CAPTULO 8

ANLISIS ESTADSTICO-MULTIVARIADO DE LOS DATOS

INTRODUCCIN
Con este captulo se complementa el 10 de Metodologa de la investigacin, 4 edicin, adems de que se actualiz su contenido. Se presenta a continuacin por el tipo de anlisis estadstico. Asumimos que se revis previamente el captulo en cuestin.

CLCULO DEL COEFICIENTE DE CONFIABILIDAD (FIABILIDAD) ALFA-CRONBACH

En los captulos 9 y 10 se defini el coeficiente alfa de Cronbach ( ), as como sus usos e interpretacin. Los programas de anlisis estadstico como SPSS, Minitab, SAS y otros, lo incluyen y calculan instantneamente. Pero para quienes no tienen acceso a estos programas, presentamos la forma de obtenerlos. De acuerdo con Carmines y Zeller (1988, pp. 44 y 45), as como Corbetta (2003), existen tres procedimientos para determinar el coeficiente o alfa : 1. Sobre la base de la varianza de los tems, con la aplicacin de la siguiente frmula:

= 1
1
2

( )

s2 x

En donde N representa el nmero de tems de la escala, s2 (Yi)es igual a la sumatoria de las varianzas de los tems y s2x equivale a la varianza de toda la escala. 2. Sobre la base de la matriz de correlacin de los tems, el procedimiento sera:

a) Se aplica la escala. b) Se obtienen los resultados. c) Se calculan los coeficientes de correlacin r de Pearson entre todos los tems (todos contra todos de par en par). d) Se elabora la matriz de correlacin con los coeficientes obtenidos. Por ejemplo: tems 1 1 2 3 4
ya fue calculado ya fue calculado ya fue calculado

2 0.451
ya fue calculado ya fue calculado

3 0.399 0.489
ya fue calculado

4 0.585 0.501 0.541

Los coeficientes que se mencionan como ya fue calculado, se ubican en la parte superior de las lneas horizontales (guiones). Es decir, cada coeficiente se incluye una sola vez y se excluyen los coeficientes que vinculan al tem o puntuacin consigo misma (1 con 1, 2 con 2, 3 con 3 y 4 con 4). e) Se calcula p (promedio de las correlaciones). P NP ( P es la sumatoria de los valores de las correlaciones y NP el nmero de correlaciones no repetidas o no excluidas).

p=

0.451 + 0.399 + 0.585 + 0.489 + 0.501 + 0.541 p = 6 p = 0.494 = Np 1 + p (N 1)

f) Se aplica la frmula siguiente:

En donde N es el nmero de tems y p el promedio de las correlaciones entre tems. En el ejemplo:

4(0.494) 1 + 0.494(4 1) 1.98 2.48

= 0.798 = 0.80 (cerrando) Es un coeficiente aceptable y recordemos que todos los tems de la escala deben estar medidos en intervalos o razn. 3. Mediante otra frmula que se basa en la correlacin promedio (Corbetta, 2003, p. 238). Se usa la siguiente frmula :
nr = 1 + r (n 1)

Donde n representa el nmero de tems o elementos de la escala y r es su correlacin promedio.

ANLISIS MULTIVARIADO
En el captulo 10 del libro, cuando se analizaron los principales mtodos estadsticos paramtricos, concretamente, despus de revisar el ANOVA unidireccional, nos preguntbamos: Pero qu ocurre cuando tenemos diversas variables independientes y una dependiente, varias independientes y dependientes? Tal como

observbamos en diagramas como el que se muestra en la figura 8.1.

Figura 8.1 Ejemplo con cuatro variables independientes y una dependiente

Autoestima de la persona Sentido de vida de la persona

Edad

Gnero

Religin

La respuesta era: Entonces, requerimos de otros mtodos estadsticos. stos son los que revisaremos a continuacin y una vez ms, sobre la base de que existen computadoras y programas como el SPSS, del mismo modo centrndonos en los elementos fundamentales de interpretacin. Qu son los mtodos de anlisis multivariado? Los mtodos de anlisis multivariado son aquellos en que se analiza la relacin entre diversas variables independientes y al menos una dependiente. Son mtodos ms complejos que requieren del uso de computadoras para efectuar los clculos necesarios (normalmente se ensean a nivel postgrado). Qu es el anlisis factorial de varianza? ANOVA (anlisis de varianza de k direcciones) Definicin: Es una prueba estadstica para evaluar el efecto de dos o ms variables independientes sobre una variable dependiente. Responde a esquemas como el que se muestra en la figura 8.2.

Figura 8.2 Esquema de un anlisis factorial de varianza

X1

X2

Xk

Constituye una extensin del anlisis de varianza unidireccional, solamente que incluye ms de una variable independiente. Evala los efectos por separado de cada variable independiente y los efectos conjuntos de dos o ms variables independientes. Variables: Dos o ms variables independientes y una dependiente. Nivel de medicin de las variables: La variable dependiente (criterio) debe estar medida en un nivel por intervalos o razn, y las variables independientes (factores) pueden estar en cualquier nivel de medicin, pero expresadas de manera categrica. Interpretacin y ejemplo Hi: La similitud en valores, la atraccin fsica y el grado de retroalimentacin positiva son variables que inciden en la satisfaccin sobre la relacin en parejas de novios. Contexto: Muestra de parejas de adultos jvenes (23-29 aos) de Santiago de Chile, pertenecientes a estratos econmicos altos (n=400). El ANOVA efectuado mediante un paquete estadstico computacional como SPSS produce los siguientes elementos bsicos: Fuente de la variacin (source of variation). Es el factor que origina variacin en la dependiente. Si una fuente no origina variacin en la dependiente, no tiene

efectos. Efectos principales (main effects). Es el efecto de cada variable independiente por separado; no est contaminado del efecto de otras variables independientes ni de error. Suele proporcionarse la suma de todos los efectos principales. Interacciones de dos direcciones (2-way interactions). Representa el efecto conjunto de dos variables independientes, aislado de los dems posibles efectos de las variables independientes (individuales o en conjuntos). Suele proporcionarse la suma de los efectos de todas estas interacciones. Interacciones de tres direcciones (3-way interactions). Constituye el efecto conjunto de tres variables independientes, aislado de otros efectos. Suele proporcionarse la suma de los efectos de todas estas interacciones. Puede haber efecto de K -direcciones, esto depende del nmero de variables independientes. En nuestro ejemplo, tenemos los resultados que se muestran en la tabla 8.1. Tabla 8.1 Ejemplo de resultados en el ANOVA VARIABLE DEPENDIENTE: SATISFACCIN EN LA RELACIN
FUENTE DE VARIACIN (SOURCE OF VARIATION) SUMAS DE CUADRADOS (SUMS OF SQUARES) GRADOS DE LIBERTAD (DEGREES OF FREEDOM) MEDIAS CUADRTICAS (MEAN SQUARES)

SIGNIFICANCIA
RAZN F DE F

Efectos principales (main effects) SIMILITUD ATRACCIN RETROALIMENTACIN 22.51 31.18 21.02 11.84 0.001** 0.001** 0.001** 0.004**

Interaccin de dos direcciones (2-way interactions) SIMILITUD ATRACCIN 7.65 4.32 0.010* 0.040*

SIMILITUD

2.18

0.110

RETROALIMENTACIN ATRACCIN Interaccin de tres direcciones (3-way interaction) SIMILITUD ATRACCIN RETROALIMENTACIN Residual Total
NOTA:

1.56

0.190

8.01 8.01

0.020* 0.020*

A los estudiantes que se inician en el ANOVA normalmente les interesa saber si los autores recomiendan

las razones F resultaron o no significativas; por tanto, slo se incluyen estos valores. Por lo que, es a estos estudiantes que experimentado acostumbra estudiar todos los valores. ** Razn F significativa al nivel del 0.01 (p < 0.01) *Razn F significativa al nivel del 0.05 (p < 0.05) Como podemos ver en la tabla 8.1, la similitud, la atraccin y la retroalimentacin tienen un efecto significativo sobre la satisfaccin en la relacin. Respecto a los efectos de dos variables independientes conjuntas, slo la similitud y la atraccin tienen un efecto, hay un efecto conjunto de las tres variables independientes. La hiptesis de investigacin se acepta y la nula se rechaza. Asimismo, se recuerda al lector que en el captulo 5 del presente disco: Otros diseos experimentales (en el apartado sobre diseos factoriales) se explica la nocin de interaccin entre variables independientes. Cabe agregar que el ANOVA es un mtodo estadstico propio para los diseos experimentales factoriales. concentrarse en dichos valores y evitar confusiones. Desde luego, el investigador

