Beruflich Dokumente
Kultur Dokumente
INVESTIGACIÓN EDUCATIVA
Análisis de datos
en la investigación
cuantitativa
Módulo
5
SERIE: INVESTIGACIÓN EDUCATIVA
Módulos:
1. El conocimiento y la investigación científica
ISBN: xxxxxxxxxxxxxxxxx
Instrucciones para el
desarrollo de los módulos
MÓDULO 5
Primera unidad
Manejo básico de SPSS La Especialización en Investigación Educativa tiene por finalidad desarrollar en los participantes
competencias, capacidades, habilidades, conocimientos, valores y actitudes, herramientas necesarias
1.1 Base de datos en SPSS. para llevar a cabo experiencias de investigación que den respuesta de forma activa y eficaz a las
1.2 Manejo de datos. exigencias que se presentan en la acción educativa. La mencionada especialización gira en torno a
tres áreas y en cada una de ellas se organiza en un conjunto de módulos articulados entre sí.
1.3 Transformar variables. Cada módulo, a su vez, se organiza en el estudio de unidades temáticas, la realización de actividades
virtuales propuestas para transferir lo aprendido, y la aplicación de evaluaciones destinadas a la
verificación de los logros de aprendizaje e identificación de áreas a mejorar. También se incluyen
SEGUNDA UNIDAD actividades secuenciales propias del proceso de investigación, diseñadas para facilitar la formulación
del proyecto y la propuesta de mejora a lo largo de la especialización, con el constante apoyo y
Técnicas de estadísticas descriptivas orientación de los profesores- formadores.
El material de soporte de cada módulo se distribuye por dos vías, material impreso con los contenidos
1.1 Estadísticos descriptivos.
referidos a las unidades temáticas, y material virtual, destinado a las actividades de la etapa a distancia.
1.2 Descripción de variables en SPSS.
Se recomienda:
• Estudiar los temas desarrollados en cada módulo, encontrar la idea principal y las secundarias y,
TERCERA UNIDAD
de ser posible, hacer un resumen de cada tema tratado, ampliarlo de acuerdo al interés y plantear
Relaciones bivariadas comentarios para tratarlos en clase.
• Registrar las dudas y dificultades durante el tratamiento de la información para hacer las consul-
1.1 Relación entre dos variables categóricas tas en clase o vía virtual.
• Realizar las tareas propuestas a lo largo del módulo, comentarlas con sus colegas y compartir los
1.2 Relación entre una variable categórica y otra resultados.
cuantitativa. • Realizar su auto evaluación a fin de comprobar el logro de los aprendizajes propuestos en cada
1.3 Relación entre dos variables cuantitativas. módulo.
Las actividades virtuales propuestas exigen que cada participante dedique un promedio de 13 horas
5
ÁREAS MÓDULOS
Teórico-Metodológico 1. El conocimiento y la investigación científica
2. El proceso de la investigación científica
3. Importancia de la investigación en la experiencia pedagógica
Planificación y ejecución 4. Técnicas de investigación cuantitativa
5. Análisis de datos en la investigación cuantitativa
6. Técnicas de investigación cualitativa
7. Análisis de datos en la investigación cualitativa PRESENTACIÓN
8. Investigación acción 1: antecedentes, propuesta y procesos
9. Investigación acción 2: Diseño y proceso metodológico
10. La etnografía El Instituto de Educación Superior Pedagógico Privado Calidad en Redes de Aprendizaje – CREA es
11. El estudio de caso una institución que cuenta con autorización del Ministerio de Educación para desarrollar, entre otras
Monitoreo y evaluación 12. El informe de la investigación científica actividades, las especializaciones en Gestión de Proyectos de Desarrollo Educativo y de Investigación
Educativa.
El IESPP CREA pretende de esta forma contribuir a lograr los cambios profundos que la educación
de la región y el país requieren. En tal sentido, atendemos las necesidades y demandas de una
educación de calidad y buscamos acompañar la formación y autoformación de docentes, sobre todo
de aquellos docentes interesados por mejorar sus desempeños y su práctica profesional, aquellos que
se comprometen con el camino de la excelencia a través de la reflexión permanente sobre su labor
en el aula y la escuela, aquellos que se movilizan por continuar aprendiendo porque solo así pueden
producir las propuestas para mejorar los aprendizajes de sus estudiantes.
La investigación es una herramienta que permite recuperar la experiencia y ofrecerle una nueva mirada
para romper la rutina, generar la motivación, fomentar la crítica y autocrítica, cuestionar el propio
quehacer pedagógico y buscar alternativas de solución a los viejos problemas y a los nuevos desafíos,
es decir, crear conocimiento pedagógico. Solo un maestro investigador puede asumir de manera
profesional, seria y sostenida, la real transformación del sentido y la realidad de la escuela peruana.
