CAPTULO

8
ANLISISESTADSTICO:
SEGUNDAPARTE

INTRODUCCIN

Conestecaptulosecomplementael10deMetodologadelainvestigacin,5edicin,
adems de que se actualiz su contenido. Se presentan primero las hiptesis
estadsticas, las puntuaciones z, clculos inferenciales o estimaciones de parmetros y
luego el clculo del coeficiente alfaCronbach y el sustento del anlisis de varianza
unidireccional.Finalmentelosanlisismultivariadosyalgunasfrmulas,ascomouna
secuencia de anlisis en Minitab y otra en SPSS. Los autores asumimos que se revis
previamenteelcaptuloencuestin.

HIPTESISESTADSTICAS

Enelcaptulo10sesealquecadapruebaestadsticaobedeceauntipodehiptesis
de investigacin e hiptesis estadstica distinta. Las hiptesis estadsticas son la
transformacin de las hiptesis de investigacin, nulas y alternativas en smbolos

1
estadsticos. Algunas revistas acadmicas solicitan que se incluyan estas hiptesis y
ayudanaconceptualizarciertaspruebasrevisadasenelcaptulo10deltextoimpreso.
Enocasiones,elinvestigadortraducesuhiptesisdeinvestigacinynula(ycuando
se formulan hiptesis alternativas, tambin stas) en trminos estadsticos. Bsicamente
haytrestiposdehiptesisestadsticas,quecorrespondenaclasificacionesdelashiptesis
deinvestigacinynula:1)deestimacin,2)decorrelaciny3)dediferenciasdemedias.A
continuacinmencionaremosydaremosejemplosdecadaunadeellas.

Hiptesisestadsticasdeestimacin
Corresponden a las que, al hablar de hiptesis de investigacin, se les denomina
hiptesisdescriptivasdeundatoquesepronostica.Sirvenparaevaluarlasuposicinde
un investigador respecto del valor de alguna caracterstica en una muestra de
individuos,otrosseresvivos,sucesosuobjetos,yenunapoblacin.Sefundamentanen
informacin previa. Supongamos que, basndose en ciertos datos, un investigador
plantea la siguiente hiptesis: el promedio mensual de casos de trastorno
psiconeurtico caracterizados por reaccin astnica, que sern atendidos en los
hospitales de la ciudad de Linderbuck, resultar mayor a 20. Adems, desea
transformarestahiptesisdeinvestigacinenunahiptesisestadstica.Loprimeroque
debe hacer es analizar cul es la estadstica a que su hiptesis hace referencia (en el
ejemplosetratadeunpromedioomediamensualdecasosatendidos).Elsegundopaso
consiste en encontrar cmo se simboliza esa estadstica (promedio se simboliza

como ).Eltercerpasoconsisteentraducirlahiptesisdeinvestigacinaunaforma
estadstica:

Hi: >20(elpromediomensualdecasosatendidossermayora20.)

Lahiptesisestadsticanulaseralanegacindelahiptesisanterior:
Ho: <20(elpromediomensualdecasosatendidossermenora20.)
ylahiptesisalternativapodraser:
Ha: =20(elpromediomensualdecasosesiguala20.)

Despus, el investigador comparar el promedio estimado por la hiptesis con el

promedioactualdelamuestraqueseleccion.Laexactituddesuestimacinseevala

2
con esta comparacin. Y como sealan Black y Champion (1976), algunos
investigadores consideran las hiptesis estadsticas de estimacin como hiptesis de
diferencia, pues en ltima instancia lo que se evala es la diferencia entre un valor
planteadoenlahiptesisyunvalorobservadoenunamuestra.
La estimacin de estas hiptesis no se limita a promedios, ya que puede incluirse
cualquierestadstica:porcentajes,medianas,modas,etc.(Crosbyetal.,2006).

Hiptesisestadsticasdecorrelacin
Estas hiptesis tienen por objetivo traducir en trminos estadsticos una correlacin
entre dos o ms variables. El smbolo de una correlacin entre dos variables es r
(minscula), y entre ms de dos variables R (mayscula). La siguiente hiptesis: a
mayor cohesin en un grupo, mayor eficacia en el logro de sus metas primarias, se
traduciratalcomosemuestraenelesquema.

Hi:rxy 0(noesigualaceroo,loqueeslomismo,ambas
variablesestncorrelacionadas)

Lacorrelacin
entredosvariables(cohesinyeficacia)

Lahiptesisnulasetraducira:

Ho:rxy=0(Lasdosvariablesnoestncorrelacionadas;sucorrelacinescero.)

Otroejemplo:

Hi:Rxyz0(Lacorrelacinentrelasvariablesautonoma,variedadymotivacin
intrnseca no es igual a cero. Es decir, las tres variables x, y, z estn
asociadas).
Ho:Rxyz=0 (Nohaycorrelacin)

Hiptesisestadsticasdeladiferenciademediasuotrosvalores
Enestashiptesissecomparaunaestadsticaentredosomsgrupos.Supongamosque
uninvestigadorplantealasiguientepreguntadeestudio:difierenlosperidicosTlexy
Noticias en cuanto al promedio de editoriales mensuales que dedicaron, durante el

3
ltimoao,altemadelterrorismointernacional?1Suhiptesisdeinvestigacinpodra
ser: existe una diferencia entre el promedio de editoriales mensuales que dedic,
durante el ltimo ao, al tema del terrorismo internacional el diario Tlex, y el que
dediceldiarioNoticias.Laestadsticaquesecomparaentrelosgrupos(editorialesde

Tlex,ungrupo,yeditorialesdeNoticias,otrogrupo)eselpromediomensual( ).La
hiptesisestadsticaseformularaas:

esdiferente


Hi: 1 2(promediodelgrupo2:editorialesdeNoticias)

(promediodelgrupouno:editorialesdeTlex)

Lahiptesisnula:

Ho: 1 = 2 (No hay diferencia entre los promedios de los dos grupos de

editoriales.)

Conotraestadstica(porcentaje)ytresgrupos,seobtendranhiptesisestadsticas
comolassiguientes:

Hi:%1%2%3(Losporcentajesdelostresgrupossondistintos.)
Ho:%1=%2=%3(Nohaydiferencias.)

PUNTUACIONESz
PuntuacinzMedida
Las puntuaciones z son transformaciones que se pueden queindicaladirecciny
hacer a los valores o las puntuaciones obtenidas, con el elgradoenqueunvalor
individualsealejadela
propsito de analizar su distancia respecto a la media, en media,enunaescalade
unidadesdedesviacinestndar.Unapuntuacinznosindica unidadesdedesviacin
estndar.
la direccin y el grado en que un valor individual obtenido se

1Nombrescompletamenteficticios

4
alejadelamedia,enunaescaladeunidadesdedesviacinestndar.Comomencionan
Nie et al. (1975), las puntuaciones z son el mtodo ms comnmente utilizado para
estandarizarlaescaladeunavariablemedidaenunnivelporintervalos.

XX
Sufrmulaes: z=
s

dondeXeslapuntuacinoelvaloratransformar, eslamediadeladistribucinysla
desviacin estndar de sta. El resultado z es la puntuacin transformada en unidades
dedesviacinestndar.
Supongamosqueenunadistribucindefrecuenciasobtuvimosunamediade60y
una desviacin estndar de 10, y deseamos comparar una puntuacin de 50 con el
resto de la distribucin. Entonces, transformamos esta puntuacin o tal valor en una
puntuacinz.Tenemosque:
X = 50

= 60

s = 10

Lapuntuacinzcorrespondienteaunvalorde50es:

50 60
z= = 1.00
10

Podemosdecirqueelvalor50selocalizaaunadesviacinestndarpordebajode
lamediadeladistribucin(elvalor30estatresdesviacionesestndarpordebajode
lamedia).
Estandarizar los valores permite comparar puntuaciones de dos distribuciones
diferentes (la forma de medicin es la misma, aunque se trata de distribuciones
distintas). Por ejemplo, podemos contrastar una distribucin obtenida en una

5
preprueba con otra obtenida en una posprueba (en un contexto experimental).
Supongamos que se trata de un estmulo que incrementa la productividad. Un
trabajadorobtuvoenlaprepruebaunaproductividadde130(lamediadelgrupofuede
122.5yladesviacinestndarde10).Yenlapospruebaobtuvo135(lamediadelgrupo
fuede140yladesviacinestndarde9.8).Mejorlaproductividaddeltrabajador?En
apariencia, la mejora no es considerable. Sin transformar las dos calificaciones en
puntuacionesz,noesposibleasegurarloporquelosvaloresnopertenecenalamisma
distribucin. Entonces transformamos ambos valores a puntuaciones z, los pasamos a
unaescalacomndondelacomparacinesvlida.Elvalorde130enproductividaden
trminosdeunidadesdedesviacinestndaresiguala:

130 122.5
z= = 0.75
10.0

Yelvalorde135correspondeaunapuntuacinzde:

135 140
z= = 0.51
9.8

Como observamos, en trminos absolutos 135 es una mejor puntuacin que 130,
peronoentrminosrelativos(enrelacinconsusrespectivasdistribuciones).
La distribucin de puntuaciones z no cambia la forma de la distribucin original,
pero s modifica las unidades originales a unidades de desviacin estndar (Wright,
1979).Ladistribucindepuntuacionesztieneunamediade0(cero)yunadesviacin
estndarde1(uno).Lafigura8.1muestraladistribucindepuntuacionesz.

Figura8.1Distribucindepuntuacionesz

Laspuntuacionesztambinsirvenparacompararmedicionesdedistintaspruebas
oescalasaplicadasalosmismosparticipantes(losvaloresobtenidosencadaescalase
transforman en puntuaciones z y se comparan) (Delbaere et al., 2007). No debe
olvidarsequeloselementosdelafrmulaespecficamentesonlamediayladesviacin
estndarquecorrespondenalvaloratransformar(desumismadistribucin).Tambin,
las puntuaciones z sirven para analizar distancias entre puntuaciones de una misma
distribucin y reas de la curva que abarcan tales distancias, o para sopesar el
desempeodeungrupodeparticipantesenvariaspruebas.Laspuntuacioneszsonun
elementodescriptivoadicionalqueseagregaparaanalizarnuestrosdatos.

ESTIMACINDEPARMETROS:
UNEJEMPLOCONLAMEDIAPOBLACIONAL
En el captulo 10 del texto impreso se mencion que una de las funciones de la
estadsticainferencialeslaestimacindeparmetros,puesbien,alcalcularlamediade
nuestramuestraysinoestamosmuysegurosdesurepresentatividadpodemosseguir
un procedimiento para ver si nuestra hiptesis respecto a la media poblacional es
aceptada o rechazada.2 Lo anterior es para responder a la siguiente pregunta: qu

2Enesteejemploseutilizalamedia,talvezelcasomsconocido,peropuedesercualquierotroparmetro

poblacional.

7
hacemos para ver si nuestra hiptesis sobre la media poblacional es aceptada o
rechazada? Pero antes de estudiar el procedimiento, es necesario hacer las siguientes
consideraciones:

a) La distribucin muestral es una distribucin normal de puntuaciones z, es

decir,labasedelacurvasonunidadesdedesviacinestndar.
b) Las puntuaciones z son distancias que indican reas bajo la distribucin
normal.Enestecaso,reasdeprobabilidad.
c) El rea de riesgo es tomada como el rea de rechazo de la hiptesis; por el
contrario,elreadeconfianza,comoelreadeaceptacindelahiptesis.
d) Sehabladeunahiptesisacercadelparmetro(enestecaso,media
poblacional).

Sipartimosdeestasconsideraciones,elprocedimientoes:

1. Sobre bases firmes (revisin de la literatura e informacin disponible),

establecer una hiptesis acerca del parmetro poblacional. Por ejemplo: el
promediodehorasdiariasqueseexponenlosniosdelaciudaddeValladolid
alatelevisinenfindesemanaesde3.0horas.
2. Definirelniveldesignificancia.Porejemplo,.05.
3. Recolectar los datos en una muestra representativa. Vamos a suponer que
obtuvimosunamediade2.9horasyunadesviacinestndarde1.2horas;la
muestraincluy312nios.
4. Estimar la desviacin estndar de la distribucin muestral de la media
utilizandolasiguientefrmula:

s
X Sx =
n

Donde es la desviacin estndar de la distribucin muestral de la media, s

representaladesviacinestndardelamuestrayneseltamaodelamuestra.

8
 Enelejemplo:

1.2
Sx =
312

1.2
Sx = = 0.0679
312

5. Transformar la media de la muestra en una puntuacin z, en el contexto de la

distribucin muestral, con una variacin de la frmula ya conocida para obtener
puntuacionesz:

X X
z=
Sx

dondeXeslamediadelamuestra(recordemosqueladistribucinmuestralesde
mediasynodepuntuaciones),X eslamediahipotticadeladistribucinmuestral
(parmetro poblacional), Sx es ladesviacin estndar de ladistribucin muestral
demedias.As,tenemos:

1.984
=
2.48

6. Enlatabladereasbajolacurvanormal(verapndice,4tabla1deesteCD),buscar
aquellapuntuacinzquedejea25%porencimadeella,quees1.96.Enlatabladel
apndice 4 se presenta la distribucin de puntuaciones z, slo la mitad, pues
debemos recordar que es una distribucin simtrica y se aplica igual para ambos
ladosdelamedia.Asseincluyeenlostextosdeestadstica.Sebusca2.5%,porque
latablasloabarcalamitaddeladistribucinyelriesgoqueestamosafrontandoes
de 5% (2.5% del extremo de cada lado). La tabla mencionada contiene cuatro
columnas: la primera indica puntuaciones z, la segunda expresa la distancia de la
puntuacinzalamedia.Latercera,elreaqueestpordebajodeesapuntuacin

9
 desdeelcomienzodeladistribucin,comosemuestraenlagrfica:

Ylacuarta,delreaqueestporencimadeesapuntuacin:


z

Las reas se expresan en proporciones. Lo que buscamos es una puntuacinz
que deje por encima un rea de 0.0250 o 2.5% (la encontramos en la cuarta
columna de la tabla); esta puntuacin z es de 1.96. Siempre que nuestro nivel de
significanciasea0.05,tomamoslapuntuacinzde1.96.

7. Compararlamediadelamuestratransformadaapuntuacinzconelvalor1.96;si
esmenor,aceptarlahiptesis;siesmayor,rechazarla.Veamoselejemplo:

Mediadelamuestratransformadaaz Niveldesignificanciadel0.05
1.47 1.96

Decisin:Aceptarlahiptesisaunniveldesignificanciade0.05(95%afavory5%de
riesgodecometerunerror).

