Está en la página 1de 17

Anlisis de Tablas de Contingencia: Modelos Log-lineales

Captulo 2

A n l i s i s d e Ta b l a s d e C o n t i n g e n c i a : M o d e l o s L o g - l i n e a l e s

Captulo 2

Captulo 2

Anlisis de Tablas de Contingencia: Modelos Log-lineales 1. Introduccin


Los modelos Log-lineales, tambin denominados modelos lineales logartmicos y modelos log-linear, se presentan como una tcnica que analiza la relacin que se produce entre un conjunto de variables cualitativas (siempre ms de dos, pues de ser ste el caso el anlisis de tablas de contingencia, como ya vimos, es el ms idneo). En consecuencia, los modelos log-lineales se presentan como la tcnica ms apropiada en aquellos casos en los que nos interese valorar la relacin que se produce entre las variables de una tabla de contingencia de mltiples entradas. Nuevamente, y tal y como ya sucediera en el anlisis de tablas de contingencia, la determinacin y grado de independencia y/o dependencia se apoya en la relacin que mantienen las frecuencias observadas o reales y las frecuencias esperadas o tericas. En el caso concreto de los modelos log-lineales, la frecuencia esperada se obtiene transformando en logaritmos naturales o neperianos las frecuencias observadas. A su vez, el logaritmo de las frecuencias observadas de una determinada casilla (o variable) (lnFij), se explica por cuatro componentes, parmetros lambda o efectos, a saber (considerando una tabla de 2*2): 1. Efecto , en donde dicho parmetro expresa la media de los logaritmos de todas las casillas.

2 y 3. Efecto A y B o efecto de un marginal (filas o columnas, respectivamente). Estos son los efectos principales originados en las categoras correspondientes a cada una de las variables. 4.Efecto AB o efecto de la interaccin de las variables (en este caso de orden 2).

Al considerar el conjunto de efectos, componentes o parmetros lambda, estamos reconstruyendo, en concreto, el modelo log-lineal saturado (caso particular del modelo jerrquico). En el ejemplo que se recoge en la presentacin de los Resultados se

Estadstica Informtica: casos y ejemplos con el SPSS

25

Captulo 2

A n l i s i s d e Ta b l a s d e C o n t i n g e n c i a : M o d e l o s L o g - l i n e a l e s

analiza la relacin que se produce entre el TIPO DE RELIGIN (D8), el GRADO DE PRCTICA RELIGIOSA (D8A) y el SEXO (D1). Matemticamente, el logaritmo de cada casilla (frecuencias esperadas o tericas) se obtiene aplicando:
lnFijk= +Ai+ Bj+ Ck+ ABij+ ACik+ BCjk+ ABCijk

lnFijk = +religin +prctica +sexo +religin,prctica + +religin,sexo + prctica,sexo +religin,prctica,sexo

En definitiva, el inters de los modelos log-lineales estriba en identificar los efectos significativos pues slo son stos los que nos permiten interpretar las relaciones que se producen entre las variables de la tabla de contingencia de mltiples entradas. En este captulo vamos a: 1. Determinar si los datos observados se ajustan a un modelo log-lineal. 3. Una vez verificada la bondad del modelo debemos elegir, del conjunto de modelos que genera la aplicacin de la tcnica, aquel que ofrezca una interpretacin parsimoniosa de la relacin entre variables. Para ello, como tendremos ocasin de apreciar, podremos optar entre distintas estrategias. 3. Por ltimo, y una vez seleccionado el modelo, si las pruebas que nos permiten comprobar dicho ajuste dan positivo, podremos estimar los parmetros. Con ello, estudiaremos la contribucin de cada parmetro en el ajuste del modelo.

