Scribd Logo
Upload

Welcome to Scribd!

  • U8 Garcia Ferrando Cap 8

    Uploaded by

    soledad
    4 views14 pages
    socioestadistica

    Copyright

    © © All Rights Reserved

    Available Formats

    PDF or read online from Scribd

    Did you find this document useful?

    Is this content inappropriate?

    Report this Document
    socioestadistica

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    4 views14 pages

    U8 Garcia Ferrando Cap 8

    Uploaded by

    soledad
    socioestadistica

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    of 14
    5. En una encuesta sobre actitudes de la poblacién hacia el aborto, las opiniones sobre la legalizacién o prohibicién del aborto se distribu- yeron del siguiente modo, teniendo en cuenta la identificacién ideo- logica de la poblacién: ¢Debe permitirse el aborto? En ningin Por Por decisién Mdeologia caso —necesidad —libre Inquierda ... . 100 280 370 Centro . 250 410 90. Derechs .. 370 280 0 Ala vista de Ia anterior distribucién, ¢se puede afirmar que existe asociacién entre ambas variables? ¢De qué tipo es? En caso afirma- tivo, calcular el grado de asociacién mediante el coeficiento de con- tingeneia C de Pearson. Camparar el valor obtenido con el valor mé- ximo de C que se podria obtener para una tabla del tamafio como In presente. BIBLIOGRAFIA ues Bn, 6a Co res een Mi 1 Le ee A et as ann ay mtn on err i pes. 14. Watt Halon We «Keri Bearsonmen W, H. Kruskal y JM, Tana (eds) Jntermaio- : ais, New ars Fre Pitas, 1. plan LOR zai, Hel: Bigto'con econ Mess, Fondo e' Cutara Economica, 174 (e- 0.1947), Son muy variadas las medidas de asociacién de que puede dispo- er un soci6logo interesado en el estudio de relaciones bivariables. En 41 capitulo anterior tuvimos ocasién de estudiar algunas de ellas ba- sadas en el valor de delta, o diferencia entre la frecuencia observada y In frecuencia esperada. Pero algunos de los coeficientes estudiados dicho capitulo no son de interés para el investigador social, ya que no estén . En efecto, ya vimos en el capftnlo ante- Hor que el propio coeficiente de chi-cuadrado esté relacionado con el tamaio de la muestra y con los grados de libertad, lo que dificulia su comparacién para tablas de tamaio diferente. ‘Mejores perspectivas presenta el principio de «reduccién proporcio- nal del errors (RPE), sugerido por Costner (1965), inspiréndose en los trabajos de Goodman y Kruskal (1954) y Guttman (1941), y desarro- lado por Kim (1971). Las medidas de tipo RPE consisten en simples cocientes o ratios de In cantidad de error cometido al predecir la va Hable dependiente en dos situaciones: primeramente, Ia prediccién se ealiza cuando no se conoce més que la distribucién de la propia varia- ble dependiente y, en segundo lugar, Ia prediccién se realizn cuando se pone del conocimaiento adicional de una variable independiente y de iE Penna en que ln variable dependiente sc distibuye ‘dentro de Ine ceategorias de dicha variable independiente. Lo que realizan las medidas tipo RPE es simplemente formular la proporcién en que se puede re ducir el error cometido en la primera de las situaciones descritns, al utilizar la informacién que suministra la segunda de las situaciones. Es decir: ‘pnp. Reduccion del error con més informacion “Cantidad original de error ‘Més recientemente, Leik y Gove (1971, pags. 279-301) han propussto un principio légico diferente, ya que, segiin estos autores, al asumir Jas medidas tipo RPE se introduce todavia una cierta diversidad en Ia forma en que se especifican Ins reglas de prediccién. El nuevo princi- ppio logico se basa en la prediccién de pares de valores, en Iigar de la prediccién de valores tinicos. Pero, dado que este nuevo modelo no se hha impuesto universalmente, vamos a basar nuestra presentacién de las medidas de asociacién en el criterio RPE, por su mayor implantacién cl trabajo