Bienvenidos a psicofácil, yo soy Javier y el día de hoy te traemos:

Análisis de varianza ANCOVA Bienvenidos

¿cuál ha sido el momento más feliz de tu vida?. Mira esta foto mía cuando tenía XX
años. Este buen recuerdo era para mí el día más feliz de mi vida, o eso creía a
esa edad. Sin embargo, conforme creces te das cuenta que existen muchas otras
experiencias
muy agradables que también puedes catalogar como momentos felices como los viajes,
estar
con tu pareja o tus logros profesionales. Entonces ¿cómo catalogas cuáles fueron
mejores? Podría comparar experiencias para ver cuál fue mejor, pero hay una confusión
importante que puede sesgar el resultado: mi edad. A la edad de XX probablemente andar
a toda velocidad en un carrito pequeño es un momento muy feliz pero la edad adulta
debilita
esta capacidad de alegría incondicional. Por lo tanto, para saber realmente qué experiencia
fue la mejor, tendría que tener en cuenta las variables que afectan el disfrute, que
en ese caso puede ser la edad. Al controlar la edad me dará una medida más pura de la
cantidad de disfrute que es atribuido a la experiencia en sí y no a otras variables.
En este caso, la edad es una covariable. Las covariables son Variables continuas que junto
a la variable independiente explican o tienen influencia sobre la variable dependiente.
Recordemos que en el estudio de la conducta, existe una interacción completa entre
variables
que nos hacen ser quienes somos e incluso cuando aplicamos un test psicométrico variables
como el arousal, la motivación, etc. Pueden jugar un papel importante en el desempeño.
Cuando realizamos un análisis de varianza ANOVA incluyendo covariables hablamos de la
ANCOVA. ¿Cómo detectar una covariable? Al inicio
de nuestra investigación debemos conocer teóricamente cuáles variables de estudio
pueden influir en nuestros resultados. En nuestro anterior vídeo sobre el análisis
de ANOVA dimos el caso del desempeño de hombres y mujeres ingenieros o filósofos en
tres
variables matemáticas y concluimos que los ingenieros, hombres y mujeres presentaban
mejor desempeño en las habilidades de cálculo y álgebra que los filósofos, mientras que
los grupos se desempeñaban igual en la variable de matemáticas básicas. Si quieres
aprender
a utilizar el ANOVA de un factor te recomendamos nuestro vídeo sugerido.
Pero hagamos de cuenta que también evaluamos el cociente intelectual de los participantes
y ya sabemos que esta variable puede tener un efecto o influir en las habilidades
matemáticas
de la muestra, por lo que puede ser una covariable. A nivel general las covariables deben
cumplir
los requisitos de la estadística paramétrica que explicamos en este vídeo.
Adicional a eso, la variable debe ser independiente a la variable de estudio y debe existir
homogeneidad
de las pendientes de regresión entre la variable independiente y la covariable, esto incluye
que no exista multicolinealidad en la regresión “oye oye despacio cerebrito” es decir
que exista una correlación entre la variable dependiente y la covariable pero que esta
no sea mayor a punto 7. Vamos a probar los supuestos de la covariable.
En nuestra base de datos tenemos los datos del desempeño de adultos ingenieros y filósofos
en tres variables matemáticas de cálculo, álgebra y matemáticas básicas. En la hipótesis
de estudio que hablamos en el análisis ANOVA era que la carrera más no el género
explicaría
las diferencias en el desempeño matemático debido a la práctica constante de cálculo
y álgebra por parte de los ingenieros. Como también evaluamos el cociente intelectual,
pensamos que va a tener efecto sobre el desempeño matemático así que vamos a probar los
supuestos.
El primero de ellos es la independencia de la variable. Como el cociente intelectual
tiene su propia definición teórica y su propia manera de evaluación asumimos la
independencia.
Ahora vamos a los números. El segundo requisito es que debe existir homogeneidad de las
pendientes
de regresión entre la variable independiente y la covariable. Las pendientes de regresión