2. Bondad de ajuste al modelo


Antes de proceder a desarrollar las posibilidades que nos ofrece la aplicacin de esta tcnica debemos ratificar que el conjunto de datos que pretendemos estudiar desde la perspectiva de sus interacciones se ajustan, o no, al modelo log-lineal. Como ya sucediera en el anlisis de tablas de contingencia, podremos afirmar que los datos se ajustan al modelo cuando la diferencia entre las frecuencias observadas y las esperadas no son estadsticamente significativas distintas de cero (H0: modelo adecuado al nivel de significacin).

26

Estadstica Informtica: casos y ejemplos con el SPSS

A n l i s i s d e Ta b l a s d e C o n t i n g e n c i a : M o d e l o s L o g - l i n e a l e s

Captulo 2

Como primera aproximacin para valorar si los datos se ajustan a un modelo terico podemos utilizar los Residuales. Un residual es la diferencia entre los valores observados y los esperados. Si el modelo es ajustado, los residuales son bajos. Es ms, cuando una coleccin de datos se ajusta perfectamente, los residuales son cero. esta circunstancia solo ocurre cuando estamos en presencia de un modelo log-lineal saturado. Al margen de la informacin que los residuales nos puedan ofrecer, contamos con dos pruebas que valoran la bondad de ajuste del modelo. stas son: la Chi-cuadrado de Pearson y la Razn de verosimilitud. Para ambos casos, el modelo se rechazar cuando el grado de significacin (p-valor del estadstico) sea mayor que el nivel de significacin que se haya establecido (normalmente 0.05). Conviene insistir que si hubiramos rechazado la bondad del modelo carece de sentido calcular el valor de los parmetros.

3. Seleccin del modelo


Si el modelo log-lineal tiene por finalidad identificar las relaciones ms significativas que se producen entre las variables seleccionadas, resulta evidente que el modelo saturado, de entre todos los posibles, no es el ms indicado puesto que ste recoge, sin discriminar, la totalidad de parmetros. Debemos, pues, quedarnos con aquel modelo que solo considere lo ms significativo de la relacin entre las variables, de tal manera que se cumpla el principio de parsimonia. Para ello, el investigador podr optar entre distintas estrategias. Todas ellas suelen coincidir validando el modelo ms representativo (esto es, las estrategias no son excluyentes sino complementarias); y, todas ellas, parten del modelo log-lineal saturado. En consecuencia, un modelo ser adecuado en la medida que simplifique al modelo saturado, o lo que es lo mismo, que mejore el ajuste previamente obtenido. Las estrategias que exponemos nos ofrecen la posibilidad de ir eliminado del modelo saturado las relaciones menos importantes.

Estadstica Informtica: casos y ejemplos con el SPSS

27

Captulo 2

A n l i s i s d e Ta b l a s d e C o n t i n g e n c i a : M o d e l o s L o g - l i n e a l e s

1. Ya hemos comentado como los valores bajos que se obtienen al generar el modelo saturado de los datos puede ser un criterio para excluir las relaciones menos significativas. 2. Al generar el modelo saturado, junto con los parmetros lambda, aparecen otros datos susceptibles de ser considerados a la hora de reducir el modelo saturado o de partida. En concreto, el valor Z (razn entre el valor lambda y su error tpico) puede hacer las veces de prueba de significacin. Lambdas con Z superiores a 1,96 (valores absolutos) pueden considerarse significativas al nivel de significacin 0,05; o lo que es lo mismo: las lambdas estandarizadas mayores a 1,96 se asocian a parmetros relevantes para la interpretacin del modelo. 3. Al margen de que podemos utilizar los valores y Z como criterios de significacin, contamos con dos test especficos para ello, a saber: la prueba de los k efectos y la prueba de asociacin parcial. La prueba de los k efectos, en su doble versin, nos permite comprobar si los efectos de un determinado orden son iguales a 0. La primera parte del test contrasta la H0 de que todos los efectos de un orden particular o superior son iguales a 0; la segunda parte, contrasta la H0 de que los efectos de, solamente, un determinado orden sean iguales a 0. Para ambos casos, rechazaremos las iteracciones de k orden para las que los p-valores asociados al estadsticos Chi-cuadrado sean mayores al nivel de significacin (normalmente, 0,05). Las interacciones rechazadas no son estadsticamente significativas. Sin embargo, el hecho de que los efectos de determinadas interacciones, o los principales, sean distintos a 0 no implica que en particular, cada uno de ellos los sea. La prueba de asociacin parcial contrasta la Ho de que un efecto en particular es nulo. Un efecto es, significativamente distinto a 0 cuando el p-valor asociado al estadstico Chi-cuadrado parcial es menor a 0,05. La asociacin parcial mide la contribucin de los efectos individuales en la construccin del modelo. Considerando esta tercera estrategia de forma global, el modelo definitivo podra ser enunciado excluyendo los efectos

