Contraste Hipotesis 3r
Contraste Hipotesis 3r
Contraste Hipotesis 3r
Nm 0702005
Cmo realizar paso a paso un contraste de hiptesis con SPSS para Windows: (III) Relacin o asociacin y anlisis de la dependencia (o no) entre dos variables cuantitativas. Correlacin y regresin lineal simple.
Aguayo Canela M, Lora Monge E Servicio de Medicina Interna. Hospital Universitario Virgen Macarena. Sevilla
Resumen
Cuando se desee evaluar el grado de asociacin o independencia de dos variables cuantitativas debe recurrirse a tcnicas de correlacin y/o regresin, aunque tambin es posible transformar una de ellas en una variable categrica u ordinal y luego aplicar un ANOVA. La correlacin es una tcnica matemtica que evala la asociacin o relacin entre dos variables cuantitativas, tanto en trminos de direccionalidad como de fuerza o intensidad, proporcionando un coeficiente de correlacin (r de Pearson). La regresin lineal simple es un modelo matemtico que explora la dependencia entre dos variables cuantitativas (supone que en el modelo una es la variable dependiente y otra la independiente), tratando de verificar si la citada relacin es lineal y aportando unos coeficientes (a y b) que sirven para construir la ecuacin de la recta de prediccin. Ambas tcnicas, basadas en la media y en la varianza de las variables evaluadas, tienen importantes condiciones de aplicacin, entre las que destacan la independencia de las observaciones y la normalidad, disponindose de alternativas no paramtricas (como el coeficiente rho de Spearman) para la correlacin cuando estas no se cumplen. Con el programa SPSS para Windows se pueden llevar a cabo ambos procedimientos y explorar visualmente la relacin entre dos variables cuantitativas a travs de grficos de dispersin (o nube de puntos).
0. INTRODUCCIN TERICA.
Cuando tengamos que evaluar la asociacin entre dos variables cuantitativas, hay que recurrir a las tcnicas de CORRELACION Y REGRESION LINEAL SIMPLE. La CORRELACIN evala la fuerza de asociacin entre las variables, de forma similar al Riesgo Relativo y la OR en las variables categricas, indicando adems la direccin de esta asociacin, de forma que sabremos si cuando aumenta el valor de una de ellas aumenta tambin el valor de la otra variable (relacin directa) o por el contrario disminuye (relacin indirecta). El ndice resumen para evaluar la correlacin entre dos variables cuantitativas es el COEFICIENTE DE CORRELACIN. Hay varios coeficientes, siendo el ms conocido el llamado r de Pearson, cuyo clculo es paramtrico, esto es, se basa en la media y la varianza, y asume varios supuestos: a) Que las variables analizadas son simtricas (no hay una dependiente y otra
Correspondencia: marianoaguayo@telefonica.net
1 de 15
DocuWeb fabis.org
independiente) y, por tanto, son intercambiables mutuamente. b) Que lo que mide es el grado de ajuste de los puntos o pares de valores a una hipottica lnea recta (explora la relacin lineal). Esto quiere decir que podra existir otro tipo de asociacin (curvilnea, exponencial, etc.) y no ser detectada por este coeficiente. c) Que las variables se distribuyen normalmente (criterio de normalidad) en la poblacin de la que proviene la muestra. d) Que las variables exploradas provienen de observaciones independientes (esto es, solo debe haber un valor para cada variable en cada individuo de la muestra), para evitar lo que se conoce como autocorrelacin. e) En este mismo sentido, la correlacin lineal no es aplicable cuando una variable forma parte de la otra o su clculo incluye la otra variable (por ejemplo, no es correcto evaluar la correlacin entre la variable IMC ndice de masa corporal- y la variable talla). Cuando las condiciones b) y c) anteriores no se cumplen, o cuando una de las variables es ordinal, debe emplearse una aproximacin no paramtrica, siendo la ms empleada el Coeficiente de Correlacin Rho de Spearman. El Coeficiente de Correlacin 100 Fuerte relacin 90 (sea o no paramtrico) es un directa. valor adimensional que oscila 80 entre -1 y +1. El valor cero se da 70 cuando no existe ninguna 60 correlacin entre las variables 50 analizadas; el valor -1 implica una 40 correlacin perfecta de carcter 30 inverso (o indirecto) y el valor +1 140 150 160 una correlacin perfecta de tipo directo (cuando una crece tambin lo hace la otra).
