Manual Del Spss

Manual de Practica de SPSS II CICLO

1

MANEJO DEL PROGRAMA

1.- ENTRAR EN SPSS

Para entrar en SPSS, si no se dispone de acceso directo en el escritorio, se

seguirá la secuencia Inicio – Programas – SPSS - SPSS 10.0 para Windows. Una vez

que se ha entrado al programa, aparece la siguiente pantalla:

2.- CREACIÓN DEL FICHERO DE DATOS

Para empezar a trabajar con el programa SPSS lo primero que hay que hacer

es construir el fichero de datos. Para ello se seguirán una serie de pasos, antes o

después de introducir los valores.

Desde esta pantalla se puede acceder

directamente a una base de datos utilizada

recientemente (Abrir una fuente de datos

existente), o crear una base de datos en

blanco para introducir datos (Introducir

Datos), etc.

Para salir de la pantalla, pulsar Cancelar.

En caso de no querer que aparezca esta

pantalla la próxima vez que se acceda al

programa, señalar la opción

Este es el aspecto que

presenta una base de

datos vacía.

Nótese la existencia de

dos pestañas en la

parte inferior, una

llamada "Vista de

datos" (activada) y la

otra "Vista de variables"

(desactivada)

OFIMATICA II PROFESOR EDIDSON FUENTES


12

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

sujetos en filas.

2.1.- DEFINICIÓN DE VARIABLES

Las variables se definen desde la "Vista de variables", donde encontramos,

como hemos visto antes, una columna para cada característica:

2.1.1.- Nombre � Pinchando con el ratón sobre la celdilla correspondiente al nombre

de la variable que estamos definiendo, podemos escribir directamente el nombre de la

misma (máximo 8 caracteres).

2.1.2.- Tipo � Al pinchar sobre la celdilla, aparece un cuadro gris y al

pinchar sobre el, accedemos a la siguiente pantalla:

2.1.3.- Anchura � A través de esta opción se puede modificar la anchura de las

celdillas que se había seleccionado en la pantalla anterior

2.1.4.- Decimales � Igualmente, a través de esta opción modificar el número de

decimales que tendrán los datos, ya seleccionado en el apartado 2.2.1.Tipo

En esta opción se le indica al

programa con qué tipo de datos

estamos trabajando, así como el

ancho de las celdillas y si quieren

incluirse decimales.

En la "Vista de variables" encontramos

que éstas están colocadas en filas,

mientras que en las columnas se sitúa

cada una de las características que

las define, y que veremos más

adelante.

En ambos casos se puede escribir directamente el número de

decimales en la celdilla activada (seleccionada con el ratón) o

mover las flechas hasta encontrar el que se quiere.



13

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

que aparecerá en las salidas. Para asignarla etiqueta de la variable, se escribe directamente

sobre la celdilla activada (seleccionada con el ratón)

2.1.6.-Valores � Son los diferentes valores que puede tomar la variable. Se van añadiendo

a la lista, mediante el botón Añadir. Se pueden introducir modificaciones con los botones

Cambiar y Borrar.

Ejemplo � En el caso de estar definiendo la variable sexo, los valores que puede tomar la

variable son dos: Mujer y Hombre, le asignamos a las mujeres un 1 y a los hombres un 2.

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

especifiquen los valores que no tiene que incluir en el análisis (errores del sistema,

espacios en blanco, etc.)

2.1.8.- Columnas � Esta opción permite rectificar, si fuera necesario, el ancho de la

columna (especificado ya en 2.1.2.- Tipo)

Tal como hicimos en las opciones 2.1.3. y 2.1.4, se puede escribir directamente

el ancho de la columna en la celdilla activada (seleccionada con el ratón) o mover las

flechas hasta encontrar el que se quiere.

En Valor se escribe el valor de la

categoría y el Etiqueta de valor, su

nombre correspondiente. Para que sea

aceptado hay que pinchar Añadir y se

sitúa en la ventana de abajo.

Se accede a esta ventana pinchando el

extremo derecho (sombreado en gris) de la

celdilla.



14

2.1.9.- Alineación � En esta opción se ajusta al gusto la alineación de los caracteres,

es decir, se especifica como se quiere que aparezcan los datos en las columnas,

alineados a la derecha, en el centro, o alineados a la izquierda.

2.1.10. Medida � Por último, en esta opción se determina el nivel de medición de la

variable, pudiendo elegir entre Nominal, Ordinal o Intervalo.

Al ir definiendo cada una de las variables del fichero, puede ocurrir que

queramos utilizar la misma opción para más de una variable. En lugar de ir definiendo

cada variable, se puede copiar la información de una (con Ctrl + C o Edición + Copiar)

y pegarla en otra/s (con Ctrl + V o Edición + Pegar).

Por ejemplo, si queremos utilizar los mismos "Valores" para más de una

variable, basta definirlos para una, a continuación se selecciona la celdilla que

corresponde la los Valores de esa variable, se pincha Ctrl + C o Edición + Copiar, y se

selecciona el resto de variables que van a llevar los mismos valores (seleccionado con

el ratón las celdillas correspondientes a los valores), y se pincha Ctrl + V o Edición +

Pegar. Esto puede hacerse con todas las opciones menos con el Nombre de la

variable.

Una vez que están todas las variables definidas se meten los datos (la

operación puede realizarse a la inversa, metiendo primero los datos y definiendo

después las variables), el fichero de datos presentaría un aspecto similar al de la figura

siguiente:

Al acceder a la celdilla (pinchando con el ratón en su extremo derecho,

en el que aparece una flecha), se despliega un cuadro en el que hay

que seleccionar la opción deseada, pinchando sobre ella.

Al acceder a la celdilla (pinchando con el ratón en su extremo derecho,

en el que aparece una flecha), se despliega un cuadro en el que hay

que seleccionar la opción deseada, pinchando sobre ella.

Este es el aspecto que muestra la

Vista de Variables, una vez que

se han definido todas, con la

información correspondiente a

cada opción.



15

3.- MODIFICACIÓN DEL FICHERO DE DATOS

Una vez que se ha elaborado el fichero de datos, se pueden introducir en él

todas las modificaciones que sean necesarias.

En el caso de querer introducir casos o variables nuevas, basta seleccionar el

menú Datos y acceder a Insertar variable o Insertar caso.

Insertar variable � Inserta una variable delante de la que esté seleccionada. (Si

queremos insertar una variable X entre las variables Z e Y, seleccionaremos la

variable Y; la nueva variable X se situará delante de ella). Esto puede hacerse tanto

desde la Vista de Datos como desde la Vista de Variables.

Insertar caso � Del mismo modo, se pueden incluir nuevos casos (sujetos) en el

fichero, para ello se seleccionará el sujeto que quedará detrás del nuevo, y se

insertará el caso. (Si queremos un caso nuevo entre el 3 y el 4, seleccionamos el 4, y

el nuevo aparecerá delante, el programa numera de nuevo los casos de forma

automática)

Este es el aspecto que muestra la

Vista de Datos, una vez que se

han introducido todos ellos.

Puede resultar interesante que, en

lugar de los datos numéricos de las

variables, aparezcan los Valores

que se les ha asignado. Para ello,

hay que activar el icono:

Con el icono activado se puede

operar igual que si no lo está



16

Eliminar variables o casos � Para realizar esta operación, se selecciona la variable o

caso a eliminar y se pincha el botón Suprimir

4.- VER RESUMEN DE VARIABLES

Una vez que hemos elaborado todo el fichero de datos, podemos ver un

resumen de las variables sin tener que ir a una a una viendo cómo se han definido.

Para ello, se accederá al menú Utilidades – Variables, donde se despliega una

ventana en la que se encuentra información detallada de cada una de las variables. En

esta ventana aparece un listado de variables así como la información de la que esté

seleccionada.

5.- ORDENAR CASOS

En un momento determinado, puede resultar útil tener los casos ordenados en

una de las variables, el programa lo permite a través del menú Datos – Ordenar

casos.

Pinchando Ir a se accede directamente al

lugar del fichero de datos donde se

encuentra esa variable, sin necesidad de

buscarla, lo que facilita el trabajo cuando

trabajamos con un fichero extenso.

La ventana no permite realizar ningún

cambio, para hacerlo hay que acudir a la

variable y realizarlos en ella.

Nota: Igualmente se puede ir a un sujeto determinado sin tener

que pasarlos uno por uno. Para ello, se accede a Datos – Ir a

caso, y se escribe el caso al que se quiere ir, pulsando después

Aceptar.

En la ventana desplegada, sólo hay que

seleccionar la variable que queremos que

ordene, determinar el orden de

clasificación, y Aceptar. En el fichero de

los datos se reordenarán los casos a

partir de esta variable



17

6.- ALMACENAMIENTO Y ACCESO A LOS DATOS

Estas son las funciones básicas del editor de datos del programa SPSS, una

vez que tenemos el fichero de datos preparado, ya se puede empezar con el análisis

estadístico, sin olvidar antes guardar el fichero.

6.1.- GUARDAR EL FICHERO DE DATOS

Seleccionar Archivo – Guardar, y especificar el lugar donde se quiere guardar,

así como el nombre asignado

6.2.- ACCESO A LOS DATOS

Se procede del mismo modo, especificando el nombre y ubicación del archivo

que queremos abrir, desde Archivo – Abrir - Datos

Otra forma de acceder a un fichero de datos utilizado recientemente es a través

de Archivo - Datos usados recientemente y seleccionando el que se quiere abrir

7.- EL VISOR DE RESULTADOS

El visor de resultados es la pantalla en la que el programa SPSS presenta los

resultados de los análisis. Una vez que hemos hecho el primer análisis, y si no se

especifica lo contrario, los sucesivos resultados se acumularán en el mismo visor.

Como puede verse, el procedimiento es el

mismo que se sigue en cualquiera de los

programas del entorno Windows.

