IBM SPSS Statistics Base 24

IBM SPSS Statistics Base 24
IBM
Nota
Antes de utilizar esta informacin y el producto al que da soporte, lea la informacin que se incluye en el apartado
Avisos en la pgina 211.
Informacin de producto
Esta edicin se aplica a la versin 24, release 0, modificacin 0 de IBM SPSS Statistics y a todas las versiones y
modificaciones posteriores hasta que se indique lo contrario en nuevas ediciones.
Contenido
Captulo 1. Libro de cdigos . . . . . . 1 Prueba T para una muestra: Opciones . . . . 36
Pestaa Resultados de libro de cdigos . . . . . 1 Caractersticas adicionales del comando T-TEST 36
Pestaa Estadsticos del libro de cdigos . . . . . 4 Caractersticas adicionales del comando T-TEST . . 36
Captulo 2. Frecuencias . . . . . . . . 5 Captulo 10. ANOVA de un factor . . . 39

Frecuencias: Estadsticos . . . . . . . . . . 5 ANOVA de un factor: Contrastes . . . . . . . 39
Frecuencias: Grficos . . . . . . . . . . . 7 ANOVA de un factor: Contrastes post hoc . . . . 40
Frecuencias: Formato . . . . . . . . . . . 7 ANOVA de un factor: Opciones . . . . . . . 41
Caractersticas adicionales del comando ONEWAY 42
Captulo 3. Descriptivos . . . . . . . . 9
Descriptivos: Opciones . . . . . . . . . . . 9 Captulo 11. MLG Anlisis univariante 43
Caractersticas adicionales del comando MLG: Modelo . . . . . . . . . . . . . 44
DESCRIPTIVES . . . . . . . . . . . . . 10 Generar trminos . . . . . . . . . . . 45
Suma de cuadrados. . . . . . . . . . . 45
Captulo 4. Explorar . . . . . . . . . 11 MLG: Contrastes . . . . . . . . . . . . 46
Tipos de contrastes . . . . . . . . . . . 46
Explorar: Estadsticos . . . . . . . . . . . 12
MLG: Grficos de perfil . . . . . . . . . . 47
Explorar: Grficos . . . . . . . . . . . . 12
Opciones MLG . . . . . . . . . . . . 47
Explorar: Transformaciones de potencia . . . . 13
Caractersticas adicionales del comando
Explorar: Opciones . . . . . . . . . . . . 13
UNIANOVA . . . . . . . . . . . . . 48
Caractersticas adicionales del comando EXAMINE 13
MLG: Comparaciones post hoc . . . . . . . . 48
Opciones MLG . . . . . . . . . . . . 50
Captulo 5. Tablas cruzadas . . . . . . 15 Caractersticas adicionales del comando
Capas de las tablas cruzadas . . . . . . . . 16 UNIANOVA . . . . . . . . . . . . . 51
Grficos de barras agrupadas . . . . . . . . 16 MLG: Guardar . . . . . . . . . . . . . 51
Tablas cruzadas mostrando variables de capa en Opciones MLG . . . . . . . . . . . . . 52
capas de tabla . . . . . . . . . . . . . 16 Caractersticas adicionales del comando
Estadsticos de tablas cruzadas . . . . . . . . 16 UNIANOVA . . . . . . . . . . . . . . 53
Visualizacin en casillas de tablas cruzadas . . . . 18
Formato de tablas cruzadas . . . . . . . . . 19
Captulo 12. Correlaciones bivariadas 55
Correlaciones bivariadas: Opciones . . . . . . 56
Captulo 6. Resumir . . . . . . . . . 21 Caractersticas adicionales de los comandos
Resumir: Opciones . . . . . . . . . . . . 21 CORRELATIONS y NONPAR CORR . . . . . . 56
Resumir: Estadsticos . . . . . . . . . . . 22
Captulo 13. Correlaciones parciales . . 57
Captulo 7. Medias . . . . . . . . . . 25 Correlaciones parciales: Opciones . . . . . . . 57
Medias: Opciones . . . . . . . . . . . . 25 Caractersticas adicionales del comando PARTIAL
CORR . . . . . . . . . . . . . . . . 58
Captulo 8. Cubos OLAP . . . . . . . 29
Cubos OLAP: Estadsticos . . . . . . . . . 29 Captulo 14. Distancias . . . . . . . . 59
Cubos OLAP: Diferencias. . . . . . . . . . 31 Distancias: Medidas de disimilaridad . . . . . . 59
Cubos OLAP: Ttulo . . . . . . . . . . . 32 Distancias: Medidas de similaridad . . . . . . 60
Captulo 9. Pruebas T . . . . . . . . 33 PROXIMITIES . . . . . . . . . . . . . 60
Pruebas T . . . . . . . . . . . . . . . 33
Prueba T para muestras independientes . . . . . 33 Captulo 15. Modelos lineales . . . . . 61
Definicin de grupos en la prueba T para Para obtener un modelo lineal . . . . . . . . 61
muestras independientes . . . . . . . . . 34 Objetivos . . . . . . . . . . . . . . . 61
Prueba T para muestras independientes: Conceptos bsicos . . . . . . . . . . . . 62
Opciones . . . . . . . . . . . . . . 34 Seleccin de modelos . . . . . . . . . . . 63
Prueba T para muestras relacionadas . . . . . . 34 Conjuntos . . . . . . . . . . . . . . . 64
Prueba T para muestras relacionadas: Opciones 35 Avanzado . . . . . . . . . . . . . . . 64
Caractersticas adicionales del comando T-TEST 35 Opciones de modelos . . . . . . . . . . . 64
Prueba T para una muestra . . . . . . . . . 35 Resumen del modelo . . . . . . . . . . . 64
iii
Preparacin automtica de datos . . . . . . . 65 Resumen de error . . . . . . . . . . . 95
Importancia de predictor . . . . . . . . . . 65
Predicho por observado . . . . . . . . . . 65 Captulo 21. Anlisis discriminante . . 97
Residuos . . . . . . . . . . . . . . . 65 Anlisis discriminante: Definir rango . . . . . . 98
Valores atpicos . . . . . . . . . . . . . 66 Anlisis discriminante: Seleccionar casos. . . . . 98
Efectos . . . . . . . . . . . . . . . . 66 Anlisis discriminante: Estadsticos . . . . . . 98
Coeficientes . . . . . . . . . . . . . . 66 Anlisis discriminante: Mtodo de inclusin por
Medias estimadas . . . . . . . . . . . . 67 pasos . . . . . . . . . . . . . . . . 99
Resumen de generacin de modelos . . . . . . 67 Anlisis discriminante: Clasificar . . . . . . . 100
Anlisis discriminante: Guardar . . . . . . . 100
Captulo 16. Regresin lineal . . . . . 69 Caractersticas adicionales del comando
Mtodos de seleccin de variables en el anlisis de DISCRIMINANT . . . . . . . . . . . . 101
regresin lineal . . . . . . . . . . . . . 70
Regresin lineal: Establecer regla . . . . . . . 71 Captulo 22. Anlisis factorial . . . . 103
Regresin lineal: Grficos . . . . . . . . . . 71 Seleccin de casos en el anlisis factorial . . . . 104
Regresin lineal: almacenamiento de variables Anlisis factorial: Descriptivos. . . . . . . . 104
nuevas . . . . . . . . . . . . . . . . 71 Anlisis factorial: Extraccin . . . . . . . . 104
Regresin lineal: Estadsticos . . . . . . . . 73 Anlisis factorial: Rotacin . . . . . . . . . 105
Regresin lineal: Opciones . . . . . . . . . 74 Anlisis factorial: Puntuaciones factoriales . . . . 106
Caractersticas adicionales del comando Anlisis factorial: Opciones . . . . . . . . . 106
REGRESSION . . . . . . . . . . . . . 74 Caractersticas adicionales del comando FACTOR 106
Captulo 17. Regresin ordinal . . . . 75 Captulo 23. Seleccin de

Regresin ordinal: Opciones . . . . . . . . . 76 procedimientos para la agrupacin en
Resultados de la regresin ordinal . . . . . . . 76
Modelo de ubicacin de la regresin ordinal . . . 77
clsteres . . . . . . . . . . . . . 109
Generar trminos . . . . . . . . . . . 77
Modelo de escala de la regresin ordinal . . . . 78 Captulo 24. Anlisis de clsteres en
Generar trminos . . . . . . . . . . . 78 dos fases . . . . . . . . . . . . . 111
Caractersticas adicionales del comando PLUM . . 78 Opciones del anlisis de clsteres en dos fases . . 112
Resultados de anlisis de clsteres en dos fases . . 113
Captulo 18. Estimacin curvilnea . . . 79 El visor de clsteres . . . . . . . . . . . 114
Modelos del procedimiento Estimacin curvilnea 80 Visor de clsteres . . . . . . . . . . . 114
Estimacin curvilnea: Guardar . . . . . . . . 80 Navegacin en el Visor de clsteres . . . . . 118
Filtrado de registros . . . . . . . . . . 119
Captulo 19. Regresin por mnimos
cuadrados parciales . . . . . . . . . 83 Captulo 25. Anlisis de clsteres
Modelo . . . . . . . . . . . . . . . . 85 jerrquico . . . . . . . . . . . . . 121
Opciones . . . . . . . . . . . . . . . 85 Anlisis de clsteres jerrquico: Mtodo . . . . 122
Anlisis de clsteres jerrquico: Estadsticos . . . 122
Captulo 20. Anlisis vecino ms Anlisis de clsteres jerrquico: Grficos . . . . 122
Anlisis de clsteres jerrquico: Guardar variables
cercano . . . . . . . . . . . . . . 87 nuevas . . . . . . . . . . . . . . . 122
Vecinos . . . . . . . . . . . . . . . . 89 Caractersticas adicionales de la sintaxis de
Caractersticas . . . . . . . . . . . . . 90 comandos CLUSTER . . . . . . . . . . . 123
Particiones. . . . . . . . . . . . . . . 90
Guardado . . . . . . . . . . . . . . . 91
Resultados. . . . . . . . . . . . . . . 92
Captulo 26. Anlisis de clsteres de
Opciones . . . . . . . . . . . . . . . 92 K-medias . . . . . . . . . . . . . 125
Vista de modelo . . . . . . . . . . . . . 92 Eficacia del anlisis de clsteres de K-medias. . . 126
Espacio de caractersticas . . . . . . . . . 93 Anlisis de clsteres de K-medias: Iterar . . . . 126
Importancia de la variable . . . . . . . . 94 Anlisis de clsteres de K-medias: Guardar . . . 126
Homlogos . . . . . . . . . . . . . 94 Anlisis de clsteres de K-medias: Opciones . . . 127
Distancias de vecinos ms prximos . . . . . 94 Caractersticas adicionales del comando QUICK
Mapa de cuadrantes . . . . . . . . . . 95 CLUSTER . . . . . . . . . . . . . . 127
Registro de errores de seleccin de caractersticas 95
Registro de errores de seleccin de k . . . . . 95 Captulo 27. Pruebas no paramtricas 129
Registro de errores de seleccin de caractersticas Pruebas no paramtricas para una muestra . . . 129
yk . . . . . . . . . . . . . . . . 95 Para obtener Pruebas no paramtricas para una
Tabla de clasificacin . . . . . . . . . . 95 muestra . . . . . . . . . . . . . . 129
iv IBM SPSS Statistics Base 24

Pestaa Campos . . . . . . . . . . . 129 Para obtener un informe de resumen:
Pestaa Configuracin . . . . . . . . . 130 Estadsticos en columnas . . . . . . . . 164
Caractersticas adicionales del comando Funcin Columna de resumen total . . . . . 165
NPTESTS. . . . . . . . . . . . . . 132 Columna de resumen total . . . . . . . . 165
Pruebas no paramtricas para muestras Formato de columna de informe . . . . . . 165
independientes . . . . . . . . . . . . . 132 Opciones de Salto de columna para los
Para obtener pruebas no paramtricas para estadsticos en el informe . . . . . . . . 165
muestras independientes . . . . . . . . 133 Opciones de columnas para los estadsticos en
Pestaa Campos . . . . . . . . . . . 133 el informe . . . . . . . . . . . . . 166
Pestaa Configuracin . . . . . . . . . 133 Diseo de informe para Informe de estadsticos
Caractersticas adicionales del comando en columnas. . . . . . . . . . . . . 166
NPTESTS. . . . . . . . . . . . . . 135 Caractersticas adicionales del comando REPORT 166
Pruebas no paramtricas de muestras relacionadas 135
Para obtener pruebas no paramtricas para Captulo 30. Anlisis de fiabilidad. . . 167
muestras relacionadas . . . . . . . . . 135 Anlisis de fiabilidad: Estadsticos . . . . . . 168
Pestaa Campos . . . . . . . . . . . 135 Caractersticas adicionales del comando
Pestaa Configuracin . . . . . . . . . 136 RELIABILITY . . . . . . . . . . . . . 169
NPTESTS. . . . . . . . . . . . . . 137
Captulo 31. Escalamiento
Vista de modelo . . . . . . . . . . . . 138
Vista de modelos . . . . . . . . . . . 138 multidimensional . . . . . . . . . . 171
Caractersticas adicionales del comando NPTESTS 142 Escalamiento multidimensional: Forma de los datos 172
Cuadros de dilogo antiguos . . . . . . . . 143 Escalamiento multidimensional: Crear la medida a
Prueba de chi-cuadrado . . . . . . . . . 143 partir de los datos . . . . . . . . . . . . 172
Prueba binomial . . . . . . . . . . . 145 Escalamiento multidimensional: Modelo . . . . 172
Prueba de rachas . . . . . . . . . . . 146 Escalamiento multidimensional: Opciones . . . . 173
Prueba Kolmogorov-Smirnov de una muestra 147 Caractersticas adicionales del comando ALSCAL 173
Pruebas para dos muestras independientes . . 148
Pruebas para dos muestras relacionadas . . . 149 Captulo 32. Estadsticos de la razn 175
Pruebas para varias muestras independientes 151 Estadsticos de la razn . . . . . . . . . . 175
Pruebas para varias muestras relacionadas . . 152
Captulo 33. Curvas COR . . . . . . 177
Captulo 28. Anlisis de respuestas Curvas COR: Opciones . . . . . . . . . . 177
mltiples . . . . . . . . . . . . . 155
Anlisis de respuestas mltiples . . . . . . . 155 Captulo 34. Simulacin . . . . . . . 179
Definir conjuntos de respuestas mltiples . . . . 155 Para disear una simulacin basada en un archivo
Frecuencias de respuestas mltiples . . . . . . 156 de modelo . . . . . . . . . . . . . . 179
Tablas cruzadas de respuestas mltiples . . . . 157 Para disear una simulacin basada en ecuaciones
Tablas de respuestas mltiples: Definir rangos personalizadas . . . . . . . . . . . . . 180
de las variables . . . . . . . . . . . . 158 Disear una simulacin sin un modelo predictivo 181
Tablas cruzadas de respuestas mltiples: Para ejecutar una simulacin de un plan de
Opciones . . . . . . . . . . . . . . 158 simulacin . . . . . . . . . . . . . . 181
Caractersticas adicionales del comando MULT Generador de simulaciones . . . . . . . . . 182
RESPONSE . . . . . . . . . . . . . 159 Pestaa Modelo . . . . . . . . . . . 182
Pestaa Simulacin . . . . . . . . . . 184
Captulo 29. Informes de los Cuadro de dilogo Ejecutar simulacin . . . . . 193
resultados. . . . . . . . . . . . . 161 Pestaa Simulacin . . . . . . . . . . 193
Informes de los resultados . . . . . . . . . 161 Pestaa Resultado . . . . . . . . . . . 195
Informe de estadsticos en filas . . . . . . . 161 Trabajo con resultados de grficos de simulacin 196
Para obtener un informe de resumen: Opciones de grfico . . . . . . . . . . 197
Estadsticos en filas . . . . . . . . . . 161
Formato de los saltos y de las columnas de Captulo 35. Modelado geoespacial 199
datos del informe . . . . . . . . . . . 162 Seleccin de mapas . . . . . . . . . . . 199
Lneas de resumen finales y Lneas de resumen Seleccin de un mapa . . . . . . . . . 200
del informe . . . . . . . . . . . . . 162 Relacin geoespacial . . . . . . . . . . 200
Opciones de saltos del informe . . . . . . 162 Establecer sistema de coordenadas . . . . . 200
Opciones del informe. . . . . . . . . . 163 Definicin de la proyeccin. . . . . . . . 201
Diseo del informe . . . . . . . . . . 163 Sistema de proyeccin y de coordenadas . . . 201
Ttulos del informe . . . . . . . . . . 163 Orgenes de datos . . . . . . . . . . . . 201
Informe de estadsticos en columnas. . . . . . 164 Aadir un origen de datos . . . . . . . . 202
Contenido v
Datos y asociacin de mapas . . . . . . . 202 Agregacin . . . . . . . . . . . . . 208
Validar claves . . . . . . . . . . . . 202 Resultado . . . . . . . . . . . . . 208
Reglas asociacin geoespacial . . . . . . . . 202 Opciones de modelo . . . . . . . . . . 209
Definir campos de datos de eventos . . . . . 203 Guardar . . . . . . . . . . . . . . 209
Seleccionar campos . . . . . . . . . . 203 Avanzado . . . . . . . . . . . . . 210
Resultado . . . . . . . . . . . . . 203 Finalizar . . . . . . . . . . . . . . . 210
Guardar . . . . . . . . . . . . . . 204
Creacin de reglas . . . . . . . . . . . 205 Avisos . . . . . . . . . . . . . . 211
Agrupacin y agregacin . . . . . . . . 206 Marcas comerciales . . . . . . . . . . . 213
Prediccin temporal espacial . . . . . . . . 206
Seleccionar campos . . . . . . . . . . 207
ndice. . . . . . . . . . . . . . . 215
Intervalos de tiempo . . . . . . . . . . 207
vi IBM SPSS Statistics Base 24

Captulo 1. Libro de cdigos
El libro de cdigos hace referencia a la informacin del diccionario, como nombres de variable, etiquetas
de variables, etiquetas de valores o valores perdidos, y los estadsticos de resumen de todas o las
variables especificadas y conjuntos de respuestas mltiples del conjunto de datos activo. Para variables
nominales y ordinales y conjuntos de respuestas mltiples, los estadsticos de resumen incluyen recuentos
y porcentajes. Para variables de escala, los estadsticos de resumen incluyen la media, desviacin estndar
y cuartiles.
Nota: el libro de cdigos ignora el estado del archivo segmentado. Esto incluye los grupos de archivos
segmentados para imputaciones mltiples de valores perdidos (disponible en la opcin adicional Valores
perdidos).
Para obtener un libro de cdigos

1. Seleccione en los mens:
Analizar > Informes > Libro de cdigos
2. Pulse en la pestaa Variables.
3. Seleccione una o ms variables y/o conjuntos de respuestas mltiples.
Si lo desea, puede:
v Controlar la informacin de variable que aparece.
v Controlar los estadsticos que aparecen (o excluir todos los estadsticos de resumen).
v Controlar el orden en que aparecen las variables y los conjuntos de respuestas mltiples.
v Cambiar el nivel de medicin de cualquier variable en la lista de origen para modificar los estadsticos
de resumen que aparecen. Consulte el tema Pestaa Estadsticos del libro de cdigos en la pgina 4
para obtener ms informacin.
Cambio del nivel de medicin
Puede cambiar temporalmente el nivel de medicin de variables. (No puede modificar el nivel de
medicin de conjuntos de respuestas mltiples. Se tratarn siempre como nominales.)
1. En la lista de origen, pulse con el botn derecho del ratn en una variable.
2. Seleccione un nivel de medicin del men emergente.
Se modificar el nivel de medicin temporalmente. En trminos prcticos, esto slo es til para variables
numricas. El nivel de medicin de las variables de cadena est restringido a nominal u ordinal, los
cuales reciben el mismo tratamiento por parte del procedimiento del libro de cdigos.
Pestaa Resultados de libro de cdigos

La pestaa Resultados controla la informacin de la variable incluida para cada variable y los conjuntos
de respuestas mltiples, el orden en que aparecern las variables y los conjuntos de respuestas mltiples
y el contenido de la tabla de informacin del archivo opcional.
Informacin de variable
Controla la informacin del diccionario que se muestra para cada variable.
Posicin. Un entero que representa la posicin de la variable en el orden de archivo. No est disponible
para conjuntos de respuestas mltiples.
Copyright IBM Corp. 1989, 2016 1

Etiqueta. La etiqueta descriptiva asociada con la variable o el conjunto de respuesta mltiple.
Tipo. Tipos de datos fundamentales. Puede ser Numrico, Cadena o Conjunto de respuesta mltiple.
Formato. El formato de visualizacin de la variable, como A4, F8.2 o DATE11. No est disponible para
conjuntos de respuestas mltiples.
Nivel de medicin. Los valores posibles son Nominal, Ordinal, Escala y Desconocido. El valor que aparece
es el nivel de medicin guardado en el diccionario y no se ve afectado por ninguna sustitucin de
medicin temporal especificada al modificar el nivel de medicin en la lista de variables de origen de la
pestaa Variables. No est disponible para conjuntos de respuestas mltiples.
Nota: el nivel de medicin de las variables numricas puede ser "desconocido" antes de la primera lectura
de datos si el nivel de medicin no se ha definido de forma explcita, como lecturas de datos de un
origen externo o nuevas variables creadas. Consulte el tema para obtener ms informacin.
Papel. Algunos cuadros de dilogo permiten preseleccionar variables para su anlisis en funcin de
papeles definidos.
Etiquetas de valor. Etiquetas descriptivas asociadas con valores de datos especficos.

v Si selecciona Recuento o Porcentaje en la pestaa Estadsticos, las etiquetas de valor definidas se
incluyen en la distribucin de los resultados incluso si no selecciona las etiquetas de valor aqu.
v Para los conjuntos de dicotomas mltiples, las "etiquetas de valor" son etiquetas de variable de las
variables elementales en el conjunto o las etiquetas de valores contados, dependiendo de cmo se
define el conjunto. Consulte el tema para obtener ms informacin.
Valores perdidos. Valores perdidos del usuario. Si selecciona Recuento o Porcentaje en la pestaa
Estadsticos, las etiquetas de valor definidas se incluyen en la distribucin de los resultados incluso si no
selecciona los valores perdidos aqu. No est disponible para conjuntos de respuestas mltiples.
Atributos personalizados. Atributos de variable personalizados definidos por el usuario. Los resultados
incluyen los nombres y valores de cualquier atributo de variable personalizado asociado con cada
variable. Consulte el tema para obtener ms informacin. No est disponible para conjuntos de respuestas
mltiples.
Atributos reservados. Atributos de variable de sistema reservados. Puede mostrar atributos del sistema,
pero no debe modificarlas. Los nombres de atributos del sistema comienzan por un signo de dlar ($).
No se incluyen los atributos que no se muestran, cuyo nombre comienza por "@" o "$@". Los resultados
incluyen los nombres y valores de cualquier atributo de sistema asociado con cada variable. No est
disponible para conjuntos de respuestas mltiples.
Informacin de archivo
La tabla de informacin del archivo opcional puede incluir cualquiera de los atributos de archivos
siguientes:
Nombre de archivo. Nombre del archivo de datos de IBM SPSS Statistics. Si el conjunto de datos no se
ha guardado nunca en formato de IBM SPSS Statistics, no existe un nombre de archivo de datos. (Si no
aparece un nombre de archivo en la barra de ttulo de la ventana del Editor de datos, el conjunto de
datos activo no tiene un nombre de archivo.)
Posicin. Ubicacin del directorio (carpeta) del archivo de datos de IBM SPSS Statistics. Si el conjunto de
datos no se ha guardado nunca en formato de IBM SPSS Statistics, no existe una ubicacin.
2 IBM SPSS Statistics Base 24

Nmero de casos. Nmero de casos en el conjunto de datos activo. Es el nmero total de casos,
incluyendo los casos que se pueden excluir de los estadsticos de resumen por condiciones de filtro.
Etiqueta. Es la etiqueta del archivo (si tiene alguna) que define el comando FILE LABEL.
Documentos. Texto del documento del archivo de datos.
Estado de ponderacin. Si se encuentra activada la ponderacin, aparece el nombre de la variable de

ponderacin. Consulte el tema para obtener ms informacin.
Atributos personalizados. Atributos de archivos de datos personalizados definidos por el usuario.

Atributos de archivos de datos definidos con el comando DATAFILE ATTRIBUTE.
Atributos reservados. Atributos de archivo de datos de sistema reservados. Puede mostrar atributos del
sistema, pero no debe modificarlas. Los nombres de atributos del sistema comienzan por un signo de
dlar ($). No se incluyen los atributos que no se muestran, cuyo nombre comienza por "@" o "$@". Los
resultados incluyen los nombres y valores de los atributos del archivo de datos del sistema.
Orden de visualizacin de variables
Las siguientes alternativas estn disponibles para controlar el orden en que aparecen las variables y los
conjuntos de respuestas mltiples.
Alfabtico. Orden alfabtico por nombre de variable.
Archivo. El orden en que aparecen las variables en el conjunto de datos (el orden en que aparecen en el
editor de datos). En orden ascendente, los conjuntos de respuestas mltiples aparecen en ltimo lugar,
despus de todas las variables seleccionadas.
Nivel de medicin. Ordenar por nivel de medicin. nominal, ordinal, escala y desconocido. Los
conjuntos de respuestas mltiples se consideran nominales.
Nota: el nivel de medicin de las variables numricas puede ser "desconocido" antes de la primera lectura
de datos si el nivel de medicin no se ha definido de forma explcita, como lecturas de datos de un
origen externo o nuevas variables creadas.
Lista de variables. El orden en que aparecen las variables y conjuntos de respuestas mltiples en la lista
de variables seleccionadas en la pestaa Variables.
Nombre de atributo personalizado. La lista de opciones de orden de clasificacin tambin incluye los
nombres de cualquier atributo de variables personalizadas definidas por el usuario. En orden ascendente,
las variables que no tienen la opcin de clasificacin de atributos al principio, seguidas de las variables
que tienen el atributo pero no los valores definidos del atributo, seguidas de las variables con valores
definidos para el atributo en orden alfabtico de los valores.
Nmero mximo de categoras
Si el resultado incluye etiquetas de valor, los recuentos o porcentajes de cada valor exclusivo, puede
eliminar esta informacin de la tabla si el nmero de los valores excede el valor especificado. De forma
predeterminada, esta informacin se elimina si el nmero de valores exclusivos de la variable es superior
a 200.
Captulo 1. Libro de cdigos 3

Pestaa Estadsticos del libro de cdigos
La pestaa Estadsticos permite controlar los estadsticos de resumen que se incluyen en los resultados o
suprimir la visualizacin de los estadsticos de resumen completamente.
Recuentos y porcentajes
Para las variables nominales y ordinales, conjuntos de respuestas mltiples y valores de etiquetas de
variables de escala, los estadsticos disponibles son:
Recuento. El recuento o nmero de casos que tienen cada valor (o el rango de valores) de una variable.
Porcentaje. Porcentaje de casos que presenta un valor determinado.
Tendencia y dispersin centrales
Para las variables de escala, los estadsticos disponibles son:
Media. Una medida de tendencia central. El promedio aritmtico, la suma dividida por el nmero de
casos.
Desviacin estndar. Una medida de dispersin sobre la media. En una distribucin normal, el 68% de los
casos se encuentra dentro de una desviacin estndar de la media y el 95% queda entre dos desviaciones
estndar. Por ejemplo, si la edad media es de 45 aos, con una desviacin estndar de 10, el 95% de los
casos estara entre los 25 y 65 en una distribucin normal.
Cuartiles. Muestra los valores correspondientes a los percentiles 25, 50 y 75.
Nota: puede modificar de forma temporal el nivel de medicin asociado con una variable (y por lo tanto,
modificar los estadsticos de resumen de la variable) en la lista de variables de origen de la pestaa
Variables.

Captulo 2. Frecuencias
El procedimiento Frecuencias proporciona estadsticos y representaciones grficas que resultan tiles para
describir muchos tipos de variables. El procedimiento Frecuencias es un comienzo para empezar a
consultar los datos.
Para los informes de frecuencias y los grficos de barras, puede organizar los valores distintos en orden
ascendente o descendente u ordenar las categoras por sus frecuencias. Es posible suprimir el informe de
frecuencias cuando una variable posee muchos valores distintos. Puede etiquetar los grficos con las
frecuencias (la opcin predeterminada) o con los porcentajes.
Ejemplo. Cul es la distribucin de los clientes de una empresa por tipo de industria? En los resultados
podra observar que el 37,5% de sus clientes pertenece a agencias gubernamentales, el 24,9% a
corporaciones, el 28,1% a instituciones acadmicas, y el 9,4% a la industria sanitaria. Con respecto a los
datos continuos, cuantitativos, como los ingresos por ventas, podra comprobar que el promedio de
ventas de productos es de 3.576 dlares con una desviacin estndar de 1.078 dlares.
Estadsticos y grficos. Frecuencias, porcentajes, porcentajes acumulados, media, mediana, moda, suma,
desviacin estndar, varianza, amplitud, valores mnimo y mximo, error estndar de la media, asimetra
y curtosis (ambos con sus errores estndar), cuartiles, percentiles especificados por el usuario, grficos de
barras, grficos circulares e histogramas.
Frecuencias: Consideraciones sobre los datos
Datos. Utilice cdigos numricos o cadenas para codificar las variables categricas (mediciones de nivel
nominal u ordinal).
Supuestos. Las tabulaciones y los porcentajes proporcionan una descripcin til para los datos de
cualquier distribucin, especialmente para las variables con categoras ordenadas o desordenadas.
Muchos de los estadsticos de resumen optativos, tales como la media y la desviacin estndar, se basan
en la teora normal y son apropiados para las variables cuantitativas con distribuciones simtricas. Los
estadsticos robustos, tales como la mediana, los cuartiles y los percentiles son apropiados para las
variables cuantitativas que pueden o no cumplir el supuesto de normalidad.
Para obtener tablas de frecuencias

Analizar > Estadsticos descriptivos > Frecuencias...
2. Seleccione una o ms variables categricas o cuantitativas.
Si lo desea, puede:
v Pulsar en Estadsticos para obtener estadsticos descriptivos para las variables cuantitativas.
v Pulsar en Grficos para obtener grficos de barras, grficos circulares e histogramas.
v Pulsar en Formato para determinar el orden en el que se muestran los resultados.
Frecuencias: Estadsticos
Valores percentiles. Los valores de una variable cuantitativa que dividen los datos ordenados en grupos,
de forma que un porcentaje de los casos se encuentre por encima y otro porcentaje se encuentre por
debajo. Los cuartiles (los percentiles 25, 50 y 75) dividen las observaciones en cuatro grupos de igual
tamao. Si desea un nmero igual de grupos que no sea cuatro, seleccione Puntos de corte para n grup

os iguales. Tambin puede especificar percentiles individuales (por ejemplo, el percentil 95, el valor por
debajo del cual se encuentran el 95% de las observaciones).
Tendencia central. Los estadsticos que describen la localizacin de la distribucin, incluyen: Media,
Mediana, Moda y Suma de todos los valores.
v Media. Una medida de tendencia central. El promedio aritmtico, la suma dividida por el nmero de
casos.
v Mediana. Es el valor por encima y por debajo del cual se encuentran la mitad de los casos, el percentil
50. Si hay un nmero par de casos, la mediana es la media de los dos valores centrales, cuando los
casos se ordenan en orden ascendente o descendente. La mediana es una medida de tendencia central
que no es sensible a los valores atpicos (a diferencia de la media, que puede resultar afectada por unos
pocos valores extremadamente altos o bajos).
v Moda. El valor que ocurre con mayor frecuencia. Si varios valores comparten la mayor frecuencia de
aparicin, cada uno de ellos es un modo. El procedimiento de frecuencias devuelve slo el modo ms
pequeo de los modos mltiples.
v Suma. Suma o total de todos los valores, a lo largo de todos los casos con valores no perdidos.
Dispersin. Los estadsticos que miden la cantidad de variacin o de dispersin en los datos, incluyen:
Desviacin estndar, Varianza, Rango, Mnimo, Mximo y Error estndar de la media.
v Desv. estndar. Una medida de dispersin sobre la media. En una distribucin normal, el 68% de los
casos se encuentra dentro de una desviacin estndar de la media y el 95% queda entre dos
desviaciones estndar. Por ejemplo, si la edad media es de 45 aos, con una desviacin estndar de 10,
el 95% de los casos estara entre los 25 y 65 en una distribucin normal.
v Varianza. Medida de dispersin sobre la media, igual a la suma de las desviaciones al cuadrado de la
media divida por el nmero de casos menos uno. La varianza se mide en unidades que son el
cuadrado de las de la variable en cuestin.
v Rango. Diferencia entre los valores mayor y menor de una variable numrica; el mximo menos el
mnimo.
v Mnimo. Se trata del valor menor de una variable numrica.
v Mximo. Se trata del valor mayor de una variable numrica.
v E. T. media. Medida de cunto puede variar el valor de la media de una muestra a otra, extradas stas
de la misma distribucin. Puede utilizarse para comparar de forma aproximada la media observada
respecto a un valor hipotetizado (es decir, se puede concluir que los dos valores son distintos si la
diferencia entre ellos, dividida por el error estndar, es menor que -2 o mayor que +2).
Distribucin. Asimetra y curtosis son estadsticos que describen la forma y la simetra de la distribucin.
Estos estadsticos se muestran con sus errores estndar.
v Asimetra. Medida de la asimetra de una distribucin. La distribucin normal es simtrica y tiene un
valor de asimetra igual a 0. Una distribucin que tenga una asimetra positiva significativa tiene una
cola derecha larga. Una distribucin que tenga una asimetra negativa significativa tiene una cola
izquierda larga. Como regla aproximada, un valor de la asimetra mayor que el doble de su error
estndar se asume que indica una desviacin de la simetra.
v Curtosis. Es una medida del grado en que las observaciones se agrupan en torno a un punto central.
Para una distribucin normal, el valor del estadstico de curtosis es 0. Una curtosis positiva indica que,
con respecto a una distribucin normal, las observaciones se concentran ms en el centro de la
distribucin y presentan colas ms estrechas hasta los valores extremos de la distribucin, en cuyo
punto las colas de la distribucin leptocrtica son ms gruesas con respecto a una distribucin normal.
Una curtosis negativa indica que, con respecto a una distribucin normal, las observaciones se
concentran menos y presentan colas ms gruesas hasta los valores extremos de la distribucin, en cuyo
punto las colas de la distribucin platicrtica son ms estrechas con respecto a una distribucin
normal.

Los valores son puntos medios de grupos. Si los valores de los datos son puntos medios de grupos (por
ejemplo, si las edades de todas las personas entre treinta y cuarenta aos se codifican como 35),
seleccione esta opcin para estimar la mediana y los percentiles para los datos originales no agrupados.
Frecuencias: Grficos
Tipo de grfico. Los grficos circulares muestran la contribucin de las partes a un todo. Cada porcin de
un grfico circular corresponde a un grupo, definido por una nica variable de agrupacin. Los grficos
de barras muestran el recuento de cada valor o categora distinta como una barra diferente, permitiendo
comparar las categoras de forma visual. Los histogramas tambin cuentan con barras, pero se
representan a lo largo de una escala de intervalos iguales. La altura de cada barra es el recuento de los
valores que estn dentro del intervalo para una variable cuantitativa. Los histogramas muestran la forma,
el centro y la dispersin de la distribucin. Una curva normal superpuesta en un histograma ayuda a
juzgar si los datos estn normalmente distribuidos.
Valores del grfico. Para los grficos de barras, puede etiquetar el eje de escala con las frecuencias o los
porcentajes.
Frecuencias: Formato
Ordenar por. La tabla de frecuencias se puede organizar respecto a los valores actuales de los datos o
respecto al recuento (frecuencia de aparicin) de esos valores y la tabla puede organizarse en orden
ascendente o descendente. Sin embargo, si solicita un histograma o percentiles, Frecuencias asumir que
la variable es cuantitativa y mostrar sus valores en orden ascendente.
Mltiples variables. Si desea generar tablas de estadsticos para mltiples variables, podr mostrar todas
las variables en una sola tabla (Comparar variables), o bien mostrar una tabla de estadsticos
independiente para cada variable (Organizar resultados segn variables).
Suprimir tablas con varias categoras. Esta opcin impide que se muestren tablas que contengan ms
valores que el nmero especificado.
Captulo 2. Frecuencias 7
Captulo 3. Descriptivos
El procedimiento Descriptivos muestra estadsticos de resumen univariados para varias variables en una
nica tabla y calcula valores tipificados (puntuaciones z). Las variables se pueden ordenar por el tamao
de sus medias (en orden ascendente o descendente), alfabticamente o por el orden en el que se
seleccionen las variables (el valor predeterminado).
Cuando se guardan las puntuaciones z, stas se aaden a los datos del Editor de datos y quedan
disponibles para los grficos, el listado de los datos y los anlisis. Cuando las variables se registran en
unidades diferentes (por ejemplo, producto interior bruto per cpita y porcentaje de alfabetizacin), una
transformacin de puntuacin z pondr las variables en una escala comn para poder compararlas
visualmente con ms facilidad.
Ejemplo. Si cada caso de los datos contiene los totales de ventas diarias de cada vendedor (por ejemplo,
una entrada para Bob, una para Kim y una para Brian) recogidas cada da durante varios meses, el
procedimiento Descriptivos puede calcular la media diaria de ventas para cada vendedor y ordenar los
resultados del promedio de ventas de mayor a menor.
Estadsticos. Tamao de la muestra, media, mnimo, mximo, desviacin estndar, varianza, rango, suma,
error estndar de la media, curtosis y asimetra con sus errores estndar.
Descriptivos: Consideraciones sobres los datos
Datos. Utilice variables numricas despus de haberlas inspeccionado grficamente para registrar errores,
valores atpicos y anomalas de distribucin. El procedimiento Descriptivos es muy eficaz para archivos
grandes (de miles de casos).
Supuestos. La mayora de los estadsticos disponibles (incluyendo las puntuaciones z) se basan en la

teora normal y son adecuados para variables cuantitativas (mediciones a nivel de razn o de intervalo)
con distribuciones simtricas. Se deben evitar las variables con categoras no ordenadas o distribuciones
asimtricas. La distribucin de puntuaciones z tiene la misma forma que la de los datos originales; por
tanto, el clculo de puntuaciones z no es una solucin para los datos con problemas.
Para obtener estadsticos descriptivos

Analizar > Estadsticos descriptivos > Descriptivos...
2. Seleccione una o ms variables.
Si lo desea, puede:
v Seleccionar Guardar valores tipificados como variables para guardar las puntuaciones z como nuevas
variables.
v Pulsar en Opciones para seleccionar estadsticos opcionales y el orden de presentacin.
Descriptivos: Opciones
Media y suma. Se muestra de forma predeterminada la media o promedio aritmtico.
Dispersin. Los estadsticos que miden la dispersin o variacin en los datos incluyen la desviacin
estndar, la varianza, el rango, el mnimo, el mximo y el error estndar de la media.
v Desv. estndar. Una medida de dispersin sobre la media. En una distribucin normal, el 68% de los
casos se encuentra dentro de una desviacin estndar de la media y el 95% queda entre dos

desviaciones estndar. Por ejemplo, si la edad media es de 45 aos, con una desviacin estndar de 10,
el 95% de los casos estara entre los 25 y 65 en una distribucin normal.
v Varianza. Medida de dispersin sobre la media, igual a la suma de las desviaciones al cuadrado de la
media divida por el nmero de casos menos uno. La varianza se mide en unidades que son el
cuadrado de las de la variable en cuestin.
v Rango. Diferencia entre los valores mayor y menor de una variable numrica; el mximo menos el
mnimo.
v Mnimo. Se trata del valor menor de una variable numrica.
v Mximo. Se trata del valor mayor de una variable numrica.
v E.T media. Medida de cunto puede variar el valor de la media de una muestra a otra, extradas stas
de la misma distribucin. Puede utilizarse para comparar de forma aproximada la media observada
respecto a un valor hipotetizado (es decir, se puede concluir que los dos valores son distintos si la
diferencia entre ellos, dividida por el error estndar, es menor que -2 o mayor que +2).
Distribucin. La curtosis y la asimetra son los estadsticos que caracterizan la forma y simetra de la
distribucin. Estos estadsticos se muestran con sus errores estndar.
v Curtosis. Es una medida del grado en que las observaciones se agrupan en torno a un punto central.
Para una distribucin normal, el valor del estadstico de curtosis es 0. Una curtosis positiva indica que,
con respecto a una distribucin normal, las observaciones se concentran ms en el centro de la
distribucin y presentan colas ms estrechas hasta los valores extremos de la distribucin, en cuyo
punto las colas de la distribucin leptocrtica son ms gruesas con respecto a una distribucin normal.
Una curtosis negativa indica que, con respecto a una distribucin normal, las observaciones se
concentran menos y presentan colas ms gruesas hasta los valores extremos de la distribucin, en cuyo
punto las colas de la distribucin platicrtica son ms estrechas con respecto a una distribucin
normal.
v Asimetra. Medida de la asimetra de una distribucin. La distribucin normal es simtrica y tiene un
valor de asimetra igual a 0. Una distribucin que tenga una asimetra positiva significativa tiene una
cola derecha larga. Una distribucin que tenga una asimetra negativa significativa tiene una cola
izquierda larga. Como regla aproximada, un valor de la asimetra mayor que el doble de su error
estndar se asume que indica una desviacin de la simetra.
Orden de presentacin. De forma predeterminada, las variables se muestran en el orden en que se hayan
seleccionado. Si lo desea, se pueden mostrar las variables alfabticamente, por medias ascendentes o por
medias descendentes.
Caractersticas adicionales del comando DESCRIPTIVES

La sintaxis de comandos tambin le permite:
v Guardar puntuaciones tipificadas (puntuaciones z) para algunas, pero no todas las variables (con el
subcomando VARIABLES).
v Especificar nombres para las variables nuevas que contienen puntuaciones tipificadas (con el
v Excluir del anlisis los casos con valores perdidos para cualquier variable (con el subcomando
MISSING).
v Clasificar las variables de la visualizacin segn el valor de cualquier estadstica, no slo la media
(con el subcomando SORT).
Consulte la Referencia de sintaxis de comandos para obtener informacin completa de la sintaxis.