80 70 60 50 40 30 20 10 0 140 150 160 170 180
330 280 230
170
180
190
200
Una excelente aproximacin visual para explorar el grado de correlacin es a travs de un grfico de dispersin o nube de puntos.
Se habla de correlacin positiva (o directa) cuando a valores crecientes de una de las variables se observan valores crecientes de la otra variable; por el contrario, se habla de correlacin negativa (o inversa) cuando a
190
200
valores crecientes de una variable corresponden valores decrecientes de la otra. Cuando no hay correlacin y en el grfico de dispersin se aprecian puntos en los cuatro cuadrantes del eje cartesiano se habla de incorrelacin. Ello no significa que ambas variables no estn relacionadas sino que no estn relacionadas linealmente.
Incorrelacin
DocuWeb fabis.org
2 de 15
Contraste de hiptesis con SPSS para Windows: (III) Asociacin entre dos variables cuantitativas. Correlacin y regresin lineal simple
fabis.org, 2007
Por ltimo, debe recordarse que la estimacin del Coeficiente de Correlacin de Pearson en muestras de suficiente tamao debe completarse con la estimacin por intervalos (clculo de los intervalos de confianza de r) y el correspondiente test de hiptesis, que parte de la hiptesis nula de que el r vale cero en la poblacin (es una prueba a travs del estadstico t de Student). Por tanto, a la hora de interpretar adecuadamente un Coeficiente de Correlacin se deben tener en cuenta los siguientes aspectos: 1. 2. 3. 4. Su signo Su magnitud Su significacin estadstica Sus intervalos de confianza
La REGRESIN LINEAL SIMPLE es un modelo matemtico que sirve para evaluar si la relacin entre dos variables cuantitativas es lineal, y proporciona unos coeficientes para ajustar una lnea recta a los diversos pares de valores que proporcionan cada individuo de la muestra. En este modelo se asume que una de las variables adopta el papel de predictora o independiente, y que la otra variable es el efecto, resultado o variable dependiente. La variable independiente o predictora suele ser un factor previamente determinado, a veces incluso controlado por el investigador, otras simplemente ms fcil de medir que la que se pretende explicar o predecir a partir de ella. Por consenso, la variable dependiente o efecto ocupa el lugar de la Y en el eje cartesiano (ordenada) y la variable independiente el lugar de la X (abscisa). El modelo de regresin lineal simple intenta ajustar, con los datos de la muestra, la siguiente ecuacin: Y = a + bX + e Donde a es el valor de la ordenada en el origen, esto es, el valor que adoptar Y (la variable dependiente) cuando X valga cero; b es conocido vulgarmente como pendiente de la recta y se interpreta como el cambio de Y por cada unidad de cambio de X; y e es el error o residual, y representa una cuantificacin del desajuste de los datos de la muestra al modelo lineal, lgicamente variable de un individuo a otro, puesto que corresponde a la cantidad que habra que sumar o restar a la prediccin para que coincida exactamente con lo observado. El anlisis de regresin lineal empieza siempre por un ANOVA, que trata de responder a la siguiente pregunta: es mejor usar X para predecir la variabilidad de Y, o por el contrario se puede conseguir la misma explicacin de Y sin tener en cuenta los valores de X, simplemente usando el valor ms representativo de Y, esto es, su media? Si fuese esto ltimo, la recta del modelo tendra pendiente cero, por lo que la hiptesis nula del contraste es precisamente: H0: = 0 Cuando se rechaza H0 (contraste estadsticamente significativo), se concluye diciendo que hay regresin lineal de Y sobre X, ya que se puede explicar una parte de los valores de la variable dependiente (Y) a partir de los valores de la variable independiente o predictora (X), o lo que es lo mismo, que conocido el valor x para un individuo se predice el valor de y mejor con la ecuacin de la recta que con el valor medio de Y. Sin embargo la prediccin que realiza el modelo de regresin lineal no es perfecta y siempre queda algo sin explicar. Este algo sin explicar es la varianza residual que aparece en la