están relacionadas con la teoría de la regresión lineal que veíamos en este vídeo, si quieres
profundizar sobre este tema te sugerimos que lo veas.
En nuestro caso basta que veamos las distribuciones de las pendientes con un gráfico. Para
esto,
nos dirigimos a gráficos, cuadros de diálogo antiguos y dispersión. Seleccionamos
dispersión
simple y damos clic en definir. Nos aparecerá esta ventana donde debemos asignar en el eje
de las Y la variable dependiente, en nuestro caso tenemos tres variables, para ejemplificarlo
en este vídeo lo haremos con el álgebra. En caso de que en tus análisis tengas diferentes
variables independientes, debes hacer el análisis de los requisitos con cada una de ellas. En
el eje de las X va nuestra covariable que en nuestro caso es el cociente intelectual
y en “establecer marcas por” va nuestra variable independiente que en este caso es
la profesión y damos clic en aceptar. Ahora, para obtener la pendiente de la regresión
y su valor damos doble clic sobre el gráfico, donde nos abrirá una nueva ventana de edición
del gráfico. Ahora damos clic sobre el ícono de “añadir línea de ajuste en subgrupos”
y listo, tenemos nuestras pendientes de regresión y sus valores. Como vemos, las
pendientes
tienen la misma dirección y sus valores son muy similares siendo de punto 127 para los
ingenieros y de punto 109 para los filósofos, por lo que nuestro primer requisito está
cumplido. Ahora, debemos comprobar el requisito de multicolinealidad,
para esto, haremos una correlación básica, si aún no conoces mucho sobre correlaciones,
te recomendamos este vídeo. Para hacer nuestra correlación nos dirigimos a analizar,
correlaciones,
bivariadas. En la ventana agregamos nuestra variable dependiente y nuestra covariable.
En nuestro caso es la profesión y el cociente intelectual y damos clic en aceptar. Como
vemos la correlación no fue mayor a punto 7 por lo que no existe multicolinealidad entre
las variables. Ahora podemos concluir que el cociente intelectual
para este estudio es una covariable. Ahora nos dirigimos a realizar nuestro análisis
ANCOVA. Para esto, nos dirigimos a analizar, modelo lineal general y univariado. Vamos
a hacer los análisis con y sin la covariable para que veas el efecto que esta puede tener.
En variable dependiente ponemos el álgebra y en factores fijos va nuestra variable
independiente,
que en nuestro caso es la profesión. Recuerda que el ANCOVA es una extensión del
análisis
ANOVA por lo que tu variable puede tener más de dos categorías de análisis. Recuerda
que debes poner los análisis post hoc que vimos en nuestro vídeo de ANOVA, en este
caso no lo vamos a hacer ya que sólo tenemos dos categorías de análisis, al igual que
puedes pedir los estadisticos descriptivos, etc en el menú de opciones. Damos clic en
aceptar. Como vemos, la variable de profesión presentó
un valor p de 0.011 por lo que rechazamos la hipótesis nula y aceptamos la de diferencia
de medias entre los grupos. Pero ya sabiendo que tenemos una covariable, vamos a realizar
los análisis incluyéndola. Nos volvemos a dirigir a analizar, modelo lineal general,
univariado, agregamos el CI en la parte de covariables. Recuerda incluir en tus análisis
los valores post hoc y los descriptivos que quieras ver y analizar. Damos clic en aceptar
Y mira la diferencia, al incluir el cociente intelectual vemos que el efecto que tiene
la profesión disminuye y de hecho ahora el p valor no es estadpisitcamente significativo
ya que pasó a ser de punto 662 ¿Ves cómo las covariables son importantes para nuestro
estudio? Y listo. La interpretación de la F, valores
p y post hoc son similares a los análisis ANOVA. ¿Tienes dudas? Déjalas en la caja
de comentarios. Hasta la próxima.
Español (Latinoamérica)
TodosDe tus búsquedasSPSSMicrosoft ExcelVideos relacionadosDe Psico FacilSubidos
recientementeVistos

Es una prueba estadística que analiza la relación entre una variable dependiente y dos o mas
variables independientes, controlando el efecto de al menos una de estas independientes