Silamediaobtenida
altransformarseenz,
Hubierasido3.25,

7.46 ounvalormayorRechazarlahiptesis

Porejemplo:
Mediadelamuestra=2.0
Desviacinestndardelamuestra=0.65

10
 n=700
S =0.0246
z=40.65

Lamediaestsituadaamsde40desviacionesestndardealmedia;selocalizaenla
zonacrtica(msallde1.96desviacionesestndar).Rechazarlahiptesis.

PORQUESIMPORTANTEOTROCONCEPTOPARALA
ESTIMACINDEPARMETROS:ELINTERVALODECONFIANZA?

Sehahabladodeladistribucinmuestralporloquerespectaalapruebadehiptesis,
perootroprocedimientodelaestadsticainferencialesconstruirunintervalodondese
localiza un parmetro (Wiersma y Jurs, 2008). Por ejemplo, en lugar de pretender
probarunahiptesisacercadelamediapoblacional,puedebuscarseunintervalodonde
se ubique dicha media. Lo anterior requiere un nivel de confianza, al igual que en la
prueba de hiptesis inferenciales. El nivel de confianza es al intervalo de confianza lo
que el nivel de significancia es a la prueba de hiptesis. Es decir, se trata de una
probabilidaddefinidadequeunparmetrosevaaubicarenundeterminadointervalo.
Recordemosquelosnivelesdeconfianzaexpresadosenporcentajesmscomunesen
lainvestigacinson0.95y0.99(.05y.01).Susentidoessimilaralyacomentado,sies
de 0.95; quiere decir que tenemos 95% en favor de que el parmetro se localice en el
intervaloestimado,contra5%deelegirunintervaloequivocado.Elnivelde0.99seala
99%deprobabilidaddeseleccionarelintervaloadecuado.Talesnivelesdeconfianzase
expresan en unidades de desviacin estndar. Una vez ms se acude a la distribucin
muestral,concretamentealatabladereasbajolacurvanormal(apndice4,tabla1de
este CD anexo o en STATS reas bajo la curva normal)3, y se elige la puntuacin z
correspondiente al nivel de confianza seleccionado. Una vez hecho esto, se aplica la
siguientefrmula:

Puntuacinzque Desviacinestndarde
Intervalodeconfianza=estadgrafo+ expresaelnivelde ladistribucinmuestral
confianzaelegido correspondiente

3TambinSTATScontieneestatabla.

11
 Enlafrmula,elestadgrafoeslaestadsticacalculadaenlamuestra,lapuntuacin
z es 1.96 con un nivel de 0.95 y de 2.58 con un nivel de 0.99, en tanto que el error
estndardependedelestadgrafoencuestin.Vemosloconelejemplodelamediaen
elcasodelaexposicindiariaalatelevisin(enfindesemana)porpartedelosnios
deValladolid:

Media=2.9horas
s=1.2horas

(desviacinestndardeladistribucinmuestraldelamedia).

Niveldeconfianza =0.95(z=1.96)
Intervalodeconfianza =2.9(1.96)(0.0679)
=2.9(0.133)

Intervalo de confianza: la media poblacional est entre 2.767 y 3.033 horas, con
95%deprobabilidadesdenocometererror.

CLCULODELCOEFICIENTEDECONFIABILIDAD
(FIABILIDAD)ALFACRONBACH
Enloscaptulos9y10sedefinielcoeficientealfadeCronbach(),ascomosususose
interpretacin.LosprogramasdeanlisisestadsticocomoSPSS,Minitab,SASyotros,lo
incluyen y calculan instantneamente. Pero para quienes no tienen acceso a estos
programas, presentamos la forma de obtenerlos. De acuerdo con Carmines y Zeller
(1988, pp. 44 y 45), as como Corbetta (2003), existen tres procedimientos para
determinarelcoeficienteoalfa:

1. Sobre la base de la varianza de los tems, con la aplicacin de la siguiente

frmula:

s 2 (Yi)

12
 En donde N representa el nmero de tems de la escala, s 2 (Yi) es igual a la

sumatoriadelasvarianzasdelostemsys2xequivalealavarianzadetodalaescala.

2. Sobrelabasedelamatrizdecorrelacindelostems,elprocedimientosera:

a) Seaplicalaescala.

b) Seobtienenlosresultados.

c) Se calculan los coeficientes de correlacin r de Pearson entre todos los tems

(todoscontratodosdeparenpar).

d) Seelaboralamatrizdecorrelacinconloscoeficientesobtenidos.Porejemplo:

tems
1 2 3 4
1 0.451 0.399 0.585
2 yafuecalculado 0.489 0.501
3 yafuecalculado yafuecalculado 0.541
4 yafuecalculado yafuecalculado yafuecalculado

Los coeficientes que se mencionan como ya fue calculado, se ubican en la parte

superior de las lneas horizontales (guiones). Es decir, cada coeficiente se incluye una
solavezyseexcluyenloscoeficientesquevinculanaltemopuntuacinconsigomisma
(1con1,2con2,3con3y4con4).

e) Secalcula (promediodelascorrelaciones).

P
p= ( es la sumatoria de los valores de las correlaciones y NP el nmero
NP
decorrelacionesnorepetidasonoexcluidas).

13
 0.451 + 0.399 + 0.585 + 0.489 + 0.541
p=
6

p = 0.494

f) Seaplicalafrmulasiguiente:

Np
=
1 + p (N + 1)

Np
=
1 + p (N + 1)

DondeNeselnmerodetemsy elpromediodelascorrelacionesentretems.

Enelejemplo:

4(0.494)
=
1 + 0.494(4 1)

1.984
=
2.48

= 0.798

= 0.80(cerrando)

Es un coeficiente aceptable y recordemos que todos los tems de la escala deben

estarmedidosenintervalosorazn.

3. Mediante otra frmula que se basa en la correlacin promedio (Corbetta,

2003,p.238).
Se usa la siguiente frmula:

14
 nr
=
1 + r(n 1)
Donde n representa el nmero de tems o elementos de la escala y r es su
correlacinpromedio.

SUSTENTODELANLISISDEVARIANZAUNIDIRECCIONAL

En el captulo 10 del texto impreso, se dijo que el ANOVA unidireccional produce un

valorF,elcualsebasaenunadistribucinmuestral,conocidacomodistribucinF,ytal
valor compara las variaciones en las puntuaciones debidas a dos diferentes fuentes:
variacionesentrelosgruposquesecontrastanyvariacionesdentrodelosgrupos.
Silosgruposdifierenrealmenteentres,suspuntuacionesvariarnmsdeloque
puedanvariarlaspuntuacionesentrelosintegrantesdeunmismogrupo.Vemoslocon
unejemplocotidiano.SitenemostresfamiliasA,ByC.LafamiliaAestintegradapor
Felipe,Anglica,ElenayJosLuis.LafamiliaBestcompuestaporChester,Pilar,igo,
Alonso y Carlos. Y la familia C est integrada por Rodrigo, Laura y Roberto. Qu
esperamos?Puesquelosintegrantesdeunafamiliaseparezcanmsentresquealos
miembrosdeotrafamilia.Estosegraficaracomoenlafigura8.2.

Figura8.2Ejemplodelasvariacionesdelosgruposcomparados

15
 Es decir, esperamos homogeneidad intrafamilias y heterogeneidad interfamilias.
Qusucederasilosmiembrosdelasfamiliasseparecieranmsalosintegrantesdelas
otrasfamiliasquealosdelasuyapropia?Quieredecirquenohaydiferenciaentrelos
grupos(enelejemplo,familias).
EstamismalgicaseaplicaalaraznF,lacualnosindicasilasdiferenciasentre
los grupos son mayores que las diferencias intragrupos (dentro de stos). Estas
diferencias se miden en trminos de varianza. La varianza es una medida de
dispersin o variabilidad alrededor de la media y se calcula en trminos
de desviaciones elevadas al cuadrado. Recuerde que la desviacin estndar es un
promedio de desviaciones respecto a la media X X y la varianza es un promedio
de desviaciones respecto a la media elevadas al cuadrado. La varianza por eso se

( )
2
simboliza como S2 y su frmula es X X n . En consecuencia, la razn F, que es

unarazndevarianzas,seexpresaas:

Media cuadrtica entre los grupos

F=
Media cuadrtica dentro de los grupos

En donde la media cuadrtica implica un promedio de varianzas elevadas al
cuadrado. La media cuadrtica entre los grupos se obtiene al calcular la media de las
puntuacionesdetodoslosgrupos(mediatotal),despusseobtieneladesviacindela
mediadecadagruporespectoalamediatotalyseelevaalcuadradocadaunadeestas
desviaciones,yluegosesuman.Finalmentesesopesaelnmerodeindividuosencada
grupoylamediacuadrticaseobtieneconbaseenlosgradosdelibertadintergrupales
(nosecalculaconbaseenelnmerodepuntuaciones).Lamediacuadrticadentrode
losgrupossecalculaobteniendoprimeroladesviacindecadapuntuacinrespectoala
media de su grupo; posteriormente esta fuente de variacin se suma y combina para
obtenerunamediadelavarianzaintragrupalparatodaslasobservaciones,tomandoen
cuentalosgradosdelibertadtotales(Wright,1979;DoncasteryDavey,2007).

Lasfrmulasdelamediacuadrticason:

16
 Suma de cuadrados entre grupos
Media cuadrtica entre grupos =
Grados de libertad entre grupos

Losgradosdelibertadentregrupos= (dondeKeselnmerodegrupos).

Suma de cuadrados intragrupos

Media cuadrtica dentro de los grupos =
Grados de libertad intragrupos

Losgradosdelibertadintragrupos= n K (neseltamaodelamuestra,lasuma
delosindividuosdetodoslosgrupos,yKrecordemosqueeselnmerodegrupos).
Pues bien, cuando F resulta significativa, quiere decir que los grupos difieren
significativamente entre s. Es decir, se acepta la hiptesis de investigacin y se
rechazalahiptesisnula.
Cuandoseefectaelanlisisdevarianzapormediodeunprogramacomputacional
estadstico,segeneraunatabladeresultadosconloselementosdelatabla8.1.

Tabla8.1Elementosparainterpretarunanlisisdevarianza
unidireccionalrealizadoenSPSS

Sumasde Gradosde Medias

Fuentede cuadrados libertad cuadrticas Significanci
variacin (Sumsof (Degreesof (Mean RaznF a
(Source) squares) freedom) squares) (Fratio) deF
(Fprob.)
Entre SSentre+ glentre SSentre/gl MCentre
grupos entre MCintra
(between
groups)
Intragrupos SSintra glintra SSintra/gl
(within intra
groups)
Total SSentre glentre+
SSintra glintra
EnMinitabsedanlossiguienteselementos:
FuenteGL(gradosSC(sumadeMC(mediaF(valor)P(sig.)
delibertad)cuadrados)cuadrtica)

17
 Elvaloralfaoprobabilidadaelegirunavezmses0.05o0.01.Siesmenorque0.05es
significativo en este nivel, y si es menor que 0.01 tambin es significativo en este nivel.
Cuandoelprogramaopaqueteestadsticonoincluyelasignificanciaseacudealatabla3del
apndice4(tabladeladistribucinFoenSTATSaValoresdeFalniveldeconfianza
de .05 y .01). Esta tabla contiene una lista de razones significativas (razones F)
quedebemosobtenerparaaceptarlahiptesisdeinvestigacinenlosnivelesdeconfian
za de 0.05 y 0.01. Al igual que en caso de la razn t, el valor exacto de F que debemos
obtenerdependedesusgradosdelibertadasociados.Porlotanto,lautilizacindelatabla
seiniciaalbuscarlosdosvaloresgl,losgradosdelibertadentrelosgruposylosgradosde
libertad intragrupos. Los grados de libertad entre grupos se indican en la parte superior
de la pgina, mientras que los grados de libertad intragrupos se han colocado al lado
izquierdo de la tabla. El cuerpo de la tabla de la distribucin F presenta razones F
significativasenlosnivelesdeconfianzade0.05y0.01.

SiF = 1.12
glentre = 2
glintra = 60


EstevalorFsecomparaconelvalorqueapareceenlatabladeladistribucinFque
es 3.15 y como el valor F calculado es menor al de dicha tabla, rechazaramos la
hiptesisdeinvestigacinyaceptaramoslahiptesisnula.ParaqueelvalorFcalculado
seasignificativodebeserigualomayoraldelatabla.

ANLISISMULTIVARIADO
En el captulo 10 del libro, cuando se analizaron los principales mtodos estadsticos
paramtricos, concretamente, despus de revisar el ANOVA unidireccional, nos
preguntbamos: pero qu ocurre cuando tenemos diversas variables independientes y
una dependiente, varias independientes y dependientes? Tal como observbamos en
diagramascomoelquesemuestraenlafigura8.3.

18
 Autoestimade
lapersona

Sentido
Edad devida
dela
persona
Gnero

Religin

Figura8.3Ejemploconcuatrovariablesindependientesyunadependiente.

Larespuestaera:entonces,requerimosdeotrosmtodosestadsticos.stossonlos
que revisaremos a continuacin y una vez ms, sobre la base de que existen
computadoras y programas como el SPSS, del mismo modo centrndonos en los
elementosfundamentalesdeinterpretacin.

Qusonlosmtodosdeanlisismultivariado?
Los mtodos de anlisis multivariado son aquellos en que se analiza la relacin entre
diversas variables independientes y al menos una dependiente. Son mtodos ms
complejosquerequierendelusodecomputadorasparaefectuarlosclculosnecesarios
(normalmenteseenseananivelposgrado).

Queselanlisisfactorialdevarianza?
ANOVA(anlisisdevarianzadekdireccionesovariosfactores)
Definicin: Es una prueba estadstica para evaluar el efecto de dos o ms variables
independientessobreunavariabledependiente.
Respondeaesquemascomoelquesemuestraenlafigura8.4.

19

X1

X2
Y

Xk

Figura8.4Esquemadeunanlisisfactorialdevarianza

Constituyeunaextensindelanlisisdevarianzaunidireccional,solamentequeincluye
ms de una variable independiente. Evala los efectos por separado de cada variable
independienteylosefectosconjuntosdedosomsvariablesindependientes.

Variables:dosomsvariablesindependientesyunadependiente.