de andlisis que realizan en la actualidad los sociélogos. Por otro lado, y tal como sefialan acertadamente Loether y McTavish (1974, pg. 212), el problema de Ia prediccién es comin a todas las cien- cins; de ahi que parece adecuado basar una medida de asociacién en Ia idea de realizar predicciones precisas de los valores de alguna: va- Hable dependiente. Ast, si nuestro conocimiento tedrico y empirico pre ‘vio nos indica que las personas més religiosas tienden a voter con mayor frecuencia que las no religiosas a partidos politicos de derecha, Jo que estamos diciendo realmente es que el conocimiento de las di ferencias de puntuacién en el nivel de religiosidad nos va a permitir realizar predicciones més precisas sobre el tipo de partido que se va ‘a votar. Si fuera posible eliminar todos los errores de prediccién del partido por el que se va a votar, al basar nuestras predicciones en el nivel de religiosidad, en tal caso existiria una asociacién perfecta entre ambas variables. Si, por otro lado, y tal como ocurre en la realidad, 1a asociacién entre ambas variables no es perfecta, aunque sf bastante alta, Ia medida de asociacién que se obtenga expresaré la proporeién de los errores predictivos originales que se pueden evitar, gracias al conocimiento adicional del nivel de religiosidad. Segiin sea el nivel de medicién de las variables cuya asociacién trata- ‘mos de conocer, asi seré el tipo de valor que se trata de predecir. Cuando disponemos de variables nominales, lo que interesa habitualmente pre- decir es In categoria o puntuacién exacta de la variable deperidiente, siendo suficiente a menudo predecir el valor modal o tipico de Ia va riable dependiente. Si el andlisis de asociacién se basa en variables or- dinales, lo mAs probable es que pretendamos predecir el orden del ran- ‘g0 de pares de valores en la variable dependiente, aunque también se puede tratar de predecir Ia mediana u otro percentil. Por tltimo, cuando Jas variables vienen dadas al nivel de intervalo, el interés se divigiré a redecir el valor de la media aritmética de la variable dependiente. ‘Tal como se ha dicho anteriormente, la prediccién de la variable se realiza en dos situaciones o siguiendo dos reglas. La prediccién I se rea liza bajo la regla de la mfnima suposicién, es decir, cuando no se conoce mds que la distribucién de la variable dependiente, y la segunda predic- cién TI se realiza bajo condiciones més favorables, al conocerse la dis- tribucién de Jas categorias de la variable independiente y de la distri- bucién en cada una de ellas de Ias correspondientes categorias de la ‘variable dependiente. Pues bien, Ias medidas de asociacién que vamos ‘2 estudiar a continuaciéa consisten simplemente en un contraste entre los errores cometidos al realizar Ia primera de las predicciones y los errores cometidos al utilizar la segunda prediccién al predecir la moda (variables nominales), el orden del rango (variables ordinales) o la me- din (variables de intervalo) buscadas. Para cada caso, el contraste se forma como sigue: Errores cometidos con prediccién I— x _ppen~ErTores cometides con prediecién IL Errores cometidos con prediccién I a 8.2, MuDIDAS DE ASOCIACION FARA VARIABLES NOMINALES A cl capitulo anterior hemos estudiado los coeficientes basados en chi-cuadrado y el coeficiente Q de Yule, que pueden utilizarse para cal- cular medidas de asociacién entre variables nominales, aunque de hecho no se suelen utilizar por los problemas de normatizacién que presentan, ‘estando més aconsejado el empleo del coeficiente chi-cundrado en Ia es- tadistica inferencial para contrastar hip6tesis. Por ello, vamos ahora a presentar otros dos coelicientes que, al estar basados en el criterio de {a reduccién proporcional del error de la moda, sé encuentran norma- fizados y resulta més significativa la interpretacién de los resultados obtenidos mediante su empleo en el andlisis de datos sociolégicos. 