Відео

😊 Muchas gracias por tu apoyo y por tus palabras. Espero que te encuentres muy bien. ¡Un fuerte abrazo!

Para tu consulta sobre si puedes aplicar Pearson o Spearman con variables categóricas: - Pearson: No es adecuado para variables categóricas. Es utilizado para medir la relación entre variables continuas y normalmente distribuidas. - Spearman: Aunque es una alternativa no paramétrica a Pearson y puede manejar variables ordinales, no es adecuado para variables categóricas nominales. Dado que tienes variables categóricas nominales (y una ordinal), no debes utilizar ni Pearson ni Spearman. Métodos apropiados: - Chi-cuadrado (χ²): Para evaluar la independencia entre variables categóricas. - Cramer’s V: Para medir la fuerza de asociación entre variables categóricas, después de realizar Chi-cuadrado. Conclusión: Usa Chi-cuadrado y Cramer’s V para tus variables categóricas en lugar de Pearson o Spearman. Espero te sea de utilidad, Saludos😉

Gracias, saludos😉

Para resolver este problema en SPSS, es importante asegurarse de que las etiquetas de valor estén correctamente asignadas. SPSS permite más de nueve categorías, pero el problema que estás describiendo podría estar relacionado con la forma en que estás ingresando las etiquetas. Aquí hay una guía paso a paso para asegurarte de que puedes agregar más de nueve categorías correctamente: 1. Abrir el archivo de datos: Asegúrate de tener tu archivo de datos abierto en SPSS. 2. Ir a la vista de variable: - Cambia a la vista de variable haciendo clic en la pestaña "Vista de variable" en la parte inferior de la ventana de SPSS. 3. Seleccionar la variable: - Localiza la variable a la que deseas agregar etiquetas de valor. 4. Definir las etiquetas de valor: - En la columna "Etiqueta de valor" de la variable seleccionada, haz clic en la celda correspondiente. Aparecerá un botón con tres puntos (...). Haz clic en este botón para abrir el cuadro de diálogo de "Etiquetas de valor". 5. Agregar etiquetas de valor: - En el cuadro de diálogo "Etiquetas de valor", puedes agregar tantas etiquetas como necesites. - Ingresa el valor numérico en el campo "Valor" y la etiqueta correspondiente en el campo "Etiqueta". - Haz clic en "Agregar" después de ingresar cada etiqueta de valor. 6. Verificar el orden de las etiquetas: - Asegúrate de que los valores numéricos estén ingresados en el orden correcto. SPSS ordena las etiquetas de valor según los valores numéricos que ingresas. Si el valor 10 aparece entre el 1 y el 2, revisa que no haya un error en la entrada de los valores numéricos. 7. Guardar los cambios: - Una vez que hayas ingresado todas las etiquetas, haz clic en "Aceptar" para cerrar el cuadro de diálogo. 8. Verificar los resultados: - Cambia a la "Vista de datos" para verificar que los valores estén correctamente etiquetados según las categorías que ingresaste. Si sigues estos pasos y te aseguras de que los valores numéricos están ingresados correctamente, deberías poder agregar más de nueve categorías sin problemas. Si aún tienes problemas, verifica que no haya restricciones o errores en los datos que puedan estar afectando la entrada de las etiquetas de valor. Saludos😋

