con esta nueva forma de calificar la escala del tem 3, tiene que VOLVER A
SACAR EL INDICE, ES DECIR, hacer la suma total para obtener el ndice total por
persona. Con la nueva tabla, aplique nuevamente el analisis de correlacion Pearson, y
le DEBERIA SALIR ESTA VEZ UNA CORRELACION POSITIVA entre el tem P41 (que
anteriormente le salio negativo) y EL INDICE TOTAL.

ANALISIS DE ITEMS

VERSIN 15 EN MINITAB
(NO HAY EN LA VERSIN 14)
BASADO EN CORRELACIONES PEARSON
En el caso de cuestionarios, la correlacin Pearson sirve para establecer la
consistencia interna de los tems que miden un concepto (anlisis de tems).
Sirve tambin para establecer la validez interna de un test (Cronbach Alpha).
Correlacin Pearson: La correlacin Pearson tambin se usa para investigar la
validez interna de un test. Si un test mide un concepto, cada tem del test debera
estar relacionado con el concepto que el test intenta medir. Es decir, cada tem del
test debera estar positivamente relacionado con el ndice total del test (la suma de
todos los tems). Si un tem se encuentra negativamente relacionado con el ndice
total, quiere decir que ese tem, de la forma como est calificado mide lo opuesto a lo
que el ndice busca medir. Por eso, cuando un tem del test est negativamente
relacionado con el ndice total, se debe revertir la forma como se califica ese tem.
Para hacer el anlisis de tems de un test debe se deben considerar slo aquellas
preguntas que miden el concepto que el test quiere medir (no se deben incluir
preguntas etnogrficas adicionales que generalmente tambin se adiciona a los tests
-como sexo, edad, estado civil, etc.).
Para el anlisis de tems de un cuestionario siga los siguientes pasos:
1. TRANSFORME SU ESCALA A NUMEROS. POR EJEMPLO:
Totalmente de acuerdo = 5
Algo de acuerdo =4
Ni de acuerdo ni en desacuerdo =3
Poco de acuerdo =2
Nada de acuerdo = 1
Para la transformacin, tiene que ser coherente con lo que quiere medir, puede ser
que la calificacin de un tem deba ser transformado a la escala contraria, es decir, en
vez de 5 debera valer 1 ya que la respuesta a ese tem contrasta con la respuesta a
otros tems de su escala. En todo caso, si se equivoca en esto, la correlacin que
obtendr ser negativa, lo que implica que la forma como transform estuvo
equivocado.

11

2. Para cada sujeto saque un ndice total, esto es, la suma de todos los tems
que miden el concepto
Meta los datos para cada sujeto y haga la sumatoria total, este es su ndice.
Correr Anlisis de tems en MINITAB ._Para aplicar el anlisis de tems en MINITAB
hay que entrar en Stats Multivariate tem Anlisis Select todos los datos para
cada tem, incluido el ndice ok.
Resultados Obtenidos._ En la tabla se puede ver las correlaciones pearson entre
todos los tems. Ponga atencin a las relaciones entre el ndice y cada uno de los
tems.
P36 P37 P38 P39 P40 P41 P42 p43 P44 p45
P37 0.303
P38 0.294 0.896
P39 0.329 0.579 0.573
P40 0.190 0.352 0.350 0.256
P41 0.266 0.330 0.319 0.309 0.541
P42 0.116 0.120 0.121 0.128 0.157 0.131
P43 0.474 0.678 0.652 0.674 0.469 0.587 0.148
P44 0.532 0.649 0.644 0.602 0.530 0.543 0.283 0.945
INDICE0.508 0.673 0.657 0.649 -0.505 0.574 0.215 0.988 0.984
Cell Contents: Pearson correlation

P=pregunta o tem

RECUERDE QUE CORRELACIONES MAYORES DE -0.30 o +0.30 SON

IMPORTANTES.
Las correlaciones CON SIGNO NEGATIVO, QUIEREN DECIR QUE las variables o los
tems ESTAN INVERSAMENTE RELACIONADOS, ES DECIR, ENTRE MAS ALTO ES
el valor de un tem, menor es el valor del otro tem.
Si usted encuentra una correlacin negativa entre uno de los tems y el ndice total,
USTED DEBE REVERTIR los valores del ITEM. Es decir,
Totalmente de acuerdo = 5 revierta a 1
Algo de acuerdo = 4
revierta a 2
Ni de acuerdo ni en desacuerdo =3 en la reversin se mantiene como 3
Poco de acuerdo =2
revierta a 4
Nada de acuerdo =
1 revierta a 1
En los datos anteriores, entre el tem P41 y el ndice total, la correlacin es -0,50.
Esto quiere decir que el tem 41 y el ndice estn inversamente relacionados, es decir,
entre ms alto es el valor del tem, menor es el ndice, lo cual es incongruente con el
concepto que usted quiere medir con su cuestionario. En todos estos casos de
relacin negativa entre un tem o pregunta del cuestionario y el ndice total hay que
hacer lo que se indica a continuacin.
Ya que la correlacin entre el tem 41 y el ndice fue negativa, es necesario volver al
momento de la calificacin de la escala de la pregunta 3, y esta vez, la forma de
calificacin de esta pregunta debe revertirse:
SI PARA LA CALIFICACION DEL ITEM 3, USTED CALIFICO:
Totalmente de acuerdo = 5
Algo de acuerdo =4
Ni de acuerdo ni en desacuerdo =3
Poco de acuerdo =2

12

Nada de acuerdo = 1
AHORA, DEBE RECALIFICAR EL ITEM 3, Y REVERTIR LA CALIFICACION:
Totalmente de acuerdo = 1
Algo de acuerdo =2
Ni de acuerdo ni en desacuerdo =3
Poco de acuerdo =4
Nada de acuerdo = 5

Atencin: Con esta nueva forma de calificar la escala del tem 3, tiene que VOLVER A
SACAR EL INDICE, ES DECIR, hacer la suma total para obtener el ndice total por
persona. Con la nueva tabla, aplique nuevamente ITEM ANALISIS, y le DEBERIA
SALIR ESTA VEZ UNA CORRELACION POSITIVA entre el tem 3 (que anteriormente
le salio negativo) y EL INDICE TOTAL.