82.1. El coeficiente Lambda Bl coeficiente Lambda, Ay, Ilamado también «coeficiente de predicti- bilidad de Guttmans, es una medida asimétrica de asociacién especial: mente creada para analizar distribuciones bivariables en las que ambas variables son del tipo nominal. Ademés, se trata de una medida que ilus- tra perfectamente Ia I6gica subyacente a Ins medidas RPE. ‘Ta formula para Lambda se puede expresar, en términos de la reduc- cién proporcional en el error cometido al predecir la moda, de la st Bente maners: (N=M))—(N=3m)___ my — My tee Na, NM = ‘en donde el primer término del numerador expresa el mimero de erro- res que se cometen mediante Ia prediccién T y el segundo término ¢s el miimero de errores que se cometen al utilizar Ia prediccién II. Por lo ‘que se refiere al contenido de cada término, N es el tainafio total de la ‘muestra; M, es la frecuencia modal global de la variable dependiente ¥, 1y 3m, es la suma de las frecuencias modales de la variable dependiente ¥ dentro de cada categoria, por separado, de la variable independiente X. Al simplificar la expresion original, la formula de Lambda queda tal como aparece en Ia segunda parte de [8.2], que se puede leer del si- gulente modo: el numerador es el némero de no-errores cometidos bajo Ia prediccién II (Sm,) menos el nimero de errores cometidos bajo la prediccién I (M,), siendo el denominador el nimero de errores cometi- dos bajo Ia prediocion 1. ‘Como ya se ha observado, el simbolo que se utiliza para representar el coeficiente Lambda es la correspondiente letra griega minéscula, acom- pafiada de dos subfijos, x e y, que representan, respectivamente, la varia ble independiente, x, y'la variable dependiente, y. El subfijo que ocupa el primer lugar representa la variable dependiente, y el que ocupa el segundo lugar la variable independiente, es decir, Ay. ‘Antes de pasar a discutir mas propiedades del cocficiente Lambda nos detendremos en el estudio de un ejemplo préctico, con el fin de fijar los conceptos hasta ahora introducidos. ‘Supongamos que estamos estudiando la situacién matrimonial de los cabezas de familia espafioles y que hemos obtenido, a partir de una muestra representativa de la poblacién, los datos que se presentan en la tabla 8.1. Nuestro interés concreto consiste en realizar predicciones sobre la situacién matrimonial de las personas que son cabezas de far milia. A partir de la informacién que se contiene en dicha tabla, nop va ‘a resultar més facil predecir, por ejemplo, qué cabezas de familia estén casados. Asi, si conocemos que el valor modal de la variable sftuacién matrimonial es «casado», entonces el valor que més racionalmente se TABLA 8.1 Distribucion de frecuencias absolutas de la situacién matrimonial de una muestra de cabezas de familia, seguin el tipo de familia* Tipo de familia El cabeza de familia es mule ‘Nohay Hay No hay Situacign matrimonial 1230 Socioesteditic. Inroduccdn a Estactica en Soctoogla puede predecir en relacién a un cabeza de familia es que se encuentre Casado, ya que si elegimos dicha categoria acertaremos con mayor fre- ‘cuencia que si bubléramos elegido el resto de las categorias. Esto es, si hubiéramos supuesto, antes de visitar a cada uno de los 14891 cabezas de familia entrevistados, que cada uno de ellos estaba ca- ‘sado, habriamos acertado 11.376 veces y nos hubiéramos equivocado fen 3515 ocasiones (14891 —11.376=3515). Esta ultima cantidad repre- sentaria el nimero total de errores de prediccién que se cometerian si predijéramos simplemente la moda global de Ja situacién matrimonial de Ia variable cabeza de familia. ‘Sin embergo, si en lugar de predecir Ia moda global, predijéramos Ja moda para cada una de las categorias consideradas de la variable «tipo de familia», que en este caso In consideramos como una varible inde- pendiente en relacién