Captulo 4. Explorar
El procedimiento Explorar genera estadsticos de resumen y representaciones grficas, bien para todos los
casos o bien de forma separada para grupos de casos. Existen numerosas razones para utilizar este
procedimiento: para inspeccionar los datos, identificar valores atpicos, obtener descripciones, comprobar
supuestos y caracterizar diferencias entre subpoblaciones (grupos de casos). La inspeccin de los datos
puede mostrar que existen valores inusuales, valores extremos, discontinuidades en los datos u otras
peculiaridades. La exploracin de los datos puede ayudar a determinar si son adecuadas las tcnicas
estadsticas que est teniendo en consideracin para el anlisis de los datos. La exploracin puede indicar
que necesita transformar los datos si la tcnica necesita una distribucin normal. O bien, el usuario puede
decidir que necesita utilizar pruebas no paramtricas.
Ejemplo. Observe la distribucin de los tiempos de aprendizaje de laberintos de una serie de ratas
sometidas a cuatro programas de refuerzo diferentes. Para cada uno de los cuatro grupos, se puede
observar si la distribucin de tiempos es aproximadamente normal y si las cuatro varianzas son iguales.
Tambin se pueden identificar los casos con los cinco valores de tiempo mayores y los cinco menores. Los
diagramas de caja y los grficos de tallo y hojas resumen grficamente la distribucin del tiempo de
aprendizaje de cada uno de los grupos.
Estadsticos y grficos. Media, mediana, media recortada al 5%, error estndar, varianza, desviacin
estndar, mnimo, mximo, rango, rango intercuartil, asimetra y curtosis y sus errores estndar, intervalo
de confianza para la media (y el nivel de confianza especificado), percentiles, estimador-M de Huber,
estimador en onda de Andrews, estimador-M redescendente de Hampel, estimador biponderado de
Tukey, cinco valores mayores y cinco menores, estadstico de Kolmogorov-Smirnov con el nivel de
significacin de Lilliefors para contrastar la normalidad y estadstico de Shapiro-Wilk. Diagramas de caja,
grficos de tallo y hojas, histogramas, diagramas de normalidad y diagramas de dispersin por nivel con
pruebas de Levene y transformaciones.
Explorar: Consideraciones sobre los datos
Datos. El procedimiento Explorar se puede utilizar para las variables cuantitativas (nivel de medicin de
razn o de intervalo). Una variable de factor (utilizada para dividir los datos en grupos de casos) debe
tener un nmero razonable de valores distintivos (categoras). Estos valores pueden ser de cadena corta o
numricos. La variable de etiquetas de caso, utilizada para etiquetar valores atpicos en los diagramas de
caja, puede ser de cadena corta, de cadena larga (los 15 primeros bytes) o numrica.
Supuestos. La distribucin de los datos no tiene que ser simtrica ni normal.
Para explorar los datos

Analizar > Estadsticos descriptivos > Explorar...
2. Seleccione una o ms variables dependientes.
Si lo desea, puede:
v Seleccionar una o ms variables de factor, cuyos valores definirn grupos de casos.
v Seleccionar una variable de identificacin para etiquetar los casos.
v Pulse en Estadsticos para obtener estimadores robustos, valores atpicos, percentiles y tablas de
frecuencias.
v Pulse en Grficos para obtener histogramas, pruebas y grficos de probabilidad normal y diagramas
de dispersin por nivel con estadsticos de Levene.
v Pulse en Opciones para manipular los valores perdidos.

Explorar: Estadsticos
Descriptivos. De forma predeterminada se muestran estas medidas de dispersin y de tendencia central.
stas ltimas indican la localizacin de la distribucin, e incluyen la media, la mediana y la media
recortada al 5%. Las medidas de dispersin muestran la disimilaridad de los valores, incluyen: los errores
estndar, la varianza, la desviacin estndar, el mnimo, el mximo, el rango y el rango intercuartil. Los
estadsticos descriptivos tambin incluyen medidas de la forma de la distribucin: la asimetra y la
curtosis se muestran con sus errores estndar. Tambin se muestra el intervalo de confianza a un nivel
del 95%; aunque se puede especificar otro nivel.
Estimadores robustos centrales. Alternativas robustas a la mediana y a la media muestral para estimar la
localizacin. Los estimadores calculados se diferencian por las ponderaciones que aplican a los casos. Se
muestran los siguientes: el estimador-M de Huber, el estimador en onda de Andrew, el estimador-M
redescendente de Hampel y el estimador biponderado de Tukey.
Valores atpicos. Muestra los cinco valores mayores y los cinco menores con las etiquetas de caso.
Percentiles. Muestra los valores de los percentiles 5, 10, 25, 50, 75, 90 y 95.
Explorar: Grficos
Diagramas de caja. Estas alternativas controlan la presentacin de los diagramas de caja cuando existe
ms de una variable dependiente. Niveles de los factores juntos genera una presentacin para cada
variable dependiente. En cada una se muestran diagramas de caja para cada uno de los grupos definidos
por una variable de factor. Dependientes juntas genera una presentacin para cada grupo definido por
una variable de factor. En cada una se muestran juntos los diagramas de caja de cada variable
dependiente. Esta disposicin es de gran utilidad cuando las variables representan una misma
caracterstica medida en momentos distintos.
Descriptivos. La seccin Descriptivos permite seleccionar grficos de tallo y hojas e histogramas.
Grficos con pruebas de normalidad. Muestra los diagramas de probabilidad normal y de probabilidad
sin tendencia. Se muestra el estadstico de Kolmogorov-Smirnov con un nivel de significacin de Lilliefors
para contrastar la normalidad. Si se especifican ponderaciones no enteras, se calcular el estadstico de
Shapiro-Wilk cuando el tamao de la muestra ponderada est entre 3 y 50. Si no hay ponderaciones o
stas son enteras, se calcular el estadstico cuando el tamao de la muestra est entre 3 y 5.000.
Dispersin por nivel con prueba de Levene. Controla la transformacin de los datos para los diagramas
de dispersin por nivel. Para todos los diagramas de dispersin por nivel se muestra la inclinacin de la
lnea de regresin y las pruebas robustas de Levene sobre la homogeneidad de varianza. Si selecciona
una transformacin, las pruebas de Levene se basarn en los datos transformados. Si no selecciona
ninguna variable de factor, no se generar ningn diagrama de dispersin por nivel. Estimacin de
potencia produce un grfico de los logaritmos naturales de los rangos intercuartiles respecto a los
logaritmos naturales de las medianas de todas las casillas, as como una estimacin de la transformacin
de potencia necesaria para conseguir varianzas iguales en las casillas. Un diagrama de dispersin por
nivel ayuda a determinar la potencia que precisa una transformacin para estabilizar (igualar) las
varianzas de los grupos. Transformados permite seleccionar una de las alternativas de potencia, quizs
siguiendo las recomendaciones de la estimacin de potencia, y genera grficos de los datos
transformados. Se trazan el rango intercuartil y la mediana de los datos transformados. No
transformados genera grficos de los datos en bruto. Es equivalente a una transformacin con una
potencia de 1.

Explorar: Transformaciones de potencia
A continuacin aparecen las transformaciones de potencia para los diagramas de dispersin por nivel.
Para transformar los datos, deber seleccionar una potencia para la transformacin. Puede elegir una de
las siguientes alternativas:
v Log natural. Transformacin de logaritmo natural. Este es el mtodo predeterminado.
v 1/raz cuadrada. Para cada valor de los datos se calcula el inverso de la raz cuadrada.
v Recproco. Se calcula el inverso de cada valor de los datos.
v Raz cuadrada. Se calcula la raz cuadrada de cada valor de los datos.
v Cuadrado. Se calcula el cuadrado de cada valor de los datos.
v Cubo. Se calcula el cubo de cada valor de los datos.
Explorar: Opciones
Valores perdidos. Controla el tratamiento de los valores perdidos.
v Excluir casos segn lista. Los casos con valores perdidos para cualquier variable de factor o variable
dependiente se excluyen de todos los anlisis. Este es el mtodo predeterminado.
v Excluir casos segn pareja. Los casos con valores no perdidos para las variables de un grupo (casilla)
se incluyen en el anlisis de ese grupo. El caso puede tener valores perdidos para las variables
utilizadas en otros grupos.
v Mostrar los valores. Los valores perdidos para las variables de factor se tratan como una categora
diferente. Todos los resultados se generan para esta categora adicional. Las tablas de frecuencias
incluyen categoras para los valores perdidos. Los valores perdidos para una variable de factor se
incluyen pero se etiquetan como perdidos.
Caractersticas adicionales del comando EXAMINE

El procedimiento Explorar utiliza la sintaxis de comandos EXAMINE. La sintaxis de comandos tambin le
permite:
v Solicitar los grficos y resultados totales adems de los grficos y los resultados para los grupos
definidos por las variables de factor (con el subcomando TOTAL).
v Especificar una escala comn para un grupo de diagramas de caja (con el subcomando SCALE).
v Especificar interacciones de variables de factor (con el subcomando VARIABLES).
v Especificar percentiles distintos de los percentiles predeterminados (con el subcomando PERCENTILES).
v Calcular percentiles respecto a cualquiera de los cinco mtodos (con el subcomando PERCENTILES).
v Especificar una transformacin de potencia para diagramas de dispersin por nivel (con el
subcomando PLOT).
v Especificar el nmero de valores extremos que se van a mostrar (mediante el subcomando
STATISTICS).
v Especificar parmetros para los estimadores robustos centrales, los estimadores robustos de ubicacin
(mediante el subcomando MESTIMATORS).
Captulo 4. Explorar 13
Captulo 5. Tablas cruzadas
El procedimiento Tablas cruzadas crea tablas bidimensionales y multidimensionales y, adems,
proporciona una serie de pruebas y medidas de asociacin para las tablas bidimensionales. La estructura
de la tabla y el hecho de que las categoras estn ordenadas o no determinan las pruebas o medidas que
se utilizaban.
Los estadsticos de tablas cruzadas y las medidas de asociacin slo se calculan para las tablas
bidimensionales. Si especifica una fila, una columna y un factor de capa (variable de control), el
procedimiento Tablas cruzadas crea un panel de medidas y estadsticos asociados para cada valor del
factor de capa (o una combinacin de valores para dos o ms variables de control). Por ejemplo, si sexo es
un factor de capa para una tabla de casado (s, no) en funcin de vida (vida emocionante, rutinaria o
aburrida), los resultados para una tabla bidimensional para las mujeres se calculan de forma
independiente de los resultados de los hombres y se imprimen en paneles uno detrs del otro.
Ejemplo. Es ms probable que los clientes de las empresas pequeas sean ms rentables en la venta de
servicios (por ejemplo, formacin y asesoramiento) que los clientes de las empresas grandes? A partir de
una tabulacin cruzada podra deducir que la prestacin de servicios a la mayora de las empresas
pequeas (con menos de 500 empleados) produce considerables beneficios, mientras que con la mayora
de las empresas de gran tamao (con ms de 2.500 empleados), los beneficios obtenidos son mucho
menores.
Estadsticos y medidas de asociacin. Chi-cuadrado de Pearson, chi-cuadrado de la razn de

verosimilitud, prueba de asociacin lineal por lineal, prueba exacta de Fisher, chi-cuadrado corregido de
Yates, r de Pearson, rho de Spearman, coeficiente de contingencia, phi, V de Cramr, lambdas simtricas y
asimtricas, tau de Kruskal y Goodman, coeficiente de incertidumbre, gamma, d de Somers, tau-b de
Kendall, tau-c de Kendall, coeficiente eta, kappa de Cohen, estimacin de riesgo relativo, razn de las
ventajas, prueba de McNemar y estadsticos de Cochran y Mantel-Haenszel.
Tablas cruzadas: Consideraciones sobre los datos
Datos. Para definir las categoras de cada variable, utilice valores de una variable numrica o de cadena
(ocho bytes o menos). Por ejemplo, para sexo, podra codificar los datos como 1 y 2 o como varn y mujer.
Supuestos. En algunos estadsticos y medidas se asume que hay unas categoras ordenadas (datos
ordinales) o unos valores cuantitativos (datos de intervalos o de proporciones), como se explica en la
seccin sobre los estadsticos. Otros estadsticos son vlidos cuando las variables de la tabla tienen
categoras no ordenadas (datos nominales). Para los estadsticos basados en chi-cuadrado (phi, V de
Cramr y coeficiente de contingencia), los datos deben ser una muestra aleatoria de una distribucin
multinomial.
Nota: las variables ordinales pueden ser cdigos numricos que representen categoras (por ejemplo, 1 =
bajo, 2 = medio, 3 = alto) o valores de cadena. Sin embargo, se supone que el orden alfabtico de los
valores de cadena indica el orden correcto de las categoras. Por ejemplo, en una variable de cadena
cuyos valores sean bajo, medio, alto, se interpreta el orden de las categoras como alto, bajo, medio (orden
que no es el correcto). Por norma general, se puede indicar que es ms fiable utilizar cdigos numricos
para representar datos ordinales.
Para obtener tabulaciones cruzadas

Analizar > Estadsticos descriptivos > Tablas cruzadas...
2. Seleccione una o ms variables de fila y una o ms variables de columna.

Si lo desea, puede:
v Seleccionar una o ms variables de control.
v Pulsar en Estadsticos para obtener pruebas y medidas de asociacin para tablas o subtablas
bidimensionales.
v Pulsar en Casillas para obtener porcentajes, residuos y valores esperados y observados.
v Pulsar en Formato para controlar el orden de las categoras.
Capas de las tablas cruzadas

Si se seleccionan una o ms variables de capas, se generar una tabulacin cruzada por cada categora de
cada variable de capas (variable de control). Por ejemplo, si emplea una variable de fila, una variable de
columna y una variable de capas con dos categoras, obtendr una tabla bidimensional por cada categora
de la variable de capas. Para crear otra capa de variables de control, pulse en Siguiente. Se crean
subtablas para cada combinacin de categoras para cada variable de la 1 capa, cada variable de la 2
capa, y as sucesivamente. Si se solicitan estadsticos y medidas de asociacin, se aplicarn slo a las
tablas bidimensionales.
Grficos de barras agrupadas

Mostrar los grficos de barras agrupadas. Los grficos de barras agrupadas ayudan a resumir los datos
por grupos de casos. Hay una agrupacin de barras por cada valor de la variable especificada en el
cuadro Filas. La variable que define las barras dentro de cada agrupacin es la variable especificada en el
cuadro Columnas. Por cada valor de esta variable hay un conjunto de barras de distinto color o trama. Si
especifica ms de una variable en Columnas o en Filas, se generar un grfico de barras agrupadas por
cada combinacin de dos variables.
Tablas cruzadas mostrando variables de capa en capas de tabla

Mostrar variables de capa en capas de tabla. Puede seleccionar visualizar las variables de capa (variables
de control) como capas en la tabla de tabulacin cruzada. De esta forma podr crear vistas que muestren
los estadsticos globales de las variables de fila y columna y que permitan la obtencin de detalles de las
categoras de las variables de capa.
A continuacin se muestra un ejemplo que utiliza el archivo de datos demo.sav (disponible en el directorio
Samples del directorio de instalacin) y que se ha obtenido de la siguiente forma:
1. Seleccione Categora de ingresos en miles (cating) como la variable de fila, Tiene PDA (pda) como la
variable de columna y Nivel educativo (educ) como la variable de capa.
2. Seleccione Mostrar variables de capa en capas de tabla.
3. Seleccione Columna en el cuadro de dilogo subordinado Mostrar en las casillas.
4. Ejecute el procedimiento de Tablas cruzadas, pulse dos veces en la tabla de tabulacin cruzada y
seleccione Titulacin universitaria de la lista desplegable Nivel de estudios.
La vista seleccionada de la tabla de tabulacin cruzada muestra los estadsticos de encuestados que tienen
un ttulo universitario.
Estadsticos de tablas cruzadas

Chi-cuadrado. Para las tablas con dos filas y dos columnas, seleccione Chi-cuadrado para calcular el
chi-cuadrado de Pearson, el chi-cuadrado de la razn de verosimilitud, la prueba exacta de Fisher y el
chi-cuadrado corregido de Yates (correccin por continuidad). Para las tablas 2x2, se calcula la prueba
exacta de Fisher cuando una tabla (que no resulte de perder columnas o filas en una tabla mayor)
presente una casilla con una frecuencia esperada menor que 5. Para las restantes tablas 2x2 se calcula el
chi-cuadrado corregido de Yates. Para las tablas con cualquier nmero de filas y columnas, seleccione

Chi-cuadrado para calcular el chi-cuadrado de Pearson y el chi-cuadrado de la razn de verosimilitud.
Cuando ambas variables de tabla son cuantitativas, Chi-cuadrado da como resultado la prueba de
asociacin lineal por lineal.
Correlaciones. Para las tablas en las que tanto las columnas como las filas contienen valores ordenados,
Correlaciones da como resultado rho, el coeficiente de correlacin de Spearman (slo datos numricos).
La rho de Spearman es una medida de asociacin entre rdenes de rangos. Cuando ambas variables de
tabla (factores) son cuantitativas, Correlaciones da como resultado r, el coeficiente de correlacin de
Pearson, una medida de asociacin lineal entre las variables.
Nominal. Para los datos nominales (sin orden intrnseco, como catlico, protestante o judo), puede
seleccionar el Coeficiente de contingencia, Phi (coeficiente) y V de Cramr, Lambda (lambdas simtricas
y asimtricas y tau de Kruskal y Goodman) y el Coeficiente de incertidumbre.
v Coeficiente de contingencia. Medida de asociacin basada en chi-cuadrado. El valor vara entre 0 y 1. El
valor 0 indica que no hay asociacin entre las variables de fila y de columna. Los valores cercanos a 1
indican que hay gran relacin entre las variables. El valor mximo posible depende del nmero de filas
y columnas de la tabla.
v Phi y V de Cramer. Phi es una medida de asociacin basada en chi-cuadrado que conlleva dividir el
estadstico de chi-cuadrado por el tamao de la muestra y extraer la raz cuadrada del resultado. V de
Cramer es una medida de asociacin basada en chi-cuadradro.
v Lambda. Medida de asociacin que refleja la reduccin proporcional en el error cuando se utilizan los
valores de la variable independiente para pronosticar los valores de la variable dependiente. Un valor
igual a 1 significa que la variable independiente pronostica perfectamente la variable dependiente. Un
valor igual a 0 significa que la variable independiente no ayuda a pronosticar la variable dependiente.
v Coeficiente de incertidumbre. Medida de asociacin que refleja la reduccin proporcional en el error
cuando se utilizan los valores de una variable para pronosticar los valores de la otra variable. Por
ejemplo, un valor de 0,83 indica que el conocimiento de una variable reduce en un 83% el error al
pronosticar los valores de la otra variable. El programa calcula tanto la versin simtrica como la
asimtrica del coeficiente de incertidumbre.
Ordinal. Para las tablas en las que tanto las filas como las columnas contienen valores ordenados,
seleccione Gamma (orden cero para tablas bidimensionales y condicional para tablas cuyo factor de
clasificacin va de 3 a 10), Tau-b de Kendall y Tau-c de Kendall. Para pronosticar las categoras de
columna de las categoras de fila, seleccione d de Somers.
v Gamma. Medida de asociacin simtrica entre dos variables ordinales cuyo valor siempre est
comprendido entre -1 y 1. Los valores prximos a 1, en valor absoluto, indican una fuerte relacin
entre las dos variables. Los valores prximos a cero indican que hay poca o ninguna relacin entre las
dos variables. Para las tablas bidimensionales, se muestran las gammas de orden cero. Para las tablas
de tres o ms factores de clasificacin, se muestran las gammas condicionales.
v d de Somers. Medida de asociacin entre dos variables ordinales que toma un valor comprendido entre
-1 y 1. Los valores prximos a 1, en valor absoluto, indican una fuerte relacin entre las dos variables.
Los valores prximos a cero indican que hay poca o ninguna relacin entre las dos variables. La d de
Somers es una extensin asimtrica de gamma que difiere slo en la inclusin del nmero de pares no
empatados en la variable independiente. Tambin se calcula una versin no simtrica de este
estadstico.
v Tau-b de Kendall. Medida no paramtrica de la correlacin para variables ordinales o de rangos que
tiene en consideracin los empates. El signo del coeficiente indica la direccin de la relacin y su valor
absoluto indica la fuerza de la relacin. Los valores mayores indican que la relacin es ms estrecha.
Los valores posibles van de -1 a 1, pero un valor de -1 o +1 slo se puede obtener a partir de tablas
cuadradas.
v Tau-c de Kendall. Medida no paramtrica de asociacin para variables ordinales que ignora los empates.
El signo del coeficiente indica la direccin de la relacin y su valor absoluto indica la fuerza de la
relacin. Los valores mayores indican que la relacin es ms estrecha. Los valores posibles van de -1 a
1, pero un valor de -1 o +1 slo se puede obtener a partir de tablas cuadradas.
Captulo 5. Tablas cruzadas 17

Nominal por intervalo. Cuando una variable es categrica y la otra es cuantitativa, seleccione Eta. La
variable categrica debe codificarse numricamente.
v Eta. Medida de asociacin cuyo valor siempre est comprendido entre 0 y 1. El valor 0 indica que no
hay asociacin entre las variables de fila y de columna. Los valores cercanos a 1 indican que hay gran
relacin entre las variables. Eta resulta apropiada para una variable dependiente medida en una escala
de intervalo (por ejemplo, ingresos) y una variable independiente con un nmero limitado de
categoras (por ejemplo, gnero). Se calculan dos valores eta: uno trata la variable de las filas como una
variable de intervalo; el otro trata la variable de las columnas como una variable de intervalo.
Kappa. La kappa de Cohen mide el acuerdo entre las evaluaciones de dos jueces cuando ambos estn
valorando el mismo objeto. Un valor igual a 1 indica un acuerdo perfecto. Un valor igual a 0 indica que
el acuerdo no es mejor que el que se obtendra por azar. Kappa se basa en una tabla cuadrada en la que
los valores de filas y columnas representan la misma escala. Cualquier casilla que tenga valores
observados para una variable pero no para la otra se le asigna un recuento de 0. No se calcula Kappa si
el tipo de almacenamiento de datos (cadena o numrico) no es el mismo para las dos variables. Para una
variable de cadena, ambas variables deben tener la misma longitud definida.
Riesgo. Para tablas 2x2, una medida del grado de asociacin entre la presencia de un factor y la
ocurrencia de un evento. Si el intervalo de confianza para el estadstico incluye un valor de 1, no se
podr asumir que el factor est asociado con el evento. Cuando la ocurrencia del factor es poco comn,
se puede utilizar la razn de las ventajas como estimacin o riesgo relativo.
McNemar. Prueba no paramtrica para dos variables dicotmicas relacionadas. Contrasta los cambios de
respuesta utilizando una distribucin chi-cuadrado. Es til para detectar cambios en las respuestas
causadas por la intervencin experimental en los diseos del tipo "antes-despus". Para las tablas
cuadradas de mayor orden se informa de la prueba de simetra de McNemar-Bowker.
Estadsticos de Cochran y Mantel-Haenszel. Los estadsticos de Cochran y de Mantel-Haenszel se pueden

utilizar para comprobar la independencia entre una variable de factor dicotmica y una variable de
respuesta dicotmica, condicionada por los patrones en las covariables, que vienen definidos por la
variable o variables de las capas (variables de control). Tenga en cuenta que mientras que otros
estadsticos se calculan capa por capa, los estadsticos de Cochran y Mantel-Haenszel se calculan una sola
vez para todas las capas.
Visualizacin en casillas de tablas cruzadas

Para ayudarle a descubrir las tramas en los datos que contribuyen a una prueba de chi-cuadrado
significativa, el procedimiento Tablas cruzadas muestra las frecuencias esperadas y tres tipos de residuos
(desviaciones) que miden la diferencia entre las frecuencias observadas y las esperadas. Cada casilla de la
tabla puede contener cualquier combinacin de recuentos, porcentajes y residuos seleccionados.
Recuentos. El nmero de casos realmente observados y el nmero de casos esperados si las variables de
fila y columna son independientes entre s. Puede optar por ocultar recuentos inferiores un nmero
entero especificado. Los valores ocultos se mostrarn como <N, donde N es el nmero entero
especificado. El entero especificado debe ser mayor o igual a 2, aunque se permite el valor 0 y especifica
que no se hay recuentos ocultos.
Comparar las proporciones de columna. Esta opcin calcula comparaciones por pares de proporciones de
columnas e indica los pares de columnas (de una fila concreta) que son significativamente diferentes. Las
diferencias significativas se indican en la tabla de tabulacin cruzada con formato de estilo APA
utilizando subndices de letras y se calculan con un nivel de significacin de 0,05. Nota: si se especifica
esta opcin sin seleccionar recuentos observados o porcentajes de columnas, se incluirn los recuentos
observados en la tabla de tabulacin cruzada, con subndices de estilo APA indicando los resultados de
las pruebas de proporciones de columnas.

v Corregir valores p (mtodo de Bonferroni). Las comparaciones por parejas de las proporciones de
columnas utilizan la correccin de Bonferroni, que ajusta el nivel de significacin observado por el
hecho de que se realizan mltiples comparaciones.
Porcentajes. Los porcentajes se pueden sumar a travs de las filas o a lo largo de las columnas. Tambin
se encuentran disponibles los porcentajes del nmero total de casos representados en la tabla (una capa).
Nota: si Ocultar recuentos pequeos est seleccionado en el grupo Recuentos, se ocultarn tambin los
porcentajes asociados con recuentos ocultos.
Residuos. Los residuos brutos no tipificados presentan la diferencia entre los valores observados y los
esperados. Tambin se encuentran disponibles los residuos tipificados y tipificados corregidos.
v No tipificados. La diferencia entre un valor observado y el valor esperado. El valor esperado es el
nmero de casos que se esperara encontrar en la casilla si no hubiera relacin entre las dos variables.
Un residuo positivo indica que hay ms casos en la casilla de los que habra en ella si las variables de
fila y columna fueran independientes.
v Tipificados. El residuo dividido por una estimacin de su error estndar. Los residuos tipificados, que
son conocidos tambin como los residuos de Pearson o residuos estandarizados, tienen una media de 0
y una desviacin estndar de 1.
v Tipificados corregidos. El residuo de una casilla (el valor observado menos el valor esperado) dividido
por una estimacin de su error estndar. El residuo estandarizado resultante viene expresado en
unidades de desviacin estndar, por encima o por debajo de la media.
Ponderaciones no enteras. Los recuentos de las casillas suelen ser valores enteros, ya que representan el
nmero de casos de cada casilla. Sin embargo, si el archivo de datos est ponderado en un momento
determinado por una variable de ponderacin con valores fraccionarios (por ejemplo, 1,25), los recuentos
de las casillas pueden que tambin sean valores fraccionarios. Puede truncar o redondear estos valores
antes o despus de calcular los recuentos de las casillas o bien utilizar recuentos de casillas fraccionarios
en la presentacin de las tablas y los clculos de los estadsticos.
v Redondear recuentos de casillas. Las ponderaciones de los casos se utilizan tal cual, pero las
ponderaciones acumuladas en las casillas se redondean antes de calcular cualquiera de los estadsticos.
v Truncar recuentos de casillas. Las ponderaciones de los casos se utilizan tal cual, pero las ponderaciones
acumuladas en las casillas se truncan antes de calcular cualquiera de los estadsticos.
v Redondear ponderaciones de casos. Se redondean las ponderaciones de los casos antes de utilizarlas.
v Truncar ponderaciones de casos. Se truncan las ponderaciones de los casos antes de utilizarlas.
v No efectuar correcciones. Las ponderaciones de los casos se utilizan tal cual y se utilizan los recuentos de
casillas fraccionales. Sin embargo, cuando se solicitan Estadsticos exactos (disponibles slo con la
opcin Pruebas exactas), las ponderaciones acumuladas en las casillas se truncan o redondean antes de
calcular los estadsticos de las Pruebas exactas.
Formato de tablas cruzadas

Puede ordenar las filas en orden ascendente o descendente de los valores de la variable de fila.
Captulo 5. Tablas cruzadas 19

Captulo 6. Resumir
El procedimiento Resumir calcula estadsticos de subgrupo para las variables dentro de las categoras de
una o ms variables de agrupacin. Se cruzan todos los niveles de las variables de agrupacin. Puede
elegir el orden en el que se mostrarn los estadsticos. Tambin se muestran estadsticos de resumen para
cada variable a travs de todas las categoras. Los valores de los datos en cada categora pueden
mostrarse en una lista o suprimirse. Con grandes conjuntos de datos, tiene la opcin de listar slo los
primeros n casos.
Ejemplo. Cul es la media de las ventas por regiones o por tipo de cliente? Podr descubrir que el
importe medio de las ventas es ligeramente superior en la regin occidental respecto a las dems
regiones, y que la media ms alta se da entre los clientes de empresas privadas de la zona occidental .
Estadsticos. Suma, nmero de casos, media, mediana, mediana agrupada, error estndar de la media,
mnimo, mximo, rango, valor de la variable para la primera categora de la variable de agrupacin, valor
de la variable para la ltima categora de la variable de agrupacin, desviacin estndar, varianza,
curtosis, error estndar de curtosis, asimetra, error estndar de asimetra, porcentaje de la suma total,
porcentaje del N total, porcentaje de la suma en, porcentaje de N en, media geomtrica y media armnica.
Resumir: Consideraciones sobre los datos
Datos. Las variables de agrupacin son variables categricas cuyos valores pueden ser numricos o de
cadena. El nmero de categoras debe ser razonablemente pequeo. Las otras variables deben poder
ordenarse mediante rangos.
Supuestos. Algunos de los estadsticos opcionales de subgrupo, como la media y la desviacin estndar,
se basan en la teora normal y son adecuados para variables cuantitativas con distribuciones simtricas.
Los estadsticos robustos, tales como la mediana y el rango, son adecuados para las variables
cuantitativas que pueden o no cumplir el supuesto de normalidad.
Para obtener resmenes de casos

Analizar > Informes > Resmenes de casos...
2. Seleccione una o ms variables.
Si lo desea, puede:
v Seleccionar una o ms variables de agrupacin para dividir los datos en subgrupos.
v Pulsar en Opciones para cambiar el ttulo de los resultados, aadir un texto al pie debajo de los
resultados o excluir los casos con valores perdidos.
v Pulsar en Estadsticos para acceder a estadsticos adicionales.
v Seleccionar Mostrar los casos para listar los casos en cada subgrupo. De forma predeterminada, el
sistema enumera slo los 100 primeros casos del archivo. Puede aumentar o disminuir el valor de
Limitar los casos a los primeros n o desactivar ese elemento para enumerar todos los casos.
Resumir: Opciones
Resumir permite cambiar el ttulo de los resultados o aadir un texto que aparecer debajo de la tabla de
resultados. Puede controlar el ajuste de las lneas en los ttulos y textos escribiendo \n en el lugar donde
desee insertar una lnea de separacin.

Adems, puede elegir entre mostrar o suprimir los subttulos para los totales e incluir o excluir los casos
con valores perdidos para cualquiera de las variables utilizadas en cualquiera de los anlisis. A menudo
es aconsejable representar los casos perdidos en los resultados con un punto o un asterisco. Introduzca un
carcter, frase o cdigo que desee que aparezca cuando haya un valor perdido; de lo contrario, no se
aplicar ningn tratamiento especial a los casos perdidos en los resultados.
Resumir: Estadsticos
Puede elegir uno o ms de los siguientes estadsticos de subgrupo para las variables dentro de cada
categora de cada variable de agrupacin: suma, nmero de casos, media, mediana, mediana agrupada,
error estndar de la media, mnimo, mximo, rango, valor de la variable para la primera categora de la
variable de agrupacin, valor de la variable para la ltima categora de la variable de agrupacin,
desviacin estndar, varianza, curtosis, error estndar de curtosis, asimetra, error estndar de asimetra,
porcentaje de la suma total, porcentaje del N total, porcentaje de la suma en, porcentaje de N en, media
geomtrica y media armnica. El orden en el que aparecen los estadsticos en la lista Estadsticos de
casilla es el orden en el que se mostrarn en los resultados. Tambin se muestran estadsticos de resumen
para cada variable a travs de todas las categoras.
Primero. Muestra el primer valor de los datos encontrado en el archivo de datos.
Media geomtrica. La raz ensima del producto de los valores de los datos, donde n representa el nmero
de casos.
Mediana agrupada. La mediana calculada para los datos que se codifican en grupos. Por ejemplo, con
datos de edades, si cada valor de los 30 se ha codificado como 35, cada valor de los 40 como 45 y as
sucesivamente, la mediana agrupada es la mediana calculada a partir de los datos codificados.
Media armnica. Se utiliza para estimar el tamao promedio de un grupo cuando los tamaos de las
muestras de los grupos no son iguales. La media armnica es el nmero total de muestras divido por la
suma de los inversos de los tamaos de las muestras.
Curtosis. Es una medida del grado en que las observaciones se agrupan en torno a un punto central. Para
una distribucin normal, el valor del estadstico de curtosis es 0. Una curtosis positiva indica que, con
respecto a una distribucin normal, las observaciones se concentran ms en el centro de la distribucin y
presentan colas ms estrechas hasta los valores extremos de la distribucin, en cuyo punto las colas de la
distribucin leptocrtica son ms gruesas con respecto a una distribucin normal. Una curtosis negativa
indica que, con respecto a una distribucin normal, las observaciones se concentran menos y presentan
colas ms gruesas hasta los valores extremos de la distribucin, en cuyo punto las colas de la distribucin
platicrtica son ms estrechas con respecto a una distribucin normal.
ltimo. Muestra el ltimo valor de los datos encontrado en el archivo de datos.
Mximo. Se trata del valor mayor de una variable numrica.
casos.
Mediana. Es el valor por encima y por debajo del cual se encuentran la mitad de los casos, el percentil 50.
Si hay un nmero par de casos, la mediana es la media de los dos valores centrales, cuando los casos se
ordenan en orden ascendente o descendente. La mediana es una medida de tendencia central que no es
sensible a los valores atpicos (a diferencia de la media, que puede resultar afectada por unos pocos
valores extremadamente altos o bajos).
Mnimo. Se trata del valor menor de una variable numrica.
N. Nmero de casos (observaciones o registros).

Porcentaje del N total. Porcentaje del nmero total de casos en cada categora.
Porcentaje de la suma total. Porcentaje de la suma total en cada categora.
Rango. Diferencia entre los valores mayor y menor de una variable numrica; el mximo menos el
mnimo.
Asimetra. Medida de la asimetra de una distribucin. La distribucin normal es simtrica y tiene un

valor de asimetra igual a 0. Una distribucin que tenga una asimetra positiva significativa tiene una cola
derecha larga. Una distribucin que tenga una asimetra negativa significativa tiene una cola izquierda
larga. Como regla aproximada, un valor de la asimetra mayor que el doble de su error estndar se
asume que indica una desviacin de la simetra.
Error estndar de curtosis. La razn de la curtosis sobre su error estndar puede utilizarse como prueba de
normalidad (es decir, se puede rechazar la normalidad si la razn es menor que -2 o mayor que +2). Un
valor grande y positivo para la curtosis indica que las colas son ms largas que las de una distribucin
normal; por el contrario, un valor extremo y negativo indica que las colas son ms cortas (llegando a
tener forma de caja como en la distribucin uniforme).
Error estndar de la media. Medida de cunto puede variar el valor de la media de una muestra a otra,
extradas stas de la misma distribucin. Puede utilizarse para comparar de forma aproximada la media
observada respecto a un valor hipotetizado (es decir, se puede concluir que los dos valores son distintos
si la diferencia entre ellos, dividida por el error estndar, es menor que -2 o mayor que +2).
Error estndar de asimetra. La razn de la asimetra sobre su error estndar puede utilizarse como una
prueba de normalidad (es decir, se puede rechazar la normalidad si la razn es menor que -2 o mayor
que +2). Un valor grande y positivo para la asimetra indica una cola larga a la derecha; un valor extremo
y negativo indica una cola larga por la izquierda
Suma. Suma o total de todos los valores, a lo largo de todos los casos con valores no perdidos.
Varianza. Medida de dispersin sobre la media, igual a la suma de las desviaciones al cuadrado de la
media divida por el nmero de casos menos uno. La varianza se mide en unidades que son el cuadrado
de las de la variable en cuestin.
Captulo 6. Resumir 23
Captulo 7. Medias
El procedimiento Medias calcula medias de subgrupo y estadsticos univariados relacionados para
variables dependientes dentro de las categoras de una o ms variables independientes. Si lo desea, puede
obtener el anlisis de varianza de un factor, la eta y pruebas de linealidad.
Ejemplo. Mida la cantidad media de grasa absorbida en funcin de tres tipos distintos de aceite
comestible y realice un anlisis de varianza de un factor para comprobar si difieren las medias.
curtosis, error estndar de curtosis, asimetra, error estndar de asimetra, porcentaje de la suma total,
porcentaje del N total, porcentaje de la suma en, porcentaje de N en, media geomtrica y media armnica.
Las opciones incluyen: anlisis de varianza, eta, eta cuadrado y pruebas de linealidad de R y R 2.
Medias: Consideraciones sobre los datos
Datos. Las variables dependientes son cuantitativas y las independientes son categricas. Los valores de
las variables categricas pueden ser numricos o de cadena.
Los estadsticos robustos, tales como la mediana son adecuados para las variables cuantitativas que
pueden o no cumplir el supuesto de normalidad. El anlisis de varianza es robusto a las desviaciones de
la normalidad, aunque los datos de cada casilla deberan ser simtricos. El anlisis de varianza tambin
supone que los grupos proceden de poblaciones con la misma varianza. Para comprobar este supuesto,
utilice la prueba de homogeneidad de las varianzas de Levene, disponible en el procedimiento ANOVA
de un factor.
Para obtener medias de subgrupo

Analizar > Comparar medias > Medias...
3. Utilice uno de los siguientes mtodos para seleccionar variables independientes categricas:
v Seleccionar una o ms variables independientes. Se mostrarn resultados individuales para cada
variable independiente.
v Seleccione una o ms capas de variables independientes. Cada capa subdivide consecutivamente la
muestra. Si tiene una variable independiente en Capa 1 y otra variable independiente en Capa 2,
los resultados se mostrarn en una tabla cruzada en contraposicin a tablas individuales para cada
variable independiente.
4. Si lo desea, pulse en Opciones si desea obtener estadsticos opcionales, una tabla de anlisis de
varianza, eta, eta cuadrado, R, y R 2.
Medias: Opciones
You can choose one or more of the following subgroup statistics for the variables within each category of
each grouping variable: suma, nmero de casos, media, mediana, mediana agrupada, error estndar de la
media, mnimo, mximo, rango, valor de la variable para la primera categora de la variable de
agrupacin, valor de la variable para la ltima categora de la variable de agrupacin, desviacin
estndar, varianza, curtosis, error estndar de curtosis, asimetra, error estndar de asimetra, porcentaje

de la suma total, porcentaje del N total, porcentaje de la suma en, porcentaje de N en, media geomtrica,
media armnica. Se puede cambiar el orden de aparicin de los estadsticos de subgrupo. El orden en el
que aparecen en la lista Estadsticos de casilla es el mismo orden que presentarn en los resultados.
Tambin se muestran estadsticos de resumen para cada variable a travs de todas las categoras.
de casos.
casos.
mnimo.


