Beruflich Dokumente
Kultur Dokumente
1
2
3
.776
b
.839
c
.845
R cuadrado
a
Error tp. de la
estimacin
.63180
.54701
.53810
Modelo
1
Regresin
Residual
Total
Regresin
Residual
Total
Regresin
Residual
Total
ANOVA
Suma de
cuadrados
117.768
77.838
195.606
137.559
58.048
195.606
139.722
55.884
195.606
gl
1
195
196
2
194
196
3
193
196
Media
F
cuadrtica
117.768 295.031
.399
Sig.
.000
68.779 229.866
.299
.000
46.574 160.847
.290
.000
Modelo
(Constante)
Rendimiento contextual
(Constante)
Rendimiento contextual
Rendimiento de tarea
(Constante)
Rendimiento contextual
Rendimiento de tarea
Proactividad
1
2
Coeficientes no
estandarizados
Error
B
tp.
.650
.249
1.127
.066
-.333
.247
.682
.079
.752
.093
-.210
.247
.543
.093
.709
.092
.169
.062
Coeficientes
Coeficientes
tipificados
Correlaciones
t
Sig.
Beta
.776
.469
.442
.374
.417
.155
2.610
17.176
-1.349
8.640
8.133
-.850
5.862
7.683
2.733
.010
.000
.179
.000
.000
.396
.000
.000
.007
Orden
cero
Parcial
Semiparcial
.776
.776
.776
.776
.767
.527
.504
.338
.318
.776
.767
.672
.389
.484
.193
.226
.296
.105
Variables excluidas
Beta
dentro
Modelo
1
2
3
Rendimiento de tarea
Adaptabilidad
Proactividad
Adaptabilidad
Proactividad
Adaptabilidad
.442
.060
.229
.013
.155
-.092
t
8.133
.915
3.595
.219
2.733
-1.400
Responda
a
las
siguientes
cuestiones:
Sig.
.000
.361
.000
.827
.007
.163
Correlacin
parcial
.504
.066
.250
.016
.193
-.101
Estadsticos de
colinealidad
Tolerancia
.518
.470
.472
.465
.459
.340
1.
2.
Qu
tcnica
estadstica
(y
procedimiento)
utiliz
el
investigador?
Cules
son
las
variables
implicadas
y
su
funcin?
Se
trata
de
un
anlisis
de
regresin
lineal
mltiple.
Es
un
anlisis
de
regresin
lineal
porque
queremos
explorar
y
cuantificar
la
relacin
lineal
entre
una
variable
cuantitativa
llamada
dependiente
o
criterio
que
queremos
predecir
(Y)
que
en
nuestro
caso
es
el
rendimiento
general
y
las
variables
independientes.
Es
mltiple
porque
hay
ms
de
una
variable
independiente
o
predictora
(Xi),
en
nuestro
caso
seran
las
variables:
rendimiento
contextual,
rendimiento
de
tarea,
adaptabilidad
y
proactividad
tambin
de
tipo
cuantitativo.
Sobre
la
base
del
modelo
de
regresin
que
construimos
podemos
valorar
el
impacto
individual
y
colectivo
de
las
variables
independientes
sobre
la
dependiente,
y
tambin
efectuar
pronsticos
sobre
la
variable
dependiente.
A
la
hora
de
realizar
un
anlisis
de
regresin
lineal
mltiple
se
llevan
a
cabo
5
tipos
diferentes
de
contrastes
de
hiptesis
para
evaluarlo:
Contraste
sobre
el
modelo
de
regresin
(se
lleva
a
cabo
mediante
un
ANOVA).
Contraste
sobre
las
pendientes
de
cada
variable
independiente
(aparecen
en
la
tabla
coeficientes).
Contraste
sobre
el
origen
de
la
recta
(aparece
en
la
tabla
coeficientes).
Contraste
sobre
el
valor
predicho
en
la
variable
dependiente
para
un
sujeto
con
un
determinado
valor
en
las
variables
independientes
Contraste
sobre
la
correlacin
mltiple
al
cuadrado.