Niveldemedicindelasvariables:lavariabledependiente(criterio)debeestarmedida

enunnivelporintervalosorazn,ylasvariablesindependientes(factores)pueden

estarencualquierniveldemedicin,peroexpresadasdemaneracategrica.

Interpretacinyejemplo

Hi: la similitud en valores, la atraccin fsica y el grado de realimentacin positiva son

variablesqueincidenenlasatisfaccinsobrelarelacinenparejasdenovios.

Contexto: Muestra de parejas de adultos jvenes (2329 aos) de Santiago de Chile,

pertenecientesaestratoseconmicosaltos(n=400).

El ANOVA efectuado mediante un paquete estadstico computacional como SPSS
producelossiguienteselementosbsicos:

20
 Fuente de la variacin (source of variation). Es el factor que origina variacin en la
dependiente.Siunafuentenooriginavariacinenladependiente,notieneefectos.
Efectos principales (main effects). Es el efecto de cada variable independiente por
separado;noestcontaminadodelefectodeotrasvariablesindependientesnideerror.
Sueleproporcionarselasumadetodoslosefectosprincipales.
Interacciones de dos direcciones (2way interactions). Representa el efecto conjunto de
dos variables independientes, aislado de los dems posibles efectos de las variables
independientes (individuales o en conjuntos). Suele proporcionarse la suma de los
efectosdetodasestasinteracciones.
Interacciones de tres direcciones (3way interactions). Constituye el efecto conjunto de
tresvariablesindependientes,aisladodeotrosefectos.Sueleproporcionarselasumade
losefectosdetodasestasinteracciones.
Puede haber efecto de Kdirecciones, esto depende del nmero de variables
independientes.

Ennuestroejemplo,tenemoslosresultadosquesemuestranenlatabla8.2.

Tabla8.2EjemploderesultadosenelANOVA
VARIABLEDEPENDIENTE:SATISFACCINENLARELACIN
Fuentedevariacin Sumade Gradosde Medias Razn Significancia
(SOURCEOFVARIATION) cuadrados libertad cuadrticas deFOP
(SUMSOF (DEGREESOF (MEAN
SQUARES) FREEDOM) SQUARES)
Efectosprincipales 22.51 0.001**
(maineffects)

Similitud 31.18 0.001**

Atraccin 21.02 0.001**
Realimentacin 11.84 0.004**
Interaccindedos
direcciones(2way
interactions) 7.65 0.010*
Similitud 4.32 0.040*
Atraccin
Similitud 2.18 0.110
Realimentacin
Atraccin 1.56 0.190
Interaccindetres 8.01 0.020*
direcciones(3way
interaction)
Similitud

21
 Atraccin
Realimentacin
Residual
Total
Nota: AlosestudiantesqueseinicianenelANOVAnormalmentelesinteresasabersilasrazonesF
resultarononosignificativas;portanto,sloseincluyenestosvalores.Porloqueesaellosaquieneslos
autoresrecomiendanconcentrarseendichosvaloresyevitarconfusiones.Desdeluego,elinvestigador
experimentadoacostumbraestudiartodoslosvalores.
**RaznFsignificativaalniveldel0.01(p<0.01)
*RaznFsignificativaalniveldel0.05(p<0.05)

Como podemos ver en la tabla 8.2, la similitud, la atraccin y la realimentacin

tienenunefectosignificativosobrelasatisfaccinenlarelacin.Respectoalosefectos
de dos variables independientes conjuntas, slo la similitud y la atraccin tienen un
efecto, hay un efecto conjunto de las tres variables independientes. La hiptesis de
investigacinseaceptaylanulaserechaza.Asimismo,serecuerdaallectorqueenelcaptulo
5delpresentedisco:diseosexperimentales:segundaparte:seriescronolgicas,factorialesy
cuasiexperimentos (en el apartado sobre diseos factoriales) se explica la nocin de
interaccin entre variables independientes. Cabe agregar que el ANOVA es un mtodo
estadsticopropioparalosdiseosexperimentalesfactoriales.

Queselanlisisdecovarianza?
Definicin: es un mtodo estadstico que analiza la relacin entre una variable
dependienteydosomsindependientes,conelqueseeliminaocontrolaelefectodeal
menosunadeestasindependientes.SimilaralANOVA,exceptoquepermitecontrolarla
influencia de una variable independiente, la cual con frecuencia es una caracterstica
antecedentequepuedevariarentrelosgrupos(Mertens,2005;Babbie,2009)oinfluir
losresultadosyafectarlaclaridaddelasinterpretaciones.
Perspectivasousos:WildtyAhtola(1978,pp.89)destacantresperspectivasparael
anlisisdecovarianza:

A. Perspectiva experimental. Se aplica a aquellas situaciones en que el inters del

investigadorsecentraenlasdiferenciasobservadasenlavariabledependiente,
por medio de las categoras de la variable independiente (o variables
independientes). Pero el experimentador asume que hay otras variables
independientescuantitativasquecontaminanlarelacinycuyainfluenciadebe
sercontrolada(figura8.5).

22
 Variables X1
independientes X2
categricas
Xk

Variable
dependiente
Y

Variables
independientes

Z1
cuantitativas
continuas Z2
Zk

Figura8.5Ejemplodevariablesindependientesqueafectanaunadependiente

Y el investigador nicamente se interesa por conocer la relacin entre las

variables independientes categricas y la variable dependiente. Desea al mismo
tiemporemoverycontrolarelefectodelasvariablesindependientescuantitativasno
categricas(continuas).Esdecir,deseatenerunesquemacomoeldelafigura8.6.

X1

X2
Xk

Y Removero
controlar

Z1
Z2

Zk

Figura8.6Ejemplodecontroldevariablesindependientesnocategricas.

23
 El objetivo es purificar la relacin entre las independientes categricas y la
dependiente,medianteelcontroldelefectodelasindependientesnocategricaso
continuas.
Ejemplos de variables independientes categricas seran: gnero (masculino,
femenino),inteligencia(alta,media,baja),ingreso(menosdeunsalariomnimo,dos
acuatrosalariosmnimos,cincoa10salariosmnimos,11omssalariosmnimos).
Los niveles de medicin nominal y ordinal son categricos en s mismos, mientras
que los niveles de intervalos y razn deben transformarse en categoras ms
discretas.Estosltimossonens:cuantitativos,continuosydecategorasmltiples.
Porejemplo,elingresoensuestadonatural(pesos,dlares,euros,etc.)varadela

categoracerohastalacategora(K)k,yaquepuedehabermillonesdecategoras.

Variablecategricaunascuantascategorasounrangomedio.

Variablecontinuamuchascategoras(avecesunainfinidad).

Adichasvariablesindependientescuantitativascontinuas,cuyainfluenciase
controla,selesdenominacovariables.Unacovariableseincluyeenelanlisis
para remover su efecto sobre la variable dependiente, e incrementar el
conocimiento de la relacin entre las variables independientes categricas de
inters y la dependiente, lo cual aumenta la precisin del anlisis(Doncaster y
Davey,2007).
Enestaperspectiva,elanlisisdecovarianzapuedeserconcebidoprimerocomo
un ajuste en la variable dependiente respecto a diferencias en la covariable o las
covariables y, posteriormente, como una evaluacin de la relacin entre las
variables independientes categricas y los valores ajustados de la variable
dependiente (Wildt y Ahtola, 1978). En trminos de Creswell (2005): el
procedimiento ajusta las puntuaciones en la dependiente para dar cuenta de la
covarianza (por decirlo en trminos sencillos: hace equivalentes a los grupos en
la(s) covariable(s) y controla influencias potenciales que pueden afectar a la
variabledependiente).

24
B. Perspectivadeintersporlacovariable.Estaperspectivaseejemplificaconaquellas
instanciasenlascualeselintersprincipalsecentraenanalizarlarelacinentrela
variable dependiente y la covariable (variable cuantitativa continua) o las
covariables. Aqu el enfoque es distinto; la influencia que se remueve es la de las
variables independientes categricas. Primero se controla el efecto (en este caso
contaminante)deestasvariablesydespusseanalizaelefectopurificadodelas
covariables.
C. Perspectiva de regresin. En esta tercera perspectiva, tanto las variables
independientes categricas como las covariables resultan de inters para el
investigador, quien puede desear examinar el efecto de cada variable
independiente(covariablesynocovariables,todas)ydespusajustarocorregirlos
efectosdelasdemsvariablesindependientes.
Encualquiercaso,elanlisisdecovarianzaeliminainfluenciasnodeseadassobrela
variable dependiente. Se puede utilizar en contextos experimentales y no
experimentales. La mayora de las veces la funcin del ANCOVA es remover la
varianzacompartidaentreunaomscovariablesyladependiente,deestemodo,
se valora en su justa dimensin la relacin causal entre la(s) variable(s)
independiente(s) de inters y la dependiente (Creswell, 2005). Vemoslo
conceptualmenteperodeformagrficaconunejemplosimple:


EJEMPLO

Estudio:Alinvestigadorleinteresaanalizarelefectoenelaprendizajedelacomputacin,pormedio
deunnuevomtodoparasuenseanzaanios.Lahiptesises:elnuevomtododeenseanzade
lacomputacin(MARH)provocarunmayoraprendizajeenlosniosqueunmtodotradicional.
Entonces, implementa el siguiente experimento: a un grupo de infantes lo expone al nuevo
mtodo de enseanza de computacin (MARH); el otro grupo aprende con el mtodo tradicional;
finalmente,untercergrupo,decontrol,norecibeningntipodeenseanzaencomputacin.
La variable independiente es el tipo de mtodo con tres categoras o niveles (mtodo nuevo,
mtodotradicionalyausenciademtodo),ladependienteeselaprendizajeencomputacin(medida
porunapruebaestandarizadaaniveldeintervalos).Setieneunesquemacomoeldelafigura8.7.

25


Tipodemtodo(X) Aprendizaje(Y)


Elinvestigadorsabequeelaprendizajesepuededeberamuchasrazones,ademsdelmtodo.Esdecir,el
aprendizajevarapordiversosmotivos,locualserepresentaenformadeconjuntosdelasiguientemanera:






Variable Variable
independiente: dependiente:
mtodo(X) aprendizaje(Y)

Varianzadelaprendizajeno
explicada(quenosedebeal
mtodosinoaotrosfactores)
Varianzaencomnentre
mtodoyaprendizaje





Conelexperimentoelinvestigadordeseaconocerlavarianzaencomnentremtodoyaprendizaje
(cuantificarla),larelacinXY(pura).Silosniossonasignadosalazaralosgruposdelexperimento
ytienegruposdetamaoaceptable,poreldiseomismo,remuevelainfluenciadelascovariables
quepudieranafectar.Perosinoesfactiblehacerloytieneundiseocuasiexperimental(grupos
intactos),deberemovertalinfluenciaconelanlisisdecovarianza(eliminaralmnimoposiblela
varianzadelaprendizajenoexplicada),paraevitarquelascovariablesimpidanverconclaridadla
relacinXY.Porejemplo,elniveleducativotecnolgicodelospadrespuedeinfluir(hacevariaral
aprendizaje)yesteefectodebesercontrolado,alintroducirlocomocovariable.

26


Variable
dependiente:
aprendizaje(Y)
Variable
independiente:
mtodo(X)

Elniveleducativo
tecnolgicodelos
padres(COVARIABLE)

Varianzaencomn:entre
mtodoyaprendizaje
Varianzacompartidaentreelnivel
educativodelospadresyelaprendizaje(la
cualsecontrolaconelANCOVA)

Entremscovariablessecontrole,msseexplicarsobrelavarianzacomnentreelmtodoyel
aprendizaje.

Figura8.7Ejemplodelcontroldelascovariables(conunacovariable).

Loqueelinvestigadordeseatambinsepuedeexpresar
grficamenteas:

Tipodemtodo Aprendizaje

ANCOVA

Niveleducativo
tecnolgicodelos
padres(covariable) Controlarinfluenciadelacovariable

WildtyAhtola(1978,p.13)definenalgunosusosdelanlisisdecovarianza:

27
 1. Incrementarlaprecisinenexperimentosconasignacinalazar.
2. Eliminar influencias extraas o contaminantes que pueden resultar cuando las
pruebas o los individuos no son asignados al azar a las diferentes condiciones
experimentales(gruposdeunexperimento).
3. Eliminar efectos de variables que confundan o distorsionen la interpretacin de
resultadosenestudiosnoexperimentales.

Nivel de medicin de las variables: la variable dependiente siempre est medida por
intervalosoraznylasvariablesindependientespuedenestarmedidasencualquiernivel.
Interpretacin: depende de cada caso especfico, ya que el anlisis de covarianza
efectuado mediante un programa estadstico computacional, produce un cuadro de
resultados muy parecido al del anlisis de varianza. Los elementos ms comunes
puedenobservarseenlatabla8.3.

Tabla8.3Ejemplodeelementoscomunesdeunanlisisdecovarianza

Fuente de Sumasde Sumasde Gradosde Medias Razn Significancia de

variacin cuadrados cuadrados libertad cuadrticas F(F) F(Sig.)
(Source of y ajustadas (Degrees
variation) productos (Adjusted of
cruzados sumof freedom)
(Sumof squares)
squares
andcross
products)

La razn F es, igual que en el anlisis de varianza, una razn de varianzas. El
razonamientoestadsticoeselmismoyFseinterpretaigual,inclusoseutilizaelmismo
cuadrodeladistribucinF(tabla3,apndice4oenSTATSaValoresdeFalnivelde
confianza de .05 y .01). Solamente que las inferencias y conclusiones se hacen al
considerarquelasmediasdelavariabledependiente,atravsdelascategorasdelas
variables independientes, se han ajustado, de este modo eliminan el efecto de la

28
covariableocovariables.

EJEMPLO
Diseodeinvestigacinqueutilizaelanlisisdecovarianza
Hi:lostrabajadoresquerecibanretroalimentacinverbalsobreeldesempeodeparte
desusupervisormantendrnunnivelmayordeproductividadquelostrabajadoresque
reciban retroalimentacin sobre el desempeo por escrito, y ms an que los
trabajadoresquenorecibanningntipoderetroalimentacin.