DocuWeb fabis.org
3 de 15
DocuWeb fabis.org
tabla del ANOVA. Otra forma de cuantificar el ajuste del modelo lineal a los datos es a travs del llamado Coeficiente de Determinacin, R2, que compara lo explicado por la regresin con la variabilidad total de Y, y se interpreta como el porcentaje de la variabilidad total de la variable dependiente Y que es explicada por la variable independiente X. Por ltimo, el anlisis de regresin lineal concluye calculando los coeficientes de regresin a y b de la recta, mediante el mtodo de ajuste conocido por mnimos cuadrados. Los programas estadsticos aportan para cada uno de ellos la estimacin puntual, el error estndar, la significacin estadstica del contraste y los intervalos de confianza, teniendo sentido interpretar las salidas del coeficiente b para tomar decisiones de que hasta qu punto y en qu magnitud la variacin de Y depende linealmente de X. Estas dos tcnicas, CORRELACION Y REGRESION LINEAL SIMPLE, tienen objetivos diferentes, aunque es comn que en los programas estadsticos vayan unidas. De hecho en SPSS se puede obtener un coeficiente de correlacin de forma aislada pero el programa tambin nos lo ofrece automticamente cuando se realiza un anlisis de regresin lineal.
Vamos a trabajar con el ejemplo del estudio de obesidad e hipertensin. En esta base de datos, la variable TAD (presin arterial diastlica, medida en mm de Hg) es cuantitativa y desearamos saber si est relacionada con la edad de los individuos (otra variable cuantitativa, cuya medida son los aos cumplidos), esto es, responder a la pregunta hay relacin en la edad de los individuos y su presin diastlica?
1. PASOS A DAR EN SPSS PARA EVALUAR LA ASOCIACIN ENTRE DOS VARIABLES CUANTITATIVAS: OBTENCIN DEL COEFICIENTE DE CORRELACIN.
1.1. Antes de llevar a cabo ninguna prueba estadstica, cuando se analiza la relacin entre dos variables cuantitativas debe explorarse grficamente mediante una nube de puntos, o grfico de dispersin. En SPSS est en Grficos > Dispersin
Al aplicar esta opcin debemos sealar > Diagrama de Dispersin Simple, y en la siguiente ventana de dilogo, tras oprimir la pestaa Definir, debemos seleccionar las dos variables cuantitativas que vamos a situar en el grfico, una en el eje X y otra en el eje Y. Da igual cul de las variables coloquemos en cada ventana: en la correlacin no tiene sentido la dependencia de las variables, ya que estas juegan un papel simtrico. El resultado de SPSS es el siguiente:
DocuWeb fabis.org
4 de 15
Contraste de hiptesis con SPSS para Windows: (III) Asociacin entre dos variables cuantitativas. Correlacin y regresin lineal simple
fabis.org, 2007
Grfico
120
110
100
Como ya puede verse a simple vista, estas dos variables muestran una escasa correlacin lineal, arrojando una nube de puntos muy dispersa, con parejas de valores en los cuatro sectores del plano cartesiano. El coeficiente de correlacin ser un nmero ms prximo a cero (ninguna correlacin) que a la unidad (correlacin lineal perfecta).
90
80
70
60 40 45 50 55 60
1.2. El paso siguiente consistira en evaluar la distribucin de ambas variables cuantitativas en la muestra, para confirmar o no si siguen una Ley Normal. Obviamos este paso porque ya se ha explicado en un documento anterior (Asociacin entre una variable cuantitativa y una categrica).1
1.3. A continuacin recurrimos a evaluar inferencialmente la relacin entre las variables, que en el programa SPSS est en
En el siguiente cuadro de dilogo debemos seleccionar las variables cuantitativas que vamos a correlacionar, y as mismo indicar el tipo de Coeficiente de Correlacin que deseamos calcular (el de Pearson es el paramtrico y el de Spearman es el no paramtrico) y si el contraste o Prueba de significacin es unilateral o bilateral. Adems, en la pestaa Opciones podemos hacer que se muestren algunos estadsticos, como las medias y desviaciones tpicas y los productos cruzados y covarianzas.