FACTOR ANLISIS

EN MINITAB:
Tambin basado en las correlaciones entre tems. Se juntan los tems ms
relacionados entre si para crear grupos a los que llamamos factores. Se aplica
el anlisis factorial para definir las dimensiones o los subconceptos (factores)
que estn siendo medidos en un test multidimensional (que miden varios
conceptos relacionados entre si)
Factor Anlisis: Para ver los factores o dimensiones que estn formando un
concepto que es multidimensional en vez de unidimensional. Por ejemplo, el
conceptoamor est formado por dimensiones como atraccin fsica,
comunicacin, admiracin, etc. Cuando esto ocurre, el Cronbach Alpha puede ser
bajo. Esta discrepancia indica que posiblemente hay ms de una dimensin que est
siendo medida dentro del concepto que se pretende medir en el test. Por ejemplo, un
test de inteligencia tiene varios factores que miden la inteligencia: verbal, espacial,
etc. Para averiguar si el concepto es multidimensional, hay que aplicar un Factor
Anlisis para determinar los factores que se estn midiendo en el test. Luego, se
obtiene los Cronbach Alpha de cada uno de las dimensiones o factores, en vez de
sacar un solo Cronbach Alpha con todos los tems del cuestionario.
En MINITAB, entrar en stats en multivariate Factor Anlisis Select los
tems del test, sin incluir el ndice, escoja el nmero de factores (2 a 5, dependiendo de
cuantos factores usted considera que existen en su cuestionario (seale method of
extraction -principal components, type of rotation -none) optionsmatrix to
factor, compute from variablesokresutsloadings onlyok.
RESULTADOS: En los resultados, buscar Principal Component Factor Analysis of
the Correlation Matrix, Unrotated Factor Loadings and Communalities (hacia el
final) . En cada Factor, seale los factor loadings superiores a .6 (pueden incluir
algunos .5 y hasta .4 si no hay mayores a .6) .
Luego, vea cules son los tems que estn en cada factor y busque una lgica que
explique la relacin que existe entre estos tems. Hay que buscar entender el
concepto que mide cada uno de estos factores.
Luego, se puede aplicar el Cronbach Alpha para cada uno de los factores encontrados.
Factor Analysis: P9, P10, P11, P12, P13
Principal Component Factor Analysis of the Correlation Matrix

13

Unrotated Factor Loadings and Communalities

Variable Factor1 Factor2 Factor3

Question1

0.864 0.142

-0.053

Question2

0.831 0.080

0.167

Question3

0.717 0.290

0.440

Question4

0.232 0.877

0.325

Question5

0.233 0.767

0.323

Question6

-0.316 0.362

0.811

Question7

-0.298 0.154

0.729

Question8

-0.019 0.394

0.652

Chequee cuales son los tems que ms contribuyen con sus pesos o loadings a cada factor (aquellos
con loadings ms altos, busque loadings superiors a 0..40 0.60). Lea los tems que corresponden y
descubra si hay alguna lgica entre ellos. Una vez que encuentre la lgica, dle un nombre a ese factor
que resuma lo que los tems relacionados intentan medir. Puede escoger hasta tes con 0.40 si tienen
lgica de ser includos. tems cuando ya no tenga lgica su inclusin y chequee si estos tems contribuyen
con loadings altos en otros factores.

Redaccin: Se aplic un Anlisis de Factores para definir los factores que subyacen al
test de .. Los resultados indican que hay # Factores. Un factor incluye (mencionar
los tems) y darle un nombre coherente a ese conjunto de tems. As para cada factor.
El Cronbach Alpha para el factor fue de , para el factor , etc.

KAPPA:

EN MINITAB
Para determinar la confiabilidad entre observadores cuando las medidas
observadas son categricas o cualitativas
Kappa ._ Es una estadstica que busca averiguar si dos observadores o dos jueces o
dos codificadores estn observando en forma confiable. Por ejemplo, si se pide a dos
personas que decidan si durante una conversacin, una persona mantiene la voz baja,
mediana, o alta. Si ambos observadores estn observando a la misma persona,
deberan coincidir en sus reportes. El Kappa nos dice si coinciden o no. El Kappa va
entre 0 y 1. Un Kappa superior a 0.70 indica que los observadores han observado en
forma confiable, es decir, han visto lo mismo, es decir, ha habido pocos errores en sus
observaciones.
Datos: La variable independiente es categrica y se refiere a los observadores (solo
se puede aplicar este anlisis para 2 observadores) o a los jueces (solo para 2 jueces).
La variable dependiente es tambin categrica y se refiere a lo que es observado por

14

los observadores (Ej.., golpea, insulta, grita). Si hay ms de dos observadores, se

aplica varios Kappas (para comparar de dos en dos).
Hiptesis._ Los observadores observan en forma confiable la conducta de tocar con
la mano a la otra persona mientras dos personas estn conversando. Suponga que se
observa a una persona conversando y los observadores anotan cada 5 segundos lo
que ocurre (en trminos de tocar o no a la otra persona).
Ingreso de datos en MINITAB._
Bajo C1 se escribe Observadores y abajo se especifica cuales son las observaciones
del Obs.1 y del Obs. 2. Bajo C2 se escribe las observaciones
Bajo observador 1, se pone los datos observados por este y bajo observador 2, se
pone los datos observados por este.
Ejemplo:
C1
Observador 1
Toca
No toca
Toca
No toca
No toca
Toca
No toca
Toca
No toca
No toca

C2
Observador 2
Toca
No toca
Toca
No toca
No toca
Toca
No toca
Toca
No toca
No toca

MINITAB ._ stats Tables cross tabulation and Chi Square row escoger
observador 1, en column escoger observador 2 , counts, Other Stats
Kappa reliability scores Okok
Resultados obtenidos._ Despus de los conteos, est
Kappa reliability test

0.78

Se considera que la confiabilidad en la forma como observaron los observadores es

alta cuando se obtiene un Kappa superior a 0.70.
Se considera una confiabilidad mediana cuando el Kappa esta entre 0.60 y 0.70.
Kappas menores a 0.60 indican una baja confiabilidad
Redaccin.- Para determinar la confiabilidad con que los observadores codificaron
los..(comportamientos, la publicidad, etc.) se aplic un anlisis Kappa. Los
resultados indican que la confiabilidad fue alta (K= 0.78).

T-TEST (TWO SAMPLE Y PAIRED)

EN MINITAB
Para determinar la diferencia en la variable dependiente (cuantitativa) entre dos
niveles de una variable independiente (cada nivel es una categora o grupo).
Para ver el efecto de una variable independiente con dos niveles sobre una
variable dependiente cuantitativa
T-test._ es un anlisis estadstico que permite ver la influencia de una variable
independiente con dos niveles categricos o dos grupos sobre una variable
dependiente medida en forma cuantitativa. Existen dos variables: la independiente con

15

un mximo de dos niveles (Ej., sexo: hombre - mujer; tipo de grupo: experimental grupo control) y la variable dependiente debe ser una medida cuantitativa (Ej..., nivel
de autoestima).
Hay dos tipos de T-test: T test 2 sample y T Test Paired.
Datos._ Los datos de la variable dependiente son siempre datos cuantitativos o
numricos. Siempre la variable independiente tiene dos niveles que son cualitativos o
categricos.