A esta opción se accede igualmente pinchando

en el icono

A esta opción se accede igualmente

pinchando en el icono



18

La apariencia del visor es la siguiente:

A través de los botones de la barra de tareas, podemos movernos del editor de

datos al visor de resultados de manera rápida y sencilla

8.- GUARDAR LOS RESULTADOS

Los resultados de los análisis pueden guardarse de diferentes formas:

8.1.- EN FORMATO SPSS � Se guardarán de esta forma cuando vayan a abrirse

posteriormente en este formato, es decir, en equipos que tengan instalado el SPSS.

Para ello basta con acceder a Archivo - Guardar y asignar el nombre y la ubicación

deseados

8.2.- EN OTROS FORMATOS � El programa SPSS tiene su propio editor de

resultados, editor que es incompatible con el procesador de textos que se utiliza

habitualmente (Word, o Word Perfect). Por esta razón, para poder visualizar los

resultados en aquellos equipos que no tengan instalado el programa SPSS, es

necesario exportar el visor de resultados a un documento HTML, que puede abrirse, y

modificarse en Word. Para ello, en el menú Archivo (del visor de resultados),

seleccionamos la opción Exportar y aparece la siguiente ventana

RESULTADOS INDICE

El visor se divide en dos partes (de ancho

regulable por el usuario). A la izquierda

aparece el índice de lo que contiene el visor,

que nos permite desplazarnos por los

resultados que pinchemos sin necesidad de

pasar por todos los demás.

La parte de la derecha, es la que muestra los

resultados de los análisis efectuados.

De nuevo encontramos una ventana de aspecto

idéntico a la proporcionada por cualquier

programa del entorno Windows. De nuevo

también, es posible acceder a esta ventana a

través del icono:



19

8.2.1.- Qué queremos exportar � Podemos exportar el documento completo (tablas y

gráficos, si los hubiera), solo los gráfico, o sólo las tablas.

8.2.2.- Dónde lo queremos exportar � Hay que especificar dónde se quiere exportar

el visor de resultados, para lo que hay que ir a Exportar archivo.

Pulsando examinar, se accede a una pantalla en la que especificaremos

dónde queremos guardar el archivo y con qué nombre (si no se especifica nombre, el

programa por defecto lo llama OUTPUT.TXT).

8.2.3.- Cómo lo queremos exportar � Especificaremos el Formato de exportación,

donde se seleccionará la opción Archivo HTML (*.htm), que suele estar marcada por

defecto

9.- RECUPERAR LA SALIDA

En esta opción seleccionaremos la opción que más se ajuste a nuestra necesidad

En esta ventana hay que especificar:

Qué queremos exportar

Dónde lo queremos exportar

Cómo lo queremos exportar



20

9.1.- EN FORMATO SPSS � Desde el Visor de Resultados, se accede a Archivo - Abrir

y se busca el archivo que se quiere abrir.

9.2.- EN FORMATO HTML � El archivo exportado puede ahora abrirse desde cualquier

ordenador que no tenga instalado el programa SPSS, ahora con formato HTML. Para

ello abriremos el procesadores de texto Word. Para abrirlo, accedemos a Archivo –

abrir en tipo de archivo, seleccionamos Documento HTML o Todos los archivos,

buscamos el que queremos abrir y aparece un documento con el aspecto siguiente:

La apariencia de los resultados en el visor de

resultados del SPSS es tal como aparece en

la figura

La ventaja que tiene exportar en

este formato es que permite

modificar las tablas, tal y como

se hace en Word, posibilidad

que en la salida de SPSS es

mucho más limitada



21

ANALISIS ESTADÍSTICO DESCRIPTIVO Y DE FRECUENCIAS

1.- ANÁLISIS DESCRIPTIVO

Para realizar un análisis descriptivo de datos, una vez recuperados los datos en la

pantalla, acceder al menú Analizar – Estadísticos descriptivos – Descriptivos. Aparece una

pantalla en la que se da la opción de escoger una, varias o todas las variables de la base

de datos para hacer el análisis.

En este caso seleccionamos las variables: Rendimiento en Historia, Rendimiento en

Filosofía, Rendimiento en Idioma, Rendimiento en Matemáticas y Rendimiento en Dibujo.

Para seleccionar las variables, se pinchan con el ratón y se arrastran a la ventana

Variables.

Esta opción nos permite obtener estadísticos de resumen univariados para varias

variables en una única tabla y calcula valores tipificados (puntuaciones z), que pueden

guardarse, si así se especifica, en el fichero de datos como una variable nueva.

Accediendo a las OPCIONES encontramos una pantalla en la que podremos

especificar los estadísticos que nos interesen

Volvemos a la pantalla presentada en la página anterior, y pinchamos Aceptar. El

visor de resultados de los estadísticos descriptivos es de muy fácil interpretación, presenta

una tabla en la que muestra, para cada variable, los estadísticos que se han pedido.

Seleccionando esta opción,

aparecerán las puntuaciones

tipificadas en el fichero de datos.

En esta pantalla marcaremos con el ratón (� ) los

estadísticos que queramos, así como el orden de

visualización de las variables en el visor de resultados.

Las variables se pueden ordenar por el tamaño de sus

medias (en orden ascendente o descendente),

alfabéticamente o por el orden en el que se seleccionen las

variables (el valor por defecto).

Una vez especificado lo que queremos, pinchamos

Continuar



15

Si se marcó la opción Guardar valores tipificados como variable, en el fichero de

datos se crearán unas variables nuevas, llamadas znombrevariable, con la puntuación

típica de cada sujeto en cada variable.

2.- ANÁLISIS DE FRECUENCIAS

Accedemos a esta opción a través del menú Analizar – Estadísticos descriptivos –

Frecuencias. Esta opción proporciona estadísticos y representaciones gráficas que

resultan útiles para describir muchos tipos de variables. Es un procedimiento útil para

realizar una inspección inicial de los datos.

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

En esta pantalla se seleccionarán los Gráficos

que se desean (se seleccionan conjuntamente

para todas las variables seleccionadas) así

como los valores a partir de los que se generará

el mismo.

Estadísticos descriptivos

100 0 10 5.73 2.27

100 0 10 5.50 2.34

100 0 9 5.32 2.08

100 0 10 5.70 1.96

100 0 10 5.50 2.19

100

Rendimiento en historia

Rendimiento en filosofía

Rendimiento en idioma

Rendimiento enmatemáticas

Rendimiento en dibujo

N válido (según lista)

N Mínimo Máximo Media Desv. típ.



16

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

siguiente:

A continuación se presentan las tablas de frecuencias, una para cada variable, en la que se aparece

la frecuencia directa, su porcentaje directo, así como el válido (después de eliminar valores

perdidos), y el acumulado.

La opción ESTADÍSTICOS permitiría

seleccionar aquellos que se desee

incluir en los resultados (procedimiento

similar al presentado en la opción 1.-

Análisis descriptivo)

E

1 1 1 1

0 0 0 0

V

P

N

Ed

Pd

E l

Pd

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

E

7 7 7 7

1 1 1 2

1 1 1 3

2 2 2 5

1 1 1 7

1 1 1 9

8 8 8 1

1 1 1

S

P

S

B

U

U

O

T

VF P

Pv

Pa



17

ESTADÍSTICA PARAMÉTRICA:

PRUEBA T DE STUDENT

Con la prueba “t de Student” se intenta probar la diferencia de medias para

uno, dos o más grupos. Se trata de una prueba paramétrica, es decir, que entre otras

cosas, la/s variable/s dependiente/s deben estar medidas en nivel de intervalo o razón.

1.- PRUEBA T PARA MUESTRAS INDEPENDIENTES

El programa SPSS, dentro del menú Analizar, tiene una opción para comparar

medias y dentro de esta opción accedemos a Prueba T para muestras independientes.

En el ejemplo que se desarrolla en este caso seleccionamos como variable de

agrupación o variable independiente el Sexo que tiene dos categorías: MUJER (1) y

HOMBRE (2). Como variables dependientes seleccionamos Rendimiento en Historia,

Rendimiento en Filosofía, Rendimiento en Idioma, Rendimiento en Matemáticas y

Rendimiento en Dibujo.

En esta pantalla seleccionamos

las variables dependientes, así

como la variable independiente

(de agrupación) a partir de la que

se calcula la diferencia de

medias.

En DEFINIR GRUPOS hay que introducir los valores

que puede tomar la variable de agrupación, en

nuestro caso 1 (hombre) y 2 (mujer), hasta que no

En OPCIONES el programa nos sugiere un

intervalo de confianza de 95%, es decir, α =

0,05. Normalmente se utiliza este nivel de

confianza aunque puede modificarse al 98% o

al 99%. Si continuamos, aceptamos el 95%

sugerido.



20

Las Ho quedan formuladas de la forma siguiente:

Ho (1): No existen diferencias estadísticamente significativas en el Rendimiento de los

alumnos en Historia en función de la variable Sexo.


alumnos en Filosofía en función de la variable Sexo.


alumnos en Idioma en función de la variable Sexo.


alumnos en Matemáticas en función de la variable Sexo.


alumnos en Dibujo en función de la variable Sexo.

Interpretación de resultados

En el visor de resultados encontramos dos tablas (aquí se presenta la segunda

en dos partes). En la primera tabla, el programa calcula los ESTADISTICOS DEL

GRUPO, concretamente la media, la desviación típica y el error típico de medida de

cada categoría de la variable independiente, sexo en este caso.

A continuación aparece una tabla que consta de dos partes, en la primera, el programa

realiza una prueba a priori, la F de Levene, para comprobar si existe o no homogeneidad de

varianzas (uno de los requisitos para aplicar pruebas paramétricas).

Por último, en la segunda parte de la tabla, aparecen los resultados de la

prueba, el valor de la t, los grados de libertad y su probabilidad asociada. Por

ejemplo, la variable Rendimiento en Historia tiene un valor de t = -0,677y una

E

5 5 2 .

4 5 2 .

5 5 2 .

4 5 2 .

5 5 1 .

4 5 2 .

5 5 1 .

4 5 1 .

5 5 2 .

4 5 2 .