Hi: 1 > 2 > 3

(verbal) (porescrito) (ausencia)

Elinvestigadorplanteaundiseoexperimentalparaintentarprobarsuhiptesis.
Sinembargo,nopuedeasignaraleatoriamentealostrabajadoresalostresgruposdel
experimento. El diseo sera con grupos intactos (cuasiexperimental) y se
esquematizaraas:

G1 X1
1

G2 X2
2

G3
3

Asimismo, el investigador presupone que hay un factor que puede contaminar los
resultados (actuar como fuente de invalidacin interna): la motivacin. Diferencias
iniciales en motivacin pueden invalidar el estudio. Como la asignacin al azar est

29
 ausente, no se sabe si los resultados se ven influidos por dicho factor. Entonces, el
experimentador decide eliminar o controlar el efecto de la motivacin sobre la
productividad para conocer los efectos de la variable independiente: tipo de
retroalimentacin. La motivacin se convierte en covariable. El esquema es el que se
muestraenlafigura8.8.


Retroalimentacin(variable Productividad(variable
independientecategrica) dependiente)


ANCOVA

Motivacin
(covariable)

Figura8.8Ejemplodondelamotivacinescovariable

Cabe destacar que, para introducir una covariable en el anlisis, de preferencia debe
medirseantesdeliniciodelexperimento.
Elanlisisdecovarianzaquitaalavariabilidaddeladependienteloquesedebeala
covariable. Ajusta la varianza de la variable dependiente en las categoras de la
independiente, al basarse en la covariable. En el ejemplo, ajusta la varianza de la
productividad debida a la motivacin, en las categoras experimentales (tratamientos o
grupos). El ajuste se realiza sobre la base de la correlacin entre la covariable y la
dependiente.Estosemuestraesquemticamenteenlatabla8.4.
Unavezrealizadoelanlisisdecovarianza,seevalasiFesonosignificativa.CuandoF
resultasignificativaseaceptalahiptesisdeinvestigacin.
Sielresultadofuera:

G1=35

G2=36

Lacorrelacinentrelacalificacinenmotivacinylaspuntuacionesenproductividades
labaseparaelajuste.

30
 G3=38

Glentre=K1=31=2

Glintra=NK=107

F=1.70

Comparamos con el valor de la tabla respectiva: en el nivel de 0.05 es igual a 3.07, y

nuestra razn F a 1.70 es menor a este valor. Por tanto, rechazamos la hiptesis de
investigacin y aceptamos la hiptesis nula. Esto se contrasta y profundiza con las medias
ajustadasdelosgruposqueproporcioneelanlisisdecovarianza(nolasmediasobtenidas
enelexperimentoporcadagrupo,sinolasajustadasconbaseenlacovariable).
RecordemosqueSPSSyMinitabnosproporcionanautomticamentelasignificanciadeF.


Tabla8.4Ejemplodeundiseodeinvestigacinqueutilizaelanlisisdecovarianzacomo
herramientaparaajustardiferenciasenmotivacinentrelosgrupos

Covariable Variable Variable

independiente dependiente
Calificacinen
Puntuacionesen
motivacin Tipode
productividadajustadas,
realimentacin
tomandoencuentala
covariable

G1 0 X1 0

G2 0 X2 0

G3 0 0

Queslaregresinmltiple?
Esunmtodoparaanalizarelefectodedosomsvariablesindependientessobreuna
dependiente. Asimismo, constituye una extensin de la regresin lineal slo que con
mayornmerodevariablesindependientes.Esdecir,sirveparapredecirelvalordeuna
variable dependiente, cuando se conoce el valor y la influencia de las variables

31
independientes incluidas en el anlisis. Si queremos conocer el efecto que ejercen las
variables:a)satisfaccinsobrelosingresospercibidos,b)antigedadenlaempresa,c)
motivacin intrnseca en el trabajo y d) percepcin del crecimiento y desarrollo
personal en el trabajo; sobre la variable permanencia en la empresa (duracin o
estancia), el modelo de regresin mltiple es el adecuado para aplicarlo a los datos
obtenidos.Otroejemploseraelsiguiente:

VARIABLESINDEPENDIENTES


VARIABLE
DEPENDIENTE
Diseodeestrategiasde

cooperacinentremaestrosparala
enseanzaenlasclases.




Gradodeutilizacindelatecnologa
computacionalenelaula.

Desempeoescolar
delosalumnos

Gradodeinvolucramientodelos
padresenlasestrategiasde
enseanza.

Gradodecooperacinytrabajoen
equipoporpartedelosalumnos
pararealizarlastareas.

Figura8.9Esquemadeunmodeloconunavariabledependienteyvariasindependientes,
dondeseconoceelefectodecadaunadestas

Esdecir,elmodeloderegresinmltiplenosindica:
La relacin entre cada variable independiente y la nica dependiente (cmo
cambiosenlaindependientesevinculanconcambiosenladependiente).

32
 La relacin entre todas las variables independientes (en conjunto) y la
dependiente (cmo cambios en las independientes se vinculan con cambios en la
dependiente).
Laprediccindeladependienteapartirdelasindependientes.
Lacorrelacinentrelasvariablesindependientes(colinealidad).
Las variables independientes se denominan predictoras4 y anteceden
temporalmentealavariabledependienteocriterio.
La informacin bsica que proporciona la regresin mltiple es el coeficiente de
correlacinmltiple(R)ylaecuacinderegresin.
Coeficiente de correlacin mltiple (R). Seala la correlacin entre la variable
dependienteytodaslasvariablesindependientestomadasenconjunto.
Elcoeficientepuedevariardeceroauno;cuantomsaltoseasuvalor,lasvariables
independientes estarn ms correlacionadas con la variable dependiente y explicarn
en mayor medida sus fluctuaciones (varianza); en consecuencia, son factores ms
efectivosparapredecirelcomportamientodeestaltima.
Enelcaptulo10dellibro,secomentelcoeficientedecorrelacindePearsonyse

mencionquecuandoelcoeficienterseelevaalcuadrado(r2),seobtieneelcoeficiente
de determinacin y el resultado indica la varianza de factores comunes, esto es, el
porcentajedelavariacindeunavariabledebidoalavariacindelaotrayviceversa(o
cuntoexplicaodeterminaunavariablelavariacindelaotra).Puesbien,algosimilar
ocurreconelcoeficientedecorrelacinmltiple,solamentequetenemosmsvariables

aconsiderar.CuandoelcoeficienteRseelevaalcuadrado(R2),seproduceelllamado
coeficientededeterminacinocorrelacinparcial,quenossealalavarianzaexplicada
de la variable dependiente por todas las independientes (dicho de otra forma, el
porcentajedevariacinenladependienteesdebidoalasindependientesconsideradas).
Vemoslogrficamenteenlafigura8.10condosindependientesyunadependiente,
afindequeresultemenoscomplejodeentender.

4Trminoanglosajn.

33


Variableindependiente Variable
1 independiente2





R2(expresaen
porcentajelavarianza
Variable compartidaporlastres
dependiente variables)

Figura8.10Esquemadeuncoeficientededeterminacinocorrelacinparcial

Este coeficiente (R2) resulta til tambin para determinar la cantidad de varianza
que una variable interviniente explica tanto de la variable independiente como de la
dependiente,deestemodo,sepuederemoverlavarianzacompartidadelainterviniente
conlavariableindependienteoladependiente(Creswell,2005;Sengupta,2009),quees
algosimilaraloqueseefectaconelanlisisdecovarianza.
Talseraelcasodeunarelacindelsiguientetipo:

Autoestimadelestudiante relacinnegativa Consumodeestupefacientes
(independiente) (dependiente)


Reforzamientodelos
valoresdelestudiante
porpartedesustutores
(interviniente)
relacinnegativa



Figura8.11Ejemplodelcoeficientededeterminacin(correlacinparcial)

34
 Siresumimoslovistoenelcaptulo10dellibrosobrecorrelacinyregresinlineal
yloexpuestohastaaqu,tenemosloscoeficientesqueseresumenenlatabla8.5.

Tabla8.5Resumendecoeficientesdecorrelacinbivariadaymltiple
Coeficiente Smbolo Informacinproducida
Pearson Grado de asociacin entre dos variables
r
(oscilaentre0y1).
Coeficientede Varianzadefactorescomunes(porcentaje
r2
determinacin delavariacindeunavariabledebidoala
variacin de la otra variable y viceversa).
Oscilaentre0y100%.
Mltiple Correlacinentrelavariabledependiente
R
y todas las variables independientes
tomadasenconjunto.Oscilaentre0y1.
Determinacin Varianza explicada de la dependiente por
R2
(correlacinparcial) todas las independientes. Oscila entre
0y100%.

Otra informacin relevante producida por el anlisis de regresin mltiple son los
valores beta ( o b) que indican el peso o la influencia que tiene cada variable
independiente sobre la dependiente, al controlar la varianza de todas las dems
independientes. Cada peso beta es un coeficiente que seala la magnitud de la
prediccin de una variable independiente para una variable dependiente (criterio),
despus de remover los efectos de todas las dems independientes. Los valores beta
estnestandarizados,esdecir,noimportaquecadavariablepredictoraestmedidaen
una escala diferente (como ocurra con las puntuaciones z) y se interpretan como el
coeficientedePearson,de1.00a+1.00(Creswell,2005).
Tambin el anlisis proporciona coeficientes de correlacin bivariados entre la
dependienteycadaindependiente(Shaw,2009).
Parapredecirvaloresdelavariabledependienteseaplicalaecuacinderegresin
mltiple:
y=a+b1X1+b2X2+b3X3+bkXk

35
 Dondeaesunaconstantederegresinparaelconjuntodepuntuacionesobtenidas,
b1,b2,b3,bksonlospesosbetadelasvariablesindependientes.MientrasqueX1,X2,X3
y Xk son valores de las variables independientes que fija el investigador para hacer la
prediccin.
La variable dependiente debe estar medida en un nivel por intervalos o de razn. Las
independientes,encualquierniveldemedicin(elmodeloestandarizamediciones).Cuandose
utilizan variables categricas (nominales u ordinales, como gnero, grupo tnico, nivel
jerrquico, etc.) se transforman en variables dummy y se introducen al modelo como
predictores.Loscdigosdummysonseriesdenmerosasignadosparaindicarlapertenenciaa
ungrupoencualquiercategoraexhaustivaymutuamenteexcluyente.
De acuerdo con Mertens (2005), la cantidad de varianza que cada independiente
aporta para la variable dependiente puede tener cambios con diferentes rdenes de
entradadelasvariablesindependientes.Alrespectonohayreglas,seusalalgicadel
investigadorocriterioscomolossiguientes:

- Ingresar las variables de acuerdo con la fuerza de su correlacin con la

variabledependiente,delamsaltaalamsbaja.
- Seguirelordenenquesehanintroducidoenestudiosprevios.
- Procederdeacuerdoconlateora.
- Orden cronolgico (tiempo en que se introducen las variables en un
experimento o al medirse, si es que su medicin fue por etapas, de la
primeraalaltima).

Los resultados ms relevantes que produce SPSS sobre la regresin mltiple se

muestranenlastablas8.6,8.7yenlafigura8.12,quecorrespondenaunestudiopara
predecir el clima laboral (criterio o dependiente) sobre la base de las siguientes
variablesindependientes(HernndezSampieri,2005):

Normalizacin(formalizacindepolticasendocumentos).

Avance del proceso de calidad en el departamento (un nuevo esquema de

trabajointroducidoenel2004).
Innovacindepartamental.

36
 Identificacin del trabajo individual en los resultados generales de la
organizacin.
Comunicacin (percepcin del grado en que la informacin relevante de la
empresalesestransmitidaalosempleadosdesudepartamento).
Desempeo(ndicedeproductividaddelempleado).
Motivacingeneral.
Antigedadenlaempresa(enmeses).
Satisfaccingeneraleneltrabajo.
Liderazgo(percepcindelsuperiorinmediatocomolder).
Cultura(arraigodelaculturaorganizacionaldefinidaporladireccindela
empresa).
Pago(salario).

Primero.Sepresentanlasvariablesintroducidasenelmodeloderegresin:

Tabla8.6Variablesintroducidasenelejemploderegresinmltiple
Variablesintroducidas/eliminadas
Modelo Variables Variables Mtodo(b)
introducidas(a) eliminadas
Pago
Innovacin
Antigedad
Motivacin
Normalizacin
Procesodecalidad Introducir
Cultura
Identificacin
Desempeo
Liderazgo
Satisfaccin
Comunicacin
a. Todaslasvariablessolicitadasintroducidas
b. Variabledependiente:clima

Segundo. Se presentan resultados de varianzas (ANOVA), los cuales omitimos, y los

coeficientesbetayestadsticasdecolinealidad(tabla8.7).

37
 Tabla8.7Ejemploderesultadosbsicosdelaregresinmltiple
a
Coeficientes

Modelo Coeficientesno Coeficiente

estandarizados estandari
zados

B Errortip. Beta Orden0 Parcial Semiparcial Tolerancia FIV

1(Constante) 1.02E010 .000

Normalizacin .083 .000 .106 Pesosbetadetallado .783 1.000 0.63 .352 1.045
izquierda

Procesode .083 .000 .135 .831 1.000 .0009 .305 1.378

calidad
Innovacin .083 .000 .060 Correlaciones .747 1.000 .059 .429 1.334
detalladoderecha
Identificacin .083 .000 .103 .812 1.000 .056 .197 1.355

Comunicacin .083 .000 .104 .858 1.000 .052 .253 1.080

Desempeo .083 .000 .084 .005 1.000 .052 .201 1.320

Motivacin .083 .000 .078 .785 1.000 .044 .320 3.042

Antigedad .083 .000 .100 .713 1.000 .070 .488 1.048

Satisfaccin .083 .000 .105 .854 1.000 .054 .260 1.049

Liderazgo .083 .000 .135 .855 1.000 .055 .274 1.047

Cultura .083 .000 .043 .827 1.000 .055 .357 1.805

Pago .083 .000 .126 .718 1.000 .092 .534 1.872

a.Variabledependiente:clima

38
Tercero.Semuestranlosvaloresestadsticossobrelosresiduos(residuales).

Cuarto. Se realiza una regresin lineal de cada variable independiente sobre la

dependiente, se tendrn tantas grficas como variables predictoras). Mostramos el
ejemplodelavariableculturaenlafigura8.12.