T-Test Two Sample: Cuando los datos de la variable dependiente son

obtenidos de dos grupos independientes. Diseo entre sujetos, es decir, NO son los
mismos sujetos los que estn en un grupo y los que estn en el otro grupo
Hiptesis._ Un ejemplo de hiptesis puede ser as: Las mujeres tienen mayores
niveles de depresin que los hombres.
Datos._ Los datos de la variable dependiente son siempre datos cuantitativos o
numricos. Siempre la variable independiente tiene dos niveles que son cualitativos o
categricos.
Ingreso de datos._ La forma como se ingresan los datos en MINITAB es as:
Sexo (C1)
Hombre
Hombre
Mujer
Mujer

Indices de depresin (C2)

121
120
139
138

Correr el T-test two sample en MINITAB ._ stats Basic statistics Two sample
t-test en sample se pone la variable dependiente (tiene que ser una variable
cuantitativa) selectEn subscripts se pone la variable independiente (tiene
que ser categrica con 2 niveles) selectok.
Resultados:
Una vez que han corrido el programa para T Test 2 sample, en los
Resultados deben buscar la tabla
Two-Sample T-Test and CI: Int Emoc, sexo
Two-sample T for Int Emoc
sexo N Mean StDev SE Mean
m 14 99.1 25.0
6.7
h
8 94.5 29.5
10
Difference = mu (h) - mu (m)
Estimate for difference: 4.6
95% CI for difference: (-22.4, 31.5)
T-Test of difference = 0 (vs not =): T-Value

= 0.37 P-Value = 0.018

DF = 12

En esta tabla, fjense solo en el T value y el P value.

En este caso se dice que la diferencia es significativa porque el prob. Level es menor
de 0.05. Es decir, hay menos de 5% probabilidades de que haya un error al decir que
los dos promedios son diferentes.

16

Recuerden que se acepta que hay una diferencia significativa si la probability level es
0.05 o menor.
Una vez que se sabe que la diferencia es significativa, ver los promedios que
obtuvieron cada grupo para conocer cual grupo tuvo un promedio mayor o menor en la
variable dependiente. Ver los means en la tabla de resultados.
Redaccin._ Para comprobar la hiptesis que las mujeres tienen promedios
superiores en inteligencia emocional que los hombres aplicamos un t-test two sample.
Los resultados indican que si existe una diferencia estadstica significativa entre
hombres y mujeres (t = - 9,64; p < 0,05). Las mujeres muestran promedios ms altos
(x = 99,1) que los hombres (x = 94,5) en la prueba de inteligencia emocional.
Redaccin.- Para determinar las diferencias entre (mencionar la v. Independiente) en
cuanto a (mencionar la v. Dependiente), se aplic un T-test (para medidas repetidas o
medidas independientes). Los resultados indican que (si, no) hubo una diferencia
significativa (T= , p=). Los promedios indican que el promedio de (mencionar la v.
Dependiente) en los (nivel de la v. independiente) fue (mayor, menor si existe una
diferencia significativa, si no hay, entonces no se habla ni de mayor ni de menor, solo
se menciona los promedios) que en los (el otro nivel de la v. Independiente)

T-Test Paired: Cuando los datos de la variable dependiente son obtenidos de

dos grupos formados por los mismos sujetos. Diseo intra sujetos o de medidas
repetidas, es decir, son los mismos sujetos los que componen ambos grupos, por eso
se dice que los sujetos se repiten.
Hiptesis._ Un ejemplo de hiptesis puede ser as: El tiempo de reaccin de las
personas mejoran despus de realizar tareas de mucha atencin. Al mismo grupo se
le mide los reflejos antes de la tarea y despus de la tarea. Los datos son obtenidos
de dos grupos (antes-despus) constituidos por los mismos sujetos.
Datos._ Los datos de la variable dependiente son siempre datos cuantitativos o
numricos. Siempre la variable independiente tiene dos niveles que son cualitativos o
categricos.

Ingreso de datos._ Para meter los datos del T Test PAIRED. Como son los
mismos sujetos que estn en los dos niveles de la variable independiente, la
forma como se meten los datos es similar a como se meten para la correlacin.
Bajo C1 se ponen el nombre para un nivel de la variable independiente (Ej..., antes
del tratamiento) y bajo C2 se pone el nombre del segundo nivel de la variable
independiente (Ej..., despus).
(C1)
Antes
7
5
5

(C2)
despus
6
4
6

Correr el T-test paired en MINITAB ._ Stats Basic Statistics T-test paired

en first sample se selecciona un grupo (Ej.., antes) select En second
sample se pone el otro grupo (Ej.., despus) select ok.
Resultados Obtenidos._ Los datos obtenidos, dependiendo de la hiptesis deben
verse en la tabla T-Test For Difference Between Means Section. Fijarse en T-value. y
su Prob. Level. Se considera que hay diferencias significativas entre los grupos
cuando la P Level es menor a 0.05 (reject Ho)

17

Paired T-Test and CI for Tiempo de REac

sexo N Mean StDev SE Mean
m 14 99.1 25.0
6.7
h
8 94.5 29.5
10
T-Test of difference = 0 (vs not =): T-Value

= 0.37 P-Value = 0.018

DF = 12

Se interpreta los resultados igual que se indic anteriormente para T Test 2 sample.
Una vez determinado si hay o no diferencias significativas (p<>0.05), ver en la tabla
en que se indican los promedios y as se puede saber qu grupo o nivel tuvo ms o
menos en la variable dependiente. Si no hay diferencias significativas, se asume que
ningn grupo es mayor o menor (aunque aparentemente sus promedios sean
diferentes), se asume que son iguales.
Redaccin._ Para comprobar la hiptesis de que el tiempo de reaccin es menor
despus de realizar tareas de mucha atencin se aplic un t-test paired. Los
resultados indican que si existe una diferencia estadstica significativa en el tiempo de
reaccin (t = - 9,64; p < 0,05). El tiempo de reaccin despus de realizar una tarea
que requiere mucha atencin fue menor (x = 5 seg.) que el tiempo de reaccin antes
de realizar dicho tipo de tarea (x = 3 seg.).

ANOVA ONE WAY

EN MINITAB
Para determinar diferencias en la Variable Dependiente (medida cuantitativa)
entre tres o ms niveles de una variable independiente (cada nivel es una
categora o grupo)
Para ver el efecto de una variable independiente con tres o ms niveles sobre
una variable dependiente cuantitativa
One way Anova._ es un anlisis estadstico que permite ver la influencia de la variable
independiente sobre la dependiente. Existen dos variables: la independiente con un
mnimo de tres niveles (catlico, musulmn, ateo, judo) y la variable dependiente
cuyos datos son cuantitativos (Ej., nivel de miedo a la muerte con una escala de 0-10).
Datos._ Los datos de la variable dependiente son datos continuos siempre la variable
independiente tiene datos categricos.
Hiptesis._ Un ejemplo de hiptesis puede ser as: El nivel socioeconmico (alto,
mediano, bajo) influye en el nmero de hijos.
Ingreso de datos._ La forma como se ingresan los datos en MINITAB es as:
Nivel socioeconmico (C1)
Bajo
Alto
medio
Bajo
medio
Alto
Alto
medio
Alto

Nmero de hijos (C2)

4
5
7
4
7
9
5
7
9

Correr ANOVA one way en MINITAB ._ Stats Anova General linear models
Responses Elegir la Variable Dependiente select Model ( Elegir la V.

