Castañeda Et Al 2010 Procesamiento de Datos y Análisis Estadísticos Utilizando SPSS-Un Libro Práctico Par - 20140225001351111

Maria Beln Castaeda I Alberto F.
Cabrera
Yadira Navarro I W'ietse de Vries
Procesamiento
de datos y anlisis
estadsticos utilizando SPSS
Un libro prctico
para investigadores y
administradores educativos
Procesamiento de datos y anlisis estadsticos utilizando

SPSS
Un libro prctico para investigadores y administradores educativos
Chanceler
Dom Dadeus Grings

Reitor
Joaquim Clotet
Vice-Reitor
Evilzio Teixeira
Conselho Editorial
CEES - Centro de Estudos de Educao Superior/PUCRS
(Coordenadora) Marlia Costa Morosini

(Coordenadora Executiva) Bettina Steren dos Santos
Pesquisadores Seniors
Marilia Costa Morosini

Cleoni Maria Barboza Fernandes
Martha Sisson de Castro
Marcos Villela Pereira
Ana Maria Lisboa de Mello

Elaine Turk Faria
rico Joo Hammes
Gilberto Keller de Andrade
Helenita Rosa Franco
Jane Rita Caetano da Silveira
Jernimo Carlos Santos Braga
Jorge Campos da Costa
Jorge Luis Nicolas Audy Presidente
Jos Antnio Poli de Figueiredo
Jurandir Malerba
Lauro Kopper Filho
Luciano Klckner
Maria Lcia Tiellet Nunes
Marlia Costa Morosini
Marlise Arajo dos Santos
Renato Tetelbom Stein
Ren Ernaini Gertz
Ruth Maria Chitt Gauer
EDIPUCRS
Jernimo Carlos Santos Braga Diretor

Jorge Campos da Costa Editor-chefe
Maria Beln Castaeda

Alberto F. Cabrera
Yadira Navarro
Wietse de Vries
Procesamiento de datos y anlisis estadsticos utilizando

SPSS
Un libro prctico para investigadores y administradores educativos
Porto Alegre, 2010
EDIPUCRS, 2010
Vincius Xavier
Autores
EDITORAO ELETRNICA Gabriela Viale Pereira
CAPA
REVISO DE TEXTO dos
EDIPUCRS Editora Universitria da PUCRS

Av. Ipiranga, 6681 Prdio 33
Caixa Postal 1429 CEP 90619-900
Porto Alegre RS Brasil
Fone/fax: (51) 3320 3711
e-mail: [email protected] - www.pucrs.br/edipucrs
APOIO:
Pontifcia Universidade Catlica do Rio Grande do Sul
Pr-Reitoria de Ps-graduao e Pesquisa
Faculdade de Educao
Programa de Ps-Graduao em Educao
Centro De Estudos em Educao Superior - CEES
Av. Ipiranga 6681
Prdio 15 Sala 303
CEP 90619 000, Porto Alegre, RS, Brasil
00xx513320 - 3527
email: [email protected]
Dados Internacionais de Catalogao na Publicao (CIP)

P963
Procesamiento de datos y anlisis estadsticos utilizando SPSS :

un libro prctico para investigadores y administradores
educativos [recurso eletrnico] / Maria Beln Castaeda ...
[et al.]. Porto Alegre: EDIPUCRS, 2010.
165 p.
Sistema requerido : Adobe Acrobat Reader
Modo de acesso: http://www.pucrs.br/orgaos/edipucrs
ISBN 978-85-7430-973-6 (on-line)
1. SPSS (Programa de Computador). 2. Software para
Anlise Estatstica. 3. Informtica na Estatstica. I. Castaeda,
Maria Beln.
CDD 519.50285
Ficha Catalogrfica elaborada pelo Setor de Tratamento da Informao da BC-PUCRS.
NDICE
Presentacin .............................................................................................................. 8
1 Aspectos generales de SPSS para Windows..................................................... 15
1.1 En qu consiste el programa SPSS? ................................................................ 15
1.2 Cules son los usos potenciales del programa SPSS? .................................... 15
1.3 Qu tipo de anlisis estadsticos se pueden realizar con el programa SPSS? . 15
1.4 Ventajas y desventajas del programa SPSS ....................................................... 16
2 Creacin del banco de datos............................................................................... 17
2.1 Cmo tener acceso al programa SPSS para Windows? ................................... 17
2.2 Captura de datos con SPSS................................................................................ 18
2.3 Documentacin de datos en SPSS ..................................................................... 21
3 Anlisis de datos I ................................................................................................ 26
3.1 Estadsticas descriptivas ..................................................................................... 26
3.2 Frecuencias ......................................................................................................... 26
3.3 Interpretacin de los resultados del anlisis de frecuencias................................ 35
3.4 Estadsticas descriptivas (promedios, desviacin estndar, mnimo y mximo) . 36
3.5 Interpretacin de resultados del anlisis de estadsticas descriptivas ................. 41
3.6 Tablas de contingencia........................................................................................ 41
3.6.1 Construyendo una tabla de contingencia 2 x 2................................................. 42
3.6.2 Interpretacin de resultados de la tabla 2 x 2 ................................................... 48
3.6.3 Tablas de contingencia con 3 variables categricas ........................................ 49
3.6.4 interpretacin de resultados de la tabla de contingencia de 3 variables .......... 52
4 Anlisis de datos II ............................................................................................... 55
4.1 Prueba-T (T-Test) para 2 grupos independientes ............................................... 55
4.3.1 Interpretacin de resultados de la prueba-T (T-Test) para 2 grupos
independientes .......................................................................................................... 61
4.3.2 One-way ANOVA: Anlisis de varianza para ms de 2 grupos ........................ 62
4.4 Interpretacin de los resultados del anlisis de ms de dos grupos con One-WayANOVA ...................................................................................................................... 69
5 SPSS y EXCEL ...................................................................................................... 71
5.1 Conversin de banco de datos Excel a banco de datos SPSS ........................... 71
6 Anlisis de correlaciones .................................................................................... 81
6.1 Supuestos estadsticos del anlisis de correlaciones.......................................... 81
6.2 Descripcin de la muestra UH File ...................................................................... 81

6.3 Anlisis exploratorio ............................................................................................ 82
6.3.1 Interpretacin ................................................................................................... 82
6.4 Anlisis de correlaciones ..................................................................................... 90
6.5 Interpretacin del reporte de resultados de correlaciones ................................... 94
6.5.1 Interpretando la magnitud del coeficiente de correlacin ................................. 94
6.5.2 Interpretando el nivel de significancia estadstica ............................................ 95
6.5.3 Ejercicio prctico .............................................................................................. 95
7 Anlisis predictivo (regresin lineal) .................................................................. 97
7.1 Supuestos estadsticos........................................................................................ 97
7.2 Descripcin de la muestra GRE .......................................................................... 97
7.3 Anlisis exploratorio ............................................................................................ 97
7.4 Anlisis predictivo o de regresin lineal ............................................................ 101
7.5 Interpretacin y simplificacin de resultados ..................................................... 108
7.5.1 Comentarios ................................................................................................... 110
7.5.2 Cmo utilizar el anlisis predictivo en el futuro? .......................................... 111
7.6 Cmo mejorar la interpretacin de los resultados usando diagramas (scatter
plots grficas de dispersin) de pares de variables? ............................................ 112
7.6.1 Comentarios ................................................................................................... 115
8 Anlisis factorial (reduccin de datos de encuesta) ....................................... 119
8.1 Supuestos del anlisis factorial ......................................................................... 119
8.2 Anlisis de contenido y exploratorio .................................................................. 119
8.2.1 Anlisis de contenido...................................................................................... 119
8.2.2 Anlisis exploratorio ....................................................................................... 123
8.3 Anlisis factorial ................................................................................................ 123
8.4 Interpretando el reporte de resultados .............................................................. 132
9 Anlisis de confiabilidad ................................................................................... 136
9.1 Supuestos estadsticos...................................................................................... 136
9.2 Organizacin de los datos ................................................................................. 136
9.3 Anlisis de confiabilidad utilizando SPSS.......................................................... 136
9.4 Interpretacin de resultados .............................................................................. 137
9.5 Que pasa si se combinan las 10 variables? .................................................... 142
10 Creacin de Escalas ........................................................................................ 146
10.1 Creacin de escalas utilizando SPSS ............................................................. 147
10.1.1 Escala agregada con 8 variables ................................................................. 147

10.1.2 Escala promediada ....................................................................................... 151
10.1.3 Escala agregada y promediada con 2 variables ........................................... 152
10. 2 Verificando los supuestos estadsticos de las escalas ................................... 156
10.3 Ventajas de validar escalas estadsticas ......................................................... 161
Conclusiones ......................................................................................................... 162
Bibliografa............................................................................................................. 163
Apndice 1: Banco de Datos de Prctica Con Una Muestra de 20 observaciones
y 5 variables ........................................................................................................... 164
Para la parte 6:
Utilice el archivo UH file *y consulte los reportes de resultados Output1-Exploratory
y Output2-correlaciones.
Para la parte 7:
Utilice el archivo GRE database y consulte el reporte de resultados Output3regresin lineal.
Para la parte 8:
Utilice el archivo UH file y consulte el Output3-factor.
Para la parte 9:
Utilice el archivo UH file y consulte el reporte de resultados Output3-reliability y
Output3-confiabilidad.
Para la parte 10:
Utilice el archivo UH file agregado y consulte el reporte de resultados output1escalas.
La muestra No. 1 (UH file) contiene un subconjunto de variables seleccionadas para este libro
(N=466). La base de datos original es parte de una investigacin sobre la permanencia de estudiantes
en la universidad que se llev a cabo en una universidad en el sur de los Estados Unidos y cuyos
resultados fueron publicados en diversos artculos, entre ellos en: Cabrera, A. F., Nora, A., and
Castaeda, M.B. (1992) The role of finances in the persistence process: A structural model en:
Research in Higher Education, 33, pp. 571-593.
Procesamiento de datos y anlisis estadsticos utilizando SPSS
PRESENTACIN
El panorama actual de la sociedad de la informacin y del conocimiento exige
la insercin consolidada de la cultura universitaria en el mundo digital. En este
contexto, las universidades se dedican a investigar y utilizar nuevos recursos
tecnolgicos con aplicacin no solamente en el campo de la investigacin
propiamente dicha, sino tambin en el campo didctico-pedaggico. En esta realidad
se desarrollan formas de enseanza no convencionales, por medio de lanzamiento
de modalidades de enseanza a distancia, de disciplinas semi-presenciales, de
ambientes virtuales y de e-books, en la formacin de profesores e investigadores
para la inclusin y mantenimiento de los mismos en esta sociedad digital.
Es con este objetivo y principalmente buscando la capacitacin de los
investigadores en metodologas cuantitativas que el Centro de Estudios en
Educacin Superior (CEES) publica el libro Procesamiento de datos y anlisis
estadsticos utilizando SPSS. Un libro prctico para investigadores y
administradores educativos.
El CEES es un centro de investigacin interdisciplinaria localizado en la
Facultad de Educacin de la Pontificia Universidad Catlica de Ro Grande del Sur
PUCRS, Brasil. Sus investigadores han realizado trabajos conjuntos desde el final de
la dcada de los 90, siendo formalmente creado en el ao 2009. El objetivo del
CEES es desarrollar y difundir el conocimiento sobre la Educacin Superior en los
niveles institucional, nacional e internacional.
El CEES tiene como espectro la Educacin/Enseanza, la investigacin, la
consultoria y las publicaciones. El CEES participa en diferentes programas
educacionales y a diferentes niveles, con el objetivo de desarrollar un grupo de
especialistas en educacin superior y contribuir al desarrollo cientfico y a la
innovacin de la sociedad contempornea. En este sentido, el CEES mantiene
intercambio regular con la comunidad cientfica nacional e internacional que se
dedica a colaborar en redes de investigacin, al acogimiento de investigadores
visitantes de universidades renombradas, a la produccin de libros, a la publicacin
en revistas cientficas de calidad reconocida, y a la organizacin y participacin en
eventos cientficos, entre otros.
Es en este sentido que el CEES contribuye al desarrollo del rea de
metodologa de investigacin cientfica cualitativa y de la investigacin como un todo
8
CASTAEDA, M. B.; CABRERA; A. F.; NAVARRO, Y.; VRIES, W. de
y tiene un envolvimiento significativo con la comunidad acadmica y civil. Adems de

las actividades usuales de investigacin, enseanza y produccin de conocimientos,
los miembros del CEES realizan seminarios, analizan proyectos y forman parte de
comisiones cientficas de diversos rganos estatales y privados. Sus actividades
envuelven participacin en actividades editoriales y de gestin cientfica y
administracin de instituciones cientficas y ncleos de excelencia cientfica y
tecnologica.
En los aos 2009 y 2010, apoyado por la Comisin FULBRIGHT, por la
FAPERGS y por la PUCRS, el CEES esta recibiendo la visita de los profesores
catedrticos-Prof. Dr. Alberto Cabrera y Profa. Dra. Mara Beln Castaneda, de la
Universidad de Maryland-College Park, USA, del Departamento de Educacin
Superior y Liderazgo Educacional. Estos profesores entre otros aspectos se han
dedicado a la docencia e investigacin y han desarrollado diversos seminarios con
nfasis en metodologas cuantitativas. Para fortalecer el desenvolvimiento de esta
rea metodolgica los profesores han desarrollado el libro Procesamiento de datos
y anlisis estadsticos utilizando SPSS.
Quienes son los autores

La Dra. Mara Beln Castaeda es una Investigadora Visitante en el
Departamento de Educacion Superior de la Universidad de Maryland-College Park
en los Estados Unidos de Norteamerica. La Dra. Castaeda obtuvo su doctorado
(Ph.D) en administracin de recursos humanos y metodologa de investigacion y su
maestra (MS) en relaciones industriales de la Universidad de Wisconsin-Madison
(USA) y se ha dedicado a la docencia e investigacin en los ltimos 20 anos. Ella ha
desempeado varios puestos de investigacin y docencia en diversas universidades
de los Estados Unidos.
Antes de asociarse con la Universidad de Maryland, la Dra. Castaeda trabajo
para el Centro de Educacin y Trabajo (Center on Education and Work) de la
Universidad de Wisconsin-Madison (USA) y tambin fue catedrtica en la facultad de
Administracin de la misma universidad por ms de 5 aos, donde dicto diversas
ctedras en el rea de administracin de recursos humanos y comportamiento de la
organizacin. Previa su asociacin con la Universidad de Wisconsin, la Dra.
Castaeda fue profesora de recursos humanos en Pennsylvania State University,
9
State University of New York-Albany, Texas A & M University, Arizona State