28

Estadstica Informtica: casos y ejemplos con el SPSS

A n l i s i s d e Ta b l a s d e C o n t i n g e n c i a : M o d e l o s L o g - l i n e a l e s

Captulo 2

nulos, esto es, aquellos para los que el p-valor del estadstico es mayor al nivel de significacin. 4.- Por ltimo, los modelos log-lineales jerrquicos contemplan la posibilidad de, aplicando el mtodo backward, ir excluyendo, paso a paso, los efectos que no son estadsticamente significativos. En cada paso se analizan los efectos de orden superior que permanecen en el modelo. Se suprimirn aquellos que al pasar del modelo original al obtenido al suprimir dicho efecto produzca un cambio mnimo en la razn de verosimilitud Chi-cuadrado. Se suprimen los efectos para los que el valor asociado al cambio en la razn de verosimilitud Chi-cuadrado es mayor que el nivel de significacin (normalmente, 0,05). Una vez que hemos seleccionado el mejor modelo los deberamos, nuevamente, someter a una prueba de bondad de ajuste.

4. Clculo de los parmetros lambda ()


Obtenido un modelo simplificado y verificada la bondad de ajuste del mismo, nos queda calcular los parmetros lambda; esto es, los valores esperados o tericos (logaritmos neperianos) para cada una de las casillas o cruce de variables. stos arrojarn valores positivos cuando el promedio de individuos de una fila o una columna sea superior al promedio general; de producirse la circunstancia contraria, los valores sern negativos. Ya hemos comentado que existe la posibilidad de elegir entre modelos log-lineales diferentes. Todos se basan en la obtencin de los respectivos logaritmos a partir de la consideracin del conjunto de efectos. En nuestros anlisis siempre partiremos de la reconstruccin del modelo log-lineal saturado, calcularemos los efectos para el conjunto de variables seleccionadas. Su definicin, clculo de los parmetros lambda, nos permite identificar con facilidad los efectos ms significativos y determinantes en la relacin de variables. De este modo tenemos que los valores que en el modelo saturado sean bajos pueden, generalmente, excluirse del modelo definitivo.

Estadstica Informtica: casos y ejemplos con el SPSS

29

Captulo 2

A n l i s i s d e Ta b l a s d e C o n t i n g e n c i a : M o d e l o s L o g - l i n e a l e s

Sin embargo, y si bien el programa calcula los parmetros del modelo saturado, stos no son los definitivos. Este proceso es un paso previo que nos ayuda a seleccionar el modelo que ms se ajusta. Por ello, y una vez seleccionado el mejor modelo, deberemos calcular los parmetros lambdas para dicho modelo. A partir de los parmetros estimados podremos predecir las frecuencias esperadas de las casillas. stos son los necesarios para explicar los valores de las casillas y sus tamaos indican la importancia de cada uno de ellos. Para obtener los resultados expuestos y llevar a cabo un anlisis de relacin entre un conjunto de variables cualitativas debemos recurrir al Cuadro de Dilogo de los modelos log-lineales. Las especificaciones que deberemos introducir se recogen en el siguiente punto.