18

Independiente). select Comparisons (Elegir Bonferroni) y poner la variable

independiente en Terms select ok results analysis of variance table
Display least squares means corresponding to the terms: poner las variables
independientes ok.
Resultados Obtenidos._
General Linear Model: IAS versus religion
Factor Type
religion fixed

Levels Values
4 Agnstica, Catlica, Cristiana, Otra

Analysis of Variance for IAS, using Adjusted SS for Tests

Source DF Seq SS Adj SS Adj MS F
P
religion 3 2120.8 2120.8 706.9 1.04 0.397
Error 18 12182.6 12182.6 676.8
Total 21 14303.3

El valor que se obtiene en los resultados es una F ratio con su respectiva probabilidad
de error. Se declara que hay diferencias significativas cuando la prob. level es menor o
igual a 0,05.
Ms abajo estn los resultados de Bonferroni que establece entre cules niveles existe
la diferencia y entre cules no.
Bonferroni 95.0% Simultaneous Confidence Intervals
Response Variable IAS
All Pairwise Comparisons among Levels of religion
religion = Agnstica subtracted from:
religion Lower Center Upper ---+---------+---------+---------+--Catlica -37.04 3.114 43.27
(----*-----)
Cristiana -92.03 -7.600 -76.83 (-----------*-----------)
Otra
-29.59 34.900 99.39
(--------*--------)
---+---------+---------+---------+---70
0
70
140
(Si todos los # tienen el mismo signo, sea o + , quiere decir que SI HAY DIFERENCIA) (+, - ,- si hay
signos mezclados NO HAY DIFERNCIA, es decir son iguales)

Si los tres signos coinciden, hay diferencia significativa. En este caso, hay diferencia
significativa entre agnosticos y cristianos, y no hay entre agnosticos y catolicos ni con
los miembros de otras religiones.
Least Squares Means for autoritarismo - optimismo
-AUTORITARISMO- ---OPTIMISMO--SEXO
Mean SE Mean Mean SE Mean
HOMBRE
146,26 1,708 197,97 8,818
MUJER
109,11 1,708 204,87 8,818
ESPECIALIZAC
SICOLOGO
94,29 1,708 197,97 8,818
SIQUIATRA
161,08 1,708 204,87 8,818
SEXO*ESPECIALIZAC
HOMBRE SICOLOGO 81,47 2,415 196,84 12,470
HOMBRE SIQUIATRA 211,05 2,415 199,11 12,470
MUJER SICOLOGO 107,11 2,415 199,11 12,470
MUJER SIQUIATRA 111,11 2,415 210,63 12,470

Redaccin._ Para comprobar la hiptesis de que el nivel socioeconmico influye en

el nmero de hijos se aplic un anova one way. Los resultados indican que
efectivamente existe diferencias significativas entre el nmero de hijos de las personas
de diferentes niveles socioeconmicos (F = 15,23; p < 0,05). El Anlisis Bonferroni
indica que las personas con un nivel socioeconmico bajo tienen menos hijos (X =

19

3,54) que los de nivel alto (X=4.2). No hubo diferencias en el nmero de hijos entre las
personas de nivel medio (X = 4) y las personas de nivel alto (X=4.2)
Redaccin: Para determinar las diferencias entre (mencionar la v. Independiente) en
cuanto a (mencionar la v. Dependiente), se aplic un Anova de una Va. Los resultados
indican que (si, no) hubo una diferencia significativa (F= , p= ). El anlisis Bonferroni
indica que (mencionar la V. Dependiente) fue mayor menor en (ir comparando uno a
uno entre los niveles de la v. Independiente (poner los promedios entre parntesis
cada vez que se menciona ese nivel)

ANOVA TWO WAY

EN MINITAB
Para ver el efecto de dos o ms variables independientes (medidas categricas)
sobre una variable dependiente (medida cuantitiva)
Anova two way._ Sirve para ver el efecto de dos o ms variables independientes
(medidas categricas) sobre una variable dependiente (medida cuantitiva). Permite
analizar el efecto de la interaccin de las variables independientes sobre la variable
dependiente.
Datos._ Los datos de la variable dependiente son datos continuos mientras que las
variables independientes tienen datos categricos.
Hiptesis._ Un ejemplo de hiptesis puede ser as: La religin (niveles: cat., prot,
juda) y el estatus socioeconmico (niveles: alto, medio, bajo) influye en la satisfaccin
matrimonial (se obtiene mediante un ndice o escala)
Ingreso de datos._ La forma como se ingresan los datos en MINITAB es as:
Bajo C1 poner el nombre de la V. Independiente 1 y bajo esta, poner los niveles
correspondientes a los datos de la variable dependiente. Bajo C2, poner hacer lo
mismo con la variable independiente 2 (si hay mas variables independientes, seguir
poniendo segn corresponde). Bajo C3, se ponen los datos o las medidas, es decir la
variable dependiente.
Si la tabla se presenta de esta forma,
Religin
Catlico

Alto
45
43
15
17
18
26

Protestante
Judo

Nivel Socioeconmico
Medio
18
22
34
45
24
33

Bajo
19
18
20
22
62
64

Trasladar
Los datos de la anterior tabla tienen que ser trasladados para su manejo en MINITAB,
de manera que se formen las 3 columnas, C1 (v. Independiente 1), C2 (v.
Independiente 2) y C3 (V. Dependiente)
Ej...,
(C1)

(C2)

(C3)

Religin (V. Ind 1)

Nivel socioeconmico
(V ind. 2)

ISM (V. dep)

(ndice de
Satisfaccin

20

Catlico
Protestante
Judo
Catlico
Protestante
Judo
Etc.

alto
Medio
Bajo
Alto
Medio
Bajo

Matrimonial
45
34
62
43
45
64

Correr Anova two way en MINITAB ._ Stat Anova General Linear Model
Responses (Elegir la Variable Dependiente) select Model (escoger las V.
independientes) y las interacciones (para esto hay que poner V1*V2 = interaccion
entre V. Ind 1 y V. Ind. 2) Elegir todas las interacciones posibles entre las variables
independientes elegidas Comparisons (Elegir Bonferroni) y poner las variables
independientes y la interaccion en Terms select ok results anlisis of
variante table Display least squares means corresponding to the terms: aqu
se debe poner todas las variables independientes y sus interacciones ok ok
Resultados Obtenidos._
Para los resultados obtenidos se ve la F y su prob. Level para cada variable
independiente, luego la F y prob.level para las interacciones (AB). Para que sea
significativo debe ser el prob. Level menor que 0,05.
General Linear Model: IAS versus sexo, religion
Analysis of Variance for A, using Adjusted SS for Tests
Source
A
B
A*B
Error
Total

DF Seq SS Adj SS Adj MS

F
P
1 205912 20807 20807 36.94 0.000
3 730182 724686 241562 428.84 0.000
3 16727 16727 5576
9.90 0.000
8141 4585805 4585805 563
8148 5538626