Esperamos contribuir con este esfuerzo personal y colectivo en la recuperación del profesionalismo y
la dignidad de la docencia.
Ponemos a tu alcance esta Especialización en Investigación Educativa para participar en ella con
decisión, compromiso y solidaridad con los compañeros y compañeras de curso y con aquellos con los
que compartes la tarea pedagógica en tu institución educativa o tu red educativa.
Módulo 4: Técnicas de investigación cuantitativa
Contiene información teórica y práctica referidas al manejo básico del programa estadístico SPSS, las
técnicas descriptivas y su aplicación en SPSS, además del estudio de las relaciones bivariadas mediante
la aplicación de pruebas estadísticas. Este módulo permitirá fortalecer tu capacidad de análisis e
interpretación de los resultados en investigaciones cuantitativas en contextos educativos.
6 7
1 PRIMERA UNIDAD
Manejo básico de SPSS
Presentación
del Módulo
De manera individual responde a las siguientes preguntas:
El presente módulo denominado Análisis de datos en la investigación cuantitativa contiene algunos
1.
¿Qué es una base de datos en SPSS? ¿Cuál es su utilidad en los procesos de
de los principales temas sobre el manejo del programa SPSS, técnicas de estadísticas descriptivas y su
investigación?
aplicación en SPSS y, también en SPSS, el estudio de relaciones bivariadas. A continuación se presen-
tan los propósitos y temas a desarrollar. ___________________________________________________________________
___________________________________________________________________
COMPETENCIAS:
Comprende la importancia del manejo de base de datos, la determinación de estadísticos descriptivos 2. ¿Qué relación se puede establecer entre la estructura de un instrumento de
y la aplicación e interpretación de resultados de pruebas estadísticas de relaciones bivariadas, para el investigación y la base de datos en SPSS?
correcto uso en la investigación científica, en especial la educativa.
__________________________________________________________
CAPACIDADES: ____________________________________________________
• Elabora y maneja base de datos en SPSS con información de su entorno.
• Determina estadísticos descriptivos pertinentes a variables a partir de una base de datos. En grupos compartimos nuestras respuestas y resumimos en
• Aplica la prueba estadística correspondiente para evaluar la relación entre dos variables. papelotes. Luego se socializa en plenaria.
• Interpreta correctamente el resultado de una prueba estadística.
8 9
Vista de variables. Aquí definimos las variables de estudio. Las variables a definir las proporciona, en Describimos cada apartado de esta vista:
principio, el instrumento de recojo de información.
• Nombre: Se define el nombre de cada variable; debe ser corto y sin espacios. Ejm: COD, Edad,
Vista de datos. En esta vista se registran los valores (numerales o números) recogidos en el o los Sexo, Est_Civ, etc.
instrumentos de investigación. Se recomienda usar números aunque los datos procedan de variables
• Tipo: Se define el tipo de variable; en general se recomienda el tipo numérica.
categóricas o cualitativas.
• Anchura: Se indica el número de dígitos de la variable.
Ejemplo: Observe el siguiente instrumento de investigación, es una encuesta, con ella se ha elaborado • Decimales: si es necesario se indica el número de decimales de los valores numéricos.
una base de datos “BD Módulo 5.sav”1:
• Etiqueta: Se escribe el nombre completo de la variable, de este modo se visualizará en los resul-
Datos socio demográficos y profesionales tados. Ejemplo: Est_Civ = Estado civil, Sit_Lab = Situación laboral.
a) Edad:.............. años • Valores: Para el caso de variables cualitativas definimos valores a sus categorías (Sexo: [mujer=1;
b) Sexo: ( ) Mujer ( ) Hombre hombre=2]; Estado civil: [soltero=1; casado=2; separado=3]; etc. Al realizar los análisis aparecerán
c) Estado civil: ( ) Soltero(a) ( ) Casado(a) ( ) Separado(a) los nombres y no los valores. Para el caso de variables cuantitativas (edad y tiempo de servicio)
no se necesita indicar sus valores pues se tomarán por defecto de los indicados por los propios
d) Situación laboral: ( ) Nombrado(a) ( ) Contratado(a) encuestados.
e) Nivel de enseña: ( ) Primaria ( ) Secundaria
• Perdidos: Para las omisiones de respuestas se puede definir un valor fuera del rango de los valo-
f) Tiempo de servicio como docente: .............. años res de las categorías, a este valor se le denominará valor perdido. Otra opción es dejar en blanco
Fuente: Elaboración propia.
la celda.
• Columnas: es irrelevante para nuestros intereses.