El
procedimiento
que
se
ha
utilizado
como
mtodo
de
seleccin
de
variable
es
Stepwise
(regresin
por
pasos
sucesivos).
Cules
son
las
hiptesis
nulas
que
se
comprueban
mediante
el
ANOVA
en
los
modelos
1,
2
y
3?
Cul
es
la
decisin
que
tomamos
en
cada
modelo?
Consideremos:
rendimiento
contextual
(X1),
rendimiento
de
tarea
(X2),
adaptabilidad
(X3)
y
proactividad
(X4).
a) Modelo
1,
en
el
cul
slo
aparece
la
variable
independiente
Rendimiento
contextual:
, o lo que es lo mismo
En
la
tabla
ANOVA
se
puede
apreciar
que
el
nivel
crtico
del
estadstico
de
contraste
F
para
el
primer
modelo
es
0,000
(menor
que
alfa),
por
lo
tanto
se
rechaza
la
hiptesis
nula
en
el
contraste
del
modelo
1
de
regresin.
Se
concluye
que
el
modelo
1
de
regresin
en
su
conjunto
es
predictivo.
b) Modelo
2,
en
el
cul
aparecen
las
variables
independientes
Rendimiento
contextual
y
Rendimiento
de
tarea:
,
o
lo
que
es
lo
mismo
En
la
tabla
ANOVA
se
puede
apreciar
que
el
nivel
crtico
del
estadstico
de
contraste
F
para
el
segundo
modelo
es
0,000
(menor
que
alfa),
por
lo
tanto
se
rechaza
la
hiptesis
nula
en
el
contraste
del
modelo
2
de
regresin.
Se
concluye
que
el
modelo
2
de
regresin
en
su
conjunto
es
predictivo.
c) Modelo
3,
en
el
cul
aparecen
las
variables
independientes
Rendimiento
contextual
y
Rendimiento
de
tarea
y
Proactividad:
,
o
lo
que
es
lo
mismo
En
la
tabla
ANOVA
se
puede
apreciar
que
el
nivel
crtico
del
estadstico
de
contraste
F
para
el
tercer
modelo
es
0,000
(menor
que
alfa),
por
lo
tanto
se
rechaza
la
hiptesis
nula
en
el
contraste
del
modelo
3
de
regresin.
Se
concluye
que
el
modelo
3
de
regresin
en
su
conjunto
es
predictivo.
3.
Cul
es
la
ecuacin
final
resultante
del
anlisis?
Cul
es
la
ecuacin
en
puntuaciones
tpicas?
Recordemos
que
hemos
usado
como
mtodo
de
seleccin
de
variables
el
mtodo
de
pasos
sucesivos.
Con
este
mtodo
se
pretende
encontrar
la
ecuacin
de
regresin
capaz
de
ofrecer
el
mejor
ajuste
con
el
menor
nmero
de
variables.
El
mtodo
se
detiene
cuando
no
hay
ms
variables
que
contribuyen
significativamente
al
ajuste.
En
nuestro
caso
el
procedimiento
se
para
cuando
nuestro
modelo
tiene
3
variables
independientes,
es
decir,
en
el
Modelo
3.
Para
obtener
la
ecuacin
de
regresin
en
puntuaciones
directas
del
Modelo
3
tenemos
que
fijarnos
en
la
tabla
coeficientes.
La
ecuacin
sera
la
siguiente:
,
o
lo
que
es
lo
mismo:
Pronstico (ZRendimiento
laboral i ) = 0,374ZRendimiento contextual i1 + 0,417ZRendimiento de tarea i2 + 0,155ZProactividad i4
Hay
que
ser
cautelosos
a
la
hora
de
interpretar
la
importancia
relativa
de
las
variables
en
la
ecuacin
puesto
que
el
peso
depende
tanto
del
resto
de
variables
que
estn
en
la
ecuacin
como
de
variables
que
no
estn
en
la
ecuacin
y
podran
haber
entrado.