Figura8.12Grficadeunavariableenelejemploderegresinmltiple

Finalmente,mostramosunejemplodeinterpretacindelcoeficienteR2deotrode
los estudios de Hernndez Sampieri (2005), en el cual la variable dependiente es el
climaorganizacionaltotal(medidoporlaescaladelaUniversidaddeCelayaoECOUNI)
y las independientes son: moral, apoyo de la direccin, innovacin, percepcin de la
empresa, comunicacin, percepcin del desempeo, motivacin intrnseca, autonoma,
satisfaccin general, liderazgo, visin y recompensas o retribucin. Las variables
independientes fueron evaluadas a travs de diferentes mediciones no incluidas en la
ECOUNI5).

5MedicionesclsicasdeorigendistintoalasdelaECOUNI.Porejemplo,paralavariablevisinseusla

escala de Anderson y West (1998), para satisfaccin el Job Satisfaction Survey, versin en espaol
(Spector,1997),paramotivacinlaescaladeWangyGuthrie(2004),etctera.

39

EJEMPLO

Paraciertolaboratorioqumicofarmacutico(empresa),laR2fuede0.989
(0.988corregida).Todoslospesosbetatuvieronunasignificanciamenoral0.01
(exceptorecompensas,lacualfuede0.175).Unavezms,estavariablepareceno
ser predictora del clima organizacional. La tendencia resultante es tan
contundente que poco puede comentarse al respecto, tal como lo muestra el

diagrama respectivo. En el caso de la institucin educativa, el coeficiente R2 fue

de prcticamente 0.80. Pero no tuvieron pesos beta significativos: desempeo,
motivacin intrnseca y liderazgo. Autonoma se encuentra en la frontera de la
significancia (0.078). Por lo tanto, estas cuatro dimensiones no pueden
considerarse en la muestra predictoras de la escala de clima organizacional
total.Latendenciasepresentaeneldiagramacorrespondiente.

Quinto.Sepresentaeldiagramadedispersindelaregresindetodoelmodeloque
explicaalavariabledependiente(figura8.13)

Variable dependiente: clima total
1.00


.75

.50

.25

0.00

0.00 .25 .50 .75 1.00

Figura8.13Diagramadedispersindelclimaorganizacional:laboratorio

Queselanlisislinealdepatronesopathanalysis?
Esunatcnicaestadsticamultivariadapararepresentarinterrelacionesentrevariables
apartirderegresiones,ascomoanalizarlamagnituddelainfluenciadeunasvariables

40

sobre otras, influencia directa e indirecta. Se trata de un modelo causal. Supongamos

quetenemoseldiagramaqueseobservaenlafigura8.14ydeseamosprobarlo.

Responsabilidad

experimentadaenel Satisfaccinlaboral
trabajo

Autonomaeneltrabajo



Ingreso

Figura8.14Unesquemapropicioparaelanlisisdepatronesovas

Elanlisispathconstituyeunmtodoparasometerloapruebayunaextensindela
regresinmltiple(WebleyyLea,1997).Lainformacinprincipalqueproporcionason
los coeficientes path, los cuales representan la fuerza de las relaciones entre las
variables(soncoeficientesderegresinestandarizadoscomolospesosbeta).
Tambin cuantifica efectos. En el modelo puede haber variables independientes,
intervinientesydependientes;inclusounavariablepuedeserdependienteenunaparte
del modelo e independiente en otra (en la figura 8.14, ingreso es dependiente de
autonoma y responsabilidad, pero tambin es independiente en relacin con la
satisfaccinlaboral).Laecuacindelanlisiseslasiguiente6paracadasecuenciacausal:

variable dependiente = b1 (variable independiente 1) + b2 (variable

independiente2)+bk(variableindependientek).

En el ejemplo tenemos tres secuencias causales, por lo tanto, las correspondientes

ecuacionesseran:

6
AdaptadodeWebleyyLea(1997).

41

Satisfaccin = b11 responsabilidad + b12 autonoma+b13ingreso+e1

Ingreso = b21 responsabilidad + b22 autonoma+e2

Autonoma = b31 responsabilidad + e3

Al igual que Webley y Lea (1997), se utiliza una notacin diferente para los
coeficientesdeBrymanandCramer,conlafinalidaddeclarificarqueb11enlaprimera

ecuacin es diferente de b21 en la segunda; e1, e2 y e3 representan el error o los

trminosdelavarianzanoexplicada.
Enlafigura8.15semuestraunejemploparailustrarestetipodeanlisis.7Cuanto
msseacerqueuncoeficientepathaceromenorefectotendr(recordemosqueson
equivalentesensuinterpretacinalcoeficientedePearson).

Trabajo

Satisfaccineneltrabajo
Papel 0.32
0.23
0.48 0.18
0.61

0.59 0.15 Motivacin Desempeo

Lder
PCg

0.80 0.43 0.06

0.28
Grupode
trabajo Actitudeseneltrabajo
Involucramientoenel
trabajo
0.74 Compromiso
Organizacin

Figura8.15Ejemplodeunanlisispathconelmodelodedosetapas
delclimaorganizacional

7ExtradodeParkeretal.(2003),quienesbuscaronpormediodelanlisisprobarelmodelodedosetapas

delclimaorganizacional,elcualyasecomenteneltexto.

42

 Al visualizar el anlisis completo nos damos cuenta de la mayor o menor

influenciadeunasvariablessobreotras.
Paraprofundizarenlatcnica,sesugiereaLoehlin(2009)yWebleyyLea(1997).

Queselanlisisdefactores?

Es un mtodo estadstico multivariado que se utiliza para determinar el nmero y la

naturaleza de un grupo de constructos subyacentes en un conjunto de mediciones. Un
constructo es un atributo para explicar un fenmeno (Wiersma y Jurs, 2008). En este
anlisis se generan variables artificiales (denominadas factores) que representan
constructos. Los factores se obtienen de las variables originales y deben ser
interpretadosdeacuerdoconstas.ComomencionanNaghi(1984)yLoehlin(2009),es
unatcnicaparaexplicarunfenmenocomplejoenfuncindeunascuantasvariables.
Esmuytilparalavalidezdeconstructo.Lasvariablesdebenestarmedidasenunnivel
porintervalosorazn.
Veamosvariosejemplosdelempleodeestatcnica.8

Primerejemplo:relacinvendedorcomprador9
El estudio pretendi analizar los factores que determinan la relacin entre los
vendedores y los compradores industriales de las tres principales ciudades de Mxico
(Distrito Federal, Guadalajara y Monterrey). Se midieron variables entre las que
destacan:coordinacin(coord.),conflicto(confl.),frecuenciadelarelacincomprador
vendedor (frec.), reciprocidad econmica en la relacin (RF2), reciprocidad en el

manejo de consideraciones administrativas (RF1) e importancia de la relacin (monto

delasoperaciones)(impor.).Losresultadossemuestranenlatabla8.8.

8Enlosejemplos,noseincluyentodoslosanlisis,conelfindenocomplicarsuentendimiento.
9Paniagua(1988)conlacolaboracindelosautores.

43

 Tabla8.8Ejemplodealgunosresultadosenunanlisisdefactores

MATRIZDEPATRNFACTORIALELEGIDA
SUBMUESTRACOMPRAS

VARIABLEO COMU FACTOR

COMPONENTE NALI ENQUE
ESCALADO TEM DAD FI FII FIII FIV FV FVI CARGA

Coord. 23 .66997 .84392 .00895 .11828 .03405 .06502 .27645

24 .46446 .71642 .05609 .01958 .07106 .00043 .07127 FI

25 .59113 .67853 .11175 .02581 .09507 .02857 .14978

26 .63988 .74737 .04695 .13472 .04837 .07117 .02225

Confl. 47 .55724 .05110 .62553 .20945 .05248 .27963 .06387

48 .59072 .06230 .65163 .17884 .10916 .31061 .04245 FII

49 .35530 .05665 .55503 .11163 .12946 .07981 .17370

50 .54716 .07908 .61007 .08675 .20431 .24058 .14142

Frec. 15 .46081 14748 .06276 .63660 12476 .06299 .13488

16 .44245 .03606 .08501 .62797 .00401 .11692 .03968 FIII
18 .50307 05359 .02787 .71169 .03786 .10795 .06775
19 .71311 .06664 .02881 .84213 .07161 .16806 .11058

RF2 42 .46781 .01380 .18030 .09416 .63133 .17716 .06309

43 .50097 .10175 .07970 .16207 .64202 .02808 .18530 FIV

RFI 40 .72202 .01579 .03548 .04181 .18914 .77312 .14292

41 .48405 .15684 .18489 .06425 .01958 .58187 .19379 FV

44



Impor. 53 .31524 .02822 .02945 .10069 .08605 .01579 .55431

54 .44550 .04376 .08383 .01731 .18396 .13956 .58137 FVI
58 .53236 .26836 .05219 .10026 .11741 .02893 .55080

EIGENVALUE 5.36433 2.53081 2.47621 1.55248 1.23464 1.06932

%VARIANZA 37.7% 17.8% 17.4% 10.9% 8.7% 7.5% T=100%

EXPLICADA
DELTA=.00

FI= Coordinacin(explica37.7%delavarianza)
FII= Conflicto(explica17.8%delavarianza)
FIII=Frecuencia(explica17.4%delavarianza)

Yassucesivamente.

Eigenvalue:representalacantidaddevarianzaconquecontribuyecadafactor.
Observe que debajo de las columnas FI a FVI aparecen coeficientes que
correspondenalostemsdeunaescala.Siestoscoeficientessonmediosoelevados,se
dice que los tems cargan o forman parte del factor correspondiente. Por ejemplo, los
tems23,24,25y26carganenelprimerfactor(obtienenvaloresde0.84392,0.71642,
0.67853 y 0.74737, respectivamente) y no pesan o cargan en otros factores (tienen
valores bajos). As, descubrimos una estructura de seis factores (F) en 19 tems. Los
factoresrecibenun nombreparasaber qu constructosseencuentransubyacentes(el cual
debereflejaralfactorygeneralmenteseextraedelateora).Elanlisisdefactorestambin
proporciona la varianza explicada y puede diagramarse en forma grfica en las
coordenadasXyY.

45

Segundoejemplo:escaladelclimaorganizacional10
Paralavalidacindelinstrumentosobreelclimaorganizacionalseconsideraron
varias muestras independientes. Entre stas, un laboratorio qumico
farmacutico y una institucin educativa. El primero de 500 trabajadores, dos
subunidades o centros de trabajo, con la inclusin de una planta y oficinas; 19
reas funcionales y una antigedad de ms de 76 aos. Se trata de una
organizacindealtatecnologaypartedeungrupocorporativointernacional.El
tamao de muestra final fue de 421 casos vlidos (n), 216 hombres y 186
mujeres (19 personas no especificaron). De los cuales 90% tienen 18 a 40 aos
(63%menoresa33);mientrasquesolamente2%fuedenivelgerencialomayor.

El instrumento pretendi medir las siguientes dimensiones: moral, apoyo de la

direccin, innovacin, percepcin de la empresaidentidadidentificacin, comunicacin,
percepcin del desempeo, motivacin intrnseca, autonoma, satisfaccin general,
liderazgo,visinyrecompensasoretribucin.Recordemosqueloqueseevalasonlas
percepcionessobretalesatributosorganizacionales.Constde73temsconfrasesdela
escala tipo Likert y 23 preguntas (cuyas respuestas se escalaron tambin tipo Likert),
96reactivosentotal.
Primero,serealizunanlisissinrotarlosfactores(solucininicialosimple,sin
consideraciones especficas). Los resultados completos de la rotacin inicial se
muestranenelapndicerespectivo,queproduce19factores,perodebehacersenotar
que prcticamente los tems cargan en un solo factor. El resto de los factores no
muestra reactivos con cargas o pesos significativos. Posteriormente, los factores
fueronrotadosparavisualizarposiblescambios(conlosmtodosvarimax,equamaxy
quartimax).Losresultadosprcticamentenovariaron.
Estasolucindeunnicofactorsignificativoy18factoressinpesosimportantes,
nos indica que la escala del clima organizacional es un constructo bsicamente
homogneo,almenosenestamuestra.Lasolucinfactorialsepresentaparcialmenteen
latabla8.9(noseincluyetoda,puescomoyasecomentexclusivamenteunfactorfue
significativo, los restantes factores muestran pesos para los tems como el segundo,
tercero,cuartoyquintofactor).

10EsteejemplofuetomadodeunaaplicacindelinstrumentodelaUniversidaddeCelayaparamedirel

climalaboral(HernndezSampieri,2005).

46

 Tabla8.9Cargasdefactoresenelejemplodelaescala
paramedirelclimaorganizacional(laboratorioqumicofarmacutico)

Factoro
Pregunta componente
Frases Factor1 Factor2 Factor3 Factor4 Factor5
Likert
F1 .352 .286 .276 .160 .365
F2 .508 .382 7.527E03 1.853E02 .245
F3 .511 .211 .304 .153 .153
F4 .555 .359 1.285E02 4.903E02 .247
F5 .631 .325 .120 .137 4.398E02
F6 .586 .312 .121 .287 4.812E02
F7 .615 .224 .162 .262 6.974E02
F8 .595 .165 .125 .330 4.410E02
F9 .609 .272 .325 .296 5.500E03
F10 .655 .235 .294 .293 2.404E02
F11 .659 8.963E02 .140 3.780E02 .167
F12 .589 .152 .161 5.420E02 .107
F13 .591 .217 .189 .231 5.625E02
F14 .636 .198 .113 .237 3.174E02
F15 .675 .217 5.034E02 7.586E02 4.885E02
F16 .646 .166 .243 .215 3.701E02
F17 .651 .164 .213 7.052E02 8.041E03
F18 .534 .328 .269 .276 7.664E02
F19 .690 3.630E02 9.095E05 6.007E02 7.306E02
F20 .590 9.375E02 6.703E02 .359 3.371E02
F21 .727 .150 .404 5.516E02 8.518E03
F22 .765 .213 .389 2.251E02 5.801E03
F23 .649 .211 2.260E02 .141 3.218E02
F24 .656 .335 8.049E02 1.521E02 .211
F25 .534 9.697E03 .342 7.291E02 .135
F26NEG 2.383E02 3.496E02 .124 .187 .280