1º Usando el instrumento se definen las variables en la Vista de variables:
• Alineación: Define la posición de los valores en cada celda en la vista de datos.
• Medida: Define el tipo de medida de la variable: Ordinal, Nominal o Escala (ambas). Se recomien-
da definir como Escala a las variables.
También se puede introducir datos desde otra base de datos en SPSS o desde un programa como Excel;
se debe cumplir algunos requisitos lógicos para ello. La forma más sencilla para mover datos de una base
a otra es copiar y pegar.
1. Observe la base de datos “BD Módulo 5.sav” en la plataforma de CReA. Revise todas las variables. 2. Los datos en “BD Módulo 5.sav” solo deben considerase para los ejemplos y/o ejercicios de este módulo.
10 11
El resultado es la selección los sujetos de género femenino (mujer) y el bloqueo de los sujetos de género
1.2 MANEJO DE DATOS masculino (hombres).
Fundir archivos. Es una forma de “juntar” bases de datos. Se realiza dentro del menú de Datos > Fun-
dir Archivos; hay dos casos:
• Añadir variables, se puede realizar cuando las dos bases de datos tienen los mismos sujetos y en
el mismo orden.
• Añadir casos, se puede fusionar dos archivos de variables iguales en el mismo orden.
Segmentar archivos. A veces es necesario dividir el archivo de datos en distintos grupos según los
valores de una o más variables de agrupación. Se realiza en archivo de Datos > Segmentar archivos,
se presentan dos opciones: “comparar los grupos” y “organizar los resultados por grupos”; en el pri-
mero los resultados se presentan en una misma tabla; en el segundo se presentan tablas separadas.
Selección de casos. Se puede seleccionar o filtrar casos para realizar análisis de acuerdo a un criterio.
Se realiza en el menú de Datos > Seleccionar casos. Las alternativas son:
- “Si se satisfacer una condición”. Solo mujeres por ejemplos [Sexo = 1].
- “Muestra aleatoria de casos”. Selecciona casos aleatoriamente, en número o porcentaje.
Fuente: Elaboración propia.
- “Rango de los casos”. Por ejemplo [del sujeto 4 hasta el sujeto 8].
- Otras: “todos los casos” o “eliminar los casos no seleccionados” y “restablecer”.
Ejemplo: En la base “BD Módulo 5.sav” seleccionaremos a los sujetos de género femenino (mujer), 1.3. TRANSFORMAR VARIABLES
para ello realizamos los siguientes pasos:
Abrimos el menú Datos > seleccionar casos > “si se satisface la condición…Si”. Escogemos y pasamos
la variable Sexo a la casilla, igualamos la variable Sexo al valor 1, en este caso [Sexo=1].
Es de mucha necesidad cuando se desea generar otras variables a partir de las variables existentes,
veamos algunas opciones de transformar:
Calcular variable. Se genera otras variables mediante las funciones suma, media aritmética, valor
máximo, varianza, etc. Se recomienda realizar estas funciones en una hoja de cálculo como Excel, ya
que SPSS no guarda fórmulas.
Recodificar en las mismas variables. Muy útil para cambiar los valores de los datos. Se puede cambiar
valor por valor (valor antiguo por valor nuevo) o por grupos de valores (un rango de valores antiguos
Módulo 4: Técnicas de investigación cuantitativa
Recodificar en distintas variables. Es similar a la anterior, pero se define en una nueva variable. Esta
opción es más recomendable que la primera, pues mantiene la variable original. Se realiza en el menú
Transformar > Recodificar en distintas variables.
Ejemplo: En la base “BD Módulo 5.sav” se reorganiza la edad de los encuestados en otra variable de-
nominada Tipo de adultez, de la siguiente manera: de 20 a 39 años = 1 (adulto joven); de 40 a 65 años = 2
(adulto intermedio). Para ello vamos al menú Transformar > Recodificar en distintas variables.
12 13
2 SEGUNDA UNIDAD
Técnicas de estadísticas descriptivas
1.
Los siguientes datos: 46, 42, 52, 31, 54, 27, 52, 53, 35, 32, 52, 34, son edades de 12
personas. La media aritmética o promedio es 42,5 ¿Qué significa este estadístico?
___________________________________________________________________
___________________________________________________________________
2. Para los datos anteriores, la desviación típica, que es una medida de dispersión, es
10,17 ¿Qué significa este estadístico?