5. Cuadro de Dilogo de los Modelos Log-lineales


1er paso: El proceso se empieza en el men de Analizar: Loglineal: Seleccin del Modelo (figura 1). Ya hemos expuesto la diversidad de modelos log-lenales. Con esta opcin podemos elegir entre el modelo log-lineales saturado o el modelo jerrquico. Depender de la estrategia de seleccin de modelo que elijamos. Puesto que lo ms frecuente es desconocer las interacciones, efectos o parmetros lambda ms significativos, lo aconsejado es solicitar el modelo saturado. Aunque no es excluyente solicitar el modelo jerrquico. Ambos ofrecen informacin complementaria.
Figura 1

2 paso: Una vez que ya hemos accedido al cuadro de dilogo del modelo log-lineal, deberemos seleccionar de la matriz de datos originales aquellas variables (siempre en nmero superior a dos) que queremos que participan en el anlisis. stas son seleccionadas del listado que aparece a la izquierda del cuadro y las introduciremos en la ventana de Factores (figura 2). Las variables seleccionas han sido: TIPO DE RELIGIN (D8), el GRADO DE PRCTICA RELIGIOSA (D8A) y el SEXO (D1). Respecto a las dos primeras cabe recordar que se ha omitido en el anlisis las opciones NS/NC. 3er paso: De cada una de las variables que hemos introducido en Factores, debemos Definir los rangos correspondientes. El rango se define en funcin del nmero de categoras de cada una

Figura 2

30

Estadstica Informtica: casos y ejemplos con el SPSS

A n l i s i s d e Ta b l a s d e C o n t i n g e n c i a : M o d e l o s L o g - l i n e a l e s

Captulo 2

Figura 3

de las variables. Por ejemplo, la variable SEXO, tiene dos categoras (1= Hombre, 2= Mujer). El Rango mnimo de esa variable corresponde a la categora ms pequea, la categora 1; y el rango mximo corresponde a la categora mayor, la categora 2. En este ejemplo no hay problemas puesto que la variable en cuestin slo tiene dos categoras, por lo que una ser la categora mnima y la otra la categora mxima (figura 3). 4 paso: Una vez que tengamos definido los rangos de cada una de las variables, debemos pedir cmo queremos que resuelva la Construccin de modelos. En principio, se refiere a cmo queremos que genere el modelo definitivo con las variables seleccionadas. Por defecto, tenemos marcada la opcin de Utilizar la eliminacin hacia atrs. De esta forma, y a partir del modelo saturado, ir probando cada una de las combinaciones posibles que se puedan hacer con las variables seleccionadas, hasta dar con la combinacin de variables ideal para construir el modelo. 5 paso: Para finalizar, dentro del cuadro de dilogo principal, tenemos dos botones de comando ms. El botn de comando Modelos, donde podemos seleccionar que nos pruebe un determinado modelo, osea, un determinada combinacin de variables, para ver si con ellas podemos formar un modelo Log-lineal. En principio esta opcin no la vamos a utilizar dejando al programa que busque la mejor combinacin de variables. El segundo botn de comando Opciones, donde pedimos las condiciones de salida de los resultados que vamos a obtener. Debern estar marcadas las opciones de mostrar, Frecuencias y Residuos y, del mismo modo, deber estar marcada la opcin de Mostrar para el modelo saturado las estimaciones de los parmetros (figura 4).

Figura 4

Estadstica Informtica: casos y ejemplos con el SPSS

31

Captulo 2

A n l i s i s d e Ta b l a s d e C o n t i n g e n c i a : M o d e l o s L o g - l i n e a l e s

6. Bibliografa Comentada
Snchez Carrin, Juan J. (1984): Anlisis de Tablas de Contingencia: Modelos Lineales Logartmicos, en Juan J. Snchez Carrin (1984), Introduccin a las tcnicas de anlisis multivariable aplicadas a las ciencias sociales. Madrid, Centro de Investigaciones Sociolgicas (CIS), 1984, pp. 267-294. En este captulo y de la mano de mltiples ejemplos hipotticos el autor ofrece una visin simplificada y muy estructurada de los principales elementos a considerar en los anlisis de modelos log-lineales.

