Metodología II

UNIDAD
DIDACTICA 0:
GESTIÓN Y
MANIPULACIÓN
DE ARCHIVOS

Visualización de
un archivo de
datos

Práctica 4. Abra el
archivo Depres.sav
y ordene a los sujetos en función de la
edad. Para ello debe seleccionar la
opción Ordenar casos del menú Datos e incorporar la variable edad como criterio de
ordenación.

Datos-ordenar casos-por edad-aceptar

Práctica 5. Observe ahora el efecto de ordenar el archivo en función del sexo y la edad,
incluyendo simultáneamente ambas variables como criterio de ordenación.

Lo mismo metiendo también la variable sexo.

Práctica 6. Active la opción que permite mostrar las etiquetas de los valores en las variables,
seleccionando el botón Etiquetas de valor, , de la barra de herramientas. Pulsando de nuevo el
mismo botón volvemos a ocultar las etiquetas.
Práctica 7. Busque el caso 212 con el botón Ir a caso de la barra de herramientas.

Transformación de los datos

Práctica 8. Continuando con el archivo Depres.sav, cree una nueva variable denominada país
con el valor constante 1 (al que etiquetaremos como USA) para todos los casos, ya que todos
los sujetos son norteamericanos (ver Figura 5). Para asignar la etiqueta USA al valor 1 debe
acceder a la pantalla Vista de Variables del Editor (ver Figura 2) y trabajar desde la columna
Valores, en la celdilla correspondiente a la variable país.
Práctica 9. Transforme la edad de los sujetos sumando un año. Lo podemos hacer
transformando la propia variable edad o creando una nueva variable, por ejemplo con el
nombre edad1. Haga esto último a partir de edad1 (variable de destino) = edad +1 (expresión
numérica).

Práctica 10. Defina una nueva variable (subescala) que sea la suma total de los cuatro primeros
ítems de la escala de depresión (variables c.1, c.2, c.3 y c.4). Lo hacemos a partir de subescala
(variable de destino) = c.1+c.2+c.3+c.4 (expresión numérica).

Transformar-calcular variable

Práctica 11. Transforme la variable ingresos en euros, teniendo en cuenta que viene expresada
originalmente en dólares y que 1 $ = 0,8 €. Hágalo creando una nueva variable denominada
ingresos€.
Práctica 17. Abra el archivo Datos Psicología sin depurar.sav y localice 5 errores de codificación
en algunas de las siguientes variables: sexo, edad, estatura, peso, calzado y estado civil.

Sexo

Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado

Válido Varón 307 18,3 18,3 18,3

Mujer 1372 81,7 81,7 99,9

8 1 ,1 ,1 100,0

Total 1680 100,0 100,0

Estado civil

Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado

Válido Soltero/a 1630 97,0 97,3 97,3

Casado/a 38 2,3 2,3 99,5

Separado/a 2 ,1 ,1 99,6

Divorciado/a 3 ,2 ,2 99,8

Viudo/a 1 ,1 ,1 99,9

11 2 ,1 ,1 100,0

Total 1676 99,8 100,0

Perdidos Sistema 4 ,2

Total 1680 100,0

Unidad didáctica 1: Análisis de una variable
2. Distribuciones de frecuencias

2.1 Variables cuaitativas.

Práctica 1. Abra el archivo Psicología 2009.sav y obtenga una distribución de frecuencias de la

variable Identificación religiosa (religión) acompañada de un gráfico de barras. Para obtener el
gráfico pulse el botón Gráficos en el cuadro de diálogo Frecuencias y escoja la opción Gráfico
de barras con porcentajes. Observe el resultado e interprételo.

Analizar-estadísticos descriptivos-frecuencias-variable identificación religiosa-gráficos-barras-

porcentajes-continuar-aceptar.

Identificación religiosa

Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado

Válido Católico practicante 12 6,6 6,7 6,7

Católico no practicante 73 40,3 40,6 47,2

Otra religión 1 ,6 ,6 47,8

Agnóstico 41 22,7 22,8 70,6

Ateo 53 29,3 29,4 100,0

Total 180 99,4 100,0

Perdidos Sistema 1 ,6

Total 181 100,0

Interpretación: Predominan los católicos no practicantes, que representan el 40,6% de los
alumnos seguido de un 29,4% los ateos, un 22,8% os agnósticos y a mas distancia tenemos un
6,7% de católicos practicantes y un 0,6% de otra religión.

Práctica 3. En lugar de continuar trabajando con todos los sujetos del archivo vamos a
seleccionar los varones.

Datos-seleccionar casos-Si se satisface al condición-si-pasar variable sexo-y marcar =1-

continuar-aceptar.

Analizar-estadísticos descriptivos-frecuencias-meter variable identificación religiosa-aceptar.

*Si pidiese gráficos se harían aquí.
 Identificación religiosa

Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado

Válido Católico practicante 1 2,4 2,4 2,4

Católico no practicante 9 21,4 22,0 24,4

Otra religión 1 2,4 2,4 26,8

Agnóstico 17 40,5 41,5 68,3

Ateo 13 31,0 31,7 100,0

Total 41 97,6 100,0

Perdidos Sistema 1 2,4

Total 42 100,0

Interpretación: Si analizamos la distribución de la identificación religiosa entre los varones, nos

encontramos con que predominan los agnósticos con un 41,5%, a continuación hay un 31,7%
de ateos, un 22% de católicos no practicantes, un 2,4% de católicos practicantes y un 2,4% de
otra religión.

Práctica 4. A partir de las variables sexo y Modalidad de parjea preferida, seleccione a las
mujeres que se casarían por la iglesia y vuelva a obtener la distribución de frecuencias de la
variable Identificación religiosa.

Datos-seleccionar casos-si se satisface la condición-si-variable sexo=2&pareja=2-continuar-

aceptar.

Analizar-estadísticos descriptivos-frecuencias-religión-aceptar.

Identificación religiosa

Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válido Católico practicante 9 15,0 15,0 15,0

Católico no practicante 44 73,3 73,3 88,3

Agnóstico 6 10,0 10,0 98,3

Ateo 1 1,7 1,7 100,0

Total 60 100,0 100,0

Interpretación: Si analizamos la distribución de la identificación religiosa entre las mujeres que

se casarían por la iglesia nos encontramos, con que la mayoría, el 73,3% se consideran católicas
no practicantes, seguidas de tan solo un 15% de católicas practicantes, un 10% de agnósticas y
un 1,7% de ateas.

*Mirar porcentaje válido.

Práctica 5. Abra el archivo Depres.sav y obtenga la distribución de frecuencias de la variabe

edad acompañada de un histograma.

Analizar-estadísticos descriptivos-frecuencias-variable edad-graficos-histogramas-continuar-

aceptar.