Los resultados muestran un efecto de la variable A (Ej.., retroinforamcion) ya que su

prob. Level es menor a 0.05. Esto quiere decir que la variable dependiente (Ej...,
autoestima) cambia de acuerdo al tipo de Retroinformacion (Ej..., positiva o negativa)
que recibe el sujeto. RECUERDEN que se sabe que hay un efecto
ESTADISTICAMENTE SIGNIFICATIVO si la Prob. Level es menor de 0.05.
Ahora tengo que decidir si hay un efecto de la variable independiente B (Ej..., "pensar"
en la propia muerto o no). Si la prob. Level es menor a 0.05, entonces tambin hay un
efecto.
El dato sobre A*B, habla de la interaccin entre las variables
Independientes (Ej..., Retroinformacion X pensar). Vean la prob. Level.
Un efecto significativo de la interaccin entre las variables
Independientes (A*B) implica que la v. Dependiente (Ej..., autoestima) est afectada
por una combinacin entre las variables independientes
(Ej..., retroinformacion X pensar en la muerte o no). Por ejemplo, en el caso de este
ejemplo, se ve que la autoestima baja cuando el sujeto recibe una retroinforamcion
negativa pero solo si el sujeto piensa en su propia muerte. En cambio, cuando el
sujeto recibe una retroinforamcion negativa pero no piensa en su propia muerte
(En este caso, ve TV), su autoestima se mantiene igual que cuando recibe
retroinformacion positiva, piense o no en su propia muerte. Es decir, el efecto de la
retroinformacion (positiva o negativa) no es un efecto PURO ya que depende de si la
persona piensa o no en su propia muerte. Un efecto significativo de una interaccin es

21

muy interesante porque quiere decir que la forma de actuar de la una variable
independiente depende de su combinacin con la otra variable independiente.
Cada vez que una variable independiente tenga 3 o ms niveles, o que haya una
Interaccin significativa (A*B tiene una prob. level menor a 0.05), hay
que ver el anlisis Bonferroni para saber donde estan las diferencias. (Ver en Anova 1
way sobre como se ve y se interpreta esto en minitab)
Redaccin._ Similar a ANOVA One Way pero para cada V. Independiente y para cada
interaccin.
Para comprobar la hiptesis de que la religin y el nivel socioeconmico afectan la
satisfaccin matrimonial se aplic un anova two way. Los resultados indican que hubo
un efecto de la religin sobre la satisfaccin matrimonial (F = 16,23; p < 0,05). El
anlisis Bonferroni indica que la satisfaccin matrimonial es mayor (x = 19,5) en
familias judas (X= 33.5) que en familias Catlicas (X=23.6) y que en familias
protestantes (X=23,8). . Se hace lo mismo para la otra v. Independiente (estatus
socioeconmico). (se hace lo mismo para la interaccin) La interaccin entre .
(mencionar la VI 1 y la VI 2) tambin fue significativa (F=, p=). El anlisis
Bonferroni indica que (ver las diferencias en los promedios de las interacciones) y
mencionar los promedios para explicar cul es mayor o menor.
Nota para el Bonferroni: El Bonferroni se necesita siempre que haya un efecto significativo (prob.
level menor a 0.05) de la interaccin, y siempre que hay un efecto significativo de una V. I. que
tenga tres o mas niveles. La razn es que el anova solo nos dice que hay diferencia pero no
especifica entre que grupos hay diferencias. Por lgica si solo hay dos grupos y el anova indica que
son diferentes, obviamente se sabe que la diferencia es entre los dos grupos. En cambio cuando hay
tres grupos, es posible que haya dos grupos que sean iguales entre si y que los otros dos sean
diferentes entre si (Ej.., A=B, AC, BC). El Bonferroni especifica las diferencias existentes entre los
grupos.

MANOVA

EN MINITAB
Es un anlisis estadstico que permite ver la influencia de una o ms variables
independientes cuyos niveles son categricos sobre dos o ms variables
dependientes cuyos datos son medidas continuas.
Datos._ Los datos de la/s variable/s dependiente/s son datos continuos. Las variables
independientes tienen niveles categricos.
Hiptesis._ Un ejemplo de hiptesis puede ser as: En casos de abuso sexual, los
vnculos familiares (v. Dependiente 1), el ambiente familiar (v. Dependiente 2), y la
competencia social (v. Dependiente 3), son afectados por la convivencia con el
abusador (v. Independiente 1), y por la existencia de desrdenes alimenticios (v.
Independiente 2),.
Ingreso de datos._ La forma como se ingresan los datos en MINITAB es as:
Bajo C1 poner la V. Independiente 1, bajo C2, poner la variable independiente 2 (si
hay mas variables independientes, seguir poniendo segn corresponde), en C3, la
variable dependiente1, en C4, la variable dependiente 2, etc.. Debajo de cada variable
independiente escribir sus respectivos niveles. Bajo las v. Dependientes colocar los
datos correspondientes.
Ej.:
C1
(V. INDEP. 1
con 2 niveles:

C2
(V. INDEP. 2
con 2 niveles:

C3 V. dep

C4 V. dep

C5 V. dep

22

si no)
Convivencia

si no)
Desorden Ali

Vinculo Fliar

Amb. Fliar

Si
Si
Si
Si
Si
Si
Si
No
No
No
No
No
No

Si
Si
Si
Si
No
No
No
Si
Si
Si
Si
No
No

15
15
15
15
14
14
15
14
16
15
14
15
15

15
15
15
17
18
19
19
19
19
18
18
19
18

Competencia
S
22
23
24
25
26
25
25
24
23
22
22
21
21

MINITAB : Stats Anova General MANOVA En Responses escoger todas las

variables dependientes (Ej.., vnculos familiares, competencia social, ambiente
familiar) select en Model (escoger las V. independientes) y las interacciones (para
esto hay que poner V1*V2 = interaccion entre V. Ind 1 y V. Ind. 2) select
results univariate analysis of variance Display least squares means
corresponding to the terms: poner las variables independientes y sus
interacciones ok ok.
Resultados Obtenidos._ ver donde indica los resultados del MANOVA. Fijarse
nicamente en los resultados de Wilks Lambda. La F Radio y la prob. level, son las
importantes
MANOVA for abuso
s = 2 m = 0.0 n = 3219.0
Test
DF
Criterion
Statistic
F Num Denom
P
Wilks'
0.86124 166.475 6 12880 0.000
Lawley-Hotelling 0.16102 172.806 6 12878 0.000
Pillai's
0.13884 160.159 6 12882 0.000
Roy's
0.16046

El Wilks Lambda indica que Si existe un efecto de la variable Abuso sobre las variables
dependientes porque la p<0.05. Sin embargo, no se sabe cobre cual o cuales de las variables
dependientes hay el efecto. Para saber esto, hay que ver los ANOVA individuales.