University-West y en Duxx International Graduate School of Business Leadership in
Monterrey-Mexico.
La Dra. Castaeda es miembro de la Academia de Administracion en los
Estados Unidos y cuenta con diversas publicaciones en el rea de administracin de
recursos humanos as como en el rea de metodologa de investigacin en revistas
como el Journal of Applied Psychology, Journal of Management, Journal of Higher
Education, Research in Higher Education, Journal of Organizational Behavior, Group
and Organization Studies and Personnel Psychology. La Dra. Castaeda tambin ha
sido consultora en reas relacionadas con la evaluacin y efectividad de programas
de capacitacin y entrenamiento de empleados, planeacin estratgica de carreras,
desarrollo de encuestas, seleccin de personal, desarrollo de pruebas para evaluar
capacidades de empleados potenciales y tambin ha otorgado cursos intensivos a
grupos de investigadores y administradores de la Benemrita Universidad Autnoma
de Puebla-Mxico en cmo conducir e interpretar anlisis estadsticos para toma de
decisiones educativas, utilizando el programa SPSS.
El Dr. Alberto F. Cabrera es profesor de tiempo completo en el Programa de
Educacin superior en la Universidad de Maryland-College Park en los Estados
Unidos de Norteamrica. El Profesor Cabrera obtuvo su doctorado (Ph.D) en
Administracin de la Educacin y la maestra (MS) en Relaciones Industriales de la
prestigiosa Universidad de Wisconsin-Madison (USA). Sus reas de especializacin
e investigacin incluyen el impacto de la universidad en los estudiantes, en la
seleccin de institucin, en las experiencias en el saln de clase, as como el efecto
en los grupos de estudiantes minoritarios y los efectos de estas experiencias en la
permanencia, desercin, transferencia y xito del estudiante durante su carrera
universitaria.
El Profesor Cabrera ha sido catedrtico de tiempo completo en diversas
universidades de los Estados Unidos de Norteamrica incluyendo la Universidad de
Wisconsin-Madison, Pennsylvania State University, State University of New YorkAlbany, y Arizona State University-West Campus. El profesor Cabrera tambin ha
sido miembro de varios consejos de asesora en instituciones tales como el
Pathways to College Network, el National Postsecondary Education Cooperative
(NPEC)'s Student Outcomes, y el GEAR UP Evaluation Council of the National
Council for Community and Education Partnerships (NCCEP). Ademas, el ha
10
proporcionado asesora a otras instituciones tales como el Hispanic Association of

Colleges and Universities (HACU), el US Congress' Advisory Committee on Student
Financial Assistance, el Cooperative Institutional Research Program at UCLA, el
American Council on Education, el Western Interstate Commission on Higher
Education, el US Department of Education, el National Postsecondary Education
Cooperative, el Ministerio de Educacion de Argentina, as como a diversas
universidades tanto en los Estados Unidos de Norteamrica como en el extranjero.
El profesor Cabrera tambin ha sido miembro del consejo directivo del
National College Access Networky del Higher Education Accreditation Agency del
Gobierno de la Provincia de Aragn, Espaa. El profesor Cabrera ha publicado
extensamente en las revistas educativas ms prestigiosas en los Estados Unidos y
ha sido miembro de los consejos editoriales del Journal of Higher Education, Review
of Higher Education and Research in Higher Education and Revista Complutense de
Educacin.
En 2009, el profesor Cabrera obtuvo un Fulbright award para conducir
investigacin y docencia en Brasil. El profesor Cabrera ha recibido diversos premios
por sus publicaciones sobre el papel del apoyo econmico al estudiante en la
permanencia en la universidad y tambin sobre los determinantes de desercin
escolar. El profesor Cabrera fue uno de los investigadores lderes del proyecto que
fund la IES titulado Dream Deferred que provey una revisin comprehensiva del
impacto del programa GEAR UP en la concientizacin y preparacin para la
universidad de los estudiantes de secundaria de bajos ingresos. Tambin fue uno de
los investigadores principales del projecto Diversity Institute, un proyecto que
financio el National Science Foundation (NSF) cuyo objetivo era crear practicas
educativas que incluyeran a todos los grupos minoritarios en los campos de ciencias,
matemticas y tecnologa STEM.
La Dra. Yadira Navarro es profesora-investigadora de tiempo completo en la
Facultad de Ciencias de la Electrnica de la Benemrita Universidad Autnoma de
Puebla, en donde coordina el curso de Desarrollo de habilidades del uso de la
tecnologa, la informacin y la comunicacin.
La Dra. Navarro es Doctora en Educacin Superior por la Universidad
Autnoma de Aguascalientes (UAA), Maestra en Calidad de la Educacin por la
Fundacin Universidad de la Amricas, Puebla (UDLAP) y Licenciada en Economa
por la misma institucin.
11
La Dra. Navarro se ha desempeado en la gestin universitaria en diversas

dependencias de la BUAP, como la Direccin General de Innovacin Educativa
(DGIE), Direccin General de Educacin Media Superior (DGEMS) en donde fungi
como Secretaria Acadmica y en el Centro de Investigaciones sobre Opinin (CISO)
de la Unidad de Asesores de Rectora. A nivel federal particip como Asesora de la
Secretara de Educacin Pblica (SEP) para la Reforma Integral de la Educacin
Secundaria (RIES).
Es miembro del consejo Mexicano de Investigacin Educativa (COMIE) desde
1999, y es fundadora de la Red de Investigaciones Interinstitucionales en Sistemas y
Ambientes Educativos (RIISAE).
Actualmente
la
Dra.
Navarro
forma
parte
de
dos
investigaciones
interinstitucionales en donde participan investigadores de las Universidades de

Veracruz, Estado de Mxico, Guadalajara y el Instituto Politcnico Nacional:
Calidad, evaluacin y acreditacin de la educacin mediada por las TIC y Entornos
virtuales de aprendizaje: Estado del conocimiento 2001-2010 .
Cuenta con publicaciones en los temas de acceso a la educacin secundaria
y gnero, intervencin sindical en la formacin de maestros, formacin docente en el
uso de tecnologa, seguimiento de egresados y trayectorias acadmicas.
El Dr. Wietse de Vries es profesor- investigador de tiempo completo y
Director de Gestin Acadmica en la Benemrita Universidad Autnoma de Puebla,
en Mxico, desde 1989. Tiene su doctorado (PhD) en Educacin en la Universidad
Autnoma de Aguascalientes (Mxico), su Maestra en Educacin en el
Departamento de Investigaciones Educativas del Instituto Politcnico Nacional
(Mxico), y la licenciatura en Trabajo Social en la Universidad de Horst en los Pases
Bajos.
Sus temas de investigacin incluyen el efecto de las polticas pblicas en las
universidades en diferentes pases, y el impacto que las universidades tienen sobre
los acadmicos, los estudiantes y el mercado laboral. Ha sido participante en varios
estudios comparativos internacionales sobre poltica educativa y la situacin de los
egresados en el mercado de trabajo. En la Benemrita Universidad Autnoma de
Puebla, es responsable del seguimiento de estudiantes y egresados.
El Dr. Wietse de Vries ha sido profesor visitante en la Pennsylvania State
University (Estados Unidos) y en la University of British Columbia (Canad). Tambin
12
ha sido catedrtico en la Universidad Iberoamericana y la Universidad Autnoma de

Tlaxcala, ambas en Mxico.
El profesor de Vries tambin ha colaborado como asesor o evaluador de
varias organizaciones gubernamentales y de universidades, tales como los
Ministerios de Educacin de Mxico, Bolivia, Chile y Argentina, y del Consejo de
Universidades de Blgica.
Ha publicado ms de cincuenta artculos en revistas educativas reconocidas
en Mxico, Amrica Latina y Europa y es miembro del consejo editorial de la Revista
Mexicana de Investigacin Educativa y la Revista Complutense de Educacin. Ha
dado conferencias en mltiples universidades y congresos. En Mxico, pertenece al
Sistema Nacional de Investigadores (SNI) desde 1995, actualmente en el nivel 2.
El Libro
El propsito de este libro consiste en familiarizar al lector con el uso del
programa SPSS 1 (Statistical Package for the Social Sciences) para Windows, de
modo que pueda experimentar y realizar anlisis adecuados para la investigacin
educativa con diversas tcnicas estadsticas.
El libro busca responder a una necesidad puntual: durante los ltimos aos,
las universidades de diversas partes del mundo han generado varias bases de datos
como resultado de procesos de evaluacin y acreditacin. Estas bases deberan
servir como fuente para la rendicin de cuentas al interior y hacia el exterior. Sin
embargo, en muchas ocasiones, las universidades carecen de una capacidad de
anlisis estadstico, para poder presentar resultados giles y fcilmente entendibles
hacia diversos sectores internos y externos. Mediante este libro ofrecemos una gua
bsica e intermedia a acadmicos y funcionarios.
En su forma original, este libro viene acompaado de dos talleres, uno de
nivel inicial, otro intermedio. No obstante, la organizacin de los apartados facilita el
autoaprendizaje. Adems, para fines prcticos, los autores han optado por incluir en
el texto tanto los trminos espaoles como los ingleses, ya que distintos usuarios
pueden tener una versin en cualquiera de estos dos idiomas.
En este libro se hace referencia a la versin 12 en ingls y a la versin 14 en espaol.
13
Organizacin del libro

La primera parte del libro, la seccin bsica, es de cinco apartados, donde se
discuten procedimientos bsicos que se usan frecuentemente en el contexto de la
administracin universitaria o la investigacin educativa. La idea principal es que si el
lector adquiere confianza con estos procedimientos, se le facilitar el uso del
programa SPSS con procedimientos ms avanzados. La primera parte se enfocar
en los aspectos generales del programa SPSS, as como sus aplicaciones, entre
otras, a como crear un banco de datos y como analizarlo. Tambin se incluye una
seccin sobre como capturar bancos de datos creados con Excel.
La segunda parte del libro (nivel intermedio), plantea cinco apartados
adicionales, que incluyen varios ejercicios aplicados de anlisis estadsticos basados
en la asociacin de variables (anlisis de correlaciones), anlisis de causa-efecto o
predictivo (regresin lineal), validacin y reduccin de nmero de variables (anlisis
factorial), y creacin de escalas (anlisis de confiabilidad).
El nfasis del libro no slo est en el aspecto tcnico del programa SPSS,
sino en la interpretacin, con el objetivo de reportar los resultados de la investigacin
en forma simplificada y con alto grado de confiabilidad y validez estadstica.
Idealmente, el lector del libro debe tener acceso a una computadora personal
con el programa SPSS (versin 12.0, 14.0 o 15.0 para Windows) instalado
previamente para practicar los procedimientos que se discuten. Este libro est
escrito de tal manera que permite practicar estos procedimientos en forma
independiente.
Prof.a Dr. Marilia Costa Morosini

Coord.a CEES/PUCRS
14
1 ASPECTOS GENERALES DE SPSS PARA WINDOWS

1.1 En qu consiste el programa SPSS?
El programa estadstico SPSS (Statistical Package for the Social Sciences) es
uno de los programas de mayor uso en los Estados Unidos de Norteamrica as
como en Amrica Latina. Los procedimientos estadsticos que incluye la versin 14.0
son de mucha utilidad para aquellas organizaciones que necesiten desarrollar y
subsecuentemente analizar bases de datos para aplicaciones prcticas o para
diversas necesidades de investigacin. Adems, la versin 14.0 ofrece diversas
posibilidades para crear vnculos con otros programas comunes tales como Microsoft
Word, Microsoft Excel, y Microsoft Power Point. Finalmente, SPSS permite manejar
bancos de datos de gran magnitud y tambin efectuar anlisis estadsticos muy
complejos
Familiarizarse con las diversas opciones y procedimientos estadsticos de un
programa como SPSS permite administrar bancos de datos de manera eficiente y
desarrollar perfiles de usuarios, hacer proyecciones y anlisis de tendencias que
permitirn planificar actividades a largo plazo y, en general, hacer un mejor uso de la
informacin capturada en forma electrnica.
1.2 Cules son los usos potenciales del programa SPSS?
SPSS le facilita crear un archivo de datos en una forma estructurada y
tambin organizar una base de datos que puede ser analizada con diversas tcnicas
estadsticas. A pesar de que existen otros programas (como Microsoft Excel) que se
utilizan para organizar datos y crear archivos electrnicos, SPSS permite capturar y
analizar los datos sin necesidad de depender de otros programas. Por otro lado,
tambin es posible transformar un banco de datos creado en Microsoft Excel en una
base de datos SPSS.
1.3 Qu tipo de anlisis estadsticos se pueden realizar con el programa

SPSS?
SPSS permite efectuar tanto anlisis estadsticos bsicos como avanzados.
En la mayor parte de las ocasiones, las organizaciones necesitan reportes
15
descriptivos del proyecto. Por ejemplo, una institucin que recolect informacin
sobre sus estudiantes querr tener un perfil del estudiantado que incluya una
descripcin del tipo de estudiante que asiste a la institucin, sus caractersticas de
edad, intereses, ingreso familiar, lugar de origen, etc. SPSS podr apoyar en el
desarrollo de este perfil a travs de diversos anlisis descriptivos bsicos de su base
de datos.
En otros casos, se comparan las caractersticas de dos o ms grupos con
respecto a diversas variables: por ejemplo, para saber si existe una diferencia en el
desempeo de los estudiantes segn su gnero. SPSS permite responder a esta
pregunta a travs de procedimientos ms avanzados como la Prueba-T. Igualmente,
si se quiere comparar el desempeo de estudiantes dependiendo de su nivel
socioeconmico, existen otros procedimientos para anlisis estadsticos como el
ONE-way ANOVA con el cual se pueden comparar ms de dos grupos.
1.4 Ventajas y desventajas del programa SPSS

SPSS 14.0 se desarroll en una forma que, aparentemente, es fcil de
navegar (user-friendly). El programa utiliza una serie de cuadros de dilogo (dialog
boxes) que permiten, en forma secuencial, determinar las acciones a tomar y
seleccionar aquellos anlisis tiles. Sin embargo, si el usuario no tiene experiencia
previa utilizando SPSS o si sus conocimientos de estadstica no estn actualizados,
es difcil discernir que opciones seleccionar. Esta caracterstica del programa puede
convertirse en una desventaja e inhibir al usuario.
Otro aspecto del programa que puede causar inconvenientes es el hecho de
que la mayora de los reportes de resultados contiene un nivel excesivo de
informacin que, ms que aclarar, confunde al usuario. En este libro nuestro objetivo
es minimizar el uso de trminos tcnicos y al mismo tiempo entrenar al usuario para
que reconozca los trminos estadsticos necesarios y descarte aquellos que no se
necesitan para su problema especfico. Desgraciadamente, el programa SPSS
incluye una gran cantidad de informacin en forma automtica (by default) que
distrae al usuario.
16
2 CREACIN DEL BANCO DE DATOS

2.1 Cmo tener acceso al programa SPSS para Windows?
Para tener acceso al programa SPSS proceda como se le indica a
continuacin.
1. Asegrese de que el programa SPSS para Windows est previamente
instalado en su computadora.
2. Seleccione el comando Start Inicio localizado en la esquina inferior izquierda
de su pantalla.
3. Oprima el botn izquierdo de su ratn y seleccione la opcin all programs
todos los programas y luego seleccione el programa SPSS.
4. Observe su pantalla y ver una figura (screenshot) con la leyenda: What
would you like to do? Qu quiere hacer? (Vea la figura 1). Para crear su
banco de datos proceda con los pasos que se discuten en la seccin 2.2 a
continuacin.
Figura 1: Pantalla SPSS con opcin Type in Data o Introducir datos
17
2.2 Captura de datos con SPSS

Para crear su base de datos tiene que tener acceso al editor de datos SPSS.
Para este propsito haga lo siguiente:
1. Seleccione la opcin Type in data Introducir datos tal como se observa en la
figura 1.
2. Seleccione la opcin Data View o vista de datos cuando aparezca la pantalla
del editor SPSS, tal como se observa en la figura 2.
3. Para crear el banco de datos utilice el teclado de nmeros y la tecla enter
despus de cada dato. Usted puede efectuar este proceso utilizando la
muestra de 20 casos que se incluye en el Apndice 1. Observe que esta
muestra incluye 20 casos y 5 variables. La informacin de cada caso se mete
en la computadora utilizando los renglones y la tecla tab, y el proceso se
repite a lo largo de los 20 casos. Cada columna representa una de las 5
variables. Cuando termine de meter los datos, su pantalla debe verse como la
figura 3.
4. Utilice la opcin save as o guardar como que se encuentra en el file option
de la barra del men (toolbar) para guardar los datos y asigne un nombre al
archivo para que pueda tener acceso a l subsecuentemente. Nosotros le
asignamos el nombre de muestra.sav
18
Figura 2: Pantalla del editor SPSS antes de introducir los datos
19
Figura 3: Pantalla del editor SPSS con muestra de 20 observaciones
20
2.3 Documentacin de datos en SPSS