7. Resultados
Una vez finalizada la secuencia de pasos expuesta y una vez que cliqueamos sobre el botn de Aceptar para realizar el modelo log-linear, el ordenador generar unas tablas de resultados con los siguientes elementos: En primer lugar obtenemos un Cuadro informativo de las variables seleccionadas para realizar el modelo loglineal con cada una de las categoras que tienen y el nombre de dicha variable. A continuacin, tenemos el modelo saturado del que partimos. En nuestro ejemplo se construye con la combinacin de las tres variables seleccionadas.
D8*D8A*SEXO

En base al modelo saturado, el programa genera una tabla que establece las diferencias entre el valor observado y el valor esperado; o lo que es lo mismo, nos presenta la tabla de residuales. Como partimos del modelo saturado no se aprecian diferencias entre lo que observamos y lo que esperamos y, por tanto, el residuo es cero. Posteriormente nos proporciona la tabla con la prueba de k-efectos, donde se establecen el orden de las combinaciones que pueden ser incluidas en el modelo. La columna K establece el orden de la combinacin, si hemos

32

Estadstica Informtica: casos y ejemplos con el SPSS

A n l i s i s d e Ta b l a s d e C o n t i n g e n c i a : M o d e l o s L o g - l i n e a l e s

Captulo 2

introducido tres variables la combinacin de orden 3 ser la combinacin de mayor orden y as sucesivamente. Debajo de la columna de de Pearson Chisq. y de la columna de Prob. se nos especifica si esa combinacin de ese orden entrar o no en el modelo Log-lineal. Si la probabilidad est por debajo de 0,05 podemos decir que esa combinacin de orden K tendr alguna combinacin de variables que pertenecern al modelo log-linear. En el ejemplo que adjuntamos podemos ver que solo los efectos de las interacciones de orden 2 y los efectos principales son estadsticamente significativos. Para saber dentro de esa combinacin de orden K, qu combinacin concreta pertenecer al modelo log-lineal tenemos a continuacin el test de asociacin parcial. Este test matiza la conclusin obtenida al aplicar la prueba de k-efectos pues de todas las combinaciones de orden 2 los efectos de la interaccin religin-sexo (D8*SEXO) no son significativos (son iguales a 0). Por su parte, tambin resultan significativos los efectos principales. Al aplicar esta tcnica una de las salidas a considerar es la que nos ofrece el clculo de los parmetros lambda para el modelo saturado (hay que hacer notar que la salida solo recoge los valores no redundantes, los que no aparecen se pueden derivar del resto para lo que basta recordar que el total de cada variable debe sumar 0). En esta tabla a cada uno de los parmetros lambda les acompaan otros indicadores, a saber: su error tpico, los valores Z y el intervalo de confianza. La ltima tabla de resultados que adjuntamos es la que que recoge el procedimiento de seleccin del mejor modelo siguiendo el procedimiento backward. Puede apreciarse como se llega al mismo resultado que el arrojado al aplicar las pruebas de k-efectos y asociacin parcial. Debemos insistir en que una vez determinado el mejor modelo habr que volver a calcular los parmetros lambdas.

Estadstica Informtica: casos y ejemplos con el SPSS

33

Captulo 2

A n l i s i s d e Ta b l a s d e C o n t i n g e n c i a : M o d e l o s L o g - l i n e a l e s

7.1. Resumen informativo respecto a las variables seleccionadas.

******** HIERARCHICAL DATA Information

LOG

LINEAR ********

1171 unweighted cases accepted. 0 cases rejected because of out-of-range factor values. 29 cases rejected because of missing data. 1171 weighted cases will be used in the analysis. FACTOR Information Factor Level D8 3 D8A 5 D1 2 Label podria decirme a que religion pe Y en cuanto a su grado de practi sexo LOG LINEAR ********

