Análisis de correlación en SPSS
Вставка
- Опубліковано 10 вер 2024
- En este video tutorial aprenderás a realizar un análisis de correlación de Pearson en SPSS.
Datos, manuales, scripts y más en:
www.eliaxalvar...
Sígueme:
Facebook: / eliaxalvarad0
Twitter: / elias_alvarado
¡Hasta pronto, mi gente!
#SPSS
#CorrelaciónSPSS
#Cápsula010
Muy buen video, poco a poco voy aprendiendo a usar SPSS y los videos me han sido de gran ayuda!👍😃
Excelente mi estimado 🙌
gracias por compartir las capsulas, son de mucha ayuda
Gracias por comentar😉
las explicaciones de todos los temas son muy claras! Agradecida!
Gracias😉
Que tema tan interesante y super bien explicado
Gracias, saludos👍
Una consulta: manejo 7 variables, ambas son categoricas nominales, (solo uno es Categorica ordinal) ¿Normal puedo aplicar Pearson o Spearman?.
Quiero determinar factores asociados para una patologia.
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😉
Hola, tengo una variable categorica( del tipo ordinal), te explico mi variable, quiero que sea del cumplimiento de una metodologia de gestion de proyectos llamado "Prince2" que tiene 7 principios, mediré el cumplimiento de los 7 que componen a "Prince2"
Y tengo otra variable cuantitativa del tipo numerica (estaran en %), que son respecto del cumplimiento del alcance, costo y tiempo del proyecto...
jeje, ¿se podria correlacionar o estoy mezclando peras con manzanas? Espero haberme dejado entender :(, y si la respuesta es negativa, ¿tendras alguna idea de que podria hacer, yo estaba pensando quiza cambiar el diseño de pre-experimental a descriptivo , o alguna recomendacion :c ?.
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, hay algo que me confunde, que se lee primero la significancia o el nivel de correlación, y para que sirve cada uno? Por favor ayúdame. 😪
En el análisis de correlación utilizando SPSS, es importante entender tanto el valor de correlación como la significancia. Aquí te explico para qué sirve cada uno y en qué orden se suelen interpretar:
1. Nivel de Correlación (Coeficiente de Correlación): Este valor, generalmente representado por r (Pearson) o ρ (Spearman), mide la fuerza y la dirección de la relación lineal entre dos variables. Los valores pueden variar entre -1 y +1, donde:
+1 indica una correlación positiva perfecta.
-1 indica una correlación negativa perfecta.
0 indica ninguna correlación lineal.
2. Significancia (Valor p): La significancia prueba la hipótesis de que no hay relación entre las variables (hipótesis nula). Un valor p bajo (por lo general, menor a 0.05) sugiere que la correlación observada no se debe al azar, y por lo tanto, es estadísticamente significativa.
¿Cuál se lee primero?
Generalmente, se comienza mirando el coeficiente de correlación para entender la naturaleza de la relación entre las variables. Luego, se verifica la significancia para determinar si la correlación observada es estadísticamente significativa. No obstante, ambos valores son importantes y se deben considerar juntos para una interpretación completa del análisis.
Por ejemplo, una correlación alta con un valor p alto sugiere que, aunque las variables parecen estar relacionadas, no hay suficiente evidencia para afirmar que esta relación no se debe al azar. Por otro lado, una correlación baja pero con un valor p bajo indica que, aunque la relación no es fuerte, es probable que sea significativa y no debida al azar.
Espero te sea de utilidad, saludos :)
@@Elias_Alvarado Hay una guía sobre la significancia? Tiene algún correo de contacto?
@@Elias_AlvaradoEn otra parte, de un apartado en inglés, leí que si la significancia es >0.05 es estadisticamente significativa más no es proporcional, entonces se estaría aceptando la hipótesis nula (donde no existe relación). Corrígeme por favor, si lo estoy diciendo bien o si mi interpretación es errónea.
Si me sale negativo la correlacional quiere decir que mi tesis esta mal
Un coeficiente de correlación negativo en tu análisis no necesariamente significa que tu tesis esté mal. Este resultado indica la naturaleza de la relación entre dos variables. En términos simples, aquí hay algunos puntos clave a considerar:
1. Significado del coeficiente de correlación negativo: Un coeficiente de correlación negativo indica una relación inversa entre las variables. Esto significa que cuando una variable aumenta, la otra tiende a disminuir, y viceversa.
2. Relevancia para tu tesis: Si esperabas una correlación positiva y encontraste una negativa, esto no significa que tu tesis esté equivocada. Podría significar que la relación entre las variables es diferente de lo que inicialmente pensabas. Es importante interpretar estos resultados en el contexto de tu investigación.
3. Análisis y reflexión: Deberías revisar tu hipótesis, metodología y marco teórico. A veces, una correlación negativa puede revelar aspectos interesantes o inesperados que pueden enriquecer tu trabajo.
4. Importancia de la magnitud: La magnitud del coeficiente (su valor absoluto) indica la fuerza de la relación. Un coeficiente cercano a -1 o 1 es fuerte, mientras que uno cercano a 0 es débil.
5. Consideraciones estadísticas: Asegúrate de que tu análisis estadístico es adecuado. Esto incluye verificar el tamaño de la muestra, los supuestos estadísticos subyacentes y la posibilidad de variables confusas.
Recuerda, la investigación es un proceso de descubrimiento y aprendizaje. Los resultados inesperados pueden ser tan valiosos como los esperados, siempre y cuando se interpreten y se presenten correctamente😉
Muchas gracias si no existe una correlación entre las dos varíables significa que mi tesis está mal o que
Y cuando las variables tienen mas de una columna? como debería hacerse
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
1:13
Tienes un video sobre el tipo de variables?😊
No, mi estimado.
TIP: En cada cápsula explico el tipo de variable o escala que se debe utilizar según el método o modelo estadístico que se aplica.
Saludos
Sucede algo si una correlación es débil?
Si una correlación entre dos variables es débil, tiene varias implicaciones importantes. Por ejemplo:
1. POCA VARIABILIDAD EXPLICADA: Una correlación débil significa que una variable no explica bien los cambios en la otra. Por ejemplo, si la correlación entre el tiempo de estudio y las calificaciones es débil, esto sugiere que hay otros factores, además del tiempo de estudio, que están influyendo significativamente en las calificaciones.
2. DECISIONES BASADAS EN DATOS: En el contexto de toma de decisiones basadas en datos, una correlación débil podría indicar que no es aconsejable basar decisiones importantes en la relación entre estas dos variables. Por ejemplo, si una empresa encuentra una correlación débil entre la satisfacción del cliente y la repetición de compras, podría querer buscar otros factores que influyen más en las compras repetidas.
En resumen, una correlación débil sugiere una relación limitada entre dos variables y requiere un análisis cuidadoso antes de sacar conclusiones o tomar decisiones basadas en esta relación✌
Cuando hago la correlación no me da el valor de sig😢 me puede decir cuál sería el error
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.
Por favor análisis de una escala de Likert
¡Claro que sí! Realizaré un análisis de la escala de Likert en una etapa temprana, saludos😉