Una vez que haya guardado los datos en un archivo SPSS, usted puede
documentar las variables en una forma mas especifica. Para esto, utilice la opcin
Variable View, Vista de variables. Puede tener acceso a esta opcin que se localiza
en la parte inferior izquierda de la pantalla SPSS. La opcin Variable View vista de
variables le permitir asignar un nombre ms descriptivo a las variables as como
documentar los niveles de las mismas; asignar missing values valores perdidos y
determinar el tipo de escala en que se encuentran las variables. A continuacin se
discute un ejemplo ms especfico. Para tener acceso a esta opcin haga clic en la
solapa Variable View vista de variables.
1. Cambio de nombre (Name). Como podr observar en la figura 3, las variables
tienen nombre genrico (VAR0001, VAR0002, VAR0003, VAR0004, VAR005).
Utilice esta opcin para asignar los siguientes nombres a cada variable.
Recuerde que tiene un lmite de 8 espacios.
VAR00001, substituya este nombre por gnero.
VAR00002, substituya este nombre por intento.
VAR00003, substituya este nombre por promedio.
VAR00004, substituya este nombre por prestigio.
VAR00005, substituya este nombre por persiste
2. Asigne niveles (Label, etiquetas). Con esta opcin usted puede asignar un
nivel ms descriptivo a sus variables ya que la opcin Name nombre no le
permite utilizar ms de 8 carcteres por variable. Utilice esta opcin y asigne
los niveles siguientes a las 5 variables de la muestra:
Gnero: Masculino o femenino
Intento: Intento de persistir/volver a matricularse
Promedio: Promedio de calificaciones
Prestigio: Grado de satisfaccin con el prestigio de la universidad
Persiste: Persistencia real en el semestre de otoo
3. Valores numricos. Con esta opcin usted puede asignar valores numricos a
todas sus variables categricas. Ejerza esta opcin asignando valores
numricos a las variables gnero, intento, prestigio y persiste como se
especifica a continuacin:
21
Gnero: Asigne el valor 1 en el cuadro value valor y escriba

masculino en el cuadro label etiqueta, luego haga clic en el botn add
agregar. Repita el mismo procedimiento asignando el valor 2 en el cuadro
value valor y escriba el trmino femenino en el cuadro label etiqueta,
haga clic en el botn add, agregar y luego haga clic en el botn OK
aceptar.
Intento: Asigne los valores del 1 (En desacuerdo total), 2 (En
desacuerdo), 3 (Neutral), 4 (De acuerdo), y 5 (Totalmente de acuerdo) para
describir los 5 niveles que puede tener la variable intento siguiendo el
proceso que utiliz para la variable gnero.
Prestigio: Asigne los valores del 1 (En desacuerdo total), 2 (En
desacuerdo), 3 (Neutral), 4 (De acuerdo), 5 (Totalmente de acuerdo) para
describir los 5 niveles que puede tener la variable prestigio siguiendo el
proceso que utiliz para la variable intento.
Promedio: No necesita asignar valores adicionales ni niveles para esta
variable ya que es una variable continua y est codificada en forma numrica.
Persiste: Asigne el valor 1 para el nivel persisti y el valor 0 para el
nivel no persisti, siguiendo el proceso que se utiliz para la variable gnero.
4. Missing values valores perdidos. Esta opcin le permite asignar un valor
alternativo cuando se encuentren celdas vacas en los datos. Los valores que
ms se utilizan para designar missing values valores perdidos son -9, 9,99,
999. Tambin puede utilizarse cualquier valor que est fuera de rango. Para
asignar estos valores coloque el cursor en la celda correspondiente y
seleccione el smbolo . Cuando aparezca el cuadro de dialogo (dialog
box), haga clic en el botn discrete missing values valores perdidos
discretos y asigne el valor correspondiente (i.e., -9, 9, 99 or 999). Cuando
termine de asignar los missing values valores perdidos discretos haga clic
en el botn OK, aceptar. Usted puede realizar esta opcin asignando
missing values a las cinco variables de la muestra como se indica a
continuacin:
Asigne el valor 5 como missing value para la variable promedio ya
que el rango usual de las calificaciones en los Estados Unidos es del 1 al 4.
Asigne el valor -9 para todas las otras variables.
22
Figura 3 a. Valores perdidos
5. Measure, Medida. Esta opcin le permitir especificar si la escala de la

variable es de tipo ordinal o nominal. Para este propsito, coloque el cursor en
la celda correspondiente y utilice el smbolo de flecha arrow e indique si la
variable es nominal u ordinal. En nuestro ejemplo, nosotros identificamos a la
variable gnero como nominal y a las variables intento, prestigio y persiste
como ordinales. La figura 4 muestra la pantalla SPSS despus de documentar
las variables utilizando las opciones que se discuten en este captulo: Name,
Nombre; Label, Etiqueta; Values, Valores; Missing, Perdidos y Measure,
Medida que forman parte de Variable View Vista de variables del editor
SPSS.
6. Save your file, Guardar archivo. Una vez que documente sus variables, no
olvide guardar las modificaciones a su base de datos SPSS en la carpeta
correspondiente. Para ello, seleccione la opcin file archivo en la barra de
herramientas, toolbar de SPSS y escoja la alternativa save as, salvar como.
23
24
Figura 4: Pantalla SPSS Con las 5 variables de la muestra despus de ser documentadas
con la opcin Variable View, vista de variables
25
3 ANLISIS DE DATOS I
Uno de los primeros procedimientos estadsticos que el investigador o
administrador debe realizar es la descripcin de los datos y la identificacin de
patrones bsicos de los mismos. El programa (software) SPSS contiene diversos
procedimientos que pueden utilizarse para tal efecto.
3.1 Estadsticas descriptivas

Dependiendo del tipo de variable, usted puede seleccionar entre los
procedimientos frecuencias (frequencies) o descriptivos (descriptives). El primer
procedimiento (frecuencias) se utiliza cuando sus variables son categricas o
nominales, por ejemplo, la variable gnero, que contiene solamente dos categoras
(masculino y femenino). El segundo procedimiento (descriptivos) se utiliza cuando
sus variables son de naturaleza continua como la variable promedio de
calificaciones.
SPSS tambin incluye el procedimiento tablas de contingencia (crosstabs).
Este procedimiento es muy til cuando se quiere crear una tabla de clasificacin con
dos o ms variables categricas. Por ejemplo, si usted quisiera clasificar a los
estudiantes que persistieron y al mismo tiempo quisiera saber el porcentaje de
persistencia por gnero, usted podra crear una tabla de contingencia de 2x2. A
continuacin se presentan ejemplos con cada una de estas opciones. Usted puede
practicar estos procedimientos con el archivo SPSS que cre, document y guard
con la muestra de 30 observaciones que se incluye en el Apndice 1 (muestra.sav).
En los ejemplos que se discuten a continuacin se utilizar este archivo.
3.2 Frecuencias
El procedimiento frecuencias se encuentra dentro de la opcin descriptive
statistics estadsticas descriptivas del men SPSS. Antes de activar este
procedimiento usted debe tener acceso a un archivo SPSS, como se describe a
continuacin:
26
Figura 5: Pantalla SPSS con opcin Open an Existing Data Source abrir un origen de datos
existente
1. Despus de activar el programa SPSS, elija la opcin open an existing data

source abrir un origen de datos existente como se muestra en la figura 5.
2. Despus de oprimir el botn OK aceptar, localice el archivo SPSS (muestra)
como se indica en la figura 6.
27
Figura 6: Cuadro de dilogo SPSS con opcin Open File, abrir archivo
3. En cuanto abra este archivo, usted tendr acceso a la pantalla SPSS con una
barra de opciones (figura 7). Elija la opcin Analyze > descriptive statistics >
frequencies, Analiza > estadsticas descriptivas > frecuencias
4. Enseguida aparecer la caja de dilogo con la opcin frequencies
frecuencias (ver figura 8).
28
Figura 7: Barra de opciones SPSS con opcin Analyze Analizar
29
Figura 8: Caja de dilogo con opcin frequencies frecuencias
5. Para analizar una variable mueva dicha variable con el botn de flecha al
cuadro Variable(s) tal como se indica en la figura 9.
6. Despus seleccione las estadsticas a estimar con el botn statistics
estadsticas que se encuentra en la parte inferior de la caja de dilogo.
30
Figura 9: Caja de dilogo con la variable gnero masculino o femenino
7. Cuando aparezca la caja de dilogo Frequencies: Statistics frecuencias:

estadsticas (figura 10) elija las estadsticas correspondientes y luego oprima
el botn continue, continuar.
31
Figura 10: Caja de dilogo Frequencies: Statistics frecuencias: estadsticas
8. Si usted quiere una grfica, regrese a la caja de dilogo (figura 9) y oprima el

botn charts, grficas.
9. Cuando aparezca la caja de dilogo Frequencies: Charts frecuencias:
grficas(figura 11) elija la opcin bar chart grfica de barras y luego el botn
continue, continuar
32
Figura 11: Caja de dilogo Frequencies: Charts, frecuencias: grficas
10. Para finalizar y conducir los anlisis oprima el botn OK, aceptar (figura 12).
Figura 12: Caja de dilogo con opcin OK aceptar para analizar los datos
33
11. Inmediatamente despus usted ver en la pantalla los resultados del anlisis
de frecuencias de la variable gnero masculino o femenino tal como aparece
en la figura 13.
Figura 13: Resultados del anlisis de frecuencias

34
3.3 Interpretacin de los resultados del anlisis de frecuencias

En esta seccin trataremos de simplificar la interpretacin de los resultados
SPSS. Como en otros programas, las tablas de resultados producidas por SPSS en
forma automtica contienen demasiada informacin. Dicha informacin puede
confundir al usuario. Para evitar confusiones, usted puede simplificar los resultados
limitndose a seleccionar nicamente las opciones que le interesen. En el caso del
anlisis de frecuencias la informacin que usted necesita se encuentra en las tablas
1 y 2 y en la grfica 1.
La tabla 1 le indica los valores mnimo y mximo as como el conteo total (N).
La tabla 2, le indica las frecuencias, dependiendo de los valores de la variable, as
como diversos porcentajes. De acuerdo con la informacin que se proporciona,
usted ver que de los 20 participantes, 11 (55%) pertenecen al gnero masculino y 9
(45%), al femenino. La grfica de barras (bar chart) le indica, descriptivamente, los
resultados de frecuencias, donde la proporcin de participantes del gnero
masculino, en este ejemplo, es mayor que la proporcin de participantes del gnero
femenino.
Tabla 1: Resumen estadstico

Estadsticas
Masculino o Femenino
N
Vlido
Missing
(perdido)
20
0
Mnimo
1.00
Mximo
2.00
35
Tabla 2: Resumen de frecuencias

Masculino o Femenino
Frecuencia
Valido Masculino
Porcentaje
Porcentaje
Porcentaje
vlido
acumulado
11
55.0
55.0
55.0
Femenino
45.0
45.0
100.0
Total
20
100.0
100.0
Grfica 1: Grfica de barras con frecuencias para la variable gnero
masculino o femenino
12
10
Frequency
0
masculino
femenino
3.4 Estadsticas descriptivas (promedios, desviacin estndar, mnimo y

mximo)
Adems de reportar el conteo de los participantes segn el gnero, usted
querr describir su muestra en trminos de otras variables. En el caso de una
universidad interesada en retener a los estudiantes, usted querr examinar el
promedio de calificaciones as como el grado de satisfaccin de los estudiantes.
Adems, usted puede capturar informacin sobre las intenciones de permanecer en
la universidad y volverse a matricular. Para ello puede utilizar el programa SPSS
36
para resumir esta informacin con el procedimiento descriptives,descriptivas, tal

como se indica a continuacin. 2
1. Despus de activar el programa SPSS, elija la opcin open an existing
data source, abrir un origen de datos existente.
2. Despus de oprimir el botn OK, aceptar localice el archivo SPSS
(muestra).
3. En cuanto abra este archivo, tendr acceso a la pantalla SPSS con una
barra de opciones. Elija la opcin Analize (descriptive statistics). Analizar
(estadsticas descriptivas)
4. Enseguida aparecer la caja de dilogo con la opcin descriptives
descriptivos (ver figura 14).
Figura 14: Caja de dilogo con la opcin descriptives descriptivos
5. Transfiera las variables que desee analizar al cuadro variable(s) (figura

15) utilizando el botn que se encuentra en medio de los cuadros en la
direccin de la flecha (derecha > para transferir al cuadro variable(s) e
izquierda < para mover al cuadro original).
Si usted no recuerda como abrir su archivo, revise las Figuras 5, 6 y 7 de la seccin 3.2. La nueva
figura correspondiente es la 14.
37
Figura 15: Caja de dilogo con 3 variables transferidas
6. Verifique sus opciones utilizando el botn options, opcionesy seleccione

las opciones correspondientes tal como se indica en la caja de dilogo
Descriptives: Options descriptivas: opciones (figura 16). Oprima el botn
continue, Continuar.
Figura 16: Caja de dilogo Descriptives: Options, descriptivas: opciones
7. Para continuar con el anlisis apriete el botn OK, aceptar (figura 17).
38
Figura 17: Caja de dilogo Descriptives, descriptivas
8. Despus de apretar el botn OK, aceptar los resultados del anlisis

aparecern en su pantalla (figura 18).
39
Figura 18: Pantalla SPSS con resultados del anlisis de estadsticas
40
3.5 Interpretacin de resultados del anlisis de estadsticas descriptivas

Los resultados del anlisis de estadsticas descriptivas para las 3 variables
seleccionadas: intento de persistir/volverse a matricular, promedio de calificaciones y
grado de satisfaccin con el prestigio de la universidad se proporcionan a travs de
una tabla que usted puede copiar y trasladar directamente del programa SPSS a su
procesador Microsoft Word (tabla 3). En esta tabla la informacin se presenta a
travs de columnas por cada variable enlistada. La primera columna (N) se refiere a
los casos vlidos por cada variable. La segunda y tercera columnas le indican el
valor mnimo y mximo. Estos rangos le permitirn determinar si sus variables fueron
ledas correctamente por la computadora. La cuarta columna seala el promedio de
cada variable de acuerdo a la escala que utiliz. La quinta columna muestra la
desviacin estndar, que es un ndice estadstico de dispersin.
Tabla 3: Estadsticas descriptivas para 3 variables de la muestra

Descriptive Statistics Estadsticas descriptivas
Minimum
Maximum
Mean
Std. Deviation
mnimo
mximo
media
Desviacin estndar
20
4.00
5.00
4.6500
.48936
19
1.75
3.64
2.6837
.47940
19
1.00
5.00
3.8947
1.14962
Intento de
Persistir/volver a
matricularse
Promedio de
calificaciones
Grado de satisfaccin
con el prestigio de la
universidad
Valid N (listwise)
Muestra vlida
18
3.6 Tablas de contingencia

Este procedimiento se utiliza para construir una tabla de clasificacin de dos o
ms variables. En estadstica, esta tabla se llama tabla de contingencia. El
programa SPSS permite construir esta tabla siempre y cuando sus variables sean de
naturaleza categrica y no contina. Primero, desarrollaremos una tabla de
clasificacin de dos variables con 2 categoras cada una. sta se referir como la
41
opcin 2 x 2. Despus desarrollaremos una tabla de contingencia de 2 x 2 x 5. En

este caso dos variables tienen 2 categoras (gnero y persistencia) y la otra variable
tiene 5 categoras (prestigio).
3.6.1 Construyendo una tabla de contingencia 2 x 2

