You are on page 1of 6

| sexo Ntoronto | Femenino | Masculino | Row Total | -----------------------|-----------|-----------|-----------| bajo Count | 219 | 247 | 466 | Expected | 243.514 | 222.486 | | Residual | -24.514 | 24.514 | | -----------------------|-----------|-----------|-----------| medio Count | 224 | 211 | 435 | Expected | 227.314 | 207.686 | | Residual | -3.314 | 3.314 | | -----------------------|-----------|-----------|-----------| alto Count | 275 | 198 | 473 | Expected | 247.172 | 225.828 | | Residual | 27.828 | -27.828 | | -----------------------|-----------|-----------|-----------| Column Total | 718 | 656 | 1374 |

Large Sample Test Statistic DF p-value Chi Squared 11.832 2 0.003

NTORONTO= dificultad para identificar emociones. Conclusión estadística: SE DETECTÓ UNA ASOCIACIÓN ESTADÍSTICAMENTE SIGNIFICATIVA ENTRE SEXO DE LA PERSONA Y SU DIFICULTAD PARA IDENTIFICAR EMOCIONES (2=11.83. gl=2, p<0.05) CONCLUSIÓN SUSTANTIVA: EN BASE A LOS DATOS OBSERVADOS SE REGISTRA UNA TENDENCIA DE LAS MUEJERES A MOSTRAR MAYORES DIFICULTADES EN LA IDENTIFICACION DE EMOCIONES.

(LA CONCLUSION SUSTANTIVA SE EXTRAE AL REVISAR LOS RESIDUALES POSITIVOS, LOS QUE NOS INDICAN EN QUÉ CELDAS HAY MÁS CASOS QUE LOS ESPERADOS POR LA H0)

EJEMPLO DE REGRESION MULTIPLE
Call: lm(formula = autoim ~ repcond + satnec + indans + indepre, data = clin1, na.action = na.omit) Residuals: Min 1Q -18.3791 -3.0520

Median 0.2921

3Q 3.1371

Max 18.4719

Coefficients: Estimate Std. Error t value (Intercept) 24.12464 0.90932 26.530 repcond 0.18740 0.01568 11.948 satnec 1.14885 0.18318 6.272 indans -0.01720 0.04004 -0.430 indepre -0.34585 0.04198 -8.238 --Signif. codes: 0 '***' 0.001 '**' 0.01

Pr(>|t|) < 2e-16 < 2e-16 4.94e-10 0.668 4.43e-16

*** *** *** ***

'*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 4.446 on 1233 degrees of freedom (341 observations deleted due to missingness) Multiple R-squared: 0.3008, Adjusted R-squared: 0.2986 F-statistic: 132.6 on 4 and 1233 DF, p-value: < 2.2e-16

Podemos decir que la variable dependiente (autoimagen) es influida en forma estadísticamente significativa por repcond (b=0.187, t=11.95, p<0.05), por SATNEC (b=1.149, t=6.27, p<0.05) y por INDEPRE (b=-0.346, t=-8.24, p<0.05). ¿Qué tan buena es mi ecuación de regresión) El valor predicho por mi ecuación de regresión va a estar típicamente a 4.44 puntos del valor real (RESIDUAL STANDARD ERROR). El conjunto de variables independientes explica el 30.08% de la variación de la VD (corresponde a R-squared). El modelo explica en forma estadísticamente significativa el comportamiento de la VD ( F=132.6, gl=4,1233, p<0.05)

1. mirando los coeficientes (coefficients)

los coeficientes son estimados a partir de la muestra, aparecen identificados como estimates en la tabla. Los coeficientes a analizar siempre son: b0 = constante o Intercepto, es el valor esperado para la variable dependiente cuando todos los predictores son 0. b1 … bn = coeficientes de regresión de los predictores 1 a n, en este caso 4. Indican cuánto se espera que varíe (cambie) la VD cuando el predictor sube 1 punto y controlamos los efectos de otros predictores. Si el coeficiente de regresión es positivo quiere decir que cuando el predictor aumenta de valor, esto hace aumentar los puntajes de la VD. En cambio, si el coeficiente es negativo, al aumentar el puntaje del predictor disminuye el puntaje de la VD.