El Wilks Lambda indica el efecto de cada una de las v. Independientes (Ej.., abuso,
convivencia) y el efecto de la interaccin (A*B) sobre las variables dependientes.
Si el Wilks Lambda indica que el efecto de la variable independiente NO es
significativo (p< 0.05), entonces quiere decir que NO hay un efecto significativo de la
variable independiente sobre NINGUNA de las variables dependientes.
Si el efecto de Wilks Lambda es significativo (p<0.05) para una variable
independiente, quiere decir que hay un efecto de la variable independiente sobre una
o ms de las variables dependientes. En este caso, para saber sobre cual de las
variables dependientes existe el efecto, hay que ver los resultados de los anlisis de
varianza (ver ANOVA para interpretar estos resultados).
RECUERDE: considere los Anovas slo de las variables independientes que
resultaron significativas segn el Manova. Es posible que en el Wilks Lambda, una

23

variable independiente NO salga significativa y que en el Anova individual SI sea

significativo el efecto de esta variable independiente. En este caso, se dice que NO
hay un efecto significativo de la variable independiente porque el Wilks Lambda es el
que manda, ya que es una estadstica ms slida y segura.
La interpretacin de los anovas individuales es igual como se indic anteriormente
cuando se explico el anlisis de Varianza Two way.
Redaccin._
1. Mencionar el WilksLlambda para la v. independiente 1. (Ej.., abuso)
2. Mencionar el Anova del efecto de la variable independiente 1 (abuso) sobre
la variable. dependiente 1 (vinculo)
3. Mencionar el anlisis Bonferroni con los promedios de la v. dependiente 1
(Ej.., las personas abusadas (x=...) mostraron peores vnculos familiares que
las no abusadas (x=...)
4 Mencionar el Anova del efecto de la v. ind. 1 (abuso) sobre la v. depen. 2
(ambiente familiar)
5. . Mencionar el anlisis Bonferroni con los promedios de la v. dependiente 2
(Ej.., las personas abusadas (x=...) mostraron peores ambientes familiares que
las no abusadas (x=...)
6. REPETIR LOS PASOS 1 A 5 CON EL WILKS LAMBDA DE LA VARIABLE
INDEPENDIENTE 2
7. REPETIR LOS PASOS 1 A 5 PARA EL WILKS LAMBDA DE LA INTERACCION
ENTRE LAS VARIABLES INDEPENDIENTES
NOTA BONFERRONI: Si el Wilks Lambda indica que una variable independiente es
significativa y esta variable tiene tres o ms niveles o si el Wilks Lambda indica que la
interaccin es significativa, es necesario un anlisis Bonferroni. Como este programa
no da Bonferronis cuando se aplica el Manova, es necesario volver a hacer el anlisis
usando anlisis de Varianza (two way) con la variable dependiente sobre la cual hubo
un efecto significativo. Es decir, hay que aplicar los ANOVA two way para tener
informacin sobre los anlisis BONFERRONI que no salen automticamente cuando
se aplica el programa MANOVA.
NOTA: la redaccin del Manova es similar a la de ANOVA, pero hay que iniciar
mencionando los resultados del Wilks Lambda para cada caso de la V.I.
Ejemplo:
Redaccin: Los resultados del Wilks Lambda indican que el tipo de colegio tuvo un
efecto significativo (F = 230,22; p < 0,0001). Los resultados del anova indican que
este efecto es significativo para los promedios acadmicos ( F = 373,08; p<0,0001). El
anlisis Bonferroni indica que el promedio acadmico de los nios que asistieron a
colegios religiosos (x = 27,33) fue menor que el de los que asistieron a colegios no
religiosos (x = 50,31). Los resultados tambin indican que el efecto del tipo de colegio
no fue significativo sobre el nivel de autoestima (F =45,3, p > 0,05). El promedio de
autoestima de los nios que asistieron a colegios religiosos fue de (X=24,6) y el
promedio de autoestima de los nios que asistieron a colegios no religiosos fue de
(X=27,5).
Los resultados del Wilks Lambda indican que el estado civil de los padres tambin
tuvo un efecto significativo (F = 234,22; p < 0,0001). Los resultados del anova
indican que este efecto es significativo para los promedios acadmicos ( F = 387,08;
p<0,0001). El anlisis Bonferroni indica que el promedio acadmico de los nios
cuyos padres estn divorciados (x = 29,7) fue menor que el los nios cuyos padres

24

estn casados (x = 52,6). Los resultados indican que el efecto del estado civil de los
padres tambin afect el nivel de autoestima de los hijos (F =48,3, p 0,05). El anlisis
Bonferroni indica que el promedio de autoestima de los nios cuyos padres estn
divorciados (X=22,6) fue menor que el promedio de autoestima de los nios cuyos
padres estn casados de (X=37,5).
Los resultados del Wilks Lambda indican que la interaccin entre el estado civil de los
padres y el tipo de colegio al que asisten los hijos tuvo un efecto significativo (F =
234,22; p < 0,0001). Los resultados del anova de la interaccin indican que este
efecto es significativo para los promedios acadmicos ( F = 387,08; p<0,0001) pero no
para la autoestima (F=7,9, p 0.05). El anlisis Bonferroni indica que . .
(mencionar promedios y diferencias significativas)
Nota: El Bonferroni es necesario siempre que existe efecto de la interaccin y siempre
que haya un efecto de alguna de las VI que tiene 3 o ms niveles. El Bonferroni slo
se puede realizar corriendo ANOVA, no est en el MANOVA.

ANOVA PARA MEDIDAS REPETIDAS

EN MINITAB
Es un ANOVA para medidas repetidas, es decir, para diseos INTRASUJETOS.
Esto ocurre cuando los mismos sujetos que reciben una condicin (nivel de la
variable independiente) tambin reciben la otra condicin (nivel) de la v.
independiente.
Anova para medidas repetidas._ Es un ANOVA para diseos con medidas repetidas.
Es decir, sirve cuando el diseo es intrasujeto, y las condiciones de una o mas
variables independientes se aplican a los mismos sujetos.
Ej.., Se quiere saber el efecto del alcohol sobre el tiempo de reaccin y se usa al
mismo grupo para darle 3 diferentes cantidades de alcohol y ver los tiempos de
reaccin en cada una de las condiciones (0 onzas, 5 onzas, 10 onzas).
NOTA En este caso se hubiera usado un ANOVA ONE WAY si hubieran sido grupos
diferentes pero como son los mismos sujetos que reciben las condiciones, se aplica un
GLM
Datos._ Como es un tipo de ANOVA, los datos de la variable dependiente son datos
continuos y las variables independientes tienen niveles categricos.
En MINITAB , en Variable INFO es necesario aumentar una variable llamada sujetos.
En esta columna se indica el nombre de los sujetos que hacen el experimento. En vez
de poner el nombre, se los puede simplemente numerar y con esto el programa puede
saber en qu variable independiente se repiten los sujetos.
Hiptesis._ Un ejemplo de hiptesis puede ser: el nivel de alcohol y la edad afectan el
tiempo de reaccin.
Ingreso de datos._ La forma como se ingresan los datos en MINITAB es as:
Sujeto
**

Nivel de
Alcohol

1
2
3
4

5
5
5
5

Edad
(jvenes,
adultos)
Joven
Joven
Adulto
Adulto

Tiempo de
Reaccin
12
13
14
12

25

1
2
3
4
1
2
3

10
10
10
10
15
15
15

Joven
Joven
Adulto
Adulto
Joven
Joven
Adulto

6
5
5
6
4
2
4

**En sujetos, fijarse en que los nmeros se repiten, porque los nmeros
representan al nombre de los sujetos, y estos se repiten en cada condicin de la
variable independiente alcohol, pero no se repiten en la variable independiente
Edad. Por esto, se necesita informar al programa estadstico sobre cual variable
independiente se repiten o no los sujetos. La forma de hacerlo, se indica a
continuacin.
En MINITAB : Stat Anova General Linear Model Responses (Elegir la
Variable Dependiente) select Model select SUJETOS poner entre
parentesis la V. independiente en que no se repiten los sujetosselect VI en que no se
repiten los sujetosselectV. independiente en que se repiten los sujetosselect las
interacciones correspondientes (V1*V2 = interaccin entre V. Ind 1 y V. Ind. 2)
Comparisons (Elegir Bonferroni) y poner las variables independientes y la
interaccin en Terms select ok results anlisis of variante table
Display least squares means corresponding to the terms: poner las variables
independientes y sus interacciones ok ok

INDICACIONES ADICIONALES CUANDO: Dos variables independientes

con medidas repetidas en las DOS variables independientes A B
En Model, Subject A B A* B.
En Random factors, Subject.