******** HIERARCHICAL DESIGN 1 has generating class D8*D8A*D1

Note: For saturated models ,500 has been added to all observed cells. This value may be changed by using the CRITERIA = DELTA subcommand. The Iterative Proportional Fit algorithm converged at iteration 1. The maximum difference between observed and fitted marginal totals is and the convergence criterion is ,250

,000

7.2. Tabla de residuales del modelo saturado


Observed, Expected Frequencies and Residuals. Factor D8 D8A D1 D1 D8A D1 D1 D8A D1 D1 D8A D1 D1 D8A D1 D1 Code catolico no pract varon mujer 2 varon mujer 3 varon mujer 4 varon mujer muy prac varon mujer OBS count EXP count Residual Std Resid

184,5 110,5 112,5 98,5 124,5 149,5 59,5 141,5 39,5 91,5

184,5 110,5 112,5 98,5 124,5 149,5 59,5 141,5 39,5 91,5

,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00

,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00

(contina...)

34

Estadstica Informtica: casos y ejemplos con el SPSS

A n l i s i s d e Ta b l a s d e C o n t i n g e n c i a : M o d e l o s L o g - l i n e a l e s

Captulo 2

(...continuacin)
Observed, Expected Frequencies and Residuals. Factor D8 D8A D1 D1 D8A D1 D1 D8A D1 D1 D8A D1 D1 D8A D1 D1 D8 D8A D1 D1 D8A D1 D1 D8A D1 D1 D8A D1 D1 D8A D1 D1 Code otra no pract varon mujer 2 varon mujer 3 varon mujer 4 varon mujer muy prac varon mujer ninguna no pract varon mujer 2 varon mujer 3 varon mujer 4 varon mujer muy prac varon mujer OBS count EXP count Residual Std Resid

1,5 ,5 ,5 ,5 1,5 ,5 1,5 2,5 2,5 5,5

1,5 ,5 ,5 ,5 1,5 ,5 1,5 2,5 2,5 5,5

,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00

,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00

33,5 17,5 1,5 ,5 ,5 ,5 ,5 1,5 ,5 ,5

33,5 17,5 1,5 ,5 ,5 ,5 ,5 1,5 ,5 ,5

,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00

,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00 ,00

---------------------------------------Goodness-of-fit test statistics Likelihood ratio chi square = Pearson chi square = ,00000 ,00000 DF = 0 P = 1,000 DF = 0 P = 1,000

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

7.3. Bondad de Ajuste Prueba de los K-efectos


******** HIERARCHICAL LOG LINEAR ******** Tests that K-way and higher order effects are zero. K 3 2 1 DF 8 22 29 L.R. Chisq Prob Pearson Chisq Prob Iteration ,9486 ,0000 ,0000 4 2 0

4,103 ,8477 222,029 ,0000 2345,515 ,0000

2,759 243,281 2422,365

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

Estadstica Informtica: casos y ejemplos con el SPSS

35

Captulo 2

A n l i s i s d e Ta b l a s d e C o n t i n g e n c i a : M o d e l o s L o g - l i n e a l e s

Tests that K-way effects are zero. K 1 2 3 DF 7 14 8 L.R. Chisq Prob Pearson Chisq Prob Iteration ,0000 ,0000 ,9486 0 0 0

2123,487 ,0000 217,926 ,0000 4,103 ,8477

2179,084 240,522 2,759

Test de Asociacin Parcial


******** HIERARCHICAL Tests of PARTIAL associations. Effect Name D8*D8A D8*D1 D8A*D1 D8 D8A D1 DF Partial Chisq 8 2 4 2 4 1 127,766 ,586 76,506 2014,682 106,030 2,776 Prob ,0000 ,7461 ,0000 ,0000 ,0000 ,0957 Iter 2 2 2 2 2 2 LOG LINEAR ********

---------------------------------------Note: For saturated models ,500 has been added to all observed cells. This value may be changed by using the CRITERIA = DELTA subcommand.