Qu es el anlisis de covarianza?
Definicin: Es un mtodo estadstico que analiza la relacin entre una variable dependiente y dos o ms independientes, con el que se elimina o controla el efecto de al menos una de estas independientes. Similar al ANOVA, excepto que permite controlar la influencia de una variable independiente, la cual con frecuencia es una caracterstica antecedente que puede variar entre los grupos (Mertens, 2005) o influir los resultados y afectar la claridad de las interpretaciones. Perspectivas o usos: Wildt y Ahtola (1978, pp. 8-9) destacan tres perspectivas para el anlisis de covarianza: A. Perspectiva experimental. Se aplica a aquellas situaciones en que el inters del investigador se centra en las diferencias observadas en la variable dependiente, por medio de las categoras de la variable independiente (o variables independientes). Pero el experimentador asume que hay otras variables independientes cuantitativas que contaminan la relacin y cuya influencia debe ser controlada (ver la figura 8.3). Figura 8.3 Ejemplo de variables independientes que afectan a una dependiente

X1 Variables Independientes categricas X2 Xk

Variable dependiente

Variables Independientes cuantitativas continuas

Z1 Z2 Zk

Y el investigador nicamente se interesa por conocer la relacin entre las

9

variables independientes categricas y la variable dependiente. Desea al mismo tiempo remover y controlar el efecto de las variables independientes cuantitativas no categricas (continuas). Es decir, desea tener un esquema como el de la figura 8.4. Figura 8.4 Ejemplo de control de variables independientes no categricas

X1 X2 Xk

Y
Z1 Z2 Zk
Remover o controlar

El objetivo es purificar la relacin entre las independientes categricas y la dependiente, mediante el control del efecto de las independientes no categricas o continuas. Ejemplos de variables independientes categricas seran: gnero (masculino, femenino), inteligencia (alta, media, baja), ingreso (menos de un salario mnimo, dos a cuatro salarios mnimos, cinco a 10 salarios mnimos, 11 o ms salarios mnimos). Los niveles de medicin nominal y ordinal son categricos en s mismos, mientras que los niveles de intervalos y razn deben transformarse en categoras ms discretas. Estos ltimos son en s: cuantitativos, continuos y de categoras mltiples. Por ejemplo, el ingreso en su estado natural (pesos, dlares, euros, etc.) vara de la categora cero hasta la categora (K)k, ya que puede haber millones de categoras.

10

Variable categrica unas cuantas categoras o un rango medio. Variable continua muchas categoras (a veces una infinidad). A dichas variables independientes cuantitativas continuas, cuya influencia se controla, se les denomina covariables. Una covariable se incluye en el anlisis para remover su efecto sobre la variable dependiente, e incrementar el conocimiento de la relacin entre las variables independientes categricas de inters y la dependiente, lo cual aumenta la precisin del anlisis. En esta perspectiva, el anlisis de covarianza puede ser concebido primero como un ajuste en la variable dependiente respecto a diferencias en la covariable o las covariables y, posteriormente, como una evaluacin de la relacin entre las variables independientes categricas y los valores ajustados de la variable dependiente (Wildt y Ahtola, 1978). En trminos de Creswell (2005): El procedimiento ajusta las puntuaciones en la dependiente para dar cuenta por la covarianza (por decirlo en trminos sencillos: hace equivalentes a los grupos en la(s) covariable(s) y controla influencias potenciales que pueden afectar a la variable dependiente). B . Perspectiva de inters por la covariable. Esta perspectiva se ejemplifica con aquellas instancias en las cuales el inters principal se centra en analizar la relacin entre la variable dependiente y la covariable (variable cuantitativa continua) o las covariables. Aqu el enfoque es distinto; la influencia que se remueve es la de las variables independientes categricas. Primero se controla el efecto (en este caso contaminante) de estas variables y despus se analiza el efecto purificado de las covariables. C . Perspectiva de regresin. En esta tercera perspectiva, tanto las variables independientes categricas como las covariables resultan de inters para el investigador, quien puede desear examinar el efecto de cada variable independiente (covariables y no covariables, todas) y despus ajustar o corregir los efectos de las dems variables independientes. En cualquier caso, el anlisis de covarianza elimina influencias no deseadas sobre la variable dependiente. Se puede utilizar en contextos experimentales y no experimentales. La mayora de las veces la funcin del ANCOVA es remover la varianza compartida entre una o ms covariables y la dependiente, de este modo, se valora en su justa dimensin la relacin causal entre la(s) variable(s) independiente(s) de inters y la dependiente (Creswell, 2005). Vemoslo conceptualmente pero de forma grfica con un ejemplo simple:

11

Ejemplo Estudio : Al investigador le interesa analizar el efecto en el aprendizaje de la computacin, por medio de un nuevo mtodo para su enseanza a nios. La hiptesis es: El nuevo mtodo de enseanza de la computacin (MA-RH) provocar un mayor aprendizaje en los nios que un mtodo tradicional. Entonces, implementa el siguiente experimento: A un grupo de infantes lo expone al nuevo mtodo de enseanza de computacin (MA-RHS); a otro grupo no lo expone al nuevo mtodo, ste aprende con el mtodo tradicional; finalmente, un tercer grupo, de control, no recibe ningn tipo de enseanza en computacin. La variable independiente es el tipo de mtodo con tres categoras o niveles (mtodo nuevo, mtodo tradicional y ausencia de mtodo), la dependiente es el aprendizaje en computacin (medida por una prueba estandarizada a nivel de intervalos). Se tiene un esquema como el de la figura 8.4. Figura 8.4 Ejemplo del control de las covariables (con una covariable)
Tipo de mtodo (X) Aprendizaje (Y)

El investigador sabe que el aprendizaje se puede deber a muchas razones, adems del mtodo. Es decir, el aprendizaje vara por diversos motivos, lo cual se representa en forma de conjuntos de la siguiente manera:

Variable independiente: Mtodo (X)

Variable dependiente: Aprendizaje (Y

Varianza en comn entre mtodo y aprendizaje

Varianza del aprendizaje no explicada (que no se debe al mtodo sino a otros factores)

12

Con el experimento el investigador desea conocer la varianza en comn entre mtodo y aprendizaje (cuantificarla), la relacin X Y (pura). Si los nios son asignados al azar a los grupos del experimento y tiene grupos de tamao aceptable, por el diseo mismo, remueve la influencia de las covariables que pudieran afectar. Pero si no es factible hacerlo y tiene un diseo cuasiexperimental (grupos intactos), debe remover tal influencia con el anlisis de covarianza (eliminar al mnimo posible la varianza del aprendizaje no explicada), para evitar que las covariables impidan ver con claridad la relacin X Y. Por ejemplo, el nivel educativo tecnolgico de los padres puede influir (hace variar al aprendizaje) y este efecto debe ser controlado, al introducirlo como covariable.

Variable independiente: Mtodo (X)

Variable dependiente: Aprendizaje (Y)

El nivel educativo tecnolgico de los padres (COVARIABLE)

Varianza en comn: entre mtodo y aprendizaje Varianza compartida entre el nivel educativo de los padres y el aprendizaje (la cual se controla con el ANCOVA)

Entre ms covariables se controle, ms se explicar sobre la varianza comn entre el mtodo y el aprendizaje.

Lo que el investigador desea tambin se puede expresar grficamente as:

Tipo de mtodo

Aprendizaje

ANCOVA Nivel educativo tecnolgico de los padres (covariable)

Controlar influencia de la covariable

13

Wildt y Ahtola (1978, p. 13) definen algunos usos del anlisis de covarianza: 1. Incrementar la precisin en experimentos con asignacin al azar. 2. Eliminar influencias extraas o contaminantes que pueden resultar cuando las pruebas o los individuos no son asignados al azar a las diferentes condiciones experimentales (grupos de un experimento). 3. Eliminar efectos de variables que confundan o distorsionen la interpretacin de resultados en estudios no experimentales. Nivel de medicin de las variables: La variable dependiente siempre est medida por intervalos o razn y las variables independientes pueden estar medidas en cualquier nivel. Interpretacin: Depende de cada caso especfico, ya que el anlisis de covarianza efectuado mediante un programa estadstico computacional, produce un cuadro de resultados muy parecido al del anlisis de varianza. Los elementos ms comunes pueden obsevarse en la tabla 8.2. Tabla 8.2 Ejemplo de elementos comunes de un anlisis de covarianza
Fuente de variacin (Source of variation) Sumas de cuadrados y productos cruzados (Sum of squares and cross products) Sumas de cuadrados ajustadas (Adjusted sum of squares) Grados de libertad (Degrees of freedom) Medias cuadrticas Razn F (F) Significancia de F (Sig.)

