Regresión lineal, ANOVA, clúster y análisis factorial en SPSS: guía práctica paso a paso
Regresión lineal
Recodificar en variables distintas
Los valores perdidos → perdidos del sistema
Todos los demás valores → perdidos del sistema
Etiquetas de valor → cambiar los nombres
Medida → escala
Analizar → Regresión → Lineales
Dependientes → Variable dependiente recodificada
Independientes → Todas las variables independientes recodificadas
Estadísticos → Coeficientes de regresión → todas las casillas
Método → Intro: realizar pasos individuales, por pasos
Resumen del modelo
Observamos que existe un único modelo.
Disponemos de la R cuadrado y la R cuadrado ajustada.
Con las variables que tenemos, observamos la varianza explicada: en este caso es del 40,7 % → es significativa (sig. < 0,001).
Realizamos la predicción, aunque no es muy precisa. Explicamos un 40 % de la variabilidad de la monarquía.
ANOVA
A continuación, con la tabla ANOVA y observando la columna Sig., podemos ver que se puede rechazar la hipótesis nula, ya que es menor que 0,05. Gracias a la hipótesis nula sabemos si los factores están relacionados o no. En este caso, se cumple nuestra hipótesis.
Coeficientes
Ecuación de regresión → Y = -1,004 (CONSTANTE) + (X1 × 0,954 (Escala ideológica))
Ecuación de regresión → Y = -1,004 (CONSTANTE «B») + (ESCALA IDEOLÓGICA) (X1 × 0,954) + (X2 × …)
Por último, para comprobar si se cumplen las hipótesis anteriores, debemos escribir la ecuación de regresión, ponerle ejemplos y realizar predicciones, de la siguiente forma:
Para verlo mejor, se deben poner ejemplos:
Extrema izquierda (ideología) → en una escala de 1 a 10, la extrema derecha valdrá 10.
Y = -1,004 + (10 × 0,954)
Y = 8,53
Extrema derecha → en una escala de 1 a 10, la extrema izquierda valdrá 1.
Y = -1,004 + (1 × 0,954)
Y = 0,0038
Siempre existe un pequeño error en todos los resultados, por lo que para conocer su valor debemos aplicar la fórmula:
Y ± = Z × Error estándar de la estimación (tabla resumen del modelo)
«Z» siempre es 1,96.
Y ± = 1,96 × 2,238
Y ± = 4,38 → es el margen de error
Y = 8,53 ± 4,38
→ Límite superior (+) = 12,91
→ Límite inferior (−) = 4,15
Con los datos observados, comprobamos que nuestra hipótesis es correcta.
Qué varianza, en porcentaje, explica cada variable por sí sola, aislada de las demás.
Orden 0 × BETA = mayor aporte
Ideología → 0,638 × 0,638 = 0,407 → 40,7 %
Para determinar quién tiene mayor influencia en la valoración del PP, debemos tomar los resultados más altos.
Diagnóstico de colinealidad
Es similar a la correlación.
Debemos observar el índice de condición: si es superior a 15, podemos afirmar que existe colinealidad entre las variables, es decir, que las variables explican lo mismo.
En este caso, las variables no explican lo mismo, por lo que no existe problema de colinealidad: no están solapadas.
Clúster jerárquico
Analizar → Clasificar → Clúster jerárquico
Variables: variables de clasificación
Etiquetar casos mediante: grupos
Estadísticos: historial de conglomerados
Gráficos: solicitar dendrograma
Método: determinar la medida
Clúster no jerárquico
Analizar → Clasificar → Clúster K-Means
Variables: variables de clasificación
Etiquetar casos mediante: grupos
Guardar: clúster de pertenencia y distancia desde el centro
Opciones: centros de clúster iniciales / tabla ANOVA / información del clúster
KBA (Análisis de correspondencias)
Paso 1: archivo «KBA_HERRI KIROLAK»
Dos variables:
Filas: Herri kirolak → 11 categorías (ver valores)
Columnas: Características → 18 en total (etiqueta)
Pregunta: ¿Con qué características se relaciona cada deporte?
H0: No existe relación entre las variables.
H1: Existe relación entre las variables.
Paso 2: archivo de sintaxis → Archivo → Nuevo → Sintaxis
Escribir: CORRESPONDENCE (se mostrará en rojo)
TABLE = ALL (número de categorías de la variable de fila, número de categorías de la variable de columna)
En este caso: TABLE = ALL (11, 18) → ▶ (ejecutar selección)
ONA (Análisis factorial)
Analizar → Reducción de dimensiones → Factor
Descriptivos: Descriptivos, KMO y Bartlett, Coeficientes, Anti-imagen y Determinante
Extracción: «Basados en autovalores mayores que 1» y gráfico de sedimentación
Rotación: se utilizan distintas, la más habitual es «varimax»
Puntuaciones: omitir
Opciones: ordenar por tamaño
Cuando llegues a la tabla «Varianza total explicada», debes comprobar que, en la columna «Acumulado», el segundo factor alcance el 60 %.
Primero se prueba eliminando el último factor, a ver si así los demás cambian y se llega al 60 %. Si aun así no se alcanza, se continúa.
Si no llega al 60 %, hay que repetir todas las tablas.
Orden: Analizar → Reducción de dimensiones → Factor
Descriptivos: Descriptivos, KMO y Bartlett, Coeficientes, Anti-imagen y Determinante
Extracción: «Basados en autovalores mayores que 1», «número fijo de factores: 4» y gráfico de sedimentación
Rotación: se utilizan distintas, la más habitual es «varimax»
Puntuaciones: omitir
Opciones: omitir
Si siguen sin salir bien, elimina el factor que sea menor que 0,4 en la tabla de comunalidades.
Y repite todo el proceso hasta que salga correctamente.
ANOVA
Para obtener las tablas → Modelo lineal general → Univariado
Dependiente: variable dependiente «escala de felicidad» (0–10), donde 0 es nada feliz y 10 es totalmente feliz.
Fijos: factores (o los dos factores)
a) «Edad» → tras recodificarla, la variable queda en 3 niveles (18–39; 40–64 y >65).
b) «Sexo» → hombre o mujer (2 niveles).
Las pruebas post hoc no se realizan para sexo porque hay menos de tres grupos.
Gráficos → Edad: horizontal; Sexo: líneas separadas
Post hoc → Scheffe
Opciones → Estadísticos descriptivos, pruebas de homogeneidad
Recodificación:
Transformar → Recodificar en distintas variables → renombrar y cambiar → Cambiar valores e introducir los nuevos
Regresión lineal (repetición)
Transformar → Recodificar en distintas variables
Los valores perdidos → perdidos del sistema
Todos los demás valores → perdidos del sistema
Etiquetas de valor → cambiar los nombres
Medida → escala
Analizar → Regresión → Lineales
Dependientes → Variable dependiente recodificada
Independientes → Todas las variables independientes recodificadas
Estadísticos → Coeficientes de regresión → todas las casillas
Método → Intro: realizar pasos individuales, por pasos