Estadística Aplicada Con SPSS

ESTADSTICA APLICADA
CON SPSS
Alfonso Garca Prez

Mara Yolanda Cabrero Ortega
ESTADSTICA APLICADA CON SPPS
Copyright 2011 Alfonso Garca Prez

``No est permitida la reproduccin total o parcial de este
libro, ni su tratamiento informtico, ni la transmisin de
ninguna forma o por cualquier medio, ya sea electrnico,
mecnico, por fotocopia, por registro u otros medios, sin el
permiso previo y por escrito de los titulares del Copyright.
El contenido de este libro est registrado por el autor en el
Registro de la Propiedad Intelectual y protegido por la Ley,
que establece penas de prisin adems de las correspondientes
indemnizaciones para quien lo plagiara"
Edita: Universidad Nacional de Educacin a Distancia
ALFONSO GARCA PREZ y

MARA YOLANDA CABRERO ORTEGA
Contenido
Prlogo. 5
Captulo 1: Introduccin al SPSS 7
Captulo 2: Estadstica Descriptiva . 11
Captulo 3: Intervalos y Contrastes bsicos . 17
Captulo 4: Anlisis de la Varianza ............. 19
Captulo 5: Regresin Lineal y Correlacin .. 31
Captulo 6: Tablas de Contingencia ............... 37
Captulo 7: Anlisis de Componentes Principales .. 47
Captulo 8: Anlisis de Correspondencias .... 51
Captulo 9: Anlisis de Discriminante ............ 57
Captulo 10: Anlisis de Conglomerados.... 63
Captulo 11: Anlisis de Series Temporales.......... 71
Captulo 12: Regresin Logstica .........79
Captulo 13: Regresin Poisson .............. 85
Captulo 14: Anl. Supervivencia sin covariables 93
Captulo 15: Anl. Supervivencia con covariables .103

Prlogo
El presente texto es dedicado al estudio de Paquete estadstico SPSS para el

curso Tcnicas Actuales de Estadstica Aplicada.
No obstante, ya adelantamos que no es exhaustivo en cuanto al anlisis de
todos los Mtodos a los que dicho paquete se puede aplicar, ya que la mejor
manera de aprenderlo es utilizarlo y, en la mayora de las ocasiones, los
comentarios resultan redundantes ante la sencillez de manejo de este software.
Dado que los ejemplos que analizaremos en este texto son los de los libros
Estadstica Aplicada: Conceptos Bsicos, Mtodos Avanzados de Estadstica
Aplicada. Tcnicas Avanzadas y Tcnicas Actuales de Estadstica Aplicada, no
repetiremos aqu los enunciados de dichos ejemplos, indicndolos con las
abreviaturas CB, TA y TAEA, respectivamente, y el nmero del ejemplo
correspondiente.
Por ltimo, le recordamos que puede ver ms grandes la reproducciones de la
pantalla, es decir, las ventanas, utilizando el zoom de su pdf.
Alfonso Garca Prez

agar-per@ccia.uned.es

Captulo 1
Introduccin al SPSS
1.1. Introduccin
Una de las caractersticas ms destacadas de SPSS (en especial con
respecto a R o SAS) es que no es necesario conocer un lenguaje de
programacin para utilizarlo (aunque lo tiene). Su exitosa presentacin de
Mtodos Estadsticos a ejecutar en forma de persianas, permite comenzar a
utilizarlo casi sin conocimientos previos del paquete.
Por esta razn, este texto ser simple y breve ya que, sin duda, la mejor
manera de aprende a manejar SPSS es utilizarlo.
1.2. El editor de datos

Lo primero que analizaremos es cmo introducir los datos de nuestro
problema, definiendo las variables a analizar con posterioridad.
Al abrir el paquete SPSS nos aparece un cuadro como el de la Figura 1.1,
en el que, si queremos ir tecleando los datos, elegiremos la opcin Introducir
datos, apareciendo, a continuacin el editor de datos en blanco en el que
debemos introducir los datos observados en el primer individuo de la primera
variable en la primera fila de la primera columna.
Para ir viendo cmo funciona el editor de datos, vamos a considerar un
ejemplo
Ejemplo 1.1 _____________________________________________
Se eligi al azar una muestra de 56 individuos de una poblacin a los que se
clasific segn su Edad, su Sexo y segn si era o no Fumador, obtenindose
los siguientes datos:
Menores de 20 aos
Hombre Mujer
S fuma 11
3
No fuma
1
7
Entre 20 y 50 aos
Hombre Mujer
S fuma
1
4
No fuma
2
5
Mayores de 50 aos
Hombre Mujer
S fuma 13
1
No fuma
2
6
En determinados modelos, las variables deben ser categricas; es decir, deben
definir categoras en las que clasificar los datos. Nosotros, de momento,
utilizaremos datos de tipo numrico. Para ello, lo ms simple es ir introduciendo
los datos y ms tarde, modificar, si es necesario, sus propiedades.
Figura 1.1
Para el ejemplo en cuestin, incluiremos (por este orden) datos de las
tres variables: la variable Edad, con tres valores, 1 para los individuos
menores de 20 aos, 2 para los individuos entre 20 y 50 aos y 3 para los
individuos mayores de 50 aos.
Para la variable Sexo, dos valores, 0 para los hombres y 1 para las mujeres.
Y, finalmente, la variable Fumador, con dos valores, 0 para los individuos
que no fuman y 1 para los que s fuman.
As, los datos de los individuos de la tabla anterior sern los de la
Figura 1.2.

Figura 1.2
Con objeto de introducir el nombre de las variables, pincharemos con el Ratn
la pestaa de abajo Vista de variables, apareciendo un panel como el de la
Figura 1.3. Pinchando el 1, podremos teclear el nombre de las tres variables
as como sus principales caractersticas. Volveremos al editor de datos
pinchando en la pestaa inferior, Vista de datos.
Figura 1.3
En la barra de arriba (en Archivo) deberemos salvar nuestro fichero de datos.
Si nuestros datos estn ya en un archivo, debemos incluirlos en el Editor de
datos con la opcin: Archivo Abrir Datos (Figura 1.4)
10
Figura 1.4

11
Captulo 2
Estadstica Descriptiva
2.1. Distribuciones de Frecuencias, Representaciones Grficas,
Medidas de Posicin y Dispersin
El estudio de las tcnicas estudiadas aqu, puede seguirse en el Captulo 2
del texto CB.
Una de las ventajas de SPSS es que, de una vez, obtenemos la mayora de
los resultados en los que estamos interesados.
Ejemplo 2.1-CB ___________________________________________
Despus de introducir los datos, ejecutamos la secuencia
Analizar Estadsticos Descriptivos Frecuencias
Figura 2.1
12
aparecindonos una ventana de dilogo como la de la Figura 2.2
Figura 2.2
Ahora, pasamos la variable en estudio, nivel, al cuadro de la derecha,
completamos lo estadsticos que queremos calcule en el botn Estadsticos,
que en nuestro caso hemos elegido segn la Figura 2.3
Figura 2.3
cerrando la ventana con el botn Continuar.
Lo mismo hacemos con el botn Grficos, con el que, en este caso, hemos
elegido las opciones que aparecen en la Figura 2.4,

13
Figura 2.4
Ya podemos ejecutar nuestras elecciones efectuadas con las anteriores
ventanas de dilogo, presionando el botn Aceptar. No obstante, queremos
sealar que, todo lo que hemos ido seleccionando, se ha ido traduciendo al
lenguaje SPSS dentro de lo que aparece en el botn Pegar, que si lo
presionamos aparecer, en este ejemplo,
FREQUENCIES
VARIABLES=nivel
/NTILES= 4
/STATISTICS=STDDEV VARIANCE RANGE MINIMUM MAXIMUM MEAN MEDIAN MODE
SKEWNESS
SESKEW KURTOSIS SEKURT
/HISTOGRAM NORMAL
/ORDER= ANALYSIS .
sta es la denominada Sintaxis SPSS o Lenguaje de Programacin SPSS, que

podemos salvar, guardar, modificar y ejecutar en lugar de utilizar las persianas
que aparecen arriba del Editor de Datos. No obstante, como precisamente
stas son la ventaja de SPSS, no utilizaremos la sintaxis de este paquete sino
dichas persianas, pero queremos que el lector tenga presente siempre la
existencia subyacente de estos programas.
O bien mediante los mens o bien con la sintaxis, para este ejemplo
obtendramos los siguientes resultados:
14
Estadsticos
nivel
N
Vlidos
34
Perdidos
Media
11,3529
Mediana
11,4500
Moda
12,50
Desv. tp.
1,87459
Varianza
3,514
Asimetra
,536
Error tp. de asimetra
,403
Curtosis
,876
Error tp. de curtosis
,788
Rango
8,70
Mnimo
7,80
Mximo
16,50
Percentiles
25
10,0500
50
11,4500
75
12,4000
nivel
Frecuencia
Vlidos
Porcentaje
Porcentaje
vlido
Porcentaje
acumulado
7,80
2,9
2,9
2,9
8,50
2,9
2,9
5,9
8,60
2,9
2,9
8,8
9,10
2,9
2,9
11,8
9,20
2,9
2,9
14,7
9,30
2,9
2,9
17,6
9,70
2,9
2,9
20,6
9,90
2,9
2,9
23,5
10,10
2,9
2,9
26,5
10,20
2,9
2,9
29,4
10,30
2,9
2,9
32,4
10,60
2,9
2,9
35,3
10,80
2,9
2,9
38,2
11,10
5,9
5,9
44,1
11,30
2,9
2,9
47,1
11,40
2,9
2,9
50,0
11,50
2,9
2,9
52,9
11,60
2,9
2,9
55,9
11,80
2,9
2,9
58,8
11,90
2,9
2,9
61,8
12,00
2,9
2,9
64,7
12,20
2,9
2,9
67,6
12,30
5,9
5,9
73,5

15
12,40
5,9
5,9
79,4
12,50
8,8
8,8
88,2
12,70
2,9
2,9
91,2
14,90
2,9
2,9
94,1
15,00
2,9
2,9
97,1
16,50
2,9
2,9
100,0
Total
34
100,0
100,0
Histograma
Frecuencia
Media =11,3529
Desviacin tpica =1,
87459
N =34
0
8,00
10,00
12,00
14,00
16,00
18,00
nivel
El histograma final se puede editar y cambiar los colores, el ttulo, etc.