La razn F es, igual que en el anlisis de varianza, una razn de varianzas. El razonamiento estadstico es el mismo y F se interpreta igual, incluso se utiliza el mismo cuadro de la distribucin F (tabla 3, apndice 4). Solamente que las inferencias y conclusiones se hacen al considerar que las medias de la variable dependiente, a travs de las categoras de las variables independientes, se han ajustado, de este modo eliminan el efecto de la covariable o covariables.

14

Ejemplo Diseo de investigacin que utiliza el anlisis de covarianza Hi: Los trabajadores que reciban retroalimentacin verbal sobre el desempeo de parte de su supervisor mantendrn un nivel mayor de productividad que los trabajadores que reciban retroalimentacin sobre el desempeo por escrito, ms an que los trabajadores que no reciban ningn tipo de retroalimentacin.

__ Hi: X1
(verbal)

>

__ X2
(por escrito)

>

__ X3
(ausencia)

El investigador plantea un diseo experimental para intentar probar su hiptesis. Sin embargo, no puede asignar aleatoriamente a los trabajadores a los tres grupos del experimento. El diseo sera con grupos intactos (cuasiexperimental) y se esquematizara as:

G1 G2 G3

X1 X2

__ X1
__

X2
__

X3

Asimismo, el investigador presupone que hay un factor que puede contaminar los resultados (actuar como fuente de invalidacin interna): la motivacin. Diferencias iniciales en motivacin pueden invalidar el estudio. Como la asignacin al azar est ausente, no se sabe si los resultados se ven influidos por dicho factor. Entonces, el experimentador decide eliminar o controlar el efecto de la motivacin sobre la productividad para conocer los efectos de la variable independiente: tipo de retroalimentacin. La motivacin se convierte en covariable. El esquema es el que se muestra en la figura 8.5.

15

Figura 8.5 Ejemplo donde la motivacin es covariable

Retroalimentacin (variable independiente categrica). ANCOVA Motivacin (covariable)

Productividad (variable dependiente)

Cabe destacar que, para introducir una covariable en el anlisis, de preferencia debe medirse antes del inicio del experimento. El anlisis de covarianza quita a la variabilidad de la dependiente lo que se debe a la covariable. Ajusta la varianza de la variable dependiente en las categoras de la independiente, al basarse en la covariable. En el ejemplo, ajusta la varianza de la productividad debida a la motivacin, en las categoras experimentales (tratamientos o grupos). El ajuste se realiza sobre la base de la correlacin entre la covariable y la dependiente. Esto se muestra esquemticamente en la tabla 8.3. Una vez realizado el anlisis de covarianza, se evala si F es o no significativa. Cuando F resulta significativa se acepta la hiptesis de investigacin. Si el resultado fuera:

G1 = 35 G2 = 36

La correlacin entre la calificacin en motivacin y las puntuaciones en productividad es la base para el ajuste. G3 = 38 Gl entre = K 1 = 3 1 = 2 Gl intra = N K = 106 F = 1.70

16

Comparamos con el valor de la tabla respectiva: en el nivel de 0.05 es igual a 3.07, y nuestra razn F a 1.70 es menor a este valor. Por lo tanto, rechazamos la hiptesis de investigacin y aceptamos la hiptesis nula. Esto se contrasta y profundiza con las medias ajustadas de los grupos que proporcione el anlisis de covarianza (no las medias obtenidas en el experimento por cada grupo, sino las ajustadas con base en la covariable). Recordemos que SPSS nos proporciona automticamente la significancia de F.

Tabla 8.3 Ejemplo de un diseo de investigacin que utiliza el anlisis de covarianza como herramienta para ajustar diferencias en motivacin entre los grupos

Covariable
Calificacin en motivacin

Variable independiente
Tipo de retroalimentacin

Variable dependiente
Puntuaciones en productividad ajustadas, tomando en cuenta la covariable

G1 G2 G3

0 0 0

X1 X2

0 0 0

Qu es la regresin mltiple? Es un mtodo para analizar el efecto de dos o ms variables independientes sobre una dependiente. Asimismo, constituye una extensin de la regresin lineal slo que con mayor nmero de variables independientes. Es decir, sirve para predecir el valor de una variable dependiente, cuando se conoce el valor y la influencia de las variables independientes incluidas en el anlisis. Si queremos conocer el efecto que ejercen las variables: a) satisfaccin sobre los ingresos percibidos, b) antigedad en la empresa, c) motivacin intrnseca en el trabajo y d) percepcin del crecimiento y desarrollo personal en el trabajo; sobre la variable permanencia en la empresa (duracin o estancia), el modelo de regresin mltiple es el adecuado para aplicarlo a los datos obtenidos. Otro ejemplo sera el siguiente:

17

Figura 8.6 Esquema de un modelo con una variable dependiente y varias independientes, donde se conoce el efecto de cada una de stas
VARIABLES INDEPENDIENTES VARIABLE DEPENDIENTE

Diseo de estrategias de cooperacin entre maestros para la enseanza en las clases.

Grado de utilizacin de la tecnologa computacional en el aula. Desempeo escolar de los alumnos Grado de involucramiento de los padres en las estrategias de enseanza.

Grado de cooperacin y trabajo en equipo por parte de los alumnos para realizar las tareas.

Es decir, el modelo de regresin mltiple nos indica: La relacin entre cada variable independiente y la nica dependiente (cmo cambios en la independiente se vinculan con cambios en la dependiente). La relacin entre todas las variables independientes (en conjunto) y la dependiente (cmo cambios en las independientes se vinculan con cambios en la dependiente). La prediccin de la dependiente a partir de las independientes. La correlacin entre las variables independientes (colinealidad). Las variables independientes se denominan predictoras1 y anteceden temporalmente a la variable dependiente o criterio. La informacin bsica que proporciona la regresin mltiple es el coeficiente de correlacin mltiple (R) y la ecuacin de regresin.
1

Trmino anglosajn.

18

Coeficiente de correlacin mltiple (R). Seala la correlacin entre la variable dependiente y todas las variables independientes tomadas en conjunto. El coeficiente puede variar de cero a uno; cuanto ms alto sea su valor, las variables independientes estarn ms correlacionadas con la variable dependiente y explicarn en mayor medida sus fluctuaciones (varianza); en consecuencia, son factores ms efectivos para predecir el comportamiento de esta ltima. En el captulo 10 del libro, se coment el coeficiente de correlacin de Pearson y se mencion que cuando el coeficiente r se eleva al cuadrado (r2), se obtiene el coeficiente de determinacin y el resultado indica la varianza de factores comunes, esto es, el porcentaje de la variacin de una variable debido a la variacin de la otra y viceversa (o cunto explica o determina una variable la variacin de la otra). Pues bien, algo similar ocurre con el coeficiente de correlacin mltiple, solamente que tenemos ms variables a considerar. Cuando el coeficiente R se eleva al cuadrado (R2), se produce el llamado coeficiente de determinacin o correlacin parcial, que nos seala la varianza explicada de la variable dependiente por todas las independientes (dicho de otra forma, el porcentaje de variacin en la dependiente es debido a las independientes consideradas). Vemoslo grficamente en la figura 8.6 con dos independientes y una dependiente, a fin de que resulte menos complejo de entender. Figura 8.7 Esquema de un coeficiente de determinacin o correlacin parcial

Variable independiente

Variable independiente

Variable dependiente

R2 (expresa en porcentaje la varianza compartida por las tres variables)

19

Este coeficiente (R 2) resulta til tambin para determinar la cantidad de varianza que una variable interviniente explica tanto de la variable independiente como de la dependiente, de este modo, se puede remover la varianza compartida de la interviniente con la variable independiente o la dependiente (Creswell, 2005), que es algo similar a lo que se efectua con el anlisis de covarianza. Tal sera el caso de una relacin del siguiente tipo: Figura 8.8 Ejemplo del coeficiente de determinacin (correlacin parcial)

Autoestima del estudiante (independiente)

relacin negativa

Consumo de estupefacientes (dependiente)

Reforzamiento de los valores del estudiante por parte de sus tutores (interviniente)

relacin negativa

Si resumimos lo visto en el captulo 10 del libro sobre correlacin y regresin lineal y lo expuesto hasta aqu, tenemos los coeficientes que se resumen en la tabla 8.4. Tabla 8.4 Resumen de coeficientes de correlacin bivariada y mltiple Coeficiente Pearson Coeficiente determinacin de Smbolo r r2 Informacin producida Grado de asociacin entre dos variables (oscila entre 0 y 1). Varianza de factores comunes (porcentaje de la variacin de una variable debido a la variacin de la otra variable y viceversa). Oscila entre 0 y 100%.