SM

H

M

H

M

H

M

H

M

H

R

R

R

R m

R

N MD

tE

l



21

probabilidad asociada de 0,500. Si la hipótesis nula planteada Ho (1) era que no

existen diferencias estadísticamente significativas en el Rendimiento de los alumnos

en Historia en función de la variable Sexo, con los resultados obtenidos, y trabajando a

un α = 0,05, podemos aceptarla (porque 0,500 > 0,05) y afirmar que no existen

diferencias estadísticamente significativas entre hombres y mujeres en el

Rendimiento en Historia.

En las siguientes columnas, el programa nos ofrece los diferentes intervalos

confidenciales (nivel de confianza 95%) para cada una de las comparaciones.

Para el resto de las Hipótesis Nulas planteadas Ho (2), Ho (3), Ho (4), Ho (5), podemos

aceptarlas ya que las probabilidades asociadas al estadístico t (0,702 - 0,699 - 0,470 -

0,891 respectivamente) son mayores que α (0,05), por lo que:

No existen diferencias estadísticamente significativas en el Rendimiento de los

alumnos en Filosofía en función de la variable Sexo . Ho (2)


alumnos en Idioma en función de la variable Sexo. Ho (3)


alumnos en Matemáticas en función de la variable Sexo Ho (4)


alumnos en Dibujo en función de la variable Sexo Ho (5)

P r

- 9 . - . - .

- 9 . - . - .

. 9 . . . - 1

. 9 . . . - 1

. 9 . . . - .

. 9 . . . - 1

- 9 . - . - .

- 9 . - . - .

- 9 . - . - .

- 9 . - . - .

S v

N v

S v

N v

S v

N v

S v

N v

S v

N v

R

R

R

R m

R

t g S Dd

E l I S

9 c

d

P



22

Contrastes Posteriores

En caso de haber encontrado diferencias significativas, y para ver hacia que dirección

de dan, se consulta la tabla ESTADÍSTICOS DE GRUPO, y en la columna MEDIA, se

puede ver qué grupo obtiene una media superior.

2.- PRUEBA T PARA MUESTRAS RELACIONADAS

Dentro del menú Analizar, entramos en la opción comparar medias y dentro de

esta opción accedemos a Prueba T para muestras relacionadas. En este caso se trata

de comprobar si existen diferencias estadísticamente significativas entre la Capacidad

de Concentración antes (de recibir un programa de entrenamiento de la concentración

PEC), y la Capacidad de Concentración después (del PEC). Seleccionamos estas

variables porque están medidas en nivel de razón.

La H0 planteada es que no existen diferencias estadísticamente significativas

entre la Capacidad de Concentración antes y la Capacidad de Concentración después.


Aparece en primer lugar una tabla que resumen la información de las variables

incluidas en el análisis. Podríamos haber metido más de un par de variables, en los

resultados se identifican como Par 1, Par 2, etc.

En este caso, hay que seleccionar las

dos variables a la vez y llevarlas a la

ventana de la derecha

E

6 1 2 2

7 1 1 1

C c

C c

P M N

Dt

E l



23

A continuación aparece una tabla que nos proporciona la correlación entre las

variables:

Podemos ver que la correlación es significativa (sig. = 0,000 < α = 0,05) y muy alta

(ver práctica de correlación)

Por último aparece la tabla en la que se contrasta la hipótesis que poníamos en juego:

Podemos ver que la probabilidad asociada al estadístico t es menos que α, por lo que

rechazamos la H0 planteada y afirmamos que existen diferencias estadísticamente

significativas entre la Capacidad de Concentración antes y la Capacidad de

Concentración después.

Contrastes posteriores

Una vez que hemos visto que las diferencias entre la capacidad de concentración

antes y la capacidad de concentración después son significativas, puede interesar en

qué dirección se dan estas diferencias. Para ello, volvemos a la tabla primera que

proporciona el programa, y vemos en que variable a media es más alta.

C

1 . .

C c C c

P N C S

P

- 1 1 - - - 9 .

C ca d d

P M

Dn

E d m I S

9 c

d

D

t gS

(

61.29

71.61

Capacidad deconcentración antes

Capacidad deconcetración despues

Par 1Media

Es superior la media en

Capacidad de concentración

después de recibir el PEC, por lo

que puede decirse que es un

programa eficaz.



24

ESTADÍSTICA NO PARAMÉTRICA

Las pruebas no paramétricas se utilizan para contrastar la existencia de

diferencias significativas cuando la/s variable/s dependiente/s están medidas en nivel

nominal u ordinal. El programa SPSS, dentro del menú Analizar, tiene una opción para

Pruebas no Paramétricas. Dentro de esta opción podemos encontrar varios casos

entre los que cabe destacar: para 2 muestras independientes, para más de dos

muestras independientes, para 2 muestras relacionadas, para más de dos muestras

relacionadas, Chi cuadrado. Vamos a entrar únicamente en tres de estos casos, para

el resto, se procede de la misma forma, seleccionando la opción correspondiente.

1.- PRUEBA NO PARAMÉTRICA PARA DOS MUESTRAS INDEPENDIENTES

Accedemos al menú Analizar – Pruebas no paramétricas – 2 muestras

independientes. Seleccionamos como variable dependiente el Interés Profesional de

los alumnos, y como independiente o variable de agrupación, el sexo. Queremos

comprobar si existen diferencias estadísticamente significativas entre los intereses

profesionales de hombres y mujeres. Para adaptarnos al programa del curso,

utilizaremos la prueba U de Mann-Whitney, aunque como se puede comprobar, el

programa da otras opciones (Z de Kolmogorov-Smirnov, Reacciones extremas de

Moses)

En OPCIONES se da la opción de pedir descriptivos o cuartiles. En el caso que nos

ocupa no pediremos estadísticos ya que con anterioridad se ha presentado cómo se

calculan e interpretan los estadísticos descriptivos y frecuencias. Una vez completo el

menú, aceptamos y pasamos al visor de resultados.

Como variable de agrupación (o

variable independiente) seleccionamos

la variable Sexo y definimos los grupos

como 1 (MUJER) y 2 (HOMBRE).



26

Como siempre, enunciamos la Hipótesis nula a contrastar:

H0: No existen diferencias estadísticamente significativas en los intereses

profesionales de los alumnos en función del sexo.


En los resultados aparece una tabla en la que se muestra el número de sujetos que

hay en cada categoría de la variable independiente, el rango promedio y la suma de

rangos.

A continuación encontramos la tabla en la que aparecen los estadísticos de contraste.

Aunque aparecen por defecto la U de Mann Whitney, W de Wilcoxon y la Z,

interpretaremos solo la primera de ellas, aunque como puede verse, la significatividad

asociada a los tres estadísticos es la misma.

Así pues, en función de la probabilidad asociada al valor del estadístico U de Mann

Whitney, podemos concluir que no existen diferencias estadísticamente

significativas en los intereses profesionales de los alumnos en función del sexo,

ya que este valor (0,479) es mayor que α (0,05)

R

5 5 2

4 4 2

1

SM

H

T

I d

NR

pS r

E a

1

2

-

.

U

W

Z

S

Ipd

V a



27

2.- PRUEBA NO PARAMÉTRICA PARA K MUESTRAS INDEPENDIENTES

Para el caso de más de dos muestras independientes vamos a utilizar la

Prueba H de Kruskal-Wallis. Accedemos al menú Analizar – Pruebas no paramétricas

– K muestras independientes Del mismo modo que el anterior contraste no pediremos

estadísticos descriptivos en el menú opciones y seleccionaremos las variables

dependientes. En este caso vamos a utilizar como variables dependientes el nivel de

estudios y profesional de los padres, y como variable independiente, el nivel social de

la familia.

Vamos a contrastar las siguientes hipótesis:

H0 (1): No existen diferencias estadísticamente significativas entre el nivel de estudios

del padre en función del nivel social de la familia.

H0 (2): No existen diferencias estadísticamente significativas entre el nivel profesional

del padre en función del nivel social de la familia.

H0 (3): No existen diferencias estadísticamente significativas entre el nivel de estudios

de la madre en función del nivel social de la familia.

H0 (4): No existen diferencias estadísticamente significativas entre el nivel profesional

de la madre en función del nivel social de la familia.

Para definir el rango, se

introducen los valores máximo y

mínimo que puede tomar la



28


En los resultados aparecen las siguientes tablas:

A continuación aparece una tabla en la que aparece el estadístico correspondiente a

cada una de los contrastes de hipótesis realizados (Chi-cuadrado), así como los

grados de libertad (gl) y la significatividad asociada al estadístico de contraste

(Sig.asintót.).

Podemos comprobar que existen diferencias significativas entre el nivel

educativo y el nivel profesional del padre en función de la clase social a la que

pertenece el familia, ya que las probabilidades asociadas al estadístico en ambos

casos son 0,000, valor inferior a α =0,05. (Rechazamos H0 (1) y H0 (2))

Por el contrario, comprobamos que no existen diferencias significativas

entre el nivel educativo y el nivel profesional de la madre en función de la clase

social a la que pertenece el familia, ya que las probabilidades asociadas al

estadístico en ambos casos, 0,393 y 0,098, son superiores a α =0,05. (Aceptamos H0

(3) y H0 (4))

R a

1 7

3 6

2 4

1 2

1 6

1

N B

M

M

M

A

T

P

NR

p

Para cada variable

dependiente introducida

en el análisis, aparece el

número de casos que hay

en cada categoría (N) y el

Rango Promedio para

cada una de ellas.

E a

5 2 4 7

4 4 4 4

. . . .

C

g

S

Pd

Ed

E l

Pd

P a

V b



29

3.- PRUEBA CHI CUADRADO

Dentro de las pruebas no paramétricas, es decir las que se realizan con

variables medidas en escala ordinal o nominal, se encuentra el CHI CUADRADO. Con

esta prueba podemos comprobar si existen o no diferencias estadísticamente

significativas entre frecuencias observadas (datos extraídos de la realidad) y

frecuencias teóricas (o esperadas). Hablamos en términos de frecuencias ya que con

variables nominales o categóricas sólo podemos utilizar estadísticos de este tipo.