_______________________________________________________
_______________________________________________________
ACTIVIDAD
DE REFORZAMIENTO 2.1 ESTADÍSTICOS DESCRIPTIVOS
Aplica el instrumento “Encuesta-escala de compañerismo”, adaptado de Ríos (2005, en Los datos recogidos para cada variable en una investigación pueden tomar diversas formas. Para el
Marchant y Pérez), que encontrarás en la plataforma de CREA, a 25 estudiantes y elabora estudio de estos datos se recurre a los estadísticos descriptivos. Recordemos algunos en el siguiente
una base de datos en SPSS, luego: cuadro:
Módulo 4: Técnicas de investigación cuantitativa
14 15
a) Frecuencia absoluta. Es el número de casos que se presenta para cada categoría de una variable.
b) Frecuencia relativa. Es la proporción de casos de cada categoría respecto al total de casos. Se ( xi
determina dividiendo la frecuencia absoluta entre el total de casos. Media x= 7,70
n
c) Porcentaje. Representa una porción del 100% de casos.
Mediana me = 7 + 8 7,50
Ejemplo: 2
Observe las edades de 20 niños de un aula: 7; 7; 8; 9; 7; 8; 9; 9; 7; 7; 8; 7; 7; 8; 9; 8; 7; 8; 7; 7.
Moda 7,00
fi hi
% Fuente: Elaboración propia.
Edad Frecuencia Frecuencia
Porcentaje
absoluta relativa
7 10 0.50 50 2.1.4 Medidas de variabilidad
8 6 0.30 30 Es importante medir la dispersión o el grado de similitud (homogeneidad) de las puntuaciones en una
9 4 0.20 20 variable cuantitativa o semi-cuantitativa.
Total 20 1 100
a) Varianza. Mide la dispersión de los datos con respecto a la media aritmética (Moya, 1991). Valor
Fuente: Elaboración propia.
alto indica mayor dispersión y valor bajo menor dispersión.
2.1.2 Medidas de posición b) Desviación típica. Es la raíz cuadrada de la varianza. Al igual que la varianza, valores altos indican
mayor dispersión y valores bajos indican menor dispersión de los datos.
Son aquellas que nos revelan el lugar que ocupa una puntuación con respecto a un grupo tomado
como marco de referencia. Son por tanto estadísticos que nos indican posición relativa, relativa a un
Ejemplo:
grupo. En general se denominan Cuantiles:
Retomemos las edades de los 20 niños: 7; 7; 8; 9; 7; 8; 9; 9; 7; 7; 8; 7; 7; 8; 9; 8; 7; 8; 7; 7.
a) Percentiles o centiles (Pk). Son los 99 valores de la variable que dividen la distribución en 100
secciones, cada una conteniendo la centésima parte de las observaciones. Se calcula en variables Varianza (Fórmula ( 2 ( x x i ( / (n 1( 0,64
cuantitativas y mínimo semi-cuantitativas (Tomás, 2007). reajustada)
Desviación típica x xi
Ejemplos: 0,80
(Fórmula reajustada) ( = n 1
P30 (percentil 30), deja por debajo suyo al 30% de casos.
P75 (percentil 75), deja por debajo suyo al 75% de casos. Fuente: Elaboración propia.
b) Cuartil (Qk). Hay tres cuartiles: Q1, Q2 y Q3. Las equivalencias con los percentiles son:
Q1 = P25 Q2 = P50 Q3 = P75 2.1.5 Medidas de variabilidad
a) Asimetría. Mide el grado en que los datos se reparten equilibradamente en torno a la tendencia
2.1.3 Medidas de tendencia central central. Hay asimetría positiva, Asimetría negativa y Simetría.
Módulo 4: Técnicas de investigación cuantitativa
a) Media aritmética o media. Es el promedio de todas las puntuaciones. Es útil para variables cuan-
titativas y semi-cuantitativas.
Ordenados: 7; 7; 7; 7; 7; 7; 7; 7; 7; 7; 8; 8; 8; 8; 8; 8; 9; 9; 9; 9
16 17
Interpretación:
La muestra está compuesta por 120 sujetos, de los cuales 74 son mujeres que representan al 61,7% y 46
hombres que representan al 38,3%.
Procedimiento:
Resultados:
Módulo 4: Técnicas de investigación cuantitativa
18 19
Interpretaciones:
• La media: El promedio de edades es de 42,91 años.
• La mediana: La edad aproximada en el centro de los datos ordenados es 43.
• La moda: La edad que más se repite es 38 años y más de uno tiene esta edad.
• Desviación típica: El valor 7,298 de la desviación típica indica que la dispersión de las edades es
relativamente baja.
• Percentiles: El valor de P30 = 39, indica que 30% de sujetos tiene 39 o menos años de edad; también
se puede interpretar que el 70% tiene 39 o más años de edad.
Procedimiento: • Media: La edad promedio de las mujeres es mayor que de los hombres.
• Desviación típica: Las edades de las mujeres son menos dispersas que la de los hombres.
