miércoles, 22 de noviembre de 2017
viernes, 3 de noviembre de 2017
jueves, 19 de octubre de 2017
miércoles, 11 de octubre de 2017
CORRELACIÓN DE SPEARMAN
¿Cuándo utilizar la prueba de correlación de rangos de Spearman?
El coeficiente de correlación no debe utilizarse para comparar dos métodos que intentan
medir el mismo evento, como por ejemplo dos instrumentos que miden la saturación de
oxígeno en sangre. El coeficiente de correlación mide el grado de asociación entre dos
cantidades, pero no mira el nivel de acuerdo o concordancia. Si los instrumentos de
medida miden sistemáticamente cantidades diferentes uno del otro, la correlación puede
ser 1 y su concordancia ser nula. El coeficiente de correlación de Spearman es
recomendable utilizarlo cuando los datos presentan valores extremos, ya que dichos
valores afectan mucho el coeficiente de correlación de Pearson, o ante distribuciones no
normales. No está afectada por los cambios en las unidades de medida.
Coeficiente de correlación de rangos de Spearman
Como resultado de la revisión de varios autores, asumimos el siguiente concepto:
SPEARMAN (Rho de Spearman). Este coeficiente es una medida de asociación lineal
que utiliza los rangos, números de orden, de cada grupo de sujetos y compara dichos
rangos.
Los asesores estadísticos de la actualidad, procesan grandes bases de datos, en un
tiempo extraordinariamente breve, por lo que recomendamos la utilización de los mismos
para optimizar el tiempo del que dispone el investigador para el análisis de los datos.
Proponemos el Paquete Estadístico para Ciencias Sociales (SPSS).Pasos a seguir en el
asesor
Crear la base de datos
1. Realizar un gráfico de dispersión.
a. Gráficos.
b. Dispersión.
c. Simple.
d. Definir.
e. Asignar las variables en los ejes X y Y. (Anexos 1 a 3).
f. Realizar el cálculo del coeficiente de correlación.
g. Analizar.
h. Correlación.
i. Divariada.
j. Seleccionar las variables.
k. Marcar Pearson y Spearman para comparar si las diferencias son significativas.
Interpretación de la correlación
En la interpretación de la prueba estadística correlación de Spearman, es necesario
tener en cuenta el objetivo de la investigación que se define en primera instancia y la
relevancia de estas relaciones en el fenómeno clínico que se estudia, no depende en
nuestras conclusiones solamente de la cifra matemática obtenida, sino basarnos en
experiencias científicas del tema de investigación, para evitar que interfiera la
casualidad. La explicación de un coeficiente de correlación como medida de la intensidad
de la relación lineal entre dos variables es puramente matemática y libre de cualquier
implicación de causa-efecto. El hecho de que las dos variables tiendan a crecer o
decrecer juntas no indica que la una tenga un efecto directo o indirecto sobre la otra.
Ambas pueden estar influidas por otras variables de modo que se origine una fuerte
relación matemática. La interpretación de rho depende principalmente de los detalles de
la investigación y la experiencia propia en el tema de estudio. La experiencia previa sirve
generalmente como base de comparación para determinar si un coeficiente de
correlación es digno de ser mencionado.
CHI CUADRADA
Es una prueba no paramétrica de comparación de
proporciones para dos y más de dos muestras
independientes, debe cumplir las siguientes
características:
• Los datos se ajustan a la distribución de chi cuadrada
• Nivel nominal de la variable dependiente
• Su función es comparar dos o más de dos
distribuciones de proporciones y determinar que la
diferencia no se deba al azar, que las diferencia sea
estadísticamente significativa.
• Parte de la distribución de frecuencias de dos variables
cruzadas, representadas en las llamadas tablas
cruzadas.
• Se pueden comparar 2 tipos de distribuciones de
frecuencias o proporciones:
• Cuando las dos variables tienen cada una dos valores
(2 X 2)
• Cuando alguna o las dos variables tiene más de dos
valores
La prueba Chi cuadrada en el paquete estadístico SPSS
se encuentra en el menú Analizar / Estadísticos
descriptivos / Tablas de contingencia.
La V. I. o de agrupación se coloca siempre en Columnas y
la V. D. en Filas.
Se debe elegir en la sección de Estadísticas la prueba de
Chi cuadrado.
Finalmente en Casillas marcar en la sección de
Porcentajes la opción de Columna.
Interpretación de resultados para una tabla de 2 X 2:
1. Primero aparece la tabla cruzada con frecuencias y
porcentajes –en este caso, por columnas para la VI.
Interpretación de resultados para una tabla de 2 X 2:
2. En la tabla de prueba de chi-cuadrado, elegir corrección por continuidad
para tablas de 2 X 2 cuando todas las celdas tienen 5 o más casos o la
prueba exacta de Fisher que se interpreta cuando en alguna de las
celdas hay una frecuencia menor a 5. Estos datos sólo aparecen en
tablas de 2 X 2.
En importante verificar la leyenda de porcentaje celdas con frecuencias
esperadas inferiores a 5, si éste es 20% o superior se invalidará la
prueba de chi cuadrada –es necesario verificar si la prueba de Fisher
es aplicable.
Interpretación de resultados para una tabla de 2 X 2:
3. En este caso la prueba de hipótesis se realiza con los
datos de corrección de continuidad (señalados en la
tabla anterior con el recuadro).
jueves, 5 de octubre de 2017
COEFICIENTE ALFA DE CROBACH
El coeficiente Alfa de Cronbach es un modelo de consistencia
interna, basado en el promedio de las correlaciones entre los ítems.
