Reporte Escrito 3

Pregunta 1:
a) Plantea las hipótesis de estudio, señala la ecuación del modelo e indica las
hipótesis estadísticas correspondientes.
HT: los estudiantes con un mayor promedio final de la universidad, que perciben un mejor
clima motivacional y que tienen menores niveles de estrés académico tengan una mayor
probabilidad de ser admitidos a un programa de posgrado.
H0: βPF = 0 vs. H1: βPF > 0
H0: βCM = 0 vs. H1: βCM > 0
H0: βEA = 0 vs. H1: βEA < 0
Logit(admisión = 1) = βPFXPF + βCMXCM – βBAXBA

b) Evalúa el funcionamiento y ajuste general del modelo.

H0: βPF = βCM = βBA = 0 vs. H1: al menos una β es ≠ 0.

Pruebas ómnibus de coeficientes de modelo

Chi-cuadrado gl Sig.
Paso 1 Paso 40,535 3 ,000
Bloque 40,535 3 ,000
Modelo 40,535 3 ,000

A partir de la prueba Omnibus se puede observar que al menos una variable del
2
modelo predice la probabilidad de ser admitido en un programa de posgrado, χ (3)= 40.54, p
< .001.

Resumen del modelo

Logaritmo de la R cuadrado de Cox y R cuadrado de
Paso verosimilitud -2 Snell Nagelkerke
1 459,442 a
,096 ,135
a. La estimación ha terminado en el número de iteración 4 porque las estimaciones de
parámetro han cambiado en menos de ,001.

Según el resumen del modelo, el R2 de Nagelkerke es pequeño según el criterio de

Cohen (1988). Las variables analizadas tienen capacidad predictiva del 13,5% en relación
con la admisión a un posgrado.
H0: Valor observado = valor pronosticado
H1: Valor observado ≠ valor pronosticado

Prueba de Hosmer y Lemeshow

Paso Chi-cuadrado gl Sig.
1 3,249 8 ,918

A partir de la prueba de Hosmer y Lemeshow, el valor pronosticado es igual al valor

2
observado, χ (8)= 3.25, p = .918.

Tabla de clasificacióna
Pronosticado
Admisión a un Postgrado Porcentaje
Observado No Si correcto
Paso 1 Admisión a un No 253 20 92,7
Postgrado Si 98 29 22,8
Porcentaje global 70,5
a. El valor de corte es ,500

A partir de la tabla de clasificación, se puede observar que el modelo es adecuado para

predecir la admisión a un posgrado (porcentaje global = 70,5%). No obstante,
específicamente predice más adecuadamente la no ocurrencia del evento (especificidad =
92,7%) que su ocurrencia (sensibilidad = 22,8%).

c) ¿Se cumplen las hipótesis planteadas? Lleva a cabo los contrastes respectivos y
brinda una conclusión.
HT: los estudiantes con un mayor promedio final de la universidad, que perciben un mejor
clima motivacional y que tienen menores niveles de estrés académico tengan una mayor
probabilidad de ser admitidos a un programa de posgrado.
H0: βPF = 0 vs. H1: βPF > 0
H0: βCM = 0 vs. H1: βCM > 0
H0: βEA = 0 vs. H1: βEA < 0
Logit(admisión = 1) = βPFXPF + βCMXCM – βBAXBA
Variables en la ecuación
Error
B estándar Wald gl Sig. Exp(B)
Paso 1 Promedio Final de la
a
,777 ,327 5,630 1 ,018 2,175
Universidad
Clima motivacional ,002 ,001 4,414 1 ,036 1,002
Estrés Académico -,560 ,127 19,404 1 ,000 ,571
Constante -3,450 1,133 9,272 1 ,002 ,032
a. Variables especificadas en el paso 1: Promedio Final de la Universidad, Clima
motivacional, Estrés Académico.