Con la secuencia
Grficos Histograma
podemos volver a obtener el histograma anterior, pero lo que queremos sealar
es que la persiana de Grficos, permite obtener grficos de ata calidad sin
tener que realizar anlisis estadstico alguno.
16
Figura 2.5

17
Captulo 3
Intervalos y Contrastes bsicos
3.1. Intervalos y tests t-Student

SPSS calcula, bsicamente, intervalos y tests de la t de Student. Aunque en
CB resolvimos este ejemplo con un intervalo basado en la normal, lo
ejecutaremos a continuacin con uno basado en la t de Student. Dado que se
consideran 35 observaciones, las diferencias apenas si existe entre ambas
metodologas.
Ejemplo 6.2-CB ___________________________________________
Despus de introducir los datos, ejecutamos la secuencia
Analizar Comparar medias Prueba T para una muestra
Figura 3.1
18
A continuacin aparece (Figura 3.2) el siguiente cuadro de dilogo en donde

hemos trasladado la variable en estudio al cuadro de la derecha.
El 0 de la ventana Valor de Prueba es la hiptesis nula a contrastar. Con el
botn Opciones podemos solicitar el intervalo de confianza para el coeficiente
de confianza deseado.
Figura 3.2
El resultado obtenido es el siguiente:
Estadsticos para una muestra
N
Actividad
Desviacin
tp.
Media
35
,75300
,518283
Error tp. de
la media
,087606
Prueba para una muestra
Valor de prueba = 0
95% Intervalo de
confianza para la
diferencia
Actividad
t
8,595
gl
34
Sig. (bilateral)
,000
Diferencia
de medias
,753000
Inferior
,57496
Superior
,93104
Al final del segundo cuadro vemos el intervalo de confianza de confianza 095.

19
Captulo 4
Anlisis de la Varianza
4.1. Un Factor: Diseo Completamente Aleatorizado

El estudio del test analizado aqu, puede estudiar en la Seccin 8.2 del texto
CB.
Ejemplo 8.1-CB ___________________________________________
Despus de introducir los datos, primero vamos a visualizar los datos dibujando
un Diagrama de Cajas mediante la secuencia (Figura 4.1)
Grficos Diagramas de Cajas
Figura 4.1
con lo que se abre la ventana de dilogo de la Figura 4.2
20
Figura 4.2
en la que seleccionamos definir, hacindolo segn la Figura 4.3
Figura 4.3
Ahora, con el botn Aceptar obtenemos los siguientes resultados,

21
dieta
Resumen del procesamiento de los casos
Casos
Vlidos
dieta
1
peso
Perdidos
Porcentaje
Total
Porcentaje
Porcentaje
100,0%
,0%
100,0%
100,0%
,0%
100,0%
100,0%
,0%
100,0%
peso
peso
36,00
33,00
30,00
dieta
en donde destaca el ltimo grfico, el Diagrama de Cajas buscado, en donde

se puede apreciar que puede aceptarse una dispersin parecida en los tres
tratamientos del factor dieta.
22
El Anlisis de la Varianza para un factor puede hacerse ahora con la

secuencia
Analizar Comparar medias ANOVA de un factor
pero preferimos seguir la secuencia (Figura 4.4)
Analizar Modelo lineal general Univariante
por ser este anlisis el ms simple de Modelo Lineal General
Figura 4.4
La ventana de dilogo que aparece a continuacin se completa como se indica
Figura 4.5

23
en la Figura 4.5. Con el botn Aceptar obtendramos ahora los siguientes

resultados
Factores inter-sujetos
N
dieta
Pruebas de los efectos inter-sujetos

Variable dependiente: peso
Fuente
Modelo corregido
Suma de
cuadrados
tipo III
Media
cuadrtica
gl
Significacin
20,133(a)
10,067
1,144
,351
16800,267
16800,267
1909,121
,000
20,133
10,067
1,144
,351
Error
105,600
12
8,800
Total
16926,000
15
Interseccin
dieta
Total corregida
125,733
14
a R cuadrado = ,160 (R cuadrado corregida = ,020)
de donde destaca el ltimo cuadro que es la tabla de Anlisis de la Varianza

Ejemplo 8.2-CB ___________________________________________
Despus de introducir los datos y de ver con un diagrama de cajas que puede
admitirse la hiptesis de homocedasticidad, correramos un Anlisis de la
Varianza como antes, obteniendo la tabla final
Variable dependiente: insulina
Fuente
Modelo corregido
Suma de
cuadrados
tipo III
154,920(a)
Interseccin
957,071
estimula
Media
cuadrtica
38,730
F
29,755
Significacin
,000
957,071
735,281
,000
29,755
,000
gl
154,920
38,730
Error
45,557
35
1,302
Total
1157,548
40
Total corregida
200,477
39
24
que indica rechazar la hiptesis nula de igualdad de los efectos medios de los
cinco estimulantes. Para ejecutar test de comparaciones mltiples elegimos el
botn Post hoc y completamos el cuadro de dilogo con varios de estos tests,
una vez trasladada la variable en estudio al cuadro de la derecha (Figura 4.6)
Figura 4.6
Los resultados as obtenidos (adems de la tabla ANOVA anterior) aparecen a
continuacin,
Pruebas post hoc

estimula
Comparaciones mltiples
Variable dependiente: insulina
Intervalo de confianza al
95%.
DHS de Tukey
(I) estimula
1
Diferencia
entre medias
(I-J)
-,0263
-2,2800(*)
Error tp.
,57045
,57045
Significacin
1,000
,003
Lmite inferior
-1,6663
-3,9201
Lmite
superior
1,6138
-,6399
-4,3900(*)
,57045
,000
-6,0301
-2,7499
-4,4363(*)
,57045
,000
-6,0763
-2,7962
,0263
,57045
1,000
-1,6138
1,6663
3
4
5
-2,2538(*)
-4,3638(*)
-4,4100(*)
,57045
,57045
,57045
,003
,000
,000
-3,8938
-6,0038
-6,0501
-,6137
-2,7237
-2,7699
2,2800(*)
,57045
,003
,6399
3,9201
2,2538(*)
,57045
,003
,6137
3,8938
-2,1100(*)
,57045
,006
-3,7501
-,4699
(J) estimula
2
3

5
4
Scheffe
25
1
2
-2,1563(*)
4,3900(*)
4,3638(*)
,57045
,57045
,57045
2,1100(*)
,57045
-,0463
,57045
4,4363(*)
,57045
2
3
4
4,4100(*)
2,1563(*)
,0463
2
3
4
5
,005
,000
,000
-3,7963
2,7499
2,7237
-,5162
6,0301
6,0038
,006
,4699
3,7501
1,000
-1,6863
1,5938
,000
2,7962
6,0763
,57045
,57045
,57045
,000
,005
1,000
2,7699
,5162
-1,5938
6,0501
3,7963
1,6863
-,0263
,57045
1,000
-1,8805
1,8280
-2,2800(*)
,57045
,009
-4,1342
-,4258
-4,3900(*)
,57045
,000
-6,2442
-2,5358
1
3
4
-4,4363(*)
,0263
-2,2538(*)
-4,3638(*)
,57045
,57045
,57045
,57045
,000
1,000
,010
,000
-6,2905
-1,8280
-4,1080
-6,2180
-2,5820
1,8805
-,3995
-2,5095
-4,4100(*)
,57045
,000
-6,2642
-2,5558
2,2800(*)
,57045
,009
,4258
4,1342
2,2538(*)
,57045
,010
,3995
4,1080
4
5
1
-2,1100(*)
-2,1563(*)
4,3900(*)
,57045
,57045
,57045
,018
,015
,000
-3,9642
-4,0105
2,5358
-,2558
-,3020
6,2442
4,3638(*)
,57045
,000
2,5095
6,2180
2,1100(*)
,57045
,018
,2558
3,9642
-,0463
,57045
1,000
-1,9005
1,8080
1
2
3
4,4363(*)
4,4100(*)
2,1563(*)
,57045
,57045
,57045
,000
,000
,015
2,5820
2,5558
,3020
6,2905
6,2642
4,0105
,0463
,57045
1,000
-1,8080
1,9005
Basado en las medias observadas.

* La diferencia de medias es significativa al nivel ,05.
Subconjuntos homogneos
insulina
Subconjunto
estimula
1
DHS de
Tukey(a,b)
N
8
1
2,6650
2,6913
Significacin
Scheffe(a,b)
4,9450
7,0550
7,1013
1,000
2,6650
2,6913
Significacin
1,000
1,000
4,9450
7,0550
7,1013
1,000
1,000
Se muestran las medias para los grupos en subconjuntos homogneos.
1,000
26
Basado en la suma de cuadrados tipo III

El trmino error es la Media cuadrtica (Error) = 1,302.
a Usa el tamao muestral de la media armnica = 8,000
b Alfa = ,05.
observndose en la ltima tabla los mismos grupos de tratamientos

homognenos obtenidos en el texto CB.
4.2. Un Factor: Diseo por Bloques Aleatorizados

CB.
Ejemplo 8.3-CB ___________________________________________
Despus de introducir los datos, obtenemos la tabla de Anlisis de la Varianza
ejecutando la secuencia (Figura 4.7)
Figura 4.7
para completar luego el cuadro de dilogo como se indica en la Figura 4.8

27
Figura 4.8
Ahora con el botn Modelo elegimos la opcin Personalizado y, pasando las
variables a la ventana de la derecha, la opcin de Efectos principales, ya que
en el diseo por bloques no consideramos la posibilidad de interaccin entre
las variables. Con los botones Continuar y Aceptar obtenemos los siguientes
resultados,
N
Vitamina
Raza

Variable dependiente: Peso
Fuente
Modelo corregido
Suma de
cuadrados
tipo III
Media
cuadrtica
gl
Significacin
165,000(a)
33,000
3,062
,103
94696,333
94696,333
8786,258
,000
Vitamina
84,667
42,333
3,928
,081
Raza
80,333
26,778
2,485
,158
Error
64,667
10,778
Total
94926,000
12
Interseccin
28
Total corregida
229,667
11
en donde la ltima tabla es la de Anlisis de la Varianza obtenida en CB.
4.3. Dos Factores: Diseo Completamente Aleatorizado

CB.
Ejemplo 8.5-CB ___________________________________________
Despus de introducir los datos, obtenemos la tabla de Anlisis de la Varianza
ejecutando la secuencia
y completando despus la ventana de dilogo como se indica en la Figura 4.9
Figura 4.9
Hay muchas semejanzas con el caso anterior del diseo por bloques pero
ahora s se admite la interaccin entre variables, por lo que no hace falta
modificar el modelo; ahora lo requerimos completo. Por eso, presionando ya el
botn Aceptar, obtenemos los siguientes resultados, en donde la ltima tabla
es la misma de ANOVA obtenida en CB

29
N
Estacin
Frmaco
12
12
12
12
16
16
16

Variable dependiente: Alergia
Fuente
Modelo corregido
Suma de
cuadrados
tipo III
Media
cuadrtica
gl
Significacin
10488,167(a)
11
953,470
44,781
,000
93633,333
93633,333
4397,652
,000
Estacin
4132,167
1377,389
64,691
,000
Frmaco
6017,167
3008,583
141,303
,000
338,833
56,472
2,652
,031
Error
766,500
36
21,292
Total
104888,000
48
11254,667
47
Interseccin
Estacin * Frmaco
Total corregida
30