Puede comprobarse que las pruebas de Kolmogorov-Smirnov y de Shapiro-Wilks detectan que la variable presin arterial diastlica no se ajusta a la Ley Normal.
DocuWeb fabis.org
5 de 15
DocuWeb fabis.org
Correlaciones
La salida de SPSS muestra primero una tabla o cuadro resumen de las variables que se van a correlacionar, Desviacin aportando los tres ndices que Media N tpica sintetizan las distribuciones: media, PRESIN ARTERIAL 82,74 12,503 50 desviacin tpica y tamao muestral. Y DIASTLICA enseguida una tabla con la correlacin EDAD EN AOS 49,22 5,132 50 lineal (por defecto), en la que vemos CUMPLIDOS una doble entrada con cuatro celdas cuyos valores en ngulo se repiten. Es una obviedad que hace el programa pero nos recuerda que en la correlacin las variables juegan un papel simtrico y son intercambiables.
Estadsticos descriptivos
Vemos en dicho cuadro como la correlacin de cada variable consigo PRESIN EDAD EN misma es perfecta (Coef. de ARTERIAL AOS Correlacin lineal = 1), mientras que la DIASTLICA CUMPLIDOS PRESIN ARTERIAL Correlacin de Pearson 1 -,085 correlacin con la otra variable vale DIASTLICA Sig. (bilateral) ,556 0,085, un valor negativo (la PAD N 50 50 segn sto- disminuira conforme EDAD EN AOS Correlacin de Pearson -,085 1 aumenta la edad) y muy pequeo, lo CUMPLIDOS Sig. (bilateral) ,556 que traduce una baja correlacin entre N 50 50 ambas. En este mismo sentido, el valor de la p asociado al contraste de hiptesis (que evala la probabilidad de que en la poblacin ambas variables no estn correlacionadas linealmente y el el Coeficiente de Correlacin sea cero) es 0,556, no permitiendo rechazar la hiptesis nula (contraste no significativo). Si se lo hemos indicado en la casilla correspondiente, el programa nos ofrece seguidamente el anlisis de correlacin no paramtrco.
Correlaciones
Correlaciones no paramtricas
DocuWeb fabis.org
6 de 15
Contraste de hiptesis con SPSS para Windows: (III) Asociacin entre dos variables cuantitativas. Correlacin y regresin lineal simple
fabis.org, 2007
Correlaciones PRESIN ARTERIAL DIASTLICA Rho de Spearman PRESIN ARTERIAL DIASTLICA Coeficiente de correlacin Sig. (bilateral) N Coeficiente de correlacin Sig. (bilateral) N 1,000 . 50 -,154 ,287 50 EDAD EN AOS CUMPLIDOS -,154 ,287 50 1,000 . 50
En nuestro ejemplo ste anlisis sera el ms adecuado y deberamos interpretar la correlacin no paramtrica, ya que una de las variables incumple el criterio de distribucin normal. Con el mismo formato de salida, el programa ha calculado el coeficiente de correlacin Rho de Spearman, que
Estos resultados se interpretan como sigue: Existe una baja o escasa correlacin lineal entre la presin arterial diastlica y la edad de los individuos. Esta baja correlacin lineal en la muestra analizada hace que en el contraste de hiptesis (que parte de una H0 de que r vale cero) se termine aceptando la hiptesis nula y concluyendo que dichas variables no estn correlacionadas en la poblacin de la que proviene la muestra. Llegados a este punto, parece obvio que no es afortunado explorar la asociacin lineal de estas dos variables mediante una REGRESIN LINEAL SIMPLE, por lo que el anlisis debera terminar aqu.
