Analisis Estadistico.docx

  • Uploaded by: Picha pichi
  • 0
  • 0
  • May 2020
  • PDF

This document was uploaded by user and they confirmed that they have the permission to share it. If you are author or own the copyright of this book, please report to us by using this DMCA report form. Report DMCA


Overview

Download & View Analisis Estadistico.docx as PDF for free.

More details

  • Words: 6,335
  • Pages: 50
Técnicas de análisis estadístico aplicadas a las ciencias de la actividad física y la salud Profesor: Manuel Pulido Martos Alumno: Juan Carlos Blanca Torres

1-4-2016 0

ÍNDICE PARTE 1 ........................................................................ página 2

PARTE 2 ........................................................................ página 17

PARTE 3 ........................................................................ página 25

1

Ejercicios para entregar por plataforma. PARTE 1 A continuación encontrarás una serie de ejercicios relacionados con las técnicas estadísticas explicadas en clase. En todos los casos debes indicar el tipo de análisis que llevas a cabo y justificar su empleo. Además, las respuestas deben estar basadas en los resultados de los análisis realizados. Cuando respondas, hazlo como si tu respuesta formase parte de un informe científico. Si necesitas incluir tablas o gráficos, apóyate en algún manual de estilo e indícalo (APA, Vancouver…)

Ingesta de nutrientes y fibra Se realiza un estudio para determinar el aporte calórico y de nutrientes al día en una muestra de 16 personas adultas. En el archivo nutrientes.sav encontrarás los datos recogidos: sexo de los participantes, consumo medio de calorías (kilocalorías) diario y consumo medio de proteínas (gramos) diario. Con la información de la tabla que aparece más adelante y que se corresponde con los consumos medios para población española durante diferentes años, trata de determinar lo siguiente:

2

 Si la media del consumo calórico de la muestra de estudio es diferente de los valores poblacionales del año 2003. Estadísticas de muestra única

N Energía

Media 16

2746,0000

Desviación

Media de error

estándar

estándar

13,02306

3,25576

Prueba de muestra única Valor de prueba = 2767 95% de intervalo de confianza de la diferencia Diferencia de t Energía

-6,450

gl

Sig. (bilateral) 15

medias

,000

-21,00000

Inferior -27,9395

Superior -14,0605

La media del consumo calórico es inferior este año (media = 2746.0) que en el año 2003 (media = 2767.0). La diferencia entre los dos años fue de 21 kilocalorías (95% IC = -27.93-14.06). Una prueba t para muestras independientes indicó que las diferencias entre el consumo calórico de este año y del 2003 eran estadísticamente significativas (t = -6.450; gl = 15; p < .001).

3

 Si la media del consumo de proteínas de la muestra de estudio es diferente de los valores poblacionales del año 2006. Estadísticas de muestra única

N Energía

Media 16

2746,0000

Desviación

Media de error

estándar

estándar

13,02306

3,25576

Prueba de muestra única Valor de prueba = 2761 95% de intervalo de confianza de la diferencia Diferencia de t Energía

-4,607

gl

medias

Sig. (bilateral) 15

,000

-15,00000

Inferior -21,9395

Superior -8,0605

La media del consumo de proteínas es superior este año (media = 94,03) que en el año 2006 (media =93,5). La diferencia entre los dos años fue de 0,53 g (95% IC = -,4532+1,5032). Una prueba t para muestras independientes indicó que las diferencias entre el consumo de proteínas de este año y del 2006 no eran estadísticamente significativas (t = -1,144; gl = 15; p>0,05).

4

 Si las medias de los consumos calóricos y de proteínas de hombres y mujeres (por separado) de la muestra de estudio son diferentes de los valores poblacionales del año 2000. Estadísticas de muestra única Media de e rror estánda r

Desviación Sexo

N

Media

estándar

Hombre

Energía

8

2752,5000

4,47214

1,58114

Mujer

Energía

8

2739,5000

15,71169

5,55492

Prueba de muestra única Valor de prueba = 2730 95% de intervalo de confianza de la diferencia Diferencia de Sexo

t

gl

Sig. (bilateral)

medias

Inferior

Superior

Hombre

Energía

14,230

7

,000

22,50000

18,7612

26,2388

Mujer

Energía

1,710

7

,131

9,50000

-3,6353

22,6353

La media del consumo calórico en hombres es superior este año (media = 2752.0) que en el año 2000 (media = 2730.0). La diferencia entre los dos años fue de 22 kilocalorías (95% IC = 18.76+26.23). Una prueba t para muestras independientes indicó que las diferencias entre el consumo calórico en los hombres de este año y del 2000 eran estadísticamente significativas (t = -14.230; gl = 7; p < .001). La media del consumo calórico en mujeres es superior este año (media = 2739.0) que en el año 2000 (media = 2730.0). La diferencia entre los dos años fue de 9.5 kilocalorías (95% IC = -3.64+22.64). Una prueba t para muestras independientes indicó que las diferencias entre el consumo calórico en las mujeres de este año y del 2000 no eran estadísticamente significativas (t = 1.710; gl = 7; p > .05).

5

Clientes de gimnasio El dueño del gimnasio “Muscle” está convencido de que la situación económica de los últimos años le está ocasionando un grave perjuicio. Ha visto como su número de clientes ha disminuido considerablemente en los últimos 3 años. Preocupado por la situación y esperando que si hay una recuperación económica eso le llevará a un aumento de clientes, ha decidido contactar con otros gimnasios para conocer el número de bajas de clientes desde el año 2006. Concretamente les ha pedido que le envíen el número de bajas del período 2006-2011. Ha decidido comparar el número de bajas de lo que el considera la época de bonanza económica (2006-2008) con el número de bajas de la época de crisis (2009-2011). Con el archivo gimnasio.sav debes ayudar al dueño del gimnasio “Muscle” para tomar una decisión sobre si la situación económica realmente está afectando a la clientela de los gimnasios. Construye un gráfico que ayude a visualizar los resultados encontrados. Estadísticas de muestras emparejadas