Para construir una tabla de contingencia 2 x 2 utilizando el programa SPSS
siga los pasos siguientes. 3

data source.
2. Despus de oprimir el botn OK, localice el archivo SPSS (muestra).
3. En cuanto abra este archivo, usted tendr acceso a la pantalla SPSS con
una barra de opciones. Elija la opcin Analize > descriptive statistics >
crosstabs. Analizar > estadsticas descriptivas > tabla de contingencia
4. Enseguida aparecer la caja de dilogo con la opcin Crosstabs tabla de
contingencia (vea figura: 19).
Si usted no recuerda como activar el programa SPSS, consulte las figuras 5, 6 y 7 de la seccin 3.2
42
Figura 19: Caja de dilogo con la opcin Crosstabs, tablas de contingencia
5. A continuacin, seleccione las variables de inters. En este ejemplo

construiremos una tabla de clasificacin para las variables gnero y
persistencia. Para escoger estas dos variables, transfiralas del cuadro de
la izquierda al de la derecha; primero la variable gnero y depostela en
el cuadro con el nivel row (rengln) y la segunda variable persiste en el
cuadro con el nivel Column(s) (columna), como se observa en la Figura
20.
43
Figura 20: Caja de dilogo Crosstabs, tablas de contingencia con 2 variables

seleccionadas
6. A continuacin seleccione la opcin statistics estadsticas que se

encuentra en la parte de abajo y marque la opcin Chi-square Chicuadrada. Esta es una estadstica que le permitir determinar el grado de
independencia de las 2 variables. Para continuar con el anlisis oprima la
opcin continue continuar, tal como se observa en la Figura 21.
44
Figura 21: Caja de dilogo Crosstabs, tabla de contingencia con la opcin Chi-square Chi
cuadrada
7. Despus de oprimir el botn continue, continuar el programa lo regresar

a la caja de dilogo anterior y usted deber oprimir el botn OK aceptar
para continuar con el anlisis como se observa en la figura 22.
45
Figura 22: Caja de dilogo Crosstabs, tabla de contingencia
8. Despus de unos segundos la computadora le proporcionar el resultado

del anlisis y le mostrar la tabla de contingencia tal como se observa en
la figura 23.
46
Figura 23: Resultado del anlisis Crosstabs para una tabla de contingencia de 2 variables
(2 x 2)
47
3.6.2 Interpretacin de resultados de la tabla 2 x 2

Los resultados que provee el programa SPSS contienen a menudo ms
informacin de la necesaria. En este caso, la primera tabla que aparece en la figura
23 se refiere al resumen de casos. Las otras dos tablas incluyen la tabulacin de las
variables (tabla 4) y el resultado del anlisis estadstico de independencia de
variables (Chi-square, Chi-cuadrada. Vea tabla 5). Como se observa en la tabla 4,
de los 20 estudiantes de nuestra muestra, hubo 11 hombres y 9 mujeres. De estos, 3
hombres no continuaron sus estudios, en tanto que 8 hombres y 9 mujeres si
persistieron. La tasa de persistencia de los estudiantes de gnero femenino fue
mayor que la de los estudiantes de gnero masculino.
Tabla 4: Tabulacin de las variables gnero y persistencia en el semestre de otoo

persistencia real en el semestre de otoo
masculino o
masculino
femenino
femenino
Total
Total
no persisti
persisti
11
17
20
El ndice estadstico Chi-square Chi-cuadrada le permite conducir una

prueba de independencia de variables que es necesaria para interpretar los
resultados de la tabla de clasificacin. De la informacin que provee el programa
SPSS, el ndice de independencia se encuentra en el primer rengln de la tabla 5
(Pearson Chi-Square). Para interpretar este ndice usted necesita verificar el valor de
la columna 1 (value), el de la columna 2 (df, grados de libertad) y el de la columna 3
(asymp. Sig (2-sided). Con estos ndices, usted determinar si las variables cumplen
con el requisito de independencia estadstica. El ndice ms importante es el de la
columna 3 (asymp. Sig) que en estadstica se refiere como el valor p. En general un
valor p menor de .05 se considera significativo y un valor mayor de .05 no
significativo. En este caso el valor es mayor a .05 (.089), con lo cual se concluye que
la prueba Chi-square Chi cuadrada no fue significativa y por lo tanto, las variables
s son independientes. Los otros ndices que provee el programa SPSS pueden
48
utilizarse para comparaciones estadsticas ms avanzadas que no son el motivo de

este apartado (Cf. Field, 2005).
Tabla 5: Prueba Chi-square de independencia de variables

Pearson ChiSquare
Continuity
Correction
Likelihood
Ratio
Value
df
Asymp. Sig. (2-sided)
2.888
.089
1.145
.285
4.017
.045
Fisher's Exact
Test
Exact Sig. (2-sided)
Exact Sig. (1-sided)
.218
.145
Linear-byLinear
2.743
.098
Association
N of Valid
Cases
20
A. Computed only for a 2x2 table. Considerado slo para una tabla de contingencia de 2x2
B. 2 cells (50.0%) have expected count less than 5. The minimum expected count is 1.35. 2 celdas
tienen valores menores a 5. El mnimo esperado es 1.35
3.6.3 Tablas de contingencia con 3 variables categricas

Para crear una tabla de clasificacin con 3 variables categricas siga los
pasos que se indican en el procedimiento 3.6.1 (figuras 19 y 20) y despus
seleccione la tercera variable y depostela en la caja con el nivel Layer 1 of 1 Nivel 1
de 1 como se indica en la figura 24. Despus seleccione la opcin statistics
estadsticas y marque la opcin Chi-square Chi cuadrada y luego oprima el botn
continue continuar y luego OK aceptar, tal como lo hizo para la tabla de
contingencia 2 x 2 (figuras 21 y 22). Si usted seleccion las opciones adecuadas
podr ver en su pantalla SPSS el resultado del anlisis de contingencia con 3
variables como se observa en la figura 25.
49
Figura 24: Caja de dilogo Crosstabs, tabla de contingencia con 3 variables seleccionadas
50
Figura 25: Resultado del anlisis de tablas de contingencia para 3 variables categricas
51
3.6.4 interpretacin de resultados de la tabla de contingencia de 3 variables

La primera tabla que aparece en el resumen de resultados le indica el conteo
de estudiantes. La segunda y tercera (tablas 6 y 7) le ayudarn a entender como
estn clasificados. La tabla 6 le indica que, aun cuando el grado de satisfaccin con
el prestigio de la universidad vara entre los estudiantes, la mayora de ellos en
nuestra muestra (16/19) persistieron y slo 3/19 abandonaron. Los 3 estudiantes que
no persistieron eran del gnero masculino.
Como puede observar, una tabla de contingencia le permite obtener
informacin adicional para describir los patrones que siguen los estudiantes de su
muestra. En cuanto al anlisis de independencia de variables Chi-square Chicuadrada, como usted puede observar por medio del valor p (.15), ste no fue
significativo, con lo que puede concluir que las 3 variables analizadas cumplieron el
requisito de independencia estadstica. En algunas categoras, usted observar que
no se estim el valor p, ya que no haba suficientes observaciones (menos de 5 por
celda). En la vida real y con muestras ms numerosas, usted podr obtener pruebas
de independencia Chi-cuadrada para los diferentes niveles de las variables
categricas.
52
Tabla 6: Persistencia real en el semestre de otoo y grado de satisfaccin con el

prestigio de la universidad
persistencia real en el
grado de satisfaccin con
universidad
no persisti
masculino o
En desacuerdo total
femenino
masculino
Total
masculino o
en desacuerdo
femenino
masculino o
femenino
masculino
femenino
masculino
femenino
masculino
Total
masculino o
femenino
De acuerdo
masculino
femenino
Total
masculino o
femenino
Totalmente de acuerdo
Total
persisti
Total
Neutral
Total
semestre de otoo
el prestigio de la
53
Tabla 7: Prueba Chi-cuadrada de independencia estadstica

grado de satisfaccin con el
Value
prestigio de la universidad
En desacuerdo total
en desacuerdo
Neutral
Pearson Chi-Square
N of Valid Cases
Pearson Chi-Square
N of Valid Cases
Pearson Chi-Square
N of Valid Cases
Exact
Sig. (2-
Sig. (2-
Sig. (1-
sided)
sided)
sided)
2.057
.151
Continuity Correction
.394
.530
2.805
.094
Fisher's Exact Test

Linear-by-Linear
Association
Totalmente de acuerdo
Exact
Pearson Chi-Square
Likelihood Ratio
De acuerdo
df
Asymp.
.444
1.829
N of Valid Cases
Pearson Chi-Square
N of Valid Cases
.278
.176
A. Computed only for a 2x2 table (Considerado solo para una tabla de 2x2)
B. No statistics are computed because masculino o femenino and persistence real en el semestre de
otoo are constants. (No se calcularon estadsticas porque masculino, femenino y persistencia real en
el semestre de otoo son constantes)
C. No statistics are computed because persistencia real en el semestre de otoo is a constant. (No se
calcularon estadsticas porque persistencia real en el semestre es constante)
D. 4 cells (100.0%) have expected count less than 5. The minimum expected count is .89. (4 celdas
(100%) tienen un valor esperado menor a 5. El valor mnimo esperado es de .89)
54
4 ANLISIS DE DATOS II
4.1 Prueba-T (T-Test) para 2 grupos independientes
La prueba-T (T-Test) se utiliza para determinar si existen diferencias
significativas entre 2 grupos de participantes. Por ejemplo, si usted desea comparar
el rendimiento acadmico de un grupo de estudiantes y determinar si existe una
diferencia entre hombres y mujeres, la prueba-T le permitir efectuar esta
comparacin. Para activar este anlisis utilizando el programa SPSS, utilice el
procedimiento independent samples T-test, muestras independientes, prueba-T
Usted puede seleccionar esta opcin siguiendo los pasos que se enlistan:

data source abrir un origen de datos existente.
2. Despus de oprimir el botn OK continuar, localice el archivo SPSS
(muestra).
3. En cuanto abra este archivo, usted tendr acceso a la pantalla SPSS con
una
barra
de
opciones.
meansindependent-samples
Elija
la
opcin
T-Test.
Analizecompare
Analizarcomparar
mediasPrueba T para muestras independientes. Si eligi bien,

aparecer una caja de dilogo como la que aparece en la figura 26.
55
Figura 26: Caja de dilogo con opcin Independent-Samples T-Test, Prueba-T para
muestras independientes
4. Seleccione la variable que desee analizar (promedio acadmico) y

transfirala desde la ventana izquierda a la derecha en la caja con nivel
Test Variable(s). Contrastar variables. La variable a analizar debe ser
continua y no categrica.
5. Para transferir la variable utilice el botn
tal como se observa en la
figura 27.
6. A continuacin, transfiera la variable gnero a la caja con nivel grouping
variable. agrupacin de variables, esta variable debe ser categrica.
Como observar en la figura 27, la variable gnero tiene 2 signos de
interrogacin. Esto le indica que antes de continuar con el anlisis debe
definir los grupos. Para ello, seleccione el botn define groups definir
56
grupos que se localiza debajo de la caja donde seleccion la variable

gnero (vea la Figura 27) y asigne el valor 1 para el grupo 1 (hombres) y
el valor 2 para el grupo 2 (mujeres). Despus seleccione el botn
continue, continuar (vea la figura 28).
Figura 27: Transferencia de variables
Figura 28: Definiendo grupos
57
7. Para correr el procedimiento independent-samples T-test, prueba-T para

muestras independientes presione el botn options opciones y elija el
tratamiento de missing values valores perdidos; para maximizar la
utilizacin de la informacin. Seleccione la opcin exclude cases by
analysis excluir casos segn anlisis (figuras 29 y 30). Despus oprima
el botn continue continuar que lo regresar a la pantalla original.
Despus oprima el botn OK aceptar para correr el anlisis. Si usted
sigui todos los pasos, despus de unos segundos obtendr los
resultados, tal como aparecen en la figura 31.
Figura 29: Caja de dilogo con opcin Independent-Samples T-Test
58
Figura 30: Opcin missing values valores perdidos
59
Figura 31: Pantalla de resultados SPSS para la prueba-T
60
4.3.1 Interpretacin de resultados de la prueba-T (T-Test) para 2 grupos

independientes
El paquete estadstico SPSS provee los resultados de la prueba-T en dos
tablas. La primera tabla (vea tabla 8) le indica el promedio de la variable para cada
nivel que usted indic en el grouping variable variable de agrupacin. En este caso
le proporciona el promedio de calificaciones/desempeo para el grupo 1 (masculino)
y el grupo 2 (femenino). El resumen estadstico le indica que el promedio de
calificaciones del grupo masculino fue 2.549 en una escala de 0 4 y el del grupo
femenino fue 2.833 en la misma escala (vea la tabla 8). Adems del promedio
(mean), la tabla le proporciona otras estadsticas descriptivas como la desviacin
estndar (std. Deviation) y el error estndar (std. Error mean). Estos ndices sern
utilizados despus para la prueba estadstica.
Tabla 8: Estadsticas descriptivas de las variables de la prueba T, Group Statistics

masculino o
femenino
Mean
Std. Deviation
Std. Error Mean
promedio de
Masculino
10
2.5490
.52632
.16644
calificaciones
Femenino
2.8333
.39699
.13233
A pesar de que existe una diferencia entre el promedio de hombres y mujeres,

donde las mujeres tienen un promedio mas alto que los hombres (diferencia
promedio es -.28 a favor de las mujeres), la prueba-T le permite determinar si esta
diferencia es significativa desde un punto de vista estadstico. La tabla 9 le
proporciona esta informacin. El programa SPSS le permite obtener el resultado de
esta prueba a travs del ndice estadstico t. Para interpretar este ndice, usted
necesita revisar la informacin en la columna df y el valor p que se enlista en la
columna sig (2-sided). El valor t (-1.317) y el nmero df=17 son esenciales para
estimar el valor, que en este caso proporciona el programa SPSS. Como se discuti
en el anlisis de tablas de contingencia, un valor p menor the .05 se considera
significativo desde un punto de vista estadstico. En este caso, el valor p de esta
prueba es .205, por lo cual usted puede concluir que no es significativa. Esto indica
que la diferencia en el promedio de calificaciones entre hombres y mujeres no es
significativa desde un punto de vista estadstico.
61
La prueba-T es de mucha utilidad para realizar comparaciones de diversas

variables entre dos grupos. Adems del promedio de calificaciones, usted puede
detectar si hay diferencias significativas en otras reas de inters para la institucin.
Tabla 9: Prueba-T, estadsticas

Levene's Test for
t-test for Equality of Means
Equality of Variances
Prueba-T para igualdad de medias
Test de Levene para

igualdad de varianzas
F
Sig.
Df
Sig. (2- Mean

tailed)
Std. Error
95% Confidence Interval
Difference Difference of the Difference

Lower
Upper
Equal
Promedio variances
1.986
.177
-1.317 17
.205
-.2843
.21591
-.73986
.17120
-1.337 16.540 .199
-.2843
.21263
-.73390
.16523
assumed
de
calificacio Equal
nes
variances not
assumed
4.3.2 One-way ANOVA: Anlisis de varianza para ms de 2 grupos