Si eliminamos INDANS (no significativo), debemos volver a hacer el cálculo. Al hacerlo, quedaría lo siguiente:
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 23.02209985 0.97293742 23.66247 < 2.22e-16 clin1\$repcond 0.18307124 0.01574283 11.62887 < 2.22e-16 clin1\$satnec 1.35774731 0.20254319 6.70350 3.0882e-11 clin1\$indepre -0.34435857 0.03365768 -10.23120 < 2.22e-16 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ *** *** *** *** ’ 1

Residual standard error: 4.434758 on 1234 degrees of freedom (341 observations deleted due to missingness) Multiple R-squared: 0.3037581, Adjusted R-squared: 0.3020654 F-statistic: 179.4575 on 3 and 1234 DF, p-value: < 2.2204e-16

¿cuánto explica ESTE MODELO? R-squared=0.304, o sea, el 30.4% de la VD.

NO OLVIDAR: EL PESO DE CADA VARIABLE DEPENDE DEL CONJUNTO DE PREDICTORES QUE ELIJAMOS.
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 27.00674468 0.69971057 38.59702 < 2.22e-16 clin1\$satnec 2.55631405 0.18660662 13.69895 < 2.22e-16 clin1\$indans -0.23438753 0.03280076 -7.14580 1.4638e-12 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 *** *** *** ‘ ’ 1

Residual standard error: 4.824449 on 1342 degrees of freedom (234 observations deleted due to missingness) Multiple R-squared: 0.1879398,Adjusted R-squared: 0.1867296 F-statistic: 155.2934 on 2 and 1342 DF, p-value: < 2.2204e-16 Los predictores son significativos estadísticamente El modelo explica un 18.8% de la variación de la vd. La predicción tiene a equivocarse enn4.82 puntos. Una variable puede desjar de ser buen pred¡ctor según el contexto Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 30.25157262 0.78802741 38.38899 < 2.22e-16 *** clin1\$satnec 1.95528634 0.19614301 9.96868 < 2.22e-16 *** clin1\$indans -0.03049996 0.04044064 -0.75419 0.45087 clin1\$indepre -0.35676611 0.04324428 -8.25002 3.7428e-16 *** --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 4.708242 on 1341 degrees of freedom (234 observations deleted due to missingness) Multiple R-squared: 0.2271652,Adjusted R-squared: 0.2254363

ANOVA En el ANOVA LOS PREDICTORES SE LLAMAN FACTORES, y corresponden también a la VI. Los FACTORES siempre están expresados en grupos. Por ejemplo: La autoimagen de una persona (VD), ¿Se ve afectada por su capacidad de reconocer emociones (Factor NTORONTO), y por su género (factor sexo)? Anova Table (Type II tests) Response: autoim Sum Sq Df F value Pr(>F) Ntoronto 2250 2 42.3811 < 2e-16 *** sexo 76 1 2.8580 0.09116 . Ntoronto:sexo 73 2 1.3802 0.25188 Residuals 34667 1306 Tukey multiple comparisons of means 95% family-wise confidence level Fit: aov(formula = clin1\$autoim ~ clin1\$Ntoronto * clin1\$sexo) \$`clin1\$Ntoronto` diff lwr upr p adj medio-bajo -1.239124240 -2.058691999 -0.4195564811 0.0011708555 alto-bajo -3.224312642 -4.035231793 -2.4133934902 0.0000000000 alto-medio -1.985188402 -2.807909001 -1.1624678022 0.0000000552

¿Podemos decir que los hombres tienen mejor autoimagen que las mujeres cuando sus dificultades para identificar emociones son bajas o altas, e iguales cuando las dificultades para identificar emociones son medias? NO, al menos no en la población, porque el efecto de interacción no fue estadísticamente significativo (F=1.38, gl=2,1306, p=0.25)