Media Par 1

N

Desviación

Media de error

estándar

estándar

bajas_nocris

65,5000

18

23,05046

5,43304

bajas_cris

79,1667

18

8,67891

2,04564

Correlaciones de muestras emparejadas N Par 1

bajas_nocris & bajas_cris

Correlación 18

6

,141

Sig. ,576

Prueba de muestras emparejadas

Sig. (bilateral )

Diferencias emparejadas 95% de intervalo de confianza de la Desviació

Media de

n

error

estándar

estándar

13,666 23,45459

5,52830

Media Par bajas_nocris 1

bajas_cris

67

diferencia Inferior

Superior

25,33036

-2,00297

t

gl

2,472

17

,024

La media de bajas tramitadas en los gimnasios fue más alta durante el periodo de crisis (2009-2011). La diferencia entre los dos periodos fue de 13.67 (95% IC = 25.33 – 2.00). Una prueba t para muestras relacionadas indicó que las diferencias entre los dos periodos eran estadísticamente significativas (t = 2.47; gl = 17; p < .05).

7

El gráfico de cajas y bigotes anterior muestra que existe cierto grado de solapamiento (moderado) entre las dos barras de cada momento. Así pues, existen diferencias en las medias del número de bajas en los años de crisis y la de los años de no crisis.

Desarrollo de anorexia La anorexia nerviosa es un trastorno alimentario que lleva a que las personas pierdan más peso de lo que se considera saludable para su edad y estatura. Las personas con este trastorno pueden tener un miedo intenso a aumentar de peso, incluso cuando están con peso insuficiente. Es posible que hagan dietas o ejercicio en forma excesiva o que utilicen otros métodos para bajar de peso. No se conocen las causas exactas de la anorexia nerviosa. Entre los factores de riesgo que predisponen a padecer el trastorno, encontramos una preocupación excesiva con el peso y la figura, tener un trastorno de ansiedad en la niñez, tener problemas alimentarios durante la lactancia o la primera infancia, tener ciertas ideas culturales o sociales respecto de la salud y la belleza, tratar de ser perfeccionista o demasiado centrado en reglas… La anorexia generalmente comienza durante los años de adolescencia o a principios de la edad adulta y es más común en mujeres, aunque también se puede ver en hombres. El trastorno se observa principalmente en mujeres de raza blanca, de alto rendimiento académico y que tienen familia o personalidad orientada hacia el logro de metas. En un estudio en el que se pretendía analizar los factores de riesgo para la anorexia nerviosa se recogieron datos de una muestra de 80 mujeres jóvenes procedentes de diversos países. Se les pedía que completasen un cuestionario en el que se recogía información sobre los siguientes aspectos: diagnóstico de anorexia nerviosa (debían indicar si padecían anorexia o no), su origen (caucásico, asiático u otro), el tipo de escuela en el que se habían formado (pública o privada) y tipo de trabajo (a tiempo completo, a tiempo parcial o sin empleo).

8

En el archivo anorexia.sav se incluyen los datos de todas las variables. Debes determinar si existen diferencias en lo que se refiere al desarrollo de la anorexia teniendo en cuenta el origen de las participantes (caucásico vs. no caucásico) y el tipo de trabajo (con empleo vs. sin empleo).

 Teniendo en cuenta el origen de las participantes (caucásico vs. no caucásico). Pruebas de chi-cuadrado Significación asintótica Valor

gl

(bilateral)

7,866a

2

,020

Razón de verosimilitud

8,078

2

,018

Asociación lineal por lineal

2,016

1

,156

Chi-cuadrado de Pearson

N de casos válidos

80

a. 2 casillas (33,3%) han esperado un recuento menor que 5. El recuento mínimo esperado es 2,85.

Al haber dos casillas con un recuento menor que 5 tenemos que utilizar la opción Exacta.

Resumen de procesamiento de casos Casos Válidos N origen * anorexia

Perdidos

Porcentaje 80

N

100,0%

Porcentaje 0

9

Total

0,0%

N

Porcentaje 80

100,0%

Tabla cruzada origen*anorexia anorexia sí origen

asiático

Recuento

caucásico

4

2

6

Recuento esperado

2,9

3,2

6,0

Recuento

22

36

58

27,6

30,5

58,0

Recuento

12

4

16

Recuento esperado

7,6

8,4

16,0

Recuento

38

42

80

38,0

42,0

80,0

Recuento esperado otro

Total

Total

no

Recuento esperado

Pruebas de chi-cuadrado Significación Valor

gl

Significación

exa cta

asintótica

exacta

(bilateral)

(bilateral)

7,866a

2

,020

,015

Razón de verosimilitud

8,078

2

,018

,037

Prueba exacta de Fisher

7,765

Chi-cuadrado de Pearson

Asociación lineal por lineal N de casos válidos

2,016b

Significación (unila teral)

Proba bilidad en el pun to

,017 1

,156

,191

,114

80

a. 2 casillas (33,3%) han esperado un recuento menor que 5. El recuento mínimo esperado es 2,85. b. El estadístico estandarizado es -1,420.

10

,065

La relación entre el hecho de padecer anorexia y el origen resultó estadísticamente significativa: χ2 (2, N = 80) = 7.87, p < .05.

11

 Teniendo en cuenta el tipo de trabajo. Resumen de procesamiento de casos Casos Válidos N empleo * anorexia

Perdidos

Porcentaje 80

N

100,0%

Total

Porcentaje 0

N

0,0%

Porcentaje 80

100,0%

Tabla cruzada empleo*anorexia anorexia sí empleo

tiempo completo

Recuento Recuento esperado

sin empleo

Recuento Recuento esperado

tiempo parcial

Recuento Recuento esperado

Total

Recuento Recuento esperado

12

Total

no 14

17

31

14,7

16,3

31,0

13

12

25

11,9

13,1

25,0

11

13

24

11,4

12,6

24,0

38

42

80

38,0

42,0

80,0

Pruebas de chi-cuadrado Significación asintótica Valor

(bilateral)

gl

,298a

2

,862

Razón de verosimilitud

,298

2

,862

Asociación lineal por lineal

,008

1

,930

Chi-cuadrado de Pearson

N de casos válidos

80

a. 0 casillas (0,0%) han esperado un recuento menor que 5. El recuento mínimo esperado es 11,40.

