Estadística.

Quinto ejercicio

Correlación y regresión. Intro

Abre el fichero de personas que se van a operar en http://www.uv.es/mperea/b1ad.sav

1. Efectúa la correlación de Pearson entre bienestar antes y después de la operación, no sin antes observar el diagrama de dispersión. Indica la recta de regresión (en puntuaciones directas, diferencias y típicas) de bienestar después de la operación a partir de bienestar antes de la operación. Primero se realiza el diagrama de dispersión (X—bienestar antes; Y-bienestar después). En menú de Gráficos:

La relación es lineal y–observar la puntuación que se aleja un poco del resto en la esquina superior derecha. Y ahora es ir a Analizar-Correlaciones-Bivariadas e introducir las dos variables: .

01 (bilateral).887** .dependiente en SPSS) a partir del predictor bienestar_antes (var. Las personas con altos valores de bienestar antes de la operación tienden a tener altos valores de bienestar tras la operación.887** 1 . hay que ir a Analizar-Regresión-Lineal: Los coeficientes son: . (bilateral) N bienesta 1 bienestd . El índice de correlación de Pearson entre ambas variables es 0’887 (que refleja una fuerte relación lineal positiva).000 20 20 . (bilateral) N Correlación de Pearson Sig.000 20 20 bienestd **. y las que tienen bajos valores de bienestar antes de la operación tienden a tener bajos valores de bienestar tras la operación. La correlación es significativa al nivel 0. Para efectuar la recta de regresión de bienestar_después (var.Correlaciones bienesta Correlación de Pearson Sig.independiente en SPSS).

El proceso es análogo al anterior. diferencias y típicas) de bienestar antes de la operación a partir de apoyo social. Se indica el output de SPSS El coeficiente de correlación de Pearson está en la tabla siguiente (tras el diagrama de dispersión): .) La recta en punt.correlación de Pearson (véase coeficientes tipificados) zbienestd’=0’887*zbienesta 2. se predice un aumento de BIENESTD de 0’924. Ídem para bienestar antes de la operación y apoyo social.954 .170 Sig. y por cada una unidad de BIENESTA.887 t 1.924 . Indica la recta de regresión (en puntuaciones directas.000 a.240 .a Coeficientes Modelo 1 (Constante) bienesta Coeficientes no estandarizados B Error típ. 2.113 Coeficientes estandarizad os Beta .376 1.diferenciales es igual a la de punt.216 8. Variable dependiente: bienestd Para la recta en punt.directas excepto que la constante es cero (y se expresa en minúsculas): bienestd’=0’924*bienesta La recta en punt. y la pendiente es precisamente el coef.típicas tiene también constante de 0.directas (Y=A+BX) es mirar los coeficientes no estandarizados: BIENESTD’=2’376+0’924*BIENESTA (alguien con BIENESTA de 0 se le predice un BIENESTD de 2’376. .

positiva y. Variable dependiente: bienesta .000 . Por tanto. (bilateral) N bienesta 1 apo_soc . es una relación muy fuerte.390 . como en la pregunta 1.Correlaciones bienesta Correlación de Pearson Sig.491 1.865 t 4.190 Coeficientes estandarizad os Beta .865** 1 .000 20 20 apo_soc **. (bilateral) N Correlación de Pearson Sig. La relación entre ambas variables es lineal.509 1.309 Sig.865** .01 (bilateral). Los coeficientes de la recta están en la tabla siguiente: a Coeficientes Modelo 1 (Constante) apo_soc Coeficientes no estandarizados B Error típ.000 20 20 .000 a. La correlación es significativa al nivel 0. una puede ser empleada para predecir la otra. 6.302 7. .

011 20 niv_info . .554* . diferencias y típicas) de bienestar antes de la operación a partir de nivel de información. El coef. 3. En el caso de punt. (bilateral) N bienesta 1 20 . Obsérvese aquí que la relación es (aproximadamente) lineal y es positiva. pendiente—coeficiente de “apo_soc”). mirar los coeficientes estandarizados (que en caso de regr. pero ciertamente más débil que en las preguntas anteriores.554* .Pearson).lineal simple la pendiente coindice con el coef. (bilateral) N Correlación de Pearson Sig.05 (bilateral).típicas.En la columna “B” tenemos los coeficientes de la recta de regresión en punt.011 20 1 20 niv_info *. La correlación es significante al nivel 0.Pearson está en la tabla siguiente: Correlaciones bienesta Correlación de Pearson Sig.directas (la ordenada en el origen—coef de la constante. Indica la recta de regresión (en puntuaciones directas. Idem para las preguntas 1 y 2. Ídem para bienestar antes de la operación y nivel de información.