Slo
podra
interpretarse
adecuadamente
a
partir
del
peso
de
los
coeficientes
estandarizados
si
las
variables
independientes
no
tuvieran
ninguna
relacin
entre
ellas,
pero
en
la
prctica
este
caso
es
muy
raro.
Para
hacerse
una
idea,
antes
de
hacer
un
anlisis
de
regresin
conviene
mirar
la
matriz
de
correlaciones
4.
5.
independiente
tiene
mucha
colinealidad
(o
lo
que
es
lo
mismo,
una
tolerancia
menor
de
0,10)
con
el
resto
de
las
variables
independientes
no
debe
incluirse
en
el
modelo
de
regresin.
Qu
puntuacin
en
rendimiento
general
predice
nuestro
modelo
de
regresin
para
el
trabajador
Carlos
Martnez
cuyas
puntuaciones
en
las
variables
son:
rendimiento
contextual
=
3,01
,
rendimiento
de
tarea
=
2,25,
adaptabilidad
=
1,18
y
proactividad
=
4,92?
Nuestro
modelo
de
regresin
(Modelo
3)
predice
una
puntuacin
en
rendimiento
general
para
el
trabajador
Carlos
Martnez
de
3,851
puntos.
6.
Bondad
de
ajuste
y
tamao
del
efecto.
Cunto
explican
cada
uno
de
los
modelos?
Cual
es
la
proporcin
de
varianza
de
la
variable
criterio
que
no
est
explicada
por
nuestro
modelo
de
regresin?
Una
vez
que
hemos
calculado
la
ecuacin
de
regresin
mediante
el
mtodo
de
mnimos
cuadrados,
sabemos
que
esa
ecuacin
es
la
mejor
para
nuestra
muestra,
pero
eso
no
significa
que
sea
buena.
Para
valorar
la
calidad
de
una
ecuacin
es
necesario
utilizar
algn
indicador
de
la
precisin,
es
decir,
del
tamao
del
efecto.
Un
indicador
de
la
bondad
de
ajuste
de
nuestro
modelo
de
regresin
es
el
coeficiente
de
correlacin
mltiple
al
cuadrado
o
coeficiente
de
determinacin
que
se
puede
encontrar
en
la
tabla
Resumen
del
modelo.
El
coeficiente
que
se
usa
en
la
interpretacin
de
un
modelo
de
regresin
mltiple
es
R2
corregido
o
ajustado
por
ser
estimador
insesgado.
En
esta
tabla,
aparece
el
ndice
de
bondad
de
ajuste
(R2)
para
cada
uno
de
los
modelos.
Este
ndice
se
interpreta
como
porcentaje
de
la
varianza
de
la
variable
dependiente
que
es
capaz
de
explicar
nuestro
modelo
o
porcentaje
de
varianza
comn.
Para
el
Modelo
1
el
ndice
de
bondad
de
ajuste
R2
arroja
un
valor
de
0,6
lo
que
significa
que
nuestro
modelo
(con
una
variable
predictora:
rendimiento
contextual)
explica
un
60%
de
la
varianza
de
la
variable
rendimiento
general.
O
de
otra
forma
un
60%
de
la
variabilidad
del
rendimiento
general
se
puede
predecir
a
partir
del
rendimiento
contextual.
Para
el
Modelo
2
el
ndice
de
bondad
de
ajuste
R2
arroja
un
valor
de
0,7
lo
que
significa
que
nuestro
modelo
(con
dos
variables
predictoras:
rendimiento
contextual
y
rendimiento
de
tarea)
explica
un
70%
de
la
varianza
de
la
variable
rendimiento
general.
O
de
otra
forma
un
70%
de
la
variabilidad
del
rendimiento
general
se
puede
predecir
a
partir
del
rendimiento
contextual
y
rendimiento
de
tarea
de
forma
conjunta.
Para
el
Modelo
3
el
ndice
de
bondad
de
ajuste
R2
arroja
un
valor
de
0,71
lo
que
significa
que
nuestro
modelo
(con
tres
variables
predictoras:
rendimiento
contextual,
rendimiento
de
tarea
y
proactividad)
explica
un
71%
de
la
varianza
de
la
variable
rendimiento
general.