• Mínimo y máximo: La menor edad es de 23 años y la mayor, de 64 años. Ambas corresponden a
Módulo 4: Técnicas de investigación cuantitativa
ACTIVIDAD
DE REFORZAMIENTO
20 21
3 SEGUNDA UNIDAD
Relaciones bivariadas
_____________________________________________________
_____________________________________________________
22 23
Resultados:
3.1 RELACIÓN ENTRE DOS VARIABLES CATEGÓRICAS
1. La primera tabla a observar es la tabla de contingencia, que muestra las frecuencia s y porcentajes
pedidos:
Para establecer si la relación entre dos variables categóricas es estadísticamente significativa se nece-
sita aplicar pruebas Chi-cuadrado o Razón de verosimilitud:
Prueba Chi-cuadrado. Es una prueba de independencia que permite determinar si existe o no relación
entre dos variables categóricas. Esta prueba no indica el grado de relación entre las variables, ni la
variable que causa la influencia.
Si la prueba de Chi-cuadrado indica relación significativas entre las variables es necesario establecer la
medida de la fuerza de esa relación, para ello hay dos pruebas:
a) Coeficiente Phi. Es una medida de asociación entre dos variables categóricas con dos categorías
cada una; es decir, para tablas 2x2. Su valor varía entre 0 y 1.
Vemos que el Nivel que enseña varía de forma porcentual en función del Sexo. Así:
b) Coeficiente V de Cramer. Válido cuando al menos una variable categórica tiene más de dos cate- • De las mujeres, el 68.9% enseñan en primaria y el 31,1% en secundaria.
gorías; es decir, para tablas IxJ (2x3, 2x4, 3x4, etc.). Su valor varía entre 0 y 1. • De los hombres, el 28,3% enseñan en primaria y el 71,7% en secundaria.
En ambos casos 0 indica ninguna relación y 1 relación perfecta. • Además, el 53,3% de la muestra enseñan en primaria y el 46,7% en secundaria.
Ejemplo 1: En la base “BD Módulo 5.sav” analicemos la relación entre la variable Sexo y Nivel que en- 2. La segunda tabla a observar es la prueba Chi-cuadrado.
seña:
1. En el menú Analizar > Estadísticos descriptivos > Tablas de contingencia.
2. En las casillas “Filas” y “columnas” colocamos las variables Sexo y Nivel que enseña respectiva-
mente. En la opción “Estadísticos” podemos activar “Chi-cuadrado” y “Phi y V de Cramer” que
vienen juntos; damos clic en “continuar”. En la opción “casillas”, en “Porcentaje” podemos acti-
var “Fila”; damos clic en “continuar” y luego en “Aceptar”.
3. Observamos los resultados y seleccionamos lo necesario para interpretar.
Antes de interpretar debemos aclarar que el estadístico chi-cuadrado contrasta la hipótesis de que
Procedimiento:
las variables de fila y columna son independientes. No debe utilizarse si cualquiera de las casillas tiene
un valor observado menor que 1, o si más de un 20% de las casillas tienen valores esperados menores
que 5. En cualquier caso, el propio SPSS avisa si ocurre cualquiera de estos problemas (Tomás, 2007).
Interpretación:
Módulo 4: Técnicas de investigación cuantitativa
• Si el valor de significación p hubiese sido mayor a 0,05, no habría relación significativa y la prueba
terminaría aquí.
3. Veamos la fuerza de asociación entre el Sexo y Nivel que enseña indicada por el coeficiente Phi
(variables de dos categorías cada una) de la tabla:
24 25
Interpretación:
El valor de chi-cuadrado 0,673 asociado al valor de significación asintótica bilateral de p=0.714 (p >
0.05), indica que no hay relación estadísticamente significativa entre el Sexo y el Estado civil; es decir,
las categorías mujer y hombre de la variable Sexo se distribuyen similarmente entre las categorías
soltero, casado y separado del Estado Civil.
Ejemplo 2: Ahora veamos en la base “BD Módulo 5.sav”, si la variable Sexo está asociado al Estado civil; 3.2.1 Pruebas t. Permite comparar medias de dos grupos. Veremos dos tipos de prue-
para ello seguimos los siguientes pasos en SPSS: bas t: una para muestras independientes y otra para muestras relacionadas.