2. PASOS A DAR EN SPSS PARA LLEVAR A CABO UNA REGRESIN LINEAL SIMPLE.
Vamos a realizar un segundo ejercicio, tomando ahora dos variables cuantitativas que muy probablemente estn correlacionadas, para completar el procedimiento a seguir y mostrar los resultados de un anlisis de Regresin Lineal Simple. Para ello exploraremos la relacin entre las variables presin arterial sistlica y presin arterial diastlica, respondiendo a la pregunta Estn relacionadas estas dos variables? Y en segundo lugar depende la presin arterial sistlica de la presin arterial diastlica?2
2.1. Empezamos por la evaluacin grfica, pero en este caso analizaremos la posible relacin lineal a travs de un procedimiento ms verstil y completo que nos ofrece SPSS en la opcin Grficos Interactivos:
Debe aclararse aqu que esta evaluacin de correlacin es conceptualmente incorrecta, ya que las dos variables estn autocorrelacionadas en cada individuo, pudiendo considerarse dos mediciones de la presin arterial en cada sujeto. Realizaremos el ejercicio con carcter puramente acadmico.
DocuWeb fabis.org
7 de 15
DocuWeb fabis.org
Esta opcin permite la creacin de un grfico de puntos (Asignar variables, seleccionando las dos variables cuantitativas y colocndolas en las ventanas correspondientes del eje cartesiano) y ajustar una lnea de regresin (Ajuste, a travs del mtodo de Regresin). Vemos como en la pestaa Ajuste es posible seleccionar un mtodo (Regresin), obtener la ecuacin de la lnea de regresin y visualizar las lneas de pronstico para un intervalo de confianza determinado (por defecto del 95%).
Grfico interactivo
DocuWeb fabis.org
8 de 15
Contraste de hiptesis con SPSS para Windows: (III) Asociacin entre dos variables cuantitativas. Correlacin y regresin lineal simple
fabis.org, 2007
200
Regresin lineal con Intervalo de prediccin de la media al 95,00% 1PRESIN ARTERIAL SISTLICA = 9,40 + 1,49 * pad R-cuadrado = 0,64
175
150
125
100
60
80
100
120
Vemos que a simple vista la correlacin entre estas dos variables es elevada y de direccin positiva (cuando crece una crece la otra). En el mismo grfico ya se muestra la ecuacin de la lnea recta que se ajusta con los datos: PAS = 9,40 + (1,49 * PAD) Tambin nos ofrece otro parmetro de la Regresin Lineal: el Coeficiente de Determinacin (R ), que en nuestro ejemplo vale 0,64. Este valor expresa cunto del valor de la PAS est predicho o determinado por la PAD (un 64%).
2
2.2. Una vez que comprobemos que las distribuciones de ambas variables sigue una ley Normal, se llevara a cabo la evaluacin de la correlacin entre estas dos variables, con el procedimiento en SPSS que ya se ha mostrado antes. Estos seran los resultados:
Correlaciones
Correlaciones PRESIN ARTERIAL DIASTLICA 1 PRESIN ARTERIAL SISTLICA ,802** ,000 50 50 ,802** 1 ,000 50 50
Correlaciones no paramtricas
DocuWeb fabis.org
9 de 15
DocuWeb fabis.org
Vemos que tanto el Coeficiente de Correlacin paramtrico (Pearson) como el no paramtrico (Rho de Spearman) son valores positivos y ms prximos a la unidad que al cero, en concreto 0,802 y 0,732 respectivamente; y ambos coeficientes son estadsticamente significativos, con p < 0,001, por lo que podemos concluir que ambas variables estn asociadas en la poblacin de la que proviene la muestra analizada, y que dicha asociacin muestra una elevada correlacin directa. 2.3. Cuando existe correlacin lineal (r > 0,3, p asociada al contraste de la correlacin < 0,05), se debe completar el estudio estadstico a travs del ANALISIS DE REGRESIN LINEAL SIMPLE, para evaluar dicha relacin y estimar una recta de regresin, que nos permita hacer predicciones. En el programa SPSS marcamos la secuencia
Y en el siguiente cuadro de dilogo se seleccionan las variables, que ahora vemos deben colocarse en las ventanas correspondientes distinguiendo cul es la dependiente y cual es la independiente. En la opcin Estadsticos podemos marcar los que deseamos obtener en la salida:
DocuWeb fabis.org
10 de 15
Contraste de hiptesis con SPSS para Windows: (III) Asociacin entre dos variables cuantitativas. Correlacin y regresin lineal simple
fabis.org, 2007
Regresin
El primer recuadro es un resumen del procedimiento:
Variables introducidas/eliminadas Modelo 1 Variables introducidas PRESIN ARTERIAL DIASTLICA Variables eliminadas
a b
Mtodo . Introducir
a. Todas las variables solicitadas introducidas b. Variable dependiente: PRESIN ARTERIAL SISTLICA
El segundo recuadro es un resumen del modelo de Regresin Lineal, con el Coeficiente de Regresin 2 (R) y el Coeficiente de Determinacin (R ).