Estadsticos para la primera capa
Tabla de Anova y eta. Muestra una tabla de anlisis de varianza de un factor y calcula la eta y la eta
cuadrado (medidas de asociacin) para cada variable independiente de la primera capa.
Contrastes de linealidad. Calcula la suma de cuadrados, los grados de libertad y la media cuadrtica
asociados a los componentes lineal y no lineal, as como la razn F, la R y la R cuadrado. Si la variable
independiente es una cadena corta entonces la linealidad no se calcula.
Captulo 7. Medias 27
Captulo 8. Cubos OLAP
El procedimiento Cubos OLAP (siglas del ingls On-Line Analytic Processing, Procesamiento analtico
interactivo) calcula totales, medias y otros estadsticos univariantes para variables de resumen continuas
dentro de las categoras de una o ms variables categricas de agrupacin. En la tabla se crear una
nueva capa para cada categora de cada variable de agrupacin.
Ejemplo. El total y el promedio de ventas para diversas regiones y lneas de producto, dentro de las
regiones.
curtosis, error estndar de curtosis, asimetra, error estndar de asimetra, porcentaje de casos totales,
porcentaje de la suma total, porcentaje de casos totales dentro de las variables agrupadas, porcentaje de la
suma total dentro de las variables agrupadas, media geomtrica y media armnica.
Cubos OLAP: Consideraciones sobre los datos
Datos. Las variables de resumen son cuantitativas (variables continuas medidas en una escala de
intervalo o de razn) y las variables de agrupacin son categricas. Los valores de las variables
categricas pueden ser numricos o de cadena.
Los estadsticos robustos, tales como la mediana y el rango, son adecuados para las variables
cuantitativas que pueden o no cumplir el supuesto de normalidad.
Para obtener cubos OLAP

Analizar > Informes > Cubos OLAP...
2. Seleccione una o ms variables de resumen continuas.
3. Seleccione una o ms variables de agrupacin categricas.
Si lo desea:
v Seleccionar diferentes estadsticos de resumen (pulse en Estadsticos). Debe seleccionar una o ms
variables de agrupacin para poder seleccionar estadsticos de resumen.
v Calcule las diferencias existentes entre los pares de variables y los pares de grupos definidos por una
variable de agrupacin (pulse en Diferencias).
v Crear ttulos de tabla personalizados (pulse en Ttulo).
v Oculta recuentos que sean inferiores a un entero especificado. Los valores ocultos se mostrarn como
<N, donde N es el nmero entero especificado. El nmero entero especificado debe ser mayor o igual a
2.
Cubos OLAP: Estadsticos

Puede elegir uno o varios de los siguientes estadsticos de subgrupo para las variables de resumen dentro
de cada categora de cada variable de agrupacin: Suma, Nmero de casos, Media, Mediana, Mediana
agrupada, Error estndar de la media, Mnimo, Mximo, Rango, Valor de la variable para la primera
categora de la variable de agrupacin, Valor de la variable para la ltima categora de la variable de
agrupacin, Desviacin estndar, Varianza, Curtosis, Error estndar de curtosis, Asimetra, Error estndar

de asimetra, Porcentaje de casos totales, Porcentaje de la suma total, Porcentaje de casos totales dentro de
las variables de agrupacin, Porcentaje de la suma total dentro de las variables de agrupacin, Media
geomtrica y Media armnica.
Se puede cambiar el orden de aparicin de los estadsticos de subgrupo. El orden en el que aparecen en
la lista Estadsticos de casilla es el mismo orden que presentarn en los resultados. Tambin se muestran
estadsticos de resumen para cada variable a travs de todas las categoras.
de casos.
casos.
Porcentaje del N en. Porcentaje del nmero de casos para la variable de agrupacin especificada dentro de
las categoras de otras variables de agrupacin. Si slo tiene una variable de agrupacin, este valor es
idntico al porcentaje del nmero de casos total.
Porcentaje de la suma en. Porcentaje de la suma para la variable de agrupacin especificada dentro de las
categoras de otras variables de agrupacin. Si slo tiene una variable de agrupacin, este valor es
idntico al porcentaje de la suma total.

mnimo.

Cubos OLAP: Diferencias

Este cuadro de dilogo le permite calcular el porcentaje y las diferencias aritmticas entre las variables de
resumen o entre los grupos definidos por una variable de agrupacin. Las diferencias se calculan para
todas las medidas seleccionadas en el cuadro de dilogo Cubos OLAP: Estadsticos.
Diferencias entre variables. Calcula las diferencias entre pares de variables. Los valores de los
estadsticos de resumen para la segunda variable de cada par (la variable Menos) se restan de los valores
de los estadsticos de resumen correspondientes a la primera variable del par. En cuanto a las diferencias
porcentuales, el valor de la variable de resumen para la variable Menos es el que se usa como
denominador. Debe seleccionar al menos dos variables de resumen en el cuadro de dilogo principal para
poder especificar las diferencias entre las variables.
Diferencias entre grupos de casos. Calcula las diferencias entre pares de grupos definidos por una
variable de agrupacin. Los valores de los estadsticos de resumen para la segunda categora de cada par
(la variable Menos) se restan de los valores de los estadsticos de resumen correspondientes a la primera
categora del par. Las diferencias porcentuales utilizan el valor del estadstico de resumen de la categora
Captulo 8. Cubos OLAP 31

Menos como denominador. Debe seleccionar una o ms variables de agrupacin en el cuadro de dilogo
principal para poder especificar las diferencias entre los grupos.
Cubos OLAP: Ttulo

Puede cambiar el ttulo de los resultados o aadir un texto al pie que aparecer debajo de la tabla de
resultados. Tambin puede controlar el ajuste de las lneas de los ttulos y de los textos al pie escribiendo
\n en el lugar del texto donde desee insertar una lnea de separacin.

Captulo 9. Pruebas T
Pruebas T
Hay tres tipos de pruebas t:
Prueba T para muestras independientes (prueba T para dos muestras). Compara las medias de una
variable para dos grupos de casos. Se ofrecen estadsticos descriptivos para cada grupo y la prueba de
Levene sobre la igualdad de las varianzas, as como valores t de igualdad de varianzas y varianzas
desiguales y un intervalo de confianza al 95% para la diferencia entre las medias.
Prueba T para muestras relacionadas (prueba T dependiente). Compara las medias de dos variables en
un solo grupo. Esta prueba tambin se utiliza para pares relacionados o diseos de estudio de control de
casos. El resultado incluye estadsticos descriptivos de las variables que se van a contrastar, la correlacin
entre ellas, estadsticos descriptivos de las diferencias emparejadas, la prueba t y un intervalo de
confianza al 95%.
Prueba t para una muestra. Compara la media de una variable con un valor conocido o hipotetizado. Se
muestran estadsticos descriptivos para las variables de contraste junto con la prueba t. De forma
predeterminada, en los resultados se incluye un intervalo de confianza al 95% para la diferencia entre la
media de la variable de contraste y el valor hipotetizado de la prueba.
Prueba T para muestras independientes

El procedimiento Prueba T para muestras independientes compara las medias de dos grupos de casos. Lo
ideal es que para esta prueba los sujetos se asignen aleatoriamente a dos grupos, de forma que cualquier
diferencia en la respuesta sea debida al tratamiento (o falta de tratamiento) y no a otros factores. Este
caso no ocurre si se comparan los ingresos medios para hombres y mujeres. El sexo de una persona no se
asigna aleatoriamente. En estas situaciones, debe asegurarse de que las diferencias en otros factores no
enmascaren o resalten una diferencia significativa entre las medias. Las diferencias de ingresos medios
pueden estar sometidas a la influencia de factores como los estudios (y no solamente el sexo).
Ejemplo. Se asigna aleatoriamente un grupo de pacientes con hipertensin arterial a un grupo con
placebo y otro con tratamiento. Los sujetos con placebo reciben una pastilla inactiva y los sujetos con
tratamiento reciben un nuevo medicamento del cual se espera que reduzca la tensin arterial. Despus de
tratar a los sujetos durante dos meses, se utiliza la prueba t para dos muestras para comparar la tensin
arterial media del grupo con placebo y del grupo con tratamiento. Cada paciente se mide una sola vez y
pertenece a un solo grupo.
Estadsticos. Para cada variable: tamao de la muestra, media, desviacin estndar y error estndar de la
media. Para la diferencia entre las medias: media, error estndar e intervalo de confianza (puede
especificar el nivel de confianza). Pruebas: prueba de Levene sobre la igualdad de varianzas y pruebas t
de varianzas combinadas y separadas sobre la igualdad de las medias.
Prueba T para muestras independientes: Consideraciones sobre los datos
Datos. Los valores de la variable cuantitativa de inters se hallan en una nica columna del archivo de
datos. El procedimiento utiliza una variable de agrupacin con dos valores para separar los casos en dos
grupos. La variable de agrupacin puede ser numrica (valores como 1 y 2, o 6,25 y 12,5) o de cadena
corta (como s y no). Tambin puede usar una variable cuantitativa, como la edad, para dividir los casos
en dos grupos especificando un punto de corte (el punto de corte 21 divide la edad en un grupo de
menos de 21 aos y otro de ms de 21).

Supuestos. Para la prueba t de igualdad de varianzas, las observaciones deben ser muestras aleatorias
independientes de distribuciones normales con la misma varianza de poblacin. Para la prueba t de
varianzas desiguales, las observaciones deben ser muestras aleatorias independientes de distribuciones
normales. La prueba t para dos muestras es bastante robusta a las desviaciones de la normalidad. Al
contrastar las distribuciones grficamente, compruebe que son simtricas y que no contienen valores
atpicos.
Para obtener una prueba T para muestras independientes

Analizar > Comparar medias > Prueba T para muestras independientes...
2. Seleccione una o ms variables de contraste cuantitativas. Se calcula una prueba t para cada variable.
3. Seleccione una sola variable de agrupacin y pulse en Definir grupos para especificar dos cdigos
para los grupos que desee comparar.
4. Si lo desea, puede pulsar en Opciones para controlar el tratamiento de los datos perdidos y el nivel
del intervalo de confianza.
Definicin de grupos en la prueba T para muestras independientes

Para las variables de agrupacin numricas, defina los dos grupos de la prueba t especificando dos
valores o un punto de corte:
v Usar valores especificados. Escriba un valor para el Grupo 1 y otro para el Grupo 2. Los casos con
otros valores quedarn excluidos del anlisis. Los nmeros no tienen que ser enteros (por ejemplo, 6,25
y 12,5 son vlidos).
v Punto de corte. Escriba un nmero que divida los valores de la variable de agrupacin en dos
conjuntos. Todos los casos con valores menores que el punto de corte forman un grupo y los casos con
valores mayores o iguales que el punto de corte forman el otro grupo.
Para las variables de agrupacin de cadena, escriba una cadena para el Grupo 1 y otra para el Grupo 2;
por ejemplo s y no. Los casos con otras cadenas se excluyen del anlisis.
Prueba T para muestras independientes: Opciones

Intervalo de confianza. De forma predeterminada, se muestra un intervalo de confianza al 95% para la
diferencia entre las medias. Introduzca un valor entre 1 y 99 para solicitar otro nivel de confianza.
Valores perdidos. Si ha probado varias variables y se han perdido los datos de una o ms de ellas, puede
indicar al procedimiento qu casos desea incluir (o excluir).
v Excluir casos segn anlisis. Cada prueba t utiliza todos los casos que tienen datos vlidos para las
variables contrastadas. Los tamaos muestrales pueden variar de una prueba a otra.
v Excluir casos segn lista. Cada prueba t utiliza slo aquellos casos que contienen datos vlidos para
todas las variables utilizadas en las pruebas t solicitadas. El tamao de la muestra es constante en
todas las pruebas.
Prueba T para muestras relacionadas

El procedimiento Prueba T para muestras relacionadas compara las medias de dos variables de un solo
grupo. El procedimiento calcula las diferencias entre los valores de las dos variables de cada caso y
contrasta si la media difiere de 0.
Ejemplo. En un estudio sobre la hipertensin sangunea, se toma la tensin a todos los pacientes al
comienzo del estudio, se les aplica un tratamiento y se les toma la tensin otra vez. De esta manera, a
cada sujeto le corresponden dos medidas, normalmente denominadas medidas pre y post. Un diseo
alternativo para el que se utiliza esta prueba consiste en un estudio de pares relacionados o un estudio de
control de casos en el que cada registro en el archivo de datos contiene la respuesta del paciente y de su

sujeto de control correspondiente. En un estudio sobre la tensin sangunea, pueden emparejarse
pacientes y controles por edad (un paciente de 75 aos con un miembro del grupo de control de 75 aos).
Estadsticos. Para cada variable: media, tamao de la muestra, desviacin estndar y error estndar de la
media. Para cada par de variables: correlacin, diferencia promedio entre las medias, prueba t de
intervalo de confianza para la diferencia entre las medias (puede especificarse el nivel de confianza).
Desviacin estndar y error estndar de la diferencia entre las medias.
Prueba T para muestras relacionadas: Consideraciones sobre los datos
Datos. Especifique dos variables cuantitativas (nivel de medicin de intervalo o de razn) para cada
prueba de pares. En un estudio de pares relacionados o de control de casos, la respuesta de cada sujeto
de la prueba y su sujeto de control correspondiente debern hallarse en el mismo caso en el archivo de
datos.
Supuestos. Las observaciones de cada par deben hacerse en las mismas condiciones. Las diferencias entre
las medias deben estar normalmente distribuidas. Las varianzas de cada variable pueden ser iguales o
desiguales.
Para obtener una prueba T para muestras relacionadas

Analizar > Comparar medias > Prueba T para muestras relacionadas...
2. Seleccione uno o ms pares de variables
Prueba T para muestras relacionadas: Opciones

diferencia entre las medias. Introduzca un valor entre 1 y 99 para solicitar otro nivel de confianza.
indicar al procedimiento qu casos desea incluir (o excluir):
v Excluir casos segn anlisis. Cada prueba t utilizar todos los casos que contienen datos vlidos para
la pareja de variables contrastadas. Los tamaos muestrales pueden variar de una prueba a otra.
v Excluir casos segn lista. Cada prueba t utilizar nicamente los casos que contengan datos vlidos
para todas las parejas de variables contrastadas. El tamao de la muestra es constante en todas las
pruebas.
Caractersticas adicionales del comando T-TEST

v Producir pruebas t tanto de una sola muestra como de muestras independientes ejecutando un solo
comando.
v Contrastar una variable con todas las variables de una lista, en una prueba relacionada (mediante el
subcomando PAIRS).
Prueba T para una muestra

El procedimiento Prueba T para una muestra contrasta si la media de una sola variable difiere de una
constante especificada.
Captulo 9. Pruebas T 35
Ejemplos. Un investigador desea comprobar si la puntuacin media del coeficiente intelectual de un
grupo de alumnos difiere de 100. O bien, un fabricante de copos de cereales puede tomar una muestra de
envases de la lnea de produccin y comprobar si el peso medio de las muestras difiere de 1 kg con un
nivel de confianza al 95%.
Estadsticos. Para cada variable de prueba: media, desviacin estndar y error estndar de la media. La
diferencia promedio entre cada valor de los datos y el valor de contraste hipotetizado, una prueba t que
contrasta que esta diferencia es 0 y un intervalo de confianza para la diferencia promedio (para el que
puede especificarse el nivel de confianza).
Prueba T para una muestra: Consideraciones sobre los datos
Datos. Para contrastar los valores de una variable cuantitativa con un valor de contraste hipotetizado,
elija una variable cuantitativa e introduzca un valor de contraste hipotetizado.
Supuestos. Esta prueba asume que los datos estn normalmente distribuidos; sin embargo, esta prueba es
bastante robusto frente a las desviaciones de la normalidad.
Para obtener una prueba T para una muestra

Analizar > Comparar medias > Prueba T para una muestra...
2. Seleccione una o ms variables para contrastarlas con el mismo valor hipotetizado.
3. Introduzca un valor de contraste numrico para compararlo con cada media muestral.
Prueba T para una muestra: Opciones

diferencia entre la media y el valor de contraste hipotetizado. Introduzca un valor entre 1 y 99 para
solicitar otro nivel de confianza.
indicar al procedimiento qu casos desea incluir (o excluir).
v Excluir casos segn anlisis. Cada prueba t utiliza todos los casos que tienen datos vlidos para la
variable contrastada. Los tamaos muestrales pueden variar de una prueba a otra.
v Excluir casos segn lista. Cada prueba t utiliza slo aquellos casos que contienen datos vlidos para
todas las variables utilizadas en las pruebas t solicitadas. El tamao de la muestra es constante en
todas las pruebas.

comando.
subcomando PAIRS).


comando.
subcomando PAIRS).
Captulo 9. Pruebas T 37
Captulo 10. ANOVA de un factor
El procedimiento ANOVA de un factor genera un anlisis de varianza de un factor para una variable
dependiente cuantitativa respecto a una nica variable de factor (la variable independiente). El anlisis de
varianza se utiliza para contrastar la hiptesis de que varias medias son iguales. Esta tcnica es una
extensin de la prueba t para dos muestras.
Adems de determinar que existen diferencias entre las medias, es posible que desee saber qu medias
difieren. Existen dos tipos de contrastes para comparar medias: a priori y post hoc. Los contrastes a priori
se plantean antes de ejecutar el experimento y los contrastes post hoc se realizan despus de haber llevado
a cabo el experimento. Tambin puede contrastar las tendencias existentes a travs de las categoras.
Ejemplo. Las rosquillas absorben diferentes cantidades de grasa cuando se fren. Se plantea un
experimento utilizando tres tipos de grasas: aceite de cacahuete, aceite de maz y manteca de cerdo. El
aceite de cacahuete y el aceite de maz son grasas no saturadas y la manteca es una grasa saturada.
Adems de determinar si la cantidad de grasa absorbida depende del tipo de grasa utilizada, tambin se
podra preparar un contraste a priori para determinar si la cantidad de absorcin de la grasa difiere para
las grasas saturadas y las no saturadas.
Estadsticos. Para cada grupo: nmero de casos, media, desviacin estndar, error estndar de la media,
mnimo, mximo, intervalo de confianza al 95% para la media. Prueba de Levene sobre la homogeneidad
de varianzas, tabla de anlisis de varianza y contrastes robustos de igualdad de medias para cada
variable dependiente, contrastes a priori especificados por el usuario y las pruebas de rango y de
comparaciones mltiples post hoc: Bonferroni, Sidak, diferencia honestamente significativa de Tukey, GT2
de Hochberg, Gabriel, Dunnett, prueba F de Ryan-Einot-Gabriel-Welsch, (R-E-G-W F), prueba de rango de
Ryan-Einot-Gabriel-Welsch (R-E-G-W Q), T2 de Tamhane, T3 de Dunnett, Games-Howell, C, de Dunnett,
prueba de rango mltiple de Duncan, Student-Newman-Keuls (S-N-K), b de Tukey, Waller-Duncan,
Scheff y diferencia menos significativa.
ANOVA de un factor: Consideraciones sobre los datos
Datos. Los valores de la variable de factor deben ser enteros y la variable dependiente debe ser
cuantitativa (nivel de medicin de intervalo).
Supuestos. Cada grupo es una muestra aleatoria independiente procedente de una poblacin normal. El
anlisis de varianza es robusto a las desviaciones de la normalidad, aunque los datos debern ser
simtricos. Los grupos deben proceder de poblaciones con varianzas iguales. Para contrastar este
supuesto, utilice la prueba de Levene de homogeneidad de varianzas.
Para obtener un anlisis de varianza de un factor

Analizar > Comparar medias > ANOVA de un factor...
3. Seleccione una sola variable de factor independiente.
ANOVA de un factor: Contrastes

Puede dividir las sumas de cuadrados inter-grupos en componentes de tendencia o especificar contrastes
a priori.
Polinmico. Divide las sumas de cuadrados inter-grupos en componentes de tendencia. Puede contrastar
la existencia de tendencia en la variable dependiente a travs de los niveles ordenados de la variable de

factor. Por ejemplo, podra contrastar si existe una tendencia lineal (creciente o decreciente) en el salario,
a travs de los niveles ordenados de la titulacin mayor obtenida.
v Orden. Se puede elegir un orden polinmico 1, 2, 3, 4 o 5.
Coeficientes. Contrastes a priori especificados por el usuario que sern contrastados mediante el
estadstico t. Introduzca un coeficiente para cada grupo (categora) de la variable factor y pulse en Aadir
despus de cada entrada. Cada nuevo valor se aade al final de la lista de coeficientes. Para especificar
conjuntos de contrastes adicionales, pulse en Siguiente. Utilice Siguiente y Anterior para desplazarse por
los conjuntos de contrastes.
El orden de los coeficientes es importante porque se corresponde con el orden ascendente de los valores
de las categoras de la variable de factor. El primer coeficiente en la lista se corresponde con el menor de
los valores de grupo en la variable de factor y el ltimo coeficiente se corresponde con el valor ms alto.
Por ejemplo, si existen seis categoras en la variable factor, los coeficientes -1, 0, 0, 0, 0,5 y 0,5 contrastan
el primer grupo con los grupos quinto y sexto. Para la mayora de las aplicaciones, la suma de los
coeficientes debera ser 0. Los conjuntos que no sumen 0 tambin se pueden utilizar, pero aparecer un
mensaje de advertencia.
ANOVA de un factor: Contrastes post hoc

Una vez que se ha determinado que existen diferencias entre las medias, las pruebas de rango post hoc y
las comparaciones mltiples por parejas permiten determinar qu medias difieren. Las pruebas de rango
identifican subconjuntos homogneos de medias que no se diferencian entre s. Las comparaciones
mltiples por parejas contrastan la diferencia entre cada pareja de medias y generan una matriz donde
los asteriscos indican las medias de grupo significativamente diferentes a un nivel alfa de 0,05.
Asumiendo varianzas iguales
La prueba de la diferencia honestamente significativa de Tukey, la GT2 de Hochberg, la prueba de

Gabriel y la prueba de Scheff son pruebas de comparaciones mltiples y pruebas de rango. Otras
pruebas de rango disponibles son la b de Tukey, S-N-K (Student-Newman-Keuls), Duncan, R-E-G-W F
(prueba F de Ryan-Einot-Gabriel-Welsch), R-E-G-W Q (prueba de rango de Ryan-Einot-Gabriel-Welsch) y
Waller-Duncan. Las pruebas de comparaciones mltiples disponibles son Bonferroni, Diferencia
honestamente significativa de Tukey, Sidak, Gabriel, Hochberg, Dunnett, Scheff y DMS (diferencia menos
significativa).
v DMS. Utiliza pruebas t para realizar todas las comparaciones por pares entre las medias de los grupos.
La tasa de error no se corrige para realizar mltiples comparaciones.
v Bonferroni. Utiliza las pruebas de t para realizar comparaciones por pares entre las medias de los
grupos, pero controla la tasa de error global estableciendo que la tasa de error de cada prueba sea igual
a la tasa de error por experimento dividida entre el nmero total de contrastes. As, se corrige el nivel
de significacin observado por el hecho de que se estn realizando mltiples comparaciones.
v Sidak. Prueba de comparaciones mltiples por parejas basada en un estadstico t. La prueba de Sidak
corrige el nivel de significacin para las comparaciones mltiples y da lugar a lmites ms estrechos
que los de Bonferroni.
v Scheffe. Realiza comparaciones mltiples conjuntas por parejas para todas las parejas de combinaciones
de las medias posibles. Utiliza la distribucin muestral F. Puede utilizarse para examinar todas las
combinaciones lineales de grupos de medias posibles, no slo las comparaciones por parejas.
v R-E-G-W F. Procedimiento mltiple por pasos (por tamao de las distancias) de Ryan-Einot-Gabriel-
Welsch que se basa en una prueba F.
v R-E-G-W Q. Procedimiento mltiple por pasos (por tamao de las distancias) de Ryan-Einot-Gabriel-
Welsch que se basa en el rango estudentizado.
v S-N-K. Realiza todas las comparaciones por parejas entre las medias utilizando la distribucin del
rango de Student. Con tamaos de muestras iguales, tambin compara pares de medias dentro de

subconjuntos homogneos utilizando un procedimiento por pasos Las medias se ordenan de mayor a
menor y se comparan primero las diferencias ms extremas.
v Tukey. Utiliza el estadstico del rango estudentizado para realizar todas las comparaciones por pares
entre los grupos. Establece la tasa de error por experimento como la tasa de error para el conjunto de
todas las comparaciones por pares.
v Tukey-b. Prueba que emplea la distribucin del rango estudentizado para realizar comparaciones por
pares entre los grupos. El valor crtico es el promedio de los valores correspondientes a la diferencia
honestamente significativa de Tukey y al mtodo de Student-Newman-Keuls.
v Duncan. Realiza comparaciones por pares utilizando un orden por pasos idntico al orden usado por
la prueba de Student-Newman-Keuls, pero establece un nivel de proteccin en la tasa de error para la
coleccin de contrastes, en lugar de usar una tasa de error para los contrastes individuales. Utiliza el
estadstico del rango estudentizado.
v GT2 de Hochberg. Prueba de comparaciones mltiples y de rango que utiliza el mdulo mximo
estudentizado. Es similar a la prueba de la diferencia honestamente significativa de Tukey.
v Gabriel. Prueba de comparacin por parejas que utiliza el mdulo mximo estudentizado y que es
generalmente ms potente que la GT2 de Hochberg, si los tamaos de las casillas son desiguales. La
prueba de Gabriel se puede convertir en liberal cuando los tamaos de las casillas varan mucho.
v Waller-Duncan. Prueba de comparaciones mltiples basada en un estadstico t. Utiliza la aproximacin
Bayesiana.
v Dunnett. Prueba de comparaciones mltiples por parejas que compara un conjunto de tratamientos
respecto a una nica media de control. La ltima categora es la categora de control predeterminada.
Si lo desea, puede seleccionar la primera categora. Para comprobar que la media de cualquier nivel del
factor (excepto la categora de control) no es igual a la de la categora de control, utilice una prueba
bilateral. Para contrastar si la media en cualquier nivel del factor es menor que la de la categora de
control, seleccione <Control. Para contrastar si la media en cualquier nivel del factor es mayor que la
de la categora de control, seleccione >Control.
No asumiendo varianzas iguales
Las pruebas de comparaciones mltiples que no suponen varianzas iguales son T2 de Tamhane, T3 de
Dunnett, Games-Howell y C de Dunnett.
v T2 de Tamhane. Prueba conservadora de comparacin por parejas basada en la prueba t. Esta prueba es
adecuada cuando las varianzas son desiguales.
v T3 de Dunnett. Prueba de comparacin por parejas basada en el mdulo mximo estudentizado. Esta
prueba es adecuada cuando las varianzas son desiguales.
v Games-Howell. Prueba de comparacin por parejas que es en ocasiones liberal. Esta prueba es adecuada
cuando las varianzas son desiguales.
v C de Dunnett. Prueba de comparacin por parejas basada en el rango estudentizado. Esta prueba es
adecuada cuando las varianzas son desiguales.
Nota: posiblemente le resulte ms fcil interpretar el resultado de los contrastes post hoc si desactiva
Ocultar filas y columnas vacas en el cuadro de dilogo Propiedades de tabla (en una tabla dinmica
activada, seleccione Propiedades de tabla en el men Formato).
ANOVA de un factor: Opciones

Estadsticos. Elija uno o ms entre los siguientes:
v Descriptivos. Calcula los siguientes estadsticos: Nmero de casos, Media, Desviacin estndar, Error
estndar de la media, Mnimo, Mximo y los Intervalos de confianza al 95% de cada variable
dependiente para cada grupo.
v Efectos fijos y aleatorios. Muestra la desviacin estndar, el error estndar y un intervalo de
confianza del 95% para el modelo de efectos fijos, y el error estndar, un intervalo de confianza del
95% y una estimacin de la varianza entre componentes para el modelo de efectos aleatorios.
Captulo 10. ANOVA de un factor 41

v Prueba de homogeneidad de las varianzas. Calcula el estadstico de Levene para contrastar la
igualdad de las varianzas de grupo. Esta prueba no depende del supuesto de normalidad.
v Brown-Forsythe. Calcula el estadstico de Brown-Forsythe para contrastar la igualdad de las medias
de grupo. Este estadstico es preferible al estadstico F si no se supone la igualdad de las varianzas.
v Welch. Calcula el estadstico de Welch para contrastar la igualdad de las medias de grupo. Este
estadstico es preferible al estadstico F si no se supone la igualdad de las varianzas.
Grfico de las medias. Muestra un grfico que representa las medias de los subgrupos (las medias para
cada grupo definido por los valores de la variable factor).

v Excluir casos segn anlisis. Un caso que tenga un valor perdido para la variable dependiente o la
variable de factor en un anlisis determinado, no se utiliza en ese anlisis. Adems, los casos fuera del
rango especificado para la variable de factor no se utilizan.
v Excluir casos segn lista. Se excluyen de todos los anlisis los casos con valores perdidos para la
variable de factor o para cualquier variable dependiente incluida en la lista de variables dependientes
en el cuadro de dilogo principal. Si no se han especificado varias variables dependientes, esta opcin
no surte efecto.
Caractersticas adicionales del comando ONEWAY

v Obtener estadsticos de efectos fijos y aleatorios. Desviacin estndar, error estndar de la media e
intervalos de confianza al 95% para el modelo de efectos fijos. Error estndar, intervalos de confianza al
95% y estimacin de la varianza entre componentes para el modelo de efectos aleatorios (mediante
STATISTICS=EFFECTS).
v Especificar niveles alfa para la menor diferencia de significacin, Bonferroni, pruebas de comparacin
mltiple de Duncan y Scheff (con el subcomando RANGES).
v Escribir una matriz de medias, desviaciones estndar y frecuencias, o leer una matriz de medias,
frecuencias, varianzas combinadas y grados de libertad para las varianzas combinadas. Estas matrices
pueden utilizarse en lugar de los datos en bruto para obtener un anlisis de varianza de un factor (con
el subcomando MATRIX).

Captulo 11. MLG Anlisis univariante
El procedimiento MLG Univariante proporciona un anlisis de regresin y un anlisis de varianza para
una variable dependiente mediante uno o ms factores o variables. Las variables de factor dividen la
poblacin en grupos. Con el procedimiento Modelo lineal general se pueden contrastar hiptesis nulas
sobre los efectos de otras variables en las medias de varias agrupaciones de una nica variable
dependiente. Se pueden investigar las interacciones entre los factores as como los efectos de los factores
individuales, algunos de los cuales pueden ser aleatorios. Adems, se pueden incluir los efectos de las
covariables y las interacciones de covariables con los factores. Para el anlisis de regresin, las variables
(predictoras) independientes se especifican como covariables.
Se pueden contrastar tanto los modelos equilibrados como los no equilibrados. Se considera que un
diseo est equilibrado si cada casilla del modelo contiene el mismo nmero de casos. Adems de
contrastar hiptesis, MLG Univariante genera estimaciones de los parmetros.
Tambin se encuentran disponibles los contrastes a priori de uso ms habitual para contrastar las
hiptesis. Adems, si una prueba F global ha mostrado cierta significacin, pueden emplearse las pruebas
post hoc para evaluar las diferencias entre las medias especficas. Las medias marginales estimadas
ofrecen estimaciones de valores de las medias pronosticados para las casillas del modelo; los grficos de
perfil (grficos de interacciones) de estas medias permiten observar fcilmente algunas de estas
relaciones.
En su archivo de datos puede guardar residuos, valores pronosticados, distancia de Cook y valores de
influencia como variables nuevas para comprobar los supuestos.
Ponderacin MCP permite especificar una variable usada para aplicar a las observaciones una
ponderacin diferente en un anlisis de mnimos cuadrados ponderados (MCP), por ejemplo para
compensar la distinta precisin de las mediciones.
Ejemplo. Se recogen datos de los corredores individuales en el maratn de Chicago durante varios aos.
El tiempo final de cada corredor es la variable dependiente. Influyen otros factores como el clima (fro,
calor o temperatura agradable), los meses de entrenamiento, el nmero de maratones anteriores y el sexo.
La edad se considera una covariable. Observar que el sexo es un efecto significativo y que la interaccin
del sexo con el clima es significativa.
Mtodos. Las sumas de cuadrados de Tipo I, Tipo II, Tipo III y Tipo IV pueden emplearse para evaluar
las diferentes hiptesis. Tipo III es el valor predeterminado.
Estadsticos. Las pruebas de rango post hoc y las comparaciones mltiples: Diferencia menos significativa
(DMS), Bonferroni, Sidak, Scheff, Mltiples F de Ryan-Einot-Gabriel-Welsch (R-E-G-W-F), Rango mltiple
de Ryan-Einot-Gabriel-Welsch, Student-Newman-Keuls (S-N-K), Diferencia honestamente significativa de
Tukey, b de Tukey, Duncan, GT2 de Hochberg, Gabriel, Pruebas t de Waller Duncan, Dunnett (unilateral y
bilateral), T2 de Tamhane, T3 de Dunnett, Games-Howell y C de Dunnett. Estadsticos descriptivos:
medias observadas, desviaciones estndar y frecuencias de todas las variables dependientes en todas las
casillas. Prueba de Levene para la homogeneidad de varianzas.
Diagramas. Diagramas de dispersin por nivel, grficos de residuos, grficos de perfil (interaccin).
MLG Univariante: Consideraciones sobre los datos

Datos. La variable dependiente es cuantitativa. Los factores son categricos; pueden tener valores
numricos o valores de cadena de hasta ocho caracteres. Pueden tener valores numricos o valores de
cadena de hasta ocho caracteres. Las covariables son variables cuantitativas que estn relacionadas con la
variable dependiente.
Supuestos. Los datos son una muestra aleatoria de una poblacin normal; en la poblacin, todas las
varianzas de las casillas son iguales. El anlisis de varianza es robusto a las desviaciones de la
normalidad, aunque los datos debern ser simtricos. Para comprobar los supuestos, puede utilizar la
prueba de homogeneidad de varianzas y los grficos de dispersin por nivel. Tambin puede examinar
los residuos y los grficos de residuos.
Para obtener un anlisis MLG Univariante

Analizar > Modelo lineal general > Univariante...
2. Seleccione una variable dependiente.
3. Seleccione variables para Factores fijos, Factores aleatorios y Covariables, en funcin de los datos.
4. Si lo desea, puede utilizar la Ponderacin MCP para especificar una variable de ponderacin para el
anlisis de mnimos cuadrados ponderados. Si el valor de la variable de ponderacin es cero, negativo
o perdido, el caso queda excluido del anlisis. Una variable que ya se haya utilizado en el modelo no
puede usarse como variable de ponderacin.
MLG: Modelo
Figura 1. Cuadro de dilogo Univariante: Modelo
Especificar modelo. Un modelo factorial completo contiene todos los efectos principales del factor, todos
los efectos principales de las covariables y todas las interacciones factor por factor. No contiene
interacciones de covariable. Seleccione Personalizado para especificar slo un subconjunto de
interacciones o para especificar interacciones factor por covariable. Indique todos los trminos que desee
incluir en el modelo.
Factores y Covariables. Muestra una lista de los factores y las covariables.

Modelo. El modelo depende de la naturaleza de los datos. Despus de seleccionar Personalizado, puede
elegir los efectos principales y las interacciones que sean de inters para el anlisis.
Suma de cuadrados Determina el mtodo para calcular las sumas de cuadrados. Para los modelos
equilibrados y no equilibrados sin casillas perdidas, el mtodo de suma de cuadrados ms utilizado es el
de Tipo III.
Incluir la interseccin en el modelo. La interseccin se incluye normalmente en el modelo. Si supone

que los datos pasan por el origen, puede excluir la interseccin.
Generar trminos
Para las covariables y los factores seleccionados:
Interaccin. Crea el trmino de interaccin de mayor nivel con todas las variables seleccionadas. Este es
el mtodo predeterminado.
Efectos principales. Crea un trmino de efectos principales para cada variable seleccionada.
Todas de 2. Crea todas las interacciones bidimensionales posibles de las variables seleccionadas.
Todas de 3. Crea todas las interacciones tridimensionales posibles de las variables seleccionadas.
Todas de 4. Crea todas las interacciones tetradimensionales posibles de las variables seleccionadas.
Todas de 5. Crea todas las interacciones quntuples posibles de las variables seleccionadas.
Suma de cuadrados
Para el modelo, puede elegir un tipo de suma de cuadrados. El Tipo III es el ms utilizado y es el tipo
predeterminado.
Tipo I. Este mtodo tambin se conoce como el mtodo de descomposicin jerrquica de la suma de
cuadrados. Cada trmino se corrige slo respecto al trmino que le precede en el modelo. El mtodo Tipo
I para la obtencin de sumas de cuadrados se utiliza normalmente para:
v Un modelo ANOVA equilibrado en el que se especifica cualquier efecto principal antes de cualquier
efecto de interaccin de primer orden, cualquier efecto de interaccin de primer orden se especifica
antes de cualquier efecto de interaccin de segundo orden, y as sucesivamente.
v Un modelo de regresin polinmica en el que se especifica cualquier trmino de orden inferior antes
que cualquier trmino de orden superior.
v Un modelo puramente anidado en el que el primer efecto especificado est anidado dentro del
segundo efecto especificado, el segundo efecto especificado est anidado dentro del tercero, y as
sucesivamente. Esta forma de anidamiento solamente puede especificarse utilizando la sintaxis.
Tipo II. Este mtodo calcula cada suma de cuadrados del modelo considerando slo los efectos
pertinentes. Un efecto pertinente es el que corresponde a todos los efectos que no contienen el que se est
examinando. El mtodo de suma de cuadrados de Tipo II se utiliza normalmente para:
v Un modelo ANOVA equilibrado.
v Cualquier modelo que slo tenga efectos de factor principal.
v Cualquier modelo de regresin.
v Un diseo puramente anidado (esta forma de anidamiento solamente puede especificarse utilizando la
sintaxis).
Tipo III. Es el mtodo predeterminado. Este mtodo calcula las sumas de cuadrados de un efecto de
diseo como las sumas de cuadrados corregidas respecto a cualquier otro efecto que no lo contenga y
Captulo 11. MLG Anlisis univariante 45

ortogonales a cualquier efecto (si existe alguno) que lo contenga. Las sumas de cuadrados de Tipo III
tienen una gran ventaja por ser invariables respecto a las frecuencias de casilla, siempre que la forma
general de estimabilidad permanezca constante. As, este tipo de sumas de cuadrados se suele considerar
de gran utilidad para un modelo no equilibrado sin casillas perdidas. En un diseo factorial sin casillas
perdidas, este mtodo equivale a la tcnica de cuadrados ponderados de las medias de Yates. El mtodo
de suma de cuadrados de Tipo III se utiliza normalmente para:
v Cualquiera de los modelos que aparecen en los tipos I y II.
v Cualquier modelo equilibrado o desequilibrado sin casillas vacas.
Tipo IV. Este mtodo est diseado para una situacin en la que hay casillas perdidas. Para cualquier
efecto F en el diseo, si F no est contenida en cualquier otro efecto, entonces Tipo IV = Tipo III = Tipo II.
Cuando F est contenida en otros efectos, el Tipo IV distribuye equitativamente los contrastes que se
realizan entre los parmetros en F a todos los efectos de nivel superior. El mtodo de suma de cuadrados
de Tipo I se utiliza normalmente para:
v Cualquiera de los modelos que aparecen en los tipos I y II.
v Cualquier modelo equilibrado o no equilibrado con casillas vacas.
MLG: Contrastes
Los contrastes se utilizan para contrastar las diferencias entre los niveles de un factor. Puede especificar
un contraste para cada factor en el modelo (en un modelo de medidas repetidas, para cada factor
inter-sujetos). Los contrastes representan las combinaciones lineales de los parmetros.
MLG Univariante. El contraste de hiptesis se basa en la hiptesis nula LB = 0, donde L es la matriz de

coeficientes de contraste y B es el vector de parmetros. Cuando se especifica un contraste, se crea una
matriz L. Las columnas de la matriz L correspondientes al factor coinciden con el contraste. El resto de
las columnas se corrigen para que la matriz L sea estimable.
Los resultados incluyen un estadstico F para cada conjunto de contrastes. Para el contraste de diferencias
tambin se muestran los intervalos de confianza simultneos de tipo Bonferroni basados en la
distribucin t de Student.
Contrastes disponibles
Los contrastes disponibles son de desviacin, simples, de diferencias, de Helmert, repetidos y

polinmicos. En los contrastes de desviacin y los contrastes simples, es posible determinar que la
categora de referencia sea la primera o la ltima categora.
Tipos de contrastes
Desviacin. Compara la media de cada nivel (excepto una categora de referencia) con la media de todos
los niveles (media global). Los niveles del factor pueden colocarse en cualquier orden.
Simple. Compara la media de cada nivel con la media de un nivel especificado. Este tipo de contraste
resulta til cuando existe un grupo de control. Puede seleccionar la primera o la ltima categora como
referencia.
Diferencia. Compara la media de cada nivel (excepto el primero) con la media de los niveles anteriores (a
veces tambin se denominan contrastes de Helmert inversos). (A veces tambin se denominan contrastes
de Helmert inversos).
Helmert. Compara la media de cada nivel del factor (excepto el ltimo) con la media de los niveles
siguientes.
Repetidas. Compara la media de cada nivel (excepto el ltimo) con la media del nivel siguiente.