31
Captulo 5
Regresin Lineal y Correlacin
5.1. Regresin Lineal Simple

El estudio del test analizado aqu, puede estudiar en las Secciones 9.2 y
9.3 del texto CB. Como all destacbamos, hay dos aspectos de inters: la
representacin grfica de los datos y el Anlisis de la Regresin
Ejemplo 9.1-CB ___________________________________________
Despus de introducir los datos, primero vamos a visualizar los datos dibujando
un Diagrama de Dispersin mediante la secuencia (Figura 5.1)
Grficos Interactivos Diagrama de dispersin
Figura 5.1
32
La cantidad de oxgeno se pasa a la dependiente y la profundidad a la

independiente, obtenindose el siguiente grfico en donde puede verse
tambin la correlacin entre ambas variables.
Regresin lineal
6,00
cont_oxi
4,00
2,00
1cont_oxi = 8,63 + -0,11 * profund

R-cuadrado = 0,80
0,00
20,00
30,00
40,00
50,00
60,00
70,00
profund
La segunda cuestin importante es contrastar, mediante la tabla de Anlisis de

la Varianza para la Regresin Lineal, si puede admitirse la hiptesis nula de
que la variable independiente no es significativa a la hora de predecir a la
variable dependiente. Para ello ejecutamos la secuencia
Analizar Regresin Lineal
completando la ventana de dilogo que aparece como se indica en la Figura
5.2, en donde. A dems de indicar cul es la variable independiente y
dependiente, hemos seleccionado el Mtodo Hacia atrs.
El resto de las opciones, como la de que nos d los estimadores o el nivel
de significacin del test de la F de Snedecor de la tabla de Anlisis de la
Varianza para la Regresin Lineal, ya vienen dadas por defecto.

33
Figura 5.2
Los resultados as obtenidos son los siguientes, en donde de nuevo destaca la
penltima tabla ANOVA y las estimaciones de los coeficientes de regresin de
la ltima tabla.
Regresin
Variables introducidas/eliminadas(b)
Modelo
1
Variables
introducidas
profund(a)
Variables
eliminadas
Mtodo
Introducir
a Todas las variables solicitadas introducidas

b Variable dependiente: cont_oxi
Resumen del modelo
Modelo
1
R cuadrado
R cuadrado
corregida
,896(a)
,803
a Variables predictoras: (Constante), profund
,763
Error tp. de la
estimacin
1,20444
ANOVA(b)
Modelo
1
Suma de
cuadrados
Regresin
Residual
Total
Media
cuadrtica
gl
29,481
29,481
7,253
1,451
36,734
a Variables predictoras: (Constante), profund
Sig.
20,322
,006(a)
34
b Variable dependiente: cont_oxi
Coeficientes(a)
Coeficientes
estandarizado
s
Coeficientes no
estandarizados
Modelo
1
Error tp.
(Constante)
8,631
1,077
profund
-,108
,024
Beta
-,896
Sig.
8,010
,000
-4,508
,006
a Variable dependiente: cont_oxi
5.2. Regresin Lineal Mltiple

El estudio del test analizado aqu, puede estudiar en las Secciones 10.2 y
10.3 del texto CB. Las opciones a ejecutar son las mismas que en la seccin
anterior, con la diferencia de que debemos incluir ms de una variable
independiente.
Ejemplo 10.1-CB __________________________________________
Despus de introducir los datos, ejecutamos
Regresin Lineal
completando el cuadro de dilogo como se indica en la Figura 5.3
Figura 5.3
Las tres ltimas tablas que as se obtienen,

35
ANOVA(c)
Modelo
1
Media
cuadrtica
1251,195
440,543
12
36,712
Total
2942,933
14
Regresin
2502,373
2502,373
440,561
13
33,889
2942,933
14
Regresin
Residual
Residual
Total
Suma de
cuadrados
2502,390
gl
F
34,081
Sig.
,000(a)
73,840
,000(b)
a Variables predictoras: (Constante), X2, X1

b Variables predictoras: (Constante), X2
c Variable dependiente: Y
Coeficientes(a)
Coeficientes
estandarizado
s
Coeficientes no
estandarizados
Modelo
1
B
2,086
Error tp.
6,739
,309
Sig.
,762
X1
,057
2,613
,006
,022
,983
X2
1,050
,326
,916
3,219
,007
(Constante)
1,977
1,057
4,373
,123
,922
,452
8,593
,659
,000
(Constante)
X2
a Variable dependiente: Y
Beta
Variables excluidas(b)
Estadsticos de
colinealidad
Modelo
2
Beta dentro
X1
Sig.
,006(a)
,022
a Variables predictoras en el modelo: (Constante), X2
b Variable dependiente: Y
Correlacin
parcial
,983
,006
Tolerancia
,154
indican considerar a X2 como nica covariable independiente significativa y

concluir con la recta ajustada
Y = 1977 + 1057 X2
36

37
Captulo 6
Tablas de Contingencia
6.1. Contraste de homogeneidad de varias muestras

El estudio del test analizado aqu, puede estudiar en la Seccin 12.3 del
texto CB.
Ejemplo 12.8-CB __________________________________________
Despus de introducir los datos, ejecutamos la secuencia (Figura 6.1)
Datos Ponderar casos
Figura 6.1
38
y, en el cuadro de dilogo resultante, ponderamos los datos con la variable

frecu (Figura 6.2)
Figura 6.2
Ahora ya podemos realizar el Anlisis de la tabla de contingencia ejecutando la
secuencia (Figura 6.3)
Analizar Estadsticos descriptivos Tablas de contingencia
Figura 6.3
Ahora debemos completar el cuadro de dilogo que se abre, teniendo en
cuenta cul variable forma las filas y cul las columnas. Adems, con el botn
Estadsticos, le pedimos el Chi-cuadrado de Pearson, que es el utilizado en
CB (Figura 6.4)

39
Figura 6.4
Por ltimo, en el botn Casillas le podemos pedir no slo las frecuencias
observadas sino las esperadas de cada casilla. (Figura 6.5)
Figura 6.5
Los resultados as obtenidos son los siguientes:
40
Tablas de contingencia
Casos
Vlidos
N
Comunidad * Fumador
300
Perdidos
Porcentaje
100,0%
N
0
Total
Porcentaje
,0%
N
300
Porcentaje
100,0%
Tabla de contingencia Comunidad * Fumador

Fumador
1
Comunidad
Recuento
Frecuencia esperada
Recuento
Frecuencia esperada
Recuento
Frecuencia esperada
Total
Recuento
Frecuencia esperada
13
2
87
Total
100
16,0
84,0
100,0
17
83
100
16,0
84,0
100,0
18
82
100
16,0
84,0
100,0
48
252
300
48,0
252,0
300,0
Pruebas de chi-cuadrado
Valor
Chi-cuadrado de Pearson
Razn de verosimilitudes
Asociacin lineal por lineal
N de casos vlidos
1,042(a)
1,069
,927
Sig. asinttica
(bilateral)
gl
2
2
1
,594
,586
,336
300
a 0 casillas (,0%) tienen una frecuencia esperada inferior a 5. La frecuencia mnima esperada es 16,00.
destacando la ltima tabla en la que aparece el valor del estadstico chicuadrado de Pearson, 1042 y el p-valor del test, 0594, los mismos valores que
en CB.
6.2. Contraste de independencia de caracteres

texto CB. El anlisis con SPSS es idntico al de la seccin anterior.
Ejemplo 12.9-CB __________________________________________
Despus de introducir los datos, ejecutamos la secuencia (Figura 6.6)

41
Datos Ponderar casos
Figura 6.6
ponderndolos en este caso con la variable frecuen. Ahora ya podemos
ejecutar el Anlisis de la tabla de contingencia ejecutando la secuencia (Figura
6.7)
Analizar Estadsticos descriptivos Tablas de contingencia
Figura 6.7
42
sin olvidar completar, como antes, los botones Estadsticos y Celdas. Los
resultados as obtenidos son los siguientes:
Tablas de contingencia
Casos
Vlidos
N
deterior * depresio
100
Perdidos
Porcentaje
100,0%
N
0
Total
Porcentaje
,0%
N
100
Porcentaje
100,0%
Tabla de contingencia deterior * depresio

depresio
,00
deterior
,00
Recuento
Frecuencia esperada
1,00
Recuento
Frecuencia esperada
Total
31
53
16,4
36,6
53,0
38
47
14,6
32,4
47,0
Recuento
Frecuencia esperada
Total
1,00
22
31
69
100
31,0
69,0
100,0
Pruebas de chi-cuadrado
Valor
Sig. asinttica
(bilateral)
gl
5,823(b)
,016
Correccin por
continuidad(a)
4,824
,028
5,975
,015
Estadstico exacto de
Fisher
Asociacin lineal por lineal
N de casos vlidos
Sig. exacta
(bilateral)
,018
5,764
Sig. exacta
(unilateral)
,013
,016
100
a Calculado slo para una tabla de 2x2.

b 0 casillas (,0%) tienen una frecuencia esperada inferior a 5. La frecuencia mnima esperada es 14,57.
observando en la ltima tabla los valores del estadstico de Pearson, 5823 y el

p-valor del test asociado, 0016, los mismos que los obtenidos en CB.
6.3. Contraste de bondad del ajuste

texto CB.