Edad (Años cumplidos)

Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado

Válido 18 5 1,7 1,7 1,7

19 5 1,7 1,7 3,4

20 6 2,0 2,0 5,4

21 6 2,0 2,0 7,5

22 9 3,1 3,1 10,5

23 11 3,7 3,7 14,3

24 9 3,1 3,1 17,3

25 7 2,4 2,4 19,7

26 9 3,1 3,1 22,8

27 4 1,4 1,4 24,1

28 5 1,7 1,7 25,9

29 4 1,4 1,4 27,2

30 6 2,0 2,0 29,3

31 5 1,7 1,7 31,0

32 10 3,4 3,4 34,4

33 5 1,7 1,7 36,1

34 9 3,1 3,1 39,1

35 3 1,0 1,0 40,1

36 6 2,0 2,0 42,2

37 5 1,7 1,7 43,9

38 2 ,7 ,7 44,6

39 1 ,3 ,3 44,9

40 5 1,7 1,7 46,6

41 1 ,3 ,3 46,9

42 8 2,7 2,7 49,7

43 7 2,4 2,4 52,0

44 2 ,7 ,7 52,7

45 4 1,4 1,4 54,1

46 3 1,0 1,0 55,1

47 6 2,0 2,0 57,1

48 4 1,4 1,4 58,5

49 4 1,4 1,4 59,9

50 5 1,7 1,7 61,6

51 7 2,4 2,4 63,9

52 4 1,4 1,4 65,3

53 2 ,7 ,7 66,0

54 3 1,0 1,0 67,0

55 4 1,4 1,4 68,4

56 3 1,0 1,0 69,4

57 6 2,0 2,0 71,4

58 7 2,4 2,4 73,8

59 9 3,1 3,1 76,9

60 7 2,4 2,4 79,3

61 5 1,7 1,7 81,0

62 4 1,4 1,4 82,3

63 2 ,7 ,7 83,0

64 3 1,0 1,0 84,0

65 5 1,7 1,7 85,7

66 3 1,0 1,0 86,7

67 2 ,7 ,7 87,4

68 4 1,4 1,4 88,8

69 1 ,3 ,3 89,1

70 5 1,7 1,7 90,8

71 3 1,0 1,0 91,8

72 2 ,7 ,7 92,5

73 2 ,7 ,7 93,2

74 3 1,0 1,0 94,2

75 1 ,3 ,3 94,6

77 2 ,7 ,7 95,2
 78 2 ,7 ,7 95,9

79 2 ,7 ,7 96,6

80 1 ,3 ,3 96,9

81 2 ,7 ,7 97,6

82 1 ,3 ,3 98,0

83 5 1,7 1,7 99,7

89 1 ,3 ,3 100,0

Total 294 100,0 100,0

Interpretación: La distribución de la edad no se ajusta exactamente a un modelo normal, sino

que muestra una cierta asimetría positiva o un ligero predominio de las edades bajas.
*Asimetría positiva: la media es mayor que la mediana y la moda. Con esta distribución no se
debe usar la media porque no representa la oblación (solo si la piden), hay que usar la
mediana.

*Asimetría negativa. Por ejemplo calificaciones. La mayoría tiene unas puntuaciones con
respecto al 8-9 y poquitos 5-6 y menos con 2. la moda es myor que la mediana y la media. Es
aconsejable no usar la media sino la mediana.

*Simétrica: la media coincide con la mediana y la moda. Da igual usar mediana, moda o media.

*Cuando la asimetría es negativa hay predominio de puntuaciones altas, cuando es positiva

predominio de puntuaciones bajas.

Práctica 6. Vamos a efectuar cáculos adicionales con la edad, pulsando el botón Estadísticos
del cuadro de Frecuencias. Señale cuartiles, puntos de corte, media , mediana, moda, suma,
desv. Típica, varianza, amplitud/rango, mínimo máximo, e.t. Media, asimetría y curtosis.
Analizar-estadístios descritpvos-frecuencias-edad-estadísticos-metemos todo lo de arriba-
continuar-aceptar.

Estadísticos

Edad (Años cumplidos)

N Válido 294

Perdidos 0

Media 44,41

Error estándar de la media 1,057

Mediana 43,00

Moda 23

Desviación estándar 18,116

Varianza 328,195

Asimetría ,356

Error estándar de asimetría ,142

Curtosis -,954

Error estándar de curtosis ,283

Rango 71

Mínimo 18

Máximo 89

Suma 13057

Percentiles 10 22,00

20 26,00

25 28,00

30 31,00

40 35,00

50 43,00

60 50,00
 70 57,00

75 59,00

80, ( 61,00

90 70

Interpretación: Las edades oscian entre los 18 t los 89 años, siendo la media 44,41 y la desv.
Típica 1,12 La distribución de la asimetría positiva (Fisher 0,356) refleja un cierto predominio
de las edades bajas y en el hecho de que el valor de la media 44,41 sea ligeramente superior a
la mediana de 43 años (la distribución hubiese sido simétrica si hubiesen coincidido los valores
de media, mediana y moda). Finalmente se apuntan los 9 deciles (percenties 10, 20.. y 90) que
se corresponden con las edades de 22, 26... y 70 años, respectivamente y os 3 cuartiles
(percentiles 25, 50, y 75 que se corresponden a las edades 28, 43, y 59 años.

*Fisher se ve en en Asimetría.

Práctica 8. A partir de los datos del archivo Global Psicología 1999-2009.sav, seleccione a las
mujeres de 18 años con una estatura entre 160 y 170cm y obtenga la correspondiente tabla de
percentiles (puntos de corte para 100 grupos iguales) del peso.

Datos-seleccionar casos-si se satisface la condición-si--sexo=2 & estatura >=160 & estatura

<170

Analizar-estadísticos descriptivos-frecuencias—peso-estadísticos-puntos de corte para 100

grupos iguales--continuar-aceptar.

Estadísticos

Peso

N Válido 943

Perdidos 33

Percentiles 1 45,0000

2 46,0000

3 47,0000

4 48,0000

5 48,0000

6 49,0000

7 49,0000
8 49,0000

9 50,0000

10 50,0000

11 50,0000

12 50,0000

13 50,0000

14 50,0000

15 50,0000

16 50,0000

17 51,0000

18 51,0000

19 51,0000

20 51,0000

21 51,0000

22 52,0000

23 52,0000

24 52,0000

25 52,0000

26 52,0000

27 52,0000

28 52,0000

29 53,0000

30 53,0000

31 53,0000

32 53,0000

33 53,0000

34 54,0000
35 54,0000

36 54,0000

37 54,0000

38 54,0000

39 54,0000

40 54,5000

41 55,0000

42 55,0000

43 55,0000

44 55,0000

45 55,0000

46 55,5720

47 56,0000

48 56,0000

49 56,0000

50 56,0000

51 56,0000

52 57,0000

53 57,0000

54 57,0000

55 57,0000

56 57,0000

57 58,0000

58 58,0000

59 58,0000

60 58,0000

61 58,0000
62 58,0000

63 58,0000

64 59,0000

65 59,0000

66 59,0000

67 59,0000

68 60,0000

69 60,0000

70 60,0000

71 60,0000

72 60,0000

73 60,0000

74 60,0000

75 60,0000

76 61,0000

77 61,0000

78 62,0000

79 63,0000

80 63,0000

81 63,6400

82 64,0000

83 65,0000

84 65,0000

85 65,0000

86 65,9200

87 66,0000

88 66,7200
 89 67,0000

90 68,0000

91 68,0000

92 69,0000

93 70,0000

94 70,0000

95 71,0000

96 73,9240

97 75,0000

98 78,1200

99 80,5600

ANALISIS EXPLORATORIO DE DATOS.

Práctica 11 Analice la variable edad del archivo Drepress.sav desde el enfoque del Análisis
Exploratorio de datos, incorporando todas las opciones de análisis estadístico y los gráficos de
“tallos y hojas” y “caja”.

Analizar-estadísticos descriptivos- explorar- lista de dependientes-edad-estadísticos-todo-

gráficos-talos y hojas-caja-continuar-aceptar.

Descriptivos

Estadístico Error estándar

Edad (Años cumplidos) Media 44,41 1,057

95% de intervalo de Límite inferior

42,33
confianza para la media

Límite superior 46,49

Media recortada al 5% 43,77

Mediana 43,00

Varianza 328,195
 Desviación estándar 18,116

Mínimo 18

Máximo 89

Rango 71

Rango intercuartil 31

Asimetría ,356 ,142

Curtosis -,954 ,283

Estimadores M

Estimador M de Biponderado de Estimador M de Onda de

Huber a
Tukey b
Hampel c
Andrewsd

Edad (Años cumplidos) 43,15 43,47 43,80 43,48

a. La constante de ponderación es 1,339.

b. La constante de ponderación es 4,685.

c. Las constantes de ponderación son 1,700, 3,400 y 8,500

d. La constante de ponderación es 1,340*pi.

En lo relativo a la tendencia central de la distribución, mientras que la media es de 44.41 años,

la mediana y otros promedios robustos muestran un valor ligeramente inferior (mediana 43
años, media recortada al 5% es de 43,77 y los estimadores M arrojan valores comprrendidos
entre 43,15 y 43,80. Asi la media se deja afectar por las edades más altas de una distribución
con una ligera asimetría positiva (Fisher 0,356).

Percentiles

Percentiles

5 10 25 50 75

Promedio Edad (Años cumplidos)

ponderado(Definici 20,00 22,00 28,00 43,00 59
ón 1)

Bisagras de Tukey Edad (Años cumplidos) 28,00 43,00

En lo relativo a variailidad de la distribución, el indice robusto alternativo a la varianza y la
desviación típica es la amplitud intercuartil, que se calcula a partir de os cuartiles 3 y 1
(percentiles 75 y 25) según la expresión Q=Q3-Q1 = 59-29=31. el valor de esta amplitud es
equivalente a la longitud de la caja en el diagrama de “caja y bigotes”.

Valores extremos

Número del
caso Valor

Edad (Años cumplidos) Mayor 1 234 89

2 114 83

3 148 83

4 198 83

5 257 83a

Menor 1 229 18

2 206 18

3 201 18

4 141 18

5 25 18

a. Sólo se muestra una lista parcial de casos con el valor 83 en la tabla de

extremos superiores.

Muestra los cinco valores más altos (un sujeto de 89 años y cuatro de 83) y los cinco valores
más bajos (todos de 18 años) de la distribución.

Edad (Años cumplidos) Gráfico de tallo y hojas

Frecuencia Stem & Hoja

10,00 1 . 8888899999

41,00 2 . 00000011111122222222233333333333444444444

29,00 2 . 55555556666666667777888889999

35,00 3 . 00000011111222222222233333444444444

17,00 3 . 55566666677777889

23,00 4 . 00000122222222333333344
 21,00 4 . 555566677777788889999

21,00 5 . 000001111111222233444

29,00 5 . 55556667777778888888999999999

21,00 6 . 000000011111222233444

15,00 6 . 555556667788889

15,00 7 . 000001112233444

7,00 7 . 5778899

9,00 8 . 011233333

1,00 8 . 9

Ancho del tallo: 10

Cada hoja: 1 caso(s)

Diez sujetos presentan edades comprendidas entre los 18 y 19 años (5

con 18 y 5 con 19), 41 sujetos tienen edades comprendidas entre los 20
y 24 años (6 con 20, 6 con 21, 9 con 22, 11 con 23 y 9 con 24 años).
29 sujetos muestran edades entre 25 y 29 años... y así sucesivamente.
La forma de la distribución es asimétrica positiva con un ligero
predominio de las edades bajas, pero no hay valores atípicos o
outliers en la distribución.
Nos muestra que la mediana es de 43 años, los cuartiles 1 y 3 son 28 y 59 años, y los valores
mínimo y máximo son 18 y 89 años. Así, al través de la mediana conocemos la tendencia
central o el promedio de la distribución a través de la amplitud intercuartil, que equivale a la
altura de la caja Q3-Q1=59-28=31 años, conocemos la variabilidad de la dstrubución. También
puede informarnos de al asimetría de la distribución, a través de las distancias entre los
cuartiles y la presencia o no de valores atípicos. En este caso se detecta una ligera asimetría
positiva (Q3-Q2>Q2-Q1) pero no hay valores atípicos en la distribución.

*En caso de ver datos atípicos los circulitos serían datos atípicos y los * datos atípicos
extremos. Considerándose atípicos los que se alejan del cuartil 1 por debajo o del cuartil 3 por
encima, en una distribución superior a 1,5 veces la longitud de la caja. I esta desviación supera
3 veces la longitud de la caja serían valores atípicos extremos. Se calcula por ejemplo 20 +1,5
(2) El (2) sería el resultado de Q3-Q1 y para realizar esta cuenta, primero mutiplicamos 1,5 por
el resultado de Q3-Q1, en este caso 2 y luego sumamos el resto, en este caso 20. Igual pero
cambiando el 1,5 por 3 sería en el caso de los valores atípicos extremos.

Práctica 14. Compruebe el supuesto de normalidad en la variable edad del archivo Psicología
2009.sav, a través de la prueba de Kolmogrov-Smirnov.

Analizar-estadísticos descriptivos- explorar- lista de dependientes-edad-gráficos-ninguno-

gráficos con pruebas de normalidad-continuar-aceptar.
 Pruebas de normalidad

Kolmogorov-Smirnova Shapiro-Wilk

Estadístico gl Sig. Estadístico gl Sig.