1. En el menú Analizar > Estadísticos descriptivos > Tablas de contingencia.
a) Pruebas t para muestras independientes. Esta prueba se aplica para estudiar si hay o no diferen-
2. En las casillas “Filas” y “columnas” colocamos las variables Sexo y Estado civil respectivamente. cias significativas entre las medias de dos grupos diferentes generados por una variable categóri-
En la opción “Estadísticos” activamos “Chi-cuadrado” y “Phi y V de Cramer” que vienen juntos; ca (o cualitativa) de dos categorías en relación a una variable cuantitativa.
damos clic en “continuar”. En la opción “casillas”, en “Porcentaje” podemos activar “Fila”; da-
Ejemplo: En “BD Módulo 5.sav”, Generatividad inicial (Generat_1) es una variable cuantitativa y Nivel
mos clic en “continuar” y luego en “Aceptar”. que enseña es variable cualitativa que presenta dos categorías (primaria y secundaria). Se desea estudiar
3. Observamos los resultados y seleccionamos lo necesario para interpretar. si hay o no diferencias significativas de medias entre los dos grupos (de primaria y de secundaria)
respecto a la Generatividad inicial. Veamos:
1. Vamos al menú Analizar > Comparar medias > Pruebas T para muestras independientes.
Resultados: 2. En la casilla “contrastar variables” colocamos la variable cuantitativa Generatividad inicial, en la ca-
silla “variable de agrupación” colocamos la variable cualitativa Nivel que enseña; luego en “definir
1. Veamos las tablas de resultados: grupos” definimos los grupos: 1 (primaria) y 2 (secundaria). Luego en “continuar” y en “Aceptar”.
3. Observamos los resultados e interpretamos.
Procedimiento:
Módulo 4: Técnicas de investigación cuantitativa
1. En el menú Analizar > Comparar medias > Pruebas T para muestras relacionadas.
2. En la casilla “Variables relacionadas” colocar las dos variables cuantitativas, en este caso “Gene-
rat_1” y “Generat_2”; luego hacemos clic en “Aceptar”.
3. Observamos los resultados e interpretamos.
Procedimiento:
Resultados:
1. La primera tabla es el resumen estadístico por grupos, se puede observar que la media en gene-
ratividad inicial es mayor en primaria que en secundaria, pero no indica si estas diferencias son
significativas.
2. La segunda es la tabla comprende dos pruebas: la prueba de Levene para igualdad de varianzas y
la prueba t:
Resultados:
1. La primera tabla a observar es la que muestra los estadísticos. La generatividad final es mayor que
la inicial; debemos garantizar que esta diferencia sea significativa:
Interpretación:
• Primero se analiza la prueba de Levene. El valor de F = 7,814 de esta prueba asociado al valor de
significación p=0.006 (p>0,05) indica que “No se han asumido varianza iguales”, por lo que la
lectura de la “Prueba T para la igualdad de medias” debe realizarse en la segunda fila.
Módulo 4: Técnicas de investigación cuantitativa
b) Pruebas t para muestras relacionadas. Se aplica para estudiar si hay o no diferencias significativas
entre las medias de dos grupos de datos cuantitativos (dos variables cuantitativas) recogidos de
la misma muestra de sujetos bajo criterios análogos.
Ejemplo: En la base “BD Módulo 5.sav”, las variables Generatividad inicial (Generat_1) y Generatividad
final (Generat_2) son cuantitativa; la Generatividad final es la segunda evaluación luego de un progra-
28 29
Interpretación:
• El valor de t = -13,613 asociado al valor de significación bilateral p=0,000 (p< 0.05), indica que las
diferencias de medias entre la Generatividad inicial y la Generatividad final son significativas; es
decir, la media 69,98 en Generatividad final es significativamente mayor que la media de 41,05 en
Generatividad inicial.
• Por lo tanto, luego del programa de mejoramiento en generatividad, los docentes como grupo
han incrementado significativamente su generatividad.
3.2.2 Análisis de varianzas (ANOVA). La prueba de ANOVA nos permite comparar las Resultado:
medias de más de dos grupos. Veremos dos tipos: el ANOVA de un factor entre-sujetos
y el ANOVA de un factor de medidas repetidas.
a) ANOVA de un factor entre-sujetos. También llamado ANOVA de un factor inter-sujetos. Esta prue-
ba se aplica para estudiar si hay o no diferencias significativas entre las medias de más de dos
grupos diferentes generados por una variable categórica (o cualitativa) de más de dos categorías
en relación a una variable cuantitativa.
La prueba de ANOVA solo indica si hay o no diferencias estadísticamente significativas entre las
medias de los grupos; de presentarse estas diferencias se debe evaluar la igualdad o no de las va-
rianzas mediante el estadístico de Levenne, el cual permite definir una prueba Post-hoc adecuada.
Analizando, observamos que el valor F=12.348 está asociado al valor de significación 0.000 (p<0.05),
La prueba post-hoc permite identificar entre qué grupos (categorías) se presenta las diferencias
esto indica que hay diferencias significativas en al menos un par de medias, aunque no sabes entre qué
significativas de medias. Una buena prueba general, de post-hoc, que sirve para la mayor parte de
medias son las diferencias; por lo tanto debemos continuar pidiendo la prueba de homogeneidad de
situaciones es la de Tukey; si las varianzas no son homogéneas la de Games-Howell (Tomas, 2007).
varianzas (estadístico de Levene).