a Ia variable dependiente «situacién matrimonial», se ‘una reduccién en el error de prediccién de la moda. Ves- ‘mos en cudnto se puede reducir dicho error. Bs decir, vamos a ver cusn- tas veces acertariamos y cudntas veces nos equivocariamos al predecir Ja situacién matrimonial del cabeza de familia si, al ir a visitar a cada entrevistado, conociéramos previamente el nimero de cabezas de fami- fia que son varones o mujeres y que tienen o no viviendo en el hogar nifios menores de quince afios. i supiéramos que el cabeza de familia es un vardn y que tiene hijos menores de quince afios, al predecir su situacién matrimonial como que se encuentra casado, acertariamos 6.444 veces, en 6.530 visitas, y nos equi- ‘vocariamos en 86 ocasiones (6.530—6.444=86). Si supiéramos que el ca- ‘beza de familia no tiene viviendo en su casa nifios menores de quince afios, y predijéramos que estd casado, acertariamos 4.804 veces, de 5.467, ¥ nos equivocarfamos en 663 ocasiones (5467—4.804=663). El saber que 21 cabeza de familia es una mujer y que tiene en la casa i de quince afios nos conduciria a predecir con més facilidad que su si- tuacién matrimonial es Ia de estar divorciada, ya que ésta es la cate- ‘goria modal para ese tipo de familia, Acertarfamos en 284 ocasiones de 848, Finalmente, si supléramos que el cabeza de familia es igualmen- te una mujer, pero que no tiene viviendo con ella a nifios de quince fafios, la mejor prediocién seria para Ia categoria «viuda», acertando en 11614 ocasiones de 2.046, ‘Ahora ya podemos caleular custo hemos mejorado nuestra capaci dad predictiva al afiadir la anterior informacién, El célculo lo realiza- emos sumando las predicciones correctas realizadas dentro de cada ca- ‘tegoria de la variable independiente (prediccién tipo II) y contrastando dicho resultado con Ia frecuencia global de la categoria modal de la variable dependiente. i ‘Tenemos que la suma de las categorias modales dentro de cada cate- goria de la variable dependiente 3m,=6.444+4.804-+ 284+ 1.614=13.146 Predicciones correctas, lo que representa 13.146—11.376=1.770 errores (Mecte de asoclectin para variables nominales y rcnales 20 ‘menos que se han.cometido que si hubiéramos calculado la moda global de la situacién matrimonial. Esto significa una reduccién del 33,3 por 100 en los errores realizados al predecir la situacién matrimonial de los cabezas de familia. Este valor’ es precisamente Lambda, que se obtiene ‘simplemente sustituyendo los errores totales y las reducciones parciales de error en la férmula [8.2]: 13146-11376 __1.170 14891-11376 3515 amass El numerador expresa, pues, la reduccién de error conseguido al me- jorar la informacién que suministra la variable independiente, y el de- nominador expresa el error cometido al disponer del minimo de infor- acién que suministra el solo conocimiento de la variable dependiente, El resultado del cociente es 0,333 0, en términos porcentuales, el 33,3 por 100, y expresa, como se ha dicho antes, la reduccién proporcional de error lograda. El coeficiente Ay. varia en magnitud desde el valor 0,0 al valor +10, yy ello con independencia del tamafio de la tabla y de la muestra. A par- Yir del supuesto de que existe, globalmente, un cierto recorrido de las puntuaciones en la variable dependiente, se define una asociacién perfec ta como una condicién en la que todos los casos en cada categoria de Ia variable independiente se concentran en una tnica categoria (la ce- tegoria modal) de la variable dependiente. En tal caso, el valér de Lambda es la unidad. Por el contrario, el valor de Lambda es cero cuan- do se realiza la misma prediccién modal dentro de todas las categorias de la variable independiente que la que realizariamos si se predijera la moda global. Esto es, en tal caso la informaciéa adicional suministrada por la variable independiente no afiade ningun valor predictivo