Podemos encontrar la Prueba Chi Cuadrado en el menú Analizar-Pruebas no

parametricas- Chi cuadrado.

En OPCIONES podríamos pedir descriptivos, como en el resto de las pruebas no

paramétricas anteriormente presentadas, pero no vamos a hacerlo en esta práctica por

la misma razón que no lo hicimos anteriormente.

Las H0 a contrastar son:

H0 (1): No existen diferencias estadísticamente significativas entre la distribución real

de los sujetos en la variable Sexo y la distribución que cabría esperar al azar


de los sujetos en la variable Grupo de clase y la distribución que cabría esperar al azar


de los sujetos en la variable Nivel Social Familiar y la distribución que cabría esperar al

azar

Las variables que vamos a

seleccionar para realizar el

análisis son Sexo, Grupo de

clase y Nivel Social Familiar. Se

trata de tres variables medidas

en escala nominal y aptas por

tanto para incluir en el análisis.



30


Aparecen en primer lugar las tablas con las frecuencias encontradas en cada

categoría de cada una de las variables, así como lo que cabría esperar al azar (N / nº

de categorías) y el residual.

A continuación aparece la tabla con los valores del estadístico Chi cuadrado, los

grados de libertad y la probabilidad asociada al estadístico.

Las probabilidades asociadas a los valores de chi cuadrado son 0,549 - 1,000 y 0,002,

en el caso de Sexo y del Grupo mayores que el valor de α = 0,05, y en el caso de

Nivel Social Familiar, inferior a este valor, por lo que afirmamos que no existen

diferencias (mayores que las esperadas por azar) entre las diferentes categorías de

las variables Sexo y Grupo de Clase, y si que las hay en la variable Nivel Social

Familiar

En estas tablas aparecen las

frecuencias empíricas (N observado),

que es cómo se distribuyen realmente

los sujetos en las diferentes

categorías.

A continuación aparecen las

frecuencias teóricas (N esperado),

que es cómo se distribuirían al azar,

igual número de sujetos en cada

categoría.

Aparecerán tantas tablas como

variables se incluyan en el análisis.

A partir de esta tabla se realiza el

contraste de hipótesis,

comparando la probabilidad

asociada a Chi-Cuadrado con el α

l b j d

S

5 5 3

4 5 -

1

M

H

T

N N R

G

2 2 .

2 2 .

2 2 .

2 2 .

1

G

G

G

G

T

N N R

N

1 2 -

3 2 1

2 2 6

1 2 -

1 2 -

1

B

M

M

M

A

T

N N R

E

. . 1

1 3 4

. 1 .

C

g

S

S GN

f



31

ANALISIS DE VARIANZA

1.- ANÁLISIS DE VARIANZA SIMPLE.

El Análisis de Varianza simple (ANOVA) es una técnica estadística utilizada para

contrastar la existencia de diferencias estadísticamente significativas entre las medias de

las muestras sometidas a diferentes tratamientos.

La hipótesis nula (H0) general que se pretende contrastar es la siguiente: No

existen diferencias estadísticamente significativas en la Variable Dependiente

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

Esta prueba, en SPSS, la encontramos en el menú Analizar – Comparar Medias –

ANOVA de un factor.

En esta práctica, y al ser el ANOVA una prueba paramétrica. Seleccionamos las

variables Rendimiento en Historia, Rendimiento en Filosofía, Rendimiento en Idioma,

Rendimiento en Matemáticas, y Rendimiento en Dibujo ya que se trata de variables

medidas en nivel de intervalo. Como variable independiente seleccionamos la variable

Grupo. Las H0 a contrastar queda pues formulada en los siguientes términos:

H0 (1): No existen diferencias estadísticamente significativas en Rendimiento en Historia

en función del grupo al que pertenecen los alumnos.

H0 (2): No existen diferencias estadísticamente significativas en Rendimiento en Filosofía


H0 (3): No existen diferencias estadísticamente significativas en Rendimiento en Idioma


H0 (4): No existen diferencias estadísticamente significativas en Rendimiento en

Matemáticas en función del grupo al que pertenecen los alumnos.

En este menú se da la opción de

seleccionar más de una variable

dependiente, aunque los contrastes

son de ANOVA simple, es decir, de

cada variable dependiente con la

independiente, por separado.



32

H0 (5): No existen diferencias estadísticamente significativas en Rendimiento en Dibujo en

función del grupo al que pertenecen los alumnos.

En el caso de querer también los contrastes posteriores, es decir, que además de saber

si hay diferencias, saber hacia qué dirección se dan estas diferencias, hay que

especificarlo en este momento. Para ello, desde la ventana principal, entramos a la

opción Post Hoc...


En la primera tabla que aparece podemos contrastar las hipótesis nulas, siempre

comparando α con la probabilidad asociada al estadístico F

A la vista de los resultados presentados en la tabla, rechazamos las Ho 1 - 2- 4 y 5, y

afirmamos que:

En OPCIONES podríamos pedir estadísticos o que

haga la prueba de Homogeneidad de Varianzas (uno

de los requisitos para poder aplicar una prueba

paramétrica). En este caso no vamos a solicitarlo.

De los diferentes estadísticos

que nos ofrece el programa,

seleccionamos el de Scheffe

Aquí podríamos cambiar el nivel de significación.



33

Existen diferencias estadísticamente significativas en Rendimiento en Historia en

función del grupo al que pertenecen los alumnos. H0 (1)

Existen diferencias estadísticamente significativas en Rendimiento en Filosofía en


Existen diferencias estadísticamente significativas en Rendimiento en Matemáticas en


Existen diferencias estadísticamente significativas en Rendimiento en Dibujo en

función del grupo al que pertenecen los alumnos H0 (5)

En todos los casos, la probabilidad asociada a F es menor que α (0,000 en los 4 casos)

Por el contrario, en el caso de la H0 (3), si que aceptamos y afirmamos que No

existen diferencias estadísticamente significativas en Rendimiento en Idioma en función

del grupo al que pertenecen los alumnos, ya que la probabilidad asociada a F es menor

que α (0,160)

A

2 3 8 2 .

2 9 2

5 9

2 3 9 3 .

2 9 2

5 9

2 3 7 1 .

4 9 4

4 9

1 3 4 1 .

2 9 2

3 9

2 3 7 2 .

2 9 2

4 9

I

I

T

I

I

T

I

I

T

I

I

T

I

I

T

R

R

R

R m

R

S c g

Mc F S



34

Contrastes posteriores

Para comprobar hacia qué lado se dan las diferencias encontradas, vamos a la siguiente

tabla. A continuación se presenta el extracto de dicha tabla correspondiente a la variable

dependientes Rendimiento en Historia.

En la primera columna aparece la diferencia de medias de cada categoría de la

variable independiente con el resto, adjudicando al minuendo de la sustracción el nombre

(I), y al sustrayendo el nombre (J), en la segunda columna (Diferencia de medias (I-J), se

presentan los resultados de dicha diferencia. En el caso de aparecer un asterisco (*) al

lado del resultado, y según consta a pie de tabla, la diferencia será significativa. La

significatividad de la diferencia se ve igualmente en la columna Sig. en la que aparece la

probabilidad asociada a la diferencia. Como puede verse, para las probabilidades que no

son significativas (es decir, que son mayores que α = 0,05), no aparece asterisco (*) en el

valor de la diferencia, y cuando no aparece el asterisco (*) en este valor, la probabilidad

no es significativa (su valor es mayor que α = 0,05).

- * . .

. . .

- * . .

2 * . .

2 * . .

- . .

- . .

- * . .

- * . .

3 * . .

. . .

3 * . .

( G

G

G

G

G

G

G

G

G

G

G

G

G

( G

G

G

G

G

V R

R

D m E S

Diferencia

significativa

Diferencia no

significativa



35

2.- ANÁLISIS DE VARIANZA FACTORIAL

Cuando se quiere comprobar si existen o no diferencias entre más de dos

variables independientes y una dependiente, utilizamos el Análisis de Varianza Factorial,

al que accedemos a través de la secuencia Analizar – Modelo Lineal General –

Univariante.

Como en el caso del Análisis de Varianza Simple, este es el momento de pedir (si se

quieren) los contrastes posteriores, para lo que accedemos de nuevo a Post Hoc...

La hipótesis nula (Ho) que vamos a contrastar queda pues formulada en los

términos siguientes: No existen diferencias estadísticamente significativas en el

Rendimiento Global obtenido por los alumnos en función del efecto conjunto de las

variables Grupo de clase al que pertenecen y Nivel Social de la Familia.

En la opción MODELO, escogemos

el factorial completo.

Seleccionamos como variable

dependiente el Rendimiento global del

alumno, y como factores fijos o

variables independientes el Grupo y el

Nivel Social Familiar

En esta ventana hay que especificar

para cual/es de las variables

independientes o factores se quieren

los contrastes posteriores.



36


La primera tabla que aparece en la salida nos muestra un resumen de los casos

incluidos en el estudio

A continuación aparece la tabla del análisis de varianza factorial. Como puede

verse, ha resultado ser no significativo, es decir que la interacción entre el Grupo y el

Nivel Social Familiar no influyen sobre el Rendimiento Global de los alumnos. La

probabilidad asociada al estadístico F para la interacción de las dos variables es de

0,465, valor mayor que α, por lo que acepto H0

F

G 2

G 2

G 2

G 2

B 1

Mo

3

M 2

Mo

1

A 1

1

2

3

4

G

1

2

3

4

5

Nsf

Ed N

P

V

9 a 1 4 5 .

2 1 2 2 .

4 3 1 1 .

1 4 . . .

1 1 . . .

7 8 .

3 1

1 9

FM

I

G

N

G

E

T

T

S c

t gM

c F S

R a



37

La tabla proporciona también un ANOVA simple para cada una de las variables

independientes por separado. El estadístico F para el factor Grupo tiene una probabilidad

asociada de 0,000, a un nivel de significación de 0,05, resulta significativo.