O
de
otra
forma
un
71%
de
la
variabilidad
del
rendimiento
general
se
puede
predecir
a
partir
del
rendimiento
contextual,
rendimiento
de
tarea
y
proactividad
de
tarea
de
forma
conjunta.
Sabemos
que
el
coeficiente
de
determinacin
es
un
valor
que
est
entre
0
y
1.
Por
tanto
tambin
podramos
hallar
el
porcentaje
de
varianza
(de
la
variable
criterio
o
variable
dependiente)
que
no
explica
cada
modelo,
simplemente
restndole
a
1
el
R2
correspondiente.
Pero
slo
nos
piden
el
porcentaje
de
varianza
no
explicada
de
nuestro
modelo
de
regresin.
Como
el
procedimiento
por
pasos
sucesivos
se
ha
parado
en
el
Modelo
3,
es
este
el
modelo
con
mejor
ajuste
y
su
porcentaje
de
varianza
no
explicada
sera:
1-
R2
=
1-
0,71
=
0,29.
Es
decir
un
29%
de
la
varianza
de
rendimiento
general
no
est
explicada
por
nuestro
Modelo
3
(o
por
las
variables
rendimiento
contextual,
rendimiento
de
tarea
y
proactividad).
7.
Nos
estn
pidiendo
la
correlacin
semiparcial
entre
rendimiento
general
y
rendimiento
de
tarea
quitando
slo
de
rendimiento
de
la
tarea
el
influjo
de
la
variable
rendimiento
contextual
(la
variable
que
ya
est
en
el
modelo).
La
correlacin
semiparcial
es
la
relacin
entre
la
variable
dependiente
(Y)
y
una
variable
independiente
(X2),
eliminando
slo
de
la
variable
independiente
(X2)
la
influencia
de
otra
variable
independiente
(X1
,
que
ya
est
en
la
ecuacin).
Este
dato
aparece
en
la
tabla
coeficientes
y
es
0,318.
En
el
caso
de
que
no
nos
den
las
correlaciones
semiparciales
(cosa
habitual),
la
forma
de
sacar
la
contribucin
de
una
variable
a
la
ecuacin
es
restando
los
R2
de
los
modelos.
Es
decir,
nos
vamos
a
la
tabla
resumen
del
modelo,
nos
vamos
a
la
columna
R
cuadrado
y
restamos
del
R2
del
modelo
que
incluye
la
variable
el
R2
del
modelo
anterior
que
no
la
incluye
0,703-0,602
=
0,101.
Este
resultado
es
la
correlacin
semiparcial
al
cuadrado,
si
calculamos
la
raz
obtenemos,
0.318.
8. Cul
es
la
correlacin
entre
el
rendimiento
general
y
rendimiento
de
tarea,
eliminado
el
influyo
de
la
variable
rendimiento
contextual?
Nos
estn
pidiendo
la
correlacin
parcial
entre
rendimiento
general
y
rendimiento
de
tarea
quitando
tanto
de
rendimiento
general
como
de
rendimiento
de
la
tarea
el
influjo
de
la
variable
rendimiento
contextual
(la
variable
que
ya
est
en
el
modelo).
La
correlacin
parcial
es
la
relacin
entre
la
variable
dependiente
(Y)
y
una
variable
independiente
(X2),
eliminando
de
ambas
la
influencia
de
otra
variable
independiente
(X1
,
que
ya
est
en
la
ecuacin).
Este
dato
aparece
en
la
tabla
coeficientes
y
es
0,504.
9. Cuanto
aporta
la
variable
proactividad
(la
ltima
en
entrar
en
el
modelo)
en
la
prediccin
de
la
rendimiento
general
que
no
era
explicado
por
rendimiento
contextual
y
rendimiento
de
tarea.
Los
coeficientes
de
correlacin
parcial
y
semiparcial
desempean
un
importante
papel
en
el
anlisis
de
regresin
mltiple.