20

Mltiple

Correlacin

entre

la

variable

dependiente y todas las variables independientes tomadas en conjunto. Oscila entre 0 y 1. Determinacin (correlacin parcial) R2 Varianza explicada de la dependiente por todas las independientes.

Otra informacin relevante producida por el anlisis de regresin mltiple son los valores beta (# o b) que indican el peso o influencia que tiene cada variable independiente sobre la dependiente, al controlar la varianza de todas las dems independientes. Cada peso beta es un coeficiente que seala la magnitud de la prediccin de una variable independiente para una variable dependiente (criterio), despus de remover los efectos de todas las dems independientes. Los valores beta estn estandarizados, es decir, no importa que cada variable predictora est medida en una escala diferente (como ocurra con las puntuaciones z ) y se interpretan como el coeficiente de Pearson, de 1.00 a + 1.00 (Creswell, 2005). Tambin el anlisis proporciona coeficientes de correlacin bivariados entre la dependiente y cada independiente. Para predecir valores de la variable dependiente se aplica la ecuacin de regresin mltiple: y = a + b1X1 + b2X2 + b3X3 + bkXk Donde a es una constante de regresin para el conjunto de puntuaciones obtenidas, b1, b2, b 3, b k son los pesos beta de las variables independientes. Mientras que X1, X2, X3 y Xk son valores de las variables independientes que fija el investigador para hacer la prediccin. La variable dependiente debe estar medida en un nivel por intervalos o de razn. Las independientes, en cualquier nivel de medicin (el modelo estandariza mediciones). Cuando se utilizan variables categricas (nominales u ordinales como gnero, grupo tnico, nivel jerrquico, etc.) se transforman en variables dummy y se introducen al modelo como predictores. Los cdigos dummy son series de nmeros asignados para indicar la pertenencia a un grupo en cualquier categora exhaustiva y mutuamente excluyente. De acuerdo con Mertens (2005), la cantidad de varianza que cada

21

independiente aporta para la variable dependiente, puede tener cambios con diferentes rdenes de entrada de las variables independientes. Al respecto no hay reglas, se usa la lgica del investigador o criterios como los siguientes: Ingresar las variables de acuerdo con la fuerza de su correlacin con la variable dependiente, de la ms alta a la ms baja. Seguir el orden en que se han introducido en estudios previos. Proceder de acuerdo con la teora. Orden cronolgico (tiempo en que se introducen las variables en un experimento o al medirse, si es que su medicin fue por etapas, de la primera a la ltima). Los resultados ms relevantes que produce SPSS sobre la regresin mltiple se muestran en las tabla 8.5, 8.6 y en la figura 8.8, que corresponden a un estudio para predecir el clima laboral (criterio o dependiente) sobre la base de las siguientes variables independientes (Hernndez Sampieri, 2005): Normalizacin (formalizacin de polticas en documentos). Pago (salario). Antigedad en la empresa (en meses). Motivacin general. Innovacin departamental. Avance del proceso de calidad en el departamento (un nuevo esquema de trabajo introducido en el 2004). Cultura (arraigo de la cultura organizacional definida por la direccin de la empresa). Identificacin del trabajo individual en los resultados generales de la organizacin. Desempeo (ndice de productividad del empleado). Liderazgo (percepcin del superior inmediato como lder). Satisfaccin general en el trabajo. Comunicacin (percepcin del grado en que la informacin relevante de la empresa les es transmitida a los empleados de su departamento).

22

Tabla 8.5 Variables introducidas en el ejemplo de regresin mltiple Primero. Se presentan las variables introducidas en el modelo de regresin:

Modelo 1

Variables introducidas pago, innovacin, antigedad, motivacin, normalizacin, proceso de calidad, cultura, identificacin desempeo, liderazgo, satisfaccin, comunicacin

Variables eliminadas

Mtodo

Introducir

a. b.

Todas las variables solicitadas introducidas Variable dependiente: clima

Tabla 8.6 Ejemplo de resultados bsicos de la regresin mltiple Segundo. Se presentan resultados de varianzas (ANOVA), los cuales omitimos, y los coeficientes beta y estadsticas de colinealidad (tabla 8.6).

Figura 8.8 Grfica de una variable en el ejemplo de regresin mltiple Tercero. Se muestran los valores estadsticos sobre los residuos (residuales) y las grficas de regresiones parciales (una por cada variable introducida). Cada grfica es una regresin lineal de la variable independiente en cuestin y la dependiente, se

23

tendrn tantas grficas como variables predictoras). Mostramos el ejemplo de la variable cultura en la figura 8.8.

Grfico de regresin parcial

Variable dependiente: clima

0,10

0,05

clima

0,00

-0,05

-0,10

-0,15 -2,00 -1,50 -1,00 -0,50 0,00 0,50 1,00

cultura

Finalmente, mostramos un ejemplo de interpretacin del coeficiente R2 de otro de los estudios de Hernndez Sampieri (2005), en el cual la variable dependiente es el clima organizacional total (medido por la escala de la Universidad de Celaya o ECOUNI) y las independientes son: moral, apoyo de la direccin, innovacin, percepcin de la empresa, comunicacin, percepcin del desempeo, motivacin intrnseca, autonoma, satisfaccin general, liderazgo, visin y recompensas o retribucin. Las variables independientes fueron evaluadas a travs de diferentes mediciones no incluidas en la ECOUNI2. Ejemplo Para cierto laboratorio qumico-farmacutico (empresa), la R2 fue de 0.989 (0.988 corregida). Todos los pesos beta tuvieron una significancia menor al 0.01 (excepto recompensas, la cual fue de 0.175). Una vez ms, esta variable parece no ser predictora del clima. La tendencia resultante es tan contundente que poco puede comentarse al respecto, tal como lo muestra el diagrama respectivo3. En el caso de la institucin educativa, el coeficiente R2 fue de prcticamente 0.80. Pero no tuvieron pesos beta significativos: desempeo, motivacin intrnseca y liderazgo. Autonoma se encuentra en la frontera de la significancia (0.078). Por lo tanto, estas cuatro dimensiones no pueden considerarse -en la muestrapredictoras de la escala de clima organizacional total. La tendencia se presenta en el diagrama correspondiente.
2

Mediciones clsicas de origen distinto a las de la ECOUNI. Por ejemplo, para la variable visin se us la escala de Anderson y West (1998), para satisfaccin el Job Satisfaction Survey, versin en espaol (Spector, 1997), para motivacin la escala de Wang y Guthrie (2004), etc. En el presente libro le denominaremos figura 8.9, pero en realidad es un diagrama de dispersin.