Edad ,323 181 ,000 ,463 181 ,000

Rechazamos la Hipótesis nula de que la edad se distribuya normalmente, ya que el nivel crítico
de probabilidad de la prueba de Kolmogrov-Smirnov, p=0,000 es inferior a 0,05. Asi la
distribución de la edad se desvía significativamente del supuesto de normalidad mostrando una
asimetría positiva muy pronunciada.

*Hipótesis nula=p>0,05--> no hay diferencias--> se cumple el supuesto

La Ho plantea que se cumple el supuesto de normaliad.

Si no hay diferencias significativas (prueba de levene).

Si se cumple el supuesto: Anova, T-student y listo.

Dependiendo del tamaño de la muestra se usarán si son más de 50 sujetos Komogrov-Smirnov

si son menos de 50 Shapiro-Wilk.

*Hipótesis alternativa=p<005--> Hay diferencias--> o se cumple el supuesto.

Unidad didáctica 2: Análisis conjunto de dos variables.

2. Variables cualitativas. 2 variables cualitativas o cuasi-cuantitativas con pocos valores.

Práctica 1. Abra el archivo Psicología 2009.sav y construya una tabla de contngencia d las
variables sexo y ¿Eres fumador? (fumar).

Analizar-estadísticos descriptivos-tablas de contingencia/tablas cruzadas-filas sexo-columnas

¿Eres fumador?-aceptar.

Tabla cruzada Sexo*¿Eres fumador?

Recuento

¿Eres fumador? Total

Sí No

Sexo Varón 15 27 42

Mujer 49 90 139

Total 64 117 181

Práctica 2. En la misma tabla de contingencia que se acaba de reaizar, junto con las frecuencias
absolutas conjuntas, presente los porcentajes condicionales por filas, o calculados respecto al
total de varones y mujeres

Analizar-estadísticos descriptivos-tablas de contingencia/tablas cruzadas-filas sexo-columnas

¿Eres fumador?-casillas-filas-continuar-aceptar.

Tabla cruzada Sexo*¿Eres fumador?

¿Eres fumador? Total

Sí No

Sexo Varón Recuento 15 27 42

% dentro de Sexo 35,7% 64,3% 100,0%

Mujer Recuento 49 90 139

% dentro de Sexo 35,3% 64,7% 100,0%

Total Recuento 64 117 181

 % dentro de Sexo 35,4% 64,6% 100,0%

El porcentaje e fumadores entre los varones, de un 35,7% es muy similar al porcentaje de

fumadoras entre las mujeres, del 35,3%. Así, apeas hay diferencias de género respecto al hábito
de fumar.

Práctica 4. Elabore un gráfico donde se aprecie la relación entre las dos variables de la tabla de
contingencia (género y el se o no fumador). Lo haremos representando en un diagrama de barras
los porcentajes adicionales del hábito de fumar respecto al total de varones y mujeres.

Pinchar en gráficos-cuadro de diálogos antiguos-barras-Agrupado-definir-Eje de categorías-

¿Eres fumador?-definir por grupos-sexo-aceptar.

Entre los varones hay un 35,7% de fumadores y entre las mujeres un 35,3%, lo que supone un
porcentaje de fumadores muy similar en ambas muestras, por lo que apenas existen
diferencias de género respecto al hábito de fumar.
Práctica 5. Obtenga la prueba de significación chi-cuadrado junto con algunos índices para
evaluar el grado de asociación entre las variables.

Analizar-estadísticos descriptivos-tablas cruzadas/de contingencia- mismos datos de antes y en

estadísticos-chi cuadrado-coeficiente de contingencia-Phy y V de Cramer-Lambda-Coeficiente
de incertidumbre-continuar-acetar.

Pruebas de chi-cuadrado

Significación Significación
asintótica Significación exacta
Valor gl (bilateral) exacta (bilateral) (unilateral)

Chi-cuadrado de Pearson ,003a 1 ,956

Corrección de continuidadb ,000 1 1,000

Razón de verosimilitud ,003 1 ,956

Prueba exacta de Fisher 1,000 ,548

Asociación lineal por lineal ,003 1 ,956

N de casos válidos 181

a. 0 casillas (0,0%) han esperado un recuento menor que 5. El recuento mínimo esperado es 14,85.

b. Sólo se ha calculado para una tabla 2x2

Medidas direccionales

Error
estandarizado
Valor asintóticoa

Nominal por Nominal Lambda Simétrico ,000 ,000

Sexo dependiente ,000 ,000

¿Eres fumador? dependiente ,000 ,000

Tau Goodman y Kruskal Sexo dependiente ,000 ,001

¿Eres fumador? dependiente ,000 ,001

 Coeficiente de incertidumbre Simétrico ,000 ,001

Sexo dependiente ,000 ,001

¿Eres fumador? dependiente ,000 ,000

a. No se presupone la hipótesis nula.

b. No se puede calcular porque el error estándar asintótico es igual a cero.

c. Se basa en la aproximación de chi-cuadrado

d. Utilización del error estándar asintótico que presupone la hipótesis nula.

e. Probabilidad de chi-cuadrado de razón de verosimilitud.

Medidas simétricas

Significación
Valor aproximada

Nominal por Nominal Phi ,004 ,956

V de Cramer ,004 ,956

Coeficiente de contingencia ,004 ,956

N de casos válidos 181

Interpretación: Según el resultado de la prueba Chi cuadrado de Pearson, vemos que el valor es
de 0,003; p=0,956, no podemos rechazar la hipótesis nula de independencia entre las variables,
porque es mayor de 0,05. Así, no parece existir relación entre el género y el hábio de fumar, no
existen diferencias significativas entre el 35,7% de fumadores en los varones y el 35,4% de
fumadoras en las mujeres.

Respecto al grado de relación entre las variables, la diferencia entre los porcentajes de
fumadores en los varones y las mujeres es de tan solo un 35,7%-35,3%=0,4%. Según e
coeficiente pi, 0,004, la magnitud de la asociación entre las variables es prácticamente nula, un
resultado idéntico o muy similar al de las demás medidas de asociación en las tablas, simétricas
y direccionales.

*En el análisis de tablas de contingencia con dos variables cualitativas, la prueba Chi-cuadrado
es el estadístico más aplicado para evaluar si existe o no una relación estadísticamente
significativa entre las variables. La validez de esta prueba depende del cumplimiento de una
serie de condiciones, como por ejemplo el que las frecuencias esperadas bajo el puesto de
independencia no sean demasiado pequeñas: que el porcentaje de frecuencias esperadas menor
que 5 no supere el 20% del total de frecuencias esperadas. Cuando la tabla consta de 2 filas y 2
columnas, es habitua e empleo de prueba inferenciales alternativas a la Chi cuadrado, como
Fisher. Finalmente respecto a los múltiples indices para valorar el grado de asociación entre las
variables, os hemos centrado en dos de los más aplicados en las tablas 2x2: la diferencia de
posiciones (o porcentajes) y el coeficiente phi.