Por el contrario, el valor de la probabilidad asociada a F para la variable Nivel social es de

0,789 resultando no significativa para un valor de α de 0,05.

Contrastes Posteriores

En las tablas siguientes pueden hacerse los contrastes posteriores, del mismo modo que

se hacían en el caso de ANOVA simple

C

V

S

- . . - .

1 * . . . 1

- * . . - -

. . . - 1

1 * . . . 2

- * . . - -

- * . . - -

- * . . - -

- * . . - -

1 * . . . 2

1 * . . . 1

2 * . . 1 3

( G

G

G

G

G

G

G

G

G

G

G

G

( G

G

G

G

De

m E S L L

s

I 9

B

L a * .



38

3.- ANÁLISIS DE COVARIANZA

El análisis de covarianza (ANCOVA) es una combinación de las técnicas de

regresión y análisis de varianza, que se utiliza para comprobar la existencia de

diferencias estadísticamente significativas entre una variable independiente (más de dos

grupos o categorías) y otra dependiente (nivel de medición intervalo o razón), eliminando

la interacción de una variable extraña que controlamos a través de éste método,

introduciéndola en el análisis como COVARIABLE.

La suposición específica del ANCOVA es que la variable concomitante

(covariable) no debe ser afectada por los tratamientos, es decir, que los tratamientos

aplicados a las unidades experimentales para poder observar sus efectos en la variable Y

no deberían influir en los valores esperados de X.

Accedemos al análisis de covarianza a través del menú Analizar – Modelo Lineal

General – Univariante.

Por lo tanto, la H0 queda formulada de la forma siguiente: No existen diferencias

estadísticamente significativas en el Rendimiento Global de los alumnos en función del

En este caso vamos a coger como

variable dependiente el Rendimiento

Global, como independiente o factor

fijo el Grupo de clase, y se va a

controlar el efecto de la variable

Nivel Social de la familia.

C

V a

S c

- . . - .

- . . - .

- . . - .

- . . - 1

. . . - 1

- . . - .

- . 1 - .

- . . - .

. . . - 1

8 . . - .

4 . 1 - .

- . 1 - 1

. . . - 1

3 . 1 - .

- . 1 - .

- . 1 - 1

. . . - 1

9 . . - 1

1 . 1 - 1

5 . 1 - 1

( M

M

M

A

B

M

M

A

B

M

M

A

B

M

M

A

B

M

M

M

( B

M

M

M

A

De

m E S L L

s

I 9

B a



39

Grupo de clase al que pertenezcan, controlando la influencia del Nivel Social de la familia.


De la tabla podemos deducir una serie de conclusiones (tantas como pruebas de

significatividad realizadas) que se presentan a continuación:

1. Modelo corregido � Se pone a prueba la existencia de diferencias estadísticamente

significativas en el Rendimiento Global obtenido por los alumnos en función del Grupo

al que pertenecen, controlando el efecto que pueda ejercer el Nivel Social Familiar. La

probabilidad asociada al estadístico F calculado es de 0,000 al ser un valor menor

que α (0,05), rechazamos H0 y afirmamos que existen diferencias en el

Rendimiento Global obtenido por los alumnos en función del Grupo al que

pertenecen, controlando el efecto que pueda ejercer el Nivel Social Familiar

2. Intersección � En este caso se pretende comprobar la existencia de diferencias

estadísticamente significativas en el Rendimiento Global de los alumnos, provocadas

por la acción conjunta de las variables Grupo de Clase y Nivel Social Familiar. En este

caso, la probabilidad asociada a F es también de 0,000, y al ser menor que α (0,05),

se rechaza H0, por lo que se confirma la existencia de diferencias

estadísticamente significativas en el Rendimiento Global de los alumnos,

provocadas por la acción conjunta de las variables Grupo de Clase y Nivel

Social Familiar

3. Por último se hace un ANOVA con cada una de las variables independientes

utilizadas. En el primer caso (para la Variable Nivel Social Familiar) se acepta la H0 al

ser la probabilidad asociada a F mayor que α (0,05) (para Nivel Social Familiar la

probabilidad asociada a F es de 0,533), por lo que no hay diferencias

P

V

7 a 4 1 2 ,

4 1 4 5 ,

, 1 , , ,

7 3 2 3 ,

8 9 ,

3 1

1 9

FM

I

N

G

E

T

T

S c

t gM

c F S

R a

1234



40

estadísticamente significativas en el Rendimiento Global de los alumnos en

función del Nivel Social Familiar.

4. En el segundo caso se rechaza la H0 al ser la probabilidad asociada a F menor que α

(0,05) (para Grupo de Clase la probabilidad asociada a F es de 0,000), por lo que

hay diferencias estadísticamente significativas en el Rendimiento Global de los

alumnos en función del Grupo de clase al que pertenecen.



41

CORRELACIÓN

La correlación es una medida de la relación entre dos variables. Su valor oscila

entre –1 y +1 pasando por 0. Los coeficientes de correlación indican dos cosas;

primero indican la cuantía de la relación, para lo que se tiene en cuenta el valor

absoluto del coeficiente, y que se interpreta según la siguiente tabla:

Menor de |0,30| � Correlación baja

Entre |0,30| y |0,50| � Correlación moderada

Entre |0,50| y |0,70| � Correlación alta

Mayor de |0,70| �Correlación muy alta

En segundo lugar, el signo del coeficiente de correlación indica el sentido de la

relación. Si el signo es positivo (+), al aumentar una variable también lo hace la otra, y

si es negativo (-) las variables se relacionan inversamente, al aumentar una de ellas

disminuye la otra.

COEFICIENTES DE CORRELACIÓN

- Pearson � El coeficiente de correlación de Pearson se utiliza cuando las

variables del análisis están medidas en nivel de intervalo o razón. En ambos

casos la interpretación se hace igual.

- Spearman � Utilizaremos el coeficiente de correlación de Spearman cuando

las variables a relacionar estén medidas en nivel nominal u ordinal.

LAS CORRELACIONES EN SPSS

El programa SPSS, a través del Menú–Analizar, nos ofrece la opción

Correlaciones, elegimos la opción Bivariadas (porque queremos correlacionar dos

variables).

Una vez dentro de la pantalla, el programa nos pide las variables que

queremos correlacionar, el coeficiente de correlación que queremos calcular, y la

prueba de significación (bilateral o unilateral) con la queremos trabajar.

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

DE SPEARMAN



36

Vamos a calcular si existe correlación entre las variables Nivel Educativo y Nivel

Profesional del Padre, y Nivel Educativo y Nivel Profesional de la Madre y su cuantía

en caso de haberla.

IInntteerrpprreettaacciióónn ddee rreessuullttaaddooss

Una vez que tenemos las variables que queremos correlacionar, aceptamos y

en el visor de resultados aparecerá una matriz en la que aparecen de nuevo los

siguientes datos:

- Coeficiente de correlación � Valor del coeficiente, que se interpreta según

la tabla que aparece al principio de la práctica.

- Significatividad (Sig.) � Es lo primero que hay que mirar, indica si la

correlación es significativa, si el valor es menor que nuestro α, entonces la

correlación es significativa (no se debe al azar). Mediante la opción Marcar

las correlaciones significativas, el programa señala con un asterisco (*) o

dos (**) las correlaciones que son significativas al 0,05 o al 0,01, indicando

a pie de tabla la clave de interpretación.

- N � Número de sujetos que intervienen en el análisis

Una opción muy útil es la

que nos pregunta si

queremos que en los

resultados aparezcan

marcadas las correlaciones

significativas (tanto al 1%

como al 5%). (Se

C

1 - * . -

. . . .

1 1 1 1

- * 1 . -

. . . .

1 1 1 1

. . 1 - *

. . . .

1 1 1 1

- - - * 1

. . . .

1 1 1 1

C c

S

N

C c

S

N

C c

S

N

C c

S

N

E

P

E

P

R

Ed

Pd

E l

Pd

L a * *



37

Vemos en este caso que existe correlación significativa entre los Estudios del Padre y

su profesión, así como entre los estudios que ha realizado la madre y su profesión.

Las correlaciones son moderada en el primer caso y baja en el segundo.

En ambos casos la correlación es negativa, es decir, que la relación entre las variables

es inversa. Esto quiere decir que a medida que aumenta el valor de una variable

disminuye el de la otra. Para interpretar esto, sólo hay que tener en cuenta cómo se

han categorizado las variables, vemos que se ha hecho de la siguiente forma:

NIVEL DE ESTUDIOS DEL PADRE/MADRE NIVEL PROFESIONAL DEL PADRE/MADRE

1 Sin estudios

2 Primarios

3 Secundarios

4 Bachiller

5 Univ. Medios

6 Univ. Superiores

7 Otros

1 Directivo de empresa

2 Profesiones liberales

3 Profesional ligado a la enseñanza

4 Técnicos medios

5 Auxiliares

6 De servicio

7 Tareas domésticas

8 En paro

9 Otros

Como puede verse, en el caso de Nivel de estudios, la categoría 1 es lo más bajo y la

categoría 6 lo más alto. En el caso del Nivel profesional es al contrario, la categoría 1

es el nivel superior y la 8 el inferior, con lo que tiene sentido decir que a medida que

aumenta el valor de la variable Nivel de estudios, disminuye el valor de la variable

Nivel profesional



38

2.- CORRELACIÓN ENTRE VARIABLES MEDIDAS EN NIVEL DE INTERVALO U RAZÓN.

COEFICIENTE DE PEARSON

En este caso vamos a comprobar si existe correlación entre los Rendimientos de los

alumnos en todas las materias incluidas en el fichero de los datos entre si y con el

Rendimiento global

nterpretación de resultados

Una vez que tenemos las variables que queremos correlacionar, aceptamos y

en el visor de resultados aparecerá de nuevo una matriz en la que aparecen de nuevo

los siguientes datos:

- Coeficiente de correlación � Valor del coeficiente, que se interpreta según

la tabla que aparece al principio de la práctica.