7.4. Estimacin de parmetros del modelo saturado


Estimates for Parameters. D8*D8A*D1 Parameter Coeff. Std. Err. ,27286 ,37413 ,37375 ,30234 ,49326 ,61259 ,55545 ,42402 Z-Value Lower 95 CI Upper 95 CI ,05149 -,01151 -,29325 ,37694 ,18826 -,46512 ,57075 ,18286 -,52076 -,73761 -,84215 -,47862 -,87393 -1,48561 -,77167 -,75354 ,54886 ,72900 ,62294 ,70655 1,05966 ,91575 1,40571 ,90862

1 ,0140494958 2 -,0043055009 3 -,1096012843 4 ,1139628400 5 ,0928623330 6 -,2849301735 7 ,3170238626 8 ,0775353945 D8*D8A Parameter 1 2 3 4 5 6 7 8 Coeff. -,6264375618 ,4636841468 ,6365482597 -,0792354668 -1,299905452 -,4542622808 ,0086118070 ,4942100762

Std. Err. ,27286 ,37413 ,37375 ,30234 ,49326 ,61259 ,55545 ,42402

Z-Value Lower 95 CI Upper 95 CI -2,29580 1,23936 1,70315 -,26207 -2,63532 -,74154 ,01550 1,16553 -1,16125 -,26962 -,09600 -,67182 -2,26670 -1,65494 -1,08008 -,33687 -,09163 1,19699 1,36909 ,51335 -,33311 ,74642 1,09730 1,32529

36

Estadstica Informtica: casos y ejemplos con el SPSS

A n l i s i s d e Ta b l a s d e C o n t i n g e n c i a : M o d e l o s L o g - l i n e a l e s

Captulo 2

D8*D1 Parameter Coeff. Std. Err. ,16612 ,25267 Z-Value Lower 95 CI Upper 95 CI -,80965 ,31535 -,46009 -,41555 ,19109 ,57490

1 -,1344976561 2 ,0796786798 D8A*D1 Parameter Coeff.

Std. Err. ,27087 ,37237 ,37228 ,29976

Z-Value Lower 95 CI Upper 95 CI 1,35361 ,52403 ,38275 -1,41029 -,16425 -,53472 -,58718 -1,01027 ,89755 ,92499 ,87215 ,16478

1 ,3666496520 2 ,1951360142 3 ,1424881224 4 -,4227423657 D8 Parameter Coeff.

Std. Err. ,16612 ,25267

Z-Value Lower 95 CI Upper 95 CI 17,57579 -5,98442 2,59406 -2,00728 3,24524 -1,01683

1 2,9196485154 2 -1,512057122 D8A Parameter Coeff.

Std. Err. ,27087 ,37237 ,37228 ,29976

Z-Value Lower 95 CI Upper 95 CI 3,53660 -1,17355 -,94168 -,10490 ,42705 -1,16685 -1,08023 -,61897 1,48885 ,29285 ,37910 ,55608

1 ,9579508004 2 -,4369985155 3 -,3505664591 4 -,0314457721 D1 Parameter 1 Coeff. ,0101154795

Std. Err. ,16503

Z-Value Lower 95 CI Upper 95 CI ,06130 -,31334 ,33357

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

7.5. Seleccin del mejor modelo: proceso BACKWARD

******** HIERARCHICAL

LOG

LINEAR ********

Backward Elimination (p = ,050) for DESIGN 1 with generating class D8*D8A*D1 Likelihood ratio chi square = ,00000 DF = 0 P = 1,000 ---------------------------------------If Deleted Simple Effect is D8*D8A*D1 DF 8 L.R. Chisq Change 4,103 Prob Iter ,8477 4

Step 1
The best model has generating class D8*D8A D8*D1 D8A*D1 Likelihood ratio chi square = 4,10264 DF = 8 P = ,848