El análisis de regresión logística muestra que el modelo es adecuado para predecir la

2
admisión a un posgrado, χ (3)= 40.54, p < .001. Específicamente, se encontró que el
promedio final de la universidad (β = 0.777, EE β = .327, W(1) = 5.63, p = .009*) y el clima
motivacional (β = 0.002, EEβ = .001, W(1) = 4.41, p = .018*) predicen positivamente la
posibilidad de que se ingrese a un posgrado, mientras que el estrés académico (β = -0.56,
EEβ = .127, W(1) = 19.40, p < .001*) la predice negativamente. Es decir, a menor estrés
académico, mayor posibilidad de ingreso al posgrado. De esta manera, se cumplen las
hipótesis planteadas al principio.
*Se dividen las significancias al ser las hipótesis unilaterales.

d) ¿Cuál es la variable más importante para pronosticar el que un estudiante sea

aceptado a un posgrado? Brinda tu conclusión.
Para esta pregunta, se observan los exponenciales de B:
- Promedio final de la universidad: A mayor promedio final de la universidad,
existen 2,175 veces más de posibilidad de ser admitido que de no serlo.
- Clima motivacional: A mayor clima motivacional, hay 1,002 veces más de
posibilidad de ser admitido a un posgrado que no serlo.
- Estrés académico: A menor estrés académico, existe 0,571 veces más posibilidades
de ser admitido que no serlo.
De este modo, el promedio final de la universidad es la variable más importante para
pronosticar la admisión a un posgrado (OD = 2,175).

Pregunta 2:
 a) Plantea la hipótesis de estudio, señala la ecuación del modelo e indica las
hipótesis estadísticas correspondientes.
HT: A mayor nivel de adversidad hay una menor calidad de vida, pero después de cierto
puntaje en nivel de adversidad, hay mayor calidad de vida.
Ecuación no lineal: Calidad de vida = β0 + β1XA +β2XA2 ± ε
H0: No existe una relación cuadrática entre las variables (β1 = β2 = 0)
H1: Existe una relación cuadrática entre las variables. (β1 ≠ 0; β2 ≠ 0)

b) Explora la naturaleza de la relación mediante un diagrama de dispersión. Brinda

tu conclusión.

El diagrama de dispersión demuestra que los puntos están dispersos de tal manera que
el análisis más adecuado para comprender su distribución es la regresión no lineal, más
específicamente la cuadrática.

c) Realiza los análisis de regresión lineal necesarios para explorar la hipótesis

planteada y brindar tus conclusiones. ¿Se logra encontrar lo que espera hallar el
estudio?
Resumen del modelo
Estadísticos de cambio
R Error Cambio
cuadrad estándar en R Sig.
Model R o de la cuadrad Cambio Cambio
o R cuadrado ajustado estimación o en F gl1 gl2 en F
1 ,867 a
,751 ,741 15,1645 ,751 72,469 1 24 ,000
2 ,949 b
,901 ,893 9,7539 ,150 35,011 1 23 ,000
a. Predictores: (Constante), Adversidad
b. Predictores: (Constante), Adversidad, AD2

El modelo 1 es estadísticamente significativo y tiene un coeficiente de

determinación grande según Cohen (1988), que explica el 74,1% de la variabilidad de la
calidad de vida. Asimismo, el modelo 2 también es estadísticamente significativo y tiene un
coeficiente de determinación grande según Cohen (1988), que explica el 89,3% de la
variabilidad de la calidad de vida. El R 2 ajustado del resumen del modelo da cuenta que el
más adecuado para el análisis es el modelo 2, F(1, 23) = 35.01, p < .001.

ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 16665,023 1 16665,023 72,469 ,000b
Residuo 5519,064 24 229,961
Total 22184,087 25
2 Regresión 19995,913 2 9997,956 105,089 ,000c
Residuo 2188,174 23 95,138
Total 22184,087 25
a. Variable dependiente: Calidad de Vida
b. Predictores: (Constante), Adversidad
c. Predictores: (Constante), Adversidad, AD2

A partir del ANOVA, ambos modelos son apropiados para analizar la muestra, ya
que en ambos casos son significativos (p < .001).
Coeficientesa
Coeficientes no Coeficientes
estandarizados estandarizados
Modelo B Desv. Error Beta t Sig.
1 (Constante) 87,155 6,019 14,481 ,000
Adversidad -2,825 ,332 -,867 -8,513 ,000
2 (Constante) 110,107 5,480 20,092 ,000
Adversidad -7,423 ,806 -2,278 -9,211 ,000
AD2 ,151 ,025 1,463 5,917 ,000
a. Variable dependiente: Calidad de Vida

Según todo lo previamente analizado, tanto el modelo 1 y el dos son significativos, por lo
tanto, el nivel de adversidad como X2 ayudan a predecir la calidad de vida. De igual modo, se
sostiene lo que se escribió líneas arriba sobre el aporte de los dos modelos y que el Modelo 2 es el
más apropiado. De este modo, y analizando el gráfico de dispersión, sí se acepta una relación
cuadrática entre las variables.