El análisis de varianza, es decir, ANOVA en SPSS, se utiliza para examinar las diferencias en los valores medios de la variable dependiente asociada con el efecto de las variables independientes controladas, después de tener en cuenta la influencia de las variables independientes no controladas. Esencialmente, ANOVA en SPSS se usa como prueba de medios para dos o más poblaciones.
El ANOVA en SPSS debe tener una variable dependiente que debe ser métrica (medida usando una escala de intervalo o relación). ANOVA en SPSS también debe tener una o más variables independientes, que deben ser de naturaleza categórica. En ANOVA en SPSS, las variables independientes categóricas se denominan factores. Una combinación particular de niveles de factores, o categorías, se llama tratamiento.
Alinear el marco teórico, la recopilación de artículos, sintetizar brechas, articular una metodología y plan de datos claros, y escribir sobre las implicaciones teóricas y prácticas de su investigación son parte de nuestros servicios integrales de edición de tesis.
- Rastree todos los cambios, luego trabaje con usted para lograr una escritura académica.
- Apoyo continuo para abordar los comentarios del comité, reduciendo las revisiones.
En ANOVA en SPSS, hay un ANOVA de una manera que implica solo una variable categórica o un solo factor. Por ejemplo, si un investigador quiere examinar si las pesadas, medianas, ligeras y no usuarias de los cereales diferían en su preferencia por el cereal total, entonces las diferencias pueden ser examinadas por el ANOVA unidireccional en SPSS. En un sentido ANOVA en SPSS, un tratamiento es el mismo que el nivel de factor.
¿Qué es un ANOVA en SPSS?
Comenzamos desde la suposición de que ya tiene sus datos en SPSS, y está viendo una pantalla de vista de datos que se parece un poco a esta.
Nuestro conjunto de datos ficticio contiene varias variables diferentes. A los fines de este tutorial, estamos interesados en si el nivel de educación tiene un efecto sobre la capacidad de una persona para lanzar un frisbee. Nuestra variable independiente, por lo tanto, es la educación, que tiene tres niveles: secundaria, graduados y posgrado, y nuestra variable dependiente es la distancia de lanzamiento de Frisbee (es decir, la distancia que un sujeto lanza un frisbee).
La prueba ANOVA unidireccional nos permite determinar si hay una diferencia significativa en las distancias medias lanzadas por cada uno de los grupos.
Para comenzar, haga clic en Analizar -> Comparar medios -> ANOVA unidireccional.
Para configurar la prueba, debe obtener su variable independiente en el cuadro Factor (educación en este caso, ver arriba) y la variable dependiente en el cuadro de lista dependiente. Puede hacer esto arrastrando y dejando caer, o resaltando una variable, y luego haciendo clic en la flecha apropiada en el medio del cuadro de diálogo.
Una vez que haya movido las variables, debe hacer clic en el botón post hoc, que le permitirá especificar las pruebas post hoc que desea ejecutar.
La prueba ANOVA le dirá si existe una diferencia significativa entre las medias de dos o más niveles de una variable. Sin embargo, si tiene más de dos niveles, no le dirá entre cuál de los diversos pares de medios, la diferencia es significativa. Debe hacer una prueba post hoc para descubrir esto.
¿Qué es el ANOVA y para qué sirve?
El ANOVA univariado generalmente se usa cuando tiene una sola variable independiente o factor, y el objetivo es verificar si las variaciones o los diferentes niveles de este factor tienen un efecto medible en una variable dependiente.
El ANOVA univariante solo se usa al estudiar un solo factor y una sola variable dependiente. Para comparar los promedios de tres o más grupos, indica si al menos un par de promedios es significativamente diferente, pero no indica cuál. Además, requiere que la variable dependiente se distribuya normalmente en cada uno de los grupos y que la variabilidad dentro de los grupos es similar entre los grupos.
El ANOVA univariante es un método estadístico destinado a probar la hipótesis nula (H0) según la cual los promedios de tres o cuatro poblaciones son iguales, en comparación con la hipótesis alternativa (HA) según la cual al menos un promedio es diferente. Según la calificación oficial de hipótesis estadísticas, para el medio escribimos:
$ H_a: mathrm {no mathrm {} todos los promedios son iguales} $
Donde $ mu_i $ es el promedio para el nivel I del factor.
Es posible que se pregunte en qué situaciones es posible que necesite saber si los promedios de varias poblaciones son idénticos o diferentes. Tome un escenario simple: sospecha que una variable de proceso independiente particular es un factor de un resultado importante de este proceso. Por ejemplo, cree que los premios de producción, los operadores o muchas materias primas diferentes afectan el resultado (que también se llama medida de calidad) de un proceso de producción.
¿Cómo se hace una ANOVA en SPSS?