Realiza tu pregunta mi estimado😁

Para correlacionar variables ordinales y cuantitativas, es importante elegir métodos estadísticos adecuados que permitan interpretar correctamente la relación entre ellas. Aquí te presento algunas recomendaciones y pasos a seguir: 1. Correlación adecuada: - Para correlacionar una variable ordinal con una variable cuantitativa, puedes usar el coeficiente de correlación de Spearman. Este coeficiente es una medida no paramétrica que evalúa la fuerza y dirección de la asociación monotónica entre dos variables. 2. Pasos para realizar la correlación en SPSS: - Abrir el archivo de datos: Asegúrate de tener tus datos abiertos en SPSS. - Transformar la variable ordinal (si es necesario): Si tu variable ordinal está en formato texto (por ejemplo, "Bajo", "Medio", "Alto"), conviértela a formato numérico. - Ve a `Transformar` > `Recodificar en las mismas variables` o `Recodificar en variables diferentes`. - Calcular el coeficiente de correlación de Spearman: - Ve a `Analizar` > `Correlación` > `Bivariada`. - Selecciona las variables que deseas correlacionar. - Asegúrate de marcar la opción `Spearman` en lugar de `Pearson`. - Haz clic en `Aceptar`. 3. Interpretación: - El coeficiente de Spearman varía entre -1 y 1. Valores cercanos a 1 indican una fuerte relación positiva, valores cercanos a -1 indican una fuerte relación negativa, y valores cercanos a 0 indican poca o ninguna relación. 4. Alternativas y recomendaciones: - Análisis descriptivo: - Si la correlación no es adecuada o no proporciona la información necesaria, considera hacer un análisis descriptivo. - Puedes utilizar tablas de contingencia para examinar la distribución de los principios de "Prince2" respecto a las medidas de alcance, costo y tiempo. - Cambio de diseño: - Si el diseño pre-experimental no está proporcionando los resultados deseados, un diseño descriptivo podría ser una buena alternativa para explorar y describir las relaciones entre las variables sin asumir una relación causal. - Puedes también considerar un análisis de regresión ordinal si quieres explorar la relación entre una variable ordinal dependiente y una o más variables independientes. Ejemplo de Análisis de Correlación de Spearman en SPSS: 1. Transformar la variable ordinal: - Supongamos que tu variable ordinal es `Cumplimiento_Principios` y está en formato texto ("Bajo", "Medio", "Alto"). - Recode esta variable a valores numéricos (por ejemplo, 1 para "Bajo", 2 para "Medio", y 3 para "Alto"). 2. Calcular la correlación de Spearman: - En el menú de SPSS, ve a `Analizar` > `Correlación` > `Bivariada`. - Selecciona `Cumplimiento_Principios` (la versión recodificada) y la variable cuantitativa (por ejemplo, `Cumplimiento_Alcance`). - Marca la casilla `Spearman`. - Haz clic en `Aceptar` para obtener los resultados. Espero haberte sido de ayuda, saludos😋

🙂Hola Inés, con gusto respondo a tu consulta: En el contexto de la regresión lineal múltiple, es posible utilizar variables independientes que sean de escala Likert, aunque hay ciertas consideraciones importantes a tener en cuenta. Las escalas Likert son ordinales, lo que significa que las respuestas indican una ordenación pero no necesariamente una distancia equidistante entre los puntos. Sin embargo, en la práctica, muchos investigadores tratan las escalas Likert como si fueran intervalares, especialmente cuando hay cinco o más categorías. Esto se hace bajo la suposición de que las distancias entre las categorías son aproximadamente iguales, lo cual permite utilizar técnicas de análisis que requieren datos a nivel intervalar. Para la regresión lineal múltiple, este tratamiento es común, pero es importante ser consciente de las limitaciones y de la justificación teórica detrás de esta decisión. Dicho esto, al utilizar variables de escala Likert como variables independientes en un modelo de regresión lineal múltiple, se deben considerar los siguientes puntos: 1. Asunción de linealidad: La regresión lineal asume una relación lineal entre las variables independientes y la variable dependiente. Esta asunción puede ser razonable si las categorías de la escala Likert se interpretan como intervalos equidistantes. 2. Normalidad de los residuos: Aunque la regresión lineal no requiere que las variables independientes sean normalmente distribuidas, sí requiere que los residuos del modelo lo sean. Es importante verificar esta asunción y considerar transformaciones si fuera necesario. 3. Multicolinealidad: Al trabajar con múltiples variables independientes, es crucial verificar la multicolinealidad, que ocurre cuando las variables independientes están altamente correlacionadas entre sí. Esto se puede diagnosticar mediante el cálculo del Factor de Inflación de la Varianza (VIF). 4. Codificación de variables: En algunos casos, las variables de escala Likert pueden necesitar ser recodificadas o utilizadas en forma de variables dummy, especialmente si no se considera adecuada la asunción de intervalos equidistantes. En cuanto a la variable dependiente dicotómica, la regresión lineal no es la técnica más adecuada, ya que asume una variable dependiente continua y puede producir predicciones fuera del rango 0-1. Para una variable dependiente dicotómica, es más apropiado utilizar la regresión logística, que modela la probabilidad de que la variable dependiente tome un valor específico (por ejemplo, 1) dado un conjunto de variables independientes. Espero te sea de utilidad, Saludos😉