24

Figura 8.9 Diagrama de dispersin del clima organizacional: laboratorio

Variable dependiente: Clima total
1.00

.75

.50

.25

0.00 0.00 .25 .50 .75 1.00

Qu es el anlisis lineal de patrones o path analysis? Es una tcnica estadstica multivariada para representar interrelaciones entre variables a partir de regresiones, as como analizar la magnitud de la influencia de unas variables sobre otras, influencia directa e indirecta. Se trata de un modelo causal. Supongamos que tenemos el diagrama que se observa en la figura 8.10 y deseamos probarlo. Figura 8.10 Un esquema propicio para el anlisis de patrones o vas

Responsabilidad experimentada en el trabajo

Satisfaccin laboral

Autonoma en el trabajo

Ingreso

El anlisis path constituye un mtodo para someterlo a prueba y una extensin de la regresin mltiple (Webley y Lea, 1997). La informacin principal que
25

proporciona son los coeficientes path, los cuales representan la fuerza de las relaciones entre las variables (son coeficientes de regresin estandarizados como los pesos beta). Tambin cuantifica efectos. En el modelo puede haber variables independientes, intervinientes y dependientes; incluso una variable puede ser dependiente en una parte del modelo e independiente en otra (en la figura 8.10, ingreso es dependiente de autonoma y responsabilidad, pero tambin es independiente en relacin a la satisfaccin laboral). La ecuacin del anlisis es la siguiente4 para cada secuencia causal: variable dependiente = b1 (variable independiente 1) + b2 (variable independiente 2) + bk (variable independiente k). En el ejemplo tenemos tres secuencias causales, por lo tanto, las correspondientes ecuaciones seran:

Satisfaccin = b11 responsabilidad + b12 autonoma + b13 ingreso = b21 responsabilidad + b22 autonoma + e

ingreso + e1

autonoma = b31 responsabilidad + e3

Al igual que Webley y Lea (1997) se utiliza una notacin diferente para los coeficientes de Bryman and Cramer, con la finalidad de clarificar que b 11 en la primera ecuacin es diferente de b 21 en la segunda; e 1, e 2 y e3 representan el error o los trminos de la varianza no explicada. En la figura 8. 11 se muestra un ejemplo para ilustrar este tipo de anlisis.5 Cuanto ms se acerque un coeficiente path a cero menor efecto tendr (recordemos que son equivalentes en su interpretacin al coeficiente de Pearson).

4 5

Adaptado de Webley y Lea (1997). Extrado de Parker et al. (2003), quienes buscaron por medio del anlisis probar el modelo de dos etapas del clima organizacional, el cual ya se coment en el texto. 26

Figura 8.11 Ejemplo de un anlisis path con el modelo de dos etapas del clima organizacional

Trabajo 0.32 0.48 0.59 0.80 Grupo de trabajo 0.61 Satisfisfaccin en el trabajo 0.18 0.15 0.43 0.28

Papel

0.23

Lder

PCg

Motivacin

Desempeo
0.06

0.74 Organizacin

Actitudes en el trabajo -Involucramiento en el trabajo -Compromiso

Al visualizar el anlisis completo nos damos cuenta de la mayor o menor influencia de unas variables sobre otras. Qu es el anlisis de factores? Es un mtodo estadstico multivariado que se utiliza para determinar el nmero y la naturaleza de un grupo de constructos subyacentes en un conjunto de mediciones. Un constructo es un atributo para explicar un fenmeno (Wiersma y Jurs, 2005). En este anlisis se generan variables artificiales (denominadas factores) que representan constructos. Los factores se obtienen de las variables originales y deben ser interpretados de acuerdo con stas. Como menciona Naghi (1984), es una tcnica para explicar un fenmeno complejo en funcin de unas cuantas variables. Es muy til para la validez de constructo. Las variables deben estar medidas en un nivel por intervalos o razn. Veamos varios ejemplos del empleo de esta tcnica.6

En los ejemplos, no se incluyen todos los anlisis, con el fin de no complicar su entendimiento.

27

Primer ejemplo: Relacin vendedor-comprador7 El estudio pretendi analizar los factores que determinan la relacin entre los vendedores y los compradores industriales de las tres principales ciudades de Mxico (D.F., Guadalajara y Monterrey). Se midieron variables entre las que destacan: coordinacin (coord.), conflicto (confl.), frecuencia de la relacin comprador-vendedor (frec.), reciprocidad econmica en la relacin ( R F2), reciprocidad en el manejo de consideraciones administrativas (RF1) e importancia de la relacin (monto de las operaciones) (impor.). Los resultados se muestran en la tabla 8.7.

Tabla 8.7 Ejemplo de algunos resultados en un anlisis de factores

MATRIZ DE PATRN FACTORIAL ELEGIDA

SUBMUESTRA COMPRAS VARIABLE O COMPONENTE ESCALADO TEM COMUNALIDAD FI FII FIII FIV FV FVI FACTOR EN QUE CARGA

Coord.

23 24 25 26

.66997 .46446 .59113 .63988

.84392 .71642 .67853 .74737

.00895 .05609 .11175 .04695

.11828 .01958 .02581 .13472

.03405 .07106 .09507 .04837

.06502 .00043 .02857 .07117

.27645 .07127 .14978 .02225 FI

Confl.

47 48 49 50

.55724 .59072 .35530 .54716

.05110 .06230 .05665 .07908

.62553 .65163 .55503 .61007

.20945 .17884 .11163 .08675

.05248 .10916 .12946 .20431

.27963 .31061 .07981 .24058

.06387 .04245 .17370 .14142 FII

Frec.

15 16
7

.46081 .44245

14748 .03606

.06276 .08501

.63660 .62797

12476 .00401

.06299 .11692

.13488 .03968 FIII

Paniagua (1988) con la colaboracin de los autores.

28

18 19 RF2 42 43

.50307 .71311 .46781 .50097

05359 .06664 .01380 .10175

.02787 .02881 .18030 .07970

.71169 .84213 .09416 .16207

.03786 .07161 .63133 .64202

.10795 .16806 .17716 .02808

.06775 .11058 .06309 .18530 FIV

RFI

40 41

.72202 .48405

.01579 .15684

.03548 .18489

.04181 .06425

.18914 .01958

.77312 .58187

.14292 .19379 FV

Impor.

53 54 58

.31524 .44550 .53236

.02822 .04376 .26836

.02945 .08383 .05219

.10069 .01731 .10026

.08605 .18396 .11741

.01579 .13956 .02893

.55431 .58137 .55080 FVI

EIGENVALUE

5.36433

2.53081

2.47621

1.55248

1.23464

1.06932

% VARIANZA

37.7%

17.8%

17.4%

10.9%

8.7%

7.5%

T = 100%

EXPLICADA DELTA =.00

FI = FII = FIII = Y as sucesivamente.

Coordinacin(explica 37.7% de la varianza) Conflicto(explica 17.8% de la varianza) Frecuencia(explica 17.4% de la varianza)

Eigenvalue: representa la cantidad de varianza con que contribuye cada factor. Obsrvese que debajo de las columnas FI a FVI aparecen coeficientes que corresponden a los tems de una escala. Si estos coeficientes son medios o elevados, se dice que los tems cargan o forman parte del factor correspondiente. Por ejemplo, los tems 23, 24, 25 y 26 cargan en el primer factor (obtienen valores de 0.84392, 0.71642, 0.67853 y 0.74737, respectivamente) y no pesan o cargan en otros factores (tienen valores bajos). As, descubrimos una estructura de seis factores (F) en 19 tems. Los factores reciben un nombre para saber qu constructos se encuentran subyacentes (el cual debe reflejar al factor y generalmente se extrae de la teora). El anlisis de factores tambin proporciona la varianza explicada y puede diagramarse en forma grfica en las coordenadas X y Y.

29

Segundo ejemplo: Escala del clima organizacional8 Para la validacin del instrumento sobre el clima organizacional se consideraron varias muestras independientes. Entre stas, un laboratorio qumico farmacutico y una institucin educativa. El primero de 500 trabajadores, dos subunidades o centros de trabajo, con la inclusin de una planta y oficinas-; 19 reas funcionales y una antigedad de ms de 76 aos. Se trata de una organizacin de alta tecnologa y parte de un grupo corporativo internacional. El tamao de muestra final fue de 421 casos vlidos ( n ), 216 hombres y 186 mujeres (19 personas no especificaron). De los cuales 90% tienen 18 a 40 aos (63% menores a 33); mientras que, solamente 2% fue de nivel gerencial o mayor. El instrumento pretendi medir las siguientes dimensiones: moral, apoyo de la direccin, innovacin, percepcin de la empresa-identidad-identificacin, comunicacin, percepcin del desempeo, motivacin intrnseca, autonoma, satisfaccin general, liderazgo, visin y recompensas o retribucin. Recordemos que lo que se evala son las percepciones sobre tales atributos organizacionales. Const de 73 tems con frases de la escala tipo Likert y 23 preguntas (cuyas respuestas se escalaron tambin tipo Likert), 96 reactivos en total. Primero, se realiz un anlisis sin rotar los factores (solucin inicial o simple, sin consideraciones especficas). Los resultados completos de la rotacin inicial se muestran en el apndice respectivo, que produce 19 factores, pero debe hacerse notar que prcticamente los tems cargan en un solo factor. El resto de los factores n o muestra reactivos con cargas o pesos significativos. Posteriormente, los factores fueron rotados para visualizar posibles cambios (con los mtodos varimax, equamax y quartimax). Los resultados prcticamente no variaron. Esta solucin de un nico factor significativo y 18 factores sin pesos importantes, nos indica que la escala del clima organizacional es un constructo bsicamente homogneo, al menos en esta muestra. La solucin factorial se presenta parcialmente en la tabla 8.8 (no se incluye toda, pues como ya se coment exclusivamente un factor fue significativo, los restantes factores muestran pesos para los tems como el segundo, tercero, cuarto y quinto factor).