Un ANOVA de dos vías en SPSS tiene dos variables independientes. Utilizaría un ANOVA de dos vías cuando tenga una variable de medición (escala) y dos variables nominales. En el ejemplo hipotético que sigue, estamos estudiando cómo la marca de temperatura más limpia y del agua (ambas variables nominales) afecta el nivel de limpieza (una variable de escala).
Mire el video de los pasos, incluida la entrada de datos, los supuestos y la lectura de la salida:
En este experimento, se compararon dos marcas de Cleaner para ver qué tan bien limpian las sartenes de la cocina. Las marcas se probaron en dos temperaturas de agua diferentes: calientes y fríos. Brand of Cleaner es la variable independiente y el nivel de limpieza la variable dependiente. El limpiador de agua también puede tener un efecto sobre qué tan bien limpian las marcas, por lo que ese es un segundo efecto principal bajo consideración. La interacción de la temperatura y la marca del agua puede tener un efecto de interacción y, por lo tanto, se incluye en el análisis. Aquí hay muchos pasos: el video corto de arriba lo guiará a través de los pasos si no está familiarizado con las pruebas de hipótesis en SPSS.
- Haga clic en Analizar, seleccione el modelo lineal general y luego haga clic en Univariate.
- Haga clic en su variable dependiente (en este ejemplo, esa es la limpieza), y luego haga clic en la flecha por el «cuadro de variable dependiente».
- Haga clic en su variable independiente principal: el enfoque principal de su experimento (para este ejemplo, esa es una marca de limpieza, y luego haga clic en la flecha para ver el cuadro de factores fijos:.
- Haga clic en su variable de interacción (temperatura del agua en este ejemplo) y luego haga clic en la flecha para obtener factores fijos.
- Haga clic en el cuadro de medios.
- Haga clic en su variable independiente («marcas») en la ventana de medios marginales estimados univariados. Mantenga presionado CTRL en su teclado y luego haga clic en agua y marca*agua. Haga clic en la flecha para mover los tres a la pantalla Medios para: Box.
- Haga clic en Comparar los efectos principales.
- Haga clic en Continuar.
- Haga clic en Opciones.
- Haga clic en Estadísticas descriptivas y pruebas de homogeneidad. Puede cambiar el nivel alfa aquí, pero en este ejemplo, lo dejaré en el nivel del 5%.
- Haga clic en Continuar y luego haga clic en Aceptar.
Base en los medios calculados para el efecto principal (que se muestra en la imagen anterior), la pregunta de investigación se convierte en: “¿Es la diferencia entre 56.74 y 55.125 estadísticamente significativa? en otras palabras, ¿el principal efecto de la marca es estadísticamente significativo?
¿Cuándo se aplica ANOVA de un factor?
Un ANOVA unidireccional (análisis de varianza) es una técnica estadística por la cual podemos probar si tres o más medios son iguales. Prueba si el valor de una sola variable difiere significativamente entre tres o más niveles de un factor.
Podemos decir que tenemos un marco para ANOVA unidireccional cuando tenemos un solo factor con tres o más niveles y múltiples observaciones en cada nivel.
En este tipo de diseño, podemos calcular la media de las observaciones dentro de cada nivel de nuestro factor.
Los conceptos de factor, niveles y múltiples observaciones en cada nivel pueden entenderse mejor con un ejemplo.
Supongamos que el departamento de recursos humanos de una empresa desea saber si el estrés ocupacional varía según la edad.
Por lo tanto, la variable de interés es el estrés ocupacional medido por una escala.
El factor que se estudia es la edad. Solo hay un factor (edad) y, por lo tanto, una situación apropiada para ANOVA unidireccional.
Además, suponga que los empleados han sido clasificados en tres grupos (niveles):
- Menos de 40
- 40 a 55
- por encima de 55
Estos tres grupos son los niveles de edad del factor: hay tres niveles aquí. Con este diseño, tendremos múltiples observaciones en forma de puntajes sobre el estrés ocupacional de varios empleados que pertenecen a los tres niveles de edad del factor. Estamos interesados en saber si todos los niveles, es decir, los grupos de edad tienen el mismo estrés en promedio.
La no significación de la estadística de prueba (estadística F) asociada con esta técnica implicaría que la edad no tiene ningún efecto sobre el estrés experimentado por los empleados en sus respectivas ocupaciones. Por otro lado, la importancia implicaría que el estrés afecta a diferentes grupos de edad de manera diferente.
¿Cómo se interpreta ANOVA de un factor?
ANOVA es la abreviatura de análisis de varianza. El objetivo principal de un ANOVA es probar si dos o más grupos difieren entre sí significativamente en una o más características.
Para algunos estadísticos, el ANOVA no termina allí: asumen una relación de efecto de causa y dicen que una o más variables controladas y controladas (los factores) causan la diferencia significativa de una o más características. La forma en que esto funciona es que los factores clasifican los puntos de datos en uno de los grupos y, por lo tanto, causan la diferencia en el valor medio de los grupos.