Resultados Obtenidos._
Igual que para cualquiera de los ANOVA. Se debe ver el probability level y el F ratio.
Para que sea significativo debe ser el prob. level menor que 0,05.
NOTA: En la tabla de anlisis de Varianza, no tome en cuenta ninguna de las filas
que dicen Sujetos
Analysis of Variance for RECORDACION, using Adjusted SS for Tests

Source
DF
P
SUJETOS(ENTRENA) 23
ENTRENA
1
ESTRAT
2
ENTRENA*ESTRA
2
Error
46
Total
74

Seq

SS

56.256 56.256
0.997
0.997
54.960 54.231
5.591 5.591
116.115 116.115
233.920

Adj

SS

Adj MS

2.446 0.97 0.518

0.997 0.41 0.530
27.116 10.74 0.000
2.796 1.11 0.339
2.524

Redaccin._ IGUAL QUE PARA EL ANOVA ONE WAY O TWO WAY.

26

Nota: Igual que en los Anovas anteriores, si existen efectos significativas de la

interaccin entre las variables o cuando una VI tiene 3 o ms niveles, es necesario el
anlisis Bonferroni para conocer cules grupos son diferentes entre si.

CHI CUADRADO

EN MINITAB
Se utiliza cuando tanto la variable independiente como la dependiente tiene
datos categricos

Chi cuadrado._ es un anlisis estadstico que permite determinar el efecto de

una variable Independiente cuyos niveles son categricos sobre una variable
dependiente cuyos niveles tambin son categricos.
Datos._ Las medidas de la variable dependiente y de la variable
independiente son categricas.
Hiptesis._ Un ejemplo de hiptesis puede ser as:
Hay ms hombres que mujeres que estn de acuerdo con el aborto
Hay ms nios cuyos padres son divorciados que estn en colegios laicos que
en colegios religiosos.
El porcentaje de nios del colegio XXX que tienen padres divorciados es mayor
que el porcentaje de nios del colegio YYY.
Ingreso de datos._ Para el ingreso de datos hay dos posibilidades:
a) si ya se tiene las frecuencias de la tabla, es decir, ya estn
resumidos los datos en una tabla de contingencia (celdas). Ej..,
Tabla: Frecuencia de nios con padres divorciados segn el colegio al
que asisten

Colegio
s
XXX
YYY

Padres
Divorciados
Si N
o
8 40
5
6 58
9

*cada cajn de esta tabla se denomina una celda

Bajo C1 poner una de las variables categricas (Ej.., colegio), bajo C2 poner la
otra v. categorica (divorcio)), bajo C3 poner frecuencia
Bajo las columnas se ponen los niveles de la las v. categricas segn
corresponda y bajo frecuencias se ponen los totales correspondientes
Ej..
Colegio (C1)
XXX
XXX

Padres divorciados
(C2)
SI
NO

Frecuencia (C3)
85
40
27

YYY
YYY

SI
NO

69
58

MINITAB: stats tables Cross Tab and Chi square row (**V.
dependiente) column (**variable independiente) frequencies are in
(seleccionar frecuencias) countscolumn percentageschi
square chi square analysis standard residual ok
**No siempre hay una variable independiente. En muchos casos, solo
queremos ver como se relacionan las variables entre si. En este caso, no
importa cual V. se coloque en row o en column
b) Si todava no se tiene las frecuencias resumidas en una tabla de
contingencias. Por ejemplo cuando se mete directamente los datos de
encuestas recogidas por el investigador
Ej..
(C1)
Colegio en el que esta el nio
XXX
XXX
YYY
YYY
XXX
YYY
YYY
YYY
YYY
Etc.

(C2)
Padres divorciados
SI
NO
SI
NO
NO
SI
NO
NO
NO
Etc.

MINITAB: stats tables Cross Tab and Chi square row (**V.
dependiente) column (**variable independiente) countscolumn
percentageschi square chi square analysis standard residual
ok
**No siempre hay una variable independiente. En muchos casos, soolo
queremos ver como se relacionan las variables entre si. En este caso, no
importa cual V. se coloque en row o en column
Resultados Obtenidos._ Aqu es importante los porcentajes, la estadstica
Chi Cuadrado, y los Standard Residuals
Rows: sexo Columns: religion
Agnstica Catlica Cristiana

Otra

All

1128
2100
53.23 43.12
4.7614 -3.1630

414
123 3765
46.26 46.42 46.20
0.0242 0.0510
*

991
46.77
-4.4124

481
142 4384
53.74 53.58 53.80
-0.0224 -0.0473
*

2770
56.88
2.9312

28

Missing

8
*
*

All

2119
100.00
*

14
*
*

2
*
*

*
*

2
*
*

4870
895
265 8149
100.00 100.00 100.00 100.00
*
*
*
*

Cell Contents:
Count
% of Column
Standardized residual
Pearson Chi-Square = 60.743, DF = 3, P-Value = 0.000
Likelihood Ratio Chi-Square = 60.652, DF = 3, P-Value = 0.000

En el anlisis Chi Cuadrado, lo ms importante es el probability level. Se

considera que las diferencias entres celdas son significativas si el p< 0,05.
La tabla de Residuos estandarizados tiene la misma funcin que el Bonferroni
en el caso de Anova. Es decir, sirve para establecer entre cuales de las celdas
hay diferencias y entre cuales no. Esto es NECESARIO cuando hay mas de 4
celdas en una tabla porque con ms de cuatro celdas, es posible que haya
algunas celdas que son diferentes y otras que no lo son. El Chi cuadrado nos
dice que hay diferencias pero no nos indica entre cuales celdas existe la
diferencia.
Se considera que son significativamente diferentes aquellos porcentajes con
residuos estandarizaos superiores a 1 (ignorar el smbolo +-) .
En los resultados arriba mencionados, se puede decir que hay ms porcentaje
de hombres agnsticos (53,23)que de mujeres agnsticas (47.7). Esta
diferencia es estadsticamente significativa (Chi =60.74, p<0.001). Los residuos
estandardizados son superiores a 1 (Ej.., 4)
Lo que queremos con la estadstica Chi cuadrado es establecer si las
diferencias entre los porcentajes de la tabla son estadsticamente significativas.
Redaccin._ Para comprobar la hiptesis de que hay diferencia en el
porcentaje de nios cuyos padres son divorciados del colegio XXX y del colegio
YYY, se aplico un anlisis Chi Cuadrado. Los resultados indican que
efectivamente existe una diferencia significativa entre el porcentaje de hijos de
padres divorciados que hay en el colegio XXX y en el colegio YYY (X = 4,00; p
< 0,05). Los residuos estandarizados (SR>2.0) indican que el colegio XXX tiene
un mayor porcentaje de estudiantes cuyos padres NO son divorciados ( 86.4%)
comparado con el porcentaje de nios con padres no divorciados del colegio
YYY (36.1%).
*X es el smbolo de Chi Cuadrado