*Sig. >0,05 se cumple la Ho, no hay diferencias.

Práctica 11. A partir de archivo Depres.sav, vamos a contruir tablas de contingencia para las
variables sexo y Diagnóstico (diagnos). Pero estatificadas por la variable ¿Bebe habitualmente?
(bebida).

Analizar-estadísticos descriptivos-tablas de contingencia-fila (sexo)-columna (diagnos)-capa

(bebida)-aceptar.

Tabla cruzada Sexo*Diagnóstico (0-15: Normal; >15: Deprimido) *¿Bebe

habitualmente?

Recuento

Diagnóstico (0-15: Normal; >15:

¿Bebe habitualmente? Deprimido) Total

Normal Deprimido

Si Sexo Varón 87 8 95

Mujer 105 33 138

Total 192 41 233

NO Sexo Varón 15 2 17

Mujer 37 7 44

Total 52 9 61

Total Sexo Varón 102 10 112

Mujer 142 40 182

Total 244 50 294

Variables cuantitativas.

Práctica 12. A partir del archivo Psicología 2099.sav obtenga el diagrama de dispersión de las
variables calzado y estatura.

Gráficos-cuadros de diálogo antiguos-Dispersión/puntos-Eje x calzado y eje y estatura-aceptar.

Interpretación: Se aprecia una clara relación lineal directa entre ambas variables: conforme
aumenta la estatura también lo hace en el número de calzado. Así, los sujetos de baja estatura
suelen tener un número de calzado pequeño y los altos u mayor número de calzado.

3.1 Coeficiente de correlación de Pearson

Práctica 14. Calcule la correlación de Pearson entre las variables calzado y estatura del archivo
Psicología 2009.sav.
Analizar-correlaciones-bivariadas-variables calzado y estatura-aceptar.

Correlaciones
 Calzado Estatura

Calzado Correlación de Pearson 1 ,806**

Sig. (bilateral) ,000

N 181 181

Estatura Correlación de Pearson ,806** 1

Sig. (bilateral) ,000

N 181 181

**. La correlación es significativa en el nivel 0,01 (bilateral).

Interpretación: Existe una correlación significativa y de signo positivo entre el calzado y la

estatura, siendo la magnitud de la asociación muy elevada (correlación de pearson= 0,806),
P<0,05. El sentido positivo de la relación nos indica que los sujetos de baja estatura
generalmente tienen un número de calzado pequeño, mientras que los altos tienden a usar un
calzado grande.

*Sabeos que la correlación es estadísticamente significativa porque el nivel crítico de

probabilidad p<0,05 en el ejemplo, es inferior a nivel de significación habitual 0,05, lo que nos
permite rechazar la hipótesis nula de que no existe correlación entre las variables.

Coeficiente de correlación Pearson parcial.

Cuantifica el grado de relación lineal entre dos variables controlando el posible efecto de una o
más variables adicionales.

Práctica 18. El archivo Mireault.sav contiene los datos de una muestra de 381 estudiantes
universitarios a los que se les administró el Inventario Breve de Síntomas, una medida de
autoinforme que explora múltiples aspectos de la sintomatologia psicológica: depresión
ansiedad, psicoticismo, hostilidad, somatización, obsesiones... Calcule el coeficiente de
correlación parcial entre las variables ansiedad y depresión, una vez controlado el efecto de la
sintomatología obsesiva.

Analizar-correlaciones-parciales-metiendo la ventana variables ansiedad y depresión y en la

ventana controlando obsesión-opciones-correlaciones de orden cero-continuar-aceptar.

Correlaciones
Variables de control Depresión Ansiedad Obsesión

-ninguno-a Depresión Correlación 1,000 ,590 ,599

Significación (bilateral) . ,000 ,000

gl 0 373 373

Ansiedad Correlación ,590 1,000 ,621

Significación (bilateral) ,000 . ,000

gl 373 0 373

Obsesión Correlación ,599 ,621 1,000

Significación (bilateral) ,000 ,000 .

gl 373 373 0

Obsesión Depresión Correlación 1,000 ,346

Significación (bilateral) . ,000

gl 0 372

Ansiedad Correlación ,346 1,000

Significación (bilateral) ,000 .

gl 372 0

a. Las casillas contienen correlaciones de orden cero (Pearson).

Interpretación: La correlación simpe entre ansiedad y depresión es positiva, de magnitud

elevada y estadísticamente significativa, correlación ansiedad=0,590; p0,000. Una vez
controlado el efecto de los síntomas obsesivos, la correlación parcial entre ansiedad y depresión
continua siendo positiva y estadístiamente significativa, pero desciende en magnitud,
correlación=+0,346; p<0,050. Esto es debido a la fuerte relación positiva y estadísticamente
significativa entre las variables obsesión y ansiedad y entre las variables obsesión y depresión.

Variables cualitativas y cuantitativas.

 4. Variables cualitativas y cuantitativas.
Práctica 20. A partir de archivo Psicología 2009.sav, compruebe si existe relación entre las
variables seo y peso, comparando los pesos promedios de los varones y las mujeres.
*En a ventana dependientes se poe la variable cuantitativa y en la de independientes la
cualitativa.
Analizar-comparar medias-medias-dependientes (peso), independientes (sexo)-opciones-
mediana, mínimo, máximo, varianza, asimetría, curtosis, media geométrica, media armónica,
etc.

Informe

Peso

Desviación
Sexo Media N estándar Mediana Mínimo Máximo Varianza Asimetría

Varón 72,2500 42 10,55488 71,0000 50,00 103,00 111,405 ,92

Mujer 60,0109 137 9,68182 58,0000 43,00 97,00 93,738 1,06

Total 62,8827 179 11,15043 60,0000 43,00 103,00 124,332 ,91

Interpretación: Sí, se observa una clara relación entre las variables genero y peso, en el sentido
de que los varones pesan en promedio 12,24kg más que las mujeres.

Práctica 21. Elabore un diagrama de barras donde se muestre los pesos medios de los varones y
las mujeres.

Gáficos-cuadros de diálogo antiguos-barras-simple-definir-otro estadístico, ej. la mediana-

variable peso en la ventana variable-seo en eje de categorías-aceptar.
Interpretación: Las barras representan los pesos medios de los varones y mujeres, de 72,25 y
60,01kg, respectivamente. Observamos que los varones pesan en promedio 12,24kilos más que
las mujeres.

*Se puede cambiar el aspecto del gráfico para que la diferencia entre ambas variables parezca
más o menos pronunciada. Cambiando los límites del eje vertical o de ordenadas (Y). Para elo
hay que hacer doble click sobre gráfico con el botón izquierdo del ratón. Pulsar el icono Y en el
Editor de Gráficos y en e cuadro de Propiedades pulsar la pestaña Escala, donde se pueden
cambiar los valores mínimo y máximo.

