Tema 9

Master Universitario en Psicología Social.
UCM
Métodos de análisis cualitativo y cuantitativo en Psicología Social
Mª Celeste Dávila de León
Tema 9
Análisis en diseños experimentales.
Contraste de medias y análisis de varianza.
1. Introducción
2. Análisis estadístico en el contraste de hipótesis.
3. Análisis con variables categóricas.
4. Contraste sobre una media.
5. Prueba T para muestras independientes.
6. Prueba T para muestras relacionadas.
7. U de Mann-Whitney.
8. Análisis de varianza (ANOVA).
9. Prueba Kruskal-Wallis.
10. Prueba de Wilcoxon.
Master Universitario en Psicología Social. UCM
1. Introducción.
• Posibles comparaciones a realizar en un diseño experimental:
– Análisis del pretest: se pretende garantizar la equivalencia de las
puntuaciones en el grupo experimental y en el grupo control. Garantizar la
homogeneidad en las puntuaciones pretest es básico porque los análisis
posteriores se basan en el hecho de que las diferentes condiciones
experimentales parten de una puntuación equivalente de la VD.
– Análisis del pretest-postest en el grupo control: se pretende garantizar la
equivalencia de las puntuaciones en las dos mediciones de la VD. La
equivalencia ofrece seguridad en cuanto a la ausencia de variables extrañas
que hayan contaminado la investigación.
– Análisis del pretest-postest en el grupo experimental: se analizan los
cambios generados, nos permitirán responder a la hipótesis de partida.
– Análisis del postest: las diferencias encontradas junto con el análisis de las
comparaciones previas nos permitirán responder a las hipótesis de partida.
1. Introducción.
• Ejemplo de estudio experimental:
– Descripción: Determinar la eficacia de las técnicas de relajación para
disminuir la ansiedad en los alumnos ante los exámenes. Se evalúa la
ansiedad de los sujetos (control y experimental) a través de una
escala. Posteriormente, los sujetos del grupo experimental durante un
mes son entrenados en técnicas de relajación. Pasado el tiempo se
vuelve a medir el nivel de ansiedad de todos los sujetos.
– Hipótesis: lo sujetos entrenados en relajación disminuirán de forma
notable su nivel de ansiedad.
– VI: tratamiento (formación en relajación). Valores: recibir formación
(grupo experimental) y no recibir formación (grupo control).
– VD: la medida pretest antes de iniciar el tratamiento y la medida
postest después de introducir el tratamiento.
2. Análisis estadísticos en el contraste de hipótesis.

• Contrastes con proporciones:
– Ejemplos de preguntas: ¿consigue un tratamiento más recuperaciones
de las que se vienen obteniendo con el tratamiento convencional?¿ha
aceptado el sujeto más respuestas que las esperables por azar?
– Contamos con variables dicotómicas. En estos casos, es habitual
centrarse en el número o proporción de “unos” (ejemplo:
presencia/ausencia1/0).
– Procedimientos:
• Muestras pequeñas (n<=25): se utiliza la distribución binomial para
obtener las probabilidades de los estadísticos.
• Muestras grandes (n>25): se utiliza la distribución normal para
obtener las probabilidades asociadas al estadístico Z.

Si la variable es dicotómica se elige la Permite

opción “obtener de los datos” (en este especificar el
caso se toma como valor de referencia valor de la
la que corresponde al valor del primer población que
caso válido del archivo de datos), si no se desea
lo es hay que dicotomizarla y establecer contrastar
para ello un punto de corte para hacer
dos grupos.

>0,05, por tanto no se rechaza la

hipótesis nula y se considera que la
proporción observada no difiere
significativamente de la proporción
de prueba o teórica. Cuando n>25
se utiliza el mismo procedimiento
pero debajo de la tabla aparece
Si este valor es 0,5 el programa que está “basado en la
interpreta que este contraste es aproximación Z”.
bilateral. Si este valor es distinto
se interpreta que el contraste es
unilateral.