Ejemplo: En la base “BD Módulo 5.sav” se tiene la variable cuantitativa Autoconcepto global (Auto_
Para pedir la prueba de homogeneidad de varianzas repetimos los pasos anteriores, pero ahora in-
Global) y la variable cualitativa Estado civil (soltero, casado y separado). Se desea estudiar si hay o no
gresamos a “Opciones”, ahí seleccionamos los “Descriptivos” para ver los valores de las medias, y la
diferencias significativas de medias entre los grupos (de solteros, casados y separados) respecto al
“Prueba de homogeneidad de las varianzas”, luego damos “Continuar” y “Aceptar”.
Autoconcepto global. Seguimos los pasos siguientes:
Procedimiento:
1. En el menú Analizar > Comparar medias > ANOVA de un factor.
2. En la casilla “Dependientes” colocamos la variable Autoconcepto global; y en la casilla “Factor”
colocamos la variable Estado civil; luego damos en “Aceptar”. Analizamos los resultados.
3. Si hay diferencias significativas de medias, pedimos la prueba de homogeneidad de varianzas
para ver el estadístico de Levene. Analizamos los resultados.
Módulo 4: Técnicas de investigación cuantitativa
Procedimientos: Resultado:
30 31
En la tabla Descriptivos vemos las medias de cada grupo (categorías). efectos principales” y en “Ajuste de intervalo de confianza:” seleccionamos “Bonferroni”. Tam-
bién en “Mostrar” seleccionamos “Estadísticos descriptivos”, luego hacemos clic en “Continuar”
En la prueba de homogeneidad de varianzas se observa que el valor estadístico de Levenne 7,216 está y en “Aceptar”.
asociado al valor de significación p=0,001 (p<0.05), esto indica que debe asumirse varianzas no homo-
géneas, por lo que la prueba Post-hoc adecuada es la de “Games-Howell”. Procedimiento:
Para pedir la prueba Post hoc se realizan los pasos anteriores es SPSS pero se ingresa a la opción “Post
hoc”, ahí se selecciona “Games-Howell”, luego “continuar” y “Aceptar”.
Procedimiento y resultado:
Interpretación:
• Los asteriscos indican las diferencias significativas de medias, pues están asociados a valores de
significación bilateral p< 0.05.
• Se observa que las medias de Autoconcepto global de los solteros y de los casados son significati-
vamente mayores que la media de los separados.
• Por lo tanto, los docentes solteros y los casados tienen mayor Autoconcepto global que los docen-
tes separados.
32 33
3.3 RELACIÓN ENTRE DOS VARIABLES CUANTITATIVAS
Cuando se desea estudiar la relación lineal entre dos variables cuantitativas (o al menos se cuasi-
cuantitativas con suficiente número de categorías), las pruebas estadísticas pueden ser la correlación
o la regresión.
3.3.1 Correlación. El estudio del grado de asociación entre dos variables cuantitati-
vas depende de los tipos de las variables cuantitativas:
Se observa que el valor de todas las pruebas están asociadas a valores de significación 0,000 p<0,05), • Coeficiente de correlación de Pearson (rxy), es el más común de las correlaciones, su valor varía de
por lo cual se rechaza la hipótesis de igualdad de medias y se acepta que hay diferencias entre al me- –1 a 1, por lo que puede haber correlación negativa, nula o positiva. Un criterio para valorar si esta
nos un par de medias. capacidad explicativa es baja, media o alta es tomar los valores 0.1, 0.3 y 0.5 respectivamente, que
Cohen ofrece como referentes (Tomas, 2007).
Las tablas siguientes nos ayudan a recordar las definiciones numéricas y las medias de cada dimensión:
Tomás (2007) describe otros coeficientes indicando que generalmente son utilizados para variables
ordinales, y que tienen en común el funcionar con datos de ordenaciones realizadas sobre las puntua-
ciones:
• Coeficiente rho de Spearman, es una aplicación (sobre las ordenaciones) de rxy y por tanto mantie-
ne, sus características y forma de interpretación.
• Coeficiente de Kendall, aunque se sigue interpretando dentro del mismo rango de valores, éste no
es aplicación de Pearson y puede diferir en el resultado. Habitualmente ofrece valores considera-
blemente menores que Pearson.
• Coeficiente de Goodman-Kruskal, es el indicado cuando existen muchos empates al hacer las orde-
naciones, al asignar los rangos.