adicio- fnal a la prediccién de la moda de la variable dependiente. En la ta- ia 82 se contiene un ejemplo para el que Lambda es cero. En efecto, se observa que Ias modas se concentran en todos los citsos, en la misma categoria de la variable dependiente, programa cine, para cada una de las categorias de la variable independiente o grupos de edad. Obsérvese, sin embargo, que el hecho de que Lambda sea cero no sig fica en absoluto que no exista ningiin tipo de asociacién entre las dos variables. De hecho, si nos fijamos en las distribuciones porcentuales ‘que se contienen en la tabla 82, se observa un cierto grado de asocia- Gién entre el tipo de programa preferido y la edad, al comparar las diferencias entre los porcentajes de las columnas. Esto viene a ilustrar Ia necesidad de seleccionar medidas que sean sensibles a los rasgos de- seados de los datos. Asi, mientras desde el punto de vista de Ia predic- Gién de la moda el valor de la medida de la asociacién es cero, desde ‘l punto de vista de la diferencia de los porcentajes de la columne Ia as0- ciacién si existe y, por tanto, es diferente de cero. TABLA 82 Distribucién porcentual del tipo de programa de television Proferido segun la edad Ta tonne “SST aw nero sity MER 4 Sore Sp ushus 8 Total “jo “io 100 Yoo xe te i ae \ Estas consideraciones ponen de manifiesto una limitacién del coef ciente Lambda, y es que, aunque ofrece una medida bastante sensible de {a fueren de In asociacién, no ofrece informacién sobre la naturaleza de 1 asociacién, Si el investigador desea analizar la naturaleza de ln 280- lacidn, lo mejor seré analizar las diferencias porcentuales entre Ins co- fumnes, tal como se ha hecho en el capitulo anterior. "Ya hemos dicho que Lambda es una medida asimétrica. Por ello, antes de proceder a su célculo se hace preciso definir previamente qué Narlable es la independiente y cusl es la dependiente. St en lugar de ha- ber ulllizado el tipo de familia como predictor de la situacién matrimo nial hubigramos estado interesados en el valor predictivo de la situacién ‘atrimonial de cara al tipo de familla, los papeles de ambas variables tr intreamblarany se obtendfa un valor dstinuo de Lambda y unes difereates. Fljandonos de nuevo en los datos que se con- Spucluslones ie Bial (rater de. predecr las'modas en fa situacion ‘matrimonial tanto globalmente como dentro de cada categoria de la va- Hable tipo de familia se obtienen los siguientes resultados: M,=6.530 ape 8592-6530___ 2.062 = —74591—6530 8.361 Medes de ssoclactin para vvisbies nominal y ordnales 241, La situacién matrimonial permite una reduccién proporcional de error del 24,6 por 100 al predecir el tipo de familia, porcentaje que es menor que en el caso contrario. Al utilizar el coeficiente Lambda se puede conocer, pues, Ia variable que permite una reduccién mayor del error cometido al predecir las modas de una variable dependiente de- terminads. Nétese también que cuanto més precisa sea la medicién de la variable independiente a predictora, mejor seré Ia prediceién. Ast, si ‘se quiere predecir una variable dependiente que consta de cuatro cate- ‘mediante una variable predictora que sélo tiene tres categorias, en realidad sélo se podran predecir tres modas diferentes, y no cuatro. De abi que los investigadores prefieran habitualmente, y en general, con- servar el mayor nimero de categorias en el anélisis estadistico, ya que de esta forma el anilisis ofrece mayores posibilidades de cara a la re- duccién del error con un mimero grande que con un niimero pequefio de categorias. 