Polinmico. Compara el efecto lineal, cuadrtico, cbico, etc. El primer grado de libertad contiene el
efecto lineal a travs de todas las categoras; el segundo grado de libertad, el efecto cuadrtico, y as
sucesivamente. Estos contrastes se utilizan a menudo para estimar las tendencias polinmicas.
MLG: Grficos de perfil

Los grficos de perfil (grficos de interaccin) sirven para comparar las medias marginales en el modelo.
Un grfico de perfil es un grfico de lneas en el que cada punto indica la media marginal estimada de
una variable dependiente (corregida respecto a las covariables) en un nivel de un factor. Los niveles de
un segundo factor se pueden utilizar para generar lneas diferentes. Cada nivel en un tercer factor se
puede utilizar para crear un grfico diferente. Todos los factores fijos y aleatorios, si existen, estn
disponibles para los grficos. Para los anlisis multivariantes, los grficos de perfil se crean para cada
variable dependiente. En un anlisis de medidas repetidas, es posible utilizar tanto los factores
inter-sujetos como los intra-sujetos en los grficos de perfil. Las opciones MLG - Multivariante y MLG -
Medidas repetidas slo estarn disponibles si tiene instalada la opcin Estadsticas avanzadas.
Un grfico de perfil de un factor muestra si las medias marginales estimadas aumentan o disminuyen a
travs de los niveles. Para dos o ms factores, las lneas paralelas indican que no existe interaccin entre
los factores, lo que significa que puede investigar los niveles de un nico factor. Las lneas no paralelas
indican una interaccin.
Figura 2. Grfico no paralelo (izquierda) y grfico paralelo (derecha)
Despus de especificar un grfico mediante la seleccin de los factores del eje horizontal y, de manera
opcional, los factores para distintas lneas y grficos, el grfico deber aadirse a la lista de grficos.
Opciones MLG
Este cuadro de dilogo contiene estadsticos opcionales. Los estadsticos se calculan utilizando un modelo
de efectos fijos.
Medias marginales estimadas. Seleccione los factores e interacciones para los que desee obtener
estimaciones de las medias marginales de la poblacin en las casillas. Estas medias se corrigen respecto a
las covariables, si las hay.
v Comparar los efectos principales. Proporciona comparaciones por parejas no corregidas entre las
medias marginales estimadas para cualquier efecto principal del modelo, tanto para los factores
inter-sujetos como para los intra-sujetos. Este elemento slo se encuentra disponible si los efectos
principales estn seleccionados en la lista Mostrar las medias para.
v Ajuste del intervalo de confianza. Seleccione un ajuste de diferencia menor significativa (DMS),
Bonferroni o Sidak para los intervalos de confianza y la significacin. Este elemento slo estar
disponible si se selecciona Comparar los efectos principales.
Representacin. Seleccione Estadsticos descriptivos para generar medias observadas, desviaciones

estndar y frecuencias para cada variable dependiente en todas las casillas. La opcin Estimaciones del
tamao del efecto ofrece un valor parcial de eta-cuadrado para cada efecto y cada estimacin de
parmetros. El estadstico eta cuadrado describe la proporcin de variabilidad total atribuible a un factor.
Seleccione Potencia observada para obtener la potencia de la prueba cuando la hiptesis alternativa se ha
establecido basndose en el valor observado. Seleccione Estimaciones de los parmetros para generar las
estimaciones de los parmetros, los errores estndar, las pruebas t, los intervalos de confianza y la
potencia observada para cada prueba. Seleccione Matriz de coeficientes de contraste para obtener la
matriz L.
Las pruebas de homogeneidad producen la prueba de homogeneidad de varianzas de Levene para cada
variable dependiente en todas las combinaciones de nivel de los factores inter-sujetos slo para factores
inter-sujetos. Las opciones de diagramas de dispersin por nivel y grfico de los residuos son tiles para
comprobar los supuestos sobre los datos. Estos elementos no estarn activado si no hay factores.
Seleccione Grficos de los residuos para generar un grfico de los residuos observados respecto a los
pronosticados respecto a los tipificados para cada variable dependiente. Estos grficos son tiles para
investigar el supuesto de varianzas iguales. Seleccione Falta de ajuste para comprobar si el modelo puede
describir de forma adecuada la relacin entre la variable dependiente y las variables independientes. La
funcin estimable general permite construir pruebas de hiptesis personales basadas en la funcin
estimable general. Las filas en las matrices de coeficientes de contraste son combinaciones lineales de la
funcin estimable general.
Nivel de significacin. Puede que le interese corregir el nivel de significacin usado en las pruebas post
hoc y el nivel de confianza empleado para construir intervalos de confianza. El valor especificado
tambin se utiliza para calcular la potencia observada para la prueba. Si especifica un nivel de
significacin, el cuadro de dilogo mostrar el nivel asociado de los intervalos de confianza.
Caractersticas adicionales del comando UNIANOVA

v Especificar efectos anidados en el diseo (utilizando el subcomando DESIGN).
v Especificar contrastes de los efectos respecto a una combinacin lineal de efectos o un valor (utilizando
el subcomando TEST).
v Especificar varios contrastes (utilizando el subcomando CONTRAST).
v Incluir los valores perdidos del usuario (utilizando el subcomando MISSING).
v Especificar criterios EPS (utilizando el subcomando CRITERIA).
v Construir una matriz L, M o K personalizada (utilizando los subcomandos LMATRIX, MMATRIX y
KMATRIX).
v Para contrastes de desviacin o simples, especifique una categora de referencia intermedia (utilizando
el subcomando CONTRAST).
v Especificar mtricas para contrastes polinmicos (utilizando el subcomando CONTRAST).
v Especificar trminos de error para comparaciones post hoc (utilizando el subcomando POSTHOC).
v Calcular medias marginales estimadas para cualquier factor o interaccin de factores entre los factores
de la lista de factores (utilizando el subcomando EMMEANS).
v Especificar nombres para variables temporales (utilizando el subcomando SAVE).
v Construir un archivo de datos de matriz de correlaciones (utilizando el subcomando OUTFILE).
v Construir un archivo de datos de matriz que contenga estadsticos de la tabla de ANOVA inter-sujetos
(utilizando el subcomando OUTFILE).
v Guardar la matriz de diseo en un archivo de datos nuevo (utilizando el subcomando OUTFILE).
MLG: Comparaciones post hoc

Pruebas de comparaciones mltiples post hoc Una vez que se ha determinado que existen diferencias
entre las medias, las pruebas de rango post hoc y las comparaciones mltiples por parejas permiten
determinar qu medias difieren. Las comparaciones se realizan sobre valores sin corregir. Estas pruebas se
utilizan nicamente para factores inter-sujetos fijos. En MLG Medidas repetidas, estas pruebas no estn

disponibles si no existen factores inter-sujetos y las pruebas de comparacin mltiple post hoc se realizan
para la media a travs de los niveles de los factores intra-sujetos. Para MLG - Multivariante, las pruebas
post hoc se realizan por separado para cada variable dependiente. Las opciones MLG - Multivariante y
MLG - Medidas repetidas slo estarn disponibles si tiene instalada la opcin Estadsticas avanzadas.
Las pruebas de diferencia honestamente significativa de Tukey y de Bonferroni son pruebas de

comparacin mltiple muy utilizadas. La prueba de Bonferroni, basada en el estadstico t de Student,
corrige el nivel de significacin observado por el hecho de que se realizan comparaciones mltiples. La
prueba t de Sidak tambin corrige el nivel de significacin y da lugar a lmites ms estrechos que los de
Bonferroni. La prueba de diferencia honestamente significativa de Tukey utiliza el estadstico del rango
estudentizado para realizar todas las comparaciones por pares entre los grupos y establece la tasa de
error por experimento como la tasa de error para el conjunto de todas las comparaciones por pares.
Cuando se contrasta un gran nmero de pares de medias, la prueba de la diferencia honestamente
significativa de Tukey es ms potente que la prueba de Bonferroni. Para un nmero reducido de pares,
Bonferroni es ms potente.
GT2 de Hochberg es similar a la prueba de la diferencia honestamente significativa de Tukey, pero se

utiliza el mdulo mximo estudentizado. La prueba de Tukey suele ser ms potente. La prueba de
comparacin por parejas de Gabriel tambin utiliza el mdulo mximo estudentizado y es generalmente
ms potente que la GT2 de Hochberg cuando los tamaos de las casillas son desiguales. La prueba de
Gabriel se puede convertir en liberal cuando los tamaos de las casillas varan mucho.
La prueba t de comparacin mltiple por parejas de Dunnett compara un conjunto de tratamientos con
una media de control simple. La ltima categora es la categora de control predeterminada. Si lo desea,
puede seleccionar la primera categora. Asimismo, puede elegir una prueba unilateral o bilateral. Para
comprobar que la media de cualquier nivel del factor (excepto la categora de control) no es igual a la de
la categora de control, utilice una prueba bilateral. Para contrastar si la media en cualquier nivel del
factor es menor que la de la categora de control, seleccione < Control. Asimismo, para contrastar si la
media en cualquier nivel del factor es mayor que la de la categora de control, seleccione > Control.
Ryan, Einot, Gabriel y Welsch (R-E-G-W) desarrollaron dos pruebas de rangos mltiples por pasos. Los
procedimientos mltiples por pasos (por tamao de las distancias) contrastan en primer lugar si todas las
medias son iguales. Si no son iguales, se contrasta la igualdad en los subconjuntos de medias. R-E-G-W F
se basa en una prueba F y R-E-G-W Q se basa en un rango estudentizado. Estas pruebas son ms
potentes que la prueba de rangos mltiples de Duncan y Student-Newman-Keuls (que tambin son
procedimientos mltiples por pasos), pero no se recomiendan para tamaos de casillas desiguales.
Cuando las varianzas son desiguales, utilice T2 de Tamhane (prueba conservadora de comparacin por
parejas basada en una prueba t), T3 de Dunnett (prueba de comparacin por parejas basada en el
mdulo mximo estudentizado), prueba de comparacin por parejas Games-Howell (a veces liberal), o
C de Dunnett (prueba de comparacin por parejas basada en el rango estudentizado). Tenga en cuenta
que estas pruebas no son vlidas y no se realizarn si el modelo tiene mltiples factores.
La prueba de rango mltiple de Duncan, Student-Newman-Keuls (S-N-K) y b de Tukey son pruebas de

rango que asignan rangos a medias de grupo y calculan un valor de rango. Estas pruebas no se utilizan
con la misma frecuencia que las pruebas anteriormente mencionadas.
La prueba t de Waller-Duncan utiliza la aproximacin bayesiana. Esta prueba de rango emplea la media
armnica del tamao de la muestra cuando los tamaos muestrales no son iguales.
El nivel de significacin de la prueba de Scheff est diseado para permitir todas las combinaciones
lineales posibles de las medias de grupo que se van a contrastar, no slo las comparaciones por parejas
disponibles en esta caracterstica. El resultado es que la prueba de Scheff es normalmente ms
conservadora que otras pruebas, lo que significa que se precisa una mayor diferencia entre las medias
para la significacin.

La prueba de comparacin mltiple por parejas de la diferencia menos significativa (DMS) es equivalente
a varias pruebas t individuales entre todos los pares de grupos. La desventaja de esta prueba es que no
se realiza ningn intento de corregir el nivel de significacin observado para realizar las comparaciones
mltiples.
Pruebas mostradas. Se proporcionan comparaciones por parejas para DMS, Sidak, Bonferroni,
Games-Howell, T2 y T3 de Tamhane, C de Dunnett y T3 de Dunnett. Tambin se facilitan subconjuntos
homogneos para S-N-K, b de Tukey, Duncan, R-E-G-W F, R-E-G-W Q y Waller. La prueba de la
diferencia honestamente significativa de Tukey, la GT2 de Hochberg, la prueba de Gabriel y la prueba de
Scheff son pruebas de comparaciones mltiples y pruebas de rango.
Opciones MLG
de efectos fijos.

matriz L.

KMATRIX).
MLG: Guardar
Es posible guardar los valores pronosticados por el modelo, los residuos y las medidas relacionadas como
variables nuevas en el Editor de datos. Muchas de estas variables se pueden utilizar para examinar
supuestos sobre los datos. Si desea almacenar los valores para utilizarlos en otra sesin de IBM SPSS
Statistics, gurdelos en el archivo de datos actual.
Valores pronosticados. Son los valores que predice el modelo para cada caso.
v No tipificados. Valor predicho por el modelo para la variable dependiente.
v Ponderados. Los valores pronosticados no tipificados ponderados. Slo estn disponibles si se
seleccion previamente una variable de ponderacin MCP.
v Error estndar. Estimacin de la desviacin estndar del valor promedio de la variable dependiente
para los casos que tengan los mismos valores en las variables independientes.
Diagnsticos. Son medidas para identificar casos con combinaciones poco usuales de valores para los
casos y las variables independientes que puedan tener un gran impacto en el modelo.
v Distancia de Cook. Una medida de cunto cambiaran los residuos de todos los casos si un caso
particular se excluyera del clculo de los coeficientes de regresin. Una Distancia de Cook grande
indica que la exclusin de ese caso del clculo de los estadsticos de regresin har variar
substancialmente los coeficientes.
v Valores de influencia. Los valores de influencia no centrados. La influencia relativa de una observacin
en el ajuste del modelo.
Residuos. Un residuo no tipificado es el valor real de la variable dependiente menos el valor predicho
por el modelo. Tambin se encuentran disponibles residuos eliminados, estudentizados y tipificados. Si ha
seleccionado una variable MCP, contar adems con residuos no tipificados ponderados.

v No tipificados. Diferencia entre un valor observado y el valor predicho por el modelo.
v Ponderados. Los residuos no tipificados ponderados. Slo estn disponibles si se seleccion
previamente una variable de ponderacin MCP.
v Estudentizados. Residuo dividido por una estimacin de su desviacin estndar que vara de caso en
caso, dependiendo de la distancia de los valores de cada caso en las variables independientes respecto
a las medias en las variables independientes.
v Eliminados. Residuo para un caso cuando ste se excluye del clculo de los coeficientes de la regresin.
Es igual a la diferencia entre el valor de la variable dependiente y el valor predicho corregido.
Estadsticos de los coeficientes. Escribe una matriz varianza-covarianza de las estimaciones de los
parmetros del modelo en un nuevo conjunto de datos de la sesin actual o un archivo de datos externo
de IBM SPSS Statistics. Asimismo, para cada variable dependiente habr una fila de estimaciones de los
parmetros, una fila de valores de significacin para los estadsticos t correspondientes a las estimaciones
de los parmetros y una fila de grados de libertad de los residuos. En un modelo multivariante, existen
filas similares para cada variable dependiente. Si lo desea, puede usar este archivo matricial en otros
procedimientos que lean archivos matriciales.
Opciones MLG
de efectos fijos.

matriz L.


KMATRIX).

Captulo 12. Correlaciones bivariadas
El procedimiento Correlaciones bivariadas calcula el coeficiente de correlacin de Pearson, la rho de
Spearman y la tau-b de Kendall con sus niveles de significacin. Las correlaciones miden cmo estn
relacionadas las variables o los rdenes de los rangos. Antes de calcular un coeficiente de correlacin,
inspeccione los datos para detectar valores atpicos (que pueden generar resultados equvocos) y
evidencias de una relacin lineal. El coeficiente de correlacin de Pearson es una medida de asociacin
lineal. Dos variables pueden estar perfectamente relacionadas, pero si la relacin no es lineal, el
coeficiente de correlacin de Pearson no ser un estadstico adecuado para medir su asociacin.
Ejemplo. Est el nmero de partidos ganados por un equipo de baloncesto correlacionado con el
nmero medio de puntos anotados por partido? Un diagrama de dispersin indica que existe una
relacin lineal. Al analizar los datos de la temporada 19941995 de la NBA, se descubre que el coeficiente
de correlacin de Pearson (0,581) es significativo al nivel 0,01. Se puede sospechar que cuantos ms
partidos se ganen por temporada, menos puntos habrn anotado los adversarios. Estas variables estn
correlacionadas negativamente (-0,401) y la correlacin es significativa al nivel 0,05.
Estadsticos. Para cada variable: nmero de casos sin valores perdidos, media y desviacin estndar. Para
cada par de variables: coeficiente de correlacin de Pearson, rho de Spearman, tau-b de Kendall,
productos vectoriales de las desviaciones y covarianzas.
Correlaciones bivariadas: Consideraciones sobre los datos
Datos. Utilice variables cuantitativas simtricas para el coeficiente de correlacin de Pearson y variables
cuantitativas o variables con categoras ordenadas para la rho de Spearman y la tau-b de Kendall.
Supuestos. El coeficiente de correlacin de Pearson asume que cada pareja de variables es normal
bivariada.
Para obtener correlaciones bivariadas
Seleccione en los mens:
Analizar > Correlaciones > Bivariadas...

1. Seleccione dos o ms variables numricas.
Tambin se encuentran disponibles las siguientes opciones:

v Coeficientes de correlacin. Para las variables cuantitativas, normalmente distribuidas, seleccione el
coeficiente de correlacin de Pearson. Si los datos no estn normalmente distribuidos o tienen
categoras ordenadas, seleccione los correspondientes a la Tau-b de Kendall o Spearman, que miden la
asociacin entre rdenes de rangos. Los coeficientes de correlacin pueden estar entre -1 (una relacin
negativa perfecta) y +1 (una relacin positiva perfecta). Un valor 0 indica que no existe una relacin
lineal. Al interpretar los resultados, se debe evitar extraer conclusiones de causa-efecto a partir de una
correlacin significativa.
v Prueba de significacin. Se pueden seleccionar las probabilidades bilaterales o las unilaterales. Si
conoce de antemano la direccin de la asociacin, seleccione Unilateral. Si no es as, seleccione
Bilateral.
v Sealar las correlaciones significativas. Los coeficientes de correlacin significativos al nivel 0,05 se
identifican por medio de un solo asterisco y los significativos al nivel 0,01 se identifican con dos
asteriscos.

Correlaciones bivariadas: Opciones
Estadsticos. Para las correlaciones de Pearson, se puede elegir una o ambas de estas opciones:
v Medias y desviaciones estndar. Se muestran para cada variable. Tambin se muestra el nmero de
casos con valores no perdidos. Los valores perdidos se consideran segn cada variable individual, sin
tener en cuenta la opcin elegida para la manipulacin de los valores perdidos.
v Desviaciones de productos vectoriales y covarianzas. Se muestran para cada pareja de variables. El
producto vectorial de las desviaciones es igual a la suma de los productos de las variables corregidas
respecto a la media. ste es el numerador del coeficiente de correlacin de Pearson. La covarianza es
una medida no tipificada de la relacin entre dos variables, igual a la desviacin del producto vectorial
dividido por N-1.
Valores perdidos. Puede elegir uno de los siguientes:

v Excluir casos segn pareja. Se excluyen del anlisis los casos con valores perdidos para una o ambas
variables de la pareja que forma un coeficiente de correlacin. Debido a que cada coeficiente est
basado en todos los casos que tienen cdigos vlidos para esa pareja concreta de variables, en cada
clculo se utiliza la mayor cantidad de informacin disponible. Esto puede dar como resultado un
grupo de coeficientes basados en un nmero de casos variable.
v Excluir casos segn lista. Se excluyen de todas las correlaciones los casos con valores perdidos para
cualquier variable.
Caractersticas adicionales de los comandos CORRELATIONS y

NONPAR CORR
v Escribir una matriz de correlaciones para correlaciones de Pearson que pueda ser utilizada en lugar de
los datos en bruto, con el fin de obtener otros anlisis como el anlisis factorial (con el subcomando
MATRIX).
v Obtener correlaciones de todas las variables de una lista con todas las variables de una segunda lista
(utilizando la palabra clave WITH en el subcomando VARIABLES).

Captulo 13. Correlaciones parciales
El procedimiento Correlaciones parciales calcula los coeficientes de correlacin parcial, los cuales
describen la relacin lineal existente entre dos variables mientras se controlan los efectos de una o ms
variables adicionales. Las correlaciones son medidas de asociacin lineal. Dos variables pueden estar
perfectamente relacionadas, pero si la relacin no es lineal, el coeficiente de correlacin no es un
estadstico adecuado para medir su asociacin.
Ejemplo. Existe alguna relacin entre la financiacin sanitaria y las tasas de enfermedad? Aunque cabe
esperar que dicha relacin sea negativa, un estudio describe una correlacin positiva significativa: si la
financiacin sanitaria aumenta, las tasas de enfermedad parecen disminuir. Sin embargo, si se controla la
tasa de visitas de visitadores mdicos, se elimina prcticamente la correlacin positiva observada. La
financiacin sanitaria y las tasas de enfermedad slo parecen estar relacionadas positivamente debido a
que ms personas tienen acceso a la sanidad si la financiacin aumenta, lo que tiene como resultado que
los mdicos y hospitales informen de ms enfermedades.
Estadsticos. Para cada variable: nmero de casos sin valores perdidos, media y desviacin estndar.
Matrices de correlacin de orden cero y parcial, con grados de libertad y niveles de significacin.
Correlaciones parciales: Consideraciones sobre los datos
Datos. Utilice variables cuantitativas y simtricas.
Supuestos. El procedimiento Correlaciones parciales supone que cada par de variables es normal
bivariante.
Para obtener correlaciones parciales

Analizar > Correlaciones > Parcial...
2. Seleccione dos o ms variables numricas para las que se van a calcular las correlaciones parciales.
3. Elija una o ms variables numricas de control.

v Prueba de significacin. Se pueden seleccionar las probabilidades bilaterales o las unilaterales. Si
conoce de antemano la direccin de la asociacin, seleccione Unilateral. Si no es as, seleccione
Bilateral.
v Mostrar el nivel de significacin real. De forma predeterminada, se muestran la probabilidad y los
grados de libertad para cada coeficiente de correlacin. Si anula la seleccin de este elemento, los
coeficientes significativos al nivel 0,05 se identifican con un asterisco, los coeficientes significativos al
nivel 0,01 se identifican con un asterisco doble y se eliminan los grados de libertad. Este ajuste afecta a
las matrices de correlacin parcial y de orden cero.
Correlaciones parciales: Opciones

Estadsticos. Puede elegir una o ambas de las siguientes opciones:
v Medias y desviaciones estndar. Se muestran para cada variable. Tambin se muestra el nmero de
casos con valores no perdidos.
v Correlaciones de orden cero. Se muestra una matriz de las correlaciones simples entre todas las
variables, incluyendo las variables de control.
Valores perdidos. Puede elegir una de las siguientes alternativas:

v Excluir casos segn lista. Se excluyen de todos los clculos los casos que presenten valores perdidos
para cualquier variable, incluso si es para las variables de control.
v Excluir casos segn pareja. Para el clculo de las correlaciones de orden cero, en las que se basan las
correlaciones parciales, no se utilizar un caso si tiene valores perdidos en una o ambas variables de un
par. La eliminacin segn pareja aprovecha el mximo de los datos que sean posibles. Sin embargo, el
nmero de casos puede variar de unos coeficientes a otros. Cuando se activa esta opcin, los grados de
libertad para un coeficiente parcial determinado se basan en el nmero menor de casos utilizado en el
clculo de cualquiera de las correlaciones de orden cero necesarias para el clculo de dicho coeficiente
parcial.
Caractersticas adicionales del comando PARTIAL CORR

v Leer una matriz de correlaciones de orden cero o escribir una matriz de correlaciones parciales
(mediante el subcomando MATRIX).
v Obtener correlaciones parciales entre dos listas de variables (mediante la palabra clave WITH en el
v Obtener anlisis mltiples (mediante varios subcomandos VARIABLES).
v Especificar otros valores para solicitar (por ejemplo, las correlaciones parciales tanto de primer como
de segundo orden) cuando tiene dos variables de control (mediante el subcomando VARIABLES).
v Suprimir coeficientes redundantes (mediante el subcomando FORMAT).
v Mostrar una matriz de correlaciones simples cuando algunos coeficientes no se pueden calcular
(mediante el subcomando STATISTICS).

Captulo 14. Distancias
Este procedimiento calcula una variedad de estadsticos que miden las similitudes o diferencias
(distancias), entre pares de variables o entre pares de casos. Estas medidas de similaridad o de distancia
se pueden utilizar despus con otros procedimientos, como anlisis factorial, anlisis de clsteres o
escalamiento multidimensional, para ayudar en el anlisis de conjuntos de datos complejos.
Ejemplo. Es posible medir similaridades entre pares de automviles en funcin de ciertas caractersticas,
como tipo de motor, consumo y potencia? Al calcular las similitudes entre los coches, se puede obtener
una nocin de qu coches son similares entre s y cules son diferentes. Para un anlisis ms formal,
puede considerar la aplicacin de un anlisis jerrquico de clsteres o escalamiento multidimensional a
las similitudes para explorar la estructura subyacente.
Estadsticos. Las medidas de diferencia (distancia) para datos de un intervalo son Distancia eucldea,
Distancia eucldea al cuadrado, Chebychev, bloque, Minkowski o personalizada; para datos de recuento,
medida de chi-cuadrado o phi-cuadrado; para datos binarios, Distancia eucldea, Distancia eucldea al
cuadrado, diferencia de tamao, diferencia de configuracin, varianza, forma o Lance y Williams. Las
medidas de similitud para datos de intervalos son correlacin de Pearson o coseno; para datos binarios,
Russel y Rao, concordancia simple, Jaccard, Dice, Rogers y Tanimoto, Sokal y Sneath 1, Sokal y Sneath 2,
Sokal y Sneath 3, Kulczynski 1, Kulczynski 2, Sokal y Sneath 4, Hamann, Lambda, D de Anderberg, Y de
Yule, Q de Yule, Ochiai, Sokal y Sneath 5, correlacin Phi de 4 puntos o dispersin.
Para obtener matrices de distancias

Analizar > Correlaciones > Distancias...
2. Seleccione al menos una variable numrica para calcular distancias entre casos o seleccione al menos
dos variables numricas para calcular distancias entre variables.
3. Seleccione una alternativa en el grupo Calcular distancias para calcular proximidades entre casos o
entre variables.
Distancias: Medidas de disimilaridad

En el grupo Medida, seleccione la alternativa que corresponda al tipo de datos (intervalo, recuento o
binario); a continuacin, de la lista desplegable, seleccione una las medidas que corresponda a dicho tipo
de datos. Las medidas disponibles, por tipo de dato, son:
v Datos de intervalo. Distancia eucldea, Distancia eucldea al cuadrado, Chebychev, Bloque, Minkowski
o Personalizada.
v Datos de recuento. Medida de chi-cuadrado o Medida de phi-cuadrado.
v Datos binarios. Distancia eucldea, Distancia eucldea al cuadrado, Diferencia de tamao, Diferencia
de configuracin, Varianza, Forma o Lance y Williams. (Introduzca valores para Presente y Ausente
para especificar cules son los dos valores representativos; las Distancias ignorarn todos los dems
valores.)
El grupo Transformar valores permite estandarizar los valores de los datos para casos o variables antes de
calcular proximidades. Estas transformaciones no se pueden aplicar a los datos binarios. Los mtodos
disponibles de estandarizacin son: Puntuaciones z, Rango -1 a 1, Rango 0 a 1, Magnitud mxima de 1,
Media de 1 o Desviacin estndar 1.
El grupo Transformar medidas permite transformar los valores generados por la medida de distancia. Se
aplican despus de calcular la medida de distancia. Las opciones disponibles son: Valores absolutos,
Cambiar el signo y Cambiar la escala al rango 01.

Distancias: Medidas de similaridad
En el grupo Medida, seleccione la alternativa que corresponda al tipo de datos (intervalo o binario); a
continuacin, de la lista desplegable, seleccione una las medidas que corresponda a dicho tipo de datos.
Las medidas disponibles, por tipo de dato, son:
v Datos de intervalo. Correlacin de Pearson o Coseno.
v Datos binarios. Russel y Rao, Concordancia simple, Jaccard, Dice, Rogers y Tanimoto, Sokal y Sneath
1, Sokal y Sneath 2, Sokal y Sneath 3, Kulczynski 1, Kulczynski 2, Sokal y Sneath 4, Hamann, Lambda,
D de Anderberg, Y de Yule, Q de Yule, Ochiai, Sokal y Sneath 5, Correlacin Phi de 4 puntos o
Dispersin. (Introduzca valores para Presente y Ausente para especificar cules son los dos valores
representativos; las Distancias ignorarn todos los dems valores.)
El grupo Transformar valores permite estandarizar los valores de los datos para casos o variables antes
de calcular proximidades. Estas transformaciones no se pueden aplicar a los datos binarios. Los mtodos
disponibles de estandarizacin son: Puntuaciones z, Rango -1 a 1, Rango 0 a 1, Magnitud mxima de 1,
Media de 1 y Desviacin estndar 1.
El grupo Transformar medidas permite transformar los valores generados por la medida de distancia. Se
aplican despus de calcular la medida de distancia. Las opciones disponibles son: Valores absolutos,
Cambiar el signo y Cambiar la escala al rango 01.
Caractersticas adicionales del comando PROXIMITIES

El procedimiento Distancias utiliza la sintaxis de comandos PROXIMITIES. La sintaxis de comandos
tambin le permite:
v Especificar cualquier nmero entero como la potencia para la medida de distancia de Minkowski.
v Especificar cualquier nmero entero como la potencia y la raz para una medida de distancia
personalizada.

Captulo 15. Modelos lineales
Los modelos lineales predicen un objetivo continuo basndose en relaciones lineales entre el objetivo y
uno o ms predictores.
Los modelos lineales son relativamente simples y proporcionan una frmula matemtica fcil de
interpretar para la puntuacin. Las propiedades de estos modelos se comprenden bien y se pueden crear
rpidamente en comparacin con el resto de tipos de modelos (como redes neuronales o rboles de
decisin) en el mismo conjunto de datos.
Ejemplo. Una corredura de seguros con recursos limitados para investigar las reclamaciones de seguros
de los asegurados desea crear un modelo para estimar los costes de las reclamaciones. Al desplegar este
modelo a los centros de servicio, los representantes pueden introducir informacin de la reclamacin
mientras estn al telfono con un cliente y obtener inmediatamente el coste "esperado" de la reclamacin
en funcin de datos de archivo.
Requisitos de campo. Debe haber un objetivo y al menos una entrada. De forma predeterminada, los
campos con las funciones predefinidas de Ambos o Ninguno no se utilizan. El objetivo debe ser continuo
(escala). No hay ninguna restriccin de nivel de medicin en los predictores (entradas); los campos
categricos (nominal y ordinal) se utilizan como factores en el modelo y los campos continuos se utilizan
como covariables.
Nota: Si un campo categrico tiene ms de 1000 categoras, el procedimiento no se ejecuta y no se genera

ningn modelo.
Para obtener un modelo lineal

Esta caracterstica requiere la opcin Statistics Base.
Analizar > Regresin > Modelos lineales automticos...

1. Asegrese de que hay al menos un destino y una entrada.
2. Pulse en Opciones de generacin para especificar cualquier configuracin de generacin y modelado.
3. Pulse en Opciones de modelo para guardar puntuaciones en el conjunto de datos activo y exportar el
modelo en un archivo externo.
4. Pulse en Ejecutar para ejecutar el procedimiento y crear los objetos Modelo.
Objetivos
Cul es su objetivo principal? Seleccione el objetivo adecuado.
v Crear un modelo estndar. El mtodo crea un nico modelo para pronosticar el objetivo utilizando los
predictores. Por lo general, los modelos estndar son ms fciles de interpretar y pueden ser ms
rpidos de puntuar que conjuntos de datos potenciados, empaquetados o grandes.
v Mejorar la precisin de modelos (boosting). El mtodo crea un modelo de conjunto utilizando
potenciacin, que genera una secuencia de modelos para obtener predicciones ms precisas. Los
conjuntos pueden tardar ms en generarse y puntuarse que un modelo estndar.
La potenciacin produce una sucesin de "modelos de componente", cada uno creado con el conjunto
de datos al completo. Antes de crear cada modelo de componente, los archivos se ponderan basndose
en los residuos de los anteriores modelos de componente. Los casos con muchos residuos reciben
ponderaciones de anlisis relativamente mayores para que el prximo modelo de componente se centre

en predecir bien estos archivos. Juntos, estos modelos de componente forman un modelo de conjunto.
El modelo de conjunto punta nuevos resultados usando una regla de combinacin; las reglas
disponibles dependen del nivel de medicin del objetivo.
v Mejorar la estabilidad de modelos (bagging). El mtodo crea un modelo de conjunto utilizando
bagging (agregacin de simulacin de muestreo), que genera modelos mltiples para obtener
predicciones ms fiables. Los conjuntos pueden tardar ms en generarse y puntuarse que un modelo
estndar.
El la agregacin de simulacin de muestreo (bagging) produce rplicas del conjunto de datos de
entrenamiento haciendo muestras con sustitucin del conjunto de datos original. As crea muestras de
simulacin de muestreo del mismo tamao que el conjunto de datos original. Despus se crea un
"modelo de componente" en cada rplica. Juntos, estos modelos de componente forman un modelo de
conjunto. El modelo de conjunto punta nuevos resultados usando una regla de combinacin; las
reglas disponibles dependen del nivel de medicin del objetivo.
v Crear un modelo para conjuntos de datos muy grandes (requiere IBM SPSS Statistics Server). El
mtodo crea un modelo de conjunto dividiendo el conjunto de datos en bloques de datos separados.
Seleccione esta opcin si su conjunto de datos es demasiado grande para generar cualquiera de los
modelos anteriores o para la generacin incremental de modelos. Esta opcin emplea menos tiempo en
su generacin, pero puede tardar ms en puntuarse que un modelo estndar. Esta opcin requiere
conectividad con IBM SPSS Statistics Server.
Consulte Conjuntos en la pgina 64 para ver la informacin de configuracin relacionada con boosting,
bagging y conjuntos de datos de gran tamao.
Conceptos bsicos
Preparar automticamente datos. Esta opcin permite el procedimiento de transformar de forma interna
el destino y predictores para maximizar el poder predictivo del modelo; las transformaciones se guardan
con el modelo y se aplican a los nuevos datos para su puntuacin. Las versiones originales de los campos
transformados se excluyen del modelo. De forma predeterminada, se realiza la siguiente preparacin
automtica de datos.
v Fecha y hora. Cada predictor de fecha se transforma en un nuevo predictor continuo que contiene el
tiempo transcurrido desde una fecha de referencia (01-01-1970). Cada predictor de hora se transforma
en un nuevo predictor continuo que contiene el tiempo transcurrido desde una hora de referencia
(00:00:00).
v Ajustar nivel de medicin. Los predictores continuos con menos de 5 valores distintos se reestructuran
como predictores ordinales. Los predictores ordinales con ms de 10 valores distintos se reestructuran
como predictores continuos.
v Tratamiento de valores atpicos. Los valores de los predictores continuos que recaen ms all de un
valor de corte (3 desviaciones estndar de la media) se establecen con el valor de corte.
v Manejo de valores perdidos. Los valores perdidos de los predictores nominales se sustituyen por el
modo de la particin de entrenamiento. Los valores perdidos de los predictores ordinales se sustituyen
por la mediana de la particin de entrenamiento. Los valores perdidos de los predictores continuos se
sustituyen por la media de la particin de entrenamiento.
v Fusin supervisada. Hace un modelo ms parsimonioso reduciendo el nmero de campos que deben
procesarse junto con el destino. Las categoras similares se identifican en funcin de la relacin entre la
entrada y destino. Las categoras que no son significativamente diferentes (es decir, que tienen un valor
p superior al valor 0,1) se fusionan. Tenga en cuenta que si todas las categoras se combinan en una, las
versiones original y derivada del campo se excluyen del modelo porque no tienen ningn valor como
predictor.
Nivel de confianza. ste es el nivel de confianza que se utiliza para calcular las estimaciones de
intervalos de los coeficientes de modelos en la vista Coeficientes. Especifique un valor mayor que 0 y
menor que 100. El valor predeterminado es 95.

Seleccin de modelos
Mtodo de seleccin de modelos. Seleccione uno de los mtodos de seleccin de modelos (a
continuacin se encuentran los detalles) o Incluya todos los predictores, que simplemente introduce
todos los predictores disponibles como trminos del modelo de efectos principales. De forma
predeterminada, se utiliza Pasos sucesivos hacia adelante.
Seleccin de Pasos sucesivos hacia adelante. Comienza sin efectos en el modelo y aade y elimina
efectos paso por paso hasta que ya no se puedan aadir o eliminar segn los criterios de los pasos
sucesivos.
v Criterios para entrada/eliminacin. ste es el estadstico utilizado para determinar si debe aadirse o
eliminarse un efecto del modelo. Criterio de informacin (AICC) se basa en la similitud del conjunto
de entrenamiento que se le da al modelo, y se ajusta para penalizar modelos excesivamente complejos.
Estadsticos de F se utiliza en una prueba estadstica de la mejora en el error de modelo. R cuadrado
corregida se basa en el ajuste del conjunto de entrenamiento, y se ajusta para penalizar modelos
excesivamente complejos. Criterio de prevencin sobreajustado (ASE) se basa en el ajuste (error
cuadrado medio o ASE) del conjunto de prevencin sobreajustado. El conjunto de prevencin
sobreajustado es una submuestra aleatoria de aproximadamente el 30% del conjunto de datos original
que no se utiliza para ensear el modelo.
Si se selecciona otro criterio que no sea Estadsticos de F, se aadir al modelo cada paso del efecto
que se corresponda con el aumento positivo mayor en el criterio. Se eliminar cualquier efecto en el
modelo que se corresponda con una disminucin en el criterio.
Si se selecciona Estadsticos de F como criterio, cada paso en el efecto que tenga el valor p ms
pequeo inferior al umbral especificado, se aadir Incluir efectos con valores p inferiores a al
modelo. El valor predeterminado es 0.05. Cualquier efecto en el modelo con un valor p superior al
umbral especificado, Eliminar efectos con valores p mayores que, ser eliminado. El valor
predeterminado es 0.10.
v Personalizar nmero mximo de efectos en el modelo final. De forma predeterminada, pueden
introducirse todos los efectos disponibles en el modelo. Del mismo modo, si el algoritmo por pasos
sucesivos termina con un paso con el nmero mximo de efectos especificado, el algoritmo se detiene
con el conjunto actual de efectos.
v Personalizar nmero mximo de pasos. El algoritmo por pasos sucesivos termina tras un cierto
nmero de pasos. De forma predeterminada, es 3 veces el nmero de efectos disponibles. Del mismo
modo, especifique un entero positivo para el nmero mximo de pasos.
Seleccin de mejores subconjuntos. Comprueba "todos los modelos posibles", o al menos el subconjunto
ms grande de los modelos posibles que los pasos sucesivos hacia adelante, para seleccionar el mejor
segn el criterio de mejores subconjuntos. Criterio de informacin (AICC) se basa en la similitud del
conjunto de entrenamiento que se le da al modelo, y se ajusta para penalizar modelos excesivamente
complejos. R cuadrado corregida se basa en el ajuste del conjunto de entrenamiento, y se ajusta para
penalizar modelos excesivamente complejos. Criterio de prevencin sobreajustado (ASE) se basa en el
ajuste (error cuadrado medio o ASE) del conjunto de prevencin sobreajustado. El conjunto de prevencin
sobreajustado es una submuestra aleatoria de aproximadamente el 30% del conjunto de datos original que
no se utiliza para ensear el modelo.
Se selecciona el modelo con el valor mayor del criterio como el mejor modelo.
Nota: La seleccin de mejores subconjuntos requiere ms trabajo computacional que la seleccin por
pasos sucesivos hacia adelante. Cuando los mejores subconjuntos se procesan junto con boosting, bagging
y conjuntos de datos de gran tamao, la generacin de un modelo estndar generado mediante una
seleccin por pasos sucesivos hacia delante puede tardar considerablemente ms tiempo.
Captulo 15. Modelos lineales 63

Conjuntos
Estos ajustes determinan el comportamiento de la agrupacin que se produce cuando los conjuntos de
datos de gran tamao o de boosting o bagging son obligatorios en Objetivos. Las opciones no aplicables
al objetivo seleccionado se ignorarn.
Bagging y conjuntos de datos muy grandes. Al puntuar un conjunto, sta es la regla utilizada para
combinar los valores pronosticados a partir de los modelos bsicos para calcular el valor de puntuacin
del conjunto.
v Regla de combinacin predeterminada para objetivos continuos. Los valores pronosticados de
conjunto para objetivos continuos pueden combinarse mediante la media o mediana de los valores
pronosticados a partir de los modelos bsicos.
Tenga en cuenta que cuando el objetivo es mejorar la precisin del modelo, se ignoran las selecciones de
reglas de combinacin. El boosting siempre utiliza un voto de mayora ponderada para puntuar objetivos
categricos y una mediana ponderada para puntuar objetivos continuos.
Boosting y bagging. Especifique el nmero de modelos bsicos que debe generarse cuando el objetivo es
mejorar la precisin o estabilidad del modelo; en el caso del bagging, se trata del nmero de muestras de
simulacin de muestreo. Debe ser un nmero entero positivo.
Avanzado
Replicar resultados. Al establecer una semilla aleatoria podr replicar anlisis. El generador de nmeros
aleatorios se utiliza para seleccionar qu registros estn en el conjunto de prevencin sobreajustado.
Especifique un entero o pulse en Generar, lo que crear un entero pseudo-aleatorio entre 1 y 2147483647,
ambos inclusive. El valor predeterminado es 54752075.
Opciones de modelos
Guardar valores predichos en el conjunto de datos. El nombre de variable predeterminado es
PredictedValue.
Exportar modelo. Escribe el modelo en un archivo .zip externo. Puede utilizar este archivo de modelo
para aplicar la informacin del modelo a otros archivos de datos para puntuarlo. Especifique un nombre
de archivo exclusivo vlido. Si la especificacin de archivo hace referencia a un archivo existente, se
sobrescribir el archivo.
Resumen del modelo

La vista Resumen de modelos es una instantnea, un resumen de un vistazo del modelo y su ajuste.
Tabla. La tabla identifica algunos ajustes de modelo de alto nivel, incluyendo:

v Nombre del destino especificado en la pestaa Campos,
v Si la preparacin automtica de los datos se realiz tal como se especificaba en los ajustes de
Procedimientos bsicos,
v El criterio de seleccin y el mtodo de seleccin de modelo especificado en los ajustes de Seleccin de
modelo. Tambin se muestra el valor del criterio de seleccin del modelo final, y viene presentado en
un formato cuanto ms pequeo mejor.
Grfico. El grfico muestra la precisin del modelo final, que se presenta en el formato mayor es mejor.
El valor es 100 R 2 ajustado para el modelo final.