Este ejemplo fue tomado de una aplicacin del instrumento de la Universidad de Celaya para medir el clima laboral (Hernndez Sampieri, 2005).

30

Tabla 8.8 Cargas de factores en el ejemplo de la escala para medir el clima organizacional (laboratorio qumico-farmacutico)
Pregunta Factor o componente
Factor 1 Frases Likert F1 F2 F3 F4 F5 F6 F7 F8 F9 F10 F11 F12 F13 F14 F15 F16 F17 F18 F19 F20 F21 F22 F23 F24 F25 F26NEG F27 F28 F29 F30 F31NEG F32 .352 .508 .511 .555 .631 .586 .615 .595 .609 .655 .659 .589 .591 .636 .675 .646 .651 .534 .690 .590 .727 .765 .649 .656 .534 -2.383E-02 .592 .593 .398 .677 .236 .673 Factor 2 .286 .382 .211 .359 .325 .312 -.224 -.165 -.272 -.235 8.963E-02 .152 -.217 -.198 -.217 -.166 .164 .328 -3.630E-02 -9.375E-02 -.150 -.213 -.211 .335 -9.697E-03 3.496E-02 -.257 .231 .103 -8.654E-02 .210 .317 Factor 3 -.276 -7.527E-03 .304 -1.285E-02 -.120 -.121 .162 .125 .325 .294 .140 -.161 .189 .113 5.034E-02 .243 .213 .269 -9.095E-05 -6.703E-02 -.404 -.389 2.260E-02 -8.049E-02 .342 .124 4.450E-02 .216 -8.613E-02 -.223 .114 5.273E-02 Factor 4 -.160 -1.853E-02 .153 -4.903E-02 -.137 -.287 -.262 -.330 -.296 -.293 3.780E-02 -5.420E-02 .231 .237 -7.586E-02 -.215 -7.052E-02 .276 -6.007E-02 .359 5.516E-02 2.251E-02 .141 -1.521E-02 7.291E-02 .187 .410 .384 .326 -5.095E-02 .102 -3.608E-02 Factor 5 .365 .245 .153 .247 4.398E-02 -4.812E-02 -6.974E-02 4.410E-02 -5.500E-03 -2.404E-02 -.167 -.107 5.625E-02 3.174E-02 4.885E-02 3.701E-02 -8.041E-03 -7.664E-02 7.306E-02 3.371E-02 -8.518E-03 -5.801E-03 3.218E-02 .211 -.135 .280 -3.095E-02 -.123 -.170 -3.149E-02 .333 .204

31

F33 F34 F35 F36 F37NEG F38NEG F39 F40 F41 F42NOUNI F43 F44NEG F45NEG F46 F47 F48 F49 F50NOUNI F51 F52NEG F53NEG F54 F55 F56 F57 F58 F59 F60 F61 F62NEG F63 F64 F65 F66 F67 F68 F69 F70NOUNI F71NOUNN F72NOUNI F73NOUNI

.657 .604 .547 .669 .163 .555 .701 .643 .730 .518 .229 .246 8.139E-02 .642 .764 .612 .720 .505 .676 .376 .156 .542 .509 .467 .528 .617 .737 .584 .395 .424 .684 .565 .540 .746 .742 .469 .400 .488 4.747E-02 .272 .555

-.276 .397 .417 -.256 -.144 -.176 .312 .412 -.269 -.336 6.211E-02 -.223 -.207 -.141 -.155 -.186 -.148 -.339 .389 -.164 -.214 .128 .344 1.753E-02 .393 7.204E-02 -.114 .181 -2.439E-02 -.241 -.138 -.142 -6.075E-02 -.171 4.266E-02 -.167 6.046E-02 -.284 -.153 -.132 -.205

.226 3.055E-02 3.127E-02 -9.381E-02 -.254 -.255 -9.353E-02 -.144 .235 .161 -3.422E-03 -.105 -.170 -.339 -.338 -.359 -.339 .191 -2.925E-02 -6.835E-02 .187 .117 .233 -.273 5.363E-02 -.184 -.448 1.196E-03 -1.207E-02 -.308 .132 .235 .154 -.341 -.249 .267 9.498E-02 .297 .129 7.687E-02 .275

-.277 -1.101E-02 -2.232E-04 .296 .161 1.392E-02 -.209 -.149 -.210 -.167 -2.360E-02 .263 7.145E-02 3.685E-02 -5.616E-02 -.192 -.105 -9.964E-02 -5.744E-02 .239 .336 6.809E-02 .333 .343 .321 7.046E-02 -8.039E-04 .341 .330 6.336E-02 -1.317E-02 2.183E-02 .189 -6.588E-02 -9.802E-02 .180 .430 -.115 .113 -8.865E-02 -6.823E-02

-8.926E-02 1.358E-02 -3.890E-02 4.097E-04 .367 .226 .184 .130 2.546E-02 .255 9.347E-02 .292 .404 -.175 2.326E-02 -8.310E-02 -.117 .260 .226 .363 .244 -.115 -.101 -.132 -6.305E-02 -.256 -.138 -3.219E-02 -3.374E-02 .213 3.409E-02 -3.918E-02 -6.796E-02 -6.952E-02 -2.049E-02 -.137 -.135 .221 .324 -.108 6.611E-03

32

Preguntas P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15 P16 P17 P18 P19 P20 P21 P22 P23

.588 .482 .576 .738 .729 .651 .687 .714 .700 .485 .564 .708 .668 .653 .767 .759 .792 .727 .718 .702 .653 .661 .660

4.995E-02 .396 .397 -.208 -.236 -5.214E-02 -.203 5.413E-03 .375 .403 .275 -.123 -.143 -.367 -.225 -.188 -.196 5.139E-02 .117 6.121E-02 .246 .284 .117

.345 -.230 2.461E-02 .202 .180 .152 .334 .424 9.235E-03 4.916E-03 9.553E-02 .161 -.133 5.745E-02 -.405 -.431 -.408 -3.487E-03 -1.238E-02 2.808E-03 8.018E-02 4.514E-02 2.673E-02

4.504E-02 -.122 -.124 -.266 -.239 .169 -1.692E-02 4.213E-03 -9.991E-02 -4.660E-02 -3.650E-02 -.104 -9.723E-02 .311 6.120E-02 3.359E-02 -2.678E-03 -1.964E-02 -2.477E-02 -4.372E-02 -.169 -.102 -5.360E-02

7.539E-02 .336 .272 -7.068E-02 3.344E-02 9.607E-02 -3.240E-03 -5.577E-02 .100 2.116E-03 -.135 6.737E-02 .102 7.085E-02 -.112 -.118 -.106 -.170 -.237 -.282 -.265 -.224 -.267

En tablas o cuadros como el anterior resulta muy fcil perderse en un mundo de cifras. Por ello es necesario concentrarse en lo relevante: - La tabla es una matriz de correlaciones de cada tem con los factores (estructura completa de tems o reactivos). - Las cargas factoriales (valores en las celdas) son una especie de coeficientes de correlacin y en consecuencia se interpretan como tales. - El anlisis de factores tambin proporciona la varianza explicada por cada factor de la estructura, as como otros valores que omitimos deliberadamente para no complicar la interpretacin al estudiante a nivel de licenciatura. - El factor 1 (sombreado) es el nico que realmente emergi de la administracin de la escala del clima organizacional9 (vanse los valores para cada tem del factor 1 comparados con los valores de los dems
9

Da cuenta del 39% de la varianza total (los tres primeros factores generan el 60%). Al factor se le denomin: Proceso de juicio comn para evaluar las percepciones del entorno laboral.