43
Ejemplo 12.4-CB __________________________________________

Primero incorporamos los datos como aparece en la Figura 6.8
Figura 6.8
y ponderamos los datos de la variable CLASES con la variable FRECU.
Ahora ejecutamos la secuencia
Analizar -> Pruebas no paramtricas -> chi-cuadrado
apareciendo el cuadro de dilogo de la Figura 6.9 que completamos segn se
indica en ella,
44
Figura 6.9
Presionado el botn Aceptar se obtiene el valor del estadstico de Pearson,
047 como en el texto CB,
Prueba de chi-cuadrado
Frecuencias
CLASES
N observado
N esperado
Residual
315
312,8
2,3
108
104,3
3,8
101
104,3
-3,3
32
34,8
-2,8
Total
556
Estadsticos de contraste
CLASES
Chi-cuadrado
Gl
Sig. asintt.
,470
3
,925

Estadsticos de contraste
CLASES
Chi-cuadrado
Gl
Sig. asintt.
,470
3
,925
a. 0 casillas (,0%) tienen

frecuencias esperadas
menores que 5. La frecuencia
de casilla esperada mnima es
34,8.
45
46

47
Captulo 7
Anlisis de Componentes Principales
7.1. Anlisis de Componentes Principales

El Anlisis de Componentes Principales se obtiene ejecutando la secuencia:
Analizar Reduccin de datos Anlisis Factorial (Figura 2.1).
Figura 7.1
Una vez incluidas todas las variables a utilizar en el Anlisis, incluyndolas
en el cuadro de la derecha con la flecha, es importante comprobar que en
Extraccin se utilice la opcin Componentes Principales y Grfico de
sedimentacin (Figura 7.2). Una vez seleccionadas stas, SPSS se ejecuta
con el botn Aceptar que aparece en dicha Figura 7.2.
48
Ejemplo 2.1-TA ___________________________________________

Si ejecutamos la secuencia anterior con los datos del Ejemplo 2.1 del texto
Tcnicas Avanzadas, se obtienen los siguientes resultados. En [1] y [2] puede
verse la variacin explicada por cada componente principal.
A continuacin aparece lo que SPSS denomina Grfico de sedimentacin y
que en TA denominamos Grfico de desmoronamiento.
Por ltimo, en [3] aparecen las Componentes Principales, con coeficientes
algo distintos de los que obtenamos en TA pero, por supuesto, con la misma
interpretacin.
Figura 7.2
A. factorial
Comunalidades
Inicial
Extraccin
X1
1,000
,973
X2
1,000
,747
X3
1,000
,817
X4
1,000
,862
X5
1,000
,945
X6
1,000
,597
X7
1,000
,781
X8
1,000
,969

49
Mtodo de extraccin: Anlisis de Componentes principales.

Varianza total explicada
Sumas de las saturaciones al cuadrado
de la extraccin
Autovalores iniciales
Total
2,686
% de la
varianza
33,577
% acumulado
33,577
Total
2,686
% de la
varianza
33,577
% acumulado
33,577
1,862
23,275
56,852
1,862
23,275
56,852
1,112
13,905
70,757
1,112
13,905
70,757
1,030
12,881
83,637
1,030
12,881
83,637
,619
7,740
91,377
,367
4,591
95,968
,277
3,467
99,436
Componente
1
,045
,564
100,000
Mtodo de extraccin: Anlisis de Componentes principales.
[1]
[2]
Grfico de sedimentacin
3,0
2,5
Autovalor
2,0
1,5
1,0
0,5
0,0
1
Nmero de componente
50
Matriz de componentes(a)
Componente
1
X1
,753
,450
,445
-,070
X2
-,704
,363
,093
-,332
X3
-,113
,872
-,176
,118
X4
,064
,764
-,443
,279
X5
,803
,273
,470
-,078
X6
,629
-,159
-,392
,149
X7
-,719
,255
,445
,026
X8
-,222
-,140
,326
,891
Mtodo de extraccin: Anlisis de componentes principales.

a 4 componentes extrados
[3]
Los resultados obtenidos al ejecutar SPSS son ficheros que pueden ser
salvados y reutilizados.
7.2. Sintaxis de SPSS

Aunque la forma habitual de utilizar SPPS (al menos en una primera
aproximacin al paquete) es mediante las persianas de la barra de comandos
superior, SPSS puede ser utilizado a travs de un lenguaje de programacin
como lo era SAS o BMDP. Este lenguaje SPSS se llama Sintaxis SPSS.
Si observamos de nuevo la Figura 7.2, vemos un botn denominado Pegar.
Si lo hubiramos seleccionado, obtendramos el Programa
FACTOR
/VARIABLES X1 X2 X3 X4 X5 X6 X7 X8 /MISSING LISTWISE /ANALYSIS X1 X2 X3 X4 X5
X6 X7 X8
/PRINT INITIAL EXTRACTION
/PLOT EIGEN
/CRITERIA MINEIGEN(1) ITERATE(25)
/EXTRACTION PC
/ROTATION NOROTATE
/METHOD=CORRELATION .
Este Programa SPSS ejecuta lo mismo que el botn Aceptar de dicha

Figura 7.2 y puede ser salvado, modificado y reutilizado, de manera que una
forma de ejecutar SPSS reiteradamente sin tener que ir completando las
diversas ventanas de dilogo de las persianas SPSS, es utilizar directamente
Sintaxis SPSS. Adems, esta Sintaxis puede modificarse adecundola
precisamente a aquello en lo que estamos interesados, pudiendo unirse varios
Programas en una sola Sintaxis.

51
Captulo 8
Anlisis de Correspondencias
8.1. Anlisis de Correspondencias

La explicacin detallada de este tipo de anlisis aparece en el captulo 3 del
texto TA. Explicaremos su ejecucin siguiendo el ejemplo 3.2 de dicho texto.
Ejemplo 3.2-TA ___________________________________________
La primera observacin que debemos hacer es sobre el manejo de los datos.
SPSS requiere que los valores de las dos variables sean de tipo numrico
pero, por otro lado, stas tienen un marcado acento de etiqueta. Adems,
como los datos se refieren a tablas de frecuencia, no vamos a introducir los,
para este ejemplo, 6851 datos uno a uno.
Figura 8.1
52
Lo haremos mediante una variable de frecuencia a la que hemos denominado

Pondera. De ah que el Editor de datos para este ejemplo sea el de la Figura
8.1. Pero observemos cmo hemos trabajado la opcin de la pestaa Vista de
variables en la Figura 8.2, dando nombres a los valores de las variables.
Figura 8.2
Ahora ya tenemos preparados los datos para realizar un Anlisis de
Correspondencias. Para ello ejecutaremos la secuencia:
Analizar Reduccin de datos Anlisis de correspondencias (Figura 8.3).
Figura 8.3

53
En el anlisis hemos utilizado las opciones que aparecen en la Figura 8.4.

Resaltamos que debemos codificar las variables que forman la tabla, como se
indica en el panel de la izquierda, y que con el botn Modelo obtenemos el
cuadro de dilogo de la derecha, en donde se ve que la solucin que buscamos
es de dos dimensiones y que utilizamos una distancia chi-cuadrado.
Figura 8.4
Con estas opciones obtenemos los siguientes resultados,
Correspondencias
Tabla de correspondencias
Bebe
Madre
jnf
jf
mnf
mf
Margen activo
pm
pv
Gcm
24
gcv
4012
Margen activo
4401
50
315
40
459
514
41
147
14
1594
1796
11
124
140
104
513
45
6189
6851
[1]
54
Resumen
Proporcin de inercia
Confianza para el Valor
Corre
Dimensin
1
Valor propio
Inercia
Chi-cuadrado
Sig.
Explicada
,050
,003
,908
,016
,000
,004
,000
Total
,003
19,109
,024(a)
Desviacin
tpica
Acumulada
,908
,013
,087
,995
,015
,005
1,000
1,000
1,000
a 9 grados de libertad
[2]
Examen de los puntos de fila(a)
Puntuacin en la dimensin
Contribucin
De los puntos a la inercia
de la dimensin
Madre
jnf
Masa
,642
-,165
jf
,075
mnf
,262
mf
,020
Total activo
Inercia
De la dimensin a la inercia del

1
-,015
,001
,347
,009
,997
,003
,190
,418
,000
,054
,840
,400
,599
,313
-,063
,001
,511
,066
,986
,012
,465
-,253
,000
,088
,084
,877
,081
,003
1,000
1,000
1,000
a Normalizacin Simtrica
Examen de los puntos columna(a)
Puntuacin en la dimensin
Contribucin
De los puntos a la inercia
de la dimensin
Bebe
pm
Masa
,015
1,562
pv
,075
gcm
,007
,903
gcv
Total activo
1,000
a Normalizacin Simtrica
Inercia
De la dimensin a la inercia del

1
-,360
,002
,736
,126
,983
,016
,265
-,008
,000
,105
,000
,960
,000
,899
1,441
,000
,106
,873
,556
,443
-,055
-,004
,000
,054
,001
,994
,001
,003
1,000
1,000

55
Puntos de columna y de fila
Simtrica Normalizacin
1,5
gcm
Bebe
Madre
Dimensin 2
1,0
0,5
jf
jnf gcv
0,0
pv
mnf
mf
pm
-0,5
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
1,2
1,4
1,6
Dimensin 1
[3]
En [1] puede comprobarse que la tabla de doble entrada ha sido bien
creada. La inercia acumulada puede verse en [2] . A continuacin aparecen
las coordenadas suministradas pos SPSS (algo distintas que las obtenidas con
el software del curso) y, por ltimo, en [3] , el grfico, principal objetivo del
Anlisis, ampliamente comentado en TA.
56

57
Captulo 9
Anlisis Discriminante
9.1. Anlisis Discriminante

El Tratamiento Informtico de Anlisis Discriminante que ejecuta SPSS es
algo distinto que el estudiado en el captulo 6 de TA.
Figura 9.1
Ejemplo 6.1-TA ___________________________________________
Despus de introducir los datos ejecutamos la secuencia que aparece en la
Figura 9.1:
Analizar Clasificar Discriminante
58
Apareciendo el cuadro de dilogo que aparece en la Figura 9.2, en donde se ha

incluido la variable X6 en Variable de agrupacin por ser sta la que determina
los dos grupos que componen los datos.
Figura 9.2
Las otras variables, X1, ,X5 se incluyen en la ventana Independientes. Si se
quiere obtener la Funcin Discriminante lineal de Fisher, se debe seleccionar
esta opcin en el botn Estadsticos (Figura 9.3).
Figura 9.3
Con esta seleccin obtendramos los siguientes resultados,

59
Discriminante
Resumen del procesamiento para el anlisis de casos
Casos no ponderados
Vlidos
Excluidos
N
Cdigos de grupo
perdidos o fuera de
rango
Perdida al menos una
variable discriminante
Perdidos o fuera de
rango ambos, el
cdigo de grupo y al
menos una de las
variables
discriminantes.
Total excluidos
Casos Totales
Estadsticos de grupo
x6
1,0
2,0
Total
N vlido (segn lista)

No
ponderados
Ponderados
x1
17
17,000
x2
17
17,000
x3
17
17,000
x4
17
17,000
x5
17
17,000
x1
15
15,000
x2
15
15,000
x3
15
15,000
x4
15
15,000
x5
15
15,000
x1
32
32,000
x2
32
32,000
x3
32
32,000
x4
32
32,000
x5
32
32,000
32
Porcentaje
100,0
,0
,0
,0
,0
32
100,0
60
Anlisis 1
Resumen de las funciones cannicas discriminantes
Autovalores
Funcin
1
Autovalor
% de varianza
Correlacin
cannica
% acumulado
,930(a)
100,0
100,0
,694
a Se han empleado las 1 primeras funciones discriminantes cannicas en el anlisis.
Lambda de Wilks
Contraste de
las funciones
1
Lambda de
Wilks
,518
Chi-cuadrado
18,083
gl
5
Sig.
,003
Coeficientes estandarizados de las funciones discriminantes cannicas