Da clic en el video relacionado mi estimado: ua-cam.com/video/it_9XfhOZBE/v-deo.html Saludos

Saludos mi estimado Juan😀😁🙂🤗✌

Hola 😀 Una significancia de 0.068 en el contexto de una regresión lineal múltiple en SPSS se refiere al valor p (p-value) del test estadístico asociado a alguno de los coeficientes de la regresión o al modelo en su conjunto. El valor p indica la probabilidad de que los resultados observados en tus datos hayan ocurrido por azar si en realidad no hubiera un efecto real (hipótesis nula). En términos prácticos, un valor p menor a un umbral predefinido (comúnmente 0.05) sugiere que puedes rechazar la hipótesis nula y concluir que el efecto observado es estadísticamente significativo. En tu caso, un valor p de 0.068 es ligeramente superior a 0.05. Esto significa que hay un 6.8% de probabilidad de que los resultados observados sean producto del azar si no existiera un efecto real. Dado que este valor p es mayor a 0.05, no se puede rechazar la hipótesis nula con un nivel de confianza del 95%. En otras palabras, el resultado no es estadísticamente significativo a ese nivel de confianza. En resumen: - Un valor p de 0.068 indica que la relación observada no es estadísticamente significativa al nivel de confianza del 95%. - Esto sugiere que, bajo un umbral de significancia común de 0.05, no tienes suficiente evidencia para afirmar que el efecto observado es real y no debido al azar.

¡Hola! Gracias por tu pregunta. Te explico el procedimiento para guardar las dimensiones arrojadas en un análisis de correspondencias múltiples (ACM) en SPSS como nuevas variables: 1. Realiza el ACM: - Ve a `Analyze` (Analizar) > `Dimension Reduction` (Reducción de Dimensiones) > `Correspondence Analysis` (Análisis de Correspondencias). - Selecciona las variables que deseas analizar. - Configura las opciones necesarias y ejecuta el análisis. 2. Guardar las coordenadas de las dimensiones: - Una vez que obtienes los resultados del ACM, vuelve a la ventana de `Correspondence Analysis`. - Haz clic en el botón `Save` (Guardar) en la parte inferior de la ventana. - En el cuadro de diálogo `Save Coordinates` (Guardar Coordenadas), selecciona las opciones `Save object scores` (Guardar puntuaciones de objetos) y `Save dimension scores` (Guardar puntuaciones de dimensiones). - Puedes especificar el número de dimensiones que deseas guardar. - Haz clic en `Continue` (Continuar) y luego en `OK`. 3. Nuevas variables en el dataset: - SPSS agregará automáticamente nuevas variables a tu dataset, correspondientes a las dimensiones seleccionadas. - Estas nuevas variables tendrán nombres que normalmente empiezan con un prefijo específico (como `DIM1`, `DIM2`, etc.) que indica las puntuaciones de las dimensiones obtenidas del ACM. 4. Verifica las nuevas variables: - Ve a la ventana del dataset (`Data View`). - Verás las nuevas columnas añadidas, representando las coordenadas de las dimensiones para cada caso. ¡Y eso es todo! Ahora tienes las dimensiones del ACM guardadas como nuevas variables en tu dataset. Espero que esto aclare tu duda. ¡Saludos!

