PRÁCTICA PSICOMEETRÍA Flashcards
(11 cards)
¿Cómo comentarías los estadísticos descriptivos?
La tabla inferior recoge estadísticos descriptivos de X. Podemos observar X asimetrías (rangos y decir que los datos se inclinan hacia la izquierda o hacia la derecha) de las variables X con un error típico de X. También podemos observar los valores de curtosis para las distintas variables (rango y decir si su distribución platicúrtica o leptocúrtica).
Ejemplo: en la tabla superior se recoge estadísticos descriptivos de BRCS. Podemos observar que en la mayor parte de las variables las asimetrías son negativas (de -0.208- -0,173) excepto una la cual es positiva (0,018). Por lo que podemos decir que loa mayoría de los datos se inclinan hacia la derecha. Presentan un error típico de la asimetría de 0,080 todas las variables. Una curtosis negativa de -1,303 a -1,152, indicando que la distribución es platicúrtica. Y su error típico de la curtosis es de 0,160.
¿Cómo comentarías las tablas de contigencia?
Esta se encuentra dentro de “frecuencias” y pulsamos en “tablas de contingencias”. Esta es adecuada para analizar la relación entre dos variables nominales como el género y el nivel de estudios o como en este caso, el género y el nivel de educación. Nos permite ver los porcentajes de los distintos niveles.
Ej: La mayoría de los hombres cuenta con niveles educativos básicos, seguidos por aquellos que han completado estudios de Bachillerato o Formación Profesional. De manera similar, la mayoría de las mujeres también posee estudios básicos, seguidas por quienes tienen Bachillerato o Formación Profesional. No obstante, una minoría de los hombres ha alcanzado niveles universitarios, mientras que entre las mujeres, la minoría corresponde a quienes carecen de estudios. En general, la mayor parte de la población, que suma un total de 707 personas, tiene estudios básicos, mientras que los niveles universitarios representan la menor proporción.
¿Cómo comentarías t para muestras independientes?
Es utilizada para comparar entre una variable nominal como género y una variable de escala sumatoria. Entonces en esta tabla podemos ver si existen diferencias significativas en el nivel de MSSPSSotros entre mujeres y hombres.
Los resultados del contraste t de Student para muestras independientes indican que no existen diferencias estadísticamente significativas entre hombres y mujeres en la variable MSPSSOtros (t = 0.555, p = 0.579), ya que el valor p supera el umbral de 0.05. La diferencia de medias es pequeña (0.329) y el tamaño del efecto (D de Cohen = 0.049) es prácticamente nulo, lo que sugiere una diferencia mínima entre los grupos. Sin embargo, el contraste de normalidad Shapiro-Wilk muestra que los datos de ambos grupos se desvían significativamente de la normalidad (W = 0.864 y W = 0.854, p < 0.001). Esto indica que el supuesto de normalidad, necesario para la prueba t, no se cumple, por lo que podría ser recomendable utilizar un análisis no paramétrico, como la prueba U de Mann-Whitney, para confirmar estos resultados.
¿cómo comentarias la regresión lineal y ANOVA?
Si la hipótesis alternativa es (H1): existen diferencias significativas en los niveles medios de MSPSS familia en función del nivel de educación. Podemos observar que el valor de p es mayor de 0,05 en concreto 0,363, por lo que podemos afirmar que no existen diferencias significativas entre la familia y los distintos niveles de educación. Por lo tanto la hipótesis alternativa se rechaza y se acepta la hipótesis nula.
La tabla ANOVA presentada los resultados de un análisis de varianza realizado para evaluar si existe una relación significativa entre el nivel de estudios (variable independiente) y la resiliencia (variable dependiente).
¿Cómo comentarías las comparaciones post-hoc?
Entre los niveles de 1 variable nominal como los niveles de educación según otra variable escalar como el MSPS familia. Como podemos observar, p tukey es mayor de 0,05 lo que significa que no existen diferencias significativas teniendo en cuenta la familia en los distintos niveles de la educación.
¿Cómo comentarias la fiabilidad unidimensional?
En la tabla de estadísticas de confiabilidad de la escala de x se muestra un Alpha de Cronbach de x y una Omega de McDonalds de x. Sus valores son superiores o inferiores a 0,7, esto nos indica que la escala tiene una alta, baja o moderada consistencia interna.