455 1.554 t 2.354 Coeficientes estandarizad os Beta .Y la recta de regresión se extrae de la tabla siguiente: a Coeficientes Modelo 1 (Constante) niv_info Coeficientes no estandarizados B Error típ. 7. y una variable criterio (la que queremos predecir). . Indica el plano de regresión (en puntuaciones directas.011 a. Variable dependiente: bienesta 4.826 Sig.058 . Vamos a Analizar-RegresiónLineal y se introducen las variables.000 3. diferencias y típicas) de bienestar antes de la operación a partir de apoyo social y nivel de información.026 2. y en el output tenemos tanto el coeficiente de regresión múltiple adecuado (R) como los coeficientes del plano de regresión: El coeficiente R viene dado en el output: . Ahora tenemos dos variables predictoras (variables independientes en SPSS). Indica el coeficiente de regresión múltiple para bienestar antes de la operación en relación a apoyo social y nivel de información tomadas conjuntamente.000 .

Niv_info aporta poco (en particular en comparación con niv_info). Variable dependiente: bienesta Ecuación en punt.diferenciales es similar pero donde la constante es 0: bienesta’=0’346*niv_info+1’246*apo_soc Y para la ecuación en punt.068 .976 Sig. . mirar los coeficientes tipificados (estandarizados): zbienesta’=0’192*zniv_info+0’775*zapo_soc Observar que estos coeficientes tipificados no tienen unidades.346 .típicas.094 1. varían entre -1 y +1 (salvo circunstancias excepcionales de colinealidad). indica cuál y por qué.246 .052 .881 a .000 a.329 2. de la estimación 3. Recordar que este índice R va de 0 a 1 (no tiene signo. Variables predictoras: (Constante).Resumen del modelo Modelo 1 R R cuadrado . Además. 4. su coeficiente en el plano es 0’192.192 . ¿crees que empleando dos predictores se gana suficiente precisión como para justificar ambos predictores? ¿O preferirías quedarte con un único predictor? En este último caso.directas---mirar los coef no estandarizados BIENESTA’=4’329+0’346*NIV_INFO+1’246*APO_SOC La ecuación en punt. apo_soc. . por tanto se pueden comparar las diferentes variables. por tanto tienen una intepretación sencilla similar al coeficiente de Pearson.478 5. En la pregunta anterior.234 1. 5.158 .775 t 2.153 a.208 Coeficientes estandarizad os Beta .777 R cuadrado corregida . al representar correlación múltiple) Y ahora los coeficientes del plano de regresión: a Coeficientes Modelo 1 (Constante) niv_info apo_soc Coeficientes no estandarizados B Error típ. niv_info R=0’881.750 Error típ. Por tanto “apo_soc” es mejor predictor de bienensta que “niv_info”.

781 .329 2. .976 Sig. a Coeficientes Modelo 1 (Constante) niv_info apo_soc Coeficientes no estandarizados B Error típ. . no hay problemas de colinealidad (FIV es poco más de 1).280 a.234 1.158 .192 .000 Estadísticos de colinealidad Tolerancia FIV .068 .052 . 4.094 1.775 t 2.246 .478 5.208 Coeficientes estandarizad os Beta . Variable dependiente: bienesta Sin embargo. entonces habría problemas de colinealidad en el plano.280 1.781 1.346 .Pero antes de tomar la decisión podemos ver si hubiera habido problemas de colinealidad…Vamos pues a ver el Factor de Inflación de la Varianza (FIV) que podemos pedir en “Estadísticos” de la ventana de Regresión Lineal: Si el FIV es superior a 10.

Pero para decidir si dejamos o no “niv_info” como predictor podemos hacer la regresión por “pasos sucesivos” –en la ventana de Regresión habría que cambiar la opción por defecto de “Introducir” por “Pasos sucesivos”. El output de SPSS muestra que solamente “apo_soc” ha entrado en la ecuación de regresión: .

Ahora tenemos 3 predictores: . a-Indica la ecuación del hiperplano de regresión de bienestar después de la operación a partir de nivel de información.6. apoyo social y edad.

100 .874 a.351 .248 .629 .216 3.506 .200 1. Variable dependiente: bienestd En puntuaciones directas la ecuación es: BIENESTD’=4’494+0’506*NIV_INFO+1’100*APO_SOC+0’010*EDAD En punt.061 Coeficientes estandarizad os Beta .416 1.249 .El cuadro con los coeficientes es: a Coeficientes Modelo 1 (Constante) niv_info apo_soc edad Coeficientes no estandarizados B Error típ.007 .diferenciales: .130 .010 .025 t 1. 4.162 Sig.745 .243 . .494 3.