Si no hay diferencias estadsticamente significativas, entonces se debe asumir

que los porcentajes son similares entre si, a pesar de que al ojo se vean
diferentes. Este es un GRAVE error que cometen las personas cuando nos
ponen tablas con porcentajes sin decirnos si las diferencias son o no
significativas. Por eso, no hay que creer las estadsticas de los peridicos ya
29

que no tienen la rigurosidad matemtica que debe tener un investigador

profesional.
Si no hay diferencias significativas, simplemente se mencionan los porcentajes
sin usar palabras como mayor o menor en relacin con los porcentajes.

REGRESIN

EN MINITAB
Para predecir una variable dependiente cuyos datos son cuantitativos, en base a
variables independientes que pueden ser tanto categricas-cualitativas como
cuantitativas-numricas.
Regresin._ Este anlisis estadstico permite conocer si las variables independientes
pueden predecir la variable dependiente.
Datos._ Los datos de la variable dependiente son cuantitativos o numricos. Las
variables independientes pueden ser tanto datos categricos como continuos.
Hiptesis._ Un ejemplo de hiptesis puede ser as: La satisfaccin en el matrimonio
(V. Dependiente con datos cuantitativos, Ej.., ndice que va de 1 a 20) se puede
predecir si conocemos el tiempo que pasa la persona en el hogar (V.I.: categrica:
persona trabaja a tiempo completo/medio tiempo/no trabaja), la existencia de hijos
(V.I.: dato categrico: SI/NO), tiempo de matrimonio (V.I., en ao y meses, dato
cuantitativo).
Ingreso de datos._ La forma como se ingresan los datos en MINITAB es as:
Bajo cada columna se ponen las variables independientes y finalmente la dependiente
Bajo cada una de las variables, se escriben los datos respectivos bajo la variable
correspondiente.
Atencin: Si en el modelo hay variables categricas, es necesario transformarlas a
nmeros para que pueda corre el programa estadstico minitab.
(C1)
sexo *1=hombre,
2=mujer
1
1
2
2
1
1
2
Etc.

(C2)
# de Hijos

(C4)
Aos Matrim

(C5)
Satisfaccin

5
3
3
1
2
4
3
Etc.

3.5
4.8
14.5
12.9
3.5
4.8
14.5
Etc.

15
18
14
13
15
18
14
Etc.

MINITAB ._ stat RegresionResponse (escoger la v. dependiente, Ej.., satisfaccin

matrimonial), select Predictors (escoger la/s variable/s independientes.
RECUERDE QUE NO SE PUEDE ESCOGER V. CATEGORICAS SI NO LAS HA
TRANSFORMADO A NUMEROS) select Results (elegir regresion equation, R
square, y Basic Anova) okok

Resultados Obtenidos._ La tabla de T Values indica cual/es variables tienen un

poder predictivo que sea estadsticamente significativo (p< 0.05). En este caso
podemos ver que la variable todas las variables tienen un valor predictivo.

30

Cuando una variable tiene p>0.05, significa que esta no contribuye de una manera
significativa a predecir la variable dependiente. Es posible que tenga algn tipo de
efecto pero en el estudio no se ha podido establecer estadsticamente su efecto
(puede ser que haya muy pocos datos). Habra que hacer otros estudios, aumentar
los datos o perfeccionar el modelo (incluir otras variables en la investigacin)
Predictor
Coef SE Coef
T
P
Constant
7.890 1.075 7.34 0.000
Nuumero de hijos 0.25047 0.01374 18.23 0.000
Anios de matrimo 0.069220 0.005182 13.36 0.000
Sex
-0.83416 0.04389 -19.01 0.000
S = 7.95979 R-Sq = 15.4% R-Sq(adj) = 15.4%
Analysis of Variance
Source
DF
SS MS
F
P
Regression
4 56472 14118 222.83 0.000
Residual Error 4884 309442 63
Total
4888 365914

31

La tabla Analysis of Variance, indica si el modelo de prediccin (en este caso las
las tres variables independientes predicen en forma significativa la variable
dependiente). Para esto, se observa la F con su prob. Level. En este caso, se ve que
el modelo si es significativo porque p< 0.05.
En esta misma tabla se observa la R-sq (R cuadrado), que indica el porcentaje de la
variabilidad de la variable dependiente que se puede explicar con el modelo (en este
caso R2=15.45%, es decir, el modelo explica el 15.4% de la variabilidad de la v.
dependiente). Para entender este concepto, vean en los datos de variable
dependiente, por ejemplo, Satisfaccin Matrimonial. Fjense que las personas varan,
hay personas ms satisfechas y personas menos satisfechas. La pregunta es, cuanto
de esta variacin se puede explicar en base a las v. Independientes (nmero de hijos,
sexo de la persona, anios de matrimonio? Ahora sabemos que solo 15,45% de la
variabilidad es explicada por las variables independientes incluidas en el modelo. Es
decir, hay otras variables que no han sido consideradas en el modelo y que tambin
inciden sobre la satisfaccin matrimonial. En esta investigacin slo se consider las
tres variables sexo de la persona, nmero de hijos y aos de matrimonio. Si un
investigador quisiera tratar de explicar al mximo posible la variabilidad de la variable
dependiente tendra que aumentar otras posibles variables que puedan incidir en la
satisfaccin matrimonial (Ej.., autoestima, comunicacin en la pareja, edad de los
hijos, nivel socioeconmico, aos de enamoramiento antes del matrimonio, si uno o
ambos miembros de la pareja trabaja, etc.)
Redaccin._ Ej.., Para comprobar si la satisfaccin matrimonial se puede predecir en
base al sexo de la persona, el nmero de hijos, y el tiempo de matrimonio, se aplic un
anlisis de Regresin. Los datos indican que el modelo es significativo (F=17.1, p
<0.05). El modelo explica el 15.4% de la variabilidad de la variable satisfaccin
matrimonial (R2=15.45%). Las variables que estadsticamente predicen la satisfaccin
matrimonial son el sexo de la persona (T=3.48, p<0.05), el nmero de hijos
(T=,p<0.0..), el (T=,p<), etc..
Diseo._ El diseo de este anlisis estadstico es siempre intrasujeto ya que todas
las medidas se las obtiene de los mismos sujetos.

32