Práctica 23. Otra alternativa gráfica consiste en presentar simutáneamente dos “diagramas de
caja” de la variable peso uno para cada valor de sexo, loq ue posibilitará una comparación más
directa de la distribución de peso entre varones y mujeres.

Analizar-estadísticos descriptivos-explorar-variabe peso en dependientes y sexo en factores-

aceptar.

Contraste de dos medias independientes.

Práctica 29. En el archivo Psicología 2009.sav, compruebe si existen diferencias significativas

entre los pesos promedio de los varones y las mujeres.
Analizar-comparar medias-pruebas t para muestras independientes-contrastar variable peso
que es la variable dependiente-variable de agrupación sexo que es la variable independiente-
definir grupos-grupo 1-1, grupo 2-2-aceptar.

Estadísticas de grupo

Desviación Media de error

Sexo N Media estándar estándar

Peso Varón 42 72,2500 10,55488 1,62865

Mujer 137 60,0109 9,68182 ,82717

Prueba de muestras independientes

Prueba de Levene de igualdad de

varianzas

F Sig. t gl Sig. (bilate

Peso Se asumen varianzas iguales ,037 ,848 7,016 177

No se asumen varianzas iguales 6,700 63,604

Interpretación Según el resultado de la prueba de Levene (F=0,037; P=0,848), no podemos

rechazar la hipótesis nula de igualdad de varianzas ya que el nivel crítico de probabilidad es
superior a 0,05, lo que nos conduce a interpretar la prueba T asumiendo varianzas homogéneas.

El resultado de la prueba T=177; p=0,050 nos indica que existen diferencias estadísticamente
significativa entre los pesos medios de los varones y mujeres, ya que el correspondiente nivel
crítico de probabilidad es igual a 0,05. El sentido de la diferencia entre las medias se reflea en
que los varones pesan en promedio 12,24kilos más que las mujeres.

Finalmente para evaluar la significación práctica del resultado, podemos obtener el valor de la
diferencia media tipificada, d=1.24, nos informa de que la magnitud de la diferencia entre las
dos medias es muy elevada respecto a los resultados encontrados en a investigación de las
Ciencias de la Salud.

*La interpretación del valor de una diferencia media tipificada puede hacerse ayudándonos el
criterio propuesto por Cohen, según el cual los valores 0,2, 0,5 y 0,8 corresponderían a un efecto
típicamente bajo, medio y alto respectivamente en el ámbito de las Ciencias Sociales y de la
Salud.

4.2 Contraste de dos medias dependientes.

Práctica 31. En el archivo de Dogas.sav, compare las medias de las variables Ansiedad Pretest
(ans1) y Ansiedad Postest (ans2), con el propósito de contrastar si se ha producido una
disminución significativa en los niveles de ansiedad del pretest a postest.

Analizar-comparar medias-pruebas T para muestras relacionadas-meter ansiedad pretest y

ansiedad pretest-aceptar.

Estadísticas de muestras emparejadas

Desviación Media de error

Media N estándar estándar

Par 1 Ansiedad Pretest 70,7400 50 16,13566 2,28193

Ansiedad Postest 59,8400 50 11,69573 1.65

Correlaciones de muestras emparejadas

N Correlación Sig.

Par 1 Ansiedad Pretest & Ansiedad

50 ,191 ,185
Postest

Prueba de muestras emparejadas

Diferencias emparejadas

Desviación Media de error 95% de intervalo de confia

Media estándar estándar diferencia

Inferior Su

Par 1 Ansiedad Pretest - Ansiedad

10,90000 18,03313 2,55027 5,77504
Postest

El resultado de la prueba T (49); p=0,000 nos indica que la diferencia entre los niveles medios
de ansiedad es estadísticamente significativa, ya que el nivel critico de probabilidad es inferior a
0,05. Ambas medias difieren en e sentido de una reducción significativa de a ansiedad en e
pretest 70,74 a la de pstest 59,84.

Finalmente para evaluar la significación práctica del resultado podemos obtener el valor de la
diferencia media tipificada, a partir de la expresión d=0,60, que nos informa de que la
disminución en los niveles promedio de ansiedad es de una magnitud media respecto a los
resultados tipicamente encontrados en la investigación sanitaria.

Práctica 32. Elabore un gráfico de barras donde se muestre el cambio en las medias de ansiedad
del pretest al postest.

Gráficos-cuadros de dialogo antiguos-barras-simple-Resúmenes par distintas variables-definir-

meter ambas variables-ansiedad 1 y 2-aceptar.
Unidad didáctica 3: Diseños de más de dos muestras: ANOVA.

2. Diseño de más de dos muestras: ANOVA

2.1 Anova de un factor.

Práctica 0. Archivo HUMOR. Comparar los resultados obtenidos en el postest en la

variable Y-MRS que refleja las valoraciones de los clínicos del estado maniaco del paciente
(YMRS2).

Analizar-modelo líneal general-univariado-variable dependiente (YMRS2)-factores fijos

(Farmaco)-opciones-estadísticos descriptivos básicos-prueba de homogeneidad y una
estimación del tamaño del efecto-gráfico-eje horizontal (fármaco)-añadir-continuar-aceptar

Estadísticos descriptivos

Variable dependiente: YMRS2

Desviación
Farmaco Media estándar N

Litio 16,71 2,812 7

Carbazepina 16,25 2,315 8

Divalproex Sodio 23,63 3,462 8

Total 18,96 4,457 23

Prueba de igualdad de Levene de varianzas de

errora

Variable dependiente: YMRS2

F df1 df2 Sig.

,830 2 20 ,450

Prueba la hipótesis nula que la varianza de error

de la variable dependiente es igual entre grupos.

a. Diseño : Intersección + Farmaco

 Pruebas de efectos inter-sujetos

Variable dependiente: YMRS2

Tipo III de suma Media Eta parcial al

Origen de cuadrados gl cuadrática F Sig. cuadrado

Modelo corregido 268,153a 2 134,076 15,886 ,000 ,614

Intersección 8151,429 1 8151,429 965,789 ,000 ,980

Farmaco 268,153 2 134,076 15,886 ,000 ,614

Error 168,804 20 8,440

Total 8702,000 23

Total corregido 436,957 22

a. R al cuadrado = ,614 (R al cuadrado ajustada = ,575)

En la primera taba figuran las medias y desviaciones típicas de los tres gruos en la variable
YMRS2. Esas 3 medidas son las que estamos contrastando mediante ANOVA para comprobar si
son significativamente diferentes entre si. Pero antes de interpretar ANOVA es precioso
comprobar si se cumple el supuesto de homogeneidad de varianzas, mediante prueba de
Levene que nos reporta la salida del programa.