Preparacin automtica de datos
Esta vista muestra informacin a cerca de qu campos se excluyen y cmo los campos transformados se
derivaron en el paso de preparacin automtica de datos (ADP). Para cada campo que fue transformado
o excluido, la tabla enumera el nombre del campo, su papel en el anlisis y la accin tomada por el paso
ADP. Los campos se clasifican por orden alfabtico ascendente de nombres de campo. Las acciones que
puede realizarse para cada campo incluyen:
v Derivar duracin: meses calcula el tiempo transcurrido en meses a partir de los valores de un campo
que contiene las fechas hasta la fecha actual del sistema.
v Derivar duracin: horas calcula el tiempo transcurrido en horas a partir de los valores de un campo
que contiene las horas hasta la hora actual del sistema.
v Cambiar el nivel de medicin de continuo a ordinal reestructura los campos continuos que tienen
menos de 5 valores exclusivos como campos ordinales.
v Cambiar el nivel de medicin de ordinal a continuo reestructura los campos ordinales que tienen
menos de 10 valores exclusivos como campos continuos.
v Recortar valores atpicos define los valores de los predictores continuos que recaen ms all de un
valor de corte (3 desviaciones estndar de la media) con el valor de corte.
v Reemplazar los valores perdidos sustituye los valores perdidos en los campos nominales con el
modo, en los campos ordinales con la mediana y en los campos continuos con la media.
v Fundir categoras para maximizar la asociacin con el destino identifica las categoras de predictor
"similares" en funcin de la relacin entre la entrada y el destino. Las categoras que no son
significativamente diferentes (es decir, que tienen un valor p superior al valor 0,05) se fusionan.
v Excluir predictor constante / tras tratamiento de valores atpicos / tras fundir categoras elimina los
predictores que tienen un nico valor, posiblemente despus de que se hayan realizado otras acciones
de ADP.
Importancia de predictor
Normalmente, desea centrar sus esfuerzos de modelado en los campos del predictor que importan ms y
considera eliminar o ignorar las que importan menos. El predictor de importancia de la variable le ayuda
a hacerlo indicando la importancia relativa de cada predictor en la estimacin del modelo. Como los
valores son relativos, la suma de los valores de todos los predictor de la visualizacin es 1.0. La
importancia del predictor no est relacionada con la precisin del modelo. Slo est relacionada con la
importancia de cada predictor para realizar una prediccin, independientemente de si sta es precisa o
no.
Predicho por observado

Muestra un diagrama de dispersin agrupado de los valores predichos en el eje vertical por los valores
observados en el eje horizontal. En teora, los puntos deberan encontrarse en una lnea de 45 grados; esta
vista puede indicar si hay registros para los que el modelo realiza una prediccin particularmente malo.
Residuos
Muestra un grfico de diagnosis de los residuos del modelo.
Estilos de grfico. Existen varios estilos de visualizacin diferentes, que son accesibles desde la lista
desplegable Estilo.
v Histograma. Se trata de un histograma en intervalos de los residuos estudentizados de una
superposicin de la distribucin normal. Los modelos lineales asumen que los residuos tienen una
distribucin normal, de forma que el histograma debera estar muy cercano a la lnea continua.
v Grfico p-p. Se trata de un grfico probabilidad-probabilidad en intervalos que compara los residuos
estudentizados con una distribucin normal. Si la curva de los puntos representados es menos
pronunciada que la lnea normal, los residuos muestran una variabilidad mayor que una distribucin
normal; si la curva es ms pronunciada, los residuos muestran una variabilidad inferior que una
distribucin normal. Si los puntos representados tienen una curva con forma en S, la distribucin de
los residuos es asimtrica.
Valores atpicos
Esta tabla enumera los registros que ejercen una influencia excesiva sobre el modelo, y muestra el ID de
registro (si se especifica en la pestaa Campos), el valor objetivo y la distancia de Cook. La distancia de
Cook es una medida de cunto cambiaran los residuos de todos los registros si un registro en particular
se excluyera del clculo de los coeficientes del modelo. Una distancia de Cook grande indica que la
exclusin de un registro cambia sustancialmente los coeficientes, y por lo tanto debe considerarse
relevante.
Los registros relevantes deben examinarse cuidadosamente para determinar si puede darles menos
importancia en la estimacin del modelo, truncar los valores atpicos a algn umbral aceptable o eliminar
los registros relevantes completamente.
Efectos
Esta vista muestra el tamao de cada efecto en el modelo.
Estilos. Existen varios estilos de visualizacin diferentes, que son accesibles desde la lista desplegable
Estilo.
v Diagrama. Es un grfico en el que los efectos se clasifican desde arriba hacia abajo con una
importancia de predictores descendente. Las lneas de conexin del diagrama se ponderan tomando
como base la significacin del efecto, con un grosor de lnea mayor co rrespondiente a efectos con
mayor significacin (valores p inferiores). Al pasar el ratn sobre una lnea de conexin se muestra una
ayuda contextual que muestra el valor p y la importancia del efecto. Este es el valor predeterminado.
v Tabla. Se trata de una tabla ANOVA para el modelo completo y los efectos de modelo individuales.
Los efectos individuales se clasifican desde arriba hacia abajo con una importancia de predictores
descendente. Tenga en cuenta que, de forma predeterminada, la tabla se contrae para mostrar
nicamente los resultados del modelo general. Para ver los resultados de los efectos de modelo
individuales, pulse en la casilla Modelo corregido de la tabla.
Importancia del predictor. Existe un control deslizante Importancia del predictor que controla qu
predictores se muestran en la vista. Esto no cambia el modelo, simplemente le permite centrarse en los
predictores ms importantes. De forma predeterminada, se muestran los 10 efectos ms importantes.
Significacin. Existe un control deslizante Significacin que controla an ms qu efectos se muestran en

la vista, a parte de los que se muestran tomando como base la importancia de predictor. Se ocultan los
efectos con valores de significacin superiores al valor del control deslizante. Esto no cambia el modelo,
simplemente le permite centrarse en los efectos ms importantes. El valor predeterminado es 1.00, de
modo que no se filtran efectos tomando como base la significacin.
Coeficientes
Esta vista muestra el valor de cada coeficiente en el modelo. Tenga en cuenta que los factores (predictores
categricos) tienen codificacin de indicador dentro del modelo, de modo que los efectos que contienen
los factores generalmente tendrn mltiples coeficientes asociados: uno por cada categora exceptuando
la categora que corresponde al parmetro (referencia) redundante.
Estilos. Existen varios estilos de visualizacin diferentes, que son accesibles desde la lista desplegable
Estilo.

v Diagrama. Es un grfico que muestra la interseccin primero, y luego clasifica los efectos desde arriba
hacia abajo con una importancia de predictores descendente. Dentro de los efectos que contienen
factores, los coeficientes se clasifican en orden ascendente de valores de datos. Las lneas de conexin
del diagrama se colorean tomando como base el signo del coeficiente (consulte la descripcin del
diagrama) y se ponderan en funcin de la significacin del coeficiente, con un grosor de lnea mayor
correspondiente a coeficientes con mayor significacin (valores p inferiores). Al pasar el ratn sobre una
lnea de conexin se muestra una ayuda contextual que muestra el valor del coeficiente, su valor p y la
importancia del efecto con el que est asociado el parmetro. Este es el estilo predeterminado.
v Tabla. Muestra los valores, las pruebas de significacin y los intervalos de confianza para los
coeficientes de modelos individuales. Tras la interseccin, los efectos se clasifican desde arriba hacia
abajo con una importancia de predictores descendente. Dentro de los efectos que contienen factores, los
coeficientes se clasifican en orden ascendente de valores de datos. Tenga en cuenta que, de forma
predeterminada, la tabla se contrae para mostrar nicamente los resultados de coeficiente, significacin
e importancia de cada parmetro de modelo. Para ver el error estndar, el estadstico t y el intervalo de
confianza, pulse en la casilla Coeficiente de la tabla. Si pasa el ratn sobre el nombre de un parmetro
de modelo en la tabla aparece una ayuda contextual que muestra el nombre del parmetro, el efecto
con el que est asociado y (para los predictores categricos) las etiquetas de valor asociadas con el
parmetro de modelo. Esto puede ser especialmente til para ver las nuevas categoras creadas cuando
la preparacin de datos automtica fusiona categoras similares de un predictor categrico.
Importancia del predictor. Existe un control deslizante Importancia del predictor que controla qu
predictores se muestran en la vista. Esto no cambia el modelo, simplemente le permite centrarse en los
predictores ms importantes. De forma predeterminada, se muestran los 10 efectos ms importantes.
Significacin. Existe un control deslizante Significacin que controla an ms qu coeficientes se

muestran en la vista, a parte de los que se muestran tomando como base la importancia de predictor. Se
ocultan los coeficientes con valores de significacin superiores al valor del control deslizante. Esto no
cambia el modelo, simplemente le permite centrarse en los coeficientes ms importantes. El valor
predeterminado es 1.00, de modo que no se filtran coeficientes tomando como base la significacin.
Medias estimadas
Son grficos representados para predictores significativos. El grfico muestra el valor estimado de modelo
del objetivo en el eje vertical de cada valor del predictor en el eje horizontal, que alberga el resto de los
predictores constantes. Proporciona una visualizacin til de los efectos de los coeficientes de cada
predictor en el objetivo.
Nota: si no hay predictores significativos, no se generan medias estimadas.
Resumen de generacin de modelos

Cuando se selecciona un algoritmo de seleccin de modelos que no sea Ninguno, proporciona algunos
detalles del proceso de generacin de modelos.
Pasos sucesivos hacia adelante. Cuando la seleccin por pasos hacia adelante es el algoritmo de
seleccin, la tabla muestra los ltimos 10 pasos en el algoritmo de seleccin por pasos hacia adelante.
Para cada paso, se muestran el valor del criterio de seleccin y los efectos en el modelo en ese paso. Esto
ofrece el sentido del grado de contribucin de cada paso al modelo. Cada columna le permite clasificar
las filas, de modo que es posible ver con mayor facilidad qu efectos hay en un paso en particular.
Mejores subconjuntos. Cuando Mejores subconjuntos es el algoritmo de seleccin, la tabla muestra los 10
modelos principales. Para cada modelo, se muestran el valor del criterio de seleccin y los efectos en el
modelo. Esto ofrece un sentido de la estabilidad de los modelos principales; si tienden a tener muchos
efectos similares con pocas diferencias, puede tenerse una confianza casi completa en el modelo
"principal"; si tienden a tener muchos efectos diferentes, algunos efectos pueden ser demasiado parecidos

y deberan combinarse (o eliminar uno). Cada columna le permite clasificar las filas, de modo que es
posible ver con mayor facilidad qu efectos hay en un paso en particular.

Captulo 16. Regresin lineal
La regresin lineal estima los coeficientes de la ecuacin lineal, con una o ms variables independientes,
que mejor prediga el valor de la variable dependiente. Por ejemplo, puede intentar predecir el total de
ventas anuales de un vendedor (la variable dependiente) a partir de variables independientes tales como
la edad, la formacin y los aos de experiencia.
Ejemplo. Estn relacionados el nmero de partidos ganados por un equipo de baloncesto en una
temporada con la media de puntos que el equipo marca por partido? Un diagrama de dispersin indica
que estas variables estn relacionadas linealmente. El nmero de partidos ganados y la media de puntos
marcados por el equipo adversario tambin estn relacionados linealmente. Estas variables tienen una
relacin negativa. A medida que el nmero de partidos ganados aumenta, la media de puntos marcados
por el equipo adversario disminuye. Con la regresin lineal es posible modelar la relacin entre estas
variables. Puede utilizarse un buen modelo para predecir cuntos partidos ganarn los equipos.
Estadsticos. Para cada variable: nmero de casos vlidos, media y desviacin estndar. Para cada
modelo: coeficientes de regresin, matriz de correlaciones, correlaciones parciales y semiparciales, R
multiple, R cuadrado, R cuadrado corregida, cambio en R cuadrado, error estndar de la estimacin, tabla de
anlisis de varianza, valores pronosticados y residuos. Adems, intervalos de confianza al 95% para cada
coeficiente de regresin, matriz de varianzas-covarianzas, factor de inflacin de la varianza, tolerancia,
prueba de Durbin-Watson, medidas de distancia (Mahalanobis, Cook y valores de influencia), DfBeta,
DfAjuste, intervalos de prediccin e informacin de diagnstico por caso. Grficos: diagramas de
dispersin, grficos parciales, histogramas y grficos de probabilidad normal.
Regresin lineal: Consideraciones sobre los datos
Datos. Las variables dependiente e independientes deben ser cuantitativas. Las variables categricas,
como la religin, estudios principales o el lugar de residencia, han de recodificarse como variables
binarias (dummy) o como otros tipos de variables de contraste.
Supuestos. Para cada valor de la variable independiente, la distribucin de la variable dependiente debe
ser normal. La varianza de distribucin de la variable dependiente debe ser constante para todos los
valores de la variable independiente. La relacin entre la variable dependiente y cada variable
independiente debe ser lineal y todas las observaciones deben ser independientes.
Para obtener un anlisis de regresin lineal

Analizar > Regresin > Lineal...
2. En el cuadro de dilogo Regresin lineal, seleccione una variable numrica dependiente.
3. Seleccione una ms variables numricas independientes.
Si lo desea, puede:
v Agrupar variables independientes en bloques y especificar distintos mtodos de entrada para diferentes
subconjuntos de variables.
v Elegir una variable de seleccin para limitar el anlisis a un subconjunto de casos que tengan valores
particulares para esta variable.
v Seleccionar una variable de identificacin de casos para identificar los puntos en los diagramas.
v Seleccione una variable numrica de Ponderacin MCP para el anlisis de mnimos cuadrados
ponderados.

MCP. Permite obtener un modelo de mnimos cuadrados ponderados. Los puntos de los datos se
ponderan por los inversos de sus varianzas. Esto significa que las observaciones con varianzas grandes
tienen menor impacto en el anlisis que las observaciones asociadas a varianzas pequeas. Si el valor de
la variable de ponderacin es cero, negativo o perdido, el caso queda excluido del anlisis.
Mtodos de seleccin de variables en el anlisis de regresin lineal

La seleccin del mtodo permite especificar cmo se introducen las variables independientes en el
anlisis. Utilizando distintos mtodos se pueden construir diversos modelos de regresin a partir del
mismo conjunto de variables.
v Introducir (Regresin). Procedimiento para la seleccin de variables en el que todas las variables de un
bloque se introducen en un solo paso.
v Por pasos. En cada paso se introduce la variable independiente que no se encuentre ya en la ecuacin y
que tenga la probabilidad para F ms pequea, si esa probabilidad es suficientemente pequea. Las
variables ya introducidas en la ecuacin de regresin se eliminan de ella si su probabilidad para F llega
a ser suficientemente grande. El mtodo termina cuando ya no hay ms variables candidatas a ser
incluidas o eliminadas.
v Eliminar. Procedimiento para la seleccin de variables en el que las variables de un bloque se eliminan
en un solo paso.
v Eliminacin hacia atrs. Procedimiento de seleccin de variables en el que se introducen todas las
variables en la ecuacin y despus se van excluyendo una tras otra. Aquella variable que tenga la
menor correlacin parcial con la variable dependiente ser la primera en ser considerada para su
eliminacin. Si satisface el criterio de eliminacin, se eliminar. Tras haber excluido la primera variable,
se pondr a prueba aquella variable, de las que queden en la ecuacin, que presente una correlacin
parcial ms pequea. El procedimiento termina cuando ya no quedan en la ecuacin variables que
satisfagan el criterio de eliminacin.
v Seleccin hacia adelante. Procedimiento de seleccin de variables por pasos en el que las variables se
introducen secuencialmente en el modelo. La primera variable que se considerar introducir en la
ecuacin ser la que tenga mayor correlacin, positiva o negativa, con la variable dependiente. Dicha
variable se introducir en la ecuacin slo si cumple el criterio de entrada. Si se introduce la primera
variable, a continuacin se considerar la variable independiente cuya correlacin parcial sea la mayor
y que no est en la ecuacin. El procedimiento termina cuando ya no quedan variables que cumplan el
criterio de entrada.
Los valores de significacin de los resultados se basan en el ajuste de un nico modelo. Por ello, estos
valores de significacin no suelen ser vlidos cuando se emplea un mtodo por pasos (pasos sucesivos,
hacia adelante o hacia atrs).
Todas las variables deben superar el criterio de tolerancia para que puedan ser introducidas en la
ecuacin, independientemente del mtodo de entrada especificado. El nivel de tolerancia predeterminado
es 0,0001. Tampoco se introduce una variable si esto provoca que la tolerancia de otra ya presente en el
modelo se site por debajo del criterio de tolerancia.
Todas las variables independientes seleccionadas se aaden a un mismo modelo de regresin. Sin
embargo, puede especificar distintos mtodos de introduccin para diferentes subconjuntos de variables.
Por ejemplo, puede introducir en el modelo de regresin un bloque de variables que utilice la seleccin
por pasos sucesivos, y un segundo bloque que emplee la seleccin hacia adelante. Para aadir un
segundo bloque de variables al modelo de regresin, pulse en Siguiente.

Regresin lineal: Establecer regla
Los casos definidos por la regla de seleccin se incluyen en el anlisis. Por ejemplo, si selecciona una
variable, elija igual que y escriba 5 para el valor; de este modo, solamente se incluirn en el anlisis los
casos para los cuales la variable seleccionada tenga un valor igual a 5. Tambin se permite un valor de
cadena.
Regresin lineal: Grficos

Los grficos pueden ayudar a validar los supuestos de normalidad, linealidad e igualdad de las
varianzas. Tambin son tiles para detectar valores atpicos, observaciones poco usuales y casos de
influencia. Tras guardarlos como nuevas variables, dispondr en el Editor de datos de los valores
pronosticados, los residuos y otra informacin de diagnstico, con los cuales podr poder crear grficos
respecto a las variables independientes. Se encuentran disponibles los siguientes grficos:
Diagramas de dispersin. Puede representar cualquier combinacin por parejas de la lista siguiente: la
variable dependiente, los valores pronosticados tipificados, los residuos tipificados, los residuos
eliminados, los valores pronosticados corregidos, los residuos estudentizados o los residuos eliminados
estudentizados. Represente los residuos tipificados frente a los valores pronosticados tipificados para
contrastar la linealidad y la igualdad de las varianzas.
Lista de variables de origen. Lista la variable dependiente (DEPENDNT) y las siguientes variables
pronosticadas y de residuos: Valores pronosticados tipificados (*ZPRED), Residuos tipificados (*ZRESID),
Residuos eliminados (*DRESID), Valores pronosticados corregidos (*ADJPRED), Residuos estudentizados
(*SRESID) y Residuos estudentizados eliminados (*SDRESID).
Generar todos los grficos parciales. Muestra los diagramas de dispersin de los residuos de cada
variable independiente y los residuos de la variable dependiente cuando se regresan ambas variables por
separado sobre las restantes variables independientes. En la ecuacin debe haber al menos dos variables
independientes para que se generen los grficos parciales.
Grficos de residuos tipificados. Puede obtener histogramas de los residuos tipificados y grficos de
probabilidad normal que comparen la distribucin de los residuos tipificados con una distribucin
normal.
Si se solicita cualquier grfico, se muestran los estadsticos de resumen para los valores pronosticados
tipificados y los residuos tipificados (*ZPRED y *ZRESID).
Regresin lineal: almacenamiento de variables nuevas

Puede guardar los valores pronosticados, los residuos y otros estadsticos tiles para la informacin de
diagnstico. Cada seleccin aade una o ms variables nuevas a su archivo de datos activo.
Valores pronosticados. Son los valores que el modelo de regresin pronostica para cada caso.
v No tipificados. Valor predicho por el modelo para la variable dependiente.
v Tipificados. Transformacin de cada valor predicho a su forma tipificada. Es decir, se sustrae el valor
predicho medio al valor predicho y el resultado se divide por la desviacin estndar de los valores
pronosticados. Los valores pronosticados tipificados tienen una media de 0 y una desviacin estndar
de 1.
v Corregidos. Valor predicho para un caso cuando dicho caso no se incluye en los clculos de los
coeficientes de regresin.
v E.T. del prediccin promedio. Error estndar de los valores pronosticados. Estimacin de la desviacin
estndar del valor promedio de la variable dependiente para los casos que tengan los mismos valores
en las variables independientes.
Captulo 16. Regresin lineal 71

Distancias. Son medidas para identificar casos con combinaciones poco usuales de valores para las
variables independientes y casos que puedan tener un gran impacto en el modelo.
v Mahalanobis. Medida de cunto difieren del promedio para todos los casos los valores en las variables
independientes de un caso dado. Una distancia de Mahalanobis grande identifica un caso que tenga
valores extremos en una o ms de las variables independientes.
v De Cook. Una medida de cunto cambiaran los residuos de todos los casos si un caso particular se
excluyera del clculo de los coeficientes de regresin. Una Distancia de Cook grande indica que la
exclusin de ese caso del clculo de los estadsticos de regresin har variar substancialmente los
coeficientes.
v Valores de influencia. Mide la influencia de un punto en el ajuste de la regresin. Influencia centrada
vara entre 0 (no influye en el ajuste) a (N-1)/N.
Intervalos de prediccin. Los lmites superior e inferior para los intervalos de prediccin individual y
promedio.
v Media. Lmites inferior y superior (dos variables) para el intervalo de prediccin de la respuesta
pronosticada promedio.
v Individual. Lmites superior e inferior (dos variables) del intervalo de prediccin para la variable
dependiente para un caso individual.
v Intervalo de confianza. Introduzca un valor entre 1 y 99,99 para especificar el nivel de confianza para los
dos intervalos de prediccin. Debe seleccionar Media o Individuos antes de introducir este valor. Los
valores habituales de los intervalos de confianza son 90, 95 y 99.
Residuos. El valor actual de la variable dependiente menos el valor predicho por la ecuacin de
regresin.
v No tipificados. Diferencia entre un valor observado y el valor predicho por el modelo.
v Estudentizado. Residuo dividido por una estimacin de su desviacin estndar que vara de caso en
caso, dependiendo de la distancia de los valores de cada caso en las variables independientes respecto
a las medias en las variables independientes.
v Eliminado. Residuo para un caso cuando ste se excluye del clculo de los coeficientes de la regresin.
Es igual a la diferencia entre el valor de la variable dependiente y el valor predicho corregido.
v Eliminados estudentizados. Residuo eliminado para un caso dividido por su error estndar. La diferencia
entre un residuo eliminado estudentizado y su residuo estudentizado asociado indica la diferencia que
implica el eliminar un caso sobre su propia prediccin.
Estadsticos de influencia. El cambio en los coeficientes de regresin (DfBeta) y en los valores

pronosticados (DfAjuste) que resulta de la exclusin de un caso particular. Tambin estn disponibles los
valores tipificados para las DfBeta y para las DfAjuste, junto con la razn entre covarianzas.
v DfBetas. La diferencia en el valor de beta es el cambio en el valor de un coeficiente de regresin que
resulta de la exclusin de un caso particular. Se calcula un valor para cada trmino del modelo,
incluyendo la constante.
v DfBeta tipificada. Valor de la diferencia en beta tipificada. El cambio tipificado en un coeficiente de
regresin cuando se elimina del anlisis un caso particular. Puede interesarle examinar aquellos casos
cuyos valores absolutos sean mayores que 2 dividido por la raz cuadrada de N, donde N es el nmero
de casos. Se calcula un valor para cada trmino del modelo, incluyendo la constante.
v DfAjuste. La diferencia en el valor ajustado es el cambio en el valor predicho que resulta de la
exclusin de un caso particular.
v DfAjuste tipificada. Diferencia tipificada en el valor ajustado. El cambio, tipificado, en el valor predicho
que resulta de la exclusin de un caso particular. Puede interesarle examinar aquellos valores

tipificados cuyo valor absoluto sea mayor que 2 dividido por la raz cuadrada de p/N, donde p es el
nmero de variables independientes en la ecuacin y N es el nmero de casos.
v Razn entre covarianzas. Razn del determinante de la matriz de covarianza con un caso particular
excluido del clculo de los coeficientes de regresin, respecto al determinante de la matriz de
covarianza con todos los casos incluidos. Si la razn se aproxima a 1, el caso no altera
significativamente la matriz de covarianza.
Estadsticos de los coeficientes. Almacena los coeficientes de regresin en un conjunto de datos o en un

archivo de datos. Los conjuntos de datos estn disponibles para su uso posterior durante la misma
sesin, pero no se guardarn como archivos a menos que se hayan guardado explcitamente antes de que
finalice la sesin. El nombre de un conjunto de datos debe cumplir las normas de denominacin de
variables.
Exportar informacin del modelo a un archivo XML. Las estimaciones de los parmetros y (si lo desea)
sus covarianzas se exportan al archivo especificado en formato XML (PMML). Puede utilizar este archivo
de modelo para aplicar la informacin del modelo a otros archivos de datos para puntuarlo.
Regresin lineal: Estadsticos

Se encuentran disponibles los siguientes estadsticos:
Coeficientes de regresin. Estimaciones muestra el coeficiente de regresin B, el error estndar de B, el

coeficiente beta tipificado, el valor de t para B y el nivel de significacin bilateral de t. Intervalos de
confianza muestra intervalos de confianza con el nivel de confianza especificado para cada coeficiente de
regresin o una matriz de covarianzas. Matriz de covarianzas muestra una matriz de
varianzas-covarianzas de los coeficientes de regresin, con las covarianzas fuera de la diagonal y las
varianzas en la diagonal. Tambin se muestra una matriz de correlaciones.
Ajuste del modelo. Presenta una lista de las variables introducidas y eliminadas del modelo y muestra
los siguientes estadsticos de bondad de ajuste: R mltiple, R cuadrado y R cuadrado corregida, error estndar
de la estimacin y tabla de anlisis de la varianza.
Cambio en el estadstico R cuadrado. Cambio en el estadstico R cuadrado que se produce al aadir o

eliminar una variable independiente. Si es grande el cambio en R cuadrado asociado a una variable, esto
significa que esa variable es un buen predictor de la variable dependiente.
Descriptivos. Proporciona el nmero de casos vlidos, la media y la desviacin estndar para cada
variable en el anlisis. Tambin muestra una matriz de correlaciones con el nivel de significacin
unilateral y el nmero de casos para cada correlacin.
Correlacin parcial. La correlacin remanente entre dos variables despus de haber eliminado la correlacin
debida a su asociacin mutua con otras variables. La correlacin entre una variable dependiente y una
variable independiente cuando se han eliminado de ambas los efectos lineales de las otras variables
independientes del modelo.
Correlacin de componente. La correlacin entre la variable dependiente y una variable independiente

cuando se han eliminado de la variable independiente los efectos lineales de las otras variables
independientes del modelo. Est relacionada con el cambio en R cuadrado cuando una variable se aade
a una ecuacin. En ocasiones e denomina correlacin semiparcial.
Diagnsticos de colinealidad. La colinealidad (o multicolinealidad) es una situacin no deseable en la

que una de las variables independientes es una funcin lineal de otras variables independientes. Muestra
los autovalores de la matriz de productos vectoriales no centrada y escalada, los ndices de condicin y
las proporciones de la descomposicin de la varianza junto con los factores de inflacin de la varianza
(FIV) y las tolerancias para las variables individuales.
Captulo 16. Regresin lineal 73

Residuos. Presenta la prueba de Durbin-Watson sobre la correlacin serial de los residuos y la
informacin de diagnstico por casos para los casos que cumplan el criterio de seleccin (los valores
atpicos por encima de n desviaciones estndar).
Regresin lineal: Opciones

Se encuentran disponibles las siguientes opciones:
Criterios del mtodo por pasos. Estas opciones son aplicables si se ha especificado el mtodo de
seleccin de variables hacia adelante, hacia atrs o por pasos. Las variables se pueden introducir o
eliminar del modelo dependiendo de la significacin (probabilidad) del valor de F o del propio valor de
F.
v Usar probabilidad de F. Una variable se introduce en el modelo si el nivel de significacin de su valor
de F es menor que el valor de entrada, y se elimina si el nivel de significacin de su valor de F es
mayor que el valor de Eliminacin. La entrada debe ser menor que la eliminacin y ambos valores
deben ser positivos. Para introducir ms variables en el modelo, aumente el valor de entrada. Para
eliminar ms variables del modelo, disminuya el valor de eliminacin.
v Usar valor de F. Una variable se introduce en el modelo si su valor de F es mayor que el valor de
entrada, y se elimina si su valor de F es menor que el valor de Eliminacin. La entrada debe ser mayor
que la eliminacin y ambos valores deben ser positivos. Para introducir ms variables en el modelo,
disminuya el valor de entrada. Para eliminar ms variables del modelo, eleve el valor de eliminacin.
Incluir la constante en la ecuacin. De forma predeterminada, el modelo de regresin incluye un trmino

constante. Si se anula la seleccin de esta opcin se obtiene la regresin que pasan por el origen, lo cual
se hace raramente. Algunos resultados de la regresin que pasan por el origen no son comparables con
los resultados de la regresin que s incluyen una constante. Por ejemplo, R 2 no puede interpretarse de la
manera habitual.
Valores perdidos. Puede elegir uno de los siguientes:

v Excluir casos segn lista. Slo se incluirn en el anlisis los casos con valores vlidos para todas las
variables.
v Excluir casos segn pareja. Los casos con datos completos para la pareja de variables correlacionadas
se utilizan para calcular el coeficiente de correlacin en el cual se basa el anlisis de regresin. Los
grados de libertad se basan en el N mnimo de las parejas.
v Reemplazar por la media. Se emplean todos los casos en los clculos, sustituyendo las observaciones
perdidas por la media de la variable.
Caractersticas adicionales del comando REGRESSION

v Escribir una matriz de correlaciones o leer una matriz (en lugar de los datos en bruto) con el fin de
obtener el anlisis de regresin (mediante el subcomando MATRIX).
v Especificar los niveles de tolerancia (mediante el subcomando CRITERIA).
v Obtener mltiples modelos para las mismas variables dependientes u otras diferentes (mediante los
subcomandos METHOD y DEPENDENT).
v Obtener estadsticos mltiples (mediante los subcomandos DESCRIPTIVE y VARIABLES).

Captulo 17. Regresin ordinal
La regresin ordinal permite dar forma a la dependencia de una respuesta ordinal politmica sobre un
conjunto de predictores, que pueden ser factores o covariables. El diseo de la regresin ordinal se basa
en la metodologa de McCullagh (1980, 1998) y en la sintaxis se hace referencia al procedimiento como
PLUM.
El anlisis de regresin lineal ordinario implica minimizar las diferencias de la suma de los cuadrados
entre una variable de respuesta (la dependiente) y una combinacin ponderada de las variables
predictoras (las independientes). Los coeficientes estimados reflejan cmo los cambios en los predictores
afectan a la respuesta. Se considera que la respuesta es numrica, en el sentido en que los cambios en el
nivel de la respuesta son equivalentes en todo el rango de la respuesta. Por ejemplo, la diferencia de
altura entre una persona que mide 150 cm y una que mide 140 cm es de 10 cm, que tiene el mismo
significado que la diferencia de altura entre una persona que mide 210 cm y una que mide 200 cm. Estas
relaciones no se mantienen necesariamente con las variables ordinales, en las que la eleccin y el nmero
de categoras de respuesta pueden ser bastante arbitrarios.
Ejemplo. La regresin ordinal podra utilizarse para estudiar la reaccin de los pacientes con respecto a
una dosis de un frmaco. Las reacciones posibles podran clasificarse como ninguna, ligera, moderada o
grave. La diferencia entre una reaccin ligera y una moderada es difcil o imposible de cuantificar y se
basa en la apreciacin. Adems, la diferencia entre una respuesta ligera y una moderada podra ser
superior o inferior a la diferencia entre una respuesta moderada y una grave.
Estadsticos y grficos. Frecuencias observadas y esperadas y frecuencias acumuladas, residuos de

Pearson para las frecuencias y las frecuencias acumuladas, probabilidades observadas y esperadas,
probabilidades acumuladas observadas y esperadas para cada categora de respuesta por patrn en las
covariables, matrices de correlaciones asintticas y de covarianzas entre las estimaciones de los
parmetros, chi-cuadrado de Pearson y chi-cuadrado de la razn de verosimilitud, estadsticos de bondad
de ajuste, historial de iteraciones, contraste del supuesto de lneas paralelas, estimaciones de los
parmetros, errores estndar, intervalos de confianza y estadsticos R 2 de Cox y Snell, de Nagelkerke y
de McFadden.
Regresin ordinal: Consideraciones sobre los datos
Datos. Se asume que la variable dependiente es ordinal y puede ser numrica o de cadena. El orden se
determina al clasificar los valores de la variable dependiente en orden ascendente. El valor inferior define
la primera categora. Se asume que las variables de factor son categricas. Las covariables deben ser
numricas. Observe que al usar ms de una covariable continua, se puede llegar a crear una tabla de
probabilidades de casilla muy grande.
Supuestos. Slo se permite una variable de respuesta y debe especificarse. Adems, para cada patrn
distinto de valores en las variables independientes, se supone que las respuestas son variables
multinomiales independientes.
Procedimientos relacionados. La regresin logstica nominal utiliza modelos similares para las variables
dependientes nominales.
Obtener una regresin ordinal

Analizar > Regresin > Ordinal...
2. Seleccione una variable dependiente.
3. Pulse en Aceptar.

Regresin ordinal: Opciones
El cuadro de dilogo Opciones le permite ajustar los parmetros utilizados en el algoritmo de estimacin
iterativo, seleccionar un nivel de confianza para las estimaciones de los parmetros y seleccionar una
funcin de enlace.
Iteraciones. El algoritmo iterativo puede personalizarse.

v Nmero mximo de iteraciones. Especifique un nmero entero no negativo. Si se especifica el 0, el
procedimiento devolver las estimaciones iniciales.
v Mxima subdivisin por pasos. Especifique un nmero entero positivo.
v Convergencia del logaritmo de la verosimilitud. El algoritmo se detiene si el cambio absoluto o
relativo en el logaritmo de la verosimilitud es inferior a este valor. Si se especifica 0, no se utiliza el
criterio.
v Convergencia de los parmetros. El algoritmo se detiene si el cambio absoluto o relativo en cada una
de las estimaciones de los parmetros es inferior a este valor. Si se especifica 0, no se utiliza el criterio.
Intervalo de confianza. Especifique un valor mayor o igual a 0 e inferior a 100.
Delta. El valor aadido a las frecuencias de casilla de cero. Especifique un valor no negativo inferior a 1.
Tolerancia para la singularidad. Utilizada para comprobar los predictores con alta dependencia.
Seleccione un valor en la lista de opciones.
Funcin de enlace. La funcin de enlace es una transformacin de las probabilidades acumuladas que
permiten la estimacin del modelo. Se encuentran disponibles las cinco funciones de enlace siguientes.
v Logit. f(x)=log(x/(1x) ). Se utiliza tpicamente para categoras uniformemente distribuidas.
v Log-log complementario. f(x)=log(log(1x)). Se utiliza normalmente cuando las categoras ms altas
son ms probables.
v Log-log negativo. f(x)=log(log(x)). Se utiliza normalmente cuando las categoras ms bajas son ms
probables.
v Probit. f(x)=1(x). Se utiliza normalmente cuando la variable latente sigue una distribucin normal.
v Cauchit (Cauchy inversa). f(x)=tan((x0.5)). Se utiliza normalmente cuando la variable latente tiene
muchos valores extremos.
Resultados de la regresin ordinal

El cuadro de dilogo Resultados le permite generar tablas que se pueden visualizar en el Visor y guardar
variables en el archivo de trabajo.
Representacin. Genera tablas correspondientes a:

v Imprimir el historial de iteraciones. El logaritmo de la verosimilitud y las estimaciones de los
parmetros se imprimen con la frecuencia de iteraciones a imprimir especificada. Siempre se imprimen
la primera y la ltima iteracin.
v Estadsticos de bondad de ajuste. Estadsticos chi-cuadrado de Pearson y chi-cuadrado de la razn de
verosimilitud. Estos estadsticos se calculan segn la clasificacin especificada en la lista de variables.
v Estadsticos de resumen. R 2 de Cox y Snell, de Nagelkerke y de McFadden.
v Estimaciones de los parmetros. Estimaciones de los parmetros, errores estndar e intervalos de
confianza.
v Correlacin asinttica de las estimaciones de los parmetros. Matriz de las correlaciones entre las
estimaciones de los parmetros.
v Covarianza asinttica de las estimaciones de los parmetros. Matriz de las covarianzas entre las
estimaciones de los parmetros.

v Informacin de casilla. Frecuencias esperadas y observadas y frecuencias acumuladas, residuos de
Pearson para las frecuencias y las frecuencias acumuladas, probabilidades esperadas y observadas y
probabilidades esperadas y observadas de cada categora de respuesta segn el patrn en las
covariables. Tenga en cuenta que en el caso de modelos con muchos patrones de covariables (por
ejemplo, modelos con covariables continuas), esta opcin puede generar una tabla grande y poco
manejable.
v Prueba de lneas paralelas. Prueba correspondiente a la hiptesis de que los parmetros de ubicacin
son equivalentes en todos los niveles de la variable dependiente. Esta prueba est disponible
nicamente para el modelo de slo ubicacin.
Variables guardadas. Guarda las siguientes variables en el archivo de trabajo:

v Probabilidades de respuesta estimadas. Probabilidades estimadas por el modelo para la clasificacin
de un patrn de factores/covariables en las categoras de respuesta. El nmero de probabilidades es
igual al nmero de categoras de respuesta.
v Categora pronosticada. La categora de respuesta con la mayor probabilidad estimada para un patrn
de factores/covariables.
v Probabilidad de la categora pronosticada. Probabilidades estimada de la clasificacin de un patrn
factores/covariables en la categora pronosticada. Esta probabilidad tambin es el mximo de las
probabilidades estimadas para el patrn de factores/covariables.
v Probabilidad de la categora real. Probabilidad estimada de la clasificacin de un patrn de
factores/covariables en la categora real.
Imprimir log-verosimilitud. Controla la representacin del logaritmo de la verosimilitud. Incluir

constante multinomial ofrece el valor completo de la verosimilitud. Para comparar los resultados con los
productos que no incluyan la constante, puede seleccionar la opcin de excluirla.
Modelo de ubicacin de la regresin ordinal

El cuadro de dilogo Ubicacin le permite especificar el modelo de ubicacin para el anlisis.
Especificar modelo. Un modelo de efectos principales contiene los efectos principales de las covariables y
los factores, pero no contiene efectos de interaccin. Puede crear un modelo personalizado para
especificar subconjuntos de interacciones entre los factores o bien interacciones entre las covariables.
Factores y covariables. Muestra una lista de los factores y las covariables.
Modelo de ubicacin. El modelo depende de los efectos principales y de los de interaccin que
seleccione.
Generar trminos
Captulo 17. Regresin ordinal 77

Modelo de escala de la regresin ordinal
El cuadro de dilogo Escala le permite especificar el modelo de escala para el anlisis.
Factores y covariables. Muestra una lista de los factores y las covariables.
Modelo de escala. El modelo depende de los efectos principales y de los de interaccin que seleccione.
Generar trminos
Caractersticas adicionales del comando PLUM

Se puede personalizar la regresin ordinal si se pegan las selecciones en una ventana de sintaxis y se
edita la sintaxis del comando PLUM resultante. La sintaxis de comandos tambin le permite:
v Crear contrastes de hiptesis personalizados especificando las hiptesis nulas como combinaciones
lineales de los parmetros.