Funcin
1
x1
,367
x2
-,578
x3
-,017
x4
,405
x5
,627
Matriz de estructura
Funcin
1
x4
,830
x1
,759
x5
,578
x3
,246
x2
-,048
Correlaciones intra-grupo combinadas entre las variables discriminantes y las funciones discriminantes
cannicas tipificadas Variables ordenadas por el tamao de la correlacin con la funcin.
Funciones en los centroides de los grupos
Funcin
x6
1,0
1
-,877
2,0
,994
Funciones discriminantes cannicas no tipificadas evaluadas en las medias de los grupos

61
Estadsticos de clasificacin
Coeficientes de la funcin de clasificacin
x6
1,0
2,0
x1
1,468
1,558
x2
2,361
2,205
x3
2,752
2,747
x4
,775
,952
x5
(Constante)
,195
,372
-514,956
-545,419
Funciones discriminantes lineales de Fisher
[1]
Al final de dichos resultados, en [1] , aparecen los coeficientes cuya
diferencia son los obtenidos en TA: 1,468-1,558 = -009, 2,361-2,205=0156,
2,752-2,747=0005, 0,775-0,952=-0177, 0,195-0,372=-0177.
62

63
Captulo 10
Anlisis de Conglomerados
10.1. Introduccin
Como sabemos, existen, bsicamente, dos mtodos de Anlisis Cluster: uno
es el Anlisis Jerrquico y otro el Algoritmo k-medias. Analizaremos estos dos
mtodos en dos secciones separadas.
10.2. Anlisis Jerrquico

Con SPSS es posible realizar los cinco mtodos de agrupamiento
estudiados en TA: Agrupamiento simple, Agrupamiento completo,
Agrupamiento promedio, Agrupamiento centroide, y el Mtodo de Ward, as
como utilizar las diversas distancias all estudiadas. Tambin podemos obtener
el dendograma.
Figura 10.1
64
Ejemplo 5.6-TA ___________________________________________

Despus de introducir los datos como aparece en la Figura 10.1, ejecutamos la
secuencia que tambin aparece en dicha Figura:
Analizar Clasificar Conglomerados jerrquicos
apareciendo un cuadro de dilogo como el de la Figura 10.2, en donde hemos
incluido las dos variables en anlisis. Tambin aparecen all los cuatro botones
en donde tendremos que seleccionar nuestras opciones.
Figura 10.2
Para formar los clusters utilizando un Agrupamiento centroide, seleccionamos
en el botn Mtodo las tres opciones que aparecen en la Figura 10.3,
Figura 10.3

65
Agrupacin de centroides, Distancia Eucldea y que no estandarice los datos

con la opcin de Ninguno.
Para este ejemplo, no es necesario pinchar en el botn Estadsticos ni en
Guardar, puesto que las opciones que vienen por defecto son adecuadas.
En el botn Grficos es necesario indicarle que nos ejecute el Dendograma.
Como en situaciones anteriores, salimos de las ventanas con Continuar.
Despus de nuestras selecciones, como siempre, pinchando en el botn
Aceptar, obtenemos los resultados que vienen a continuacin,
Conglomerados jerrquicos
Advertencia
La medida eucldea al cuadrado debera emplearse cuando se solicite el mtodo de
conglomeracin CENTROID, MEDIAN o WARD.
Resumen del procesamiento de los casos(a,b)

Casos
Vlidos
N
Perdidos
Porcentaje
5
100,0
a distancia eucldea usada
b Vinculacin de centroides
Total
Porcentaje
0
Porcentaje
,0
100,0
Vinculacin de centroides
Historial de conglomeracin
Etapa en la que el
conglomerado aparece
por primera vez
Conglomerado que se
combina
Etapa
1
Conglomer
ado 1
Conglomer
ado 2
Coeficientes
Conglomer
ado 1
Conglomer
ado 2
Prxima
etapa
10,770
11,180
10,701
62,556
[1]
[3]
66
Diagrama de tmpanos vertical

Caso
Nmero de
conglomerados
1
2
X
Dendrograma
* * * * * * H I E R A R C H I C A L
* * * * *
C L U S T E R
A N A L Y S I S *
Dendrogram using Centroid Method

Rescaled Distance Cluster Combine
C A S E
Label Num
0
5
10
15
20
25
+---------+---------+---------+---------+---------+
En ellos se observa, en [1] , en la tabla Historial de conglomeracin, como

en la Etapa 1, se unen los elementos 4 y 5. En el paso segundo, Etapa 2, se
unen los elementos 1 y 3. Luego, en la Etapa 3, se une el elemento 2 al
elemento 1; mejor dicho, al cluster en el que est el elemento 1, unindose
finalmente el cluster donde est el elemento 4 (primer cluster formado) al
cluster donde est el elemento 1.
El Dendograma que aparece en [2] , corresponde a esa aglomeracin y en
l parece que se unen aal principio los elementos casi a la vez. Lo que ocurre
es que las distancias a las que se van uniendo son muy inferiores a la de
aglomeracin final, como puede verse en [3] .
10.3. Algoritmo k-medias

El proceso para realizar el algoritmo k-medias es similar al realizado para
ejecutar el anlisis jerrquico. Esta vez (Figura 10.4) deberemos ejecutar la
secuencia
Analizar Clasificar Conglomerados de K medias

67
Figura 10.4
Ejemplo 5.6-TA ___________________________________________
Despus de introducir los datos y ejecutar la secuencia anterior, incluimos las
dos variables en anlisis (Figura 10.5)
Figura 10.5
68
Con el botn Guardar seleccionamos las dos opciones que permite (Figura
10.6)
Figura 10.6
Con el botn Opciones seleccionamos las marcadas en la Figura 10.7
Figura 10.7

69
Pulsando los botones Continuar y, finalmente, Aceptar, obtenemos los

resultados que aparecen a continuacin, los cuales, lgicamente, son los
mismos que los comentados en TA.
Anlisis de conglomerados de K medias

Centros iniciales de los conglomerados
Conglomerado
talla
1
189,00
2
170,00
sueldo
100,00
180,00
Historial de iteraciones(a)
Cambio en los centros
de los conglomerados
Iteracin
1
5,385
8,333
,000
,000
a Se ha logrado la convergencia debido a que los centros de los conglomerados no presentan ningn
cambio o ste es pequeo. El cambio mximo de coordenadas absolutas para cualquier centro es de ,000.
La iteracin actual es 2. La distancia mnima entre los centros iniciales es de 82,225.
Centros de los conglomerados finales

Conglomerado
1
talla
187,00
175,00
sueldo
105,00
173,33
ANOVA
talla
sueldo
Conglomerado
Media
cuadrtica
gl
172,800
5603,333
1
1
Error
Media
cuadrtica
19,333
55,556
gl
3
F
8,938
Sig.
,058
100,860
,002
Las pruebas F slo se deben utilizar con una finalidad descriptiva puesto que los conglomerados han sido
elegidos para maximizar las diferencias entre los casos en diferentes conglomerados. Los niveles crticos
no son corregidos, por lo que no pueden interpretarse como pruebas de la hiptesis de que los centros de
los conglomerados son iguales.
Nmero de casos en cada conglomerado
70
Conglomerad
o
Vlidos
Perdidos
2,000
3,000
5,000
,000

71
Captulo 11
Anlisis de Series Temporales
11.1. Introduccin
El Anlisis de Series Temporales se estudia en el Captulo 13 de TA y en el
7 de TAEA.
11.2. Identificacin del modelo

Los grficos necesarios para identificar el modelo se obtienen ejecutando la
secuencia
Grficos Serie temporal Autocorrelacin
Ejemplo 13.1-TA __________________________________________
Ejecutando la secuencia anterior (Figura 11.1)
Figura 11.1
72
Obtenemos los siguientes resultados en donde se observa que los dos ltimos
grficos se corresponden exactamente con las Figuras 13.2 y 13.4 del texto TA,
funciones ACF y PACF respectivamente, con la excepcin del primer valor que,
como all dijimos, es siempre igual a 1 y que aqu desaparece.
Autocorrelaciones simples
MODEL:
MOD_2.
Autocorrelations:
niveles
Auto- Stand.
Lag Corr.
Err. -1 -.75 -.5 -.25
0
.25 .5
.75
1
Ljung Prob.
1
,576
,140
16,914
,000
2
,182
,138
18,639
,000
3 -,145
,137
19,756
,000
4 -,175
,135
21,423
,000
5 -,150
,134
22,673
,000
6 -,021
,132
22,698
,001
7 -,020
,131
22,722
,002
8 -,004
,129
22,723
,004
9 -,136
,127
23,856
,005
10 -,154
,126
25,351
,005
11 -,097
,124
25,964
,007
12
,049
,122
26,124
,010
13
,120
,121
27,104
,012
14
,087
,119
27,635
,016
15
,119
,117
28,663
,018
16
,151
,115
30,374
,016
Plot Symbols:
Total cases:
*****.******
**** .
. ***
. ***
. ***
. ***
. ***
**
**
**
*** .
Autocorrelations *
48
**
Box-
Two Standard Error Limits .
Computable first lags:
47

Partial Autocorrelations:
Lag
73
niveles
Pr-Aut- Stand.
Corr.
Err. -1 -.75 -.5 -.25
0
.25 .5
.75
1
*****.******
,576
,144
-,223
,144
. ****
-,227
,144
.*****
,103
,144
-,076
,144
,068
,144
7
8
9
10
11
-,104
,012
-,188
,003
,066
,144
,144
,144
,144
,144
.
**
.
*
. ****
.
*
.
*
.
.
.
.
.
12
13
14
,032
,022
-,093
,144
,144
,144
.
.
.
*
*
**
.
.
.
15
,230
,144
*****.
16
,044
,144
Plot Symbols:
Total cases:
Autocorrelations *
48
.
.
**
**
.
.
.
Two Standard Error Limits .
Computable first lags:
47
74
niveles
Coeficiente
1,0
Lmite superior
de confianza
Lmite inferior
de confianza
ACF
0,5
0,0
-0,5
-1,0
1
9 10 11 12 13 14 15 16
No de retardos

75
niveles
Coeficiente
1,0
Lmite superior
de confianza
Lmite inferior
de confianza
ACF parcial
0,5
0,0
-0,5
-1,0
1
9 10 11 12 13 14 15 16
No de retardos
11.3. Estimacin de parmetros

La estimacin de los parmetros del modelo ARIMA(p,d,q) seleccionado en
la seccin anterior se lleva a cabo con la secuencia
Analizar Series temporales ARIMA
Ejemplo 13.1-TA(continuacin) ________________________________
Ejecutando la secuencia anterior a los datos del Ejemplo 13.1 del texto,
como se indica en la Figura 11.2 aparece la ventana de dilogo de la Figura
11.3 en donde incluimos la variable en estudio como variable Dependiente
segn se indica en la Figura 11.3, as como los valores del modelo ARIMA a
ajustar
76
Figura 11.2
Figura 11.3
Antes de preceder a ejecutar el Anlisis, es conveniente modificar un tanto
las Opciones, eligiendo las que aparecen en la Figura 11.4. En concreto, en lo
que se refiere al nmero de iteraciones (aumentndolo), a los niveles de
tolerancia (disminuyndolos) y a la eliminacin de los clculos intermedios, de
manera que slo nos d las estimaciones finales.