• Prueba X2 de Pearson.
– Ejemplos de preguntas: ¿Es razonable asumir que en la población de
votantes el 40% tiene ideología de izdas., el 20% de centro y el 40%
de derechas?; Se sabe que en la población de madrileños mayores de
25 años, la proporción de fumadores, exfumadores y no fumadores es
de 0,30, 0,12 y 0,58, respectivamente. Se desea saber si en la
población de jóvenes de 15 a 25 años se produce la misma pauta,
para ello se ha seleccionado una muestra aleatoria de 250 jóvenes en
la que se han encontrado 88 fumadores, 12 exfumadores y 150 no
fumadores.
– Su objetivo es comprobar el grado de parecido existente entre la
realidad (la forma de la distribución empírica) y la distribución de la
probabilidad teórica. Estos contrastes pueden utilizarse con variables
categóricas y cuantitativas. La prueba se basa en comparar las
frecuencias observadas con las frecuencias esperadas.

Permite decidir qué rango de
• Prueba X2 de Pearson. valores de la variable
seleccionada deben ser
incluidos en los análisis. Si se
elige la opción “obtener de los
datos” cada valor distinto de la
variable se considera una
categoría de análisis. En la otra
opción, sólo se tienen en cuenta
los valores comprendidos entre
los límites que se especifiquen
en los cuadros de texto inferior
y superior (los valores no
incluidos en estos límites se
excluyen del análisis) Este recuadro sirve para indicar cuál debe ser el valor de las frecuencias
esperadas. Si se elige la opción “todas las categorías iguales” las
frecuencias esperadas se calculan dividiendo el nº total de casos válidos
entre el número de categorías de la variable. La opción “valores” permite
definir frecuencias esperadas concreta, es importante tener en cuenta que
los valores que se introducen se interpretan como proporciones no como
frecuencias absolutas, y deben introducirse tantos valores como
categorías (SPSS divide cada valor por la suma de todos los valores, si se
introducen los números enteros 6, 1 y 3, SPSS lo interpreta como que la
frecuencia esperada de la primera categorías es 6/10 del número de casos
válidos). El orden en que se introducen los valores es muy importante, ya
que se hace corresponder la secuencia introducida con las categorías de
la variable cuando estas se encuentran ordenadas de forma ascendente.

• Prueba X2 de Pearson.
<0,05, se rechaza la
hipótesis nula de bondad de
ajuste y se concluye que las
frecuencias de las
categorías de la variable
jornada no se ajustan a la
distribución propuesta en la
hipótesis nula.

• Inferencia con dos variables categóricas.
– Tareas básicas:
• Describir el comportamiento conjunto de ambas variables  tablas de
contingencia y gráficos de barras agrupadas.
• Determinar si están relacionadas  X2 de Pearson.
– Tabla de contingencia: es una tabla de frecuencias conjuntas que
combina las categorías de ambas variables.
• Los números que aparecen en las tablas son frecuencias, pero se
pueden transformar fácilmente en valores porcentuales.
• Las más básicas son de dos variables, pero pueden construirse tablas
con un número mayor de variables.
– Gráficos de barras agrupadas: la altura de las barras es proporcional al
tamaño de las frecuencias.

– Comprobar si las variables están relacionadas.
• Las variables son independientes si las distribuciones
condicionales de cualquiera de ellas son iguales en todas las
categorías de la otra. Si se encuentran diferencias en las
distribuciones condicionales hay que contrastar que éstas no se
deban al azar y que son suficientemente grandes para reflejar
verdaderas diferencias en la población.
• X2 oscila de 0 a infinito. Cuando los datos son independientes, las
diferencias entre las frecuencias observadas y sus
correspondientes esperadas valen todas ellas cero, y el estadístico
también vale cero. Su valor se va alejando de cero cuanto más
difieren los datos de los pronósticos realizados.

– Comprobar si las variables están relacionadas.
• X2 no aporta información sobre la intensidad de la relación encontrada y qué
hacer para interpretarla. Existen diversas medidas de asociación, alguna de ellas
se basan en X2 y permiten obtener un valor comprendido entre 0 y 1.
– Coeficiente de contingencia C: C= (raíz cuadrada de:) X2/(X2 +n)
– Coeficiente V de Cramèr: Vcramèr= (raíz cuadrada de:) X2/[n (k-1)]; K= valor
más pequeño del número de filas y de columnas.
• Para identificar qué diferencias son realmente significativas en las casillas, se
puede hacer una valoración casilla a casilla. A estas diferencias se las llama
residuos. Los residuos pueden delatar diferencias mayores en una casillas o
celdas que en otras y la constatación de este hecho puede arrojar luz sobre la
pauta de asociación presente en la tabla. Se considera que los residuos mayores
de 1,96 delatan casillas con más casos de los que cabría esperar por azar si las
variables fuesen independientes, mientras que los residuos menores de -1,96
delatan casillas con menos casos de los que cabría esperar si las dos variables
fuesen realmente independientes (con un nivel de confianza de 0,95).