El procedimiento One-Way ANOVA, Anlisis de varianza para ms de dos
grupos se utiliza cuando se quiere comparar informacin entre ms de dos grupos.
En nuestro ejemplo, usted puede utilizar este procedimiento para determinar si el
promedio de calificaciones vara dependiendo del grado de satisfaccin del
estudiante con el prestigio de la universidad. Para correr este procedimiento
utilizando el programa SPSS siga los pasos siguientes:
1. Despus de activar el programa SPSS, elija la opcin open an existing data
source , abrir un origen de datos existente
2. Despus de oprimir el botn OK, aceptar localice el archivo SPSS (muestra).
3. En cuanto abra este archivo, usted tendr acceso a la pantalla SPSS con una
barra de opciones. Elija la opcin Analizecompare meansOne-Way
ANOVA Analizar comparar medias varianza. Si eligi bien, aparecer
una caja de dilogo como la que aparece en la figura 32.
62
Figura 32: Caja de dialogo One-Way ANOVA. Anlisis de varianza
1. A continuacin, seleccione la variable dependiente (promedio de

calificaciones) y trasfirala a la caja que dice Dependent List lista de
variables dependientes utilizando el botn
(vea la figura 33).
63
Figura 33: Caja de dilogo con variable promedio de calificaciones
2. A continuacin, seleccione la variable independiente (prestigio de la

universidad) y trasfirala a la caja que dice Factor (vea figura 34).
64
Figura 34: Seleccin de variable independiente
3. Utilice el botn Options opciones para indicar a la computadora si existen

missing values valores perdidos y cmo tratarlos (vea la figura 35).
Tambin puede estimar otros ndices estadsticos. Seleccionaremos la
opcin descriptive descriptivas para obtener promedios de la variable
dependiente (promedio de calificaciones) a travs de los diversos niveles
de la variable independiente (prestigio de la universidad). En este caso se
eligi la opcin Exclude cases anlisis by anlisis excluir casos segn
anlisis que maximiza la utilizacin de los datos.
65
Figura 35: opcin missing values valores perdidos
4. Oprima el botn continue, continuar y luego que aparezca la caja de

dialogo (vea la figura 36), oprima el botn OK, aceptar
66
Figura 36: Caja de dilogo para anlisis de varianza One-Way ANOVA
5. Despus de unos segundos, el programa SPSS correr el anlisis y usted

ver los resultados en su pantalla (vea la figura 37).
67
Figura 37: Pantalla de resultados SPSS para anlisis de varianza One-Way ANOVA
68
4.4 Interpretacin de los resultados del anlisis de ms de dos grupos con

One-Way-ANOVA
El programa SPSS le proveer la informacin requerida dependiendo de las
opciones que usted seleccion. En nuestro ejemplo, se obtuvieron dos tablas, una
con los resultados del anlisis de varianza One-way ANOVA y la segunda con las
estadsticas descriptivas de los niveles de las variables (vea las tablas 10 y 11).
Tabla 10: Resultados del anlisis de varianza One-Way ANOVA, Promedio de

calificaciones
Sum of Squares
Suma de los
cuadrados
Between Groups (entre
grupos)
Within Groups (al interior
de los grupos)
Total
Df
Grados
de
libertad
Sig.
Mean Square
Cuadrado de
la Media
1.303
.326
2.824
13
.217
4.127
17
Signific
ancia
(p)
1.499
.259
La tabla 10 despliega los resultados del anlisis de varianza One-Way

ANOVA. El ndice clave que debe examinarse se conoce como la prueba F (F-test).
La interpretacin de este ndice estadstico es similar a la interpretacin de la
prueba-T para 2 grupos. Usted debe determinar si existe una diferencia significativa
entre los diversos niveles de la variable independiente, para lo cual el programa
SPSS utiliza la informacin en las columnas denominadas df, F y sig (o valor p).
Para ser significativo, el ndice F debe tener un valor estadstico (o valor p) menor de
.05. Este valor se despliega en la columna denominada Sig. En este ejemplo, el
ndice F (1.499) tiene un valor p de .259 que es mayor de .05, por lo tanto no es
significativo. Esto significa que la percepcin de los estudiantes sobre el prestigio de
la universidad no tiene un efecto significativo en su desempeo, medido a travs de
su promedio de calificaciones.
La tabla 11, despliega las estadsticas descriptivas del desempeo de los
estudiantes de acuerdo a como percibieron el prestigio de la universidad.
69
Tabla 11: Promedio de calificaciones de acuerdo a percepciones sobre prestigio de

la universidad
N
Mean
Std.
Std. Error
95% Confidence Interval for Minimum Maximum
media Deviation Error
Mean
Desviacin estndar
mnimo
mximo
Intervalo de confianza para la
estndar
media
Lower Bound
Upper Bound
Rango inferior
Rango
superior
En
desacuerdo1
2.7900
2.79
2.79
total
En desacuerdo
3.3300
.43841
.31000
-.6089
7.2689
3.02
3.64
Neutral
2.1400
2.14
2.14
De acuerdo
2.6875
.35955
.12712
2.3869
2.9881
1.88
2.97
Totalmente
de6
2.5200
.58774
.23994
1.9032
3.1368
1.75
3.35
2.6783
.49271
.11613
2.4333
2.9234
1.75
3.64
acuerdo
Total
70
18
5 SPSS Y EXCEL
El programa SPSS es muy verstil y permite tener acceso a bancos de datos
creados originalmente con este programa y tambin trabajar con bancos de datos
que han sido originados en otros programs de uso comn. En esta seccin se
demostrar como un banco de datos originalmente creado con el programa Microsoft
Excel puede ser capturado y convertido en un banco de datos con formato SPSS.
5.1 Conversin de banco de datos Excel a banco de datos SPSS

Para convertir un archivo creado con el programa Microsoft Excel en un
archivo con formato SPSS siga los siguientes pasos:
1. Asegrese de que el programa SPSS para Windows est previamente
instalado en su computadora.
2. Seleccione el comando Start iniciar localizado en la esquina inferior
izquierda de su pantalla.
3. Oprima el botn izquierdo de su ratn y seleccione la opcin all programs
todos los programas y luego seleccione el programa SPSS.
4. Observe su pantalla y ver una figura con la leyenda: What would you like to
do? Qu desea hacer? (figura 38).
5. Oprima el botn OK aceptar y luego obtendr otra pantalla (figura 39).
6. Para localizar su archivo Excel haga lo siguiente:
Localice el flder que contiene el archivo de inters y asegrese de que

el archivo aparece en la caja denominada look in ver en en la ventana
denominada open file, abrir archivo.
Seleccione la opcin Excel {*.xls} en la caja con el titulo files of type,

archivos de tipo localizada abajo de la caja con la leyenda file name,
nombre de archivo.
Localice el archivo Excel y asegrese de que aparece en la caja debajo

de la leyenda look in (en nuestro caso el nombre del archivo es
muestra11).
Transfiera el archivo Excel a la caja denominada file name nombre de

archivo que se localiza en la parte de abajo de la figura 39.
71
Oprima el botn open abrir que se localiza a la derecha de la caja

denominada file name. Enseguida aparecer la caja de dilogo con la
leyenda Opening file options opciones para abrir archivos (figura 40).
72
Figura 38: Pantalla SPSS inicial

73
Figura 39: Pantalla SPSS para tener acceso a su archivo Excel
74
Figura 40: Opening File Options Opciones de apertura de archivos
Para transformar el archivo Excel a un archivo SPSS seleccione la opcin

read variable names from the first row of data leer nombre de variables desde la
primera fila (figura 40). Esta opcin le permitir conservar el nombre original de las
variables de acuerdo al nmero mximo de parmetro permitido en SPSS. Deje la
opcin range rango en blanco. Esto le asegurara que todas las variables sean
transferidas al archivo SPSS.
Oprima el botn OK, aceptar. El proceso de conversin le llevar unos
segundos. Primero ver brevemente una pantalla en blanco del editor SPSS e
inmediatamente obtendr una pantalla con los nombres de las variables (figura 41).
Para asegurarse que el proceso fue exitoso, oprima el smbolo X ubicado en
la parte de arriba de su pantalla SPSS, a la derecha, para salirse de esa pantalla.
Si el proceso fue exitoso, obtendr dos pantallas, una con los datos en
formato SPSS (data list figura 42) y otra con la lista de variables con documentacin
SPSS (variable list figura 42).
75
Figura 41: Pantalla SPSS despus del proceso de conversin de Excel a SPSS
76
Figura 42: Lista de datos convertidos en archivo SPSS
77
Figura 43: Pantalla con documentacin de datos SPSS Variable View vista de variables
78
El ltimo paso en el proceso de conversin consiste en guardar su archivo.

Este es un paso muy importante. Para guardar su archivo debe seleccionar la opcin
file archivo que se ubica en la barra de comandos SPSS.
Utilice la opcin save data as guardar como (figura 44), guarde el archivo en
el flder correspondiente utilizando la opcin save in guardar en y asgnele un
nombre en la caja denominada File name nombre de archivo. Asegrese de que la
caja save as type guarda como tipo, indica que su archivo tiene formato SPSS y
luego oprima el botn save guardar, localizado a la derecha de la caja denominada
file name. Si el proceso fue exitoso, usted podr tener acceso a su nuevo archivo
con el programa SPSS.
79
Figura 44: Pantalla SPSS para guardar su archivo transformado SPSS
80
6 ANLISIS DE CORRELACIONES
El anlisis de correlaciones es muy til para el investigador o administrador.
Muchas veces levantamos encuestas con el propsito de determinar si existe alguna
relacin o asociacin entre diversas variables de inters. El anlisis de correlaciones
simple le permitir determinar si dichas variables estn asociadas antes de continuar
con un anlisis ms sofisticado de causa-efecto. Posteriormente se cubrir el tpico
de cmo realizar un anlisis de causa- efecto utilizando el programa SPSS.
El anlisis de correlaciones tambin constituye un insumo fundamental para
realizar diversos anlisis estadsticos ms avanzados como el anlisis factorial y el
anlisis de confiabilidad. Estos anlisis son utilizados por los investigadores para
determinar la validez y confiabilidad de las encuestas de actitud. En esta parte
revisaremos dos de estas tcnicas
6.1 Supuestos estadsticos del anlisis de correlaciones

El anlisis de correlaciones descansa en diversos supuestos estadsticos.
Quizs los ms importantes se refieren al tipo de variable y tipo de distribucin de
variables de la muestra. El anlisis ms comn es el anlisis de correlacin de
Pearson (Pearson product moment correlacion coefficient). Este tipo de anlisis
presupone que las variables son ordinales o continuas y que la distribucin de estas
variables se acerca a la distribucin normal (Bell shape curve o curva de campana).
Es aconsejable que antes de proceder al anlisis de correlacin de las variables, el
investigador estime las estadsticas descriptivas correspondientes para determinar si
se cumplen estos supuestos.
6.2 Descripcin de la muestra UH File

En esta seccin utilizaremos como muestra, un archivo denominado UH file
que contiene informacin sobre un grupo de estudiantes de una universidad del sur
de los Estados Unidos de Norteamrica (N=466). Estos estudiantes participaron en
una encuesta sobre diversos factores que podran afectar su desempeo y su
permanencia en la universidad.
81
6.3 Anlisis exploratorio

Para esta parte hemos elegido un grupo de 10 variables. Estas variables
corresponden a diversas preguntas que se desarrollaron para medir el constructo de
Lealtad a la Institucin (Institutional Commitment). En teora, si estas preguntas
reflejan partes del mismo constructo/dimensin, entonces debiera existir una
correlacin entre las mismas. Antes de conducir el anlisis de correlaciones,
revisaremos los supuestos estadsticos a travs de un anlisis de estadsticas
descriptivas, como se indica a continuacin. Para conducir el anlisis exploratorio
haga lo siguiente:
1. Active el programa SPSS y localice el archivo UH file ( Figura 45);

2. Revise la vista de variables y verifique que las variables a analizar estn
enlistadas (Figura 46);
3. Elija la opcin del anlisis de estadsticas descriptivas utilizando los
comandos anlisis->descriptivos->frecuencias ( Figura 47);
4. Traslade las variables siguientes a la ventana de variable(s): q61, q30, q33,
q76, q58, q68, q35, q62, q63, q48 (Figura 48);
5. Seleccione las siguientes opciones en el botn de estadsticas: media,
desviacin estndar, mnimo y mximo, luego presiona continuar (Figura 49);
6. Seleccione las siguientes opciones en el botn charts: histograma, with
normal curve, luego contine (Figura 50).
7. Consulte el reporte completo de resultados que se encuentra en el apndice
(vea la figura 51) para un reporte simplificado.
6.3.1 Interpretacin
El anlisis exploratorio le permitir determinar si la computadora ley sus
variables apropiadamente (revise mnimos y mximos, promedios, desviaciones
estndar y frecuencias). Si estos ndices son adecuados, proceda a revisar los
histogramas con la curva normal sobrepuesta en los diagramas. Existe alguna
desviacin significativa de la distribucin normal? En este caso, todas las variables
seleccionadas parecen cumplir con los supuestos estadsticos de distribucin normal
y de tipo de variable ordinal (consulte el reporte de resultados en el apndice 2 y la
82
figura 51). Usted puede continuar con el anlisis de correlaciones con la confianza
de que sus variables cumplen con los requisitos estadsticos necesarios para el
anlisis.
83
Figura 45: abrir el archivo UH
84
Figura 46: Vista de variables
85
Figura 47: Opcin frecuencias
86
Figura 48: Opcin frecuencias con variables seleccionadas
87
Figura 49: Opcin frecuencias con seleccin de estadsticas
Figura 50: Opcin frecuencias con histograma seleccionado

88
Figura 51: Reporte de resultados exploratorios simplificado
89
Elegir la UH fue la decisin correcta
RIGHT DECISION IN CHOOSING UH

200
Frequency
100
Std. Dev = .97

Mean = 3.8
N = 466.00
0
1.0
2.0
3.0
4.0
5.0
Figura 52: Ejemplo de histograma con curva normal de variables de la muestra
6.4 Anlisis de correlaciones

Una vez que haya verificado los supuestos estadsticos de las variables podr
continuar con el anlisis de correlaciones. Para ello siga los siguientes pasos:
1. Active el programa SPSS y seleccione la opcin analizar->correlaciones>

bivariadas (Figura 53).
2. Traslade las variables siguientes a la ventanilla de variables, con el botn de
flecha: q61, q30, q33, q76, q58, q68, q35, q62, q63, q48 (Figura 54)
3. Seleccione la opcin Pearson, two-tailed y Flag significant correlations,
Pearson Bilateral correlaciones significativas, luego oprima el botn
opciones (Figura 55);
4. Seleccione la opcin: Medias y desviacin estndar y la opcin excluye
casos por pares (exclude missing values pairwise), luego oprima el botn
contine (Figura 56);
5. Seleccione el botn OK aceptar en la pantalla original.
90
Figura 53: Opcin correlaciones bivariadas
91
Figura 54: Traslado de variables a analizar
92
Figura 55: Opcin de valores perdidos
93
Figura 56: Corriendo el anlisis de correlaciones
6.5 Interpretacin del reporte de resultados de correlaciones

Consulte el reporte de resultados simplificado (Figura 57).
6.5.1 Interpretando la magnitud del coeficiente de correlacin

El programa SPSS le proporcionar una matriz de correlaciones, en pares de
variables. Usted podr observar como se relaciona cada una de las variables de la
94
muestra con las otras variables, par por par (Figura 58). El coeficiente de correlacin
se proporcionar en forma estandarizada, esto significa que su rango va de -1 a +1.
Es casi imposible que exista una correlacin perfecta entre las variables, as que
usted podr interpretar este coeficiente en la medida que se acerca a estos valores.
En general, lo ms cercano al valor +1 le indica que existe una correlacin positiva
entre las variables y lo ms cercano al valor -1 le indicara que dicha correlacin es
negativa. Es muy importante que verifique la direccin de las correlaciones, o sea su
signo, ya que en ocasiones, los investigadores codifican las variables en forma
invertida en las encuestas y despus se les olvida recodificarlas. El anlisis
exploratorio
le
permitir
determinar
si
sus
variables
fueron
codificadas
adecuadamente antes de continuar con el anlisis de correlaciones.
6.5.2 Interpretando el nivel de significancia estadstica