A más niv_info. Y el % de varianza explicada de bienestar es mirar R2 (y expresar el dato en porcentaje en lugar de proporción) Resumen del modelo Modelo 1 R R cuadrado . así como el porcentaje de varianza de bienestar que explica el hiperplano de regresión. Es mirar el signo.típicas (que son correlaciones semiparciales) son los apropiados para comparar la fuerza de los predictores. edad.817 a . Y el % de varianza explicada que se pide es 66’8%.602 Error típ. A más apo_soc. de la estimación 4. y vemos el valor absoluto (no el signo. b-Indica qué predictores tienen una relación directa con bienestar después de la operación. y el peor es edad. más bienestar. Está dicho antes. c-Indica así mismo cuál es el mejor predictor (y el segundo mejor predictor)–y a partir de qué información efectúas la respuesta. Miramos los coeficientes tipificados. Variables predictoras: (Constante). luego niv_info. apo_soc.668 R cuadrado corregida .256 a. más bienestar. Es mirar R (índice de regresión múltiple) por una parte. El mejor predictor es apo_soc. el signo meramente dice si la relación es positiva y positiva). d-Indica el índice de regresión múltiple.bienestd’=0’506*niv_info+1’100*apo_soc+0’010*edad Y en punt. En los 3 casos es positivo. niv_info R=0’817. Típicas miramos los coeficientes tipificados zbienestd’=0’248*zniv_info+0’629*zapo_soc+0’025*zedad Recordar que estos coeficientes en punt. A más edad. . más bienestar.

Se realizará el coeficiente de correlación de Spearman (en la misma ventana que el coef. Dicho índice varía de -1 y +1 (como el coef. yendo a AnalizarCorrelaciones-Bivariadas). ¿Qué ecuación de regresión quedará? Únicamente “apo_soc” entra en la ecuación de regresión: 7. ¿Entre qué rango varía de manera genérica? Indica el valor. Ambas variables son ordinales. Indica el índice de correlación adecuado para medir la asociación de gravedad de la operación y nivel educativo.e-Efectúa la regresión por pasos sucesivos.de Pearson.de Pearson) .

correlación de Spearman es 0’034) 8. (bilateral) N nivel_ed 1 20 .888 20 gravedad . (bilateral) N Correlación de Pearson Sig.034 .El output es: Correlaciones nivel_ed Correlación de Pearson Sig.034 . La idea es que alguien podría decir que la relación entre bienestar_después y apoyo_social podría estar contaminada .888 20 1 20 gravedad No hay prácticamente asociación alguna entre nivel educativo y gravedad (el coef. Calcula el índice de correlación entre bienestar después de la operación y apoyo social eliminando la influencia del nivel de información Se trata de efectuar una correlación parcial.

000 .694 .001 17 1. y si se tienen dudas de ello. 0 apo_soc Recordemos que si no hubiésemos controlado “niv_info”.694 .por “nivel_información”.001 17 apo_soc . 0 . Ir a Analizar-Correlaciones-Parciales El output es: Correlaciones Variables de control niv_info bienestd Correlación Significación (bilateral) gl Correlación Significación (bilateral) gl bienestd 1. el coef. pues se pone “nivel_información” como variable a controlar en la correlación.de corr.000 . de Pearson era: .

Idem eliminando la influencia tanto del nivel de información como de la edad El proceso es similar al de antes. (bilateral) N Correlación de Pearson Sig. añadiendo una nueva variable para controlar El output es: .01 (bilateral).772** . El hecho de controlar niv_info ha hecho decrecer ligeramente (de 0’77 sin controlar. a 0’694 controlando) la relación entre bienestar después y apoyo social.Correlaciones bienestd Correlación de Pearson Sig. (bilateral) N bienestd 1 apo_soc .000 20 20 apo_soc **.. 9.772** 1 .000 20 20 . La correlación es significativa al nivel 0.

000 .Correlaciones Variables de control niv_info & edad bienestd Correlación Significación (bilateral) gl Correlación Significación (bilateral) gl bienestd 1. la relación entre bienestar_después y apoyo social prácticamente no varía respecto a cuando se controlaba el nivel_información únicamente (véase pregunta anterior). 0 .629 .000 .007 15 1.629 . Por tanto parece irrelevante en este caso que se controle o no la variable “edad”. al añadir “edad” y niv_info.007 15 apo_soc . 0 apo_soc En este caso. .

Sign up to vote on this title
UsefulNot useful