822. El coeficiente Tawy de Goodman y Kruskal Se trata de otra medida de la asociacién para variables nominales, pero que se basa en una regla de prediccion diferente de la utilizada por el coeficiente Lambda. Al igual que Lambda, el coeficiente Tauy de Goodman y Kruskal es una medida asimétrica que varia entre el va lor 00, para la ausencia de reduccién en el error, y el valor 1.0, que representa una reduccién perfecta del error. El coeficiente Tau-y ha sido ideado para tratar el problema de Ia predicciin de la distribucidn de la variable dependiente Y. En esto difiere del coeficiente Lambda, que esti indicado para predecir un valor optimo de la variable dependiente, Ja moda. Para el caso del coeficiente Tat-y, Ia prediccién tipo T, 0 suposicién con el minimo de informacién, consiste en la asignacién aleatoria de casos a Ins categorias de la variable dependiente, de tal manera que la distribucién marginal de los casos no cambie. Volviendo a Ia tabla 8.1, podemos comprobar que esto significa que asignarfamos aleatoriamente 11.376 casos de Ia categoria de «casado», 502 a la categoria de «separa- dos, 816 a Ia de edivorciado» y 2.197 a la de eviudo». Esta asignacion de ios 14.891 casos implicarfa, naturalmente, algin tipo de error, y la cantidad esperada de error por dicha asignacién aleatoria puede calcu- larse para cada categoria de la variable dependiente y, a continuacién, sumarse para dar lugar al error esperado bajo la prediccién tipo I. Uti- lizandorlos propios datos de la tabla 8.1, el procedimiento a seguir seria el siguiente: En esta tabla, 11.376 casos se encuentran en Ia categoria de . Cabe esperar que la proporcién 3515/ 14891 de los 11.376 casos de la categoria «casado», se clasifiquen de ‘242 Socoeatadaten, Inroduccién ala Estat en Soolioga forma incorrecta si se asignaran aleatoriamente 11376 casos a dicha ‘categoria del total de casos. La idea que subyace a este razonamiento es como sigue. Se supone que se clasificaran de forma incorrecta por puro ‘azar una cierta proporcién de casos, y que esta proporcién, para cual- sane emtegoria, bs amplemente la proporcion de cagos que no pertene cen a dicha categoria en relacién a los casos a ‘sf pertenecen a ella, basado en In distribucién marginal de la variable dependiente. De este modo, si todos los casos se encontraran en una categoria, no se produ- finfa error alguno al predecir sélo dicha categoria. Pero, en tanto que Jos casos se distribuyen en mds de una categoria, existe alguna proba- bilidad de que la asignacién al azar sera correcta, y también otra pro- ‘abilidad de que se cometan errores. ‘Volviendo a los datos de! ejemplo, todo ello significa que el nimero de errores ‘esperados asciende a: 315 4 14091 ‘A este mimero se le afiaden los errores esperados que resultan al asignar al azar los casos al resto de las categorias, errores que se calcu- Jan de idéntico modo; esto es: TRevor esperedo en una Proporciém qve\t0 1 freenensia de Exeyoriay con. asigna: = se encuentra. en la x cién aleatoria categoria dada ieee tea ‘Simbélicamente, se puede expresar la suma de los errores esperados para todas las categorias de la variable dependiente del siguiente modo: ap N= =z [Gh wo] (11.376)=2.6847 errores esperados en donde f, es la frecuencia de Ia categoria i de la variable dependiente, y Kes el miimero de categorias de la misma variable. ‘Siguiendo esta notacién, los errores que se cometerfan al predecir Ja situacién matrimonial a partir de los datos de la tabla 8.1, se cal- culan de la siguiente forma: 14891-11376 a (11 376)= 2.6067 ' a m= 488.0 a (t= 713 cessnasasts Para realizar ahora Ia prediccién tipo II de la distribucién exacta de In variable dependiente se hace uso de la informacién que suministra In distribucién de la variablé dependiente dentro de las categorias de Ia variable independiente. Los procedimientos de célculo son idénticos los anteriores; sélo que ahora se realizan para cada una de las colum- nas correspondicntes a las categorias de la variable independiente, esto , el anterior sumatorio hay que realizarlo para cada categoria y sumar, ‘a continuacién, los resultados globales. Simbélicamente, la expresién del error esperado al realizar la prediccién