El programa SPSS le proporciona el ndice de significancia estadstica (sig-2
tailed), o valor p. Cuando las variables son significativas tambin encontrar uno o
dos asteriscos cerca del coeficiente. Sin embargo, es importante observar no slo el
nivel de significancia estadstica sino su magnitud real, ya que a medida que el
tamao de la muestra se incrementa, la magnitud del coeficiente que se necesita
para determinar su significancia estadstica disminuye. As que en ocasiones usted
puede encontrar un coeficiente muy pequeo que, aun cuando tenga significancia
estadstica, quizs no la tenga desde un punto de vista prctico.
6.5.3 Ejercicio prctico

Revise la matriz de correlaciones de las 10 variables de la muestra e indique
que variables tienen correlaciones de una magnitud considerable y tambin tienen
significancia estadstica.
En general usted observar que las primeras 8 variables estn ms
ntimamente relacionadas entre ellas que con las 2 ltimas variables. Aun cuando los
dos grupos de variables tienen significancia desde un punto de vista estadstico, la
magnitud de las correlaciones del grupo 1 con el grupo 2 no es tan grande.
95
Figura 57: Reporte de resultados SPSS simplificado
96
7 ANLISIS PREDICTIVO (REGRESIN LINEAL)

Cuando el investigador quiere determinar el efecto de una variable sobre la
otra (causa-efecto), el anlisis mas adecuado seria el anlisis predictivo utilizando
una regresin lineal. Sin embargo, para conducir este tipo de anlisis se debern
cumplir diversos supuestos estadsticos.
7.1 Supuestos estadsticos

Al igual que el anlisis de correlaciones, las variables deben ser de naturaleza
ordinal o continua y la distribucin de las variables debe acercarse a la normal.
Adems, de preferencia, la recoleccin de los datos debe efectuarse en una forma
longitudinal. Esto es, primero recolectar informacin sobre la variable independiente
(causa) y despus de un tiempo razonable sobre la variable dependiente (efecto).
7.2 Descripcin de la muestra GRE

En esta seccin se utilizara el archivo denominado GRE database. Este
archivo incluye una muestra de datos sobre un grupo de estudiantes (N=20) que se
matricularon en un curso de metodologa. La variable dependiente es la calificacin
(puntaje) de los estudiantes en el examen final de metodologa y la variable
independiente es el puntaje en el examen de admisin para estudiantes graduados
conocido como el GRE (Graduate Record Examination). Se seleccion esta muestra
para simplificar el anlisis y tambin para dar al lector la oportunidad de replicar, si lo
desea, los ndices estadsticos proporcionados por SPSS en forma manual.
7.3 Anlisis exploratorio

Utilizando el programa SPSS, verifique que se cumplan los supuestos
estadsticos necesarios para el anlisis predictivo. Siga los pasos siguientes:
1. Abra el programa SPSS y localice el archivo GRE database (Figura 58);
2. Utilice la opcin analice>descriptivos>frecuencias (Figura 59) y solicite un
histograma con curva normal para verificar las distribuciones de las variables (Figura
60);
97
3. Consulte el reporte de resultados (Output3-regresin exploratorio que se

encuentra en el apndice 2) y las Figuras 61 y 62 que muestran los histogramas de
las variables GRE y Examen Final.
Figura 58: Vista de Variables de la Muestra GRE

98
Figura 59: Opcin frecuencias
Figura 60: Histograma con curva normal
99
GRE
6
Frequency
Std. Dev = 91.39

Mean = 495.0
N = 20.00
0
300.0
350.0
400.0
450.0
500.0
550.0
600.0
GRE
Figura 61: Histograma de la variable GRE
Final Exam
6
Frequency
Std. Dev = 11.24

Mean = 68.2
N = 20.00
0
45.0
50.0
55.0
60.0
65.0
70.0
75.0
80.0
85.0
Final Exam
Figura 62: Histograma de la variable Final Exam examen final
100
7.4 Anlisis predictivo o de regresin lineal

Una vez que se recolectan los datos, debe crearse un archivo en SPSS
documentando los valores de las variables dependiente e independiente para cada
sujeto.
Ejemplo 1. El objetivo de este ejemplo es demostrar cmo correr un anlisis

predictivo utilizando el programa SPSS. La pregunta de investigacin se refiere al
poder predictivo de un examen de admisin de postgrado que se utiliza comnmente
en Estados Unidos, denominado GRE (Graduate Record Examination). Este examen
se
utiliza
frecuentemente
para
admitir
los
estudiantes
de
postgrado.
Supuestamente los estudiantes que obtienen los puntajes ms altos en este examen
deben tener mejor desempeo en los cursos de postgrado. El archivo para este
ejemplo se denomina GREdatabase y contiene informacin sobre 20 estudiantes de
un curso de metodologa. Los datos que se consideraran son: el puntaje de cada
estudiante en el examen GRE y el puntaje de cada estudiante en el examen final del
curso de metodologa.
Como correr el programa? Para correr el anlisis predictivo utilizando SPSS

haga lo siguiente:
1. Despus de tener acceso al programa SPSS, jale el archivo GREdatabase

y verifique que tanto los datos como las variables a analizar estn en el archivo. Para
ello verifique las solapas de datos y variables (Figuras 63 y 64)
2. Seleccione la opcin analizar>regresin>lineal (Figura 65)
3. Transfiera la variable Y (puntaje en el examen de metodologa) a la caja
que dice variable dependiente y la variable X (puntaje en el GRE) a la caja que dice
variable independiente (Figura 66)
4. Seleccione el botn de estadsticas y solicite estimadores de los
coeficientes de regresin as como los ndices del modelo y estadsticas descriptivas
y luego oprima el botn contine (Figura 67);
5.
Verifique
que
las
variables
dependiente
independiente
estn
seleccionadas y oprima el botn OK continuar (Figura 68);
101
Figura 63: Vista de Variables para el anlisis predictivo
102
Figura 64: Vista de datos para el anlisis predictivo
103
Figura 65: Opcin Regresin Lineal
104
Figura 66: Transfiriendo variables para la regresin lineal
105
Figura 67: Seleccionando estadsticas para la regresin
106
Figura 68: Corriendo el programa
107
7.5 Interpretacin y simplificacin de resultados

Consulte el output3-regresin que se encuentra en el apndice 2 e incluye el
reporte de resultados que proporciona SPSS. Este reporte contiene informacin
sobre estadsticas descriptivas de las variables dependiente e independiente. Dicho
reporte tambin le proporciona diversos indicadores de fit del modelo final como la
Prueba F, la Prueba T, el coeficiente R y el coeficiente R cuadrado (Figuras 69, 70 y
71).
108
Figura 69: Reporte de resultados SPSS
109
Prueba
Definicin
Prueba
indica
global
si
en
Hiptesis nula
Regla de decisin
en SPSS
en SPSS
que No
existe
su correlacin
conjunto las variables entre
Prueba - F
Se
la
las hiptesis nula si el
independientes
se variables
valor p (p value) es
relacionan
la independientes
< .05
con
y dependiente
variable dependiente
Prueba individual para
cada coeficiente Beta
Prueba - T
rechaza
de
las
variables
Se
rechaza
la
hiptesis nula si el
H0: xy = 0
valor p (p value) es
independientes
< .05
Figura 70: Definicin de pruebas estadsticas para la regresin
Coeficiente de correlacin mltiple entre

R
los predoctores en su conjunto y la

Proporcin de la varianza explicada por
R2 (R cuadrada)
el
conjunto
de
las
variables
independientes
Figura 71: Indicadores R y R cuadrada
7.5.1 Comentarios
El promedio del examen final de metodologa fue de 68.15 puntos y el
promedio del examen GRE fue de 495 puntos. El reporte tambin le proporciona la
correlacion entre las dos variables, que en este caso fue de .608 y le proporciona la
prueba de significancia estadstica (1-tailed). El resumen del modelo le genera otros
ndices, tal como el R o coeficiente de correlacion mltiple, que en este caso es igual
a la correlacion (.608), ya que existe slo una variable independiente (GRE). El
modelo tambin le proporciona el ndice de R cuadrada (R square) que es de mucha
utilidad, ya que le aporta el grado de varianza en la variable dependiente que se
debe a su interaccin con la variable independiente. En nuestro ejemplo, la
proporcin del desempeo en el examen de metodologa que se relaciona con el
110
desempeo en el examen GRE, en este caso .369. El reporte de resultados tambin

le provee los coeficientes de la ecuacin predictiva en funcin de las variables
dependiente e independiente. Estos coeficientes se encuentran al final del reporte
(resultados3-regresin).
7.5.2 Cmo utilizar el anlisis predictivo en el futuro?

Si el resultado del anlisis predictivo le indica que existe un nivel alto de
varianza explicada (vea el ndice R cuadrado), entonces usted puede utilizar la
ecuacin predictiva para estimar el desempeo potencial de un estudiante en el
curso de metodologa. En este caso los coeficientes de la ecuacin predictiva se
proporcionan en la ltima parte del reporte de resultados, as como los ndices
estadsticos para interpretar si la ecuacin es significativa, como la prueba F (Figura
72, 73 y 74).
Prueba F
Explained variance
ANOVAb
Model
1
Regression
Residual
Total
Sum of
Squares
887.071
1515.479
2402.550
df
1
18
19
Mean Square
887.071
84.193
F
10.536
Sig.
.004a
a. Predictors: (Constant), GRE GRE

b. Dependent Variable: FINAL Final Exam
Unexplained variance
Alberto F. Cabrera
21
Figura 72: Desglose de la Prueba F
111
Prueba F
Probability of observing such

a large F-test value under the Null
Hypothesis by chance
Mean Square Regression

F test =
Mean Square Residual
ANOVAb
Model
1
Regression
Residual
Total
Sum of
Squares
887.071
1515.479
2402.550
df
1
18
19
Mean Square
887.071
84.193
F
10.536
Sig.
.004a
a. Predictors: (Constant), GRE GRE

b. Dependent Variable: FINAL Final Exam
Alberto F. Cabrera
22
Figura 73: Desglose de la Prueba F
La ecuacion de regresion es:

Final Exam=31.142 + 0.075 GRE
when it is standardized
Final Exam=0.608 GRE
Coefficientsa
Model
1
(Constant)
GRE GRE
Unstandardized
Coefficients
Std. Error
B
31.142
11.584
.075
.023
Standardized
Coefficients
Beta
.608
t
2.688
3.246
Sig.
.015
.004
a. Dependent Variable: FINAL Final Exam
Alberto F. Cabrera
24
Figura 74: Ecuacin de regresin y coeficientes del modelo
7.6 Cmo mejorar la interpretacin de los resultados usando diagramas

(scatter plots grficas de dispersin) de pares de variables?
Usted puede obtener un diagrama para ver en forma grfica cmo se
comportan las variables dependiente e independiente. En este caso debe elegir la
112
opcin: Graphic>scatterplot>simple, Grficos> cuadro de dilogos> dispersin de

puntos (Figura 75) y luego debe definir las variables, despus de oprimir el botn
define. Para ello debe trasladar la variable Y (dependiente, puntaje en el examen
final) a la ventana del eje Y, y la variable X (independiente, GRE) a la ventana del
eje X (Figura 76). Para obtener el diagrama oprima el botn OK al final (Figura 77).
Figura 75: Opcin Scatter plot
113
Figura 76: Definiendo el diagrama simple
114
90
80
70
Final Exam
60
50
40
200
300
400
500
600
700
GRE
Figura 77: Grfica Scatter plot dispersin de puntos proporcionada por SPSS
7.6.1 Comentarios
El programa SPSS le proporcionara un diagrama scatterplot de dispersin de
puntos con las observaciones de las dos variables y usted podr observar en forma
grfica cmo se comportan las variables y cmo se representan los coeficientes de
la ecuacin predictiva. Con la informacin que le proporciona SPSS es posible
determinar diversos ndices que le permitirn al investigador tener un conocimiento
ms especfico de los resultados del anlisis predictivo, tal como se indica en las
figuras 78, 79, 80, 81, 82 y la tabla 12. Estas se desarrollaron para ejemplificar los
conceptos de esta seccin del libro pero no son proporcionadas automticamente
por el programa SPSS. Sin embargo, SPSS s proporciona los ndices y valores para
que el investigador pueda desarrollar estas grficas si as lo desea.
Representaciones visuales de la ecuacin predictiva y de la varianza
explicada por la variable dependiente. La figura 78 (scatterplot dispersin de
puntos) es una representacin visual de la ecuacin predictiva, representada como
una lnea recta que pasa por en medio del diagrama de dispersin de puntos. Los
coeficientes de la ecuacin le indican donde la lnea debe interceptar el eje Y as
115
como la pendiente de la lnea como se indica en la figura 79. La figura representa la

varianza explicada por la ecuacin de regresin, con todos sus componentes.
Scatter Plot (GRE vs. Final Exam)

90
80
70
4+
60
Final Exam
am
1
31.
0.
x
075
E
GR
x
al E
Fin
50
40
200
300
400
500
600
700
GRE
Alberto F. Cabrera
25
Figura 78: Diagrama con representacin de la ecuacin predictiva
Tabla 12: Desglose de los componentes de la varianza en la ecuacin predictiva
Data is adopted from Glass and Hopkins (1984).

Statistical methods in education and psychology
116
Alberto F. Cabrera
29
90.00
80.00
70.00
Explained deviation
60.00
Total deviation
Unexplained deviation
50.00
R
40.00
300.00
400.00
500.00
GRE
Alberto F. Cabrera
28
Figura 79: Diagrama de los componentes de la varianza de la ecuacin predictiva
Ecuacion de regresion proporcionada por

SPSS expresada en terminos estadisticos
Alberto F. Cabrera
21
Figura 80: Coeficientes de la ecuacin predictiva
117
Componentes de la varianza total en la

Total Variation = Unexplained variation + Explained variation
Y )2
+
(Y =
(Y Y )2
(Y Y )2
Alberto F. Cabrera
22
Figura 81: Componentes de la varianza de la ecuacin predictiva
Varianza explicada y no explicada en

la calificacin final
Varianza no
explicada
37%
63%
Varianza explicada
Figura 82: Grfica de pastel de los componentes de la varianza
118
8 ANLISIS FACTORIAL (REDUCCIN DE DATOS DE ENCUESTA)

La validez de las escalas de una encuesta estadstica es de importancia
fundamental, as como lo es su confiabilidad. Por ejemplo, si un investigador disea
varias preguntas con el objeto de medir el grado de apego de los estudiantes a la
institucin educativa, el investigador no puede asumir que dichas preguntas tengan
validez estadstica. Los procedimientos que se discutirn en las secciones 8 y 9 le
permitirn al investigador verificar si en efecto la encuesta captura las percepciones
del estudiante y si efectivamente las preguntas que dise tienen confiabilidad
estadstica.
8.1 Supuestos del anlisis factorial

El anlisis factorial utiliza como insumo la correlacin de las variables. Por lo
tanto, adems de ciertos requisitos del tamao de la muestra, todos los supuestos
estadsticos que se aplican al anlisis de correlaciones se emplean para el anlisis
factorial. Los ms importantes son:
1. Naturaleza de variables: deben ser continuas u ordinales
2. Distribucin de las variables: debe ser cercana a la normal (Bell shape curve)
3. Tamao de la muestra: al menos 10 observaciones por variable (item to
subject ratio).
8.2 Anlisis de contenido y exploratorio

Antes de iniciar el anlisis factorial, el investigador debe conducir un anlisis
de contenido de sus variables, para verificar si estas tienen face validity, esto es, si
existe evidencia de que las variables tienen posibilidad de medir los constructos.
Adems del anlisis del contenido, deben verificarse los otros supuestos estadsticos
por medio de anlisis descriptivos de frecuencias.
8.2.1 Anlisis de contenido