33

factores en los mismos tems). Un ejemplo (pregunta 17):

tem Fa ctor 1 dems factores

P17

.792

-.196

-.408

-2.678E-03

-.106

carga factorial alta

cargas factoriales bajas

- Los tems con cargas bajas en todos los factores deben desecharse de la escala, no miden realmente lo que nos interesa: los componentes o dimensiones del clima organizacional (afectan la validez del instrumento). Por ejemplo, el tem 53 (frase):
tem Factor 1 dems factores

F53NEG

.156
carga factorial baja

-.214

.187

.336

.244

cargas factoriales bajas

- En este caso, la conclusin principal del resultado sera: El hecho de que el anlisis de factores haya revelado un nico factor significativo en la muestra, nos lleva a la conclusin provisional de que el clima organizacional es un constructo molar, en el cual se funden distintas percepciones sobre aspectos centrales del ambiente de trabajo. Por lo anterior, hemos de decir que los resultados respaldan la nocin de Parker et al. (2003) respecto a que, detrs de las dimensiones laborales del clima, se encuentra presente un proceso de juicio comn, el cual se refleja en las distintas mediciones de la percepcin del entorno de trabajo. Es un proceso subyacente que se expresa de diversas maneras. Asimismo, el anlisis de factores y la matriz de correlacin entre dimensiones apoyan el modelo de dos niveles postulado principalmente por L. A. James, L. R. James y C. P. Parker.

34

La confiabilidad alfa para la escala fue 0.9747, que aumenta a 0.98 si se eliminan los tems que no cargan en algn factor. Tercer ejemplo: Validacin de un instrumento para medir el espritu empresarial en estudiantes10 Objetivo del estudio: Validar un instrumento que evala el espritu empresarial en una muestra de estudiantes mexicanos. Instrumento desarrollado en 2003 por Leslie Borjas Parra, Universidad Metropolitana de Venezuela. Confiabilidad total (alfa): 0.925. A partir del anlisis de factores por componentes principales, se puede observar una carga mayor a 0.50 de 24 tems hacia el factor 1 (F 1), lo que proporciona confianza respecto de que el instrumento realmente mide lo que pretende (validez de constructo). Tabla 8.9 Ejemplo de anlisis de factores para la validacin de un instrumento (espritu empresarial en estudiantes)
F1 0.60 0.53 0.63 0.63 0.54 0.57 0.59 0.48 0.54 0.55 0.48 0.52 0.39 0.64 0.68 0.60 F2 -0.40 -0.23 -0.06 -0.43 -0.44 0.00 -0.43 0.46 0.05 -0.15 0.57 0.29 0.32 0.06 0.08 0.21 F3 0.26 -0.24 0.27 0.02 -0.15 0.31 -0.24 0.30 0.31 0.21 0.25 -0.01 -0.02 0.38 0.28 -0.12 F4 0.19 0.09 -0.18 -0.14 -0.11 -0.17 0.07 -0.25 0.35 -0.09 0.35 0.46 0.61 0.16 -0.04 -0.33 F5 0.02 0.24 0.29 -0.04 0.06 0.02 -0.12 0.00 -0.38 -0.49 0.05 0.01 0.21 0.06 -0.22 -0.01 F6 -0.22 0.01 -0.15 -0.19 0.17 0.27 0.01 0.04 0.02 0.02 -0.09 -0.22 0.12 -0.28 -0.08 -0.23 F7 -0.03 -0.39 -0.17 -0.19 -0.13 -0.07 -0.12 0.26 0.17 0.08 -0.08 -0.03 0.00 0.08 -0.12 0.13 F8 0.12 -0.31 -0.22 -0.14 0.10 0.39 0.24 -0.04 0.26 -0.06 -0.06 0.23 -0.23 0.06 -0.10 -0.15

PREGUNTA P9_CREATIVIDAD P8_GRUPO P7_CREATIVIDAD P6_RIESGOS P5_RIESGOS P4_EVENTOS P32_GRUPO P31_EVENTOS P30_HONESTIDAD P3_CREATIVIDAD P29_EVENTOS P28_AUTODETERMINACION P27_SOCIAL P26_AUTODETERMINACION P25_AUTODETERMINACION P24_GRUPO

10

Este ejemplo fue proporcionado por Moiss Mendoza Escobar (2006).

35

P23_CAMBIO P22_HONESTIDAD P21_HONESTIDAD P20_SOCIAL P2_CREATIVIDAD P19_SOCIAL P18_CAMBIO P17_SOCIAL P16_GRUPO P15_CAMBIO P14_RIESGOS P13_RIESGOS P12_CAMBIO P11_EVENTOS P10_AUTODETERMINACION P1_HONESTIDAD

0.59 0.60 0.41 0.53 0.64 0.49 0.70 0.64 0.68 0.56 0.58 0.57 0.72 0.36 0.31 0.45

-0.16 -0.05 0.08 0.20 0.04 0.40 0.07 0.42 0.19 -0.15 -0.21 0.17 -0.42 0.59 -0.48 -0.26

0.06 -0.43 -0.17 -0.38 -0.26 -0.37 -0.17 -0.21 -0.27 -0.40 0.36 0.28 0.09 0.14 0.31 -0.33

-0.26 0.04 -0.07 0.19 0.27 -0.32 -0.17 -0.25 -0.17 0.19 -0.23 -0.04 0.05 -0.12 0.14 0.11

0.25 -0.26 0.46 -0.26 0.24 0.06 -0.05 -0.13 -0.26 -0.15 0.04 0.21 -0.01 0.14 0.04 0.41

-0.31 0.08 -0.26 -0.22 0.20 -0.05 -0.11 -0.02 0.16 0.31 0.39 0.35 -0.08 0.32 0.12 0.17

0.04 0.26 0.47 -0.19 -0.01 -0.03 0.07 0.02 0.00 0.20 0.08 0.02 -0.23 -0.35 0.37 0.15

0.32 -0.20 -0.15 -0.03 0.07 0.37 -0.10 -0.07 -0.06 -0.03 -0.13 -0.06 -0.12 0.03 -0.12 0.25

Para quien desee compenetrarse con esta tcnica recomendamos consultar Harman (1976), Gorsuch (1983), Nie et al. (1975), Kim y Mueller (1978a y 1978b), as como Hunter (1980). Del mismo modo, para aplicarlos se sugiere revisar a Nie et al. (1975), Cooper y Curtis (1976), en espaol a Pdua (2004) y otras referencias ms sobre el paquete SPSS que se citan en el siguiente captulo y que fueron escritas en este siglo. Aunque es requisito conocer el programa estadstico computacional. Qu es el anlisis multivariado de varianza (MANOVA)? Es un modelo para analizar la relacin entre una o ms variables independientes y dos o ms variables dependientes. Es decir, es til para estructuras causales del tipo:
X1 Y1

X2

Y2

Xk

Yk

36

La tcnica posee varios usos, entre los que destacan: - Evaluar diferencias entre grupos a travs de mltiples variables dependientes (medidas por intervalos o razn). La(s) variable(s) independiente(s) es(son) categrica(s) (no mtricas). Tiene el poder de evaluar no solamente las diferencias totales, sino diferencias entre las combinaciones de las dependientes. En este sentido representa una extensin del anlisis de varianza (ANOVA) para cubrir casos donde hay ms de una variable dependiente y/o cuando las variables dependientes simplemente no pueden ser combinadas. En otras palabras, reconoce si los cambios en la(s) variable(s) independiente(s) tienen un efecto significativo en las dependientes. Seala qu grupos difieren en una variable o en el conjunto de variables dependientes. - Identificar las interacciones entre las variables independientes y la asociacin entre las dependientes. Las tres clases principales del MANOVA son: 1) Hotelling's T. Es parecida a la prueba t (dos grupos) pero con ms dependientes: una variable independiente dicotmica y varias dependientes. 2) MANOVA unidireccional. Anlogo al ANOVA de una sola va, pero con ms dependientes: una variable independiente multicategrica y varias dependientes. 3) MANOVA factorial. Similar al ANOVA factorial, solamente que con dos o ms dependientes: varias independientes categricas y varias dependientes. Los modelos del MANOVA tienen en comn que forman combinaciones lineales de las dependientes que discriminan mejor entre los grupos en un experimento o una situacin no experimental. Es una prueba de significancia de las diferencias en los grupos en un espacio multidimensional donde cada dimensin est definida por combinaciones lineales del conjunto de variables dependientes. Una pregunta que suele hacer el estudiante al revisar el MANOVA es por qu no hacemos ANOVAS separados, uno para cada dependiente? La respuesta: las dependientes estn correlacionadas muy frecuentemente, por lo cual los resultados de varios ANOVA pueden ser redundantes y difciles de integrar. He aqu una sntesis de la explicacin de Wiersma y Jurs (2005) sobre este tipo de anlisis: Al incluir dos o ms variables dependientes simultneamente no se consideran las diferencias entre las medias en cada variable, sino las diferencias en variables cannicas. El inters no slo es saber si los grupos definidos por las variables
37