47

F27 .592 .257 4.450E02 .410 3.095E02
F28 .593 .231 .216 .384 .123
F29 .398 .103 8.613E02 .326 .170
F30 .677 8.654E02 .223 5.095E02 3.149E02
F31NEG .236 .210 .114 .102 .333
F32 .673 .317 5.273E02 3.608E02 .204
F33 .657 .276 .226 .277 8.926E02
F34 .604 .397 3.055E02 1.101E02 1.358E02
F35 .547 .417 3.127E02 2.232E04 3.890E02
F36 .669 .256 9.381E02 .296 4.097E04
F37NEG .163 .144 .254 .161 .367
F38NEG .555 .176 .255 1.392E02 .226
F39 .701 .312 9.353E02 .209 .184
F40 .643 .412 .144 .149 .130
F41 .730 .269 .235 .210 2.546E02
F42NOUNI .518 .336 .161 .167 .255
F43 .229 6.211E02 3.422E03 2.360E02 9.347E02
F44NEG .246 .223 .105 .263 .292
F45NEG 8.139E02 .207 .170 7.145E02 .404
F46 .642 .141 .339 3.685E02 .175
F47 .764 .155 .338 5.616E02 2.326E02
F48 .612 .186 .359 .192 8.310E02
F49 .720 .148 .339 .105 .117
F50NOUNI .505 .339 .191 9.964E02 .260
F51 .676 .389 2.925E02 5.744E02 .226
F52NEG .376 .164 6.835E02 .239 .363
F53NEG .156 .214 .187 .336 .244
F54 .542 .128 .117 6.809E02 .115
F55 .509 .344 .233 .333 .101
F56 .467 1.753E02 .273 .343 .132
F57 .528 .393 5.363E02 .321 6.305E02

48

F58 .617 7.204E02 .184 7.046E02 .256

F59 .737 .114 .448 8.039E04 .138
F60 .584 .181 1.196E03 .341 3.219E02
F61 .395 2.439E02 1.207E02 .330 3.374E02
F62NEG .424 .241 .308 6.336E02 .213
F63 .684 .138 .132 1.317E02 3.409E02
F64 .565 .142 .235 2.183E02 3.918E02
F65 .540 6.075E02 .154 .189 6.796E02
F66 .746 .171 .341 6.588E02 6.952E02
F67 .742 4.266E02 .249 9.802E02 2.049E02
F68 .469 .167 .267 .180 .137
F69 .400 6.046E02 9.498E02 .430 .135
F70NOUNI .488 .284 .297 .115 .221
F71NOUN 4.747E02 .153 .129 .113 .324
N
F72NOUNI .272 .132 7.687E02 8.865E02 .108
F73NOUNI .555 .205 .275 6.823E02 6.611E03

Preguntas .588 4.995E02 .345 4.504E02 7.539E02

P1
P2 .482 .396 .230 .122 .336
P3 .576 .397 2.461E02 .124 .272
P4 .738 .208 .202 .266 7.068E02
P5 .729 .236 .180 .239 3.344E02
P6 .651 5.214E02 .152 .169 9.607E02
P7 .687 .203 .334 1.692E02 3.240E03
P8 .714 5.413E03 .424 4.213E03 5.577E02
P9 .700 .375 9.235E03 9.991E02 .100
P10 .485 .403 4.916E03 4.660E02 2.116E03
P11 .564 .275 9.553E02 3.650E02 .135
P12 .708 .123 .161 .104 6.737E02
P13 .668 .143 .133 9.723E02 .102

49

P14 .653 .367 5.745E02 .311 7.085E02

P15 .767 .225 .405 6.120E02 .112
P16 .759 .188 .431 3.359E02 .118
P17 .792 .196 .408 2.678E03 .106
P18 .727 5.139E02 3.487E03 1.964E02 .170
P19 .718 .117 1.238E02 2.477E02 .237
P20 .702 6.121E02 2.808E03 4.372E02 .282
P21 .653 .246 8.018E02 .169 .265
P22 .661 .284 4.514E02 .102 .224
P23 .660 .117 2.673E02 5.360E02 .267

En tablas o cuadros como el anterior resulta muy fcil perderse en un mundo de

cifras.Porelloesnecesarioconcentrarseenlorelevante:

Latablaesunamatrizdecorrelacionesdecadatemconlosfactores(estructura
completadetemsoreactivos).
Las cargas factoriales (valores en las celdas) son una especie de coeficientes de
correlacinyenconsecuenciaseinterpretancomotales.
El anlisis de factores tambin proporciona la varianza explicada por cada factor
delaestructura,ascomootrosvaloresqueomitimosdeliberadamenteparano
complicarlainterpretacinalestudiantedenivellicenciatura.
Elfactor1(sombreado)eselnicoquerealmenteemergidelaadministracinde
laescaladelclimaorganizacional11(vanselosvaloresparacadatemdelfactor
1comparadosconlosvaloresdelosdemsfactoresenlosmismostems).
Unejemplo(pregunta17):

11Dacuentade39%delavarianzatotal(lostresprimerosfactoresgeneran60%).Alfactorseledenomin:

Procesodejuiciocomnparaevaluarlaspercepcionesdelentornolaboral.

50

 tem
Factor1 Demsfactores

P17 .792 .196 .408 2.678E03 .106

cargafactorialalta cargasfactorialesbajas

Lostemsconcargasbajasentodoslosfactoresdebendesecharsedelaescala,no
miden realmente lo que nos interesa: los componentes o dimensiones del clima
organizacional(afectanlavalidezdelinstrumento).Porejemplo,eltem53(frase):


tem
Factor1 Demsfactores

F53NEG .156 .214 .187 .336 .244

cargafactorialbaja cargasfactorialesbajas

Enestecaso,laconclusinprincipaldelresultadosera:
Elhechodequeelanlisisdefactoreshayareveladounnicofactorsignificativo
enlamuestra,nosllevaalaconclusinprovisionaldequeelclimaorganizacionalesun
constructo molar, en el cual se funden distintas percepciones sobre aspectos
centralesdelambientedetrabajo.
Porloanterior,hemosdedecirquelosresultadosrespaldanlanocindeParker
etal.(2003)respectoaque,detrsdelasdimensioneslaboralesdelclima,seencuentra
presenteunprocesodejuiciocomn,elcualsereflejaenlasdistintasmedicionesdela
percepcin del entorno de trabajo. Es un proceso subyacente que se expresa de
diversasmaneras.
Asimismo, el anlisis de factores y la matriz de correlacin entre dimensiones
apoyanelmodelodedosnivelespostuladoprincipalmenteporL.A.James,L.R.Jamesy
C.P.Parker.

51

 Laconfiabilidadalfaparalaescalafue0.9747,queaumentaa0.98siseeliminan
lostemsquenocarganenalgnfactor.

Tercerejemplo:validacindeuninstrumento
paramedirelesprituempresarialenestudiantes12
Objetivodelestudio:validaruninstrumentoqueevalaelesprituempresarialenuna
muestradeestudiantesmexicanos.
Instrumento desarrollado en 2003 por Leslie Borjas Parra, Universidad
MetropolitanadeVenezuela.

Confiabilidadtotal(alfa):0.925.

Apartirdelanlisisdefactoresporcomponentesprincipales,sepuedeobservaruna
carga mayor a 0.50 de 24 tems hacia el factor 1 (F1), lo que proporciona confianza

respectodequeelinstrumentorealmentemideloquepretende(validezdeconstructo).


Tabla8.10Ejemplodeanlisisdefactoresparalavalidacin
deuninstrumento(esprituempresarialenestudiantes)

PREGUNTA F1 F2 F3 F4 F5 F6 F7 F8

P9_CREATIVIDAD 0.60 0.40 0.26 0.19 0.02 0.22 0.03 0.12

P8_GRUPO 0.53 0.23 0.24 0.09 0.24 0.01 0.39 0.31
P7_CREATIVIDAD 0.63 0.06 0.27 0.18 0.29 0.15 0.17 0.22
P6_RIESGOS 0.63 0.43 0.02 0.14 0.04 0.19 0.19 0.14
P5_RIESGOS 0.54 0.44 0.15 0.11 0.06 0.17 0.13 0.10
P4_EVENTOS 0.57 0.00 0.31 0.17 0.02 0.27 0.07 0.39
P32_GRUPO 0.59 0.43 0.24 0.07 0.12 0.01 0.12 0.24
P31_EVENTOS 0.48 0.46 0.30 0.25 0.00 0.04 0.26 0.04
P30_HONESTIDAD 0.54 0.05 0.31 0.35 0.38 0.02 0.17 0.26
P3_CREATIVIDAD 0.55 0.15 0.21 0.09 0.49 0.02 0.08 0.06
P29_EVENTOS 0.48 0.57 0.25 0.35 0.05 0.09 0.08 0.06

12EsteejemplofueproporcionadoporMoissMendozaEscobar(2006).

52

 P28_AUTODETERMINACI
ON 0.52 0.29 0.01 0.46 0.01 0.22 0.03 0.23
P27_SOCIAL 0.39 0.32 0.02 0.61 0.21 0.12 0.00 0.23
P26_AUTODETERMINACI
ON 0.64 0.06 0.38 0.16 0.06 0.28 0.08 0.06
P25_AUTODETERMINACI
ON 0.68 0.08 0.28 0.04 0.22 0.08 0.12 0.10
P24_GRUPO 0.60 0.21 0.12 0.33 0.01 0.23 0.13 0.15
P23_CAMBIO 0.59 0.16 0.06 0.26 0.25 0.31 0.04 0.32
P22_HONESTIDAD 0.60 0.05 0.43 0.04 0.26 0.08 0.26 0.20
P21_HONESTIDAD 0.41 0.08 0.17 0.07 0.46 0.26 0.47 0.15
P20_SOCIAL 0.53 0.20 0.38 0.19 0.26 0.22 0.19 0.03
P2_CREATIVIDAD 0.64 0.04 0.26 0.27 0.24 0.20 0.01 0.07
P19_SOCIAL 0.49 0.40 0.37 0.32 0.06 0.05 0.03 0.37
P18_CAMBIO 0.70 0.07 0.17 0.17 0.05 0.11 0.07 0.10
P17_SOCIAL 0.64 0.42 0.21 0.25 0.13 0.02 0.02 0.07
P16_GRUPO 0.68 0.19 0.27 0.17 0.26 0.16 0.00 0.06
P15_CAMBIO 0.56 0.15 0.40 0.19 0.15 0.31 0.20 0.03
P14_RIESGOS 0.58 0.21 0.36 0.23 0.04 0.39 0.08 0.13
P13_RIESGOS 0.57 0.17 0.28 0.04 0.21 0.35 0.02 0.06
P12_CAMBIO 0.72 0.42 0.09 0.05 0.01 0.08 0.23 0.12
P11_EVENTOS 0.36 0.59 0.14 0.12 0.14 0.32 0.35 0.03
P10_AUTODETERMINACI
ON 0.31 0.48 0.31 0.14 0.04 0.12 0.37 0.12
P1_HONESTIDAD 0.45 0.26 0.33 0.11 0.41 0.17 0.15 0.25

Para quien desee compenetrarse con esta tcnica recomendamos consultar
Sengupta(2009),Brown(2006),Harman(1976),Gorsuch(1983),Nieetal.(1975),Kim
yMueller(1978ay1978b),ascomoHunter(1980).Delmismomodo,paraaplicarlosse
sugiere revisar a Cooper y Curtis (1976), y en espaol a Padua (2004) y otras
referencias ms sobre el paquete SPSS. Aunque es requisito conocer el programa
estadsticocomputacional.

53

Queselanlisismultivariadodevarianza(MANOVA)?
Esunmodeloparaanalizarlarelacinentreunaomsvariablesindependientesydoso
msvariablesdependientes.Esdecir,estilparaestructurascausalesdeltipo:

X1

Y1

X2
Y2


Yk
Xk

Latcnicaposeevariosusos,entrelosquedestacan:

Evaluar diferencias entre grupos a travs de mltiples variables dependientes

(medidas por intervalos o razn). La(s) variable(s) independiente(s) es(son)
categrica(s) (no mtricas). Tiene el poder de evaluar no solamente las diferencias
totales,sinodiferenciasentrelascombinacionesdelasdependientes.
Enestesentidorepresentaunaextensindelanlisisdevarianza(ANOVA)paracubrir
casos donde hay ms de una variable dependiente y/o cuando las variables
dependientessimplementenopuedensercombinadas.Enotraspalabras,reconocesi
los cambios en la(s) variable(s) independiente(s) tienen un efecto significativo en
las dependientes. Seala qu grupos difieren en una variable o en el conjunto de
variablesdependientes(SteynyEllis,2009).
Identificarlasinteraccionesentrelasvariablesindependientesylaasociacinentrelas
dependientes.

54

 LastresclasesprincipalesdelMANOVAson:

1. Hotelling'sT.Esparecidaalapruebat(dosgrupos)peroconmsdependientes:
unavariableindependientedicotmicayvariasdependientes.

2. MANOVA unidireccional. Anlogo al ANOVA de una sola va, pero con ms

dependientes:unavariableindependientemulticategricayvariasdependientes.

3. MANOVA factorial. Similar al ANOVA factorial, solamente que con dos o ms

dependientes:variasindependientescategricasyvariasdependientes.