La relación entre el hecho de padecer anorexia y el tipo de empleo no resultó estadísticamente significativa: χ2 (2, N = 80) = .298, p > .05.

13

Edad y actividad física Siendo conscientes de los beneficios para la salud de la realización de actividad física, se recogieron datos de una muestra de 20 personas adultas para comprobar la posible relación entre la edad y los niveles de realización de actividad física. Además de la edad, se aplicaba una medida de auto-informe que permitía conocer los niveles de realización de actividad en una escala de 0-100 (0 = ausencia de realización de AF; 100 = elevadísima frecuencia de realización de AF). También se les pedía que informasen sobre el número de horas diarias que empleaban en tareas que requerían de su tiempo y dedicación (actividad laboral, quehaceres domésticos…) El archivo con los resultados se denomina edad_af.sav. Tu tarea consiste en obtener el diagrama de dispersión de las variables edad y actividad física y hacer una breve descripción del gráfico. Igualmente, debes obtener un diagrama de dispersión con las variables actividad física y tiempo de ocupación y describir el resultado obtenido. Cuantifica la relación entre edad y actividad física e indicar si la relación es significativa. Para terminar, indica si esa relación se mantiene cuando se tiene en cuenta el tiempo de ocupación diaria de los participantes en el estudio. Tienes que justificar tu respuesta.

14

El diagrama de dispersión anterior muestra que en edades tempranas se realiza mayores niveles de actividad física que en edades más avanzadas.

El diagrama de dispersión anterior expresa que cuanto más tiempo libre tienen los participantes también realizan más actividad física. Mientras que cuanto más tiempo ocupacional tienen parecen realizar menos horas de actividad física.

15

Correlaciones edad edad

Correlación de Pearson

af -,766**

1

,000

Sig. (unilateral) N af

Correlación de Pearson

20

20

-,766**

1

,000

Sig. (unilateral)

20

N

20

**. La correlación es significativa en el nivel 0,01 (unilateral).

Existe una correlación negativa entre la edad y los niveles de actividad física (r = -.766, N = 20, p < .05). Es una correlación fuerte: 58.6% de la variación es explicada. Correlaciones Variables de control tiempo_ocu

edad

edad Correlación Significación (bilateral) gl

af

Correlación Significación (bilateral) gl

af

1,000

-,199

.

,415

0

17

-,199

1,000

,415

.

17

0

Cuando se controla el tiempo ocupacional la correlación entre la edad y el nivel de actividad física no es significativa (r = -.199, gl=17, p > .05). En el caso de no controlar esta variable el resultado sí sería significativo (r = -.766, N = 20, p < .05).

16

Ejercicios para entregar por plataforma. PARTE 2 A continuación encontrarás una serie de ejercicios relacionados con las técnicas estadísticas explicadas en clase. En todos los casos debes indicar el tipo de análisis que llevas a cabo y justificar su empleo. Además, las respuestas deben estar basadas en los resultados de los análisis realizados. Cuando respondas, hazlo como si tu respuesta formase parte de un informe científico. Si necesitas incluir tablas o gráficos, apóyate en algún manual de estilo e indícalo (APA, Vancouver…)

Emociones, conflicto trabajo-familia y actividad física durante el tiempo libre Por organizaciones saludables entendemos que son aquellas caracterizadas por invertir esfuerzos de colaboración, sistemáticos e intencionales para maximizar el bienestar de los empleados y la productividad, mediante la generación de puestos bien diseñados y significativos, de ambientes sociales de apoyo, y finalmente mediante las oportunidades equitativas y accesibles para el desarrollo de la carrera y del balance trabajo-vida privada. Aspectos como la promoción de conductas saludables, como la realización de actividad física, o los niveles de conflicto trabajo-familia son por tanto variables de interés en el seno de las organizaciones saludables. Teniendo en cuenta, además, que la vida laboral no deja de ser una vida emocional y que como sostienen muchos autores existe una influencia recíproca entre trabajo y emociones, sería interesante conocer el papel que juega una habilidad como la regulación de las emociones en la relación con variables dentro de las organizaciones saludables. Con esta intención, se recogieron datos en una muestra de 225 trabajadores de diferentes empresas, sobre su habilidad para la regulación emocional percibida (reparación emocional), sobre la influencia negativa de los aspectos laborales en el entorno familiar (conflicto trabajo-familia) y sobre los niveles de realización de actividad física (andar, moderada y vigorosa) durante el tiempo libre. Los datos recogidos se encuentran en el archivo ipaq.sav.

17

Lo que se te pide es que determines si, en el grupo de trabajadores estudiado, los niveles de actividad física total (andar + moderada + vigorosa), el conflicto trabajo-familia y la capacidad para reparar emociones, contribuyen a explicar la variación en los síntomas físicos relacionados con la salud mental. Deberás suponer que los niveles de actividad física total y el conflicto trabajo-familia ya explican un porcentaje de la varianza de los síntomas físicos. Informarás sobre los resultados encontrados, incluyendo el porcentaje de varianza adicional de los síntomas físicos que llega a explicar la reparación emocional, más allá de lo explicado por los niveles de AF total y el conflicto trabajo-familia. Informarás también sobre la posible multicolinealidad entre las variables predictoras del modelo. Estadísticos descriptivos Desviación Media sintomas

N

3,97

1,910

225

28,28

6,136

225

,76

,759

225

1116,16

2134,332

225

reparacion conftrabfam afvig

estándar

Correlaciones sintomas Correlación de Pearson

conftrabfam

afvig

sintomas

1,000

-,187

,297

-,278

reparacion

-,187

1,000

,003

,119

conftrabfam

,297

,003

1,000

-,180

-,278

,119

-,180

1,000

.

,002

,000

,000

reparacion

,002

.

,484

,038

conftrabfam

,000

,484

.

,003

afvig

,000

,038

,003

.

afvig Sig. (unilateral)

reparacion

sintomas

18

N

sintomas

225

225

225

225

reparacion

225

225

225

225

conftrabfam

225

225

225

225

afvig

225

225

225

225

Variables entradas/eliminadasa

Modelo 1

Variables

Variables

entradas

eliminadas

Método

afvig, reparacion,

. Entrar

conftrabfamb a. Variable dependiente: síntomas b. Todas las variables solicitadas introducidas.

Resumen del modelo

Modelo 1

R

R cuadrado

,408a

,166

R cuadrado

Error estándar

ajustado

de la estimación ,155

1,756

a. Predictores: (Constante), afvig, reparacion, conftrabfam

ANOVAa Suma de Modelo 1

cuadrados

Media gl

cuadrática

Regresión

135,697

3

45,232

Residuo

681,085

221

3,082

Total

816,782

224

a. Variable dependiente: síntomas

19

F 14,677

Sig. ,000b

b. Predictores: (Constante), afvig, reparacion, conftrabfam

Coeficientesa Coeficientes Coeficientes no

estandarizad

Estadísticas de

estandarizados

os

colinealidad

Error Modelo 1

B

estándar

(Constante)

5,116

,565

reparacion

-,051

,019

,652

,000

conftrabfa m afvig

Beta

T

Sig.

Tolerancia

VIF

9,050

,000

-,163

-2,628

,009

,985

1,015

,157

,259

4,148

,000

,967

1,034

,000

-,212

-3,368

,001

,953

1,049

a. Variable dependiente: síntomas

Al usar el método simultáneo, resultó un modelo significativo: F (3,221) = 14.677, p< .001. Dicho modelo explicó el 15.5% de la varianza (R2 corregida = .155). En la siguiente tabla se incluye la información sobre las variables predictoras introducidas en el modelo. Coeficientes de regresión estandarizados y no estandarizados para las variables introducidas en el modelo.

Tabla 1. Coeficientes de regresión estandarizados y no estandarizados para las variables introducidas en el modelo

Modelo

B

Reparación emocional

β

E.E. -,051

,019

-,163*

Conflicto trabajo-familia

,652

,157

,259**

Actividad física vigorosa

,000

,000

-,212*

*p < .01, **p < .0005

20

Diagnósticos de colinealidada Proporciones de varianza Índice de Autovalor

condición

Modelo

Dimensión

(Constante)

1

1

2,845

1,000

,00

,01

,04

,03

2

,808

1,876

,00

,00

,13

,71

3

,325

2,959

,02

,02

,82

,25

4

,022

11,281

,97

,97

,01

,00

reparacion

conftrabfam

afvig

a. Variable dependiente: síntomas

Parece existir una colinealidad entre los síntomas y la reparación, debido a que son las variables con proporciones de varianza por encima del 90%.

21

Recaída de lesiones por práctica de deporte En el archivo recaida.sav encontrarás los datos recogidos en un estudio que pretendía identificar algunas de las variables que predicen las recaídas de lesiones en una muestra de 221 adultos lesionados por diferentes prácticas deportivas. En el archivo, la variable “edad” registra la edad del lesionado en años y “prerecaidas” el número de lesiones previas. La variable “recaida” es una variable categórica que registra si el lesionado volvía a lesionarse después de recuperarse de su última lesión. El valor 1 indica recaída, mientras que el 0 indica que el lesionado no volvía a recaer. Además se aplicaba un cuestionario con dos escalas tipo Likert (0-12). La escala cuyos datos se recogen en la variable “praclesivas” se refiere a la puesta en práctica, por parte del deportista, de acciones que no son recomendadas cuando se práctica deporte por el riesgo de causar lesión. Un valor de 0 indicaba que el deportista nunca llevaba a cabo ese tipo de acciones y un valor de 12 indicaba que desarrollaba esas acciones de forma habitual. La escala identificada con la variable “atencpreven” se refiere a la atención que prestan los deportistas a la prevención de lesiones (importancia que dan a los chequeos médicos, formación sobre prevención, consulta de documentación…). Un valor de 0 indica una ausencia de atención y un valor de 12 implica una máxima atención. Indica si las variables “práctica de acciones lesivas” y “atención a la prevención de lesiones” explican la recaída de lesiones. Incluye las tablas que sean necesarias para entender los resultados. Se llevó a cabo un análisis de regresión logística con la recaída de lesiones como variable dependiente y la práctica de acciones lesivas y atención a la prevención de lesiones como variables predictoras. Se analizaron un total de 221 casos y el modelo completo predecía de forma significativa la recaída de lesiones (chicuadrado omnibus = 19,88, gl = 2, p < .05). El modelo explicaba entre un 8,6% y un 12.3% de la varianza de la recaída, con el 94.3% de los deportistas que no sufrían recaídas exitosamente predicho. De otro lado, solo el 14.1% de las predicciones para la condición de recaídas fueron acertadas. En general, el 71.0% de las predicciones fueron correctas. La Tabla praclesivas-atencpreven muestra los coeficientes, el estadístico de Wald, los grados de libertad asociados y los valores de probabilidad para cada una de las variables predictoras. Se pudo comprobar que solo las acciones relacionadas con las lesiones predecían de forma fiable las recaídas de lesiones. El valor de los coeficientes revela que cada unidad incrementada en las acciones

22

relacionadas con lesiones está asociada con un incremento de las probabilidades de recaída por un factor de 1.18 (95% IC 1.03-1.35). Resumen de procesamiento de casos Casos sin ponderara

N

Casos seleccionados

Incluido en el análisis

Porcentaje 221

100,0

0

,0

221

100,0

0

,0

221

100,0

Casos perdidos Total Casos no seleccionados Total

a. Si la ponderación está en vigor, consulte la tabla de clasificación para el número total de casos.

Pruebas ómnibus de coeficientes de modelo Chi-cuadrado Paso 1

gl

Sig.

Paso

19,877

2

,000

Bloque

19,877

2

,000

Modelo

19,877

2

,000

Resumen del modelo

Paso

Logaritmo de la

R cuadrado de

R cuadrado de

verosimilitud -2

Cox y Snell

Nagelkerke

1

246,113a

,086

,123

a. La estimación ha terminado en el número de iteración 4 porque las estimaciones de parámetro han cambiado en menos de ,001.

23

Tabla de clasificacióna Pronosticado recaída Porcentaje no

Observado Paso 1

recaída

no si

si

correcto

148

9

94,3

55

9

14,1 71,0

Porcentaje global a. El valor de corte es ,500

Variables en la ecuación 95% C.I. para EXP(B) Error B Paso 1a

praclesivas atencpreve n Constante

estándar

Wald

gl

Sig.

Exp(B)

Inferior

Superior

,159

,060

7,032

1

,008

1,173

1,042

1,319

,097

,065

2,244

1

,134

1,102

,970

1,252

-2,470

,427

33,523

1

,000

,085

a. Variables especificadas en el paso 1: praclesivas, atencpreven.

24

Ejercicios para entregar por plataforma. PARTE 3 A continuación encontrarás una serie de ejercicios relacionados con las técnicas estadísticas explicadas en clase. En todos los casos debes indicar el tipo de análisis que llevas a cabo y justificar su empleo. Además, las respuestas deben estar basadas en los resultados de los análisis realizados. Cuando respondas, hazlo como si tu respuesta formase parte de un informe científico. Si necesitas incluir tablas o gráficos, apóyate en algún manual de estilo e indícalo (APA, Vancouver…)

La estructura multidimensional del auto-concepto en adolescentes de 12-13 años, evaluado mediante el Self-Description Questionnaire II (Marsh, 1992) En un estudio realizado con 265 adolescentes de séptimo grado en EEUU, se aplicó un instrumento para evaluar el auto-concepto. La estructura teórica del auto-concepto arroja cuatro factores diferenciados: auto-concepto general (General SC), auto-concepto académico (Academic SC), auto-concepto para el inglés (English SC) y auto-concepto para las matemáticas (Math SC). Los datos recogidos se encuentran en el archivo self_concept.ess. Lo que se te pide es que analices con EQS la estructura factorial del autoconcepto en adolescentes. En primer lugar comprueba la hipótesis de normalidad multivariante y después comprueba el ajuste de un modelo con cuatro factores oblicuos (relacionados) (General SC, Academic SC, English SC y Math SC). Las variables observadas cargan sobre los factores con el siguiente patrón: General SC: SDQ2N01, SDQ2N13, SDQ2N25, SDQ2N37 Academic SC: SDQ2N04, SDQ2N16, SDQ2N28, SDQ2N40 English SC: SDQ2N10, SDQ2N22, SDQ2N34, SDQ2N46 Math SC: SDQ2N07, SDQ2N19, SDQ2N31, SDQ2N43

25

SDQ2N01

E25

SDQ2N13

E26

SDQ2N25

E27

SDQ2N37

E28

SDQ2N04

E29

SDQ2N16

E30

SDQ2N28

E31

SDQ2N40

E32

SDQ2N10

E33

SDQ2N22

E34

SDQ2N34

E35

SDQ2N46

E36

SDQ2N07

E37

General

Academico

Inglés

Mates

SDQ2N19

E38

SDQ2N31 SDQ2N43

E4309

El modelo no tiene ningún problema asociado a la identificación.

26

UNIVARIATE STATISTICS ---------------------

VARIABLE SDQ2N04

SDQ2N01

SDQ2N13

SDQ2N25

SDQ2N37

V25

V26

V27

MEAN 4.5208

4.4075

5.0038

5.0981

4.8264

SKEWNESS (G1) .6969

-.6669

-1.2792

-1.6174

-1.1139

-

KURTOSIS (G2) .3831

-.3399

.5618

2.2172

1.0580

-

STANDARD DEV. 1.4009

1.3484

1.3582

1.2270

1.1448

VARIABLE SDQ2N22

MEAN 5.3774

SDQ2N16

SDQ2N28

SDQ2N40

V30

V31

V32

4.6491

4.6906

4.9774

27

V28

V29

SDQ2N10 V33

4.6226

V34

SKEWNESS (G1) 1.9811

-.8857

-1.1636

-1.4999

-.8971

KURTOSIS (G2) 3.6907

.2561

.8334

1.5299

.4605

STANDARD DEV. 1.0911

1.2407

1.3323

1.3594

1.1518

VARIABLE SDQ2N31

SDQ2N34

SDQ2N46

SDQ2N07

SDQ2N19

V35

V36

V37

MEAN 4.7396

3.8906

5.2679

4.3208

4.5434

SKEWNESS (G1) 1.2169

-.2529

-1.9158

-.6471

-.9925

KURTOSIS (G2) .3823

-1.2894

2.7409

-.9754

-.3680

STANDARD DEV. 1.5704

1.7032

1.2968

1.7814

1.6942

VARIABLE

SDQ2N43 V40

MEAN

4.9774

SKEWNESS (G1)

-1.4930

KURTOSIS (G2)

1.2910

STANDARD DEV.