Estadstica Informtica: casos y ejemplos con el SPSS

37

Captulo 2

A n l i s i s d e Ta b l a s d e C o n t i n g e n c i a : M o d e l o s L o g - l i n e a l e s

---------------------------------------If Deleted Simple Effect is D8*D8A D8*D1 D8A*D1 DF 8 2 4 L.R. Chisq Change 127,766 ,586 76,506 Prob Iter ,0000 ,7461 ,0000 2 2 2

******** HIERARCHICAL

LOG

LINEAR ********

Step 2
The best model has generating class D8*D8A D8A*D1 Likelihood ratio chi square = 4,68854 DF = 10 P = ,911

---------------------------------------If Deleted Simple Effect is D8*D8A D8A*D1 DF 8 4 L.R. Chisq Change 134,301 83,040 Prob Iter ,0000 ,0000 2 2

******** HIERARCHICAL

LOG

LINEAR ********

Step 3
The best model has generating class D8*D8A D8A*D1 Likelihood ratio chi square = 4,68854 DF = 10 P = ,911

---------------------------------------******** HIERARCHICAL LOG LINEAR ********

The final model has generating class D8*D8A D8A*D1


The Iterative Proportional Fit algorithm converged at iteration 0. The maximum difference between observed and fitted marginal totals is and the convergence criterion is ,250 ,000

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

38

Estadstica Informtica: casos y ejemplos con el SPSS

A n l i s i s d e Ta b l a s d e C o n t i n g e n c i a : M o d e l o s L o g - l i n e a l e s

Captulo 2

7.6. Tabla de residuos del mejor modelo


Observed, Expected Frequencies and Residuals. Factor D8 D8A D1 D1 D8A D1 D1 D8A D1 D1 D8A D1 D1 D8A D1 D1 D8 D8A D1 D1 D8A D1 D1 D8A D1 D1 D8A D1 D1 D8A D1 D1 D8 D8A D1 D1 D8A D1 D1 D8A D1 D1 D8A D1 D1 D8A D1 D1 Code catolico no pract varon mujer 2 varon mujer 3 varon mujer 4 varon mujer muy prac varon mujer otra no pract varon mujer 2 varon mujer 3 varon mujer 4 varon mujer muy prac varon mujer ninguna no pract varon mujer 2 varon mujer 3 varon mujer 4 varon mujer muy prac varon mujer OBS count EXP count Residual Std Resid

84,0 110,0 112,0 98,0 124,0 149,0 59,0 141,0 39,0 91,0

185,8 108,2 112,5 97,5 124,5 148,5 58,8 141,2 38,9 91,1

-1,77 1,77 -,46 ,46 -,54 ,54 ,18 -,18 ,09 -,09

-,13 ,17 -,04 ,05 -,05 ,04 ,02 -,01 ,02 -,01

1,0 ,0 ,0 ,0 1,0 ,0 1,0 2,0 2,0 5,0

,6 ,4 ,0 ,0 ,5 ,5 ,9 2,1 2,1 4,9

,37 -,37 ,00 ,00 ,54 -,54 ,12 -,12 -,09 ,09

,46 -,61 ,00 ,00 ,81 -,74 ,13 -,08 -,07 ,04

33,0 17,0 1,0 ,0 ,0 ,0 ,0 1,0 ,0 ,0

31,6 18,4 ,5 ,5 ,0 ,0 ,3 ,7 ,0 ,0

1,41 -1,41 ,46 -,46 ,00 ,00 -,29 ,29 ,00 ,00

,25 -,33 ,63 -,68 ,00 ,00 -,54 ,35 ,00 ,00

---------------------------------------Goodness-of-fit test statistics Likelihood ratio chi square = 4,68854 DF = 10 P = ,911 Pearson chi square = 3,31236 DF = 10 P = ,973 ---------------------------------------

Estadstica Informtica: casos y ejemplos con el SPSS

39