- Significatividad (Sig.) � Es lo primero que hay que mirar, indica si la

correlación es significativa, si el valor es menor que nuestro α, entonces la

correlación es significativa (no se debe al azar). Mediante la opción Marcar

las correlaciones significativas, el programa señala con un asterisco (*) o

dos (**) las correlaciones que son significativas al 0,05 o al 0,01, indicando

a pie de tabla la clave de interpretación.

- N � Número de sujetos que intervienen en el análisis

La ventana es la misma que en el

caso anterior, únicamente hay que

seleccionar la opción del

coeficiente de Pearson y eliminar

la marca del coeficiente de



39

En la matriz se presentan las correlaciones entre las variables, vemos que

se trata de una matriz simétrica, en la que las diagonales son 1, el valor de la

correlación de cada variable consigo misma.

En esta tabla podemos ver que existe correlación (y muy alta en algunos

casos) entre el Rendimiento global de los alumnos y el rendimiento en cada

una de las asignaturas, así como correlaciones entre los rendimientos de

varias asignaturas.

C

1 . * . . * . * . *

. . . . . .

1 1 1 1 1 1

. * 1 . . * . * . *

. . . . . .

1 1 1 1 1 1

. . 1 - * . . *

. . . . . .

1 1 1 1 1 1

. * . * - * 1 . * . *

. . . . . .

1 1 1 1 1 1

. * . * . . * 1 . *

. . . . . .

1 1 1 1 1 1

. * . * . * . * . * 1

. . . . . .

1 1 1 1 1 1

C d

S

N

C d

S

N

C d

S

N

C d

S

N

C d

S

N

C d

S

N

R e

R e

R e

R m

R e

R g

Re

Re

Ro

Re

mR

e R

g

L a * * .

L a * .



40

REGRESIÓN

Anteriormente hemos visto los coeficientes de correlación, que indican el grado

o la cuantía en que varían conjuntamente dos mediciones o variables. El conocimiento

de la relación entre variables es algo más que un fin en si mismo; en algunas

ocasiones se quiere aprovechar el conocimiento de una relación entre variables como

punto de partida para realizar un pronóstico o predicción. Es decir, al conocer la

variable X y su relación con la variable Y, se trataría de averiguar en qué forma se

pueden considerar los valores particulares de la variable X y predecir a partir de ellos

los valores que corresponden en Y. El Análisis de Regresión es la técnica que

utilizamos para ello.

La regresión lineal estima los coeficientes de la ecuación lineal, con una

(regresión simple) o más (regresión múltiple) variables independientes, que mejor

prediga el valor de la variable dependiente. Tanto la variable dependiente como la/s

independiente/s deben ser continuas (en caso contrario se utilizaría Análisis de

Varianza). Por ejemplo, se puede intentar predecir el rendimiento de un alumno

(variable dependiente) a partir de su nivel de motivación, edad, o capacidad de

concentración (variables independientes).

1.- REGRESIÓN SIMPLE

El análisis de regresión simple se encuentra en el menú Analizar – Regresión -

Lineal

En este caso, vamos a estimar el Rendimiento en Matemáticas de los sujetos

(variable predicha - dependiente) a partir de su Motivación (variable predictora -

independiente).

El método que vamos a

utilizar es el de pasos

sucesivos



43

INTERPRETACIÓN DE RESULTADOS

De entre los diferentes criterios existentes para calcular la recta de regresión,

se va a utilizar el de los MÍNIMOS CUADRADOS debido a sus excelentes propiedades

estadísticas.

El COEFICIENTE DE DETERMINACIÓN (R Cuadrado) se utiliza para valorar la

calidad del ajuste obtenido, y se obtiene elevando al cuadrado el coeficiente de

correlación (R). Para interpretar se utiliza R CUADRADO CORREGIDA. Cuanto mayor

sea el valor del COEFICIENTE DE DETERMINACIÓN, mayor será el porcentaje de

cambios explicados por esta variable. En la tabla vemos que el valor del coeficiente de

determinación obtenido es de ,138, lo que implica que el 13% de los cambios que se

dan en la Rendimiento en Matemáticas se debe a la Motivación de los alumnos.

Queda sin explicar el 87% de los cambios (100-13).

El ERROR TÍPICO DE LA ESTIMACIÓN es el error que se comete en toda

predicción, y su valor oscila entre 0 y SY . Si el coeficiente de correlación (R) entre las

variables es grande, el error típico de la estimación será pequeño y viceversa.

A continuación aparece la tabla del Análisis de Varianza, en la que se valora la

importancia de la parte de la variable dependiente (Rendimiento en Matemáticas)

Esta tabla nos presenta las

variables que han sido

incluidas en el modelo, y el

orden de inclusión de las

mismas (como es regresión

simple, solo se incluye una

variable)

V a

Md p

,

Pp(P F e ,P F s ,

M1

Vi

Ve M

V a

R

, a , , 1M1

R R R c

E e

V p

a



44

explicada por la variable independiente (Motivación). Con este análisis obtendremos la

probabilidad de que la parte explicada haya podido serlo por azar.

En la columna de la derecha aparece el valor de la significatividad, que nos

indica la probabilidad de que la suma de distancias explicada mediante la regresión

haya sido obtenida por el azar (estamos utilizando el método de los mínimos

cuadrados).

En este caso, se ha obtenido una significatividad de 0,000, menor que α (0,05),

por lo que puede afirmarse que las diferencias no se deben al azar.

En la tabla de los coeficientes aparece lo siguiente: en la columna B aparecen

los valores a (3,687) y b (0,0032) de la recta de regresión, que puede escribirse de la

forma siguiente:

Y (Rendimiento en Matemáticas) = 3,687+ 0,0032* Motivación

El valor de la constante a representa el valor que se asigna a la variable

dependiente (Rendimiento en Matemáticas) en el caso en que la variable

independiente (Motivación) fuera 0. El valor de b por su parte, representa el

A b

5 1 5 1 , a

3 9 3

3 9

R

R

T

M1

S c g

Mc F S

V a

V b

C a

3 , 6 ,

3 , , 3 ,

(

M d

M1

B E

C e

B

Ce

ez

t S

V a



45

incremento de la variable dependiente cuando la variable independiente aumenta en

una unidad.

Desde el punto de vista gráfico, b representa la pendiente de la recta de

regresión, mientras que a indica el punto de corte de la recta de regresión con el eje

de ordenadas Y.

Coeficientes Beta � En ocasiones, sobre todo cuando las variables con las

que trabajamos están medidas en escalas muy diferentes, puede resultar interesante

trabajar con las puntuaciones estandarizadas en vez de hacerlo con las directas. De

esta forma podremos comparar los resultados obtenidos con variables medidas en

diferentes escalas. Los coeficientes de la recta de regresión obtenidos para las

puntuaciones estandarizadas son los coeficientes BETA (atención, no confundir con

los coeficientes β, que representan a los parámetros poblacionales).

Su interpretación es la siguiente: el incremento de la variable dependiente (en

puntuaciones típicas) al aumentar en una unidad la puntuación típica de la variable

independiente. O, dicho de otra forma, el número de desviaciones típicas en que se

incrementará el valor de la variable dependiente al incrementarse en una desviación

típica la variable independiente. Además, en el caso de la regresión simple, el

coeficiente BETA coincide con el coeficiente de correlación.

Cómo realizar la predicción

Cuando queremos conocer la puntuación de un sujeto en la variable Y (criterio)

a partir de su puntuación en la variable X (predictor), se calcula la recta de regresión a

partir de los datos o puntuaciones obtenidas por el grupo normativo, y a partir de esa

recta de regresión, se calcula la puntuación Y’ de ese sujeto y se le suma y resta el

error típico de estimación dando lugar a un intervalo:

Límite superior � Y’ + Sxy

Y’ + - Sxy Límite inferior � Y’ - Sxy



46

2.- REGRESIÓN MÚLTIPLE

La regresión múltiple es la generalización de la regresión simple para el caso

en que contemos con más de una variable explicativa (o independiente). Accedemos,

igual que en el caso de la regresión simple, al menú Analizar – Regresión – Lineal.

En este caso se va a predecir el Rendimiento Global de los alumnos (variable

dependiente), a partir de su Motivación después del programa (variable independiente

1) y de su Inteligencia general (variable independiente 2).

INTERPRETACIÓN DE RESULTADOS

Seleccionamos, como en el

caso de Regresión Simple, el

método de Pasos Sucesivos

En esta primera tabla se presentan las

variables que han sido incluidas en el

modelo, y el orden de inclusión de las

mismas

Tenemos dos modelos, el primero (1)

con la variable independiente

Inteligencia General y el segundo (2)

con las variables independientes

Inteligencia General + Motivación

Después del Programa.

Aunque habíamos seleccionado en

primer lugar la Motivación Después del

Programa, en el análisis ha entrado

V a

Ig

,

Pp(P F e ,P F s ,

Md p

,

Pp(P F e ,P F s ,

M1

2

Vi

Ve M

V a



47

Recordar que hemos elegido el método de Pasos Sucesivos que, frente al de

Introducir (que introduce todas las variables independientes a la vez), va

introduciéndolas una por una.

Al utilizar el método de Pasos Sucesivos podemos ver el valor de los

coeficientes para cada modelo. La primera variable independiente que se incluye es la

que tiene una mayor relación con la variable dependiente (en este caso la Inteligencia

General de los alumnos), y ella sola explica el 48,2% (R cuadrado corregida = 0,482)

de los cambios de la variable Rendimiento Global.

En el segundo modelo, al incluir la segunda variable independiente en la

ecuación (Motivación Después), el porcentaje de varianza explicada aumenta a 54,6%

(R cuadrado corregida = 0,546), al igual que lo hace el coeficiente de correlación

múltiple R (pasa de 0,698 a 0,745). En este segundo modelo disminuye también el

error de estimación (de 0,9175 a 0,8592)

En la tabla del Análisis de Varianza tenemos de nuevo la información para los

dos modelos, la interpretación se hace igual que en el caso de regresión simple.