En este ejemplo utilizaremos los datos de una encuesta que inclua diversas
preguntas que se disearon para medir cuatro facetas del grado de lealtad a la
119
institucin: afinidad de valores, seguridad de eleccin de la institucin adecuada,

calidad/prestigio de la universidad y grado de ajuste (fit) a la institucin (vea la tabla
13). Revise las variables que se enlistan en la tabla 13 y marque con una X el
constructo que usted piensa mide cada variable.
120
Tabla 13. Lealtad a la institucin

Evaluando los tems: Indique con una X si usted piensa que el tem de la izquierda
mide de alguna manera la dimensin 4
Dimension
Affinity
of
Items
Certainty Quality/
values of choice Prestige Institutional Fit
My close friends rate this institution as

a quality institution
I am confident I made the right decision
in choosing to attend this institution
Most students at this institution have
values and attitudes similar to my own
There is a positive atmosphere at this
institution
I am satisfied with the prestige of the
institution
I am certain this institution is the right
choice for me
My education at this institution will help
me get a better job than an education
from another institution
My education at this institution will help
me secure future employment
I feel I belong at this institution
Most
faculty,
academic
advisors,
college administrators at this institution

have values and attitudes similar to my
own
4
Estas preguntas fueron seleccionadas de una encuesta mas comprensiva denominada Survey of
UH Freshman Experiences Encuesta sobre las experiencias de los estudiantes de nuevo ingreso
que se diseo en ingls para un estudio de permanencia en la institucin en una universidad del sur
de los Estados Unidos de Norteamrica y cuyos resultados fueron publicados en varios artculos,
entre ellos: A.F. Cabrera, M.B. Castaeda, A. Nora & D. Hengstler (1992), The convergence between
two theories of college persistence, Journal of Higher Education, (63,2), 143-155
121
Tabla 13. Lealtad a la institucin (Traduccin)

Evaluando los tems: Indique con una X si usted piensa que el tem de la izquierda
mide de alguna manera la dimensin
Dimensin
tems
Afinidad
Certeza de Calidad/
de valores eleccin
Mis amigos cercanos consideran
esta institucin como una de
calidad
Estoy seguro haber hecho la
decisin correcta al elegir esta
institucin
La mayora de los estudiantes
tiene valores y actitudes similares
a los mos
Hay un ambiente positivo en esta
institucin
Estoy satisfecho con el prestigio
de la institucin
Estoy seguro que la institucin es
la correcta para mi
Mi formacin en esta institucin
me ayudar obtener un mejor
empleo que la formacin de otra
institucin
Mi formacin en esta institucin
me ayudar conseguir un empleo
en el futuro
Siento que pertenezco a esta
institucin
La mayora de los acadmicos,
tutores y administradores tiene
valores y actitudes similares a los
mos
122
Ajuste a la
Prestigio institucin
8.2.2 Anlisis exploratorio

A continuacin, verifique las distribuciones de las 10 variables por medio de
estadsticas descriptivas e histogramas, utilizando la opcin:
Analizar>descriptivos>frecuencias>grficos>histograma con curva normal.
Despus de verificar los resultados, conteste la pregunta: se cubren los
requisitos estadsticos de distribucin normal para las 10 variables? Si las
distribuciones se ven como en la figura 83, puede proceder al anlisis factorial.

200
Frequency
100
Std. Dev = .97

Mean = 3.8
N = 466.00
0
1.0
2.0
3.0
4.0
5.0
Figura 83: Ejemplo de distribucin normal
8.3 Anlisis factorial

El anlisis factorial le permitir determinar si en efecto las 10 preguntas de la
muestra efectivamente pertenecen a 4 dimensiones. En este ejemplo se utilizar otra
vez el banco de datos denominado UH file que se utiliz para la parte de
correlaciones (parte 6). Para activar el anlisis factorial utilizando SPSS haga lo
siguiente:
1. Tenga acceso al archivo SPSS denominado UH file.sav;
123
2. Abra la vista de variables y verifique que las variables a analizar se

encuentren documentadas (Figura 84);
3. Active
el
anlisis
factorial
utilizando
los
comandos:
analizar>data
reduccin>factor anlisis> reduccin de datos > anlisis factorial (figura 85);

4. Traslade las variables a analizar a la ventana correspondiente: q61, q30, q33,
q76, q58, q68, q35, q62, q63, q48 (Figura 86);
5. Cheque las diversas opciones en la parte inferior comenzando con:
Descriptives (select initial solution)
Descriptivas (marque solucin inicial) (Figura 87);
-Factor Analysis Extraction:
Method: Principal components;
Analyze: the correlation matrix and
Display: the unrotated factor solution
Extract: eigenvalues over 1
Anlisis factorial Extraccin:
Mtodo: seleccione el mtodo de componentes principales;
Analizar: matriz de correlacin;
Mostrar: solucin factorial sin rotar
Extraer: autovalores mayores que 1(Figura 88);
Pulse OK aceptar aparecer de nuevo la caja de anlisis factorial, entonces
elija
Rotation: choose varimax and display rotated solution
Rotacin: seleccione varimax y mostrar solucin rotada (Figura 89);
Pulse OK aceptar aparecer de nuevo la caja de anlisis factorial, entonces
elija
Options: exclude cases pairwise
Opciones: excluir casos segn pareja (Figura 90);
Luego presione OK aceptar y aparecer el cuadro de anlisis factorial con
las funciones que hemos solicitado (Figura 91);
124
Figura 84: Vista de variables (archivo UH file)
125
Figura 85: Opcin: Anlisis factorial
126
Figura 86: Trasladando las variables para anlisis
127
Figura 87: Seleccionando las opciones descriptivas
128
Figura 88: Seleccionando las opciones: extraccin de factores
129
Figura 89: Seleccionando las opciones: rotacin de la matriz factorial
130
Figura 90: Seleccionando las opciones: tratamiento de valores perdidos
131
Figura 91: Corriendo el anlisis factorial
8.4 Interpretando el reporte de resultados

El programa SPSS le proporciona diversas tablas donde sintetiza la
informacin que necesita para determinar la validez de sus escalas. Las ms
importantes son aquellas que le indican cuntas dimensiones se forman cuando se
analizan las preguntas que usted dise. En este caso, el investigador dise 10
preguntas para medir 4 factores. Sin embargo, el anlisis factorial le sugiere que
esas 10 preguntas se agrupan en tan slo 2 dimensiones. El mtodo de extraccin
de los factores que elegimos le indica cuantos componentes (factores) son ms
viables. En este caso, con slo 2 factores se explica un 58% de la varianza en el
132
modelo factorial. En general, se sugiere que se incluyan solamente aquellos

componentes cuyos coeficientes de eigenvalue sean mayores de 1.0 (Figura 92). En
este caso solamente los primeros 2 componentes cumplen este criterio.
Otra forma de determinar que preguntas se relacionan con cada componente
se proporciona por los coeficientes de la matriz (component matriz). Esta matriz le
indica los coeficientes estandarizados de cada pregunta por componente
(dimensin/factor). En este caso, se observa que el primer factor/dimensin est
integrado por 8 preguntas y el segundo factor, por solamente 2 preguntas. El reporte
de resultados completos, correspondiente al anlisis factorial, se encuentra en el
apndice 2. En general se requiere que, para identificarlas con una dimensin, las
preguntas deben tener un coeficiente (factor loading) de .5 o ms (Figura 93).
133
Figura 92: Proporcin de varianza y valores Eigenvalue, autovalores
134
Figura 93: Reporte de resultados del anlisis factorial
135
9 ANLISIS DE CONFIABILIDAD
Una vez que se lleva a cabo el anlisis factorial exploratorio y se determina el
nmero de escalas que tienen validez en la encuesta, es aconsejable realizar un
anlisis de confiabilidad de las escalas finales. Este anlisis le permitir verificar sus
conclusiones y estimar un ndice de confiabilidad de cada escala.
9.1 Supuestos estadsticos

Los supuestos estadsticos para el anlisis de confiabilidad son los mismos
que para el anlisis de correlaciones. Las variables deben ser continuas u ordinales
y la distribucin de las variables debe ser lo ms cercano a la distribucin normal.
9.2 Organizacin de los datos

En esta seccin utilizaremos las mismas 10 variables que se utilizaron en el
anlisis de confiabilidad que se encuentran en el archivo UH file. Si usted ya verific
los supuestos estadsticos proceda a organizar las variables conforme a los
resultados del anlisis factorial, es decir organice sus variables en el orden que
aparecen en la matriz de componentes principales. En este caso, las ocho variables
que forman el constructo global sobre la lealtad a la institucin irn primero y
despus las dos variables que forman el constructo sobre afinidad de valores.
9.3 Anlisis de confiabilidad utilizando SPSS

Para conducir un anlisis de confiabilidad utilizando SPSS haga lo siguiente:
1. Elija la opcin analysis>scale>realiability analysis Analizar >escala >anlisis
de fiabilidad del men SPSS (Figura 94);
2. Traslade las variables de cada dimensin a la ventana de tems, elementos.
En este caso, traslade los primero 8 elementos en el primer anlisis; esto es
consistente con el anlisis factorial que indica que la primera dimensin est
formada por 8 preguntas (Figura 95).
136
3. Cercirese que el modelo elegido es Alpha y elija las estadsticas que le

interesen (promedio de cada tem y correlaciones), luego oprima el botn OK,
aceptar.
A continuacin conduciremos el anlisis de confiabilidad de la segunda escala
sugerida por el anlisis factorial. Para ello, regrese las preguntas anteriores y
seleccione las preguntas q63 y q48 (Figura 96). Esta escala slo tiene 2 preguntas y
el Coeficiente Alpha fue de .596.
9.4 Interpretacin de resultados

El programa SPSS le proveer diversos resultados (Figura 97 y 98),
incluyendo estadsticas descriptivas y correlaciones entre los indicadores de la
escala. El reporte completo se encuentra en el apndice 2. El ndice ms importante
es el coeficiente estandarizado Alpha (Coeficiente Alpha) que en este caso es de
.87. El ndice Alpha de confiabilidad (Coeficiente Alpha) es un indicador global del
grado de confiabilidad de la escala. En el caso del anlisis con 8 variables, el ndice
le muestra que la escala formada por 8 preguntas tiene un grado muy alto de
confiabilidad (Tabla 14). En el caso de la escala formada por solo 2 variables, el
ndice de confiabilidad fue moderado (alpha = 0.59).
137
Figura 94: Anlisis de confiabilidad
138
Figura 95: Seleccionando variables: escala de 8 variables
139
Figura 96: Anlisis de confiabilidad con 2 variables
140
Figura 97: Interpretacin de resultados para escala de 8 variables
Tabla 14: Rangos para interpretacin del anlisis de confiabilidad

Anlisis de confiabilidad
Rango de valores positivos: de 0.0 a 1.0
Rango
de Menor a 0.10
valores
Tipo
confiabilidad
a 0.50
0.10
0.49
0.69
0.70 o mayor
Ninguna
Baja
Moderada Alta
de
141
Figura 98: Reporte de resultados para escala de 2 variables
9.5 Que pasa si se combinan las 10 variables?

Como ejemplo 3, vamos a combinar las 10 preguntas para observar si eso
afecta el grado de confiabilidad: adems de incluir las 10 variables en el programa,
marque la opcin scale if item deleted. Esta opcin le indicara si la confiabilidad de
la escala se mejora quitando ciertas preguntas. (Figuras 99 y 100).
Como se observa en el reporte de resultados (Figura 101), el ndice Alpha se
mejora cuando las preguntas q63 y q48 se quitan de la primera escala. El ndice de
confiabilidad sin estas dos preguntas es de 0.877. Esto confirma los resultados del
anlisis factorial que indican que las 10 preguntas incluidas en la encuesta definen 2
dimensiones que ayudan a explicar el por que un estudiante se apega a la
institucin. Un factor parece incluir diversas facetas de la institucin y otro parece
referirse a los valores que comparte el estudiante con los alumnos y maestros, as
como con la institucin misma.
Despus de quitar del anlisis de confiabilidad las dos ltimas preguntas se
observa una mejora en el Coeficiente Alpha. Con las 10 preguntas el Coeficiente
Alpha bajo a .861 y con las primeras 8 preguntas subi a .877 (Figura 102).
142
Figura 99: Anlisis de confiabilidad con 10 variables
Figura 100: Opciones Scale if item deleted

143
Figura 101: Reporte de resultados con opcin: Alpha if item deleted
144
Figura 102: ndices de confiabilidad Alpha con solo 8 variables
145
10 CREACIN DE ESCALAS
En esta seccin se demostrar cmo utilizar la informacin de los anlisis
estadsticos factoriales y de confiabilidad a fin de crear las escalas numricas que
servirn de insumo a anlisis estadsticos subsecuentes. En la mayora de las
encuestas se utiliza una escala tipo Likert (Figura 103), donde se hace una pregunta
y se solicita la respuesta del participante en una escala relativa con varios rangos
(desde 1=nunca, hasta 5=frecuentemente). En el caso del ejemplo que se utiliz en
los anlisis factoriales y de confiabilidad, las 10 preguntas que se utilizaron para
medir el constructo de lealtad, apego a la institucin (amor a la camiseta), tambin
utilizaron una escala tipo Likert, con rangos parecidos (1=Strongly Disagree,
5=Strongly Agree, 1=muy en desacuerdo, 5= muy de acuerdo).
Qu tan frecuente consideras lo siguiente?