Ahora se debe identificar entre qué medias se presentan las diferencias significativas; para ello anali- • Coeficiente de correlación biserial-puntual: se utiliza cuando una variable es continua y la otra es
zamos la tabla de Comparaciones por pares: dicotómica, es aplicación de Pearson, y mantiene sus características
• Coeficiente de correlación biserial: con una variable continua y la otra dicotomizada. Se trata de un
coeficiente estimación de rxy y por ello parece más recomendable evitar la situación de tener que
usarlo, es decir, no dicotomizar en la medida de lo posible.
• Coeficiente de correlación tetracórica: se usa para dos variables dicotomizadas siendo estimación
de Pearson y por ello la recomendación vuelve a ser evitar la dicotomización.
Módulo 4: Técnicas de investigación cuantitativa
34 35
Procedimiento: • Se observa también que hay correlaciones negativas significativas entre el autoconcepto laboral y
los autoconceptos social, emocional y familiar. Lo cual significa que si un sujeto tiene puntaje alto
en el autoconcepto laboral lo más probable es que tenga puntaje bajo en cualquiera de los otros
autoconceptos; o también, si tiene puntaje bajo en autoconcepto laboral es probable que tenga
puntaje alto cualquiera de los otros. Aquí también con la teoría y los antecedentes se puede rea-
lizar un análisis más profundo de las correlaciones o no correlaciones.
3.3.1 Regresión simple. Cuando se desea predecir el valor de una variable en función
de otra, se estudia la regresión simple. Consiste en formar una función lineal entre dos
variables, de manera que una funcione como variable dependiente y la otra como va-
riable independiente o predictora.
Ejemplo: En la base “BD Módulo 5.sav”, estudiemos la capacidad predictiva del Autoconcepto emo-
cional sobre el Autoconcepto social. Para ello asumimos al Autoconcepto emocional (x) como variable
predictora o independiente y al Autoconcepto social (y) como variable dependiente; de esta manera,
si la regresión simple (función lineal) es de forma: y = B0 + B1x, entonces, x = autoconcepto social, y y =
autoconcepto emocional, así:
• Se observa que hay correlaciones positivas significativas entre los siguientes pares de autocon-
ceptos: social con emocional; social con familia; y emocional con familiar. Lo cual significa que si
un sujeto tiene puntaje alto en uno de los autoconceptos lo más probable es que también tenga
puntaje alto en el otro autoconcepto; o también, si tiene puntaje bajo en uno es probable que
tenga puntaje bajo en el otro.
36 37
Interpretación:
Para nuestro caso, observamos la columna de Coeficientes no estandarizados, la cual indica que B0 =
7,701 y B1 = 0,305. Por lo tanto la regresión simple (función lineal) será:
Significa que el pronóstico del Autoconcepto emocional se basa en un incremento constante de 7,701
más 0,305 veces el valor del Autoconcepto social, así por ejemplo:
• Si un sujeto tiene 100 puntos en autoconcepto social, lo más probable es que tenga 7,701+0,305(100)
= 38,201 puntos en autoconcepto emocional
Resultados:
• Si un sujeto tiene 200 puntos en autoconcepto social, lo más probable es que tenga 7,701+0,305(100)
La primera tabla a observar es el resumen del modelo, que muestra el valor 0,668 de correlación R de = 68,701 puntos en autoconcepto emocional.
Pearson, el valor 0,446 de R cuadrado nos indica que el 44,6% de la variación del Autoconcepto social
está explicado por la variable Autoconcepto emocional:
ACTIVIDAD
DE REFORZAMIENTO
Actividad de retorno
Aplica un instrumento para tu investigación y elabora una base de datos. Luego:
38 39
REFERENCIAS CITADAS
Rocha, I. y Tojeiro, C. (2005). Office 2000. España: MAD
Tomás, J. (2007). Introducción a la metodología cuantitativa con SPSS. Univ. de Valencia. Lima:
Solográfica SAC.
Marchant, J. y Pérez, A. “La Evaluación de actitudes y valores”. Recuperado 10 de mayo de 2012, del
sitio Web
REFERENCIAS CONSULTADAS
Moya, R. (1991). Estadística descriptiva. Lima: San Marcos.
Tomás, J. (Coord.) (2011). Guía de trabajos de investigación cuantitativos en psicología educativa y del
desarrollo. Univ. de Valencia - IESPP CReA. Lima: Arte Perú.
REFERENCIAS EN LA WEB
http://www.cneq.unam.mx/programas/actuales/taller/competencias/archivos/material_apoyo/
instrumentos_para_evaluar_actitudes_y_valores.pdf
http://www.ucm.es/info/socivmyt/paginas/D_departamento/materiales/datos_multivariante.htm
Módulo 4: Técnicas de investigación cuantitativa
40