En la tabla de estadísticas de confiabilidad del ítems individuales, podemos observar como los índices de homogeneidad, es decir la correlación de cada ítem con el resto, son superiores o inferiores a 0,3 (rango), indicando que cada uno correlaciona de forma adecuada o inadecuada con los demás, siendo positivo para la consistencia interna. El Alpha y omega no varían o si varían de forma significativa cuando se elimina el ítem, mostrando cuales sí aportan a la consistencia interna y cuáles no.
si observamos que el Alpha y omega suben, significa que este ítem deberíamos revisar o eliminar ya que contribuye a la consistencia interna
Por ejemplo:
En la imagen superior, podemos observar en la tabla de estadísticas de confiabilidad de escala frecuente un alpha de cronbach de 0,859 y una omega d mcdonalds de 0,860, las cuales son superior a 0,7 y por lo tanto nos indica que esta escala tiene una alta consistencia interna ya que se acerca al 0,9. En la tabla de estadísticas de confiabilidad nos fijamos en los índices de homogeneidad, es decir la correlación de cada ítem con el resto. El rango es de 0,678-0,767. Superior a 0,3 indicando que cada uno se correlaciona de forma adecuada con los demás. Indican una buena intercorrelación entre ellos y por tanto que evalúan la satisfacción vital en el mismo sentido y favorabilidad que el constructo siendo positivo para la consistencia interna .si observamos que el Alpha y omega suben, significa que este ítem deberíamos revisar o eliminar ya que contribuye a la consistencia interna
¿Cómo comentarias las correlaciones ?
En la tabla inferior podemos observar las distintas correlaciones entre x (ítems dimensiones…) Se observa relaciones significativas o no y positivas o negativas (decir valor r y p) entre x e y. Esto nos indica que contribuyen a la medición de un constructo común y por lo tanto a la consistencia interna.
Por ejemplo: en la tabla anterior podemos observar que relaciones entre los distintos niveles de las variables. Se observan relaciones significativas entre todos los niveles ya que sus valores p son inferior a 0,05 y positivas ya que la r de pearson es positiva. Esto indica que contribuyen a la medición de un constructo común y por lo tanto a la consistencia interna.
¿Cómo comentarias el procedimiento de dos mitades?
Este procedimiento se refiere a dividir los ítems de una dimensión en dos y calcular la fiabilidad de cada uno. Se va a describir cada uno con lo anterior. Luego concluyendo que en una mitad o en la otra hay mejor o peor consistencia interna en cuenta a eso ítems
¿Cómo comentarias el AFE?
Cuando el Índice KMO (Kaiser-Meyer-Olkin) es mayor a 0.8, se considera que los datos son muy adecuados para realizar un análisis factorial o de componentes principales. Esto indica que existe una correlación sustancial entre las variables, lo que significa que el análisis factorial puede identificar factores subyacentes con confianza. Los valores por debajo de más menos ⅞ indican un problema de adecuación de los ítems para la aplicación del AFE.
El contraste de esfericidad de Bartlett es una prueba estadística utilizada para evaluar, si las variables están suficientemente correlacionadas como para justificar un análisis factorial o de componentes principales. Si es menor de 0,05 significa que hay correlaciones significativas suficientes para realizar este análisis factorial.
Se fuerza manualmente a los factores que sean teóricamente.
Por ejemplo:
Aquí el índice de contraste de KMO es mayor de 0,8 para todos los componentes indicando que existe una correlación sustancial entre las variables y por lo tanto los datos son muy adecuados para realizar un análisis factorial y este análisis puede identificar factores subyacentes con confianza.
Además el contraste de esfericidad de bartlett tiene una p por debajo de 0,05 indicando que hay correlaciones significativas suficientes para realizar este análisis factorial ya que indica que las variables están suficientemente correlacionadas.
Además chi cuadrado es menor de 0,05 siendo esta adecuada
Comprobamos que la solución factorial es de 3 factores y comprobamos previamente los supuestos de verificación los cuales se cumplen solo dos, el de Bartlett y el de KMO.
Si la solución teórica fuese de 2 o distinto número de factores, la forzamos manualmente a la que sea.
También se dice cual es la solución factorial y los rangos de los pesos factoriales de cada factor y sus variables correspondientes.
Con la tabla de al lado llamada características de los factores, podemos decir que el factor 1 explica el 0,267% de la varianza total despues de la rotación, el factor 2 el 0,26 y el factor 3 el 0,244.
( Representa el porcentaje de la varianza total explicada por cada factor después de la rotación)
¿Cómo comentarias el AFC ?
En cuanto al análisis confirmatorio podemos ver que chi cuadrado no es mayor de 0,05, algo que no es exactamente prescindible a la hora de confirmar el AFE ya que se puede ver afectado por el tamaño de la muestra.
El GFI, TLI, NFI, GFI y el AGFI son mayores de 0,9. Aunque el RMSEA no sea menor de 0,05, la raiz del error cuadrado medio estandarizado si que cumple esto por lo que esto sugiere que los errores en el ajuste del modelo están dentro de un rango aceptable o bien distribuidos. El cumplimientos de todos estos indices indica que se confirme el análisis exploratorio y la solución de los 3 factores.
Esto sugiere que el modelo factorial derivado del AFE tiene un buen ajuste global. Es decir, la estructura propuesta (los factores identificados y sus relaciones con las variables observadas) explica bien los datos.
HIPOTESIS
hipotesis nula: no existen diferencias significativas/es normal
hipotesis alternativa: exsite diferencias significativas/ no es normal
si es menor de 0,05 se rechaza la hipotesis nula y se acepta la alternativa