1.4006 28

-

V38

V39

-

MULTIVARIATE KURTOSIS ---------------------

MARDIA'S COEFFICIENT (G2,P) =

104.7880

NORMALIZED ESTIMATE =

35.5380

GOODNESS OF FIT SUMMARY FOR METHOD = ROBUST

ROBUST INDEPENDENCE MODEL CHI-SQUARE = OF FREEDOM

1158.861 ON

120 DEGREES

INDEPENDENCE AIC =

918.86114

INDEPENDENCE CAIC =

369.29356

MODEL AIC =

-75.37003

MODEL CAIC =

-524.18355

SATORRA-BENTLER SCALED CHI-SQUARE = OF FREEDOM

120.6300 ON

98 DEGREES

PROBABILITY VALUE FOR THE CHI-SQUARE STATISTIC IS

RESIDUAL-BASED TEST STATISTIC

.06018

=

PROBABILITY VALUE FOR THE CHI-SQUARE STATISTIC IS

YUAN-BENTLER RESIDUAL-BASED TEST STATISTIC

YUAN-BENTLER RESIDUAL-BASED F-STATISTIC DEGREES OF FREEDOM

=

=

PROBABILITY VALUE FOR THE F-STATISTIC IS

----------FIT

BENTLER-BONETT

NON-NORMED

FIT

INDEX INDEX

COMPARATIVE FIT INDEX (CFI)

= 29

= =

.03376

167 .00801

FIT INDICES

NORMED

125.101

1.530 98,

BENTLER-BONETT

.00000

=

PROBABILITY VALUE FOR THE CHI-SQUARE STATISTIC IS

236.969

.896 .973 .978

BOLLEN

(IFI) FIT INDEX

=

.979

MCDONALD (MFI) FIT INDEX

=

.958

ROOT MEAN-SQUARE ERROR OF APPROXIMATION (RMSEA) 90% CONFIDENCE INTERVAL OF RMSEA

(

.000,

=

.030 .046)

MEASUREMENT EQUATIONS WITH STANDARD ERRORS AND TEST STATISTICS STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @. (ROBUST STATISTICS IN PARENTHESES)

SDQ2N01 =V25 =

1.000 F1

+ 1.000 E25

SDQ2N13 =V26 =

1.084*F1

+ 1.000 E26

.154 7.027@ (

.168)

(

6.460@

SDQ2N25 =V27 =

.851*F1

+ 1.000 E27

.132 6.437@ (

.147)

(

5.789@

SDQ2N37 =V28 =

.935*F1

+ 1.000 E28

.131 7.117@

SDQ2N04 =V29 =

(

.152)

(

6.136@

1.000 F2

+ 1.000 E29

30

SDQ2N16 =V30 =

1.278*F2

+ 1.000 E30

.150 8.507@ (

.169)

(

7.564@

SDQ2N28 =V31 =

1.247*F2

+ 1.000 E31

.154 8.083@ (

.181)

(

6.885@

SDQ2N40 =V32 =

1.259*F2

+ 1.000 E32

.157 8.037@ (

.199)

(

6.313@

SDQ2N10 =V33 =

1.000 F3

+ 1.000 E33

SDQ2N22 =V34 =

.889*F3

+ 1.000 E34

.103 8.643@

SDQ2N34 =V35 =

(

.098)

(

9.067@

.670*F3

+ 1.000 E35

.148 4.528@

31

(

.162)

(

4.131@

SDQ2N46 =V36 =

.843*F3

+ 1.000 E36

.117 7.212@ (

.150)

(

5.626@

No se presenta ningún problema, ningún valor es negativo y todos son significativos.

VARIANCES OF INDEPENDENT VARIABLES ---------------------------------STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @.

V

F

---

--I F1

-

F1

.615*I

I

.138 I

I

4.452@I

I

(

.144)I

I

(

4.274@I

I

I

I F2

-

F2

.563*I

I

.127 I

I

4.446@I

I

(

.140)I

I

(

4.028@I

I

I

I F3 I

-

F3

.671*I .117 I

32

I

5.739@I

I

(

.123)I

I

(

5.457@I

I

I

I F4

-

F4

2.316*I

I

.274 I

I

8.443@I

I

(

.219)I

I

( 10.553@I

I

I

No se presenta ningún problema, ningún valor es negativo.

VARIANCES OF INDEPENDENT VARIABLES ---------------------------------STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @.

E

D

---

---

E25 -SDQ2N01

1.203*I

I

.126 I

I

9.524@I

I

(

.142)I

I

(

8.479@I

I

I

I

1.123*I

I

.125 I

I

9.003@I

I

(

.161)I

I

(

6.953@I

I

I

I

E26 -SDQ2N13

33

E27 -SDQ2N25

1.061*I

I

.107 I

I

9.882@I

I

(

.136)I

I

(

7.825@I

I

I

I

.773*I

I

.088 I

I

8.797@I

I

(

.108)I

I

(

7.142@I

I

I

I

1.399*I

I

.129 I

I

10.879@I

I

(

.144)I

I

(

9.709@I

I

I

I

.618*I

I

.069 I

I

9.005@I

I

(

.076)I

I

(

8.177@I

I

I

I

.900*I

I

.090 I

I

9.943@I

I

(

.142)I

I

(

6.355@I

I

I

I

.955*I

I

.095 I

I

10.009@I

I

E28 -SDQ2N37

E29 -SDQ2N04

E30 -SDQ2N16

E31 -SDQ2N28

E32 -SDQ2N40

34

(

.165)I

I

(

5.799@I

I

I

I

.656*I

I

.083 I

I

7.926@I

I

(

.108)I

I

(

6.061@I

I

I

I

.660*I

I

.076 I

I

8.718@I

I

(

.121)I

I

(

5.448@I

I

I

I

2.600*I

I

.234 I

I

11.108@I

I

.171)I

I

( 15.181@I

I

I

I

1.205*I

I

.119 I

I

10.164@I

I

(

.173)I

I

(

6.985@I

I

I

I

E33 -SDQ2N10

E34 -SDQ2N22

E35 -SDQ2N34

(

E36 -SDQ2N46

COVARIANCES AMONG INDEPENDENT VARIABLES --------------------------------------STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @.