Vemos en la tabla correspondiente que la prueba de Levene no alcanzó la significación

estadística, llevándonos al rechazo de la hipótesis nula y, en consecuencia a la conclusión de
que se cumple el supuesto de homogeneidad de varianzas (F2, 20=0,830; p=,450)

A continuación, interpretamos el resultado de la prueba F del ANOVA, que en este caso arroja
un resultado estadísticamente significativo (F(2, 20)=15,886, p=,001). Por tanto, podemos
concluir que el nivel medio de síntomas maníacos con los pacientes que recibieron los tres
fármacos no es el miso en el postest es decir, tras la finalización del tratamiento.

El gráfico de las medias nos ayuda a interpretar este resultado significativo, observando cómo
los pacientes que se sometieron al litio y la Carbamazepina presentan medias de 16,71 y 16,25,
respectivamente) inferiores a la media obtenida por los pacientes sometidos a Divalproex sodio
(media igual a 23,63), lo que indica que el litio y la carbamazepina parecen funcionar mejor
que el divalproex sodio en cuanto a la presencia de síntomas maníacos. No obstante el
resultado de la prueba F no nos permite ir más allá en la comparación de las tres medias, ya
que es una prueba ómnibus, es decir, evalúa la significación global de las diferencias existentes
entre el conjunto de todas las medias. Para examinar más en detalle las diferencias entre los
fármacos tendremos que aplicar pruebas de comparaciones a posteriori.

El resultado de la significación estadística del ANOVA debe complementarse con una

interpretación de la significación práctica o clínica.

Cuando no se cumple el supuesto de homogeneidad de las varianzas.

Calcular pruebas robustas de ANOVA, por ejemplo Brown-Forshythe y Welch.

Analizar-comparar medias-anova de un factor-YMRS2 en variable dependiente y Farmaco en

Factor-opciones-brown-forsythe-welch-continuar-aceptar.

Pruebas robustas de igualdad de medias

YMRS2

Estadísticoa gl1 gl2 Sig.

Welch 12,910 2 12,815 ,001

Brown-Forsythe 15,955 2 18,216 ,000

a. F distribuida de forma asintótica

Si tomamos el resultado de la prueba F de Brown-Forsythe, obtenemos F(2, 18,2)=15,955 y
p=<0,001. Por tanto rechazamos la hipótesis nula de igualdad de medias y concluiríamos con
que existen diferencias estadísticamente significativas entre ellas. El mismo resultado
obtenemos con la prueba de Welch.

Pruebas post hoc.

Analizar-comparar medias-anova de un factor-con los datos de antes-post hoc (Tukey)-

continuar-aceptar.

Comparaciones múltiples

Variable dependiente: YMRS2

HSD Tukey

Diferencia de
(I) Farmaco (J) Farmaco medias (I-J) Error estándar Sig. Intervalo de confianza al 95%

Límite inferior Límite super

Litio Carbazepina ,464 1,504 ,949 -3,34 4

Divalproex Sodio -6,911* 1,504 ,000 -10,71 -3

Carbazepina Litio -,464 1,504 ,949 -4,27 3

Divalproex Sodio -7,375* 1,453 ,000 -11,05 -3

Divalproex Sodio Litio 6,911* 1,504 ,000 3,11 10

Carbazepina 7,375* 1,453 ,000 3,70 11

*. La diferencia de medias es significativa en el nivel 0.05.

YMRS2

HSD Tukeya,b

Farmaco N Subconjunto para alfa = 0.05

1 2

Carbazepina 8 16,25

Litio 7 16,71
Divalproex Sodio 8 23,63

Sig. ,948 1,000

Se visualizan las medias para los grupos en los subconjuntos

homogéneos.

a. Utiliza el tamaño de la muestra de la media armónica = 7,636.

b. Los tamaños de grupo no son iguales. Se utiliza la media

armónica de los tamaños de grupo. Los niveles de error de tipo I
no están garantizados.

En, la primera tabla de salida tenemos los resultados de todas las comparaciones simples entre
los fármacos. Vemos que a comparación entre Litio y Carbamazepina no ha resultado
estadísticamente significativa p=,949 ya que la diferencia entre las medias es mínima (solo 0,46
puntos. Sin embargo, la comparación entre Litio y Divalproex sodio (p=<0,001) y la de
Carbamazepina y Divaproex sodio (p<,001) fueron estadísticamente significativas, con
diferencias entre sus medias de 6,91 y 7,38 respectivamente. Se deduce pues, que los resultados
con Litio y Carbamazepina son muy similares, y a su vez están por encima de los obtenidos con
Divalproex sodio.

3. ANOVA FACTORIAL.

3.1 Efectos factoriales. Principales, simples e interactivos.

Cuando son dos o más los factores a poner en relación con una variable dependiente
cuantitativa.

Analizar-modelo lineal general-univariante.

Diseños completamente aleatorizados, es decir, factores inter-sujeto.

Son 3 las preguntas que es posible responder:

a. ¿Influye el factor A sobre la variable dependiente?

b. ¿Influye el factor B sobre la variable dependiente?

c.¿Existe un efecto de interacción de A y B sobre la Variable dependiente?

Para responder a cada pregunta es precios formular una hipótesis nula con su correspondiente
hipótesis alternativa.

a. Factor A:

Ho: El factor A no influye sobre la variable dependiente

Ha: El factor A si influye sobre al v. dependiente-variable

b) Factor B:

Igual que arriba pero con factor B en vez de A.

c)Interacción AxB

Ho: o existe efecto de interacción AxB sobre la variable dependiente

Ha: si existe.....

3.2 ANOVA de medidas repetidas:

Cuando son los mismos sujetos los que pasan por las diferentes condiciones experimentales.
Podemos encontrar ANOVA de medida totalmente repetidas, cuando todos los factores son de
medidas repetidas o intra-sujeto. Y ANOVA factorial mixto, cuando al menos un factor es de
medidas repetidas o intra-sujeto y al menos un factor es inter-sujeto.
3.3 ANOVA de medidas totalmente repetidas:
Variable dependiente cuantitativa, comprobar si el factor intra-sujeto influye sobre la variable
dependiente aplicando anova de un factor de medidas repetidas. Da una razón F que nos permite
ver qué hipótesis aceptar. Ho cuando no hay diferencias Ha cuando si hay diferencias. <0,05 se
rechaza Ho >0,05 se acepta Ho.
Además del supuesto de normalidad y homogeneidad, hay que cumplir el supuesto de
esfericidad (Prueba de Mauchly). Si no se cumpe el supuesto se interpreta alguna de las pruebas
F robustas univariantes que el programa incorpora (Greenhouse-Geisser, Huynh-Feldt o Límite
inferior), o bien alguna de las pruebas multivariantes (Lambda de Wilks, Traza de Pillai-Bartlett,
Raiz característica mayor de Roy o Traza de Hotelling).
Ejemplo pg 11:
Analizar-modelo lineal general-medidas repetidas-niveles (3)-añadir-definir-meter las variables
en Variables intra-sujetos (p.ej YMRS 1, 2 y 3-opciones (Estadísticos descriptivos, estimación
del tamaño de efecto)-Gráfico-pasar factor 1-añadir-continuar-aceptar.