Cuando las variables tienen más de una columna, significa que están compuestas por varios ítems o subdimensiones. Para analizar la correlación en SPSS en estos casos, sugiero: 1. Promediar las subdimensiones: - Calcula el promedio de las columnas que componen cada variable. Por ejemplo, si tienes `Satisfacción_Trabajo`, `Satisfacción_Vida` y `Satisfacción_Familia`, puedes crear una nueva variable `Satisfacción_Total` que sea el promedio de estas tres. - En SPSS, ve a `Transform` > `Compute Variable...` y usa la fórmula: `MEAN(Satisfacción_Trabajo, Satisfacción_Vida, Satisfacción_Familia)`. Una vez que tengas tu variable compuesta (ya sea mediante promedios o factores), puedes proceder a realizar el análisis de correlación: Espero que te sea de tu utilidad, Saludos

Muchas gracias por comentar, saludos 😉

La variable "casada" que mencionas sí es dicotómica porque solo tiene dos categorías. Aunque es nominal, no siempre se incluye como una categoría en ciertos tipos de análisis debido a que su naturaleza dicotómica ya representa una separación clara de los datos. En algunos otros softwares o métodos estadísticos, podrías simplemente ingresarla como una variable binaria (0 y 1) en lugar de tratarla como una categoría en el sentido de múltiples niveles. En cuanto a una variable politómica ordinal, como podría ser una que mida niveles de acuerdo o educación, esta puede y generalmente se incluye en la opción de categoría en muchos análisis, especialmente si se desea estudiar el efecto de los diferentes niveles de esta variable sobre una variable dependiente. La inclusión como categoría permite utilizar el orden de los niveles, que es información relevante en variables ordinales, para modelar posibles tendencias o patrones en los datos. Por lo tanto, si la podrías ingresar en categoría😉 Saludos

Hola, muchas gracias😀

Hola, muchas gracias🤗

Si no aparece el valor de significancia (p-valor) al realizar un análisis de correlación en SPSS, hay algunas posibles explicaciones y soluciones que puedes considerar: 1. Revisar la configuración del análisis: Asegúrate de que estás solicitando los valores de significancia al realizar la correlación. En la ventana de diálogo de correlación, revisa que la opción de mostrar los niveles de significancia esté seleccionada. 2. Tipo de datos: Verifica que los datos que estás utilizando sean apropiados para el tipo de correlación que deseas realizar. Por ejemplo, la correlación de Pearson requiere que ambos conjuntos de datos sean continuos y tengan una distribución aproximadamente normal. Si los datos no cumplen estos requisitos, considera usar una correlación de Spearman o Kendall, que no asumen normalidad. 3. Valores perdidos: Si hay valores perdidos en tus datos, asegúrate de que estás manejando adecuadamente estos casos. En SPSS puedes definir cómo tratar los valores perdidos en la configuración del análisis de correlación (listwise o pairwise). 4. Problemas de visualización: A veces, los resultados no se muestran correctamente debido a problemas de configuración de la salida en SPSS. Revisa la ventana de salida para asegurarte de que no haya problemas con la visualización de las tablas. 5. Actualizaciones o configuraciones de software: Asegúrate de que tu versión de SPSS esté actualizada y que no haya errores conocidos con la versión que estás utilizando. Algunas veces, problemas específicos de software pueden ser resueltos con una actualización o reinstalando el software. Si después de revisar estos puntos el problema persiste, sería útil revisar más detalladamente los datos y la configuración específica que estás utilizando en SPSS.

Gracias por comentar😉

¡Gracias por tu comentario y sugerencia! Definitivamente, explorar el supuesto de linealidad en la regresión lineal múltiple es crucial para asegurarnos de que los modelos que construimos son adecuados y eficaces. En futuros videos, planeo detallar cómo verificar este supuesto utilizando gráficos de dispersión y análisis de residuales, además de discutir qué hacer si la relación entre las variables no es lineal. ¡Estén atentos para más contenido que profundice en estos temas importantes!

Thanks😉

Hola, muchas gracias💙

Genial😄

Gracias por expresarlo😊

Genial👍

Gracias😀

Hola, muchas gracias😉

Enhorabuena😀

Gracias mi estimado😉

Con mucho gusto🙂

Thanks😀

Thanks😊

Gracias a ti😀

Gracias👍

Muchas gracias, saludos😉

Gracias👍

Gracias por comentar😉

Hola, muchas gracias❤️

Muchas gracias😉

Gracias mi estimado😀

Gracias😉

Enhorabuena....Y vendrán muchos más😀

Gracias👍

Ese es el objetivo, saludos😀

Gracias por comentar👌

Thanks😊

Gracias, saludos😉

Excelente😀

Hola, muchas gracias💕

Excelente...Esa es la idea😉

Genial👍