• Inferencia con dos variables categóricas: tablas de contingencia.
Muestra la frecuencia observada en cada casilla y el
correspondiente residuo tipificado corregido. Estos últimos
son los valores que ayudan a interpretar el significado de
la relación encontrada (recordamos que estos valores hay
que compararlos con 1,96 y -1,96).
p>.05 no se puede rechazar la H0

de independencia, por lo que no se
puede concluir que las variables sexo
y jornada estén relacionadas.

Cuando seleccionamos más de una variable fila y una variable columna, cada variable fila se cruza con cada variable
columna para formar una tabla distinta.


– SPSS ofrece también al posibilidad de crear tablas de contingencia con respuestas
múltiples. Para lo cual es necesario definir los correspondientes conjuntos de respuestas
múltiples tal y como se ha explicado previamente. El procedimiento permite obtener
tablas de contingencia de dos dimensiones o variables y de tres dimensiones o
variables.
Se puede encontrar una

descripción del procedimiento
completo en Pardo, Ruíz y San
Martín Vol.I (pp.298-301).
4. Contraste sobre una media (prueba T con una muestra).
• Ejemplos de preguntas: ¿Puede afirmarse que el cociente

intelectual medio de un determinado colectivo es mayor que
100? ¿Se parece la media estandarizada que se obtiene con
una nueva prueba de rendimiento a la que se viene obteniendo
tradicionalmente?
• Sirve para tomar decisiones acerca del valor poblacional de la
media de una variable.
Variable cuya
4. Contraste sobre una media (prueba T con una muestra). media poblacional
se desea
contrastar.
Valor
poblacional
concreto que se
desea
contrastar (valor
media
poblacional).
El nivel crítico unilateral

se puede obtener
dividiendo el nivel
bilateral entre dos.
p<.05 se rechaza la
hipótesis nula de que el
verdadero valor de la
media poblacional es el
propuesto, no se puede
atribuir la diferencia
observada al azar.

• Ejemplo concreto: Un educador sospecha que los niños con
problemas perceptivos aumentan su rendimiento con
entrenamiento adecuado. Con el fin de obtener pruebas que
confirmen su sospecha ha seleccionado una muestra de 20 niños
con problemas perceptivos y los ha repartido también
aleatoriamente en dos grupos. A uno de los grupos lo ha
entrenado en tareas de percepción de formas, y al otro no le ha
entrenado. Terminado el entrenamiento ha pasado a todos el test
de Raven para tener una medida del rendimiento individual.
• Para análisis pretest o postest.

• Esta prueba se puede utilizar cuando tenemos que trabajar con
una variable categórica y una cuantitativa. La categórica define
los grupos y la cuantitativa es en la cual se desea comparar los
grupos. Si la variable categórica tiene dos grupos se utiliza la T de
Student para muestras independientes, pero si tiene más de dos
grupos se utiliza el análisis de varianza de un factor.
• Sirve para comparar y para relacionar: si los grupos definidos por
la variable categórica difieren en la variable cuantitativa, entonces
ambas variables están relacionadas.
• En este caso, comprobar el supuesto de homocedasticidad es
importante.
p<.05 No se puede considerar

que las varianzas poblacionales P>0,05no existen diferencias
son iguales significativas entre grupos
• Ejemplo concreto: en un estudio diseñado para probar el

efecto de un tratamiento antidepresivo mixto se ha utilizado una
muestra aleatoria de 14 pacientes con depresión. A todos ellos
se les ha aplicado la escala de depresión de Hamilton en dos
momentos: antes del tratamiento y después del tratamiento. El
objetivo es comprobar si las puntuaciones en la escala
disminuyen tras el tratamiento.
• Análisis pretest-postest para grupo experimental o control.
• Sirve para comparar las medias de dos variables