77
Figura 11.4
Con estas selecciones, pulsando los botones Continuar y luego Aceptar,
se obtuvieron los siguientes resultados, en donde pueden verse, en [1] , los
valores de las estimaciones obtenidas, las mismas que en TA pero con el signo
cambiado la del coeficiente de la Media Mvil. En [2] aparece el valor del
logaritmo de la verosimilitud alcanzada y, en [3] , el de la cantidad de
informacin de Akaike.
Arima
MODEL:
MOD_1
Split group number: 1 Series length: 48

No missing data.
Melard's algorithm will be used for estimation.
Conclusion of estimation phase.

Estimation terminated at iteration number 68 because:
Sum of squares decreased by less than ,0001 percent.
FINAL PARAMETERS:
Number of residuals
Standard error
Log likelihood
AIC
SBC
48
,45291761
-28,798731
63,597462
69,211065
[2]
[3]
78
Analysis of Variance:
Residuals
DF
Adj. Sum of Squares
Residual Variance
45
9,3163187
,20513437
Variables in the Model:
AR1
MA1
CONSTANT
SEB
T-RATIO
APPROX. PROB.
,4478397
-,2041347
2,4100066
,22299179
,24527657
,13973742
2,008324
-,832263
17,246680
,05063335
,40965538
,00000000
[1]
The following new variables are being created:
Name
FIT_1
ERR_1
LCL_1
UCL_1
SEP_1
Label
Fit for niveles from ARIMA, MOD_1 CON
Error for niveles from ARIMA, MOD_1 CON
95% LCL for niveles from ARIMA, MOD_1 CON
95% UCL for niveles from ARIMA, MOD_1 CON
SE of fit for niveles from ARIMA, MOD_1 CON

79
Captulo 12
Regresin Logstica
12.1. Regresin Logstica

Este Mtodo Estadstico se estudia en el Captulo 9 del texto TA y en el 6 de
TAEA. Su tratamiento con SPSS se basa en ejecutar la secuencia
Analizar Regresin Logstica binaria
Ejemplo 9.1-TA ___________________________________________
Despus de introducir los datos, ejecutamos la secuencia anterior, como
puede verse en la Figura 12.1
Figura 12.1
80
Entonces se abre una ventana de dilogo como la de la Figura 12.2 en

donde deberemos incluir la variable dependiente (necesariamente dicotmica)
en la ventana Dependiente; el resto de las covariables en Covariables,
marcando las que sean cualitativas con el botn Categrica.
Figura 12.2
Al correr ahora el programa, presionando el botn Aceptar, se obtienen los
siguientes resultados
Regresin logstica
Casos no ponderados(a)
Casos seleccionados
N
Incluidos en el anlisis
Casos perdidos
Total
Casos no seleccionados
Total
50
Porcentaje
100,0
,0
50
100,0
,0
50
100,0
a Si est activada la ponderacin, consulte la tabla de clasificacin para ver el nmero total de casos.
Codificacin de la variable dependiente

Valor original
,00
1,00
Valor interno
0
1

81
[1]
Codificaciones de variables categricas

Codificacin de parmetros
activi
presion
angina
Frecuencia
9
(1)
1,000
(2)
,000
1,00
12
,000
1,000
,000
2,00
19
,000
,000
1,000
3,00
10
,000
,000
,000
,00
24
1,000
1,00
26
,000
,00
1,000
1,00
43
,000
,00
(3)
,000
Bloque 0: Bloque inicial

Tabla de clasificacin(a,b)
Observado
Pronosticado
infarto
,00
Paso 0
infarto
Porcentaje
correcto
1,00
,00
17
,0
1,00
33
100,0
Porcentaje global
66,0
a En el modelo se incluye una constante.

b El valor de corte es ,500
Variables en la ecuacin
B
Paso 0
Constante
E.T.
,299
,663
Wald
4,936
gl
1
Sig.
,026
Exp(B)
1,941
Variables que no estn en la ecuacin
Paso 0
Variables
Sig.
,398
activi(1)
2,273
,132
activi(2)
,570
,450
activi(3)
,806
,369
angina(1)
1,410
,235
presion(1)
3,566
,059
,230
,632
7,395
,286
Activi
Edad
Estadsticos globales
Puntuacin
2,957
Bloque 1: Mtodo = Por pasos hacia atrs (Wald)
gl
82
Pruebas omnibus sobre los coeficientes del modelo

Chi-cuadrado
Paso 1
Paso
2(a)
Paso
3(a)
Paso
4(a)
gl
Sig.
Paso
8,441
,208
Bloque
8,441
,208
Modelo
8,441
,208
-2,171
,538
Bloque
6,270
,099
Modelo
6,270
,099
Paso
-,707
,400
Bloque
5,563
,062
Modelo
5,563
,062
Paso
Paso
-1,912
,167
Bloque
3,650
,056
Modelo
3,650
,056
a Un valor de chi-cuadrado negativo indica que ha disminuido el valor de chi-cuadrado con respecto al
paso anterior.
Resumen de los modelos
-2 log de la
verosimilitud
55,662(a)
R cuadrado de
Cox y Snell
,155
R cuadrado
de
Nagelkerke
,215
57,834(a)
,118
,163
58,541(a)
,105
,146
Paso
1
60,453(b)
,070
,097
a La estimacin ha finalizado en el nmero de iteracin 5 porque las estimaciones de los parmetros han
cambiado en menos de ,001.
b La estimacin ha finalizado en el nmero de iteracin 4 porque las estimaciones de los parmetros han
cambiado en menos de ,001.
Tabla de clasificacin(a)
Observado
Pronosticado
infarto
,00
Paso 1
infarto
Porcentaje
correcto
1,00
,00
12
29,4
1,00
32
97,0
Porcentaje global
Paso 2
infarto
74,0
,00
10
41,2
1,00
29
87,9
Porcentaje global
Paso 3
infarto
72,0
,00
12
70,6
1,00
10
23
69,7
,00
17
,0
1,00
33
100,0
Porcentaje global
Paso 4
infarto
Porcentaje global
a El valor de corte es ,500
70,0
66,0

83
B
Paso
1(a)
gl
3
Sig.
,559
Exp(B)
-1,221
1,127
1,174
,279
,295
activi(2)
,017
1,036
,000
,987
1,017
activi(3)
,088
,919
,009
,924
1,092
2,111
1,408
2,248
,134
8,260
1,178
,703
2,812
,094
3,249
-,038
,039
,978
,323
,962
2,083
2,223
,877
,349
8,026
1,633
1,204
1,840
,175
5,120
1,328
,671
3,916
,048
3,773
-,030
,036
,691
,406
,971
1,429
1,808
,625
,429
4,174
,218
4,148
,054
3,500
,931
,964
,064
3,257
,695
1,167
presion(1
)
edad
Paso
3(a)
Wald
2,063
activi(1)
angina(1)
Paso
2(a)
E.T.
activi
Constant
e
angina(1)
presion(1
)
edad
Constant
e
angina(1)
1,423
1,154
1,520
presion(1
1,253
,651
3,699
)
Constant
-,036
,421
,007
e
Paso
presion(1
1,181
,638
3,423
4(a)
)
Constant
,154
,393
,154
e
a Variable(s) introducida(s) en el paso 1: activi, angina, presion, edad.
Variables que no estn en la ecuacin
Puntuacin
Paso 2(a)
Variables
2,187
,534
2,171
,141
activi(2)
,099
,753
,462
,497
2,187
,534
Variables
Activi
1,894
,595
activi(1)
1,744
,187
activi(2)
,177
,674
activi(3)
,512
,474
Edad
,706
,401
2,816
,589
Activi
1,567
,667
activi(1)
1,163
,281
activi(2)
,153
,696
activi(3)
,631
,427
1,699
,192
,281
,596
4,107
,534
Paso 4(c)
Sig.
activi(1)
activi(3)
Paso 3(b)
gl
Activi
Variables
angina(1)
Edad
a Variable(s) eliminada(s) en el paso 2: activi.
84
b Variable(s) eliminada(s) en el paso 3: edad.
c Variable(s) eliminada(s) en el paso 4: angina.
[2]
Es muy interesante la codificacin que realiza SPSS, la cual hemos

marcado ms arriba con [1], que indica cul ser el modelo finalmente
ajustado, la cual aparentemente lleva a ajustes de modelos distintos a los
obtenidos con BMDP SAS.
En la ltima tabla hemos marcado con [2] el lugar en el que podemos
observar que la nica covariable de las 4 con lo que nos quedamos ser la que
no aparece all, es decir, Presin.
Volviendo a correr el programa ahora slo con Presin obtendramos el
modelo final que se ajusta,
log (p/(1-p)) = 0154 + 1181 Presin
en donde apuntamos de nuevo la diferencia de codificaciones en las variables
para explicar la aparente diferencia con los resultados de otros paquetes
estadsticos.