Resumen del modelo Modelo 1 R R cuadrado ,644 R cuadrado corregida ,636 Error tp. de la estimacin 13,971
,802a
A continuacin aparece un contraste de hiptesis ANOVA para la regresin, que separa la variabilidad explicada por la Regresin y la variabilidad no explicada o Residual, y calcula un estadstico F y una significacin estadstica.
DocuWeb fabis.org
11 de 15
DocuWeb fabis.org
Sig. ,000a
a. Variables predictoras: (Constante), PRESIN ARTERIAL DIASTLICA b. Variable dependiente: PRESIN ARTERIAL SISTLICA
Esta es una primera aproximacin inferencial al modelo de Regresin Lineal, que evala globalmente el modelo. En nuestro ejemplo es estadsticamente significativo (p<0,001) y concluye rechazando la hiptesis nula y aceptando la H1 (existe asociacin entre las dos variables mediante una regresin lineal). La segunda aproximacin inferencial se muestra en el siguiente cuadro, donde se ofrecen los coeficientes del modelo (columna encabezada B): la constante (a) o valor de la ordenada en el origen (en nuestro ejemplo vale 9,401) el coeficiente de regresin (b) o pendiente de la recta (en nuestro caso vale 1,487)
Adems se proporcionan sus correspondientes errores tpicos. Y, en las ltimas columnas, el contraste de hiptesis para el coeficiente de regresin, a travs de una t de Student (contraste de Wald), que parte de una H0 que supone que el coeficiente de regresin lineal vale cero (en nuestro caso la t de Student vale 9,314 y el valor p asociado es < 0,001). El contraste de hiptesis para la constante no tiene sentido aplicarlo.
Coeficientes(a) Coeficientes no estandarizados Modelo 1 B
(Constante)
Sig.
Intervalo de confianza para B al 95% Lmite inferior -17,452 1,166 Lmite superior 36,254 1,808
9,401
,485 ,000
Si se lo hubisemos solicitado, el programa tambin nos habr calculado los intervalos de confianza de los coeficientes de regresin, teniendo sentido slo para el coeficiente b.
Con estos resultados conclumos varias cosas: 1. Que las dos variables estn asociadas o relacionadas linealmente en la poblacin de la que proviene la muestra (con una muy pequea probabilidad de que la relacin encontrada sea explicada por el azar, menos del uno por mil). 2. Que la relacin encontrada es fuerte (r = 0,8). De hecho la PAD explica el 64% (R2 = 0,64) de la variabilidad de la PAS. 3. Que la relacin es directa, aumentando en promedio 1,487 mm de Hg la PAS por cada aumento de 1 mm de Hg en la PAD. De hecho, con estos coeficientes se puede construir la recta de regresin lineal Y = a + bX que relacionara en la poblacin la presin arterial sistlica (PAS) con la presin arterial diastlica (PAD):
DocuWeb fabis.org
12 de 15
Contraste de hiptesis con SPSS para Windows: (III) Asociacin entre dos variables cuantitativas. Correlacin y regresin lineal simple
fabis.org, 2007
PAS = 9,401 + (1,487 * PAD) 2.4. Todo anlisis de regresin lineal debera completarse con una evaluacin de los residuales, esto es, los valores (ypred - y ), sobre todo por comprobar si stos siguen una distribucin normal, ya que este simple paso permite asegurar que se cumplen tres criterios bsicos para aplicar correctamente la regresin lineal: el supuesto de normalidad de la distribucin condicional de la variable Y, el que exista linealidad en la relacin de Y condicionada por cada valor de X, y el requisito de homecedasticidad (que las varianzas de la distribucin de Y condicionada a cada valor de X sean homogneas). Para ello es imprescindible en el programa SPSS marcar en la ventana de Regresin lineal la opcin Guardar y en ella a su vez Residuos y No tipificados.