Vemos que los dos modelos son significativos, es decir, que la parte explicada no se

debe al azar (,000 < α)

R

, a , , ,

, b , , ,

M1

2

R R R c

E e

V a

V M

b

A c

7 1 7 9 , a

8 9 ,

1 9

8 2 4 6 , b

7 9 ,

1 9

R

R

T

R

R

T

M1

2

S c g

Mc F S

V a

V p

b

V c



48

En la tabla siguiente se presentan los coeficientes de regresión de cada

modelo, en el que solo se incluye la variable Inteligencia General como independiente

(modelo 1), y en el que se incluyen las dos: Inteligencia General y Motivación

Después (modelo 2).

Las ecuaciones son:

� Y (rend.global) = - 23,365 + 0,335 * Inteligencia General

� Y (rend.global) = - 19,8 + ,283 * Inteligencia General + 0,001 * Motivación D

La interpretación de los coeficientes BETA es la misma que en caso de la regresión simple

En la última tabla aparecen las variables que han quedado excluidas del

análisis. La exclusión no tiene que deberse forzosamente a que la variable no sea

importante a la hora de explicar los cambios de la variable dependiente, simplemente

querrá decir que su aportación a la explicación de los cambios de la variable

dependiente ya está explicada por otras variables incluidas, y que su inclusión puede

resultar redundante. En este caso se ha excluido finalmente la Motivación Después del

Programa porque como puede verse en la tabla-resumen del modelo, su contribución

al Rendimiento Global es muy pequeña.

C a

- 2 - ,

, , , 9 ,

- 2 - ,

, , , 8 ,

1 , , 3 ,

(

I

(

I

M d

M1

2

B E

C e

B

Ce

ez

t S

V a

V b

,a

3 , , ,M d

M1

B t SC

p T

Eo

ca

V a

V b



49

ANÁLISIS FACTORIAL

El análisis factorial es una técnica estadística multivariada cuya finalidad

consiste en obtener un número reducido de variables abstractas, que están

compuestas por distintas cargas o saturaciones sobre variables empíricas, en función

de la estructura de los datos obtenidos al realizar el proceso de medida de dichas

variables empíricas. Como el número de factores que se obtienen al realizar un

análisis factorial es menor que el número de variables de las que partimos y contienen

la misma información, cada factor explica una conducta más compleja que la explicada

por las variables empíricas.

Para realizar un Análisis Factorial con SPSS, elegiremos en el menú- analizar,

la opción Reducción de datos- Análisis Factorial

A través de esta pantalla podemos introducir una serie de especificaciones como el

método de rotación y extracción de los factores

La opción DESCRIPTIVOS nos permite especificar al programa si queremos que en la

salida aparezcan la solución inicial y estadísticos univariados, así como lo que

queremos que aparezca en la matriz de correlaciones (coeficientes, niveles de

significación, matriz inversa, reproducida o anti-imagen, determinante y la prueba de

Barlett) para elegir cualquiera de ellos, basta con seleccionarlos (�).

En esta ventana, el programa pide las

variables que queremos introducir para

realizar el análisis, en nuestro caso

vamos a introducir todas las variables

del fichero para tratar de obtener un

número de factores inferior al número

de variables que tenemos y que nos

En la opción método de

ROTACIÓN de los factores,

aparecen varios métodos, de



47

- La opción PUNTUACIONES, nos permite obtener las puntuaciones factoriales de

los sujetos, para ello, seleccionamos la opción y elegimos el método de Barlett. Las

puntuaciones factoriales de cada sujeto en cada factor aparecerán al final del

fichero de datos como nuevas variables con el nombre factnºdel factor_ nº de

análisis.


La tabla de comunalidades nos

indica cómo está representada

cada una de las variables en la

solución factorial (utilizamos el

criterio > 0,60 para establecer

que las variables están bien

representadas en la solución

factorial)

Respecto a la

EXTRACCIÓN de los

factores, el método de

Componentes Principales

es el que vamos a utilizar.

C

1 .

1 .

1 .

1 .

1 .

1 .

1 .

1 .

1 .

1 .

1 .

1 .

1 .

1 .

1 .

1 .

1 .

1 .

1 .

1 .

E

S

G

R

R

R

R

R m

R

E

P

E

P

N

S a

I a

C c

C c

M p

M p

I E

M



48

La tabla de Varianza total explicada nos informa del número total de factores

(componentes) extraídos, así como de la varianza explicada por cada factor en la

solución factorial, tanto antes como después de la rotación. En esta tabla podemos ver

cuáles son los factores significativos, que serán aquellos cuya varianza explicada

sea mayor que 1.

Han salido siete factores significativos que explican el 69,745%

(19,632+11,371+9,691+7,608+7,335+7,7122+6,984) de la varianza total. La varianza

total de la solución factorial es igual al número de variables incluidas en el análisis; en

nuestro caso, la varianza total es 20.

V

4 2 2 4 2 2 3 1 1

2 1 3 2 1 3 2 1 3

2 1 4 2 1 4 1 9 4

1 8 5 1 8 5 1 7 4

1 7 5 1 7 5 1 7 5

1 6 6 1 6 6 1 7 6

1 5 6 1 5 6 1 6 6

. 4 7

. 4 7

. 3 8

. 3 8

. 2 8

. 2 9

. 2 9

. 1 9

. 1 9

. 1 9

. . 9

5 . 1

3 1 1

C1

2

3

4

5

6

7

8

9

1

1

1

1

1

1

1

1

1

1

2

T% v % T

% v % T

% v %

A S

d S

d

M é



49

A continuación aparece la tabla con las cargas factoriales de las variables,

primero sin rotar y después rotadas (que es la que tenemos que interpretar). Los

pesos factoriales serán significativos a partir de 0,30.

A partir de los pesos significativos de las variables en los factores, iríamos

dando la naturaleza al factor, es decir, poniéndole nombre. En este análisis se ha

reducido la información de 20 variables a 7 factores

PUNTUACIONES FACTORIALES

En caso de haber solicitado al programa las puntuaciones de cada sujeto en

cada factor, al final del fichero de datos aparecerán unas variables nuevas, con el

aspecto que se muestra a continuación

M a

3 5 - . . - 9

4 - . . - - -

. - . - . - .

. 6 - - - . .

. - . - . 9 9

. - - - 9 3 -

6 4 2 3 8 . -

. . - - - - .

. . - . - . .

- . - - - - -

8 - - - 2 - -

- 4 1 . . . -

1 - - . . 3 .

7 . - - 1 4 -

2 - - . - 7 .

- - - 1 . . -

- 4 . 9 - 8 -

- - . - . 3 5

. - - . - - -

. - 3 . - - -

E

S

G

R

R

R

R

R m

R

E

P

E

P

N

S a

I a

C c

C c

M p

M p

1 2 3 4 5 6 7

C



50

ANÁLISIS DE COVARIANZA

El análisis de covarianza (ANCOVA) es una combinación de las técnicas

de regresión y análisis de varianza, que se utiliza para comprobar la existencia

de diferencias estadísticamente significativas en la variable dependiente

atribuibles a la variable independiente (con dos ó más grupos o categorías) y

otra dependiente (nivel de medición intervalo o razón), eliminando la interacción

de una variable extraña que controlamos a través de éste método,

introduciéndola en el análisis como COVARIABLE.

La suposición específica del ANCOVA es que la variable concomitante

(covariable) no debe ser afectada por los tratamientos, es decir, que los

tratamientos aplicados a las unidades experimentales para poder observar sus

efectos en la variable Y no deberían influir en los valores esperados de X.

Accedemos al análisis de covarianza a través del menú Analizar –

Modelo Lineal General – Univariante.

La H0 queda formulada de la forma siguiente: No existen diferencias

estadísticamente significativas en el Rendimiento Global de los alumnos en función del

Grupo de clase al que pertenezcan, controlando la influencia del Nivel Social de la familia.


De la tabla podemos deducir una serie de conclusiones (tantas como pruebas de

significatividad realizadas) que se presentan a continuación:

5. Modelo corregido � Se pone a prueba la existencia de diferencias

estadísticamente significativas en el Rendimiento Global obtenido por los alumnos

en función del Grupo al que pertenecen, controlando el efecto que pueda ejercer el

En este caso vamos a coger como

variable dependiente el Rendimiento

Global, como independiente o factor

fijo el Grupo de clase, y se va a

controlar el efecto de la variable

Nivel Social de la familia.



51

Nivel Social Familiar. La probabilidad asociada al estadístico F calculado es de

0,000 al ser un valor menor que α (0,05), rechazamos H0 y afirmamos que existen

6. diferencias en el Rendimiento Global obtenido por los alumnos en función

del Grupo al que pertenecen, controlando el efecto que pueda ejercer el Nivel

Social Familiar

7. Intersección � En este caso se pretende comprobar la existencia de diferencias

estadísticamente significativas en el Rendimiento Global de los alumnos,

provocadas por la acción conjunta de las variables Grupo de Clase y Nivel Social

Familiar. En este caso, la probabilidad asociada a F es también de 0,000, y al ser

menor que α (0,05), se rechaza H0, por lo que se confirma la existencia de

diferencias estadísticamente significativas en el Rendimiento Global de los

alumnos, provocadas por la acción conjunta de las variables Grupo de Clase

y Nivel Social Familiar

8. Por último se hace un ANOVA con cada una de las variables independientes

utilizadas. En el primer caso (para la Variable Nivel Social Familiar) se acepta la

H0 al ser la probabilidad asociada a F mayor que α (0,05) (para Nivel Social

Familiar la probabilidad asociada a F es de 0,533), por lo que no hay diferencias

estadísticamente significativas en el Rendimiento Global de los alumnos en

función del Nivel Social Familiar.

9. En el segundo caso se rechaza la H0 al ser la probabilidad asociada a F menor

que α (0,05) (para Grupo de Clase la probabilidad asociada a F es de 0,000), por

lo que hay diferencias estadísticamente significativas en el Rendimiento

Global de los alumnos en función del Grupo de clase al que pertenecen.