LosmodelosdelMANOVAtienenencomnqueformancombinacioneslinealesde
las dependientes que discriminan mejor entre los grupos en un experimento o una
situacin no experimental. Es una prueba de significancia de las diferencias en los
grupos en un espacio multidimensional donde cada dimensin est definida por
combinacioneslinealesdelconjuntodevariablesdependientes.
Una pregunta que suele hacer el estudiante al revisar el MANOVA es por qu no
hacemos ANOVAS separados, uno para cada dependiente? La respuesta: las
dependientesestncorrelacionadasmuyfrecuentemente,porlocuallosresultadosde
variosANOVApuedenserredundantesydifcilesdeintegrar.Heaquunasntesisdela
explicacindeWiersmayJurs(2008)sobreestetipodeanlisis:
Alincluirdosomsvariablesdependientessimultneamentenoseconsideranlas
diferencias entre las medias en cada variable, sino las diferencias en variables
cannicas. El inters no slo es saber si los grupos definidos por las variables
independientesdifierenenlasvariablescannicas,sinoconocerlanaturalezadestas.
Una variable cannica es una variable artificial generada a partir de los datos.
Representaconstructosysecomponedevariablesreales,lascualesdebenserdescritas
entrminosdevariablesdependientes.Loanteriorseefectapormediodelascargas
de los coeficientes de correlacin entre una variable dependiente y una variable
cannica.Siunacargaentrelavariablecannicayladependienteespositivayelevada,
significaquealtosvaloresenladependienteseasocianconaltosvaloresenlacannica.
Porejemplo,siunavariabledependienteconsisteenpuntuacionesaunapruebasobre
innovacin, y dichas puntuaciones se correlacionan en forma considerable con una

55

variable cannica, inferimos que la variable cannica representa un constructo que

involucraesencialmentealainnovacin.
En los clculos que se hacen en el MANOVA, se generan variables cannicas hasta
queseencuentraquenohayunadiferenciaestadsticasignificativaentrelascategoras
olosgruposdelasvariablesindependientes;obien,hastaqueseagotanlosgradosde
libertad de las variables independientes (lo que ocurra primero). El nmero de
variables cannicas no puede exceder el nmero de variables dependientes, pero es
comn que el nmero de dependientes sea mayor que el de variables cannicas
estadsticamentesignificativasolosgradosdelibertad.
LahiptesisgeneraldeinvestigacinenelMANOVApostulaquelasmediasdelos
grupos o las categoras de la(s) variable(s) independiente(s) difieren entre s en las
variables cannicas. La hiptesis nula postula que dichas medias sern iguales. Se
calculan diversas estadsticas para evaluar ambas hiptesis, entre las que destacan: F

(total,tomaencuentaelmodelocompleto),lapruebaHotelling'sTSquare,T2(cuando
hay dos grupos formados por las variables independientes), Wilks' lambda, U (cuando
hay ms de dos grupos formados por las variables independientes), y PillaiBartlett
(cuando hay coeficientes cannicos);13 y si resultan significativas en un nivel de
confianza, se acepta la hiptesis de investigacin de diferencia de medias. Esto indica
que hay, por lo menos, una variable cannica significativa (pero puede haber varias).
Si diversas variables cannicas son significativas, esto muestra que se presentan
diferenciasenlasvariablescannicasencuestin,entrelosgruposocategorasdelas
independientes.
Los paquetes estadsticos que contiene el MANOVA suelen posicionar a los grupos
delasvariablesindependientesporpuntuacionesdiscriminantes;stassecalculancon
una funcin discriminante, que es una ecuacin de regresin para un compuesto
devariablesdependientes.Acadagruposeleasignaunapuntuacindiscriminanteen
cadavariablecannica.Laspuntuacionesdiscriminantesdeunavariableindependiente
pueden ser cero o tener un valor positivo o negativo. Una puntuacin discriminante
positivayelevadaparaungrupoindicaquestesecolocaporencimadelosdemsenla
respectivavariablecannica.Ydebenconsiderarselascargas,lascualessonpositivaso

13 Adems, para comparaciones especficas estn las pruebas post hoc del ANOVA, ya revisadas en el

captulo10dellibro.

56

negativas.Laspuntuacionesdiscriminantesseusanparainterpretarlasseparacionesde
los grupos en las variables cannicas, en tanto que las cargas se usan para evaluar y
ligarlosresultadosdelasvariablesdependientes(WiersmayJurs,2008).Unejemplode
las cargas de los coeficientes de correlacin entre las variables dependientes y las
variables cannicas se muestra en la tabla 8.11, mientras que un ejemplo de las
puntuacionesdiscriminantesvieneenlatabla8.12.

Tabla8.11Cargasdeloscoeficientesdecorrelacinentre
lasvariablesdependientesylasvariablescannicas

VARIABLESCANNICAS

I II III
VARIABLE (MOTIVACIN (ATRIBUCIN (DESEMPEO
DEPENDIENTE INTRNSECA) DE LABORAL)
CAUSALIDAD
EXTERNA)
Motivacin intrnseca (escala 0.90 0.05 0.07
intrnseca del inventario de
caractersticasdeltrabajo)

Atribucionesinternas 0.86 0.07 0.09

Sentimientos de xito en el 0.70 0.80 0.00

trabajo

Atribucionesexternas 0.03 0.61 0.12

Productividad 0.12 0.07 0.74

Eficiencia 0.18 0.04 0.48

Calidad 0.19 0.13 0.57

57

Tabla8.12Puntuacionesdiscriminantesconcuatrogruposentresvariablescannicas

GRUPO VARIABLESCANNICAS
I II III

Ejecutivos 1.97 0.95 1.69

Secretarias 0.19 1.18 1.25

Empleados 1.40 1.01 0.49

Obreros 3.18 1.12 0.93

Comoobservamosenlatabla8.11,seobtuvierontresconstructossubyacentesen
las puntuaciones recolectadas de la muestra: motivacin intrnseca, atribucin de
causalidadexternaydesempeolaboral.Vemosenlatabla8.12quelosgrupos(niveles
en la empresa) estn separados en las tres variables cannicas (los grupos difieren),
particularmente en la primera variable cannica (motivacin intrnseca) y los obreros
ocupanlaposicinmsbaja.Lasvariablesdependientesenmarcadasenunrecuadroen
la primera variable cannica se cargan en ella (tabla 8.11); en consecuencia, los
ejecutivos tienen las puntuaciones ms altas en motivacin intrnseca medida por la
escalamencionada,enatribucionesinternasyensentimientosdexitoeneltrabajo.As
seinterpretantodaslasvariablescannicasydependientes.
En el MANOVA se incluyen razones F y anlisis de varianza. Algunos paquetes
estadsticosagreganunapruebadenominadacorrelacincannica,queesmuysimilar
alMANOVA.staeslamximacorrelacinquellegaaobtenerseentrelosconjuntosde
puntuaciones y las relaciones entre las variables independientes, entre las variables
dependientes y entre los conjuntos de ambas (dependientes e independientes)
(Kerlinger,1979).LasvariablesenelMANOVAylacorrelacincannicaasumenquelas
variablesdependientesestnmedidasenunniveldeintervalosorazn.Talcorrelacin
se interpreta como otras; pero el contexto de interpretacin vara de acuerdo con el
nmerodevariablesinvolucradas.

58

Distanciaseuclideanas
Esunamedidaparaanalizardistanciasentreconstructos(agrupamiento:cercana
o lejana). En el programa SPSS se pueden obtener bsicamente dos valores
opuestos:distanciaeuclidianaodedisimilitudydistanciadeproximidadosimilitud.
Entre mayor sea el valor de una distancia euclidiana, ms alejadas se encuentran
las variables; y entre ms alto sea el valor de proximidad, ms cercanas y
relacionadas estn las variables (este ltimo valor se proporciona en unidades de
correlacindePearson).
Porejemplo,HernndezSampieri(2009)midielclimaorganizacionalenfuncindel
Modelo de los Valores en Competencia (MVC) de Kim S. Cameron y Robert E. Quinn.
Consider cuatro dimensiones del clima organizacional en relacin con la cultura
organizacional (denominados cuadrantes en el MVC) que a su vez contienen diversas
variables:

1)Cuadrantedeorganizacinfamiliaroclan(relacioneshumanas),constituidopor
las siguientes variables: bienestar de los empleados, autonoma, comunicacin,
nfasisenelentrenamiento,integracinysoportedelsuperiorinmediato.
2) Cuadrante de organizacin jerrquica (proceso interno): formalizacin y
tradicin.
3) Cuadrante de organizacin adhocrtica (sistemas): flexibilidad/innovacin,
enfoqueexternoyreflexividad.
4) Cuadrante que corresponde a la organizacin de mercado (metas racionales):
claridad de metas organizacionales, esfuerzo, eficiencia, calidad, presin para
produciryrealimentacindeldesempeo.

Conlafinalidaddeanalizarlaproximidaddetalesdimensionesocuadrantesrealiz
un anlisis de disimilitudes y otro de similitudes, los cuales se presentan en las tablas
8.13Y8.14.

59

Tabla8.13Matrizdedisimilitudes(distanciaseuclidianas).

Relaciones Proceso Sistemas Metas
humanas interno

Relacioneshumanas .000 24.149 10.710 13.097

Procesointerno 24.149 .000 23.727 17.413
Sistemas 10.710 23.727 .000 11.819
Metas 13.097 17.413 11.819 .000

Tabla8.14Matrizdeproximidadosimilitudes(enunidadesdecorrelacindePearson).
Correlacionesentrevectores
Relaciones Proceso
humanas interno Sistemas Metas

Relacioneshumanas 1.000 .164 .796 .666
Procesointerno .164 1.000 .133 .062
Sistemas .796 .133 1.000 .739
Metas .666 .062 .739 1.000

En las tablas podemos observar que relaciones humanas, sistemas y metas

son dimensiones o cuadrantes cercanos y asociados. Proceso interno es una
dimensinlejanaalrestodeloscuadrantes.

Hayotrosmtodosmultivariados?
En la actualidad, hay muchos mtodos multivariados de anlisis, los cuales se
desarrollaron con la evolucin de la computadora. Los investigadores disponen del
anlisis discriminante, cuando las variables independientes se miden por intervalos o
razn,yladependienteescategrica.Talanlisissirveparapredecirlapertenenciade
un caso a una de las categoras de la variable dependiente, sobre la base de varias
independientes (dos o ms). Se utiliza una ecuacin de regresin llamada funcin

60

discriminante. Por ejemplo, si queremos predecir el voto obtenido por dos partidos
contendientes (variable dependiente nominal con dos categoras) sobre la base de
cuatro variables independientes, aplicaremos el anlisis discriminante, para resolver
unaecuacinderegresin;asseobtienenlasprediccionesindividuales.Enelejemplo,
haydoscategoras(votarporAovotarporB);porlotanto,losvaloresapredecirson0
y1(AyB,respectivamente).Sielsujetoobtieneunapuntuacinmscercanaacero,se
predicequepertenecealgrupoquevotarporA;silograunapuntuacinmscercanaa
1,sepredicequepertenecealgrupoquevotarporB.Adems,seconsigueunamedida
delgradodediscriminacindelmodelo.
Secuentatambinconelanlisisdeconglomeradosoclusters(tcnicaparaagrupar
loscasosoelementosdeunamuestraengruposconbaseenunaomsvariables),
elescalamientomultidimensional(paradisearescalasquemidanalossujetosen
diversas variables y los ubiquen simultneamente en los ejes de las distintas
variables,ascomoparaconocerlaestructuradelasvariablesentres),elanlisis
deseriescronolgicasodetiempo(paraanalizarlaevolucindeloscasosenuna
omsvariablesatravsdeltiempoypredecirelcomportamientodelasvariables
o sucesos) y la elaboracin de mapas multidimensionales (donde establecemos
distancias entre casos, al basarnos en mediciones mltiples de varias dimensiones o
variables), para los cuales se requieren bases slidas en materia de estadstica y en
matemticas avanzadas. Sugerimos a Loehlin (2009), Sengupta (2009), Shaw (2009),
Ferrn (2001) y Lehamn et al. (2005) para una revisin de tales pruebas y modelos.
Tambin se publica una revista fundamental en la materia: Multivariate Behavioral
Research.

FRMULASYPROCEDIMIENTOSESTADSTICOS

En este documento simplemente se incluyen las frmulas y los procedimientos de

clculo de ciertas estadsticas que anteriormente se encontraban en el captulo 10 del
textoimpreso,aunqueinsistimosqueyasolamenteseusanparailustrarladefinicinde

61

ciertas estadsticas, porque hoy en da los clculos y las estimaciones se efectan

medianteprogramascomputarizadosdeanlisisestadstico,comoSPSS.

Frmulayclculodelamediaopromedio

Lafrmuladelamediaes:

X1 + X 2 + X 3 + X k
X=
N


Porejemplo,situviramoslassiguientespuntuaciones:

876432698


Lamediaseraiguala:

8 + 7 + 6 + 4 + 3+ 2 + 6 + 9 + 8
X= = 5.888
9

Lafrmulasimplificadadelamediaes:

X=
X
N

Elsmboloindicaquedebeefectuarseunasumatoria,Xeselsmbolodeuna
puntuacinyNeselnmerototaldecasosopuntuaciones.Ennuestroejemplo:

53
X= = 5.888
9

La media s es sensible a valores extremos. Si tuviramos las siguientes

puntuaciones:

62

8 7 6 4 3 2 6 9 20

Lamediasera:

Frmuladeladesviacinestndar

Lafrmuladeladesviacinestndares:

s=
( X X 2

Estoes,ladesviacindecadapuntuacinrespectoalamediaseelevaalcuadrado,
se suman todas las desviaciones cuadradas, se divide entre el nmero total de
puntuaciones,yaestadivisinselesacarazcuadrada.

Clculodelapruebatconfrmulasytablas
Elvalortseobtieneenmuestrasgrandesmediantelafrmula:

X1 X 2
t=
s12 s22
+
n1 n2

Endonde eslamediadelprimergrupo, lamediadelsegundogrupo,

representaladesviacinestndardelprimeroelevadaalcuadrado,n1eseltamaodel
primer grupo, simboliza la desviacin estndar del segundo grupo elevada al
cuadradoyn2eseltamaodelsegundogrupo.Enrealidad,eldenominadoreselerror
estndardeladistribucinmuestraldeladiferenciaentremedias.
Parasabersielvalortessignificativo,seaplicalafrmulaysecalculanlosgradosde
libertad.

63

Recordemosquelosgradosdelibertadsecalculanas:

gl=(n1+n2)2

Unavezcalculadoselvalortylosgradosdelibertad,seeligeelniveldesignificanciayse
compara el valor obtenido contra el valor que le correspondera, en la tabla 2 del
apndice 4 de este CD anexo (tabla de la distribucin t de Student) o en STATS
DistribucintdeStudent.Sielvalorcalculadoesigualomayoralqueapareceenla
tabla, se acepta la hiptesis de investigacin. Pero si es menor, se acepta la hiptesis
nula.
Enlatablasebuscaelvalorconelcualvamosacompararelquehemoscalculado,con
base en el nivel de confianza elegido (0.05 o 0.01) y los grados de libertad. La tabla
contiene los niveles de confianza como columnas y los grados de libertad como
renglones. Los niveles de confianza adquieren el significado del que se ha hablado (el
0.05 implica 95% de que los grupos en realidad difieran significativamente entre s y
5%deposibilidaddeerror).
Cuanto mayor sea el valor t calculado respecto al valor de la tabla y menor sea la
posibilidaddeerror,mayorserlacertezaenlosresultados.