tipo IT se escribe ast: N en donde m, es la frecuencia de la celdilla en la categoria i de la variable dependiente, dentro de cada una de las c categorias de la variable inde. pendiente, y N, es el total parcial de casos en cada una de las categorias de la sare insependleaee Obtenidas las sumas para cada categoria, ‘se suman todas ellas entre s{ para obtener E;, Con los datos de la bla 8.1, el célculo de E; seria como sigue: e © Er erreur ncn sen BITE fag ems en & me ae © Error esperade para la categoria cabeza de familia varén sin ninos 17039 Bes a Bt Sie elaine Err sony ps Cai an 6 le om as Soa it 31 © Error esperado para la categoria cabeza de familia mujer sin. nifios Tienores de iS ato so cera cunemn Se feria mater sin itor ram Ee 2040 Conocidos £; y F:, el coeficiente Tau-y de Goodman y Kruskal se cal- ‘cula a partir dela siguiente formula: 183] Aplicando los valores obtenidos anteriormente para E, y Er en [83], se obtiene: Ex-B __ 5.8075 2.7304 B 807.5 Tay: ‘Ast, pues, el coeficiente Taury obtenido nos indica que se han redu- cido en un 53 por 100 los errores cometidos al predecir la colocacién de los casos en les categorias de la variable dependiente, mediante la in- formacién que aporta la distribucién de los casos en Ta variable inde pendiente. Naturalmente, si en lugar de haber considerado como inde 164 Socoesteca imocucan x lt Extaoce en Boclologle pendiente la variable «tipo de familia» hubiéramos estado interesados en Ia prediccién de esta variable a partir de la distribucién de la varia- ble «situacién matrimonial», se hubiera obtenido un valor de Tau-y di- ferente, ya que, tal como s¢ ha apuntado anteriormente, se trata de una medida asimétrica. 8.3. MEDIDAS DE ASOCIACION PARA VARIABLES ORDINALES, La prediccién de valores en las variables ordinales es diferente del tipo de prediccién que hemos estudiado anteriormente para el caso de las variables nominales. Como sabemos, una variable se llama ordinal cuando se puede ordenar a lo largo de ella una serie de casos u obje- tos, de tal manera que podamos saber cudl es el primero, cual es el se gundp, etc., pero sin poder atribuirles: auténticos mimeros, ya que no ‘Se conoce la distancia que hay entre dos casos u objetos. Como sefialan Loether y McTavish (op. cit., pag. 221), dado que el interés con las va- riables ordinales se centra en Ia ordenacién de los valores, resulta util considerar pares de observaciones, ya que hay que disponer al menos de Gee talon’ o puntuaclones para poder (106 +96) =73836 105% (96) =10,176 142x(74+60) EA 74x(60) £) Ty=ndmero de pares empatados simulténeamente en X ¢ Y. Con siste en Ia suma de los pares que se pueden formar a partir ce los casos que caen en la misma celdilla, esto es, que tienen idénticos valores en Xe Y. Para cada celdilla se calculan a partir de la expresién: f¢-vi2 en donde f es la frecuencia de cada celdilla. Para el ejemplo anterior seria: 34 (54—1)/ 110 (110=1)/ 136 (136—1)/2= 9.180 118 (118—1)/2= 6.903 106 (106—1)/2= 5.565 i 1431 5.995 T= 48.116 En Ia actualidad, los programas de ordenador disefiados para el ané- lisis estadistico de los datos sociolégicos contienen el célculo de los di- versos nimeros de pares, para cualquier tipo de tabla, con lo que el Investigador se ve aliviado en su tedioso cémputo. Con todo, es impor- tante conocér el detalle de su célculo, para hacerse una idea més com- ppleta de los fundamentos légicos de Ins medidas de asociacién. Conocidos {os valores de los diferentes tipos de pares, ya se esté en condiciones de sustituirlos en las férmulas que expresan las diferentes medidas de aso- Giacién que veremos a continuacién, ya que todas ellas incluyen algunos de los valores que hemos calculado. En todos estos coeficientes que va- ‘mos a ver, el numerador es el mismo, N,—N,, cuya diferencia va a indi- car el cardcter positive (N.>Nz) 0 negativo (N.

    You might also like