Al aplicar esta opcin se genera en la base de datos una nueva variable con los residuos no estandarizados (SPSS la llama por defecto RES_1 y la etiqueta como Unstandardized), y se obtiene el la ventana de resultados el siguiente cuadro resumen de estadsticos calculados: Estadsticos sobre los residuos(a) Desviacin tp. 18,589 13,828 1,000 ,990
Mnimo Valor pronosticado Residuo bruto Valor pronosticado tip. Residuo tip. a Variable dependiente: PAS 98,61 -18,478 -1,819 -1,323
N 50 50 50 50
Con la nueva variable RES_1 deberamos evaluar, como ya sabemos, si sigue una distribucin normal, seleccionndola en la ventana de dependientes en el procedimiento Analizar > Estadsticos descriptivos > Explorar Y marcando en la pestaa grficos la opcin grficos con pruebas de normalidad.
DocuWeb fabis.org
13 de 15
DocuWeb fabis.org
Anexo.
Tabla de datos del estudio sobre Hipertensin y Obesidad. Se trata de un pequeo estudio transversal (n=50) en el que se pretende explorar la asociacin de la hipertensin arterial y el sobrepeso (obesidad). Como veis se han recogido cinco variables: Edad: en aos cumplidos Sexo (1=hombre; 2=mujer) Tensin diastlica (PAD): en mm de Hg Tensin sistlica (PAS): en mm de Hg Obesidad: como dicotmica (1=obeso; 2= No obeso) En la parte de estadstica descriptiva se trata de explorar la distribucin de las variables cuantitativas y obtener las medidas resumen de todas ellas, as como sus representaciones grficas. Tambin es interesante que analicis sus distribuciones y estadsticos sintticos en los dos grupos que pueden obtenerse por la variable "obesidad". Podrais obtener una variable nueva de tipo dicotmico que tuviera informacin resumen de las variables TAS y TAD. Esto es, una variable que podas llamar HTA (hipertensin arterial), que agrupara en una categora a los "hipertensos" (TAS >= 140 y/o TAD >=90) y en otra categora a los "normotensos".
EDAD 41 41 41 42 42 42 42 43 43 43 44 45 45 45 47 47 47 47 47 48 48 48 48 49 49 PAS 120 140 110 120 120 140 180 120 120 140 110 120 120 122 130 120 155 110 150 110 150 160 160 110 150 PAD 70 80 80 85 86 90 110 70 86 90 80 70 80 80 80 80 80 80 85 70 100 102 110 70 90 SEXO 2 1 2 2 1 1 2 1 2 1 1 1 1 1 2 1 2 1 2 2 2 2 2 1 1 OBESIDAD 1 1 1 1 2 1 2 1 1 1 1 1 1 1 1 1 2 2 2 2 2 1 2 1 1
DocuWeb fabis.org
14 de 15
Contraste de hiptesis con SPSS para Windows: (III) Asociacin entre dos variables cuantitativas. Correlacin y regresin lineal simple
fabis.org, 2007
49 50 50 50 50 51 52 52 52 52 53 53 53 53 54 54 54 54 55 57 57 57 57 59 59
139 145 100 120 160 120 100 100 150 160 125 115 110 170 100 120 120 190 135 95 150 130 180 150 150
2 1 2 1 1 1 2 2 2 1 2 1 2 2 1 1 1 2 1 1 1 1 2 1 1 1= OBESO 2= NO OBESO
2 1 1 2 1 1 1 1 2 1 1 1 1 2 2 1 1 2 1 1 1 2 2 1 2
DocuWeb fabis.org
15 de 15