Entre las ventajas de esta medida se encuentra la posibilidad de
evaluar cuánto mejoraría (o empeoraría) la fiabilidad de la prueba si
se excluyera un determinado ítem.
El procedimiento consiste en:
• Analizar…
Escala…
• Análisis de fiabilidad…
Seleccionamos todos los ítems:
y pinchamos en la flecha para pasarlo a la casilla de “Elementos” que vamos a analizar.
Pinchamos en estadísticos y seleccionamos los estadísticos que queremos.
Pinchamos en Continuar …
Modelo alfa, aunque viene predeterminado por el sistema, y… o Aceptar…
Ahora nos aparecerán los resultados en el Visor de Resultados. Encontraremos diferentes cuadros o ventanas, las cuales nos aportan los datos necesarios para realizar la interpretación. Visor de resultados: En el primer cuadro de diálogo que aparece, podemos ver el resultado de Alfa. A mayor valor de Alfa, mayor fiabilidad. El mayor valor teórico de Alfa es 1, y en general 0.80 se considera un valor aceptable.
En el caso de nuestro ejemplo el resultado es el siguiente:
El siguiente cuadro de diálogo es el de “Estadísticos de los elementos” en el cual podemos observar,
en la columna que pone “Media”, el índice de dificultad de los ítems.
Otros cuadros que encontramos son la “Matriz de correlación inter-elementos”
La “Matriz de covarianzas inter-elementos”
Otros cuadros que encontramos son la “Matriz de correlación
inter-elementos”
Más abajo, encontramos otra ventana o cuadro de diálogo en el que aparecen los “Estadísticos de resumen de los elementos”
Los “Estadísticos total-elemento”. En este último podemos
observar los siguientes datos:
Por último aparece otra ventana en la que podemos observar los “Estadísticos de la escala”, es decir los estadísticos de la prueba en conjunto.
CORRELACIÓN DE PEARSON
Correlación de Pearson
Es una prueba estadística para analizar la relación entre dos variables medidas en un nivel por intervalos o de razón. Se le conoce también como “coeficiente producto-momento”. Se simboliza: r Hipótesis a probar: correlacional, del tipo de “a mayor X, mayor Y”, “a mayor X, menor Y”, “altos valores en X están asociados con altos valores en Y”, “altos valores en X se asocian con bajos valores de Y”. La hipótesis de investigación señala que la correlación es significativa. Variables: dos. La prueba en sí no considera a una como independiente y a otra como dependiente, ya que no evalúa la causalidad. La noción de causa-efecto (independiente-dependiente) es posible establecerla teóricamente, pero la prueba no asume dicha causalidad.
El coeficiente de correlación de Pearson se calcula a partir de las puntuaciones obtenidas en una muestra en dos variables. Se relacionan las puntuaciones recolectadas de una variable con las puntuaciones obtenidas de la otra, con los mismos participantes o casos (The SAGE Glossary of the Social and Behavioral Sciences, 2009g; Bagiella, 2007; Onwuegbuzie, Daniel y Leech, 2006a).
Nivel de medición de las variables: intervalos o razón. Interpretación: el coeficiente r de Pearson puede variar de −1.00 a +1.00, donde: −1.00 = correlación negativa perfecta. (“A mayor X, menor Y”, de manera proporcional. Es decir, cada vez que X aumenta una unidad, Y disminuye siempre una cantidad constante). Esto también se aplica “a menor X, mayor Y”. −0.90 = Correlación negativa muy fuerte. −0.75 = Correlación negativa considerable. −0.50 = Correlación negativa media. −0.25 = Correlación negativa débil. −0.10 = Correlación negativa muy débil. 0.00 = No existe correlación alguna entre las variables. +0.10 = Correlación positiva muy débil. +0.25 = Correlación positiva débil. +0.50 = Correlación positiva media. +0.75 = Correlación positiva considerable. +0.90 = Correlación positiva muy fuerte. +1.00 = Correlación positiva perfecta (“A mayor X, mayor Y” o “a menor X, menor Y”, de manera proporcional. Cada vez que X aumenta, Y aumenta siempre una cantidad constante). El signo indica la dirección de la correlación (positiva o negativa); y el valor numérico, la magnitud de la correlación. Los principales programas computacionales de análisis estadístico indican si el coeficiente es o no significativo de la siguiente manera: r = 0.7831 (valor del coeficiente) s o P = 0.001 (significancia) N = 625 (número de casos correlacionados) Si s o P es menor del valor 0.05, se dice que el coeficiente es significativo en el nivel de 0.05 (95% de confianza en que la correlación sea verdadera y 5% de probabilidad de error). Si es menor a 0.01, el coeficiente es significativo al nivel de 0.01 (99% de confianza de que la correlación sea verdadera y 1% de probabilidad de error).
Una correlación de Pearson puede ser significativa, pero si es menor a 0.30 resulta débil, aunque de cualquier manera ayuda a explicar el vínculo entre las variables. Si queremos asociar la presión arterial y el peso de un grupo de pacientes, la solubilidad del gas con la temperatura (en ingeniería petrolera) y la inversión en publicidad y las ventas, es útil este coeficiente.
Suscribirse a:
Entradas (Atom)