El
parcial
se
utiliza
normalmente
para
elegir
variables
en
los
mtodos
de
seleccin
por
pasos
y
el
semiparcial
se
utiliza
para
cuantificar
la
contribucin
neta
de
cada
variable
al
ajuste
global.
Nos
estn
pidiendo
la
correlacin
semiparcial
al
cuadrado
o
lo
que
es
lo
mismo,
el
incremento
en
R2
al
incluir
la
variable
proactividad
en
la
ecuacin.
Si
en
la
tabla
de
resultados
del
ejercicio
nos
dan
las
correlaciones
semiparciales
(como
es
el
caso),
lo
que
tendramos
que
hacer
es
elevarla
al
cuadrado
(0,105
al
cuadrado),
cuyo
resultado
es
0,011.
En
el
caso
de
que
no
nos
den
las
correlaciones
semiparciales
(cosa
habitual),
la
forma
de
sacar
la
contribucin
de
una
variable
a
la
ecuacin
es
restando
los
R2
de
los
modelos.
Es
decir,
nos
vamos
a
la
tabla
resumen
del
modelo,
nos
vamos
a
la
columna
R
cuadrado
y
restamos
del
R2
del
modelo
que
incluye
la
variable
el
R2
del
modelo
anterior
que
no
la
incluye
0,714
-
0,703
=
0,011
10. Indique
cul
es
la
primera
variable
que
entra
a
formar
parte
de
la
ecuacin
de
regresin
y
por
qu.
Indique
qu
variables
han
sido
excluidas
del
modelo
final
y
por
qu.
Recordemos
que
hemos
utilizado
el
mtodo
de
seleccin
de
variables
por
pasos
sucesivos.
Este
mtodo
acta
de
la
siguiente
manera:
primero
elige
la
variable
que
mayor
correlacin
simple
tiene
con
la
variable
dependiente
(rendimiento
general).
Si
nos
fijamos
en
la
tabla
coeficientes,
la
columna
correlaciones
de
orden
cero
se
refiere
a
las
correlaciones
simples.
Vemos
que
la
variable
que
mayor
correlacin
tiene
con
rendimiento
general
es
rendimiento
contextual
con
una
correlacin
de
0,776.
Es
por
ello
que
rendimiento
contextual
es
la
variable
que
primero
entra
en
el
modelo.
En
el
caso
de
que
en
la
tabla
coeficientes
no
aparezca
la
columna
correlaciones
de
orden
cero
(cosa
habitual),
sabemos
que
en
el
Modelo
1
(paso
1)
se
pone
a
prueba
una
regresin
simple
(una
variable
independiente).
En
el
caso
de
la
regresin
simple
el
valor
que
aparece
en
la
columna
R
de
la
tabla
Resumen
del
modelo
es
la
correlacin
simple.
La
correlacin
simple
tambin
aparece
en
la
tabla
coeficientes
para
el
primer
modelo
en
la
columna
coeficientes
estandarizados
(o
tipificados)/Beta.
Para
ver
las
variables
que
han
sido
excluidas
del
modelo
tenemos
que
irnos
a
la
tabla
variables
excluidas.
Nuestro
modelo
final
es
el
3
y
slo
se
ha
excluido
la
variable
adaptabilidad.
La
tabla
ofrece
el
coeficiente
de
regresin
tipificado
que
correspondera
a
cada
una
de
las
variables
en
caso
de
ser
elegidas
en
el
siguiente
paso
(beta
dentro)
y
un
contraste
de
la
hiptesis
nula
de
que
ese
coeficiente
vale
cero
en
la
poblacin.
La
nica
variable
que
no
es
incorporada
al
modelo
tiene
asociado
un
coeficiente
de
correlacin
parcial
de
-0,101
que
no
es
significativamente
distinto
de
cero
(nivel
crtico
de
0,163).
Lo
que
significa
que
esta
variable
no
entra
en
el
modelo
porque
no
contribuye
a
mejorar
el
ajuste
del
mismo.