V

F 35

---

--I F2

-

F2

.416*I

I F1

-

F1

.079 I

I

5.282@I

I

(

.084)I

I

(

4.959@I

I

I

I F3

-

F3

.356*I

I F1

-

F1

.072 I

I

4.937@I

I

(

.070)I

I

(

5.083@I

I

I

I F4

-

F4

.637*I

I F1

-

F1

.119 I

I

5.375@I

I

(

.131)I

I

(

4.869@I

I

I

I F3

-

F3

.466*I

I F2

-

F2

.079 I

I

5.911@I

I

(

.094)I

I

(

4.970@I

I

I

I F4

-

F4

.876*I

I F2

-

F2

.135 I

I

6.508@I

I

(

.141)I

I

(

6.213@I

I

I

I F4

-

F4

.332*I

I F3

-

F3

.101 I

36

I

3.302@I

I

(

.121)I

I

(

2.749@I

I

I

CORRELATIONS AMONG INDEPENDENT VARIABLES ---------------------------------------

V

F

---

--I F2

-

F2

.707*I

I F1

-

F1

I

I

I

I F3

-

F3

.555*I

I F1

-

F1

I

I

I

I F4

-

F4

.534*I

I F1

-

F1

I

I

I

I F3

-

F3

.758*I

I F2

-

F2

I

I

I

I F4

-

F4

.767*I

I F2

-

F2

I

I

I

I F4

-

F4

.266*I

I F3

-

F3

I

I

I

STANDARDIZED SOLUTION:

R-SQUARED

37

SDQ2N01 =V25 =

.581 F1

+ .814 E25

.338

SDQ2N13 =V26 =

.626*F1

+ .780 E26

.391

SDQ2N25 =V27 =

.544*F1

+ .839 E27

.296

SDQ2N37 =V28 =

.640*F1

+ .768 E28

.410

SDQ2N04 =V29 =

.536 F2

+ .844 E29

.287

SDQ2N16 =V30 =

.774*F2

+ .634 E30

.598

SDQ2N28 =V31 =

.702*F2

+ .712 E31

.493

SDQ2N40 =V32 =

.695*F2

+ .719 E32

.483

SDQ2N10 =V33 =

.711 F3

+ .703 E33

.506

SDQ2N22 =V34 =

.668*F3

+ .745 E34

.446

SDQ2N34 =V35 =

.322*F3

+ .947 E35

.104

SDQ2N46 =V36 =

.532*F3

+ .847 E36

.283

SDQ2N07 =V37 =

.854 F4

+ .520 E37

.730

SDQ2N19 =V38 =

.756*F4

+ .655 E38

.571

SDQ2N31 =V39 =

.923*F4

+ .385 E39

.851

SDQ2N43 =V40 =

.712*F4

+ .702 E40

.507

Aparecen las cargas factoriales (>.70). Nivel de significación extraído de las ecuaciones de medida. También aparecen los valores de R2 que muestran la fiabilidad individual de cada ítem (>.50).

38

Clima del aula y burnout En un estudio realizado con 716 profesores de distintos niveles educativos, se pretendía comprobar un modelo que explicase los efectos de una variable de tipo psicosocial (como el clima del aula) sobre dos dimensiones del burnout (cansancio emocional y realización personal). Concretamente, se planteaba que el clima del aula contribuiría de forma positiva a mejorar los niveles de realización personal, pero a través de su influencia sobre el cansancio emocional. El clima del aula favorable ayudaría a disminuir los niveles de cansancio emocional. Lo que se te pide es que analices con EQS el modelo teórico planteado y compruebes su ajuste a los datos. Los datos los encontrarás en el archivo burnout.ess. El modelo de medida que tendrás en cuenta para plantear las relaciones entre variables será el siguiente: Clima del aula: V7, V8, V9, V10 Cansancio emocional: V25, V26, V27 Realización personal: V30, V31, V32

39

D2

...

/G =8n ·G ... G ... c:J

E27

...

E8

...

E9

/G ,B ·G ... G ... 40

E26

E7

G ...

E25

El ü

E30

E31

E32

TOTAL NUMBER OF LINES PER SET IS:

26

(SUMMARY SECTION PLUS INFORMATION SECTION(S))

CODEBOOK FILE HAS BEEN WRITTEN ON FILE EQSOUT.CBK 30-Mar-16 TITLE:

PAGE :

6

EQS

Licensee:

Model built by EQS 6 for Windows

MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY)

PARAMETER ESTIMATES APPEAR IN ORDER, NO SPECIAL PROBLEMS WERE ENCOUNTERED DURING OPTIMIZATION.

UNIVARIATE STATISTICS ---------------------

VARIABLE

V7

V8

V9

V10

MEAN 3.8405

2.9669

2.7088

2.8863

3.0256

SKEWNESS (G1) .0570

-.3625

-.3965

-.1934

-.5057

KURTOSIS (G2) .6180

.2077

-.2753

.4423

-.2101

STANDARD DEV. 1.3110

.5303

.6363

.4932

.7125

VARIABLE

V26

V27

41

V30

V31

V25

-

V32

MEAN 5.8227

3.5354

3.1362

5.7729

5.8552

SKEWNESS (G1) .7659

.3811

.6495

-.8599

-.8903

KURTOSIS (G2) .1308

-.3170

-.1712

.6924

.4864

STANDARD DEV. .9559

1.2536

1.3205

.8983

.9451

-

MULTIVARIATE KURTOSIS ---------------------

MARDIA'S COEFFICIENT (G2,P) =

12.9699

NORMALIZED ESTIMATE =

11.2010

Los valores de kurtosis son normales ya que son todos inferiores a 1.96. En el encabezado multivariante Kurtosis observamos dos variantes del coeficiente Mardia. De mayor interés es la opción normalizada (<5).