P

V

7 a 4 1 2 ,

4 1 4 5 ,

, 1 , , ,

7 3 2 3 ,

8 9 ,

3 1

1 9

FM

I

N

G

E

T

T

S c

t gM

c F S

R a

1234



49

ANÁLISIS DE ÍTEMS: ITEMAN

ITEMAN es un programa diseñado para realizar análisis de ítems, y

determinar la proporción de sujetos que acierta cada ítem, los que contribuyen

a la fiabilidad de un test, qué alternativas funcionan mejor y peor para un ítem

dado, etc.

EL FICHERO DE DATOS

El programa ITEMAN funciona bajo MS-DOS, por lo que los datos deben

introducirse con formato ASCII (texto), por ejemplo desde el editor del DOS,

Word Pad o Bloc de Notas de Windows. El fichero de datos va a tener un

aspecto similar al siguiente:

Las cuatro primeras líneas del fichero de datos son fundamentales y debe

extremarse la atención al escribirlas, que cualquier error en ellas (un espacio

de más o de menos, un punto, etc.) puede hacer que el programa no se ejecute

o lo haga de forma incorrecta.

• La primera línea está formada por 10 columnas que indican lo siguiente:



50

Columnas 1 a 3 � Número de ítems de que consta el test (máximo

250 ítems). En el ejemplo anterior, el test consta de 80 ítems, observar

que la primera columna queda en blanco, hubiera sido igual poner 035,

pero siempre respetando las tres columnas.

Columna 4 � Espacio en blanco.

Columna 5 � Código para las respuestas omitidas (en el Fichero del

ejemplo, el 9 es el valor que se asigna a los ítems no contestados).

Columna 6 � Espacio en blanco

Columna 7 � Código para los ítems no alcanzados. Especialmente

importante cuando se trata de test de velocidad, es el valor que se asigna a

los ítems que no han sido alcanzados por el alumno por falta de tiempo (en el

Fichero del ejemplo, el 8 es el valor que se asigna a estos ítems, pero no

aparece ninguno porque no se trata de una prueba de velocidad).

Columna 8 � Espacio en blanco

Columnas 9 y 10 � Número de caracteres utilizados para identificar a

los sujetos. En el fichero de ejemplo se especifica un 3 porque se utilizan las

dos primeras para enumerar del 1 al 50 y una más de separación entre la

identificación y los datos, total, 3 columnas.

• En la segunda línea se especifica la clave de corrección, la alternativa correcta

de cada ítem. Debe haber tantos dígitos como ítems.

• En la tercera línea se indica el número de alternativas que hay para cada uno

de los ítems del test. En el fichero del ejemplo cada ítem tiene 4 alternativas

• En la cuarta línea se especifican los ítems que entran en el análisis. Y significa

que el ítem se analizará; N significa que no se analizará. Debe haber tantos Y/N

cono ítems en el test. En el fichero de ejemplo se pide el análisis de los 80 ítems.

• A partir de la quinta línea se empiezan a escribir los datos.

GUARDAR LOS DATOS

Como ya hemos visto antes, los datos deben guardarse en un fichero de

texto; se recomienda hacerlo en el Word Pad de Windows, que asigna por defecto al

fichero la extensión .txt



51

Escribir el nombre del fichero, de u máximo de 8 caracteres (recordar que

ITEMAN trabaja bajo MS-DOS y no reconoce nombres largos). No poner ninguna

extensión al fichero, sólo el nombre y la ubicación (en disco de 3 1/2) y Aceptar

EJECUCIÓN DE ITEMAN

� Acceder al programa � Inicio - Programas - ITEMAN

� Lo primero que pide el programa es el fichero de los datos. Se escribe el nombre

del fichero de datos (por ejemplo a:datos.txt) y se pulsa INTRO

� A continuación, el programa pide que se especifique dónde se debe guardar la

salida (por ejemplo a:salida). Si no se pone extensión al fichero, por defecto el

programa le asigna la extensión .out. Pulsar INTRO

� ITEMAN pregunta si se desea crear un fichero con las puntuaciones de cada

sujeto (Do you want the scores written to a file?). Si se escribe Y (yes), el programa

pide la ubicación de este archivo (por ejemplo a:puntua), si se escribe N (no) pasa a

la siguiente pregunta.

� A la siguiente pregunta (Do you want a key exceptions file?) decimos siempre que

NO

� ITEMAN pregunta si se quiere un fichero con los estadísticos (Do you wnat to

write statistics to a external file?). En este caso, diremos al programa que NO, pero si

se quieren, el programa pide que se le especifique el nombre (por ejemplo

a:estadis)

� Al pulsar INTRO, sale una pantalla en la que hay que especificar las opciones de

configuración del análisis. En nuestro caso vienen señaladas por defecto, así que

simplemente pulsamos Continuar (INTRO)



52

� Una vez terminado el análisis, aparece una barra roja que dice ***ITEM

ANALYSIS COMPLETE***. Para ver los resultados, puede pulsarse directamente F2

para acceder al editor de ITEMAN o abrir el archivo desde el Word Pad

LOS RESULTADOS

EN la salida encontramos, en primer ligar, información referida al programa

(versión, año, etc.). A continuación los detalles específicos del análisis:

******************** ANALYSIS SUMMARY INFORMATION ******************** Data (Input) File: A:\DATOS.TXT Analysis Output File: A:\SALIDA.OUT Score Output File: NONE Exceptions File: NONE Statistics Output File: NONE Scale Definition Codes: DICHOT = Dichotomous MPOINT = Multipoint/Survey

Se especifica dónde estaban almacenados los datos, dónde se ha grabado la salida

así como el resto de archivos que se hayan pedido.

Scale: 0 ------- Type of Scale DICHOT N of Items 80 N of Examinees 50

***** CONFIGURATION INFORMATION ***** Type of Correlations: Point-Biserial Correction for Spuriousness: NO Ability Grouping: YES Subgroup Analysis: NO Express Endorsements As: PROPORTIONS Score Group Interval Width: 1

Aquí se resume la configuración que se especificó en la pantalla �

A partir de ahora, aparece el análisis de cada ítem. Se presenta sólo un extracto de

la salida con el análisis de dos de ellos.



53

Parte 1ª Parte 2ª

Un signo de interrogación (?), por ejemplo el que aparece en el ítem 4, indica

que hay que revisar el ítem, que se ha especificado la alternativa 3 como correcta en

la clave de corrección, pero está funcionando mejor la 2

A continuación el programa proporciona una descripción estadística completa

de todo el instrumento:

Scale: 0 ------- N of Items 80 N of Examinees 50 Mean 51.920 Variance 58.554 Std. Dev. 7.652 Skew 0.637 Kurtosis -0.478 Minimum 41.000 Maximum 69.000 Median 50.000 Alpha 0.798 SEM 3.440 Mean P 0.649 Mean Item-Tot. 0.230 Mean Biserial 0.329 Max Score (Low) 46 N (Low Group) 13 Min Score (High) 56 N (High Group) 14

Un histograma que representa la frecuencia de aciertos:

La primera parte hace referencia a la alternativa correcta de cada ítem, y se da la información siguiente: Prop. Correct � Proporción de sujetos que eligen esa alternativa (al ser la correcta, nos da la información sobre proporción de aciertos del ítem). Nos indica el índice de dificultad del ítem. Disc. Index. � Indice de discriminación. Correlación entre el ítem y el test. Indica el grado en que el ítem mide lo que mide el test Point. Biser. � Indice de homogeniedad del ítem. Equivalente al índice de discriminación

En la segunda parte de la salida, que hace referencia al ítem completo, se da la información correspondiente a todas las alternativas del ítem. Alt. � Número de alternativa Prop.Endorsing Low. � Proporción del 27% de los alumnos con peor puntuación en el test, que eligen esa alternativa Prop.Endorsing High. � Proporción del 27% de los alumnos con mejor puntuación en el test, que eligen esa alternativa Point Biser. � Relación existente entre cada alternativa y el test completo Atl. � Alternativa que se ha señalado como correcta en la clave de corrección



54

Number Freq- Cum Correct uency Freq PR PCT ------- ------- ------ ---- ---- . . . No examinees below this score . . . 40 0 0 1 0 + 41 3 3 6 6 |###### 42 2 5 10 4 |#### 43 1 6 12 2 |## 44 2 8 16 4 |#### 45 2 10 20 4 +#### 46 3 13 26 6 |###### 47 5 18 36 10 |########## 48 2 20 40 4 |#### 49 2 22 44 4 |#### 50 4 26 52 8 +######## 51 2 28 56 4 |#### 52 1 29 58 2 |## 53 2 31 62 4 |#### 54 4 35 70 8 |######## 55 1 36 72 2 +## 56 3 39 78 6 |###### 57 0 39 78 0 | 58 1 40 80 2 |## 59 1 41 82 2 |## 60 1 42 84 2 +## 61 0 42 84 0 | 62 1 43 86 2 |## 63 2 45 90 4 |#### 64 0 45 90 0 | 65 0 45 90 0 + 66 1 46 92 2 |## 67 2 48 96 4 |#### 68 1 49 98 2 |## 69 1 50 99 2 |## 70 0 50 99 0 + 71 0 50 99 0 | . . . No examinees above this score . . . | |----+----+----+----+----+ 5 10 15 20 25 Percentage of Examinees

A continuación presentamos una tabal que puede resultar útil para la interpretación

de resultados:

INDICE DE DIFICULTAD DEL ITEM INDICE DE VALIDEZ - INDICE DE HOMOGENEIDAD

Valor Interpretación Valor Interpretación

Menor de 0,25 Muy difícil Negativo a menor de 0,20 Rechazar ítem

Entre 0,25 y 0,44 Difícil Mayor o igual de 0,55 Bastante alto

Entre 0,45 y 0,54 Normal Mayor o igual de 0,75 Muy alto

Entre 0,55 y 0,74 Fácil

Mayor de 0,75 Muy Fácil


Manual Del Spss

Documents

Transcript of Manual Del Spss