Captulo 18. Estimacin curvilnea
El procedimiento Estimacin Curvilnea genera estadsticos de estimacin curvilnea por regresin y
grficos relacionados para 11 modelos diferentes de estimacin curvilnea por regresin. Se produce un
modelo diferente para cada variable dependiente. Tambin se pueden guardar valores predichos, residuos
e intervalos de prediccin como nuevas variables.
Ejemplo. Un proveedor de servicios de Internet realiza un seguimiento del porcentaje de trfico de correo
electrnico infectado de virus en la red a lo largo del tiempo. Un diagrama de dispersin revela que la
relacin es no lineal. Se puede ajustar un modelo lineal a los datos y comprobar la validez de los
supuestos y la bondad de ajuste del modelo.
Estadsticos. Para cada modelo: coeficientes de regresin, R mltiple, R cuadrado, R cuadrado corregida, error
estndar de la estimacin, tabla de anlisis de varianza, valores pronosticados, residuos e intervalos de
prediccin. Modelos: lineal, logartmico, inverso, cuadrtico, cbico, de potencia, compuesto, curva-S,
logstico, de crecimiento y exponencial.
Estimacin curvilnea: Consideraciones sobre los datos
Datos. Las variables dependiente e independientes deben ser cuantitativas. Si selecciona Tiempo del
conjunto de datos activo como variable independiente (en lugar de una variable), el procedimiento
Estimacin curvilnea generar una variable de tiempo en la que la distancia temporal entre los casos es
uniforme. Si se selecciona Tiempo, la variable dependiente debe ser una medida de serie temporal. El
anlisis de series temporales requiere una estructura particular para los archivos de datos, de manera que
cada caso (cada fila) represente un conjunto de observaciones en un momento determinado del tiempo y
que la distancia temporal entre los casos sea uniforme.
Supuestos. Represente los datos grficamente para determinar cmo se relacionan las variables
dependientes e independiente (linealmente, exponencialmente, etc.). Los residuos de un buen modelo
deben distribuirse de forma aleatoria y normal. Si se utiliza un modelo lineal, se deben cumplir los
siguientes supuestos: para cada valor de la variable independiente, la distribucin de la variable
dependiente debe ser normal. La varianza de distribucin de la variable dependiente debe ser constante
para todos los valores de la variable independiente. La relacin entre la variable dependiente y la variable
independiente debe ser lineal y todas las observaciones deben ser independientes.
Para obtener una estimacin curvilnea

Analizar > Regresin > Estimacin curvilnea...
2. Seleccione una o ms variables dependientes. Se produce un modelo diferente para cada variable
dependiente.
3. Seleccione una variable independiente (seleccione una variable del conjunto de datos activo o
Tiempo).
4. Si lo desea:
v Seleccionar una variable para etiquetar los casos en los diagramas de dispersin. Para cada punto en el
diagrama de dispersin, se puede utilizar la herramienta de Identificacin de puntos para mostrar el
valor de la variable utilizada en Etiquetas de caso.
v Pulsar en Guardar para guardar los valores pronosticados, los residuos y los intervalos de prediccin
como nuevas variables.

v Incluir la constante en la ecuacin. Estima un trmino constante en la ecuacin de regresin. La
constante se incluye de forma predeterminada.
v Representar los modelos. Representa los valores de la variable dependiente y cada modelo
seleccionado frente a la variable independiente. Se genera un grfico distinto para cada variable
dependiente.
v Ver tabla de ANOVA. Muestra una tabla de anlisis de varianza de resumen para cada modelo
seleccionado.
Modelos del procedimiento Estimacin curvilnea

Se puede seleccionar uno o ms modelos de estimacin curvilnea por regresin. Para determinar qu
modelo utilizar, represente los datos. Si las variables parecen estar relacionadas linealmente, utilice un
modelo de regresin lineal simple. Cuando las variables no estn relacionadas linealmente, intente
transformar los datos. Cuando la transformacin no resulte til, puede necesitar un modelo ms
complicado. Inspeccione un diagrama de dispersin de los datos; si el diagrama se parece a una funcin
matemtica reconocible, ajuste los datos a ese tipo de modelo. Por ejemplo, si los datos se parecen a una
funcin exponencial, utilice un modelo exponencial.
Lineal. Modelo cuya ecuacin es Y = b0 + (b1 * t). Los valores de la serie se modelan como una funcin
lineal del tiempo.
Logartmico. Modelo cuya ecuacin es Y = b0 + (b1 * ln(t)).
Inverso. Modelo cuya ecuacin es Y = b0 + (b1 / t).
Cuadrtico. Modelo cuya ecuacin es Y = b0 + (b1 * t) + (b2 * t**2). El modelo cuadrtico puede utilizarse
para modelar una serie que "despega" o una serie que se amortigua.
Cbico. Modelo definido por la ecuacin Y = b0 + (b1 * t) + (b2 * t**2) + (b3 * t**3).
Potencia. Modelo cuya ecuacin es Y = b0 * (t**b1) ln(Y) = ln(b0) + (b1 * ln(t)).
Compuesto. Modelo cuya ecuacin es Y = b0 * (b1**t) o ln(Y) = ln(b0) + (ln(b1) * t).
Curva-S. Modelo cuya ecuacin es Y = e**(b0 + (b1/t)) o ln(Y) = b0 + (b1/t).
Logstica. Modelo cuya ecuacin es Y = 1 / (1/u + (b0 * (b1**t))) o ln(1/y-1/u) = ln (b0) + (ln(b1) * t)
donde u es el valor del lmite superior. Despus de seleccionar Logstico, especifique un valor para el
lmite superior que se utilizar en la ecuacin de regresin. El valor debe ser un nmero positivo mayor
que el valor mximo de la variable dependiente.
Crecimiento. Modelo cuya ecuacin es Y = e**(b0 + (b1 * t)) ln(Y) = b0 + (b1 * t).
Exponencial. Modelo cuya ecuacin es Y = b0 * (e**(b1 * t)) ln(Y) = ln(b0) + (b1 * t).
Estimacin curvilnea: Guardar

Guardar variables. Para cada modelo seleccionado se pueden guardar los valores pronosticados, los
residuos (el valor observado de la variable dependiente menos el valor predicho por el modelo) y los
intervalos de prediccin (sus lmites superior e inferior). En la ventana de resultados, se muestran en una
tabla los nombres de las nuevas variables y las etiquetas descriptivas.
Pronosticar casos. En el conjunto de datos activo, si se selecciona Tiempo como variable independiente
en lugar de una variable, se puede especificar un perodo de prediccin que vaya ms all del final de la
serie temporal. Puede elegir una de las siguientes alternativas:

v Desde el perodo de estimacin hasta el ltimo caso. Pronostica los valores para todos los casos del
archivo, basndose en los casos del perodo de estimacin. El perodo de estimacin, que se muestra en
la parte inferior del cuadro de dilogo, se define con el subcuadro de dilogo Rango de la opcin
Seleccionar casos en el men Datos. Si no se ha definido un perodo de estimacin, se utilizan todos
los casos para pronosticar los valores.
v Predecir hasta. Predice los valores hasta la fecha especificada, hora o nmero de observacin,
basndose en los casos del perodo de estimacin. Esta caracterstica se puede utilizar para prever
valores ms all del ltimo caso de la serie temporal. Las variables definidas actualmente determinan
los cuadros de texto disponibles para especificar el final del perodo de prediccin. Si no existen
variables de fecha definidas, se puede especificar el nmero de la observacin (caso) final.
Utilice la opcin de Definir fechas en el men Datos para crear las variables de fecha.
Captulo 18. Estimacin curvilnea 81

Captulo 19. Regresin por mnimos cuadrados parciales
El procedimiento Regresin de mnimos cuadrados parciales estima los modelos de regresin de los
mnimos cuadrados parciales (PLS, tambin denominados "proyeccin a la estructura latente"). La PLS es
una tcnica de prediccin alternativa a la regresin de mnimos cuadrados ordinarios (OLS), a la
correlacin cannica o al modelado de ecuaciones estructurales, y resulta particularmente til cuando las
variables predictoras estn muy correlacionadas o cuando el nmero de predictores es superior al nmero
de casos.
La PLS combina las caractersticas del anlisis de componentes principales y la regresin mltiple. En
primer lugar, extrae un conjunto de factores latentes que explica en la mayor medida posible la
covarianza entre las variables dependientes e independientes. A continuacin, un paso de regresin
pronostica los valores de las variables dependientes mediante la descomposicin de las variables
independientes.
Tablas. La proporcin de la varianza explicada (por factor latente), las ponderaciones y las cargas de los
factores latentes, la importancia de la variable independiente en proyeccin (VIP) y las estimaciones de
los parmetros de la regresin (por variable dependiente) se generan de forma predeterminada.
Grficos. La variable independiente en proyeccin (VIP), las puntuaciones factoriales, las ponderaciones
factoriales de los tres primeros factores latentes y la distancia al modelo se generan desde la pestaa
Options.
Consideraciones sobre los datos de la regresin de mnimos cuadrados parciales
Nivel de medicin. Las variables (predictoras) dependientes e independientes pueden ser de escala,
nominales u ordinales. El procedimiento supone que se ha asignado el nivel de medicin adecuado a
todas las variables, aunque puede cambiar temporalmente el nivel de medicin de una variable pulsando
el botn derecho la variable en la lista de variables de origen y seleccionando un nivel de medicin en el
men emergente. El procedimiento trata por igual las variables categricas (nominales u ordinales).
Codificacin de la variable categrica. El procedimiento recodifica temporalmente las variables

dependientes categricas utilizando la codificacin "una de c" durante el procedimiento. Si hay c
categoras de una variable, la variable se almacena como c vectores, con la primera categora denotada
como (1,0,...,0), la siguiente categora (0,1,0,...,0), ... y la ltima categora (0,0,...,0,1). Las variables
dependientes categricas se representan mediante una variable auxiliar o dummy; es decir, omitiendo
simplemente el indicador correspondiente a la categora de referencia.
Ponderaciones de frecuencia. Los valores de ponderacin se redondean al nmero entero ms cercano

antes de utilizarlos. Los casos con ponderaciones perdidas o ponderaciones inferiores a 0,5 no se
emplearn en los anlisis.
Valores perdidos. Los valores perdidos del usuario y del sistema se consideran no vlidos.
Cambio de escala. Todas las variables del modelo se centran y tipifican, incluidas las variables indicador
que representan variables categricas.
Para obtener la regresin de mnimos cuadrados parciales
Analizar > Regresin > Mnimos cuadrados parciales...

1. Seleccione al menos una variable dependiente.
2. Seleccione al menos una variable independiente.
Si lo desea, puede:
v Especificar una categora de referencia para las variables dependientes categricas (nominales u
ordinales).
v Especificar la variable que se utilizar como identificador exclusivo para los resultados por casos y los
conjuntos de datos guardados.
v Especificar un lmite mximo para el nmero de factores latentes que se extraern.
Requisitos
El procedimiento Regresin de mnimos cuadrados parciales es un comando de extensin Python y

necesita IBM SPSS Statistics - Essentials for Python, que se instala de forma predeterminada con el
producto IBM SPSS Statistics. Tambin necesita las bibliotecas NumPy y SciPy de Python, que estn
disponibles libremente.
Nota: Para los usuarios que trabajen en modo de anlisis distribuido (requiere IBM SPSS Statistics
Server), NumPy y SciPy deben estar instalados en el servidor. Pngase en contacto con el administrador
del sistema para obtener ayuda.
Usuarios de Windows y Mac
Para Windows y Mac, NumPy y SciPy deben instalarse en una versin diferente de Python 2.7
disntinta de la versin que se instala con IBM SPSS Statistics. Si no tiene una versin diferente de
Python 2.7, puede descargarla desde http://www.python.org. A continuacin, instale NumPy y
SciPy para Python versin 2.7. Los instaladores estn disponibles desde http://www.scipy.org/
Download.
Para habilitar el uso de NumPy y SciPy, debe establecer la ubicacin de Python en la versin de
Python 2.7 donde ha instalado NumPy y SciPy. La ubicacin de Python se establece desde la
pestaa Ubicaciones de archivos en el dilogo Opciones (Editar > Opciones).
Usuarios de Linux
Se recomienda que el usuario descargue el origen y genere NumPy y SciPy. El origen est
disponible desde http://www.scipy.org/Download. Puede instalar NumPy y SciPy en la versin
de Python 2.7 que se ha instalado con IBM SPSS Statistics. Se encuentra en el directorio Python
bajo la ubicacin donde se ha instalado IBM SPSS Statistics.
Si elige instalar NumPy y SciPy en una versin de Python 2.7 distinta de la versin que se ha
instalado con IBM SPSS Statistics, debe establecer la ubicacin de Python para que indique dicha
versin. La ubicacin de Python se establece desde la pestaa Ubicaciones de archivos en el
dilogo Opciones (Editar > Opciones).
Servidor de Windows y Unix
NumPy y SciPy deben estar instalada en el servidor en una versin diferente de Python 2.7 de la
versin que se instala con IBM SPSS Statistics. Si no hay una versin diferente de Python 2.7 en el
servidor, entonces se puede descargar desde http://www.python.org. NumPy y SciPy para
Python 2.7 estn disponibles en http://www.scipy.org/Download. Para habilitar el uso de
NumPy y SciPy, la ubicacin de Python para el servidor debe establecerse en la versin de
Python 2.7 en la que se han instalado NumPy y SciPy. La ubicacin de Python se establece desde
IBM SPSS Statistics Administration Console.

Modelo
Especificar efectos del modelo. El modelo de efectos principales contiene todos los efectos principales de
los factores y de las covariables. Seleccione Personalizado para especificar las interacciones. Indique todos
los trminos que desee incluir en el modelo.
Factores y Covariables. Muestra una lista de los factores y las covariables.
Modelo. El modelo depende de la naturaleza de los datos. Despus de seleccionar Personalizado, puede
elegir los efectos principales y las interacciones que sean de inters para el anlisis.
Generar trminos
Opciones
La pestaa Opciones permite al usuario guardar y representar las estimaciones de los modelos para los
determinados casos, factores latentes y predictores.
Para cada tipo de datos, especifique el nombre del conjunto de datos. Los nombres de los conjuntos de
datos deben ser exclusivos. Si introduce el nombre de un conjunto de datos ya existente, se reemplazarn
los contenidos. En otro caso, se crear un nuevo conjunto de datos.
v Guardar estimaciones para casos individuales. Guarda las siguientes estimaciones de modelos por
casos: valores pronosticados, residuos, distancia respecto al modelo del factor latente y puntuaciones de
los factores latentes. Tambin representa las puntuaciones de los factores latentes.
v Guardar estimaciones para factores latentes. Guarda las cargas y las ponderaciones de los factores
latentes. Tambin representa las ponderaciones de factores latentes.
v Guardar estimaciones para variables independientes. Guarda las estimaciones de los parmetros de
regresin y la importancia de la variable en la proyeccin (VIP). Tambin representa la VIP por factor
latente.
Captulo 19. Regresin por mnimos cuadrados parciales 85

Captulo 20. Anlisis vecino ms cercano
Anlisis de vecinos ms prximos es un mtodo para clasificar casos basndose en su parecido a otros
casos. En el aprendizaje automtico, se desarroll como una forma de reconocer patrones de datos sin la
necesidad de una coincidencia exacta con patrones o casos almacenados. Los casos parecidos estn
prximos y los que no lo son estn alejados entre s. Por lo tanto, la distancia entre dos casos es una
medida de disimilaridad.
Los casos prximos entre s se denominan vecinos. Cuando se presenta un nuevo caso (reserva), se
calcula su distancia con respecto a los casos del modelo. Las clasificaciones de los casos ms parecidos
(los vecinos ms prximos) se cuadran y el nuevo caso se incluye en la categora que contiene el mayor
nmero de vecinos ms prximos.
Puede especificar el nmero de vecinos ms prximos que deben examinarse; este valor se denomina k.
El mtodo Anlisis de vecinos ms prximos tambin puede utilizarse para calcular valores para un
destino continuo. En esta situacin, la media o el valor objetivo medio de los vecinos ms prximos se
utiliza para obtener el valor predicho del nuevo caso.
Anlisis de vecino ms prximo: Consideraciones sobre los datos
Objetivo y caractersticas. El objetivo y las caractersticas pueden ser:

v Nominal. Una variable puede ser tratada como nominal cuando sus valores representan categoras que
no obedecen a una clasificacin intrnseca. Por ejemplo, el departamento de la compaa en el que
trabaja un empleado. Algunos ejemplos de variables nominales son: regin, cdigo postal o confesin
religiosa.
v Ordinal. Una variable puede ser tratada como ordinal cuando sus valores representan categoras con
alguna clasificacin intrnseca. Por ejemplo, los niveles de satisfaccin con un servicio, que abarquen
desde muy insatisfecho hasta muy satisfecho. Entre los ejemplos de variables ordinales se incluyen
escalas de actitud que representan el grado de satisfaccin o confianza y las puntuaciones de
evaluacin de las preferencias.
v Escalas. Una variable puede tratarse como escala (continua) cuando sus valores representan categoras
ordenadas con una mtrica con significado, por lo que son adecuadas las comparaciones de distancia
entre valores. Son ejemplos de variables de escala: la edad en aos y los ingresos en dlares.
El anlisis de vecinos ms prximos trata por igual las variables nominales u ordinales. El
procedimiento supone que se ha asignado el nivel de medicin adecuado a cada variable. No obstante,
puede cambiar temporalmente el nivel de medicin para una variable pulsando con el botn derecho
en la variable en la lista de variables de origen y seleccionar un nivel de medicin en el men
emergente.
Un icono situado junto a cada variable de la lista de variables identifica el nivel de medicin y el tipo de
datos.
Tabla 1. Iconos de nivel de medicin
Numrico Cadena Fecha Hora
Escala (Continuo) n/a
Ordinal
87
Tabla 1. Iconos de nivel de medicin (continuacin)
Numrico Cadena Fecha Hora
Nominal
Codificacin de la variable categrica. El procedimiento recodifica temporalmente predictores categricos

y variables dependientes utilizando la codificacin "una de c" para todo el procedimiento. Si hay c
categoras de una variable, la variable se almacena como vectores c, con la primera categora denotada
(1,0,...,0), la siguiente categora (0,1,0,...,0), ..., y la ltima categora (0,0,...,0,1).
Este esquema de codificacin aumenta la dimensionalidad del espacio de caractersticas. En concreto, el

nmero total de dimensiones es el nmero de predictores de escala ms el nmero de categoras en todos
los predictores categricos. Como resultado, este esquema de codificacin puede conllevar un
entrenamiento ms lento. Si el entrenamiento de vecinos ms prximos avanza muy lentamente, pruebe a
reducir el nmero de categoras en los predictores categricos combinando categoras similares o
eliminando los casos que tengan categoras extremadamente raras antes de ejecutar el procedimiento.
Toda codificacin "una de c" se basa en los datos de entrenamiento, incluso si se define una muestra
reservada (consulte Particiones en la pgina 90). De este modo, si las muestras reservadas contienen
casos con categoras de predictores que no estn presentes en los datos de entrenamiento, esos casos no
se puntan. Si las muestras reservadas contienen casos con categoras de variables dependientes que no
estn presentes en los datos de entrenamiento, esos casos se puntan.
Cambio de escala. Fe forma predeterminada, las caractersticas de escala se normalizan. Todo cambio de
escala se realiza basndose en los datos de entrenamiento, incluso si se define una muestra reservada
(consulte Particiones en la pgina 90). Si especifica una variable para definir particiones, es importante
que las funcaractersticasciones tengan distribuciones similares en todas las muestras reservadas, de
entrenamiento o comprobacin. Utilice, por ejemplo, el procedimiento Explorar para examinar las
distribuciones en las particiones.
Ponderaciones de frecuencia. Este procedimiento ignora las ponderaciones de frecuencia.
Replicacin de los resultados. El procedimiento utiliza la generacin de nmeros aleatorios durante la

asignacin aleatoria de particiones y pliegues de validacin cruzada. Si desea duplicar los resultados de
forma exacta, adems de utilizar los mismos ajustes de procedimiento, defina una semilla para el Tornado
de Mersenne (consulte Particiones en la pgina 90), o utilice variables para definir particiones y
pliegues de validacin cruzada.
Para obtener un anlisis de vecino ms prximo
Analizar > Clasificar > Vecino ms prximo...

1. Especifique una o ms caractersticas que puedan constituir variables independientes o predictores en
caso de haber un destino.
Destino (opcional). Si no hay ningn destino (variable dependiente o respuesta) especificado, el
procedimiento encontrar nicamente los k vecinos ms prximos, sin realizar ninguna clasificacin ni
prediccin.
Caractersticas de escala de normalizacin. Las caractersticas normalizadas tienen el mismo rango de
valores, lo que puede mejorar el rendimiento del algoritmo de estimacin. Se utilizar la
normalizacin ajustada [2*(xmin)/(maxmin)]1. Los valores normalizados ajustados quedan
comprendidos entre -1 y 1.

Identificador de caso focal (opcional). Esto le permite marcar casos de especial inters. Por ejemplo,
un investigador desea determinar si las puntuaciones de las pruebas de un distrito escolar (el caso
focal) son comparables con las de distritos escolares similares. Utiliza un anlisis de vecinos ms
prximos para encontrar los distritos escolares ms parecidos con respecto a un conjunto dado de
caractersticas. Despus compara las puntuaciones de las pruebas del distrito escolar focal con las de
los vecinos ms prximos.
Los casos focales tambin deben emplearse en estudios clnicos para seleccionar casos de control
similares a los casos clnicos. Los casos focales se muestran en la tabla de k vecinos ms prximos y
distancias, el grfico de espacio de caractersticas, el grfico de homlogos y el mapa de cuadrantes.
La informacin sobre casos focales se guarda en los archivos especificados en la pestaa Resultados.
Los casos con un valor positivo en la variable especificada se tratan como casos focales. No es posible
especificar una variable sin valores positivos.
Etiqueta de caso (opcional). Los casos se etiquetan utilizando estos valores en el grfico de espacio de
caractersticas, el grfico de homlogos y el mapa de cuadrantes.
Campos con un nivel de medicin desconocido
La alerta de nivel de medicin se muestra si el nivel de medicin de una o ms variables (campos) del
conjunto de datos es desconocido. Como el nivel de medicin afecta al clculo de los resultados de este
procedimiento, todas las variables deben tener un nivel de medicin definido.
Explorar datos. Lee los datos del conjunto de datos activo y asigna el nivel de medicin predefinido en
cualquier campo con un nivel de medicin desconocido. Si el conjunto de datos es grande, puede llevar
algn tiempo.
Asignar manualmente. Abre un cuadro de dilogo que contiene todos los campos con un nivel de
medicin desconocido. Puede utilizar este cuadro de dilogo para asignar el nivel de medicin a esos
campos. Tambin puede asignar un nivel de medicin en la Vista de variables del Editor de datos.
Como el nivel de medicin es importante para este procedimiento, no puede acceder al cuadro de dilogo
para ejecutar este procedimiento hasta que se hayan definido todos los campos en el nivel de medicin.
Vecinos
Nmero de vecinos ms prximos (k) Especifique el nmero de vecinos ms prximos. Tenga en cuenta
que el uso de un nmero mayor de vecinos no implica que el modelo resultante sea ms preciso.
Si se especifica un destino en la pestaa Variables, puede especificar un rango de valores y permitir que
el procedimiento seleccione el "mejor" nmero de vecinos de ese rango. El mtodo para determinar el
nmero de vecinos ms prximos depende de si se solicita la seleccin de caractersticas en la pestaa
Caractersticas.
v Si la seleccin de caractersticas est activada, sta se realizar para cada valor de k en el rango
solicitado, y se seleccionar la k y el conjunto de funciones compaero con la menor tasa de error (o el
menor error cuadrtico si el destino es escala).
v Si la seleccin de caractersticas no est activada, se utilizar la validacin cruzada de pliegue en V
para seleccionar el mejor nmero de vecinos. Consulte la pestaa Particin para tener control sobre
la asignacin de pliegues.
Clculo de distancias. Es la mtrica utilizada para especificar la mtrica de distancia empleada para
medir la similitud de los casos.
v Mtrica eucldea. La distancia entre dos casos, x e y, es la raz cuadrada de la suma, sobre todas las
dimensiones, de las diferencias cuadradas entre los valores de esos casos.
Captulo 20. Anlisis vecino ms cercano 89

v Mtrica de bloques de ciudad. La distancia entre dos casos es la suma, en todas las dimensiones, de
las diferencias absolutas entre los valores de esos casos. Tambin se conoce como la distancia de
Manhattan.
Adems, si se especifica un destino en la pestaa Variables, puede optar por ponderar caractersticas
segn su importancia normalizada a la hora de calcular distancias. La importancia que una caracterstica
tiene para un predictor se calcula en funcin de la relacin entre la tasa de error o errores cuadrticos del
modelo sin el predictor y la tasa de error o errores cuadrticos del modelo completo. La importancia
normalizada se calcula volviendo a ponderar los valores de importancia de la caracterstica para que
sumen 1.
Predicciones del destino de escala. Si se especifica un destino de escala en la pestaa Variables,

especificar si el valor predicho se calcula en funcin de la media o del valor de mediana de los vecinos
ms prximos.
Caractersticas
La pestaa Caractersticas le permite seleccionar y especificar opciones para la seleccin de caractersticas
cuando se especifica un destino en la pestaa Variables. De forma predeterminada, todas las
caractersticas se tienen en cuenta para la seleccin de caractersticas, pero es posible seleccionar un
subconjunto de caractersticas para forzarlas en el modelo.
Criterio de parada. En cada paso, la caracterstica cuya suma al modelo d lugar al menor error
(calculado como la tasa de error de un destino categrico y el error cuadrtico de un destino de escala) se
tiene en cuenta para su inclusin en el conjunto de modelos. La seleccin contina hasta que se cumple la
condicin especificada.
v Nmero de caractersticas especificadas. El algoritmo aade un nmero fijo de caractersticas adems
de las forzadas en el modelo. Especifique un nmero entero positivo. Si se disminuyen los valores de
nmero que se puede seleccionar se obtiene un modelo ms reducido, lo que supone el riesgo de
perder importantes caractersticas. Si se aumentan los valores de nmero que se puede seleccionar se
incluirn todas las caractersticas importantes, pero se corre el riesgo de aadir caractersticas que
aumenten el error del modelo.
v Cambio mnimo de la tasa de errores absolutos. El algoritmo se detiene cuando el cambio de la tasa
de errores absolutos indica que el modelo no puede mejorarse ms aadiendo nuevas caractersticas.
Especifique un nmero positivo. Si se reducen los valores del cambio mnimo se incluirn ms
caractersticas, pero puede que se incluyan caractersticas que no aadan gran valor al modelo. Si se
aumentan los valores del cambio mnimo se excluirn ms caractersticas, pero puede que se pierdan
caractersticas importantes para el modelo. El valor ptimo de cambio mnimo depender de sus
datos y de la aplicacin. Consulte el Registro de errores de seleccin de caractersticas en los resultados
para poder evaluar qu caractersticas son ms importantes. Consulte el tema Registro de errores de
seleccin de caractersticas en la pgina 95 para obtener ms informacin.
Particiones
La pestaa Particiones le permite dividir el conjunto de datos en conjuntos de entrenamiento y reserva y,
siempre que proceda, asignar casos a pliegues de validacin cruzada.
Particiones de entrenamiento y reserva. Este grupo especifica el mtodo de crear particiones en el

conjunto de datos activo correspondientes a las muestras de entrenamiento y reserva. La muestra de
entrenamiento comprende los registros de datos utilizados para entrenar el modelo de vecino ms
prximo; cierto porcentaje de casos del conjunto de datos debe asignarse a la muestra de entrenamiento
para poder obtener un modelo. La muestra reservada es otro conjunto independiente de registros de
datos que se utiliza para evaluar el modelo final; el error de la muestra reservada ofrece una estimacin
"sincera" de la capacidad predictora del modelo, ya que los casos reservados no se utilizan para crear el
modelo.

v Asignar casos a particiones aleatoriamente. Especifique el porcentaje de casos que se asignarn a la
muestra de entrenamiento. El resto se asignan a la muestra reservada.
v Utilizar variable para asignar los casos. Especifique una variable numrica que asigne cada caso del
conjunto de datos activo a la muestra de entrenamiento o reserva. Los casos con un valor positivo de la
variable se asignarn a la muestra de entrenamiento, los casos con un valor 0 o negativo se asignarn a
la muestra reservada. Los casos con un valor perdido del sistema se excluirn del anlisis. Todos los
valores perdidos de usuario de la variable de particin se tratarn siempre como vlidos.
Pliegues de validacin cruzada. La validacin cruzada de pliegue en V se utiliza para determinar el

"mejor" nmero de vecinos. Por razones de rendimiento, no est disponible con la seleccin de
caractersticas.
La validacin cruzada divide la muestra en un nmero de submuestras o pliegues. A continuacin, se

generan los modelos de vecino ms prximo, que no incluyen los datos de cada submuestra. El primer
modelo se basa en todos los casos excepto los correspondientes al primer pliegue de la muestra; el
segundo modelo se basa en todos los casos excepto los del segundo pliegue de la muestra y as
sucesivamente. Para cada modelo se calcula el error aplicando el modelo a la submuestra que se excluy
al generarlo. El "mejor" nmero de vecinos ms prximos ser el que produzca el menor error entre los
pliegues.
v Asignar casos a pliegues aleatoriamente. Especifique el nmero de pliegues que se utilizarn para la
validacin cruzada. El procedimiento asigna aleatoriamente casos a los pliegues, numerados de 1 a V,
que es el nmero de pliegues.
v Utilizar variable para asignar los casos. Especifique una variable numrica que asigne cada caso del
conjunto de datos activo a un pliegue. La variable debe ser numrica y adoptar valores de 1 a V. Si
falta algn valor de este rango, y en cualquier segmento si los archivos de segmentacin estn en vigor,
se producir un error.
Definir semilla para tornado de Mersenne. Si se establece una semilla es posible replicar anlisis. El uso
de este control es parecido a establecer el tornado de Mersenne como generador activo y especificar un
punto de inicio fijo en el cuadro de dilogo Generadores de nmeros aleatorios, con la importante
diferencia de que la definicin de la semilla de este cuadro de dilogo mantendr el estado actual del
generador de nmeros aleatorios y restaurar dicho estado cuando haya terminado el anlisis.
Guardado
Nombres de las variables guardadas. La generacin automtica de nombres garantiza que conserva todo
su trabajo. Los nombres personalizados le permiten descartar/reemplazar los resultados de las
ejecuciones anteriores sin eliminar antes las variables guardadas en el Editor de datos.
Variables a guardar
v Valor o categora pronosticados. Esta opcin guarda el valor predicho para el destino de escala o la
categora predicha para un destino categrico.
v Probabilidad predicha. Esta opcin guarda las probabilidades pronosticadas para un destino
categrico. Para cada una de las primeras n categoras se guarda una variable diferente, donde n se
especifica en el control Mximo de categoras para guardar para un destino categrico.
v Variables de particiones de entrenamiento y reserva. Si los casos se asignan aleatoriamente a las
muestras de entrenamiento y reserva de la pestaa Particiones, esta opcin guarda el valor de la
particin (entrenamiento y reserva) a la que se ha asignado el caso.
v Variable de pliegues de validacin cruzada. Si los casos se asignan aleatoriamente a los pliegues de
validacin cruzada de la pestaa Particiones, esta opcin guarda el valor del pliegue al que se ha
asignado el caso.

Resultados
Salida del visor
v Resumen de procesamiento de casos. Muestra la tabla de resumen de procesamiento de casos, que
resume el nmero de casos incluidos y excluidos en el anlisis, en total y por muestras de
entrenamiento y reservadas.
v Grficos y tablas. Muestra los resultados relacionados con los modelos, incluyendo tablas y grficos.
Las tablas de la vista de modelo incluyen los k vecinos ms prximos y las distancias de casos focales,
la clasificacin de variables de respuesta categrica y un resumen de errores. El resultado grfico de la
vista de modelo incluye un registro de errores de seleccin, un grfico de importancia de
caractersticas, un grfico de espacio de caractersticas, un grfico de homlogos y un mapa de
cuadrante. Consulte el tema Vista de modelo para obtener ms informacin.
Archivos
v Exportar modelo a XML. Puede utilizar este archivo de modelo para aplicar la informacin del
modelo a otros archivos de datos para puntuarlo. Esta opcin no se encuentra disponible si se han
definido archivos segmentados.
v Exportar distancias entre casos focales y k vecinos ms prximos. En cada caso focal, se crea una
variable distinta para cada uno de los k vecinos ms prximos del caso focal (de la muestra de
entrenamiento) y las k distancias ms prximas correspondientes.
Opciones
Valores perdidos del usuario. Para que un caso se incluya en el anlisis, las variables categricas deben
tener valores vlidos para dicho caso. Estos controles permiten decidir si los valores perdidos del usuario
se deben tratar como vlidos entre las variables categricas.
Los valores perdidos del sistema y perdidos para las variables de escala siempre se tratan como no
vlidos.
Vista de modelo
Cuando seleccione Grficos y tablas en la pestaa Resultados, el procedimiento crear un objeto de
modelo de vecino ms prximo en el visor. Al activar (pulsando dos veces) este objeto se obtiene una
vista interactiva del modelo. La vista de modelos tiene una ventana con dos paneles:
v El primer panel muestra una descripcin general del modelo denominado vista principal.
v El segundo panel muestra uno de los dos tipos de vistas:
Una vista de modelos auxiliar muestra ms informacin sobre el modelo, pero no se centra en el
propio modelo.
Una vista enlazada es una vista que muestra detalles sobre una caracterstica del modelo cuando el
usuario desglosa parte de la vista principal.
De forma predeterminada, el primer panel muestra el espacio de caractersticas y el segundo muestra el

grfico de importancia de variables. Si el grfico de importancia de variables no est disponible, es decir,
si Ponderar caractersticas por importancia no se ha seleccionado en la pestaa Funciones, se mostrar la
primera vista disponible en la lista desplegable Ver.
Cuando una vista no tiene ninguna informacin disponible, se desactiva este texto de elemento en la lista
desplegable Ver.

Espacio de caractersticas
El grfico de espacio de caractersticas es un grfico interactivo del espacio de caractersticas (o un
subespacio, si hay ms de 3 caractersticas). Cada eje representa una caracterstica del modelo, y la
ubicacin de los puntos del grfico muestran los valores de dichas caractersticas para casos de las
particiones de entrenamiento y reserva.
Claves. Adems los valores de las caractersticas, los puntos del grfico indican otra informacin.
v La forma indica la particin a la que pertenece un punto, ya sea Entrenamiento o Reserva.
v El color y el sombreado de un punto indican el valor del destino de ese caso: cada valor de color
diferente representa las categoras de un destino categrico y las sombras indican el rango de valores
de un destino continuo. El valor indicado para la particin de entrenamiento es el valor observado,
mientras que en el caso de la particin de reserva, representa el valor predicho. Si no se especifica
ningn destino, esta clave no aparece.
v Los titulares ms gruesos indican que un caso es focal. Los casos focales se muestran en relacin con
sus k vecinos ms prximos.
Controles e interactividad. Una serie de controles del grfico le permite explorar el espacio de
caractersticas.
v Puede seleccionar qu subconjunto de caractersticas mostrar en el grfico y modificar qu funciones se
representan en las dimensiones.
v Los casos focales son simplemente puntos seleccionados en el grfico del espacio de caractersticas. Si
ha especificado una variable de caso focal, los puntos que representan los casos focales se seleccionarn
inicialmente. Sin embargo, cualquier punto puede convertirse en un caso focal si lo selecciona. A la
seleccin de puntos se aplican los controles normales, es decir, si pulsa en un punto ste se
selecciona y se cancela la seleccin de todos los dems y si pulsa Control y el ratn sobre un punto
ste se aadir al conjunto de puntos seleccionados. Las vistas enlazadas, como el grfico de
homlogos, se actualizarn automticamente en funcin de los casos seleccionados en el espacio de
caractersticas.
v Puede modificar el nmero de vecinos ms prximos (k) para mostrar casos focales.
v Al pasar el ratn sobre un punto del grfico se mostrar una ayuda contextual con el valor de la
etiqueta de caso o un nmero de caso si las etiquetas de caso no se definen, as como los valores de
destino observados y pronosticados.
v Un botn Restablecer le permite devolver el espacio de caractersticas a su estado original.
Adicin y eliminacin de campos/variables

Puede aadir nuevos campos/variables al espacio de caractersticas o eliminar los que se visualizan en
este momento.
Paleta de variables
Debe visualizar la paleta de variables antes de que pueda aadir y eliminar variables. Para visualizar la
paleta de variables, el visor de modelos deber estar en modo de edicin y deber seleccionarse un caso
en el espacio de caractersticas.
1. Para poner el visor de modelos en modo de edicin, elija en los mens:
Ver > Modo de edicin
2. Una vez en Modo Edicin, pulse sobre cualquier caso del espacio de caractersticas.
3. Para visualizar la paleta de variables, elija en los mens:
Ver > Paletas > Variables
La paleta de variables enumera todas las variables del espacio de caractersticas. El icono junto al
nombre de variable indica el nivel de medicin de la variable.

4. Para cambiar temporalmente el nivel de medicin de una variable, pulse con el botn derecho en la
variable de la paleta de variables y seleccione una opcin.
Zonas de variables
Las variables se aaden a "zonas" del espacio de caractersticas. Para visualizar las zonas, empiece
arrastrando una variable desde la paleta de variables o seleccionando Mostrar zonas.
El espacio de caractersticas tiene zonas para los ejes x, y y z.
Desplazamiento de variables a zonas
stas son algunas reglas generales y sugerencias para desplazar variables a zonas:
v Para desplazar una variable a una zona, pulse y arrastre la variable desde la paleta de variables y
sultela en la zona. Si selecciona Mostrar zonas, tambin puede pulsar con el botn derecho en una
zona y seleccionar una variable que desee aadir a la zona.
v Si arrastra una variable de la paleta de variables a una zona que ya est ocupada por otra variable, la
nueva variable sustituir a la anterior.
v Si arrastra una variable de una zona a una zona que ya est ocupada por otra variable, las variables
intercambiarn posiciones.
v Si pulsa en la X de una zona, eliminar la variable de dicha zona.
v Si hay varios elementos grficos en la visualizacin, cada elemento grfico puede tener sus propias
zonas de variables asociadas. Primero, seleccione el elemento grfico.
Importancia de la variable
Normalmente, desea centrar sus esfuerzos de modelado en las variables que importan ms y considera
eliminar o ignorar las que importan menos. El grfico de importancia de la variable le ayuda a hacerlo
indicando la importancia relativa de cada variable en la estimacin del modelo. Como las variables son
relativas, la suma de los valores de todas las variables de la visualizacin es 1,0. La importancia de
variable no est relacionada con la precisin del modelo. Slo est relacionada con la importancia de cada
variable para realizar una prediccin, independientemente de si sta es precisa o no.
Homlogos
Este grfico muestra los casos focales y sus k vecinos ms prximos en cada caracterstica y en el destino.
Est disponible si se selecciona un caso focal en el espacio de caractersticas.
Forma de enlace. El grfico Homlogos se enlaza con el espacio de caractersticas de dos formas.
v Los casos seleccionados (focal) en el espacio de caractersticas se muestran en el grfico Homlogos,
juntos con sus k vecinos ms prximos.
v El valor de k seleccionado en el espacio de caractersticas se utiliza en el grfico Homlogos.
Distancias de vecinos ms prximos

Esta tabla muestra los k vecinos ms prximos y las distancias de casos focales nicamente. Est
disponible si se especifica un identificador de caso focal en la pestaa Variables, y slo muestra los casos
focales identificados por esta variable.
Cada fila de:

v La columna Caso focal contiene el valor de la variable de etiqueta de caso del caso focal; si las
etiquetas de caso no se definen, esta columna contendr el nmero de caso del caso focal.
v La i columna del grupo Vecinos ms prximos contiene el valor de la variable de etiqueta de caso del
i vecino ms prximo al caso focal; si las etiquetas de caso no se definen, esta columna contendr el
nmero de caso del i vecino ms prximo al caso focal.

v La i columna del grupo Distancias ms prximas contiene la distancia del i vecino ms prximo al
caso focal.
Mapa de cuadrantes
Este grfico muestra los casos focales y sus k vecinos ms prximos en un diagrama de dispersin (o
grfico de puntos, dependiendo del nivel de medicin del destino) con el destino en el eje y y una
caracterstica de escala en el eje x, panelado por caractersticas. Est disponible si hay un destino y se
selecciona un caso focal en el Espacio de caractersticas.
v Se dibujan lneas de referencia para las variables continuas en las medias variables en la particin de
entrenamiento.
Registro de errores de seleccin de caractersticas

Seala en la vista de grfico el error (la tasa de error o de error cuadrtico, dependiendo del nivel de
medicin del destino) en el eje y para el modelo con la caracterstica enumerada en el eje x (adems de
todas las caractersticas a la izquierda del eje x). Este grfico est disponible si hay un destino y la
seleccin de caractersticas est activada.
Registro de errores de seleccin de k

Seala en la vista de grfico el error (la tasa de error o de error cuadrtico, dependiendo del nivel de
medicin del destino) en el eje y para el modelo con el nmero de vecinos ms prximos (k) en el eje x.
Este grfico est disponible si hay un destino y la seleccin de k est activada.
Registro de errores de seleccin de caractersticas y k

Estos son los grficos de seleccin de caractersticas (consulte Registro de errores de seleccin de
caractersticas), panelados por k. Este grfico est disponible si hay un destino y la seleccin de
caractersticas y k estn activadas.
Tabla de clasificacin
Esta tabla muestra la clasificacin cruzada de los valores observados en comparacin con los valores
pronosticados del destino, en funcin de la particin. Est disponible si hay un destino y es categrico.
v La fila (Perdidos) de la particin de reserva contiene casos de reserva con los valores perdidos en el
destino. Estos casos contribuyen a los valores de Muestra reservada: Valores de Porcentaje global, pero
no a los valores de Porcentaje correcto.
Resumen de error
Esta tabla est disponible si hay una variable objetivo. Muestra el error asociado con el modelo, la suma
de cuadrados de un destino continuo y la tasa de error (100%, porcentaje global correcto) de un destino
categrico.