Elige una sola opcin
Nunca
A veces
Mucho
1. Abandonar la universidad
2. Obtener el ttulo
En las siguientes preguntas, por favor indica si concuerdas con lo dicho

Muy en
neutro
acuerdo
desacuerdo
1. Me result ms difcil que lo esperado
hacer amigos en la UH
2. Mi familia me motiva para obtener el ttulo
muy de
desacuerdo
acuerdo
Figura 103: Ejemplos de escalas tipo Likert
El anlisis factorial y de confiabilidad del constructo lealtad a la organizacin

(Organizational Commitment) indic que este constructo estaba formado por 2
dimensiones relativamente independientes. En los anlisis subsecuentes, se puede
reducir el uso de la informacin de 10 variables a 2 variables. Para ello, deben
crearse 2 escalas estadsticas. Hay dos formas de crear dichas escalas: la primera
consiste en sumar el resultado de cada individuo y utilizar la suma como la variable
independiente (escala agregada). El segundo mtodo consiste en obtener el
146
promedio de los resultados en las preguntas que forman cada escala (escala
promediada). Los dos mtodos se reflejan en la figura 104.
Estudiante
tems
IP1
Tipos de escala
IP2
Agregada (suma)
Ponderada (promedio)
Jimmy
Roxanne
Mara
2.5
Carlos
4.5
Susan
10
Figura 104: Dos mtodos: escalas agregadas y promediadas
10.1 Creacin de escalas utilizando SPSS

En esta seccin se demostrar cmo crear escalas en forma agregada o
promediada utilizando el programa SPSS. El banco de datos que se utilizar es el
mismo que se utiliz en las secciones 8 y 9, o sea el archivo UH file. Se llevarn a
cabo 3 ejercicios. Primero se crearn las escalas agregada y promediada de la
dimensin que agrup a las primeras 8 variables de la muestra y que denota un
constructo general sobre la Lealtad a la institucin (Institutional Commitment). En el
segundo ejercicio, se crearn las escalas agregada y promediada de la segunda
dimensin que agrupa a 2 variables y que denota un constructo que mide la afinidad
de valores entre los estudiantes y los miembros de la institucin. El tercer ejercicio
se enfocar en la revisin de los supuestos estadsticos de las escalas finales en
comparacin con las variables originales.
10.1.1 Escala agregada con 8 variables

Para crear esta escala haga lo siguiente:
1. Active el programa SPSS y abra el archivo UH file (Figura 105);
2. Seleccione la opcin transform>compute; Transformar> calcular variable
(Figura 106);
3. Cuando tenga la ventana Compute variable, asigne el nombre IC11 a la target
variable y jale las primeras 8 variables al cuadro expresin numrica (Figura
107);
147
4. Para estimar la escala usted debe insertar el signo de ms (+) despus de

transferir cada variable, luego oprima el botn OK, aceptar;
5. No se le olvide asignar un nombre a la nueva variable (target variable) y
tambin un nivel (type and label) en la caja correspondiente.
6. Verifique su vista de variables y observar que existe una variable adicional al
final de la lista. Documente esta nueva variable, asignando valores perdidos y
guarde el archivo con la nueva variable (Figura 108).
Figura 105: UH file con lista de variables

148
Figura 106: Opcin: transformar>calcular
149
Figura 107: Calculando la escala agregada
150
Figura 108: Vista de variables
10.1.2 Escala promediada

A continuacin repita el proceso anterior y estime la escala promediada, o sea
el promedio de las 8 preguntas. Para ello:
151
1. Transfiera las variables a la ventana original y utilice la escala agregada como

insumo (Target Variable, variable de destino)
2. Transfiera la nueva escala (IC11) a la ventana que dice numeric expresin
expresin numrica y utilice la expresin numrica IC11/8 (Figura 109)
3. Asigne nombre a la nueva escala (IC112) y asigne el tipo y etiqueta
correspondiente (Type & Label)
4. Corra el programa apretando el botn OK, aceptar y luego verifique su lista
de variables y observar que existe otra variable denominada IC112, escala
promediada (Figura 110).
10.1.3 Escala agregada y promediada con 2 variables

Ahora estime el valor de la escala integrada por las ltimas 2 preguntas sobre
afinidad de valores entre el estudiante y la institucin utilizando el programa SPSS.
Siga el mismo proceso:
1. Utilice la opcin: Transformar>calcular;
2. Luego estime la escala agregada (Figura 111) y a continuacin la escala
promediada (Figura 112);
3. Verifique la lista de variables y cheque que las nuevas variables IC122 y
IC122/2 estn enlistadas (Figura 113).
152
Figura 109: Expresin numrica de la escala promediada de 8 variables
153
Figura 110: Vista de variables con escala promediada IC112
154
Figura 111: Escala de afinidad de valores, en forma agregada
155
Figura 112: Escala de afinidad de valores en forma promediada
Figura 113: Vista de variables con escalas
10. 2 Verificando los supuestos estadsticos de las escalas

Un requisito para la creacin de escalas es que la escala final tenga buenas
propiedades estadsticas, como el tener una distribucin normal. Para verificar que la
distribucin de las escalas Lealtad y Lealtad promediada as como las escalas de
Afinidad de Valores y Afinidad promediada tienen una distribucin normal utilizando
el programa SPSS, haga lo siguiente:
156
1. Active la opcin analice>frecuencias y solicite un histograma con la

distribucin sobrepuesta (Figuras 114 y 115);
2. Revise el reporte de resultados y conteste la pregunta: Se cumple el
requisito de la distribucin normal para estas 4 escalas que se crearon
teniendo como base el anlisis factorial y de confiabilidad? Como puede ver a
continuacin, la distribucin de las cuatro escalas es bastante normal, es
decir, que tiene una curva de campana invertida (Figuras 116, 117,118 y 119).
Figura 114: Opcin: analice>frecuencias
157
Figura 115: Opcin: histograma
158
Lealtad a la institucion-escala general

100
80
60
Frequency
40
20
Std. Dev = 5.80

Mean = 27.6
N = 447.00
0
10.0
15.0
12.5
20.0
17.5
25.0
22.5
30.0
27.5
35.0
32.5
40.0
37.5
Lealtad a la institucion-escala general
Figura 116: histograma de lealtad
lealtad promediada
80
60
Frequency
40
20
Std. Dev = .73
Mean = 3.44
N = 447.00
0
1.25
1.75
1.50
2.25
2.00
2.75
2.50
3.25
3.00
3.75
3.50
4.25
4.00
4.75
4.50
5.00
lealtad promediada
Figura 117: Lealtad promediada
159
afinidad de valores-agregada
200
Frequency
100
Std. Dev = 1.48

Mean = 6.1
N = 458.00
0
2.0
3.0
4.0
5.0
6.0
7.0
8.0
9.0
10.0
afinidad de valores-agregada
Figura 118: Afinidad de valores agregada
afinidad de valores, ponderada

200
Frequency
100
Std. Dev = .74

Mean = 3.07
N = 458.00
0
1.00 1.50 2.00 2.50 3.00 3.50 4.00 4.50 5.00
afinidad de valores, ponderada
Figura 119: Afinidad de valores, ponderada (promedio)
160
10.3 Ventajas de validar escalas estadsticas

La creacin de escalas estadsticas siguiendo el proceso que se discuti en
esta seccin, utilizando el anlisis factorial para determinar la dimensionalidad de los
constructos y el anlisis de confiabilidad para determinar si las escalas cumplen con
los requisitos estadsticos, le permitir al investigador simplificar el anlisis
estadstico. En futuros anlisis, el investigador puede utilizar las escalas reducidas
ya sea en forma agregada o promediada. Con ello, los anlisis subsecuentes se
simplificarn enormemente, ya que en vez de tener 10 variables, se tendrn slo 2 y
esto tiene muchas ventajas. Por otro lado, al utilizar las escalas estadsticas, el
investigador est utilizando la informacin en su totalidad y no pregunta por
pregunta.
161
CONCLUSIONES
Este libro termina con anlisis de nivel intermedio. Sin duda se pueden hacer
operaciones ms sofisticadas con SPSS. Sin embargo, en la mayora de los casos,
para los informes que requiere presentar un investigador educativo o un funcionario
universitario, basta con los niveles de anlisis que hemos presentado. Aun as,
queremos manifestar nuestra disposicin para impartir talleres avanzados, y para
elaborar un segundo libro.
Gracias por usar este libro.
162
BIBLIOGRAFA
Cabrera, A.F. Research Methods in Education. Several lectures notes. University of
Wisconsin-Madison, Summer 2006.
Cabrera, A.F., Castaneda, M.B., Nora, A., & Hengstler, D. (1992). The convergence
of two theories of college persistence, Journal of Higher Education, 63(2), 143-155.
Cabrera, A.F., Nora, A., & Castaneda, M.B. (1992). The role of finances in the
persistence process. Research in Higher Education, 33 (5), 571-593.
Castaneda, M. & Gugerty, J. (2006). Making SPSS accessible for individuals with
disabilities. University of Wisconsin-Madison, Center on Education and Work.
Field, A. (2005). Discovering Statistics Using SPSS, Sage: London (Second Edition).
Huck, S. W. (2004), Reading Statistics and Research, Person Publishers, (Fourth
Edition). Informacin adicional en: http://www.readingstats.com/fourth/index.htm
Kim, J. O. and Mueller, C. W. (1978) Factor Analysis: Statistical Methods and
Practical Issues from the Series: Quantitative Applications in the Social Sciences,
London: Sage University Paper.
Krathwohl, D. R. (1998), Methods of Educational and Social Science Research: An
Integrated Approach, Waveland Press, Inc. (Second Edition)
Marascuilo, L. A. and Levin, J. R. (1983) Multivariate Statistics in the Social
Sciences: A Researchers guide, Monterey (CA): Brooks/Cole Publishing Company.
Vogt, W. P. (2005) Dictionary of Statistics & Methodology: A nontechnical guide for
the social sciences, London: Sage Publishers (Third edition).
Wenberg, G. H., Schumaker, J. A. and Oltman, D. (1981) Statistics: An Intuitive
Approach, Monterey (CA): Brooks/Cole Publishing Company (Fourth Edition).
Williams, F. and Monge, P. (2001) Reasoning with Statistics: How to Read
Quantitative Research, Harcourt College Publishers (Fifth Edition).
163
APNDICE 1: BANCO DE DATOS DE PRCTICA CON UNA

MUESTRA DE 20 OBSERVACIONES Y 5 VARIABLES 5
Genero
Masculino (1)
Intento de
Persistir/volver a
matricularse
Calificaciones
promedio
Grado de satisfaccin
con el prestigio de la
universidad
Persistencia real
en el semestre de
otoo
Acuerdo (4)
2.81
Acuerdo (4)
Persisti (1)
Femenino (2)
Acuerdo total (5)
2.71
Acuerdo total (5)
Persisti (1)
Femenino (2)
Acuerdo total (5)
2.97
Acuerdo (4)
Persisti (1)
Masculino (1)
Acuerdo total (5)
1.88
Acuerdo (4)
No Persisti (0)
Masculino (1)
Acuerdo (4)
2.25
Acuerdo total (5)
Persisti (1)
Masculino (1)
Acuerdo total (5)
5.00
Acuerdo (4)
No Persisti (0)
Masculino (1)
Acuerdo total(5)
3.35
Acuerdo total (5)
Persisti (1)
Masculino (1)
Acuerdo total (5)
2.95
Acuerdo (4)
Persisti (1)
Masculino (1)
Acuerdo total (5)
2.55
Acuerdo (4)
Persisti (1)
Femenino (2)
Acuerdo (4)
2.67
Acuerdo (4)
Persisti (1)
Femenino (2)
Acuerdo (4)
3.64
Desacuerdo (2)
Persisti (1)
Masculino (1)
Acuerdo (4)
2.14
Neutral (3)
Persisti (1)
Femenino (2)
Acuerdo total (5)
2.12
Acuerdo total (5)
Persisti (1)
Femenino (2)
Acuerdo total (5)
2.95
Acuerdo (4)
Persisti (1)
Masculino (1)
Acuerdo (4)
2.79
Desacuerdo total(1)
No Persisti (0)
Femenino (2)
Acuerdo total (5)
2.72
Acuerdo (4)
Persisti (1)
Masculino (1)
Acuerdo total (5)
1.75
Acuerdo total (5)
Persisti (1)
Masculino (1)
Acuerdo total (5)
3.02
Desacuerdo (2)
Persisti (1)
Femenino (2)
Acuerdo total(5)
2.94
Desacuerdo total (5)
Persisti (1)
Femenino (2)
Acuerdo (4)
2.78
-9.00
Persisti (1)
Total
20
19
19
20
N=20
Esta muestra proviene del banco de datos que se desarrollo para este libro. La muestra completa se
encuentra en el Apndice 2. El banco de datos original es parte de una investigacin sobre
persistencia de estudiantes que se llev a cabo en una Universidad del Sur de los Estados Unidos y
cuyos resultados se publicaron en el articulo titulado The role of finances in the persistence process.
A structural model by Cabrera, A.F., Nora, A., and Castaneda, M.B. (1992), Research in Higher
Education, 33 (5), 571-593.
6
Los nmeros corresponden a una escala de Likert con rangos de 1 (En desacuerdo total), 2 (En
desacuerdo), 3 (neutral), 4 (de acuerdo), y 5 (totalmente de acuerdo).
164

Castañeda Et Al 2010 Procesamiento de Datos y Análisis Estadísticos Utilizando SPSS-Un Libro Práctico Par - 20140225001351111

Enviado por

Direitos autorais:

Formatos disponíveis

Castañeda Et Al 2010 Procesamiento de Datos y Análisis Estadísticos Utilizando SPSS-Un Libro Práctico Par - 20140225001351111

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Castañeda Et Al 2010 Procesamiento de Datos y Análisis Estadísticos Utilizando SPSS-Un Libro Práctico Par - 20140225001351111

Enviado por

Direitos autorais:

Formatos disponíveis

Maria Beln Castaeda I Alberto F.

Procesamiento de datos y anlisis estadsticos utilizando

Dom Dadeus Grings

CEES - Centro de Estudos de Educao Superior/PUCRS

(Coordenadora) Marlia Costa Morosini

Marilia Costa Morosini

Ana Maria Lisboa de Mello

Jernimo Carlos Santos Braga Diretor

Maria Beln Castaeda

Procesamiento de datos y anlisis estadsticos utilizando

Porto Alegre, 2010

REVISO DE TEXTO dos

EDIPUCRS Editora Universitria da PUCRS

Dados Internacionais de Catalogao na Publicao (CIP)

Procesamiento de datos y anlisis estadsticos utilizando SPSS :

Ficha Catalogrfica elaborada pelo Setor de Tratamento da Informao da BC-PUCRS.

6.2 Descripcin de la muestra UH File ...................................................................... 81

10.1.1 Escala agregada con 8 variables ................................................................. 147

Procesamiento de datos y anlisis estadsticos utilizando SPSS

CASTAEDA, M. B.; CABRERA; A. F.; NAVARRO, Y.; VRIES, W. de

y tiene un envolvimiento significativo con la comunidad acadmica y civil. Adems de

Quienes son los autores

Procesamiento de datos y anlisis estadsticos utilizando SPSS

State University of New York-Albany, Texas A & M University, Arizona State

CASTAEDA, M. B.; CABRERA; A. F.; NAVARRO, Y.; VRIES, W. de

proporcionado asesora a otras instituciones tales como el Hispanic Association of

Procesamiento de datos y anlisis estadsticos utilizando SPSS

La Dra. Navarro se ha desempeado en la gestin universitaria en diversas

interinstitucionales en donde participan investigadores de las Universidades de

CASTAEDA, M. B.; CABRERA; A. F.; NAVARRO, Y.; VRIES, W. de

ha sido catedrtico en la Universidad Iberoamericana y la Universidad Autnoma de

En este libro se hace referencia a la versin 12 en ingls y a la versin 14 en espaol.

Procesamiento de datos y anlisis estadsticos utilizando SPSS

Organizacin del libro

Prof.a Dr. Marilia Costa Morosini

CASTAEDA, M. B.; CABRERA; A. F.; NAVARRO, Y.; VRIES, W. de

1 ASPECTOS GENERALES DE SPSS PARA WINDOWS

1.3 Qu tipo de anlisis estadsticos se pueden realizar con el programa

Procesamiento de datos y anlisis estadsticos utilizando SPSS

1.4 Ventajas y desventajas del programa SPSS

CASTAEDA, M. B.; CABRERA; A. F.; NAVARRO, Y.; VRIES, W. de

2 CREACIN DEL BANCO DE DATOS

Figura 1: Pantalla SPSS con opcin Type in Data o Introducir datos

Procesamiento de datos y anlisis estadsticos utilizando SPSS

2.2 Captura de datos con SPSS

CASTAEDA, M. B.; CABRERA; A. F.; NAVARRO, Y.; VRIES, W. de

Figura 2: Pantalla del editor SPSS antes de introducir los datos

Procesamiento de datos y anlisis estadsticos utilizando SPSS

Figura 3: Pantalla del editor SPSS con muestra de 20 observaciones

CASTAEDA, M. B.; CABRERA; A. F.; NAVARRO, Y.; VRIES, W. de

2.3 Documentacin de datos en SPSS

Procesamiento de datos y anlisis estadsticos utilizando SPSS

Gnero: Asigne el valor 1 en el cuadro value valor y escriba

CASTAEDA, M. B.; CABRERA; A. F.; NAVARRO, Y.; VRIES, W. de

Figura 3 a. Valores perdidos

5. Measure, Medida. Esta opcin le permitir especificar si la escala de la

Procesamiento de datos y anlisis estadsticos utilizando SPSS

CASTAEDA, M. B.; CABRERA; A. F.; NAVARRO, Y.; VRIES, W. de

Procesamiento de datos y anlisis estadsticos utilizando SPSS