GOODNESS OF FIT SUMMARY FOR METHOD = ROBUST

ROBUST INDEPENDENCE MODEL CHI-SQUARE = OF FREEDOM

2787.503 ON

45 DEGREES

INDEPENDENCE AIC =

2697.50332

INDEPENDENCE CAIC =

2446.68771

MODEL AIC =

135.14818

MODEL CAIC =

-48.78326

SATORRA-BENTLER SCALED CHI-SQUARE = OF FREEDOM

201.1482 ON

33 DEGREES

PROBABILITY VALUE FOR THE CHI-SQUARE STATISTIC IS

RESIDUAL-BASED TEST STATISTIC

.00000

=

42

177.239

PROBABILITY VALUE FOR THE CHI-SQUARE STATISTIC IS

YUAN-BENTLER RESIDUAL-BASED TEST STATISTIC

.00000

=

142.070

PROBABILITY VALUE FOR THE CHI-SQUARE STATISTIC IS

YUAN-BENTLER RESIDUAL-BASED F-STATISTIC DEGREES OF FREEDOM

=

=

.00000

5.130 33,

PROBABILITY VALUE FOR THE F-STATISTIC IS

683 .00000

FIT INDICES ----------BENTLER-BONETT

NORMED FIT INDEX =

.928

BENTLER-BONETT NON-NORMED FIT INDEX =

.916

COMPARATIVE FIT INDEX (CFI)

=

.939

BOLLEN

(IFI) FIT INDEX

=

.939

MCDONALD (MFI) FIT INDEX

=

.889

ROOT MEAN-SQUARE ERROR OF APPROXIMATION (RMSEA) 90% CONFIDENCE INTERVAL OF RMSEA

(

.073,

=

.084 .096)

MEASUREMENT EQUATIONS WITH STANDARD ERRORS AND TEST STATISTICS STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @. (ROBUST STATISTICS IN PARENTHESES)

V7 =V7 =

V8

1.000 F1

=V8

=

+ 1.000 E7

1.588*F1

+ 1.000 E8

.115 13.757@ (

.123)

( 12.932@

V9

=V9

=

.974*F1

+ 1.000 E9 43

.078 12.466@ (

.083)

( 11.706@

V10

=V10 =

1.367*F1

+ 1.000 E10

.112 12.232@ (

.119)

( 11.485@

V25

=V25 =

1.000 F2

+ 1.000 E25

V26

=V26 =

1.051*F2

+ 1.000 E26

.031 33.674@ (

.028)

( 37.472@

V27

=V27 =

.992*F2

+ 1.000 E27

.034 29.583@ (

.034)

( 29.577@

V30

=V30 =

1.000 F3

+ 1.000 E30

V31

=V31 =

1.142*F3

+ 1.000 E31 44

.063 18.156@ (

.062)

( 18.317@

V32

=V32 =

1.063*F3

+ 1.000 E32

.060 17.730@ (

.068) ( 15.535@

No se presenta ningún problema, ningún valor es negativo y todos son significativos.

VARIANCES OF INDEPENDENT VARIABLES ---------------------------------STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @.

V

F

---

--I F1

-

F1

.101*I

I

.013 I

I

7.816@I

I

(

.014)I

I

(

7.292@I

I

I

I F3

-

F3

.456*I

I

.043 I

I

10.598@I

I

(

I

( 10.298@I

I

I

45

.044)I

No se presenta ningún problema ya que ningún valor es negativo y todos son significativos.

VARIANCES OF INDEPENDENT VARIABLES ---------------------------------STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @.

E7

-

E

D

---

---

V7

.180*I D2

(

E8

-

-

.011 I

.082 I

15.915@I

13.725@I

.011)I

(

.079)I

I

I

.150*I

I

.015 I

I

9.975@I

I

.015)I

I

( 10.110@I

I

I

I

.147*I

I

.010 I

I

15.402@I

I

.011)I

I

( 13.990@I

I

I

I

.318*I

I

.020 I

I

V8

V9

V10

1.121*I

( 14.219@I

(

E10 -

F2

( 16.393@I

(

E9

-

46

15.732@I

I

.021)I

I

( 15.151@I

I

I

I

.442*I

I

.032 I

I

13.781@I

I

.036)I

I

( 12.431@I

I

I

I

.162*I

I

.026 I

I

6.344@I

I

(

.026)I

I

(

6.222@I

I

I

I

.488*I

I

.034 I

I

14.489@I

I

.039)I

I

( 12.527@I

I

I

I

.351*I

I

.027 I

I

13.111@I

I

(

.039)I

I

(

8.920@I

I

I

I

.299*I

I

.029 I

I

(

E25 -

V25

(

E26 -

E27 -

V26

V27

(

E30 -

E31 -

V30

V31

47

E32 -

10.129@I

I

(

.039)I

I

(

7.692@I

I

I

I

.398*I

I

.030 I

I

13.129@I

I

.036)I

I

( 10.915@I

I

I

I

V32

(

No se presenta ningún problema ya que ningún valor es negativo y todos son significativos.

COVARIANCES AMONG INDEPENDENT VARIABLES --------------------------------------STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @.

V

F

---

--I F3

-

F3

.079*I

I F1

-

F1

.012 I

I

6.814@I

I

(

.013)I

I

(

6.334@I

I

I

CORRELATIONS AMONG INDEPENDENT VARIABLES 48

---------------------------------------

V

F

---

--I F3

-

F3

.370*I

I F1

-

F1

I

I

I

STANDARDIZED SOLUTION: SQUARED

R-

V7

=V7

=

.600 F1

+

.800 E7

.360

V8

=V8

=

.794*F1

+

.608 E8

.631

V9

=V9

=

.628*F1

+

.778 E9

.395

V10

=V10 =

.611*F1

+

.792 E10

.373

V25

=V25 =

.862 F2

+

.507 E25

.743

V26

=V26 =

.947*F2

+

.321 E26

.897

V27

=V27 =

.849*F2

+

.529 E27

.720

V30

=V30 =

.751 F3

+

.660 E30

.565

V31

=V31 =

.816*F3

+

.578 E31

.666

V32

=V32 =

.751*F3

+

.660 E32

.564

-.350*F1

+

.937 D2

.122

F2

=F2

=

Aparecen las cargas factoriales (>.70). Nivel de significación extraído de las ecuaciones de medida. También aparecen los valores de R2 que muestran la fiabilidad individual de cada ítem (>.50).

49

Related Documents

Analisis
June 2020 46
Analisis
June 2020 51
Analisis
October 2019 71
Analisis
September 2019 78
Analisis
November 2019 53
Analisis
November 2019 60

More Documents from ""

May 2020 4
Glosario.docx
April 2020 6
April 2020 3