85
Captulo 13
Regresin Poisson
13.1. Regresin Poisson

El estudio de este tipo de modelos puede seguirse en el Captulo 10 del
texto TA y en el 6 de TAEA. Su ejecucin con SPSS consiste en la secuencia
Analizar Loglineal General
Ejemplo 10.1-TA __________________________________________
Despus de introducir los datos y ejecutar la secuencia anterior, Figura 13.1,
Figura 13.1
86
En la ventana que se abra despus de hacer dicha seleccin deberemos incluir

(Figura 13.2) la variable dependiente (es decir, la Tasa) en la ventana
Estructura de las casillas y las covariables cualitativas, Edad y Sexo, en
Factores.
.
Figura 13.2
A continuacin, en el botn Modelo, elegimos la opcin Personalizado y
completamos la ventana de la derecha desplazando las dos covariables como
Efectos principales (Figura 13.3).
Figura 13.3

87
Despus de aceptar esas selecciones con el botn Continuar, volvemos a

la ventana de dilogo anterior, en donde elegimos las Opciones que aparecen
en la Figura 13.4.
Figura 13.4
Una vez aceptadas stas con el botn Continuar y ejecutando todas las
selecciones con el botn Aceptar de la ventana de dilogo principal,
obtenemos los resultados que aparecen a continuacin,
Loglineal general
Informacin sobre los datos
N
Casos
Vlidos
Perdidos
Casillas
Vlidos
ponderados
Casillas definidas
Categoras
Ceros
estructurales
Ceros de
muestreo
edad
6
6
0
0
3
sexo
Informacin sobre la convergencia(a,b)

Nmero mximo de
iteraciones
Tolerancia de
convergencia
20
,00100
88
Mxima diferencia
absoluta final
,00013(c)
Mxima diferencia
relativa final
,00078
Nmero de iteraciones
a Modelo: Poisson
b Diseo: Constante + edad + sexo
c La iteracin ha convergido ya que el mximo de cambios absolutos de las estimaciones de los
parmetros es inferior al criterio de convergencia especificado.
Contrastes de bondad de ajuste(a,b)
Valor
,004
,004
gl
2
Sig.
,998
,998
[3]
a Modelo: Poisson
Residuos y recuentos de casillas(a,b)

Observado
edad
1,00
2,00
3,00
Esperado
sexo
,00
Recuento
1
%
16,7%
Recuento
,976
%
16,3%
Residual
,024
Residuo
tipificado
,024
Residuo
corregido
,041
1,00
16,7%
1,024
17,1%
-,024
-,023
-,041
-,023
,00
16,7%
1,038
17,3%
-,038
-,037
-,066
-,038
1,00
16,7%
,962
16,0%
,038
,039
,066
,039
,00
16,7%
,985
16,4%
,015
,015
,025
,015
16,7%
1,015
16,9%
-,015
-,014
-,025
-,014
1,00
1
a Modelo: Poisson
Estimaciones de los parmetros(b,c)

Intervalo de confianza al
95%
Parmetro
Constante
Estimacin
Error tpico
Sig.
Lmite
superior
Lmite inferior
2,540
,814
3,122
,002
,946
4,135
[edad = 1,00]
-,328
1,000
-,328
,743
-2,288
1,632
[edad = 2,00]
-,171
1,000
-,171
,864
-2,131
1,789
[edad = 3,00]
0(a)
[sexo = ,00]
-,029
,817
-,036
,972
-1,630
1,572
[sexo = 1,00]
0(a)
[1]
[2]
a Este parmetro se ha definido como cero ya que es redundante.

b Modelo: Poisson
c Diseo: Constante + edad + sexo
Correlaciones de las estimaciones de los parmetros(a,b,c)
Constante
[edad = 1,00]
[edad = 2,00]
[sexo = ,00]
Desviacin
,024

Constante
[edad = 1,00]
[edad = 2,00]
89
-,616
-,604
-,616
,500
,004
-,604
,500
-,022
-,022
[sexo = ,00]
-,495
,004
a Modelo: Poisson
c Los parmetros redundantes no se muestran.
-,495
Covarianzas de las estimaciones de los parmetros(a,b,c)

Constante
,662
[edad = 1,00]
-,501
[edad = 1,00]
-,501
1,000
,500
,003
[edad = 2,00]
-,491
,500
1,000
-,018
[sexo = ,00]
-,329
,003
-,018
,667
Constante
[edad = 2,00]
-,491
[sexo = ,00]
-,329
a Modelo: Poisson
c Los parmetros redundantes no se muestran.
Residuos corregidos
Frecuencias ...
Frecuencias ...
Modelo de Poisson
Frecuencias ...
Frecuencias ...
Residuos corregidos
90
Grfico Q-Q normal de residuos corregidos
1,5
Valor normal esperado
1,0
0,5
0,0
-0,5
-1,0
-1,5
-0,075
-0,050
-0,025
0,000
0,025
0,050
0,075
Residuos corregidos
Grfico Q-Q normal de residuos corregidos
0,3
Desviacin de normal
0,2
0,1
0,0
-0,1
-0,2
-0,3
-0,075
-0,050
-0,025
0,000
0,025
0,050
0,075
Residuos corregidos
En la mencionada salida se observa, marcado con [1] , la codificacin que

da SPSS a los parmetros del modelo, haciendo iguales a cero [Edad=3] y
[Sexo=1] ya que de las covariables cualitativas hay que construir el Modelo con
tantas variables indicadoras como clases tengan las covariables cualitativas
menos una.
En [2] aparecen las estimaciones obtenidas, las cuales proporcionan el
Modelo
log Tasa = 2'540 - 0'328 [Edad=1] -0'171 [Edad=2] -0'029 [Sexo=0]
Esto hace que para un Hombre ([Sexo=0]) de 50 a 70 aos ([Edad=2]) se
obtenga una prediccin en su tasa de supervivencia igual a
log Tasa} = 2'540 - 0'328 * 0 - 0'171 * 1 - 0'029 * 1 = 2'34.

91
Observemos que en TA obtuvimos, en esta misma situacin, prcticamente

el mismo valor pero con signo menos; la razn es que SPSS ajusta un modelo
de la forma Xi en donde la variable dependiente que supuestamente sigue
la distribucin de Poisson (habitualmente una tasa de fallo) es de la forma
r = exp{- Xi
Por tanto, deberemos cambiar el signo de la tasas ajustadas con SPSS,

quedando, en este caso igual a -2'34, como en TA.
Por ltimo, en [3], observamos el contraste del modelo ajustado que
claramente puede admitirse.
92

93
Captulo 14
Anlisis de Supervivencia sin covariables
14.1. Introduccin
Para realizar cualquier anlisis, primero debemos incluir los datos en el
Editor de Datos de la forma habitual
Ejemplo 2.1. Cuadernos de Estadstica Aplicad: rea de la Salud (ratas.sav)
Primero incorporamos los datos utilizando tres variables: los Das, que es la
variable en observacin, el Grupo, 1 2, y el Estatus, de valores, 2 para los
individuos no censurados y el 1 para los censurados, como puede apreciarse
en la Figura 14.1.
Figura 14.1
94
14.2. Tablas de Mortalidad

Para obtener las Tablas de Mortalidad, que no son ms que las
distribuciones de frecuencias de las observaciones, ejecutamos la secuencia
(Figura 14.2)
Analizar Supervivencia Tablas de mortalidad
Figura 14.2
con lo que nos aparecer el cuadro de dilogo de la Figura 14.3, que hemos
completado incluyendo en Hora, la variable en observacin Das. En Intervalos
de Tiempo elegimos el extremo superior, 400, y pedimos que los intervalos
tengan amplitud 5
Figura 14.3

95
En Estado le indicamos cul es la variable que nos indica si el datos es

censurado o no y le sealamos el valor de las que queremos obtener las
distribuciones de frecuencias.
En el botn Opciones elegimos las dadas por la Figura 14.4 para obtener
todas las grficas y el test de comparacin de ambas poblaciones
Figura 14.4
Finalmente, con el botn Aceptar, obtenemos los siguientes resultados
Variable de supervivencia: Tiempos
Tabla de mortalidad
Momento de inicio del

Controles de primer orden
intervalo
Grupo
Nmero que
Nmero que
Nmero
Nmero de
entra en el
sale en el
expuesto a
eventos
Proporcin que
intervalo
intervalo
riesgo
terminales
termina
19
19,000
Proporci
sobre
,00
96
30
19
19,000
,00
60
19
19,000
,00
90
19
19,000
,00
120
19
19,000
,05
150
18
18,000
,06
180
17
17,000
,35
210
11
10,500
,57
240
3,500
,57
270
1,000
,00
300
1,000
1,00
21
21,000
,00
30
21
21,000
,00
60
21
21,000
,00
90
21
21,000
,00
120
21
21,000
,05
150
20
20,000
,10
180
18
17,500
,11
210
15
15,000
,47
240
8,000
,25
270
6,000
,67
300
2,000
,50
330
,500
,00
Mediana del tiempo de supervivencia

Controles de primer orden
Grupo
Tiempo med.
1
217,159
231,947
Control de primer orden: Grupo

97
98

99
Comparaciones para la variable de control: Grupo
Comparaciones globales
Estadstico de Wilcoxon
(Gehan)
gl
2,571
Sig.
1
,109
a. Las comparaciones son exactas.
14.3. Estimador de Kaplan-Meier y Comparacin de Curvas de

Supervivencia
El otro mtodo utilizado para estimar la distribucin de la variable Tiempo
de Fallo es el estimador de Kaplan-Meier. Si queremos determinar estos
estimadores en las poblaciones en las que se han dividido las observaciones y,
adems, comparar stas, ejecutamos la secuencia (Figura 1.5)
Analizar Supervivencia Kaplan-Meier
Figura 14.5
con lo que aparece el cuadro de dilogo de la Figura 14.6, en el que hemos
100
Figura 14.6
incorporado en la ventana Horas la variable en observacin Das; en la ventana
Estado hemos incluido la variable que nos indica si el dato es censurado o no,
es decir, la variable Estatus, indicando que es 2 el valor de sta que nos
proporciona los Datos no censurados. Finalmente, en la ventana Factor, hemos
incorporado la variable que forma los grupos a comparar.
Con el botn Comparar Factores indicamos los estadsticos a utilizar en la
comparacin de los dos grupos. Hemos elegido los tres posibles (Figura 14.7).
Figura 14.7
Despus de elegir el botn Continuar, en el botn Opciones, le marcamos slo
la opcin de los Grficos de Supervivencia (Figura 14.8).

101
Figura 14.8
Ahora, presionando los botones Continuar, Aceptar, obtenemos los siguientes
resultados:

Censurado
Grupo
N total
N de eventos
Porcentaje
19
17
10,5%
21
19
9,5%
Global
40
36
10,0%
Comparaciones globales
Chi-cuadrado
Gl
Sig.
Log Rank (Mantel-Cox)
3,123
,077
Breslow (Generalized Wilcoxon)
2,651
,103
Tarone-Ware
2,977
,084
Prueba de igualdad de distribuciones de supervivencia para diferentes niveles de Grupo.
102
en donde se observa primero un resumen de los datos, a continuacin los tres

tests de comparacin de las dos poblaciones, siendo los dos primeros tests los
considerados en el texto de teora, indicando una aceptacin de la igualdad de
ambas poblaciones. Finalmente aparece el grfico de las dos curvas de
supervivencia de Kaplan-Meier.