EJEMPLO

Hi: los varones le atribuyen mayor importancia al atractivo fsico en sus

relacionesheterosexualesquelasmujeres.
Ho: los varones no le atribuyen ms importancia al atractivo fsico en sus
relacionesheterosexualesquelasmujeres.
Lavariableatractivofsicofuemedidaatravsdeunapruebaestandarizadayel
niveldemedicinesporintervalos.Laescalavarade0a18.
La hiptesis se somete a prueba con los estudiantes de clase media de dos
universidadesdelaciudaddeMonterrey.
n1(hombres)=128
n2(mujeres)=119

64

Resultados:

(hombres)=15

(mujeres)=12

s1(hombres)=4
s2(mujeres)=3

15 12
t=
(4)2 (3)2
+
128 119

t=6.698
Gl=(128+119)2
Gl=245

AlacudiralatabladeladistribucintdeStudent(tabla2,apndice4,incluidoen
esteCD),buscamoslosgradosdelibertadcorrespondientesyelegimosenlacolumnade
gl,elrengln,queseseleccionasiemprequesetienenmsde200gradosdelibertad.
Latablacontienelossiguientesvalores:

gl 0.05 0.01
(mayorde200) 1.645 2.326

Nuestrovalorcalculadodetes6.698yresultasuperioralvalordelatablaenun
niveldeconfianzade0.05(6.698>1.645).Entonces,laconclusinesqueaceptamosla
hiptesisdeinvestigacinyrechazamoslanula.Incluso,elvalortcalculadoessuperior
enunniveldeconfianza
del0.01(6.698>2.326).

Comentario: Efectivamente, en el contexto de la investigacin (del ejemplo

anterior),losvaronesleatribuyenmsimportanciaalatractivofsicoensusrelaciones
deparejaquelasmujeres.

65


Si tuviramos 60 grados de libertad y un valor t igual a 1.27, al comparar este
valorconlosdelatablaobtendramos:
gl 0.05 0.01
60 1.6707 2.390

El valor t calculado es menor a los valores de la tabla. Serechaza la hiptesis de

investigacinyseaceptalahiptesisnula.

CHICUADRADAMEDIANTESTATSYEJEMPLODETABLADE
CONTINGENCIAPRODUCIDAPORSPSSCONOTROSELEMENTOS
ParacalcularlachicuadradaenSTATS,primeroseeligelaopcincorrespondienteen
elmenprincipal.
Despus, en Cuadrcula colocamos los datos que se nos requiere (nmero de
categoras de cada variable, las de la variable que representa a las filas y las de la
variablequerepresentalascolumnas).
Supongamosquetenemoslasdosvariablesdelejemplodelcaptulo10,Intencin
delvoto(candidataAGuadalupeTorresycandidataBLizAlmanza)ygnero(masculino
yfemenino).
Tenemosdoscategorasencadavariable,porlotanto,laCuadrculasellenaraas:

Filas 2

Columnas 2

DamosclicenAceptar.STATSabrelatablaynosotroscolocamoslasfrecuencias
observadasocontadas:
40 58
32 130

66

 Enelsiguientepaso,STATSnospidequeseleccionemossilosvaloresesperados
estncapturadosono.Tenemosdosopciones:marcarqueno(losvaloresesperadosno
estn calculados) o calcularlos. Si elegimos la primera, simplemente damos clic en
Calcular y se nos proporcionan los siguientes resultados: chiCuadrada y grados de
libertad, pero no la significancia. Tenemos que acudir a la tabla de chicuadrada

(apndice4,tabla4deesteCDoaladeSTATSValoresde alosnivelesdeconfianza

de .05 y .01). Vemos nuestros grados de libertad y elegimos el nivel. Si es igual o

superioralvalordelatabla,implicaquechicuadradafuesignificativadependiendodel
nivelseleccionado(denuevo,.05o.01).
Si nuestra opcin es: calcular los valores esperados estn calculados, los
obtenemossiguiendoesteprocedimiento:
La frecuencia esperada de cada celda, casilla o recuadro, se calcula mediante la
siguientefrmulaaplicadaalatabladefrecuenciasobservadas.

Endondeneselnmerototaldefrecuenciasobservadas.
Paralaprimeracelda(candidataAygneromasculino),lafrecuenciaesperadasera:

Veamosdedndesalieronlosnmeros:
Gnero Total
Masculino Femenino
Intencin del 98
voto
Total 72 260

Paraesteejemplo,latabladefrecuenciasesperadasseralatabla8.15.

67

Tabla8.15Cuadrodefrecuenciasesperadasparaelejemplo
Gnero Total
Masculino Femenino
Intencindel CandidataA 27.1 70.9 98
voto GuadalupeTorres
CandidataB 44.9 117.1 162
LizAlmanza
Total 72.0 188.0 260.0

SecolocanlosdatosenelSTATSydamosclicencalcular,obteniendoelvalordechi
cuadrada, los grados de libertad y la probabilidad de que los valores observados y
esperadosseandistintosenporcentaje(siesmayora95%essignificativoenestenivel,
si es mayor a 99% resulta ms significativa; recordemos que STATS proporciona la
significanciaentrminosdelporcentajeennuestrofavor).
Sisehicieramanualmente,aplicaramoslafrmuladechicuadrada:

(0 E)2
=
2

E
dondesignificasumatoria.
0eslafrecuenciaobservadaencadacelda.
Eeslafrecuenciaesperadaencadacelda.

Esdecir,secalculaparacadaceldaladiferenciaentrelafrecuenciaobservadayla
esperada;estadiferenciaseelevaalcuadradoysedivideentrelafrecuenciaesperada.

Finalmente,sesumantalesresultadosylasumatoriaeselvalorde obtenida.

Obtenemoselvalordechicuadradaylosgradosdelibertad:

gl=(r1)(c1)

Endondereselnmeroderenglonesdelcuadrodecontingenciaycelnmerode
columnas;ennuestrocaso:1.

68

 Yacudimosconlosgradosdelibertadquecorrespondenalatabla4delapndice

4deesteCD(Distribucindechicuadrada)oSTATSenValoresde alosnivelesde

confianzade.05y.01,eligiendonuestroniveldeconfianza(.05o.01).Sinuestrovalor

calculado de es igual o superior al de la tabla, decimos que las variables estn

relacionadas( fuesignificativa).

Cabe sealar que en SPSS es ms rpido, y en segundo lugar con STATS y la

opcinlosvaloresesperadosnoestncalculados(porquesolamentevemosenlatabla
connuestrosgradosdelibertadsiigualamososuperamoselvalor).
Enelcaptulo10dellibro,sealamosqueSPSSproduceunresumendeloscasos
vlidos y perdidos para cada variable y una tabla de contingencia sencilla, o bien una
tablamscomplejacondiversosresultadosporcelda.Taleselcasodelatabla8.16,con
elejemplodelaintencindevotoporGuadalupeoLizyelgnero(elprogramagenera
anms,perohemosreproducidosolamentelosquesonmstilesparaellectorenla
interpretacindelatabla).

Frecuencia(count):nmerodecasosofrecuenciasobservadasencadacelda.
Frecuencia esperada (expected count): nmero de casos en cada celda que se
esperaran,sinohubierarelacinentrevariables.
Porcentajesdentrodecadaceldaquerepresentanlasfrecuenciasobservadas
(en relacin con una variable, con la otra y con el total). Por ejemplo, la primera
celda (intencin por candidato A y gnero masculino = 40), representa 40.8%
dentrodelaintencindelvotodelcandidatoA(marginalhorizontalodesufila=
98), implica 55.6% de los hombres (marginal de su columna = 72), y 15.4%
respectoaltotal(muestra=260). 14

14Losvaloressonredondeadosporelprograma.

69

Tabla8.16EjemplodelatabladecontingenciaproducidaporSPSS(resumida)

Intencindevotoporcandidato*Gnerodelvotante
Gnerodelvotante
Masculino Femenino Total
Intencinde CandidatoA Frecuencia 40 58 98
votopor Guadalupe Frecuencia
candidato Torres esperada 27.1 70.9 98
%dentrode
intencinde
voto 40.8% 59.2% 100.0%
%dentrodel
gnero
delvotante 55.6% 30.9% 37.7%
%deltotal 15.4% 22.3% 37.7%
CandidatoB Frecuencia 32 130 162
LizAlmanza Frecuencia
esperada 44.9 117.1 162
%dentrode
intencin
devoto 19.8% 80.2% 100.0%
%dentrodel
gnerodel
votante 44.4% 69.1% 62.3%
%deltotal 12.3% 50.0% 62.3%
Total Frecuencia 72 188 260
Frecuencia
esperada 72.0 188.0 260
%dentrode
intencin
devoto 27.7% 72.3% 100.0%
%dentrodel
gnerodel
votante 100.0% 100.0% 100.0%
%deltotal 27.7% 72.3% 100.0%

70


En este caso, el valor de chi cuadrada es significativo al nivel del .01, es decir, existe
relacinentrelasvariablesgneroeintencindevotoporlosdiferentescandidatos,se
acepta la hiptesis de investigacin (Liz Almanza gana, pero sobre todo por el voto
femenino).
Conlatablasehacenalgunasconclusiones,comolasquesepresentaronenelapartado:
Quotraaplicacintienenlastablasdecontingencia?

EJEMPLOSDESECUENCIASDEANLISISENMINITABYSPSS
ParacompletarestecaptulodelCDyel10deltextoimpreso,incluimosdosejemplosde
secuenciasdeanlisisdelosdatos.

SecuenciaenMinitab
Esta secuencia corresponde al ejemplo desarrollado en el texto impreso sobre la
televisinyelnio.Lasecuenciasepresentaenlafigura8.16.

Anlisisdescriptivode
Muestraexploratoria lascolumnasotems Muestradefinitiva
(adicionalaladela (distribuciones,estadsticas) (n=2112)
pruebapilotopara
disearelcuestionario). Anlisisdediscriminacin
delostems

Anlisisdescriptivodelasvariables:usode
Pruebasdetablasdecontingenciapara
mediosdecomunicacincolectiva,tiempode
correlacionardatosnominalesy
exposicinalatelevisin,preferenciade
ordinales.Porejemplo:Chicuadraday
contenidostelevisivos(programas),bloquesde
Phientregneroycondicinde
horariosdeexposicinalatelevisin(maana,
exposicinalatelevisin(solo
mediatarde,tardeavanzaday/onoche),
acompaado);coeficientede
personajesfavoritos(culesymotivos)
contingenciaparabloquepreferidode
comparacindelatelevisinconotrasfuentes
horario(nominal)yautonomaenla
deentretenimiento,actividadesquerealiza
eleccindelosprogramas(ordinal).
mientrasobservalatelevisin,condicionesde
Biserialpuntual(gneroytiempode
exposicinalatelevisin(soloacompaado),
exposicinalatelevisin).Pruebatde
autonomaenlaeleccindelosprogramas,
diferenciademediasporgnero,entre
controldelospadressobrelaactividaddever
lospromediosdetiempoquededicana
televisin,usosygratificacionesdelatelevisin,
vertelevisindiariamente(enhoras);
datosdemogrficos(gnero,edad,escolaridad,
entreotrosanlisis.
niveldeingresosfamiliar,tipodeescuelay
estadocivildelospadres).

Figura8.16SecuenciadeanlisisconMinitab

71

SecuenciaenSPSS
Lasecuenciacorrespondealestudiorespectoalclimaorganizacionalcitadoenellibro
impreso(HernndezSampieri,2005).
Objetivocentral:
Validar un instrumento para medir el clima organizacional en el mbito laboral
mexicano.

Preguntadeinvestigacin:
Cules son las variables o dimensiones ms pertinentes que deben incluirse para
medirelclimalaboraldeunamaneravlidayconfiable?
Comentariossobrelosanlisis:
Los anlisis del estudio se llevaron a cabo de manera independiente para cada
muestra, debido a la naturaleza contingente del clima organizacional. Cada empresa
tiene su propia historia, procesos de produccin, estructura, orientacin, filosofa y
otrosfactoressituacionalesquelahacennica.Sinembargo,lavalidacinendiferentes
muestrasvaconsolidandoyrobusteciendoalinstrumentodemedicin.Acontinuacin
se presenta la secuencia de anlisis y algunos resultados obtenidos en una de las
muestras(unainstitucindeeducacinsuperior).

72

Figura8.17SecuenciadeanlisisconelSPSS.

Laconfiabilidad(alfa)delinstrumentofuede0.98(muyelevada,n=163).Elanlisisde
factoresrevelunadimensinnicaydespusdeefectuarlo,seeliminarontrestems.
Loscoeficientesalfaparalasdimensiones,fueronlosquesemuestranenlatabla8.17.
Estadstica descriptiva en el nivel de toda la escala: en la tabla 8.18, se presentan las
principales estadsticas de los resultados a toda la escala del clima organizacional. El
promedio (3.7) y la mediana (3.8) son bastante favorables e indican que esta
organizacin posee un clima organizacional positivo. La respectiva normalizacin, se
presentaenlagrficadelafigura8.18.
Las correlaciones entre los componentes del clima organizacional para esta segunda
muestra,sepresentanenlatabla8.19(matrizdecorrelacionesdePearson).

73

La mayora se encuentra entre rangos que oscilan entre 0.55 y 0.69, es decir,
correlacionesmediasyconsiderables.Destacanlascorrelacionesentrecomunicaciny
direccin (0.800), satisfaccin y liderazgo (0.772), satisfaccin y visin (0.721),
identificacin y motivacin intrnseca (0.716); as como, moral y liderazgo (0.698).
Llama la atencin la correlacin entre autonoma y motivacin intrnseca (0.613), que
respalda la tradicional vinculacin entre ambos conceptos, propuesta por los modelos
sobrecaractersticasdeltrabajo.Identificacinyliderazgoesdelaspocascorrelaciones
bajas(0.425).

Tabla8.17Loscoeficientesalfaparalasdimensionesdelclimaorganizacional
Dimensin n Alfa
Moral 176 0.898
Direccin 176 0.928
Innovacin 177 0.788
Identificacin 175 0.823
Comunicacin 179 0.827
Percepcindeldesempeo 174 0.709
Motivacinintrnseca 178 0.792
Autonoma 179 0.827
Satisfaccin 179 0.865
Liderazgo 177 0.947
Visin 176 0.902

74

 Tabla8.18Estadsticadescriptivadelamuestrapara
laescalacompletadelclimaorganizacional
Estadstica Valor

Media 3.7

Mediana 3.8

Moda 3.96

Desviacinestndar 0.62

Varianza 0.38

Asimetra 0.442

Curtosis 0.116

Mnimo 1.84

Mximo 4.92

Figura 8.18 Histograma de toda la escala del clima organizacional en una

institucineducativa

75

Tabla8.19MatrizdecorrelacionesdePearsonentrevariablesdelclimaorganizacional

76