Captulo 21. Anlisis discriminante
El anlisis discriminante crea un modelo predictivo para la pertenencia al grupo. El modelo est
compuesto por una funcin discriminante (o, para ms de dos grupos, un conjunto de funciones
discriminantes) basada en combinaciones lineales de las variables predictoras que proporcionan la mejor
discriminacin posible entre los grupos. Las funciones se generan a partir de una muestra de casos para
los que se conoce el grupo de pertenencia; posteriormente, las funciones pueden ser aplicadas a nuevos
casos que dispongan de mediciones para las variables predictoras pero de los que se desconozca el grupo
de pertenencia.
Nota: la variable de agrupacin puede tener ms de dos valores. Los cdigos de la variable de agrupacin
han de ser nmeros enteros y es necesario especificar sus valores mximo y mnimo. Los casos con
valores fuera de estos lmites se excluyen del anlisis.
Ejemplo. Por trmino medio, las personas de los pases de zonas templadas consumen ms caloras por
da que las de los trpicos, y una proporcin mayor de la poblacin de las zonas templadas vive en
ncleos urbanos. Un investigador desea combinar esta informacin en una funcin para determinar cmo
de bien un individuo es capaz de discriminar entre los dos grupos de pases. El investigador considera
adems que el tamao de la poblacin y la informacin econmica tambin pueden ser importantes. El
anlisis discriminante permite estimar los coeficientes de la funcin discriminante lineal, que tiene el
aspecto de la parte derecha de una ecuacin de regresin lineal mltiple. Es decir, utilizando los
coeficientes a, b, c y d, la funcin es:
D = a * clima + b * urbanos + c * poblacin + d * producto interior bruto per cpita
Si estas variables resultan tiles para discriminar entre las dos zonas climticas, los valores de D sern
diferentes para los pases templados y para los tropicales. Si se utiliza un mtodo de seleccin de
variables por pasos, quizs no se necesite incluir las cuatro variables en la funcin.
Estadsticos. Para cada variable: medias, desviaciones estndar, ANOVA univariado. Para cada anlisis: M
de Box, matriz de correlaciones intra-grupos, matriz de covarianzas intra-grupos, matriz de covarianzas
de los grupos separados, matriz de covarianzas total. Para cada funcin discriminante cannica:
autovalores, porcentaje de varianza, correlacin cannica, lambda de Wilks, chi-cuadrado. Para cada paso:
probabilidades previas, coeficientes de la funcin de Fisher, coeficientes de funcin no tipificados, lambda
de Wilks para cada funcin cannica.
Anlisis discriminante: Consideraciones sobre los datos
Datos. La variable de agrupacin debe tener un nmero limitado de categoras distintas, codificadas
como nmeros enteros. Las variables independientes que sean nominales deben ser recodificadas a
variables auxiliares o de contraste.
Supuestos. Los casos deben ser independientes. Las variables predictoras deben tener una distribucin
normal multivariada y las matrices de varianzas-covarianzas intra-grupos deben ser iguales en todos los
grupos. Se asume que la pertenencia al grupo es mutuamente exclusiva (es decir, ningn caso pertenece a
ms de un grupo) y exhaustiva de modo colectivo (es decir, todos los casos son miembros de un grupo).
El procedimiento es ms efectivo cuando la pertenencia al grupo es una variable verdaderamente
categrica; si la pertenencia al grupo se basa en los valores de una variable continua (por ejemplo, un
cociente de inteligencia alto respecto a uno bajo), considere el uso de la regresin lineal para aprovechar
la informacin ms rica ofrecida por la propia variable continua.
Para obtener un anlisis discriminante


Analizar > Clasificar > Discriminante...
2. Seleccione una variable de agrupacin con valores enteros y pulse en Definir rango para especificar
las categoras de inters.
3. Seleccione las variables independientes o predictoras. (Si la variable de agrupacin no tiene valores
enteros, la opcin Recodificacin automtica en el men Transformar crear una variable que los
tenga).
4. Seleccione el mtodo de introduccin de las variables independientes.
v Introducir independientes juntas. Introducir simultneamente todas las variables independientes
que satisfacen el criterio de tolerancia.
v Usar mtodo de inclusin por pasos. Utiliza el anlisis por pasos para controlar la entrada y la
eliminacin de variables.
5. Si lo desea, seleccione casos mediante una variable de seleccin.
Anlisis discriminante: Definir rango

Especifique los valores mnimo y mximo de la variable de agrupacin para el anlisis. Los casos con
valores fuera de este rango no se utilizan en el anlisis discriminante, pero s se clasifican en uno de los
grupos existentes a partir de los resultados que obtengan en el anlisis. Los valores mnimo y mximo
deben ser nmeros enteros.
Anlisis discriminante: Seleccionar casos

Para seleccionar casos para el anlisis:
1. En el cuadro de dilogo Anlisis discriminante, seleccione una variable de seleccin.
2. Pulse en Valor para introducir un nmero entero como valor de seleccin.
Slo se utilizan los casos con el valor especificado en la variable de seleccin para derivar las funciones
discriminantes. Tanto para los casos seleccionados como para los no seleccionados se generan resultados
de clasificaciones y estadsticos. Este proceso ofrece un mecanismo para clasificar casos nuevos basados
en datos previos o para dividir los datos en subconjuntos de contraste y comprobacin para realizar
procedimientos de validacin en el modelo generado.
Anlisis discriminante: Estadsticos

Descriptivos. Las opciones disponibles son: Medias (que incluye las desviaciones estndar), ANOVAs
univariados y prueba M de Box.
v Medias. Muestra la media y desviacin estndar totales y las medias y desviaciones estndar de grupo,
para las variables independientes.
v ANOVAs univariados. Realiza un anlisis de varianza de un factor sobre la igualdad de las medias de
grupo para cada variable independiente.
v M de Box. Contraste sobre la igualdad de las matrices de covarianza de los grupos. Para tamaos de
muestras suficientemente grandes, un valor de p no significativo quiere decir que no hay suficiente
evidencia de que las varianzas sean diferentes. Esta prueba es sensible a las desviaciones de la
normalidad multivariada.
Coeficientes de la funcin. Las opciones disponibles son: Coeficientes de clasificacin de Fisher y

Coeficientes no tipificados.
v De Fisher. Muestra los coeficientes de la funcin de clasificacin de Fisher que pueden utilizarse
directamente para la clasificacin. Se obtiene un conjunto de coeficientes para cada grupo, y se asigna
un caso al grupo para el que tiene una mayor puntuacin discriminante (valor de funcin de
clasificacin).
v No tipificados. Muestra los coeficientes de la funcin discriminante sin estandarizar.

Matrices. Las matrices de coeficientes disponibles para las variables independientes son las de:
Correlacin intra-grupos, Covarianza intra-grupos, Covarianza de grupos separados y Covarianza total.
v Correlacin intra-grupos. Muestra la matriz de correlaciones intra-grupos combinada, que se obtiene de
promediar las matrices de covarianza individuales para todos los grupos antes de calcular las
correlaciones.
v Covarianza intra-grupos. Muestra la matriz de covarianza intra-grupos combinada, la cual puede diferir
de la matriz de covarianza total. La matriz se obtiene de promediar, para todos los grupos, las matrices
de covarianza individuales.
v Covarianza de grupos separados. Muestra las matrices de covarianza de cada grupo por separado.
v Covarianza total. Muestra la matriz de covarianza para todos los casos, como si fueran una nica
muestra.
Anlisis discriminante: Mtodo de inclusin por pasos

Mtodo. Seleccione el estadstico que se va a utilizar para introducir o eliminar nuevas variables. Las
alternativas disponibles son la lambda de Wilks, la varianza no explicada, la distancia de Mahalanobis, la
menor razn F y la V de Rao. Con la V de Rao se puede especificar el incremento mnimo de V para
introducir una variable.
v Lambda de Wilks. Mtodo para la seleccin de variables por pasos del anlisis discriminante que
selecciona las variables para su introduccin en la ecuacin basndose en cunto contribuyen a
disminuir la lambda de Wilks. En cada paso se introduce la variable que minimiza la lambda de Wilks
global.
v Varianza no explicada. En cada paso se introduce la variable que minimiza la suma de la variacin no
explicada entre los grupos.
v Distancia de Mahalanobis. Medida de cunto difieren del promedio para todos los casos los valores en
las variables independientes de un caso dado. Una distancia de Mahalanobis grande identifica un caso
que tenga valores extremos en una o ms de las variables independientes.
v Menor razn F. Mtodo para la seleccin de variables en los anlisis por pasos que se basa en
maximizar la razn F, calculada a partir de la distancia de Mahalanobis entre los grupos.
v V de Rao. Medida de las diferencias entre las medias de los grupos. Tambin se denomina la traza de
Lawley-Hotelling. En cada paso, se incluye la variable que maximiza el incremento de la V de Rao.
Despus de seleccionar esta opcin, introduzca el valor mnimo que debe tener una variable para
poder incluirse en el anlisis.
Criterios. Las alternativas disponibles son Usar valor de F y Usar probabilidad de F. Introduzca valores
para introducir y eliminar variables.
v Usar valor de F. Una variable se introduce en el modelo si su valor de F es mayor que el valor de
entrada, y se elimina si su valor de F es menor que el valor de Eliminacin. La entrada debe ser mayor
que la eliminacin y ambos valores deben ser positivos. Para introducir ms variables en el modelo,
disminuya el valor de entrada. Para eliminar ms variables del modelo, eleve el valor de eliminacin.
v Usar probabilidad de F. Una variable se introduce en el modelo si el nivel de significacin de su valor de
F es menor que el valor de entrada, y se elimina si el nivel de significacin de su valor de F es mayor
que el valor de Eliminacin. La entrada debe ser menor que la eliminacin y ambos valores deben ser
positivos. Para introducir ms variables en el modelo, aumente el valor de entrada. Para eliminar ms
variables del modelo, disminuya el valor de eliminacin.
Representacin. Resumen de los pasos muestra los estadsticos para todas las variables despus de cada
paso; F para distancias por parejas muestra una matriz de razones F por parejas para cada pareja de
grupos.
Captulo 21. Anlisis discriminante 99

Anlisis discriminante: Clasificar
Probabilidades previas. Esta opcin determina si se corrigen los coeficientes de clasificacin teniendo en
cuenta la informacin previa sobre la pertenencia a los grupos.
v Todos los grupos iguales. Se suponen probabilidades previas iguales para todos los grupos. Esta
opcin no tiene ningn efecto sobre los coeficientes.
v Calcular segn tamaos de grupos. Los tamaos de los grupos observados de la muestra determinan
las probabilidades previas de la pertenencia a los grupos. Por ejemplo, si el 50% de las observaciones
incluidas en el anlisis corresponden al primer grupo, el 25% al segundo y el 25% al tercero, se
corregirn los coeficientes de clasificacin para aumentar la probabilidad de la pertenencia al primer
grupo respecto a los otros dos.
Representacin. Las opciones de presentacin disponibles son: Resultados por casos, Tabla de resumen y
Clasificacin dejando uno fuera.
v Resultados para cada caso. Se muestran, para cada caso, los cdigos del grupo real de pertenencia, el
grupo pronosticado, las probabilidades posteriores y las puntuaciones discriminantes.
v Tabla de resumen. Nmero de casos correcta e incorrectamente asignados a cada uno de los grupos,
basndose en el anlisis discriminante. En ocasiones se denomina "Matriz de Confusin".
v Clasificacin dejando uno fuera. Se clasifica cada caso del anlisis mediante la funcin derivada de todos
los casos, excepto el propio caso. Tambin se conoce como mtodo U.
Reemplazar los valores perdidos con la media. Seleccione esta opcin para sustituir la media de una
variable independiente para un valor perdido slo durante la fase de clasificacin.
Usar matriz de covarianzas. Existe la opcin de clasificar los casos utilizando una matriz de covarianzas
intra-grupos o una matriz de covarianzas de los grupos separados.
v Intra-grupos. Se utiliza la matriz de covarianza intra-grupos combinada para clasificar los casos.
v Grupos separados. Para la clasificacin se utilizan las matrices de covarianza de los grupos separados.
Dado que la clasificacin se basa en las funciones discriminantes y no en las variables originales, esta
opcin no siempre es equivalente a la discriminacin cuadrtica.
Diagramas. Las opciones de grficos disponibles son: Grupos combinados, Grupos separados y Mapa
territorial.
v Grupos combinados. Crea un diagrama de dispersin, con todos los grupos, de los valores en las dos
primeras funciones discriminantes. Si slo hay una funcin, en su lugar se muestra un histograma.
v Grupos separados. Crea diagramas de dispersin, de los grupos por separado, para los valores en las
dos primeras funciones discriminantes. Si slo hay una funcin, en su lugar se muestra un histograma.
v Mapa territorial. Grfico de las fronteras utilizadas para clasificar los casos en grupos a partir de los
valores en las funciones. Los nmeros corresponden a los grupos en los que se clasifican los casos. La
media de cada grupo se indica mediante un asterisco situado dentro de sus fronteras. No se mostrar
el mapa si slo hay una funcin discriminante.
Anlisis discriminante: Guardar

Es posible aadir variables nuevas al archivo de datos activo. Las opciones disponibles son las de grupo
de pertenencia pronosticado (una nica variable), puntuaciones discriminantes (una variable para cada
funcin discriminante en la solucin) y probabilidades de pertenencia al grupo segn las puntuaciones
discriminantes (una variable para cada grupo).
Tambin se puede exportar informacin del modelo al archivo especificado en formato XML. Puede
utilizar este archivo de modelo para aplicar la informacin del modelo a otros archivos de datos para
puntuarlo.

Caractersticas adicionales del comando DISCRIMINANT
v Realizar varios anlisis discriminantes (con un comando) y controlar el orden en el que se introducen
las variables (mediante el subcomando ANALYSIS).
v Especificar probabilidades previas para la clasificacin (mediante el subcomando PRIORS).
v Mostrar matrices de estructura y de configuracin rotadas (mediante el subcomando ROTATE).
v Limitar el nmero de funciones discriminantes extradas (mediante el subcomando FUNCTIONS).
v Restringir la clasificacin a los casos que estn seleccionados (o no seleccionados) para el anlisis
(mediante el subcomando SELECT).
v Leer y analizar una matriz de correlaciones (mediante el subcomando MATRIX).
v Escribir una matriz de correlaciones para su anlisis posterior (mediante el subcomando MATRIX).
Captulo 21. Anlisis discriminante 101

Captulo 22. Anlisis factorial
El anlisis factorial intenta identificar variables subyacentes, o factores, que expliquen la configuracin de
las correlaciones dentro de un conjunto de variables observadas. El anlisis factorial se suele utilizar en la
reduccin de los datos para identificar un pequeo nmero de factores que explique la mayora de la
varianza observada en un nmero mayor de variables manifiestas. Tambin puede utilizarse para generar
hiptesis relacionadas con los mecanismos causales o para inspeccionar las variables para anlisis
subsiguientes (por ejemplo, para identificar la colinealidad antes de realizar un anlisis de regresin
lineal).
El procedimiento de anlisis factorial ofrece un alto grado de flexibilidad:

v Existen siete mtodos de extraccin factorial disponibles.
v Existen cinco mtodos de rotacin disponibles, entre ellos el oblimin directo y el promax para
rotaciones no ortogonales.
v Existen tres mtodos disponibles para calcular las puntuaciones factoriales; y las puntuaciones pueden
guardarse como variables para anlisis adicionales.
Ejemplo. Qu actitudes subyacentes hacen que las personas respondan a las preguntas de una encuesta
poltica de la manera en que lo hacen? Examinando las correlaciones entre los elementos de la encuesta se
deduce que hay una superposicin significativa entre los diversos subgrupos de elementos (las preguntas
sobre los impuestos tienden a estar correlacionadas entre s, las preguntas sobre temas militares tambin
estn correlacionadas entre s, y as sucesivamente). Con el anlisis factorial, se puede investigar el
nmero de factores subyacentes y, en muchos casos, identificar lo que los factores representan
conceptualmente. Adicionalmente, se pueden calcular las puntuaciones factoriales para cada encuestado,
que pueden utilizarse en anlisis subsiguientes. Por ejemplo, es posible generar un modelo de regresin
logstica para predecir el comportamiento de voto basndose en las puntuaciones factoriales.
Estadsticos. Para cada variable: nmero de casos vlidos, media y desviacin estndar. Para cada anlisis
factorial: matriz de correlaciones de variables, incluidos niveles de significacin, determinante, inversa;
matriz de correlaciones reproducida, que incluye anti-imagen; solucin inicial (comunalidades,
autovalores y porcentaje de varianza explicada); KMO (medida de la adecuacin muestral de
Kaiser-Meyer-Olkin) y prueba de esfericidad de Bartlett; solucin sin rotar, que incluye cargas factoriales,
comunalidades y autovalores; y solucin rotada, que incluye la matriz de configuracin rotada y la matriz
de transformacin. Para rotaciones oblicuas: las matrices de estructura y de configuracin rotadas; matriz
de coeficientes para el clculo de las puntuaciones factoriales y matriz de covarianzas entre los factores.
Grficos: grfico de sedimentacin y grfico de las cargas de los dos o tres primeros factores.
Anlisis factorial: Consideraciones sobre los datos
Datos. Las variables deben ser cuantitativas a nivel de intervalo o de razn. Los datos categricos (como la
religin o el pas de origen) no son adecuados para el anlisis factorial. Los datos para los cuales
razonablemente se pueden calcular los coeficientes de correlacin de Pearson, deberan ser adecuados
para el anlisis factorial.
Supuestos. Los datos deben tener una distribucin normal bivariada para cada pareja de variables y las
observaciones deben ser independientes. El modelo de anlisis factorial especifica que las variables
vienen determinadas por los factores comunes (los factores estimados por el modelo) y por factores
exclusivos (los cuales no se superponen entre las distintas variables observadas); las estimaciones
calculadas se basan en el supuesto de que ningn factor nico est correlacionado con los dems, ni con
los factores comunes.
Para obtener un anlisis factorial

Analizar > Reduccin de dimensiones > Factor...
2. Seleccione las variables para el anlisis factorial.
Seleccin de casos en el anlisis factorial

Para seleccionar casos para el anlisis:
1. Seleccione una variable de seleccin.
2. Pulse en Valor para introducir un nmero entero como valor de seleccin.
En el anlisis factorial, slo se usarn los casos con ese valor para la variable de seleccin.
Anlisis factorial: Descriptivos

Estadsticos. Los descriptores univariados incluyen la media, la desviacin estndar y el nmero de
casos vlidos para cada variable. La solucin inicial muestra las comunalidades iniciales, los autovalores
y el porcentaje de varianza explicada.
Matriz de correlaciones. Las opciones disponibles son: coeficientes, niveles de significacin, determinante,
inversa, reproducida, anti-imagen y KMO y prueba de esfericidad de Bartlett.
v KMO y prueba de esfericidad de Bartlett. La medida de la adecuacin muestral de Kaiser-Meyer-Olkin
contrasta si las correlaciones parciales entre las variables son pequeas. La prueba de esfericidad de
Bartlett contrasta si la matriz de correlaciones es una matriz de identidad, que indicara que el modelo
factorial es inadecuado.
v Reproducida. La matriz de correlaciones estimada a partir de la solucin del factor. Tambin se
muestran las correlaciones de residuos(la diferencia entre la correlacin observada y la estimada).
v Anti-imagen. La matriz de correlaciones anti-imagen contiene los negativos de los coeficientes de
correlacin parcial y la matriz de covarianza anti-imagen contiene los negativos de las covarianzas
parciales. En un buen modelo factorial la mayora de los elementos no diagonales deben ser pequeos.
En la diagonal de la matriz de correlaciones anti-imagen se muestra la medida de adecuacin muestral
para esa variable.
Anlisis factorial: Extraccin

Mtodo. Permite especificar el mtodo de extraccin factorial. Los mtodos disponibles son:
Componentes principales, Mnimos cuadrados no ponderados, Mnimos cuadrados generalizados,
Mxima verosimilitud, factorizacin de Ejes principales, factorizacin Alfa y factorizacin Imagen.
v Anlisis de componentes principales. Mtodo para la extraccin de factores utilizada para formar
combinaciones lineales no correlacionadas de las variables observadas. El primer componente tiene la
varianza mxima. Las componentes sucesivas explican progresivamente proporciones menores de la
varianza y no estn correlacionadas unas con otras. El anlisis principal de las componentes se utiliza
para obtener la solucin factorial inicial. No se puede utilizar cuando una matriz de correlaciones es
singular.
v Mtodo de mnimos cuadrados no ponderados. Mtodo de extraccin de factores que minimiza la suma de
los cuadrados de las diferencias entre las matrices de correlacin observada y reproducida, ignorando
las diagonales.
v Mtodo de Mnimos cuadrados generalizados. Mtodo de extraccin de factores que minimiza la suma de
los cuadrados de las diferencias entre las matrices de correlacin observada y reproducida. Las
correlaciones se ponderan por el inverso de su exclusividad, de manera que las variables que tengan
un valor alto de exclusividad reciban una ponderacin menor que aqullas que tengan un valor bajo de
exclusividad.
v Mtodo de mxima verosimilitud. Mtodo de extraccin factorial que proporciona las estimaciones de los
parmetros que con mayor probabilidad ha producido la matriz de correlaciones observada, si la

muestra procede de una distribucin normal multivariada. Las correlaciones se ponderan por el
inverso de la exclusividad de las variables, y se emplea un algoritmo iterativo.
v Factorizacin de ejes principales. Mtodo para la extraccin de factores que parte de la matriz de
correlaciones original con los cuadrados de los coeficientes de correlacin mltiple insertados en la
diagonal principal como estimaciones iniciales de las comunalidades. Las cargas factoriales resultantes
se utilizan para estimar de nuevo las comunalidades que reemplazan a las estimaciones previas de
comunalidad en la diagonal. Las iteraciones continan hasta que el cambio en las comunalidades, de
una iteracin a la siguiente, satisfaga el criterio de convergencia para la extraccin.
v Alfa. Mtodo de extraccin factorial que considera a las variables incluidas en el anlisis como una
muestra del universo de las variables posibles. Este mtodo maximiza el Alfa de Cronbach para los
factores.
v Factorizacin imagen. Mtodo para la extraccin de factores, desarrollado por Guttman y basado en la
teora de las imgenes. La parte comn de una variable, llamada la imagen parcial, se define como su
regresin lineal sobre las restantes variables, en lugar de ser una funcin de los factores hipotticos.
Analizar. Permite especificar o una matriz de correlaciones o una matriz de covarianzas.

v Matriz de correlaciones. Es til si las variables de su anlisis se miden sobre escalas distintas.
v Matriz de covarianzas. Es til si se desea aplicar el anlisis factorial a varios grupos con distintas
varianzas para cada variable.
Extraer. Se pueden retener todos los factores cuyos autovalores excedan un valor especificado o retener
un nmero especfico de factores.
Representacin. Permite solicitar la solucin factorial sin rotar y el grfico de sedimentacin de los
autovalores.
v Solucin factorial sin rotar. Muestra las cargas factoriales sin rotar (la matriz de configuracin factorial),
las comunalidades y los autovalores de la solucin factorial.
v Grfico de sedimentacin. Grfico de la varianza que se asocia a cada factor. Este grfico se utiliza para
determinar cuntos factores se deben retenerse. Tpicamente el grfico muestra una clara ruptura entre
la pronunciada inclinacin de los factores ms importantes y el descenso gradual de los restantes (los
sedimentos).
N mximo de iteraciones para convergencia. Permite especificar el nmero mximo de pasos que el
algoritmo puede seguir para estimar la solucin.
Anlisis factorial: Rotacin

Mtodo. Permite seleccionar el mtodo de rotacin factorial. Los mtodos disponibles son: varimax,
equamax, quartimax, oblimin directo y promax.
v Mtodo Varimax. Mtodo de rotacin ortogonal que minimiza el nmero de variables que tienen cargas
altas en cada factor. Simplifica la interpretacin de los factores.
v Criterio Oblimin directo. Mtodo para la rotacin oblicua (no ortogonal). Si delta es igual a cero (el valor
predeterminado) las soluciones son las ms oblicuas. A medida que delta se va haciendo ms negativo,
los factores son menos oblicuos. Para anular el valor predeterminado 0 para delta, introduzca un
nmero menor o igual que 0,8.
v Mtodo quartimax. Mtodo de rotacin que minimiza el nmero de factores necesarios para explicar
cada variable. Simplifica la interpretacin de las variables observadas.
v Mtodo Equamax . Mtodo de rotacin que es combinacin del mtodo varimax, que simplifica los
factores, y el mtodo quartimax, que simplifica las variables. Se minimiza tanto el nmero de variables
que saturan alto en un factor como el nmero de factores necesarios para explicar una variable.
v Rotacin Promax. Rotacin oblicua que permite que los factores estn correlacionados. Esta rotacin se
puede calcular ms rpidamente que una rotacin oblimin directa, por lo que es til para conjuntos de
datos grandes.
Captulo 22. Anlisis factorial 105

Representacin. Permite incluir los resultados de la solucin rotada, as como los grficos de las cargas
para los dos o tres primeros factores.
v Solucin rotada. Debe seleccionarse un mtodo de rotacin para obtener la solucin rotada. Para las
rotaciones ortogonales, se muestran la matriz de configuracin rotada y la matriz de transformacin de
factor. Para las rotaciones oblicuas, se muestran las matrices de correlaciones de factor, estructura y
patrn.
v Diagrama de las cargas factoriales. Representacin tridimensional de las cargas factoriales para los tres
primeros factores. En una solucin de dos factores, se representa un diagrama bidimensional. Si slo se
extrae un factor no se muestra el grfico. Si se solicita la rotacin, los diagramas representan las
soluciones rotadas.
N mximo de iteraciones para convergencia. Permite especificar el nmero mximo de pasos que el
algoritmo puede seguir para llevar a cabo la rotacin.
Anlisis factorial: Puntuaciones factoriales

Guardar como variables. Crea una nueva variable para cada factor en la solucin final.
Mtodo. Los mtodos alternativos para calcular las puntuaciones factoriales son: regresin, Bartlett, y
Anderson-Rubin.
v Mtodo de regresin. Mtodo para estimar los coeficientes de las puntuaciones factoriales. Las
puntuaciones que se producen tienen una media de 0 y una varianza igual al cuadrado de la
correlacin mltiple entre las puntuaciones factoriales estimadas y los valores factoriales verdaderos.
Las puntuaciones puede correlacionarse incluso si los factores son ortogonales.
v Puntuaciones de Bartlett. Mtodo para estimar los coeficientes de las puntuaciones factoriales. Las
puntuaciones resultantes tienen una media de 0. Se minimiza la suma de cuadrados de los factores
exclusivos sobre el rango de las variables.
v Mtodo de Anderson-Rubin. Mtodo para calcular los coeficientes para las puntuaciones factoriales; es
una modificacin del mtodo de Bartlett, que asegura la ortogonalidad de los factores estimados. Las
puntuaciones resultantes tienen una media 0, una desviacin estndar de 1 y no correlacionan entre s.
Mostrar matriz de coeficientes de las puntuaciones factoriales. Muestra los coeficientes por los cuales se
multiplican las variables para obtener puntuaciones factoriales. Tambin muestra las correlaciones entre
las puntuaciones factoriales.
Anlisis factorial: Opciones

Valores perdidos. Permite especificar el tratamiento que reciben los valores perdidos. Las selecciones
disponibles son: Excluir casos segn lista, Excluir casos segn pareja y Reemplazar por la media.
Formato de presentacin de los coeficientes. Permite controlar aspectos de las matrices de resultados.
Los coeficientes se ordenan por tamao y se suprimen aquellos cuyos valores absolutos sean menores que
el valor especificado.
Caractersticas adicionales del comando FACTOR

v Especificar los criterios de convergencia para la iteracin durante la extraccin y la rotacin.
v Especificar grficos factoriales rotados individuales.
v Especificar el nmero de puntuaciones factoriales que se van a guardar.
v Especificar valores diagonales para el mtodo de factorizacin del eje principal.
v Escribir matrices de correlacin o matrices de carga factorial en el disco para su anlisis posterior.
v Leer y analizar matrices de correlacin o matrices de carga factorial.

Captulo 22. Anlisis factorial 107

Captulo 23. Seleccin de procedimientos para la agrupacin
en clsteres
Los anlisis de clsteres se pueden realizar mediante los procedimientos de anlisis de clsteres en dos
fases, jerrquico o de K-medias. Cada uno de estos procedimientos emplea un algoritmo distinto en la
creacin de clsteres y contiene opciones que no estn disponibles en los otros.
Anlisis de clsteres en dos fases. En algunas aplicaciones, se puede seleccionar como mtodo el
procedimiento Anlisis de clsteres en dos fases. Ofrece una serie de caractersticas exclusivas que se
detallan a continuacin:
v Seleccin automtica del nmero ms apropiado de clsteres y medidas para la seleccin de los
distintos modelos de clster.
v Posibilidad de crear modelos de clster basados al mismo tiempo en variables categricas y continuas.
v Posibilidad de guardar el modelo de clster en un archivo XML externo y, a continuacin, leer el
archivo y actualizar el modelo de clster con datos ms recientes.
Asimismo, el procedimiento Anlisis de clsteres en dos fases puede analizar archivos de datos grandes.
Anlisis de clsteres jerrquico. El uso del procedimiento Anlisis de clsteres jerrquico se limita a
archivos de datos ms pequeos (cientos de objetos por agrupar en clsteres) y ofrece una serie de
caractersticas exclusivas que se detallan a continuacin:
v Posibilidad de agrupar en clsteres casos o variables.
v Posibilidad de calcular un rango de soluciones posibles y guardar los clsteres de pertenencia para
cada una de dichas soluciones.
v Distintos mtodos de formacin de clsteres, transformacin de variables y medida de disimilaridad
entre clsteres.
Siempre que todas las variables sean del mismo tipo, el procedimiento Anlisis de clsteres jerrquico
podr analizar variables de intervalo (continuas), de recuento o binarias.
Anlisis de clsteres de K-medias. El uso del procedimiento Anlisis de clsteres de K-medias se limita
a datos continuos y requiere que el usuario especifique previamente el nmero de clsteres y ofrece una
serie de caractersticas exclusivas que se detallan a continuacin:
v Posibilidad de guardar las distancias desde los centros de los clsteres hasta los distintos objetos.
v Posibilidad de leer los centros de los clsteres iniciales y guardar los centros de los clsteres finales
desde un archivo IBM SPSS Statistics externo.
Asimismo, el procedimiento Anlisis de clsteres de K-medias puede analizar archivos de datos grandes.

Captulo 24. Anlisis de clsteres en dos fases
El procedimiento Anlisis de clsteres en dos fases es una herramienta de exploracin diseada para
descubrir las agrupaciones naturales (o clsteres) de un conjunto de datos que, de otra manera, no sera
posible detectar. El algoritmo que emplea este procedimiento incluye varias atractivas caractersticas que
lo hacen diferente de las tcnicas de agrupacin en clsteres tradicionales:
v Tratamiento de variables categricas y continuas. Al suponer que las variables son independientes, es
posible aplicar una distribucin normal multinomial conjunta en las variables continuas y categricas.
v Seleccin automtica del nmero de clsteres. Mediante la comparacin de los valores de un criterio
de seleccin del modelo para diferentes soluciones de agrupacin en clsteres, el procedimiento puede
determinar automticamente el nmero ptimo de clsteres.
v Escalabilidad. Mediante la generacin de un rbol de caractersticas de clsteres (CF) que resume los
registros, el algoritmo en dos fases puede analizar archivos de datos de gran tamao.
Ejemplo. Las empresas minoristas y de venta de productos para el consumidor suelen aplicar tcnicas de
agrupacin en clsteres a los datos que describen los hbitos de consumo, sexo, edad, nivel de ingresos,
etc. de los clientes. Estas empresas adaptan sus estrategias de desarrollo de productos y de marketing en
funcin de cada grupo de consumidores para aumentar las ventas y el nivel de fidelidad a la marca.
Medida de distancia. Esta opcin determina cmo se calcula la similaridad entre dos clsteres.
v Log-verosimilitud. La medida de la verosimilitud realiza una distribucin de probabilidad entre las
variables. Las variables continuas se supone que tienen una distribucin normal, mientras que las
variables categricas se supone que son multinomiales. Se supone que todas las variables son
independientes.
v Eucldea. La medida eucldea es la distancia segn una "lnea recta" entre dos clsteres. Slo se puede
utilizar cuando todas las variables son continuas.
Nmero de clsteres. Esta opcin permite especificar cmo se va a determinar el nmero de clsteres.
v Determinar automticamente. El procedimiento determinar automticamente el nmero "ptimo" de
clsteres, utilizando el criterio especificado en el grupo Criterio de agrupacin en clsteres. Si lo desea,
introduzca un entero positivo para especificar el nmero mximo de clsteres que el procedimiento
debe tener en cuenta.
v Especificar nmero fijo. Permite fijar el nmero de clsteres de la solucin. Introduzca un nmero
entero positivo.
Recuento de variables continuas. Este grupo proporciona un resumen de las especificaciones acerca de la
tipificacin de variables continuas realizadas en el cuadro de dilogo Opciones. Consulte el tema
Opciones del anlisis de clsteres en dos fases en la pgina 112 para obtener ms informacin.
Criterio de agrupacin en clsteres. Esta opcin determina cmo el algoritmo de agrupacin en clsteres
determina el nmero de clsteres. Se puede especificar tanto el criterio de informacin bayesiano (BIC)
como el criterio de informacin de Akaike (AIC).
Consideraciones sobre los datos para el anlisis de clsteres en dos fases
Datos. Este procedimiento trabaja tanto con variables continuas como categricas. Los casos representan
los objetos a agrupar en clsteres y las variables representan los atributos en los que se va a basar la
agrupacin en clsteres.
Orden de casos. Observe que el rbol de caractersticas de clsteres y la solucin final pueden depender
del orden de los casos. Para minimizar los efectos del orden, ordene los casos aleatoriamente. Puede que

desee obtener varias soluciones distintas con los casos ordenados en distintos rdenes aleatorios para
comprobar la estabilidad de una solucin determinada. En situaciones en que esto resulta difcil debido a
unos tamaos de archivo demasiado grandes, se pueden sustituir varias ejecuciones por una muestra de
casos ordenados con distintos rdenes aleatorios.
Supuestos. La medida de la distancia de la verosimilitud supone que las variables del modelo de clster
son independientes. Adems, se supone que cada variable continua tiene una distribucin normal (de
Gauss) y que cada variable categrica tiene una distribucin multinomial. Las comprobaciones empricas
internas indican que este procedimiento es bastante robusto frente a las violaciones tanto del supuesto de
independencia como de las distribuciones, pero an as es preciso tener en cuenta hasta qu punto se
cumplen estos supuestos.
Utilice el procedimiento de correlaciones bivariadas para comprobar la independencia de dos variables

continuas. Utilice el procedimiento de tablas cruzadas para comprobar la independencia de dos variables
categricas. Utilice el procedimiento de medias para comprobar la independencia entre una variable
continua y una categrica. Utilice el procedimiento de exploracin para comprobar la normalidad de una
variable continua. Utilice el procedimiento de prueba de chi-cuadrado para comprobar si una variable
categrica tiene especificada una distribucin multinomial.
Para obtener un anlisis de clsteres en dos fases

Analizar > Clasificar > Clster de bietpico...
2. Seleccione una o varias variables categricas o continuas.
Si lo desea, puede:
v Ajustar los criterios utilizados para construir los clsteres.
v Seleccionar los ajustes para el tratamiento del ruido, la asignacin de memoria, la tipificacin de las
variables y la entrada del modelo de clster.
v Solicitar resultados del visor de modelos.
v Guardar los resultados del modelo en el archivo de trabajo o en un archivo XML externo.
Opciones del anlisis de clsteres en dos fases

Tratamiento del valor atpico. Este grupo permite tratar los valores atpicos de manera especial durante
la agrupacin en clsteres si se llena el rbol de caractersticas de los clsteres (CF). El rbol CF se
considera lleno si no puede aceptar ningn caso ms en un nodo hoja y no hay ningn nodo hoja que se
pueda dividir.
v Si selecciona el tratamiento del ruido y el rbol CF se llena, se har volver a crecer despus de colocar
los casos existentes en hojas poco densas en una hoja de "ruido". Se considera que una hoja es poco
densa si contiene un nmero de casos inferior a un determinado porcentaje de casos del mximo
tamao de hoja. Tras volver a hacer crecer el rbol, los valores atpicos se colocarn en el rbol CF en
caso de que sea posible. Si no es as, se descartarn los valores atpicos.
v Si no selecciona el tratamiento del ruido y el rbol CF se llena, se har volver a crecer utilizando un
umbral del cambio en distancia mayor. Tras la agrupacin en clsteres final, los valores que no se
puedan asignar a un clster se considerarn valores atpicos. Al clster de valores atpicos se le asigna
un nmero de identificacin de -1 y no se incluir en el recuento del nmero de clsteres.
Asignacin de memoria. Este grupo permite especificar la cantidad mxima de memoria en megabytes
(MB) que puede utilizar el algoritmo de agrupacin en clsteres. Si el procedimiento supera este mximo,
utilizar el disco para almacenar la informacin que no se pueda colocar en la memoria. Especifique un
nmero mayor o igual que 4.
v Consulte con el administrador del sistema si desea conocer el valor mximo que puede especificar en
su sistema.

v Si este valor es demasiado bajo, es posible que el algoritmo no consiga obtener el nmero correcto de
clsteres.
Tipificacin de variables. El algoritmo de agrupacin en clsteres trabaja con variables continuas

tipificadas. Todas las variables continuas que no estn tipificadas deben dejarse como variables en la lista
Para tipificar. Para ahorrar algn tiempo y trabajo para el ordenador, puede seleccionar todas las
variables continuas que ya haya tipificado como variables en la lista Asumidas como tipificadas.
Opciones avanzadas
Criterios de ajuste del rbol CF. Los siguientes ajustes del algoritmo de agrupacin en clsteres se
aplican especficamente al rbol de caractersticas de clsteres (CF) y debern cambiarse con cuidado:
v Umbral del cambio en distancia inicial. ste es el umbral inicial que se utiliza para hacer crecer el
rbol CF. Si se ha insertado una determinada hoja en el rbol CF que producira una densidad inferior
al umbral, la hoja no se dividir. Si la densidad supera el umbral, se dividir la hoja.
v N mximo de ramas (por nodo hoja). Nmero mximo de nodos hijo que puede tener un nodo hoja.
v Mxima profundidad de rbol. Nmero mximo de niveles que puede tener un rbol CF.
v Mximo nmero posible de nodos. Indica el nmero mximo de nodos del rbol CF que puede
generar potencialmente el procedimiento, de acuerdo con la funcin (b d+1 - 1) / (b - 1), donde b es el
nmero mximo de ramas y d es la profundidad mxima del rbol. Tenga en cuenta que un rbol CF
excesivamente grande puede agotar los recursos del sistema y afectar negativamente al rendimiento del
procedimiento. Como mnimo, cada nodo requiere 16 bytes.
Actualizacin del modelo de clster. Este grupo permite importar y actualizar un modelo de clster
generado en un anlisis anterior. El archivo de entrada contiene el rbol CF en formato XML. A
continuacin, se actualizar el modelo con los datos existentes en el archivo activo. Debe seleccionar los
nombres de variable en el cuadro de dilogo principal en el mismo orden en que se especificaron en el
anlisis anterior. El archivo XML permanecer inalterado, a no ser que escriba especficamente la nueva
informacin del modelo en el mismo nombre de archivo. Consulte el tema Resultados de anlisis de
clsteres en dos fases para obtener ms informacin.
Si se ha especificado una actualizacin del modelo de clster, se utilizarn las opciones pertenecientes a la
generacin del rbol CF que se especificaron para el modelo original. Concretamente, se utilizarn los
ajustes del modelo guardado acerca de la medida de distancia, el tratamiento del ruido, la asignacin de
memoria y los criterios de ajuste del rbol CF, por lo que se ignorarn todos los ajustes de estas opciones
que se hayan especificado en los cuadros de dilogo.
Nota: al realizar una actualizacin del modelo de clster, el procedimiento supone que ninguno de los
casos seleccionados en el conjunto de datos activo se utiliz para crear el modelo de clster original. El
procedimiento tambin supone que los casos utilizados en la actualizacin del modelo proceden de la
misma poblacin que los casos utilizados para crear el modelo; es decir, se supone que las medias y las
varianzas de las variables continuas y los niveles de las variables categricas son los mismos en ambos
conjuntos de casos. Si los conjuntos de casos "nuevo" y "antiguo" proceden de poblaciones heterogneas,
deber ejecutar el procedimiento Anlisis de clsteres en dos fases para los conjuntos combinados de
casos para obtener los resultados ptimos.
Resultados de anlisis de clsteres en dos fases