independientes difieren en las variables cannicas, sino conocer la naturaleza de stas. Una variable cannica es una variable artificial generada a partir de los datos. Representa constructos y se compone de variables reales, las cuales deben ser descritas en trminos de variables dependientes. Lo anterior se efecta por medio de las cargas de los coeficientes de correlacin entre una variable dependiente y una variable cannica. Si una carga entre la variable cannica y la dependiente es positiva y elevada, significa que altos valores en la dependiente se asocian con altos valores en la cannica. Por ejemplo, si una variable dependiente consiste en puntuaciones a una prueba sobre innovacin, y dichas puntuaciones se correlacionan en forma considerable con una variable cannica, inferimos que la variable cannica representa un constructo que involucra esencialmente a la innovacin. En los clculos que se hacen en el MANOVA, se generan variables cannicas hasta que se encuentra que no hay una diferencia estadstica significativa entre las categoras o los grupos de las variables independientes; o bien, hasta que se agotan los grados de libertad de las variables independientes (lo que ocurra primero). El nmero de variables cannicas no puede exceder el nmero de variables dependientes, pero es comn que el nmero de dependientes sea mayor que el de variables cannicas estadsticamente significativas o los grados de libertad. La hiptesis general de investigacin en el MANOVA postula que las medias de los grupos o las categoras de la(s) variable(s) independiente(s) difieren entre s en las variables cannicas. La hiptesis nula postula que dichas medias sern iguales. Se calculan diversas estadsticas para evaluar ambas hiptesis, entre las que destacan: F (total, toma en cuenta el modelo completo), la prueba Hotelling's TSquare, T2 (cuando hay dos grupos formados por las variables independientes), Wilks' lambda, U (cuando hay ms de dos grupos formados por las variables independientes), y Pillai-Bartlett (cuando hay coeficientes cannicos);11 y si resultan significativas en un nivel de confianza, se acepta la hiptesis de investigacin de diferencia de medias. Esto indica que hay, por lo menos, una variable cannica significativa (pero puede haber varias). Si diversas variables cannicas son significativas, esto muestra que se presentan diferencias en las variables cannicas en cuestin, entre los grupos o categoras de las independientes. Los paquetes estadsticos que contiene el MANOVA suelen posicionar a los grupos de las variables independientes por puntuaciones discriminantes; stas son
11

Adems, para comparaciones especficas estn las pruebas post hoc del ANOVA, ya revisadas en el captulo 10 del libro.

38

calculadas con una funcin discriminante, que es una ecuacin de regresin para un compuesto de variables dependientes. A cada grupo se le asigna una puntuacin discriminante en cada variable cannica. Las puntuaciones discriminantes de una variable independiente pueden ser cero o tener un valor positivo o negativo. Una puntuacin discriminante positiva y elevada para un grupo, indica que ste se coloca por encima de los dems en la respectiva variable cannica. Y deben considerarse las cargas, las cuales son positivas o negativas. Las puntuaciones discriminantes son utilizadas para interpretar las separaciones de los grupos en las variables cannicas, en tanto que las cargas se usan para evaluar y ligar los resultados de las variables dependientes (Wiersma y Jurs, 2005). Un ejemplo de las cargas de los coeficientes de correlacin entre las variables dependientes y las variables cannicas se muestra en la tabla 8.10, mientras que un ejemplo de las puntuaciones discriminantes viene en la tabla 8.11. Tabla 8.10 Cargas de los coeficientes de correlacin entre las variables dependientes y las variables cannicas VARIABLES CANNICAS
I II (ATRIBUCIN DE CAUSALIDAD EXTERNA) III (DESEMPEO LABORAL)

VARIABLE DEPENDIENTE
Motivacin intrnseca (escala intrnseca del inventario de caractersticas del trabajo)

(MOTIVACIN INTRNSECA)

0.90

0.05

0.07

Atribuciones internas Sentimientos de xito en el trabajo Atribuciones externas PRODUCTIVIDAD EFICIENCIA CALIDAD

0.86 0.70

0.07 0.80

0.09 0.00

0.03 0.12 0.18 0.19

0.61 0.07 0.04 0.13

0.12 0.74 0.48 0.57

39

Tabla 8.11 Puntuaciones discriminantes con cuatro grupos en tres variables cannicas GRUPO I Ejecutivos Secretarias Empleados Obreros 1.97 0.19 1.40 3.18 VARIABLES CANNICAS II 0.95 1.18 1.01 1.12 III 1.69 1.25 0.49 0.93

Como observamos en la tabla 8.11, se obtuvieron tres constructos subyacentes en las puntuaciones recolectadas de la muestra: motivacin intrnseca, atribucin de causalidad externa y desempeo laboral. Vemos en la tabla 8.11 que los grupos (niveles en la empresa) estn separados en las tres variables cannicas (los grupos difieren), particularmente en la primera variable cannica (motivacin intrnseca) y los obreros ocupan la posicin ms baja. Las variables dependientes enmarcadas en un recuadro en la primera variable cannica se cargan en ella (tabla 8.10); en consecuencia, los ejecutivos tienen las puntuaciones ms altas en motivacin intrnseca medida por la escala mencionada, en atribuciones internas y en sentimientos de xito en el trabajo. As se interpretan todas las variables cannicas y dependientes. En el MANOVA se incluyen razones F y anlisis de varianza. Algunos paquetes estadsticos agregan una prueba denominada correlacin cannica, que es muy similar al MANOVA. sta es la mxima correlacin que llega a obtenerse entre los conjuntos de puntuaciones y las relaciones entre las variables independientes, entre las variables dependientes y entre los conjuntos de ambas (dependientes e independientes) (Kerlinger, 1979). Las variables en el MANOVA y la correlacin cannica asumen que las variables dependientes estn medidas en un nivel de intervalos o razn. Tal correlacin se interpreta como otras; pero el contexto de interpretacin vara de acuerdo con el nmero de variables involucradas.

40

Hay otros mtodos multivariados? En la actualidad, hay muchos mtodos multivariados de anlisis, los cuales se desarrollaron con la evolucin de la computadora. Los investigadores disponen del anlisis discriminante, cuando las variables independientes son medidas por intervalos o razn, y la dependiente es categrica. Tal anlisis sirve para predecir la pertenencia de un caso a una de las categoras de la variable dependiente, sobre la base de varias independientes (dos o ms). Se utiliza una ecuacin de regresin llamada funcin discriminante. Por ejemplo, si queremos predecir el voto obtenido por dos partidos contendientes (variable dependiente nominal con dos categoras) sobre la base de cuatro variables independientes, aplicaremos el anlisis discriminante, para resolver una ecuacin de regresin; as se obtienen las predicciones individuales. En el ejemplo, hay dos categoras (votar por A o votar por B ); por tanto, los valores a predecir son 0 y 1 (A y B, respectivamente). Si el sujeto obtiene una puntuacin ms cercana a cero, se predice que pertenece al grupo que votar por A; si logra una puntuacin ms cercana a 1, se predice que pertenece al grupo que votar por B. Adems, se consigue una medida del grado de discriminacin del modelo. Se cuenta tambin con el anlisis de conglomerados o clusters (tcnica para agrupar los casos o elementos de una muestra en grupos con base en una o ms variables), el escalamiento multidimensional (para disear escalas que midan a los sujetos en diversas variables y los ubiquen simultneamente en los ejes de las distintas variables, as como para conocer la estructura de las variables entre s), el anlisis de series cronolgicas o de tiempo (para analizar la evolucin de los casos en una o ms variables a travs del tiempo y predecir el comportamiento de las variables o sucesos) y la elaboracin de mapas multidimensionales (donde establecemos distancias entre casos, al basarnos en mediciones mltiples de varias dimensiones o variables), para los cuales se requieren bases slidas en materia de estadstica y en matemticas avanzadas. Sugerimos Ferrn (2001), Shaw (2003) y Lehamn, O'Rourke, Hatcher y Stepanski (2005) para una revisin de tales pruebas y modelos.

41