cuantitativas.
• Las dos observaciones seleccionadas en cada extracción se
consideran relacionadas porque corresponden al mismo sujeto
o a dos sujetos emparejados mediante algún vínculo relevante
para el análisis. Sea como fuere, la idea es que el conocimiento
de la puntuación del par permite saber algo de la otra
puntuación del mismo par (cabe esperar que el cociente
intelectual de un sujeto se parezca más al de su gemelo que al
de otro, el nivel de satisfacción conyugal entre los miembros de
una pareja cabe esperar que sea parecido, etc.).
Pretest-postest
La diferencia media entre Par obtener la significación unilateral habría que

pre- y post- se encuentra dividirlo entre dos. p<0,05 existen diferencias
entre 0,04 y 0,32. significativas entre las medias del pre- y post-.
• Sirve al igual que la T de Student para muestras independientes,

para comparar dos grupos en una variable cuantitativa.
Representa una excelente alternativa a la T de Student cuando se
incumple el supuesto de normalidad o cuando no es apropiado
utilizar la prueba T de Student porque el nivel de medida de la
variable cuantitativa es ordinal.
p>0,05 no
El nivel crítico unilateral se obtiene existen
dividiendo entre dos el bilateral diferencias
significativas

• ElANOVA es una familia de técnicas que comparten el objetivo de
ayudar a interpretar los datos de un estudio empírico mediante la
formulación de modelos estadísticos. Estos modelos permiten valorar el
comportamiento de una VD o respuesta cuantitativa a partir de una o más
VIs o factores categóricos (variables medidas con una escala ordinal o
nominal). También permiten controlar el efecto de variables extrañas
incluyéndolas como covariables.
• En los ANOVA el término factor es sinónimo de VI, y se refiere a la
variable categórica que define los grupos.
• Modelo con una sola VI ANOVA de un factor. Supuestos que debe
cumplir: independencia, normalidad, homocedasticidad.

• Los ANOVA también permite evaluar el efecto individual y conjunto de dos
o más factores sobre una VD cuantitativa. Cuando aludimos al efecto
individual nos referimos a los efectos principales (se analizan de la misma
forma vista en ANOVA de un factor); pero cuando aludimos al efecto
conjunto, aludimos a la interacción entre factores (se refiere a cuando el
efecto de uno de ellos sobre la VD no es el mismo en todos los niveles del
otro factor). Si se encontrase una interacción significativa supondría que el
efecto de una VI sobre la VD estaría condicionada por el efecto de la otra
VI y viceversa (en el libro de Pardo y San Martín se encuentra una guía de
cómo llevar a cabo esta interpretación pp. 280). El efecto de interacción
puede ser significativo independientemente de la significación de los
efectos principales y al revés.
• Se puede llevar a cabo un ANOVA de un factor con medidas repetidas.
8. Análisis de varianza: ANOVA de un factor.

8. Análisis de varianza: ANOVA de un factor.
p>0,05 no existen
diferencias
significativas
Permiten identificar entre qué grupos se

encuentran diferencias significativas.
Como no existen diferencias
significativas en este caso tampoco se
hallan.
8. Análisis de varianza: ANOVA de más de un factor.
Incluiremos aquí variables

si vamos a hacer un
análisis de covarianza
Si el modelo no pudiera asumir que la varianza de

la VD es la misma en todas las poblaciones, se
utiliza esta opción. Si las diferencias en
variabilidad se pueden pronosticar a partir de
alguna variable se incluye ésta en el recuadro y se
tiene en cuanta para estimar los parámetros del
modelo
8. Análisis de varianza: ANOVA de más de un factor.
Si las varianzas no hubiesen sido iguales en el

cuadro de diálogo de post hoc, existe la opción
de utilizar un método de calculo diferente (una
opción es la de Games-Howell).
Solo se encuentran
diferencias significativas
con relación a la jornada.
Indica la proporción de varianza explicada por el
modelo. En este caso nos informa que la VI a la que
se asocian las diferencias significativas explica el
2,2% de la variabilidad obtenida en la VD.
8. Análisis de varianza: ANOVA con medidas repetidas.
Introducir el nombre del

factor de medida repetidas
(se trata de una variable
que se crea para este caso
y que recoge los valores
de las medidas repetidas),
y el número de niveles de
que consta el factor,
después pulsar el botón
añadir para validar y el
botón definir
Si p<0,05 no se
asume la
Si p>0,05 se
esfericidad por lo
asume la
que se
esfericidad por lo
consideran los
que se considera
siguientes
el estadístico F.
estadísticos:
Se encuentran
diferencias
significativas entre
los diferentes valores
de las medidas
repetidas