Factores dentro de
sujetos

Medida: MEASURE_1

Variable
factor1 dependiente

1 YMRS1

2 YMRS2

3 YMRS3

Estadísticos descriptivos
 Desviación
Media estándar N

YMRS1 29,04 4,005 23

YMRS2 18,96 4,457 23

YMRS3 11,74 2,240 23

Pruebas multivariantea

Eta parcial al
Efecto Valor F Gl de hipótesis gl de error Sig. cuadrado

factor1 Traza de Pillai ,947 186,428b 2,000 21,000 ,000 ,947

Lambda de Wilks ,053 186,428b 2,000 21,000 ,000 ,947

Traza de Hotelling 17,755 186,428b 2,000 21,000 ,000 ,947

Raíz mayor de Roy 17,755 186,428b 2,000 21,000 ,000 ,947

a. Diseño : Intersección

Diseño dentro de sujetos: factor1

b. Estadístico exacto

Prueba de esfericidad de Mauchlya

Medida: MEASURE_1

Aprox. Chi-
Efecto inter sujetos W de Mauchly cuadrado gl Sig. Épsilonb

Greenhouse-
Geisser Huynh-Feldt

factor1 ,996 ,074 2 ,964 ,996 1,000

Prueba la hipótesis nula que la matriz de covarianzas de error de las variables dependientes con transformación ortonormalizad
proporcional a una matriz de identidad.

a. Diseño : Intersección

Diseño dentro de sujetos: factor1

b. Se puede utilizar para ajustar los grados de libertad para las pruebas promedio de significación. Las pruebas corregidas se v
tabla de pruebas de efectos dentro de sujetos.

Pruebas de efectos dentro de sujetos

Medida: MEASURE_1

Tipo III de suma E

Origen de cuadrados gl Media cuadrática F Sig.

factor1 Esfericidad asumida 3475,130 2 1737,565 203,222 ,000

Greenhouse-Geisser 3475,130 1,993 1743,703 203,222 ,000

Huynh-Feldt 3475,130 2,000 1737,565 203,222 ,000

Límite inferior 3475,130 1,000 3475,130 203,222 ,000

Error(factor1) Esfericidad asumida 376,203 44 8,550

Greenhouse-Geisser 376,203 43,845 8,580

Huynh-Feldt 376,203 44,000 8,550

Límite inferior 376,203 22,000 17,100

Pruebas de contrastes dentro de sujetos

Medida: MEASURE_1

Tipo III de suma Eta parcial al

Origen factor1 de cuadrados gl Media cuadrática F Sig. cuadrado

factor1 Lineal 3443,565 1 3443,565 389,634 ,000 ,947

Cuadrático 31,565 1 31,565 3,820 ,063 ,148

Error(factor1) Lineal 194,435 22 8,838

Cuadrático 181,768 22 8,262

Pruebas de efectos inter-sujetos

Medida: MEASURE_1

Variable transformada: Media

 Tipo III de suma Media Eta parcial al
Origen de cuadrados gl cuadrática F Sig. cuadrado

Intersección 27360,522 1 27360,522 1148,407 ,000 ,981

Error 524,145 22 23,825

En la tabla de la salida etiquetada ‘Prueba de esfericidad de Mauchly’, podemos comprobar si

se cumple el supuesto de esfericidad: χ 2 (2) = 0.074, p = .964. Por tanto, al aceptar la hipótesis
nula podemos concluir que los datos cumplen con el supuesto de esfericidad. Esto nos permite
interpretar la prueba F clásica del ANOVA, sin necesidad de acudir a alguna de las pruebas F
robustas o a las pruebas multivariantes. En la tabla etiquetada ‘Estadísticos descriptivos’
tenemos las medias en nivel de manía para los tres momentos temporales de registro, donde
se observa un paulatino descenso en las medias conforme vamos pasando del pretest (media =
29.04) al postest (media = 18.96) y al seguimiento (media = 11.74).

El resultado de la prueba F de ANOVA lo consultamos en la tabla etiquetada ‘Pruebas de

efectos intra-sujetos’. De las cuatro pruebas F reportadas en la tabla, seleccionamos en este
caso la que asume esfericidad: F(2, 44) = 203.222, p < .001; lo que nos lleva al rechazo de la
hipótesis nula y a la conclusión de que existen diferencias significativas entre las medias de
recuerdo con el paso del tiempo.
La significación estadística se complementa con la interpretación del índice Eta2 para obtener
una valoración de la significación clínica de la evolución de los niveles medios de manía a lo
largo de las tres mediciones. En concreto, obtenemos un 90.2% de varianza explicada por las
tres medidas temporales. En consecuencia, podemos afirmar que el tratamiento farmacoló-
gico (sin distinguir entre ellos) ha logrado reducir significativamente, clínica y estadísticamente,
el nivel de manía de los pacientes.

Estos análisis se complementan con la aplicación de comparaciones a posteriori, para

comprobar entre qué medias existen diferencias significativas.

‘Analizar’ → ‘Modelo lineal general’ → ‘Medidas repetidas’ → ‘Definir’ → ‘Opciones’. Dentro de

‘Opciones’ seleccionamos ‘factor(1)’ y lo pasamos a la ventana de la derecha ‘Mostrar medias
para’, con lo cual se activa el botón ‘Comparar los efectos principales’, picamos en la lengüeta
de la derecha ‘Ajuste del intervalo de confianza’ y seleccionamos ‘Bonferroni’. El resultado
figura en la tabla ‘Comparaciones por pares

Los resultados muestran la existencia de diferencias estadísticamente significativas entre las

tres medias: entre la media del pretest y del postest, el pretest y el seguimiento y entre el
postest y el seguimiento (p < .001). Por último, recuerde el lector que no ha sido necesario
interpretar en este ejemplo los resultados de las pruebas F de ANOVA robustas, ni las pruebas
multivariantes, al cumplirse el supuesto de esfericidad. Pero si hubiéramos tenido que
seleccionarlas, todas ellas nos hubieran llevado a la misma conclusión que la de la prueba F
clásica del ANOVA: al rechazo de la hipó- tesis nula. Por ejemplo, si no se hubiese cumplido el
supuesto de esfericidad, podríamos haber interpretado la prueba F robusta basada en la
corrección de Greenhouse-Geisser.

Resto en apuntes de Unidad 3.