103
Captulo 15
Anlisis de Supervivencia con covariables
15.1. Introduccin
Para realizar cualquier anlisis, primero debemos incluir los datos en el
Editor de Datos de la forma habitual.
Ejemplo 2.2. Cuadernos de Estadstica Aplicad: rea de la Salud (globulos.sav)
Primero incorporamos los datos como puede apreciarse en la Figura 15.1.
Figura 15.1
104
Si queremos realizar una Regresin de Cox ejecutaremos la secuencia

Analizar -> Supervivencia -> Regresin de Cox
Como puede verse en la Figura 15.2
Figura 15.2
Completamos en cuadro de dilogo como se indica en la Figura 15.3
Figura 15.3

105
Si alguna de las covariables fuera categrica habra que indicrselo.

Presionando el botn Aceptar se obtendran los siguientes resultados,
Regresin de Cox
Notas
Resultados creados
27-abr-2011 20:21:47
Comentarios
Entrada
Datos
G:\charlas\globulos.sav
Conjunto de datos activo
Conjunto_de_datos1
Filtro
<ninguno>
Peso
<ninguno>
Segmentar archivo
<ninguno>
Nm. de filas del archivo de trabajo

Tratamiento de los datos perdidos
Definicin de perdidos
33
Los valores perdidos definidos por el usuario se
consideran perdidos.
Sintaxis
COXREG Tiempos
/STATUS=estatus(2)
/STRATA=Poblacion
/METHOD=BSTEP(WALD) globulos
/CRITERIA=PIN(.05) POUT(.10) ITERATE(20).
Recursos
Tiempo de procesador
00 00:00:00,016
Tiempo transcurrido
00 00:00:00,015
[Conjunto_de_datos1] G:\charlas\globulos.sav
Resumen del proceso de casos

N
Casos disponibles en el anlisis
Eventoa
33
100,0%
,0%
33
100,0%
Casos con valores perdidos
,0%
Casos con tiempo negativo
,0%
Casos censurados antes del evento
,0%
,0%
33
100,0%
Censurado
Total
Casos excluidos
Porcentaje
ms temprano en un estrato
Total
Total
106

N
Eventoa
33
100,0%
,0%
33
100,0%
,0%
,0%
,0%
,0%
33
100,0%
Censurado
Total
Casos excluidos
Porcentaje
Total
Total
a. Variable dependiente: Tiempos
Estado del estratoa

Estrato
Evento
Censurado
Porcentaje censurado
17
,0%
16
,0%
Total
33
,0%
a. La variable de estratos es: Poblacion
Pruebas omnibus sobre los

coeficientes del modelo
-2 log de la verosimilitud
129,705
Pruebas omnibus sobre los coeficientes del modeloc

-2 log de la
Paso
verosimilitud
127,593
129,705
1
2
Global (puntuacin)
Chi-cuadrado
2,338
gl
Cambio desde el paso anterior

Sig.
Chi-cuadrado
,126
gl
Cambio desd
Sig.
Chi-cuadrado
2,112
,146
2,112
2,112
,146
,000

107

Global (puntuacin)
-2 log de la
Paso
verosimilitud
1a
127,593
129,705
Chi-cuadrado
gl
2,338

Sig.
Chi-cuadrado
,126
gl
Cambio desd
Sig.
Chi-cuadrado
2,112
,146
2,112
2,112
,146
,000
a. Variables introducidas en el paso nmero 1: globulos

b. Variable eliminada en el paso nmero 2: globulos
c. Bloque inicial nmero 1. Mtodo = Por pasos hacia atrs (Wald)
B
Paso 1
globulos
ET
,008
Wald
,005
gl
2,275
Sig.
1
Exp(B)
,132
1,008
Variables que no estn en la ecuacina

Puntuacin
Paso 2
globulos
2,338
gl
Sig.
1
,126
a. Chi-cuadrado residual = 2,338 con 1 gl Sig. = ,126
Medias de las covariables

Media
globulos
29,165
Destacamos el contraste sobre la significacin de la covariable glbulos que

indica que no es significativa para explicar a la variable tiempo de fallo, al ser el
p-valor del test, 0126.
No obstante, si consideramos la variable log(glbulos) veamos lo que pasa.
Primero la creamos con la secuencia
Transformar -> Calcular variable
como indicamos en la Figura 15.4, presionando el botn Aceptar
108
Figura 15.4
con lo que la matriz de datos es la de la Figura 15.5
Figura 15.5
Ahora repetimos el proceso anterior analizando si la nueva variable es
significativa para explicar la variable Tiempos. Primero completamos el cuadro
de dilogo, Figura 15.6,

109
Figura 15.6
obteniendo ahora los siguientes resultados, en donde se aprecia en el ltimo
test que s es significativa esta nueva covariable.
Regresin de Cox
Notas
Resultados creados
27-abr-2011 20:32:32
Comentarios
Entrada
Datos
Conjunto_de_datos1
Filtro
<ninguno>
Peso
<ninguno>
Segmentar archivo
<ninguno>

33
Sintaxis
COXREG Tiempos
/STATUS=estatus(2)
/STRATA=Poblacion
/METHOD=BSTEP(WALD) logglo
Recursos
00 00:00:00,016
Tiempo transcurrido
00 00:00:00,014
110
N
a
Evento
33
100,0%
,0%
33
100,0%
,0%
,0%
,0%
,0%
33
100,0%
Censurado
Total
Casos excluidos
Porcentaje
Total
Total
Estado del estratoa

Estrato
Evento
Censurado
Porcentaje censurado
17
,0%
16
,0%
Total
33
,0%
a. La variable de estratos es: Poblacion

129,705
Pruebas omnibus sobre los coeficientes del modelob

-2 log de la
Paso
a
verosimilitud
122,403
Global (puntuacin)
Chi-cuadrado
Gl
7,424

Sig.
a. Variables introducidas en el paso nmero 1: logglo

b. Bloque inicial nmero 1. Mtodo = Por pasos hacia atrs (Wald)
Chi-cuadrado
,006
7,302
gl
Cambio desd
Sig.
Chi-cuadrado
,007
7,302

B
Paso 1
logglo
111
ET
,378
Wald
,142
gl
7,056
Sig.
1
Exp(B)
,008
1,459

Media
logglo
2,616
Si queremos analizar si hay diferencias entre las dos poblaciones, podramos

utilizar esta variable como covariable y analizar si es significativa
cumplimentando el cuadro de dilogo como se indica en la Figura 15.7
Figura 15.7
obteniendo los siguientes resultados,
Regresin de Cox
Notas
Resultados creados
27-abr-2011 20:58:25
Comentarios
Entrada
Datos
Conjunto_de_datos1
Filtro
<ninguno>
112
Peso
<ninguno>
Segmentar archivo
<ninguno>

33
Sintaxis
COXREG Tiempos
/STATUS=estatus(2)
/CONTRAST (Poblacion)=Indicator
/METHOD=BSTEP(WALD) Poblacion logglo
Recursos
00 00:00:00,015
Tiempo transcurrido
00 00:00:00,016
N
Evento
33
100,0%
,0%
33
100,0%
,0%
,0%
,0%
,0%
33
100,0%
Censurado
Total
Casos excluidos
Porcentaje
Total
Total
Codificaciones de variables categricasb

Frecuencia
Poblaciona
(1)
17
16
a. Codificacin de parmetros de indicador

b. Variable de categora: Poblacion

171,994

113

Global (puntuacin)
-2 log de la
Paso
verosimilitud
Chi-cuadrado
157,363
Gl
15,325

Sig.
Chi-cuadrado
,000
gl
14,631
Cambio desd
Sig.
Chi-cuadrado
,001
a. Variables introducidas en el paso nmero 1: Poblacion logglo

b. Bloque inicial nmero 1. Mtodo = Por pasos hacia atrs (Wald)
B
Paso 1
Poblacion
logglo
ET
Wald
gl
Sig.
Exp(B)
-1,018
,423
5,775
,016
,361
,360
,136
7,068
,008
1,434

Media
Poblacion
Logglo
,515
2,616
Los p-valores 0016 y 0008 indican que la poblacin s es significativa (hay

diferencias) y que log(globulos) tambin influye.
Si elegimos la opcin del botn de grficos del cuadro de dilogo de la Figura
15.8, en donde le pedimos la representacin de las dos curvas de
supervivencia de ambas poblaciones,
14,631
114
Figura 15.8
vemos grficamente la diferencia significativa en la Figura 15.9
Figura 15.9

Estadística Aplicada Con SPSS

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Estadística Aplicada Con SPSS

Hochgeladen von

Copyright:

Verfügbare Formate

ESTADSTICA APLICADA

Alfonso Garca Prez

ESTADSTICA APLICADA CON SPPS

Copyright 2011 Alfonso Garca Prez

Edita: Universidad Nacional de Educacin a Distancia

ALFONSO GARCA PREZ y

ESTADSTICA APLICADA CON SPPS

ALFONSO GARCA PREZ y

El presente texto es dedicado al estudio de Paquete estadstico SPSS para el

Alfonso Garca Prez

ESTADSTICA APLICADA CON SPPS

ALFONSO GARCA PREZ y

1.2. El editor de datos

ESTADSTICA APLICADA CON SPPS

ALFONSO GARCA PREZ y

ESTADSTICA APLICADA CON SPPS

ALFONSO GARCA PREZ y

ESTADSTICA APLICADA CON SPPS

aparecindonos una ventana de dilogo como la de la Figura 2.2

ALFONSO GARCA PREZ y

sta es la denominada Sintaxis SPSS o Lenguaje de Programacin SPSS, que

ESTADSTICA APLICADA CON SPPS

Error tp. de asimetra

Error tp. de curtosis

ALFONSO GARCA PREZ y

El histograma final se puede editar y cambiar los colores, el ttulo, etc.

ESTADSTICA APLICADA CON SPPS

ALFONSO GARCA PREZ y

Intervalos y Contrastes bsicos

3.1. Intervalos y tests t-Student

ESTADSTICA APLICADA CON SPPS

A continuacin aparece (Figura 3.2) el siguiente cuadro de dilogo en donde

Prueba para una muestra

Al final del segundo cuadro vemos el intervalo de confianza de confianza 095.

ALFONSO GARCA PREZ y

4.1. Un Factor: Diseo Completamente Aleatorizado

ESTADSTICA APLICADA CON SPPS

ALFONSO GARCA PREZ y

en donde destaca el ltimo grfico, el Diagrama de Cajas buscado, en donde

ESTADSTICA APLICADA CON SPPS

El Anlisis de la Varianza para un factor puede hacerse ahora con la

ALFONSO GARCA PREZ y

en la Figura 4.5. Con el botn Aceptar obtendramos ahora los siguientes

Pruebas de los efectos inter-sujetos

de donde destaca el ltimo cuadro que es la tabla de Anlisis de la Varianza

ESTADSTICA APLICADA CON SPPS

Pruebas post hoc

ALFONSO GARCA PREZ y

Basado en las medias observadas.

Se muestran las medias para los grupos en subconjuntos homogneos.

ESTADSTICA APLICADA CON SPPS

Basado en la suma de cuadrados tipo III

observndose en la ltima tabla los mismos grupos de tratamientos

4.2. Un Factor: Diseo por Bloques Aleatorizados

ALFONSO GARCA PREZ y

Pruebas de los efectos inter-sujetos

ESTADSTICA APLICADA CON SPPS

en donde la ltima tabla es la de Anlisis de la Varianza obtenida en CB.

4.3. Dos Factores: Diseo Completamente Aleatorizado

ALFONSO GARCA PREZ y

Pruebas de los efectos inter-sujetos

a R cuadrado = ,932 (R cuadrado corregida = ,911)

ESTADSTICA APLICADA CON SPPS