Para determinar dónde se encuentran las diferencias entre
los valores de las medidas repetidas, se incluye la variable
de medidas repetidas en mostrar medias y se marca
comparar los efectos principales.
• Se utiliza esta prueba cuando no se dan los supuestos necesarios para llevar
a cabo una ANOVA de un factor. Se trabaja con una variable categórica con
más de dos grupos y una variable cuantitativa en la cual deseamos comparar
a los grupos.
• Existen varios procedimientos para efectuar comparaciones entre pares de
grupos tras obtener un resultado significativo con la prueba de kruskal-Wallis
pero SPSS no los incluye. Para analizar con SPSS qué grupos difieren de qué
otros puede utilizarse la prueba de U de Mann-Whitney acompañada de la
corrección de Bonferroni (consiste en dividir el nivel de significación alpha
(generalmente 0,05) entre el número de comparaciones que se desea realizar
y en utilizar ese nuevo valor como referente con el que comparar el nivel
crítico (valor p) asociado a cada comparación entre pares de grupos).
Diferencias
significativas,
p<0,05.

• Supone una alternativa a la prueba T para muestras relacionadas y no se
cumple el supuesto de normalidad.
• Cuando no se puede utilizar esta prueba, se utiliza la prueba de los signos
para dos muestras. La de Wilcoxon exige un nivel de medida de intervalos
o razón y aprovecha la información ordinal de los datos; la de los signos
exige un nivel de medida al menos ordinal y solamente aprovecha de los
datos sus propiedades nominales (para realizarla mismo proceso que en el
caso de Wilcoxon, pero se marca la opción de “signo” que está debajo de
la opción de Wilcoxon).
Si se está planteando un
contraste unilateral, habría
que dividirlo entre 2 (0,018/2:
0,009 p<0,05 por lo que se
encuentran diferencias
significativas.

Tema 9

Cargado por

Copyright:

Formatos disponibles

Tema 9

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 9

Cargado por

Copyright:

Formatos disponibles

Master Universitario en Psicología Social.

2. Análisis estadísticos en el contraste de hipótesis.

3. Análisis con variables categóricas.

3. Análisis con variables categóricas.

Si la variable es dicotómica se elige la Permite

3. Análisis con variables categóricas.

>0,05, por tanto no se rechaza la

3. Análisis con variables categóricas.

3. Análisis con variables categóricas.

3. Análisis con variables categóricas.

3. Análisis con variables categóricas.

3. Análisis con variables categóricas.

3. Análisis con variables categóricas.

3. Análisis con variables categóricas.

3. Análisis con variables categóricas.

p>.05 no se puede rechazar la H0

3. Análisis con variables categóricas.

3. Análisis con variables categóricas.

3. Análisis con variables categóricas.

Se puede encontrar una

4. Contraste sobre una media (prueba T con una muestra).

• Ejemplos de preguntas: ¿Puede afirmarse que el cociente

El nivel crítico unilateral

5. Prueba T para muestras independientes.

5. Prueba T para muestras independientes.

5. Prueba T para muestras independientes.

p<.05 No se puede considerar

6. Prueba T para muestras relacionadas.

• Ejemplo concreto: en un estudio diseñado para probar el

6. Prueba T para muestras relacionadas.

• Sirve para comparar las medias de dos variables

6. Prueba T para muestras relacionadas.

La diferencia media entre Par obtener la significación unilateral habría que

• Sirve al igual que la T de Student para muestras independientes,

8. Análisis de varianza (ANOVA).

8. Análisis de varianza (ANOVA).

8. Análisis de varianza: ANOVA de un factor.

8. Análisis de varianza: ANOVA de un factor.

Permiten identificar entre qué grupos se

8. Análisis de varianza: ANOVA de más de un factor.

Incluiremos aquí variables

Si el modelo no pudiera asumir que la varianza de

8. Análisis de varianza: ANOVA de más de un factor.

Si las varianzas no hubiesen sido iguales en el

8. Análisis de varianza: ANOVA con medidas repetidas.

Introducir el nombre del

8. Análisis de varianza: ANOVA con medidas repetidas.

8. Análisis de varianza: ANOVA con medidas repetidas.

10. Prueba de Wilcoxon.

10. Prueba de Wilcoxon.

También podría gustarte