Ejemplo: afirmemos que la mujer tiene en promedio el cabello más largo que los hombres. Encontramos veinte estudiantes de pregrado y medimos la longitud de su cabello. Luego, un estadístico conservador afirmaría que medimos el cabello de diez estudiantes femeninas y diez estudiantes, y que realizamos un análisis de varianza y descubrimos que el cabello promedio de las estudiantes de pregrado es significativamente más largo que el cabello de sus compañeros de estudiantes.
Alinear el marco teórico, la recopilación de artículos, sintetizar brechas, articular una metodología y plan de datos claros, y escribir sobre las implicaciones teóricas y prácticas de su investigación son parte de nuestros servicios integrales de edición de tesis.
- Rastree todos los cambios, luego trabaje con usted para lograr una escritura académica.
- Apoyo continuo para abordar los comentarios del comité, reduciendo las revisiones.
Un estadístico más agresivo afirmaría que el género tiene una relación directa con la longitud del cabello de una persona. La mayoría de los estadísticos caen en la segunda categoría. En general, se supone que el ANOVA es un «análisis de dependencias». Se conoce como tal porque es una prueba para demostrar una supuesta de causa y relaciones de efecto. En términos más estadísticos, prueba el efecto de una o más variables independientes en una o más variables dependientes. Asume un efecto de y = f (x1, x2, x3,… xn).
¿Cómo se interpreta el ANOVA de un factor?
ANOVA es la abreviatura de análisis de varianza. Como se discutió en el capítulo sobre el ANOVA unidireccional, el objetivo principal de un ANOVA unidireccional es probar si dos o más grupos difieren entre sí significativamente en una o más características. Un ANOVA factorial compara significa en dos o más variables independientes. Nuevamente, un ANOVA unidireccional tiene una variable independiente que divide la muestra en dos o más grupos, mientras que el ANOVA factorial tiene dos o más variables independientes que dividen la muestra en cuatro o más grupos. El caso más simple de un ANOVA factorial utiliza dos variables binarias como variables independientes, creando así cuatro grupos dentro de la muestra.
Para algunos estadísticos, el ANOVA factorial no solo compara las diferencias, sino que también asume una relación de efecto causa; Esto infiere que una o más variables controladas independientes (los factores) causan la diferencia significativa de una o más características. La forma en que esto funciona es que los factores clasifican los puntos de datos en uno de los grupos, causando la diferencia en el valor medio de los grupos.
Alinear el marco teórico, la recopilación de artículos, sintetizar brechas, articular una metodología y plan de datos claros, y escribir sobre las implicaciones teóricas y prácticas de su investigación son parte de nuestros servicios integrales de edición de tesis.
- Rastree todos los cambios, luego trabaje con usted para lograr una escritura académica.
- Apoyo continuo para abordar los comentarios del comité, reduciendo las revisiones.
Ejemplo: afirmemos que las mujeres rubias tienen en promedio el cabello más largo que las mujeres morenas, así como los hombres de todos los colores del cabello. Encontramos 100 estudiantes de pregrado y medimos la longitud de su cabello. Luego, un estadístico conservador afirmaría que medimos el cabello de 50 mujeres (25 rubias, 25 morenas) y 25 estudiantes varones, y realizamos un análisis de varianza y descubrimos que el cabello promedio de las estudiantes de pregrado rubias era significativamente más largo que el cabello. de sus compañeros. Un estadístico más agresivo afirmaría que el género y el color del cabello tienen una influencia directa en la longitud del cabello de una persona.
¿Cómo interpretar el valor F?
Compare el valor p para la prueba F con su nivel de significancia. Si el valor p es menor que el nivel de significancia, los datos de su muestra proporcionan evidencia suficiente para concluir que su modelo de regresión se ajusta mejor a los datos que el modelo sin variables independientes.
¡Este hallazgo es una buena noticia porque significa que las variables independientes en su modelo mejoran el ajuste!
En términos generales, si ninguna de sus variables independientes es estadísticamente significativa, la prueba F general tampoco es estadísticamente significativa. Ocasionalmente, las pruebas pueden producir resultados contradictorios. Este desacuerdo puede ocurrir porque la prueba F de la importancia general evalúa todos los coeficientes conjuntamente, mientras que la prueba t para cada coeficiente los examina individualmente. Por ejemplo, la prueba F general puede encontrar que los coeficientes son significativos conjuntamente, mientras que las pruebas t pueden no encontrar importancia individualmente.
Estos resultados de pruebas conflictivos pueden ser difíciles de entender, pero piense en ello de esta manera. La prueba F resume el poder predictivo de todas las variables independientes y determina que es poco probable que todos los coeficientes sean equivalentes a cero. Sin embargo, es posible que cada variable no sea lo suficientemente predictiva por sí solo como para ser estadísticamente significativa. En otras palabras, su muestra proporciona evidencia suficiente para concluir que su modelo es significativo, pero no lo suficiente como para concluir que cualquier variable individual es significativa.
Artículos Relacionados:
