Análisis de Datos I Análisis bivariante en el SPSS

Estadística descriptiva bivariada en el SPSS

1. ÍNDICES DE ASOCIACIÓN LINEAL
2. COMBINACIONES LINEALES
3. REGRESIÓN LINEAL SIMPLE
4. 2 VARIABLES CUALITATIVAS, 1 CUANTITATIVA y 1 ó 2 CUALTITATIVAS
___________________________
Bibliografía: Tema 3 de los apuntes del cuadernillo de prácticas de SPSS (pág. 21-40)
Ejercicios: Todos los de la página 40 del cuadernillo de prácticas (con el archivo practicas.sav)

En este esquema resumiremos cómo llevar a cabo los análisis descriptivos con dos variables revisados en la
segunda parte de la asignatura con el SPSS. Para realizar análisis descriptivos bivariantes pueden usarse los
procedimientos ‘Correlaciones’, ‘Regresión lineal’ y ‘Tablas de contingencia’

1. ÍNDICES DE ASOCIACIÓN LINEAL

Para obtener la covarianza y la correlación de Pearson se utiliza EL PROCEDIMIENTO CORRELACIONES
del SPSS:
Analizar > Correlaciones > Bivariadas

Lo primero es
trasladar a este
Seleccionar si se desea
cuadro las variables
obtener la matriz de
para las que se
varianzas-covarianzas
desee obtener un
coeficiente de
correlación lineal.
Por ejemplo, edad,
peso y estatura

Desde este menú se

pueden obtener tres:
el de Pearson (rxy),
el de Kendall y el de
Spearman. Los dos
últimos sirven para
variables ordinales.

Con estas selecciones se obtiene el siguiente resultado:

Correlaciones

Edad Peso Estatura

Edad Correlación de Pearson 1.000 -.050 -.018 En esta tabla aparecen resumidas las matrices de
Sig. (bilateral) . .482 .803 varianzas-covarianzas (S) y de correlaciones (R).
Suma de cuadrados y
2991.500 -399.650 -1.152 Cada casilla contiene la correlación (señalada en
productos cruzados
negrita) y la covarianza (señalada en cursiva) entre
Covarianza 15.033 -2.008 -.006 el cruce de cada 2 variables (edad con edad, edad
N 200 200 200 con peso, edad con estatura, etc.).
Peso Correlación de Pearson -.050 1.000 .857**
De esta tabla podemos deducir que:
Sig. (bilateral) .482 . .000
Suma de cuadrados y redad, peso = -0,050; Sedad, peso = -2,008
-399.650 21325.595 148.490 redad, estatura = -0,018; Sedad, estatura = -0,006
productos cruzados
rpeso, estatura = 0,857; S peso, estatura = 0,746
Covarianza -2.008 107.164 .746
N 200 200 200 S2edad = 15,033
S2 peso = 107,164
Estatura Correlación de Pearson -.018 .857** 1.000 S2 estatura = 0,007
Sig. (bilateral) .803 .000 .
Suma de cuadrados y Es decir, a partir de esta tabla podemos conocer las
-1.152 148.490 1.408 covarianzas, las correlaciones y las varianzas para
productos cruzados
todas las variables incluidas (en este caso tres
Covarianza -.006 .746 .007
variables).
N 200 200 200
**. La correlación es significativa al nivel 0,01 (bilateral).

Carmen Ximénez 1
Análisis de Datos I Análisis bivariante en el SPSS

La representación gráfica de la relación lineal entre variables se hace desde el menú Gráficos -> Dispersión:

Con estas selecciones el resultado es:

2.00

1.90
Pulsar para definir los ejes del
diagrama

Estatura
1.80

1.70

1.60

1.50
30 40 50 60 70 80 90 100

Peso

2. COMBINACIONES LINEALES
Para obtener combinaciones lineales del tipo T = X + Y; T = AX + BY; puede usarse el menú Transformar
-> Calcular (ya visto anteriormente). Veamos un ejemplo para la variable X = respon + emocio:

Calculando los descriptivos para las tres variables se observa como se

cumplen las propiedades T = X + Y ; ST2 = S2X + SY2 + 2 SXY :

Analizar -> Estadísticos descriptivos -> Descriptivos

Media Desv. típ. Varianza

Respon 46.1250 4.6882 21.979
Emocio 48.6250 4.9747 24.748
X 94.7500 8.1480 66.389

3. REGRESIÓN LINEAL SIMPLE

Para obtener la regresión de Y sobre X, se utiliza EL PROCEDIMIENTO REGRESIÓN del SPSS:

Analizar > Regresión > Lineal
Primero se definen las variables que hacen de CRITERIO y de PREDICTORA:

Desde aquí se
pueden guardar los
valores
pronosticados por
el modelo (las Y’i)
y los residuos (las
Yi -Y’i) para cada
sujeto del fichero.

Con estas selecciones el resultado que ofrece el Visor del SPSS es el siguiente:
Carmen Ximénez 2
Análisis de Datos I Análisis bivariante en el SPSS

Variables introducidas/eliminadas b

Variables Variables
Modelo introducidas eliminadas Método
1 Estatura a . Introducir
a. Todas las variables solicitadas introducidas
b. Variable dependiente: Peso

Resumen del modelo b

Esto es el coeficiente de
determinación, r2XY o la
R cuadrado Error típ. de la proporción de varianza en
Modelo R R cuadrado corregida estimación común entre peso y estatura.
1 .857 a .734 .733 5.3510
a. Variables predictoras: (Constante), Estatura
b. Variable dependiente: Peso

ANOVAb

Suma de Media Esto se verá en la asignatura

Modelo cuadrados gl cuadrática F Sig. Análisis de Datos II
1 Regresión 15656.269 1 15656.269 546.792 .000a
Residual 5669.326 198 28.633
Total 21325.595 199
a. Variables predictoras: (Constante), Estatura
b. Variable dependiente: Peso
Los coeficientes A y B del modelo pronosticado en
directas se ven en esta columna: siendo A = -118,375
a
Coeficientes y B = 105,437. Luego:
Peso’i = -118,375 + 105,437 estaturai
Coeficientes no Coeficientes
estandarizados estandarizados
Modelo B Error típ. Beta t Sig.
1 (Constante) -118.375 7.565 -15.648 .000
Estatura 105.437 4.509 .857 23.384 .000
En esta columna aparece el modelo
a. Variable dependiente: Peso en típicas: z peso’ = 0,857 zestatura

Estadísticos descriptivos

N Media Varianza Estos son los descriptivos para el criterio, Y (peso),

Unstandardized Predicted Value 200 58.295 78.675 los pronósticos (Y’) y los residuos (Y – Y’).
2
Unstandardized Residual 200 .000 28.489 Puede comprobarse que: S = S2Y’ + S2Y-Y’; es
Y
Peso 200 58.295 107.164 decir: 107,164 = 78,675 + 28,489

Para obtener una representación gráfica del ajuste del modelo: Gráficos -> Interactivos -> Diagramas de dispersión:

Con estas selecciones el resultado es:

90 1Peso = -118.37 + 105.44 * estatura

W
W
R-cuadrado = 0.73 W W W
W
W
80 W
W
W
W WWW W W
W W
W W
70 W W W
Peso

WW W
W W
W W WW WWW W
W W W W
W WW W
W W WWW W
WW W W
W WWWW W
W W W WW W W WW
60 W W
W W
W W
WWW WW
W WW W W W W
W W WWWW W
WW W W W W
W W
W W W WW
W W W W W
WWW W W
W W W WW
50 W
W
W W
W W W W
W WW
WW WW W WWW
W
WW W
WW
WW
40 W W

1.60 1.70 1.80 1.90

Estatura

Carmen Ximénez 3
Análisis de Datos I Análisis bivariante en el SPSS

Dos variables cualitativas: PROCEDIMIENTO TABLAS DE CONTINGENCIA

Para elaborar una tabla de contingencia: Analizar -> Estadísticos descriptivos -> Tablas de contingencia:

Desde aquí pueden obtenerse las

frecuencias conjuntas relativas (en
porcentajes) para las filas, las
columnas y para el total:

Seleccionar para
obtener un
diagrama de
barras para
las variables

El resultado obtenido es el siguiente:

INTERPRETACIÓN:
Tabla de contingencia Sexo * Tabaquismo
Globalmente, los resultados indican que la mayor parte de los sujetos
Tabaquismo son varones y no fuman (el 50%).
No fumador Fumador Total Las distribuciones condicionales indican que, hay un 27,5% de los no
Sexo Mujer Recuento 38 43 81 fumadores que son mujeres (frente al 53,1% de las fumadoras); y de los
% de Sexo varones el 84% son no fumadores. En cuanto a las mujeres, el 46,9%
46.9% 53.1% 100.0%
son no fumadoras y dentro de los fumadores el 69,4% son mujeres.
% de Tabaquismo 27.5% 69.4% 40.5%
% del total 19.0% 21.5% 40.5% 100
Varón Recuento 100 19 119
80
% de Sexo 84.0% 16.0% 100.0%
Recuento

% de Tabaquismo 72.5% 30.6% 59.5% 60

% del total 50.0% 9.5% 59.5% 40 Tabaquismo

Total Recuento 138 62 200
20 No fumador
% de Sexo 69.0% 31.0% 100.0%
0 Fumador
% de Tabaquismo 100.0% 100.0% 100.0% Mujer Varón
% del total 69.0% 31.0% 100.0%
Sexo

Una variable cualitativa y otra cuantitativa

Este gráfico representa la media de la variable
Gráficos -> Líneas -> Simple (Resúmenes para grupos de casos): peso para fumadores y no fumadores. Se ve que
los no fumadores tienen un peso medio mayor
que los fumadores.
59

59
Media Peso

58

58

57

57
No fumador Fumador

Tabaquismo

Una variable cuantitativa y dos cualitativas

Gráficos -> Líneas -> Múltiple (Resúmenes para grupos de casos):
80

Este gráfico es igual

70 al anterior pero para
Media Peso

varones y mujeres.
60
Sexo
50
Mujer

40 Varón
No fumador Fumador

Tabaquismo

Carmen Ximénez 4