Resultado. Este grupo proporciona opciones para la presentacin los resultados de la agrupacin en
clsteres.
v Tablas dinmicas. Los resultados se muestran en tablas dinmicas.
v Grficos y tablas en el Visor de modelos. Los resultados se muestran en el Visor de modelos.
Captulo 24. Anlisis de clsteres en dos fases 113

v Campos de evaluacin. Calcula los datos del clster de las variables que no se han utilizado en su
creacin. Los campos de evaluacin se pueden mostrar junto con las caractersticas de entrada del visor
de modelos seleccionndolas en el cuadro de dilogo subordinado Visualizacin. Los campos con
valores perdidos se ignoran.
Archivo de datos de trabajo. Este grupo permite guardar las variables en el conjunto de datos activo.
v Crear variable del clster de pertenencia. Esta variable contiene un nmero de identificacin de
clster para cada caso. El nombre de esta variable es tsc_n, donde n es un nmero entero positivo que
indica el ordinal de la operacin de almacenamiento del conjunto de datos activo realizada por este
procedimiento en una determinada sesin.
Archivos XML. El modelo de clster final y el rbol CF son dos tipos de archivos de resultados que se
pueden exportar en formato XML.
v Exportar modelo final. Tambin se puede exportar el modelo de clster final al archivo especificado
en formato XML (PMML). Puede utilizar este archivo de modelo para aplicar la informacin del
modelo a otros archivos de datos para puntuarlo.
v Exportar rbol CF. Esta opcin le permite guardar el estado actual del rbol del clster y actualizarlo
ms tarde utilizando datos ms nuevos.
El visor de clsteres
Los modelos de clster se suelen utilizar para buscar grupos (o clsteres) de registros similares basados
en las variables examinadas, donde la similitud entre los miembros del mismo grupo es alta y es baja
entre miembros de grupos diferentes. Los resultados pueden utilizarse para identificar las asociaciones
que, de otra manera, no seran aparentes. Por ejemplo, mediante el anlisis de clsteres de preferencias
del cliente, de nivel de ingresos y de hbitos de consumo, se podra identificar los tipos de clientes con
ms probabilidad de responder a una campaa de marketing particular.
Existen dos mtodos para interpretar los resultados de una presentacin de clsteres:
v Examinar los clsteres para determinar las caractersticas exclusivas de cada clster. Contiene uno de los
clsteres todos los socios con un alto nivel de ingresos? Contiene este clster ms registros que otros?
v Examinar los campos de todos los clsteres para determinar la forma en que los valores se distribuyen
en ellos. Determina el nivel de educacin la pertenencia a un clster? Distingue la puntuacin de crdito alto
entre la pertenencia a un clster o a otro?
Puede utilizar las vistas principales y las diferentes vistas vinculadas en el visor de clsteres para obtener
una mayor perspectiva que le ayuda a responder a estas preguntas.
Si desea ver informacin sobre el modelo de clster, active el objeto Visor de modelos pulsando dos veces
sobre l en el visor.
Visor de clsteres
El Visor de clsteres se compone de dos paneles, la vista principal en la parte izquierda y la vista
relacionada o auxiliar de la derecha. Hay dos vistas principales:
v Resumen del modelo (predeterminado). Consulte el tema Vista Resumen del modelo en la pgina 115
v Clsteres. Consulte el tema Vista de clsteres en la pgina 115 para obtener ms informacin.
Hay cuatro vistas relacionadas/auxiliares:

v Importancia del predictor. Consulte el tema Vista Importancia del predictor de clsteres en la pgina
117 para obtener ms informacin.
v Tamaos de clsteres (predeterminado). Consulte el tema Vista de tamaos de clsteres en la pgina

v Distribucin de casillas. Consulte el tema Vista Distribucin de casillas en la pgina 117 para obtener
ms informacin.
v Comparacin de clsteres. Consulte el tema Vista Comparacin de clsteres en la pgina 117 para
obtener ms informacin.
Vista Resumen del modelo

La vista Resumen del modelo muestra una instantnea o resumen del modelo de clster, incluyendo una
medida de silueta de la cohesin y separacin de clsteres sombreada para indicar resultados pobres,
correctos o buenos. Esta instantnea le permite comprobar rpidamente si la calidad es insuficiente, en
cuyo caso puede optar por volver al nodo de modelado para cambiar los ajustes del modelo de clster
para producir mejores resultados.
Los resultados sern pobres, correctos o buenos de acuerdo con el trabajo de Kaufman y Rousseeuw
(1990) sobre la interpretacin de estructuras de clsteres. En la vista Resumen del modelo, un resultado
"bueno" indica que los datos reflejan una evidencia razonable o slida de que existe una estructura de
clsteres, de acuerdo con la valoracin Kaufman y Rousseeuw; una resultado "correcto" indica que ese
evidencia es dbil, y un resultado "pobre" significa que, segn esa valoracin, no hay evidencias obvias.
Las medias de medida de silueta, en todos los registros, (BA) / max(A,B), donde A es la distancia del
registro al centro de su clster y B es la distancia del registro al centro del clster ms cercano al que no
pertenece. Un coeficiente de silueta de 1 podra implicar que todos los casos estn ubicados directamente
en los centros de sus clsteres. Un valor de -1 significara que todos los casos se encuentran en los centros
de clster de otro clster. Un valor de 0 implica, de media, que los casos estn equidistantes entre el
centro de su propio clster y el siguiente clster ms cercano.
El resumen incluye una tabla que contiene la siguiente informacin:

v Algoritmo. El algoritmo de agrupacin en clsteres utilizado, por ejemplo, "Dos fases".
v Caractersticas de entrada. El nmero de campos, tambin conocidos como entradas o predictores.
v Clsteres. Nmero de clsteres de la solucin.
Vista de clsteres
La vista Clsteres contiene una cuadrcula de clsteres por caractersticas que incluye nombres de
clsteres, tamaos y perfiles para cada clster.
Las columnas de la cuadrcula contienen la siguiente informacin:

v Clster. Nmeros de clsteres creados por el algoritmo.
v Etiqueta. Etiquetas aplicadas a cada clster (est en blanco de forma predeterminada). Pulse dos veces
la casilla para introducir una etiqueta que describa el contenido del clster, por ejemplo "Compradores
de automviles de lujo".
v Descripcin. Cualquier descripcin de los contenidos de los clsteres (est en blanco de forma
predeterminada). Pulse dos veces la casilla para introducir una descripcin del clster, por ejemplo
"Ms de 55 aos de edad, profesionales, con ingresos superiores a 100.000 ".
v Tamao. El tamao de cada clster como porcentaje de la muestra general del clster. Cada casilla de
tamao de la cuadrcula muestra una barra vertical que muestra el porcentaje de tamao del clster, un
porcentaje de tamao en formato numrico y los recuentos de casos de clster.
v Caractersticas. Los predictores o entradas individuales, ordenados por importancia general de forma
predeterminada. Si hay columnas con tamaos iguales, se muestran en orden ascendente en funcin de
los miembros del clster.
La importancia general de la caracterstica se indica por el color del sombreado del fondo de la casilla,
siendo ms oscuro cuanto ms importante sea la caracterstica. Una gua sobre la tabla indica la
importancia vinculada a cada color de casilla de caracterstica.
Cuando pasa el ratn por una casilla, se muestra el nombre completo/etiqueta de la caracterstica y el
valor de importancia de la casilla. Es posible que aparezca ms informacin, en funcin de la vista y tipo

de caracterstica. En la vista Centros de clsteres, esto incluye la estadstica de casilla y el valor de la
casilla, por ejemplo: Media: 4,32. En las caractersticas categricas, la casilla muestra el nombre de la
categora (modal) ms frecuente y su porcentaje.
En la vista Clsteres, puede seleccionar varias formas de mostrar la informacin de clsteres:

v Transponer clsteres y caractersticas. Consulte el tema Transponer clsteres y caractersticas para
v Clasificar caractersticas. Consulte el tema Clasificar caractersticas para obtener ms informacin.
v Clasificar clsteres. Consulte el tema Clasificar clsteres para obtener ms informacin.
v Seleccionar contenido de casilla. Consulte el tema Contenido de casilla para obtener ms
informacin.
Transponer clsteres y caractersticas: De forma predeterminada, los clsteres se muestran como

columnas y las caractersticas se muestran como filas. Para invertir esta visualizacin, pulse el botn
Transponer clsteres y caractersticas a la izquierda de los botones Clasificar caractersticas. Por ejemplo,
puede que desea hacer esto cuando se muestren muchos clsteres para reducir la cantidad de
desplazamiento horizontal necesario para visualizar los datos.
Clasificar caractersticas: Los botones Clasificar caractersticas por le permiten seleccionar la cantidad
de casillas de caractersticas:
v Importancia global Este es el orden de clasificacin predeterminado. Las caractersticas se clasifican en
orden descendente de importancia general y el orden de clasificacin es el mismo entre los distintos
clsteres. Si hay caractersticas que empatan en valores de importancia, stas se muestran en orden de
clasificacin ascendente segn el nombre.
v Importancia dentro del clster Las caractersticas se clasifican con respecto de su importancia para
cada clster. Si hay caractersticas que empatan en valores de importancia, stas se muestran en orden
de clasificacin ascendente segn el nombre. Si esta opcin est seleccionada, el orden de clasificacin
suele variar en los diferentes clsteres.
v Nombre. Las caractersticas se clasifican por nombre en orden alfabtico.
v Orden de los datos Las caractersticas se clasifican por orden en el conjunto de datos.
Clasificar clsteres: De forma predeterminada, los clsteres se clasifican en orden de tamao

descendente. Los botones Clasificar clsteres por le permiten ordenarlos por nombre en orden alfabtico
o, si ha creado etiquetas de exclusivas, por orden de etiqueta alfanumrico.
Las caractersticas con la misma etiqueta se clasifican por nombre de clster. Si los clsteres se clasifican
por etiqueta y modifica la etiqueta de un clster, el orden de clasificacin se actualiza automticamente.
Contenido de casilla: Los botones Casillas le permiten cambiar la visualizacin del contenido de casillas
de caractersticas y campos de evaluacin.
v Centros de los clsteres. De forma predeterminada, las casillas muestran nombres/etiquetas de
caractersticas y la tendencia central para cada combinacin de clster/caracterstica. La media se
muestra para los campos continuos y el modo (categora ms frecuente) con porcentaje de categora
para los campos categricos.
v Distribuciones absolutas. Muestra nombres/etiquetas de caractersticas y distribuciones absolutas de
las caractersticas de cada clster. En el caso de las caractersticas categricas, la visualizacin muestra
grficos de barras superpuestas con las categoras ordenadas en orden ascendente de valores de datos.
En las caractersticas continuas, la visualizacin muestra un grfico de densidad suave que utiliza los
mismos puntos finales e intervalos para cada clster.
La visualizacin en color rojo oscuro muestra la distribucin de clsteres, mientras que la ms clara
representa los datos generales.

v Distribuciones relativas Muestra los nombres/etiquetas de caractersticas y las distribuciones relativas
en las casillas. En general, las visualizaciones son similares a las mostradas para las distribuciones
absolutas, slo que en su lugar se muestran distribuciones relativas.
La visualizacin en color rojo oscuro muestra la distribucin de clsteres, mientras que la ms clara
representa los datos generales.
v Vista bsica. Si hay muchos clsteres, puede resultar difcil ver todos los detalles sin desplazarse. Para
reducir la cantidad de desplazamiento, seleccione esta vista para cambiar la visualizacin a una versin
ms compacta de la tabla.
Vista Importancia del predictor de clsteres

La vista Importancia del predictor muestra la importancia relativa de cada campo en la estimacin del
modelo.
Vista de tamaos de clsteres

La vista Tamaos de clsteres muestra el grfico circular que contiene cada clster. El tamao de
porcentaje de cada clster se muestra en cada sector, pase el ratn sobre cada porcin para mostrar el
recuento de esa porcin.
Bajo el grfico, una tabla enumera la siguiente informacin de tamao:

v El tamao del clster ms pequeo (un recuento y porcentaje del conjunto).
v El tamao del clster mayor (un recuento y porcentaje del conjunto).
v La proporcin entre el tamao del mayor clster y el del menor.
Vista Distribucin de casillas

La vista Distribucin de casillas muestra un grfico expandido y ms detallado de la distribucin de los
datos para cualquier casilla que seleccione en el panel principal Clsteres.
Vista Comparacin de clsteres

La vista Comparacin de clsteres se compone de un diseo en estilo de cuadrcula, con caractersticas en
las filas y clsteres seleccionados en las columnas. Esta vista le ayuda a entender mejor los factores de los
que se componen los clsteres, y le permite ver las diferencias entre los clsteres no slo con respecto a
los datos generales, sino entre s.
Para seleccionar clsteres para su visualizacin, pulse en la parte superior de la columna del clster en el
panel principal Clsteres. Pulse las teclas Ctrl o Mays y pulse para seleccionar o cancelar la seleccin de
ms de un clster para su comparacin.
Nota: puede seleccionar que se muestren hasta cinco clsteres.
Los clsteres se muestran en el orden en que se seleccionaron, mientras que el orden de los campos viene
determinado por la opcin Clasificar caractersticas por. Si selecciona Importancia dentro del clster, los
campos siempre se clasifican por importancia general.
Los grficos de fondo muestran las distribuciones generales de cada caracterstica:

v Las caractersticas categricas aparecen como grficos de puntos, donde el tamao del punto indica la
categora ms frecuente/modal para cada clster (por caracterstica).
v Las caractersticas continuas se muestran como diagramas de caja, que muestran las medianas globales
y los rangos intercuartiles.
En estas vistas de fondo aparecen superpuestos diagramas de caja para los clsteres seleccionados:
v En las caractersticas continuas hay marcadores de puntos cuadrados y lneas horizontales que indican
el rango de mediana e intercuartil de cada clster.
v Cada clster viene representado por un color distinto, que se muestra en la parte superior de la vista.

Navegacin en el Visor de clsteres
El visor de clsteres es una pantalla interactiva. Puede:
v Seleccionar un campo o clster para ver ms detalles.
v Comparar clsteres para seleccionar elementos de inters.
v Alterar la visualizacin.
v Transponer ejes.
Uso de las barras de herramientas
Puede controlar la informacin que aparece en los paneles izquierdo y derecho mediante las opciones de
la barra de herramientas. Puede cambiar la orientacin de la pantalla (de arriba a abajo, de izquierda a
derecha, o de derecha a izquierda) mediante los controles de la barra de herramientas. Adems, tambin
puede restablecer el visor a los ajustes predeterminados, y abrir un cuadro de dilogo para especificar el
contenido de la vista Clsteres en el panel principal.
Las opciones Clasificar caractersticas por, Clasificar clsteres por, Casillas y Mostrar slo estn
disponibles cuando selecciona la vista Clsteres en el panel principal. Consulte el tema Vista de
clsteres en la pgina 115 para obtener ms informacin.
Tabla 2. Iconos de barra de herramientas.
Icono Tema
Consulte Transponer clsteres y caractersticas
Consulte Clasificar caractersticas por
Consulte Clasificar clsteres por
Consulte Casillas
Control de la vista Clsteres
Para controlar qu se muestra en la vista Clsteres del panel principal, pulse el botn Mostrar y se abrir
el cuadro de dilogo Mostrar.
Caractersticas. Est seleccionado de forma predeterminada. Para ocultar todas las caractersticas de
entrada, cancele la seleccin de la casilla de verificacin.
Campos de evaluacin Seleccione los campos de evaluacin (campos que no se usan para crear el
modelo de clster, sino que se envan al visor de modelos para evaluar los clsteres) que desea mostrar,
ya que ninguno se muestra de forma predeterminada. Nota El campo de evaluacin debe ser una cadena
con ms de un valor. Esta casilla de verificacin no est disponible si no hay ningn campo de
evaluacin disponible.
Descripciones de clsteres Est seleccionado de forma predeterminada. Para ocultar todas las casillas de
descripcin de clster, cancele la seleccin de la casilla de verificacin.
Tamaos de clsteres Est seleccionado de forma predeterminada. Para ocultar todas las casillas de
tamao de clster, cancele la seleccin de la casilla de verificacin.
Nmero mximo de categoras Especifique el nmero mximo de categoras que se mostrarn en grficos
de caractersticas categricas. El valor predeterminado es 20.

Filtrado de registros
Si desea obtener ms informacin sobre los casos de un determinado clster o grupo de clsteres, puede
seleccionar un subconjunto de registros para realizar un anlisis ms detallado en los clsteres
seleccionados.
1. Seleccione los clsteres en la vista Clster del Visor de clsteres. Mantenga pulsada la tecla Ctrl al
mismo tiempo que pulsa el botn del ratn para seleccionar varios clsteres.
Generar > Filtrar registros...
3. Introduzca un nombre de variable de filtro. Los registros de los clsteres seleccionados recibirn un
valor igual a 1 para este campo. Todos los dems registros recibirn un valor igual a 0 y se excluirn
de los anlisis subsiguientes hasta que se modifique el estado del filtro.
4. Pulse en Aceptar.

Captulo 25. Anlisis de clsteres jerrquico
Este procedimiento intenta identificar grupos relativamente homogneos de casos (o de variables)
basndose en las caractersticas seleccionadas, mediante un algoritmo que comienza con cada caso (o
cada variable) en un clster diferente y combina los clsteres hasta que slo queda uno. Es posible
analizar las variables brutas o elegir de entre una variedad de transformaciones de estandarizacin. Las
medidas de distancia o similaridad se generan mediante el procedimiento Proximidades. Los estadsticos
se muestran en cada etapa para ayudar a seleccionar la mejor solucin.
Ejemplo. Existen grupos identificables de programas televisivos que atraigan a audiencias similares
dentro de cada grupo? Con el anlisis de clsteres jerrquico, podra agrupar los programas de TV (los
casos) en grupos homogneos basados en las caractersticas del espectador. Esto se puede utilizar para
identificar segmentos de mercado. Tambin puede agrupar ciudades (los casos) en grupos homogneos,
de manera que se puedan seleccionar ciudades comparables para probar diversas estrategias de
marketing.
Estadsticos. Historial de conglomeracin, matriz de distancias (o similaridades) y pertenencia a los

clsteres para una solucin nica o una serie de soluciones. Grficos: dendrogramas y diagramas de
tmpanos.
Anlisis de clsteres jerrquico: Consideraciones sobre los datos
Datos. Las variables pueden ser cuantitativas, binarias o datos de recuento. El escalamiento de las
variables es un aspecto importante, ya que las diferencias en el escalamiento pueden afectar a las
soluciones en clsteres. Si las variables muestran grandes diferencias en el escalamiento (por ejemplo, una
variable se mide en dlares y la otra se mide en aos), debera considerar la posibilidad de
estandarizarlas (esto puede llevarse a cabo automticamente mediante el propio procedimiento Anlisis
de clsteres jerrquico).
Orden de casos. Si hay distancias empatadas o similitudes en los datos de entrada o si stas se producen
entre los clsteres actualizados durante la unin, la solucin de clster resultante puede depender del
orden de los casos del archivo. Puede que desee obtener varias soluciones distintas con los casos
ordenados en distintos rdenes aleatorios para comprobar la estabilidad de una solucin determinada.
Supuestos. Las medidas de distancia o similaridad empleadas deben ser adecuadas para los datos
analizados (vase el procedimiento Proximidades para obtener ms informacin sobre la eleccin de las
medidas de distancia y similaridad). Asimismo, debe incluir todas las variables relevantes en el anlisis.
Si se omiten variables de inters la solucin obtenida puede ser equvoca. Debido a que el anlisis de
clsteres jerrquico es un mtodo exploratorio, los resultados deben considerarse provisionales hasta que
sean confirmados mediante otra muestra independiente.
Para obtener un anlisis de clsteres jerrquico

Analizar > Clasificar > Clsteres jerrquicos...
2. Si est aglomerando casos, seleccione al menos una variable numrica. Si est aglomerando variables,
seleccione al menos tres variables numricas.
Si lo desea, puede seleccionar una variable de identificacin para etiquetar los casos.
121
Anlisis de clsteres jerrquico: Mtodo
Mtodo de agrupacin en clsteres. Las opciones disponibles son: Vinculacin inter-grupos, Vinculacin
intra-grupos, Vecino ms prximo, Vecino ms lejano, Agrupacin de centroides, Agrupacin de medianas
y Mtodo de Ward.
Medida. Permite especificar la medida de distancia o similaridad que ser empleada en la aglomeracin.
Seleccione el tipo de datos y la medida de distancia o similaridad adecuada:
v Intervalo. Distancia eucldea, Distancia eucldea al cuadrado, Coseno, Correlacin de Pearson,
Chebychev, Bloque, Minkowski y Personalizada.
v Recuentos. Las opciones disponibles son: Medida de chi-cuadrado y Medida de phi-cuadrado.
v Binaria. Las opciones disponibles son: Distancia eucldea, Distancia eucldea al cuadrado, Diferencia
de tamao, Diferencia de configuracin, Varianza, Dispersin, Forma, Concordancia simple, Correlacin
phi de 4 puntos, Lambda, D de Anderberg, Dice, Hamann, Jaccard, Kulczynski 1, Kulczynski 2, Lance
y Williams, Ochiai, Rogers y Tanimoto, Russel y Rao, Sokal y Sneath 1, Sokal y Sneath 2, Sokal y
Sneath 3, Sokal y Sneath 4, Sokal y Sneath 5, Y de Yule y Q de Yule.
Transformar valores. Permite estandarizar los valores de los datos, para los casos o las variables, antes de
calcular las proximidades (no est disponible para datos binarios). Los mtodos disponibles de
estandarizacin son: Puntuaciones z, Rango -1 a 1, Rango 0 a 1, Magnitud mxima de 1, Media de 1 y
Desviacin estndar 1.
Transformar medidas. Permite transformar los valores generados por la medida de distancia. Se aplican
despus de calcular la medida de distancia. Las opciones disponibles son: Valores absolutos, Cambiar el
signo y Cambiar la escala al rango 01.
Anlisis de clsteres jerrquico: Estadsticos

Historial de conglomeracin. Muestra los casos o clsteres combinados en cada etapa, las distancias
entre los casos o los clsteres que se combinan, as como el ltimo nivel del proceso de aglomeracin en
el que cada caso (o variable) se uni a su clster correspondiente.
Matriz de proximidades. Proporciona las distancias o similaridades entre los elementos.
Clster de pertenencia. Muestra el clster al cual se asigna cada caso en una o varias etapas de la
combinacin de los clsteres. Las opciones disponibles son: Solucin nica y Rango de soluciones.
Anlisis de clsteres jerrquico: Grficos

Dendrograma. Muestra un dendrograma. Los dendrogramas pueden emplearse para evaluar la cohesin
de los clsteres que se han formado y proporcionar informacin sobre el nmero adecuado de clsteres
que deben conservarse.
Tmpanos. Muestra un diagrama de tmpanos, que incluye todos los clsteres o un rango especificado de
clsteres. Los diagramas de tmpanos muestran informacin sobre cmo se combinan los casos en los
clsteres, en cada iteracin del anlisis. La orientacin permite seleccionar un diagrama vertical u
horizontal.
Anlisis de clsteres jerrquico: Guardar variables nuevas

Clster de pertenencia. Permite guardar los clsteres de pertenencia para una solucin nica o un rango
de soluciones. Las variables guardadas pueden emplearse en anlisis posteriores para explorar otras
diferencias entre los grupos.

Caractersticas adicionales de la sintaxis de comandos CLUSTER
El procedimiento Clster jerrquico utiliza la sintaxis de comandos CLUSTER. La sintaxis de comandos
tambin le permite:
v Utilizar varios mtodos de agrupacin en un nico anlisis.
v Leer y analizar una matriz de proximidades.
v Escribir una matriz de distancias para su anlisis posterior.
v Especificar cualquier valor para la potencia y la raz en la medida de distancia personalizada
(potencia).
v Especificar nombres para variables guardadas.
Captulo 25. Anlisis de clsteres jerrquico 123

Captulo 26. Anlisis de clsteres de K-medias
Este procedimiento intenta identificar grupos de casos relativamente homogneos basndose en las
caractersticas seleccionadas y utilizando un algoritmo que puede gestionar un gran nmero de casos. Sin
embargo, el algoritmo requiere que el usuario especifique el nmero de clsteres. Puede especificar los
centros iniciales de los clsteres si conoce de antemano dicha informacin. Puede elegir uno de los dos
mtodos disponibles para clasificar los casos: la actualizacin de los centros de los clsteres de forma
iterativa o slo la clasificacin. Asimismo, puede guardar la pertenencia a los clsteres, informacin de la
distancia y los centros de los clsteres finales. Si lo desea, puede especificar una variable cuyos valores
sean utilizados para etiquetar los resultados por casos. Tambin puede solicitar los estadsticos F de los
anlisis de varianza. Aunque estos estadsticos son oportunistas (ya que el procedimiento trata de formar
grupos que de hecho difieran), el tamao relativo de los estadsticos proporciona informacin acerca de la
contribucin de cada variable a la separacin de los grupos.
Ejemplo. Cules son los grupos identificables de programas de televisin que atraen audiencias
parecidas dentro de cada grupo? Con el anlisis de clsteres de k-medias, podra agrupar los programas
de televisin (los casos) en k grupos homogneos, basados en las caractersticas del televidente. Este
proceso se puede utilizar para identificar segmentos de mercado. Tambin puede agrupar ciudades (los
casos) en grupos homogneos, de manera que se puedan seleccionar ciudades comparables para probar
diversas estrategias de marketing.
Estadsticos. Solucin completa: centros iniciales de los clsteres, tabla de ANOVA. Cada caso:
informacin del clster, distancia desde el centro del clster.
Anlisis de clsteres de K-medias: Consideraciones sobre los datos
Datos. Las variables deben ser cuantitativas en el nivel de intervalo o de razn. Si las variables son
binarias o recuentos, utilice el procedimiento Anlisis de clsteres jerrquicos.
Orden de casos y centro de clsteres iniciales. El algoritmo predeterminado para elegir centros de
clsteres iniciales no es invariable con respecto a la ordenacin de casos. La opcin Usar medias
actualizadas del cuadro de dilogo Iterar hace que la solucin resultante dependa potencialmente del
orden de casos con independencia de cmo se eligen los centros de clsteres iniciales. Si va a utilizar
alguno de estos mtodos, puede que desee obtener varias soluciones distintas con los casos ordenados en
distintos rdenes aleatorios para comprobar la estabilidad de una solucin determinada. La especificacin
de los centros de clsteres iniciales y la no utilizacin de la opcin Usar medias actualizadas evita los
problemas relacionados con el orden de casos. No obstante, la ordenacin de los centros de clsteres
iniciales puede afectar a la solucin en caso de haber distancias empatadas desde los casos a los centros
de clsteres. Para evaluar la estabilidad de una solucin determinada, puede comparar los resultados de
los anlisis con las distintas permutaciones de los valores de centros iniciales.
Supuestos. Las distancias se calculan utilizando la distancia eucldea simple. Si desea utilizar otra medida
de distancia o de similaridad, utilice el procedimiento Anlisis de clsteres jerrquicos. El escalamiento de
variables es una consideracin importante. Si sus variables utilizan diferentes escalas (por ejemplo, una
variable se expresa en dlares y otra, en aos), los resultados podran ser equvocos. En estos casos,
debera considerar la estandarizacin de las variables antes de realizar el anlisis de clsteres de k-medias
(esta tarea se puede hacer en el procedimiento Descriptivos). Este procedimiento supone que ha
seleccionado el nmero apropiado de clsteres y que ha incluido todas las variables relevantes. Si ha
seleccionado un nmero inapropiado de clsteres o ha omitido variables relevantes, los resultados
podran ser equvocos.
Para obtener un anlisis de clsteres de K-medias

Analizar > Clasificar > Clster de K medias...
2. Seleccione las variables que se van a utilizar en el anlisis de clsteres.
3. Especifique el nmero de clsteres. (Este nmero no debe ser inferior a 2 ni superior al nmero de
casos del archivo de datos.)
4. Seleccione Iterar y clasificar o Slo clasificar.
5. Si lo desea, seleccione una variable de identificacin para etiquetar los casos.
Eficacia del anlisis de clsteres de K-medias

El comando de anlisis de clsteres de k-medias es eficaz principalmente porque no calcula las distancias
entre todos los pares de casos, como hacen muchos algoritmos de agrupacin en clsteres, como el
utilizado por el comando de agrupacin en clsteres jerrquica.
Para conseguir la mxima eficacia, tome una muestra de los casos y seleccione el mtodo Iterar y
clasificar para determinar los centros de los clsteres. Seleccione Escribir finales en. A continuacin,
restaure el archivo de datos completo, seleccione el mtodo Slo clasificar y seleccione Leer iniciales de
para clasificar el archivo completo utilizando los centros estimados a partir de la muestra. Se puede
escribir y leer desde un archivo o conjunto de datos. Los conjuntos de datos estn disponibles para su
uso posterior durante la misma sesin, pero no se guardarn como archivos a menos que se hayan
guardado explcitamente antes de que finalice la sesin. El nombre de un conjunto de datos debe cumplir
las normas de denominacin de variables. Consulte el tema para obtener ms informacin.
Anlisis de clsteres de K-medias: Iterar

Nota: estas opciones slo estn disponibles si se selecciona el mtodo Iterar y clasificar en el cuadro de
dilogo Anlisis de clsteres de K-medias.
N mximo de iteraciones. Limita el nmero de iteraciones en el algoritmo k-medias. La iteracin se

detiene despus de este nmero de iteraciones, incluso si no se ha satisfecho el criterio de convergencia.
Este nmero debe estar entre el 1 y el 999.
Para reproducir el algoritmo utilizado por el comando Quick Cluster en las versiones previas a la 5.0,
establezca Mximo de iteraciones en 1.
Criterio de convergencia. Determina cundo cesa la iteracin. Representa una proporcin de la distancia
mnima entre los centros iniciales de los clsteres, por lo que debe ser mayor que 0 pero no mayor que 1.
Por ejemplo, si el criterio es igual a 0,02, la iteracin cesar si una iteracin completa no mueve ninguno
de los centros de los clsteres en una distancia superior al dos por ciento de la distancia menor entre
cualquiera de los centros iniciales.
Usar medias actualizadas. Permite solicitar la actualizacin de los centros de los clsteres tras la
asignacin de cada caso. Si no selecciona esta opcin, los nuevos centros de los clsteres se calcularn
despus de la asignacin de todos los casos.
Anlisis de clsteres de K-medias: Guardar

Puede guardar informacin sobre la solucin como nuevas variables para que puedan ser utilizadas en
anlisis subsiguientes:
Clster de pertenencia. Crea una nueva variable que indica el clster final al que pertenece cada caso.
Los valores de la nueva variable van desde el 1 hasta el nmero de clsteres.
Distancia desde centro del clster. Crea una nueva variable que indica la distancia eucldea entre cada
caso y su centro de clasificacin.

Anlisis de clsteres de K-medias: Opciones
Estadsticos. Puede seleccionar los siguientes estadsticos: Centros de clsteres iniciales, Tabla de ANOVA
e Informacin del clster para cada caso.
v Centros de clsteres iniciales. Primera estimacin de las medias de las variables para cada uno de los
clsteres. De forma predeterminada, se selecciona entre los datos un nmero de casos debidamente
espaciados igual al nmero de clsteres. Los centros iniciales de los clsteres se utilizan como criterio
para una primera clasificacin y, a partir de ah, se van actualizando.
v tabla de ANOVA. Muestra una tabla de anlisis de varianza que incluye las pruebas F univariadas para
cada variable de aglomeracin. Las pruebas F son slo descriptivas y las probabilidades resultantes no
se deben interpretar. La tabla de ANOVA no se mostrar si se asignan todos los casos a un nico
clster.
v Informacin del clster para cada caso. Muestra, para cada caso, el clster final asignado y la distancia
eucldea entre el caso y el centro del clster utilizado para clasificar el caso. Tambin muestra la
distancia eucldea entre los centros de los clsteres finales.
Valores perdidos. Las opciones disponibles son: Excluir casos segn lista o Excluir casos segn pareja.
v Excluir casos segn lista. Excluye los casos con valores perdidos para cualquier variable de
agrupacin del anlisis.
v Excluir casos segn pareja. Asigna casos a los clsteres en funcin de las distancias que se calculan
desde todas las variables con valores no perdidos.
Caractersticas adicionales del comando QUICK CLUSTER

El procedimiento de clsteres de K-medias utiliza la sintaxis de comandos QUICK CLUSTER. La sintaxis de
comandos tambin le permite:
v Aceptar los primeros casos k como primeros centros de clsteres iniciales y, por lo tanto, evitar la
lectura de datos que normalmente se utiliza para calcularlos.
v Especificar los centros de clsteres iniciales directamente como parte de la sintaxis de comandos.
v Especificar nombres para variables guardadas.
Captulo 26. Anlisis de clsteres de K-medias 127

Captulo 27. Pruebas no paramtricas
Las pruebas no paramtricas hacen supuestos mnimos acerca de la distribucin subyacente de los datos.
Las pruebas que estn disponibles en estos cuadros de dilogo, se pueden agrupar en tres categoras
amplias en funcin de cmo se organizan los datos:
v Una prueba para una muestra analiza un campo.
v Una prueba para muestras relacionadas compara dos o ms campos para el mismo conjunto de casos.
v Una prueba para muestras independientes analiza un campo que se agrupa por categoras de otro
campo.
Pruebas no paramtricas para una muestra

Una prueba no paramtricas para una muestra identifica diferencias en campos nicos mediante una o
ms pruebas no paramtricas. Las pruebas no paramtricas no dan por hecho que sus datos sigan la
distribucin normal.
Cul es su objetivo? Los objetivos le permiten especificar rpidamente ajustes de prueba diferentes y
comunes.
v Comparar automticamente datos observados con el valor hipotetizado. Este objetivo aplica la
prueba binomial a campos categricos con slo dos categoras, la prueba de chi-cuadrado al resto de
campos categricos y la prueba de Kolmogorov-Smirnov a campos continuos.
v Probar la aleatoriedad de la secuencia. Este objetivo utiliza la prueba de rachas para comprobar la
aleatoriedad de la secuencia observada de valores de datos.
v Anlisis personalizado. Seleccione esta opcin si desea modificar manualmente la configuracin de la
prueba de la pestaa Configuracin. Tenga en cuenta que esta configuracin se selecciona
automticamente si realiza cambios posteriores a muchas opciones de la pestaa Configuracin que
sean incompatibles con los del objetivo seleccionado actualmente.
Para obtener Pruebas no paramtricas para una muestra

Analizar > Pruebas no paramtricas > Una muestra...

1. Pulse en Ejecutar.
Si lo desea, puede:
v Especifique un objetivo en la pestaa Objetivos.
v Especifique asignaciones de campo en la pestaa Campos.
v Especifique la configuracin de experto en la pestaa Configuracin.
Pestaa Campos
La pestaa Campos especifica los campos que se deben comprobar.
Utilizar papeles predefinidos. Esta opcin utiliza informacin de campos existentes. Todos los campos
con un papel predefinido como Entrada o Ambos se utilizarn como campos de prueba. Al menos un
campo de prueba es necesario.
Utilizar asignaciones de campos personalizadas. Esta opcin le permite sobrescribir papeles de campos.
Despus de seleccionar esta opcin, especifique los campos siguientes.
v Campos de prueba. Seleccione uno o ms campos de prueba.

Pestaa Configuracin
La pestaa Configuracin contiene diferentes grupos de ajustes que puede modificar para ajustar con
precisin la forma en que el algoritmo procesa sus datos. Si realiza algn cambio en la configuracin
predeterminada que sea incompatible con el objetivo seleccionado actualmente, la pestaa Objetivo se
actualiza automticamente para seleccionar la opcin Personalizar anlisis.
Seleccionar pruebas
Estos ajustes especifican las pruebas que realizarn en los campos especificados en la pestaa Campos.
Seleccione automticamente las pruebas en funcin de los datos. Esta configuracin aplica la prueba
binomial a campos categricos con slo dos categoras vlidas (sin valores perdidos), la prueba de
chi-cuadrado al resto de campos categricos y la prueba de Kolmogorov-Smirnov a campos continuos.
Personalizar pruebas. Esta configuracin permite especificar las pruebas que se ejecutarn.
v Comparar la probabilidad binaria observada con el valor hipotetizado (prueba binomial). La prueba
binomial se puede aplicar a todos los campos. Produce una prueba de una muestra que comprueba si
la distribucin observada de un campo de distintivo (un campo categrico con slo dos categoras) es
el mismo que lo que se espera de una distribucin binomial especificada. Adems, puede solicitar
intervalos de confianza. Consulte Opciones de prueba binomiales para obtener ms informacin
sobre la configuracin de prueba.
v Comparar las probabilidades observadas con el valor hipotetizado (prueba de chi-cuadrado). La
prueba de chi-cuadrado se aplica a campos nominales y ordinales. Produce una prueba de una muestra
que calcula un estadstico chi-cuadrado basado en las diferencias entre las frecuencias observadas y
esperadas de las categoras de un campo. Consulte Opciones de prueba de chi-cuadrado en la pgina
131 para obtener ms informacin sobre la configuracin de prueba.
v Probar la distribucin observada con el valor hipotetizado (prueba de Kolmogorov-Smirnov). La
prueba de Kolmogorov-Smirnov se aplica a campos continuos y ordinales. Produce una prueba de una
muestra de si la funcin de distribucin acumulada de muestra de un campo es homognea con una
distribucin uniforme, normal, Poisson o exponencial. Consulte Opciones de Kolmogorov-Smirnov
en la pgina 131 para obtener ms informacin sobre la configuracin de prueba.
v Comparar mediana con el valor hipotetizado (prueba de Wilcoxon de los rangos con signo). La
prueba de Wilcoxon de los rangos con signo se aplica a los campos continuos y ordinales. Produce una
prueba para una muestra del valor de mediana de un campo. Especifique un nmero como la mediana
hipotetizada.
v Probar la aleatoriedad de la secuencia (prueba de rachas). La prueba de rachas se aplica a todos los
campos. Produce una prueba de una muestra de si la secuencia de valores de un campo de dicotomas
es aleatoria. Consulte Prueba de rachas: Opciones en la pgina 131 para obtener ms informacin
sobre la configuracin de prueba.
Opciones de prueba binomiales: La prueba binomial est diseada para campos de distintivo (campos
categricos con slo dos categoras), pero se aplica a todos los campos mediante reglas para definir
"xito".
Proporcin hipotetizada. Especifica la proporcin esperada de registros definidos como "xitos", o p.

Especifique un valor mayor que 0 y menor que 1. El valor predeterminado es 0,5.
Intervalo de confianza. Los siguientes mtodos permiten calcular intervalos de confianza de datos
binarios:
v Clopper-Pearson (exacto). Un intervalo exacto basado en la distribucin binomial acumulada.
v Jeffreys. Un intervalo Bayesian basado en la distribucin posterior de p que utiliza la opcin Jeffreys
anterior.
v Razn de verosimilitud. Un intervalo basado en la funcin de verosimilitud para p.

Definir xito para campos categricos. Especifica cmo se define "xito", el valor(s) de datos se
comprueba en la proporcin hipotetizada, en los campos categricos.
v Utilizar primera categora encontrada en los datos realiza la prueba binomial que utiliza el primer
valor encontrado en la muestra para definir "xito". Esta opcin slo es aplicable a los campos nominal
u ordinal con slo dos valores; el resto de campos categricos especificados en la pestaa Campos en
los que se utiliza esta opcin no se comprobarn. Este es el valor predeterminado.
v Especificar valores de xito realiza la prueba binomial que utiliza la lista especificada de valores para
definir "xito". Especifique una lista de valores de cadena o numrico. No es necesario que los valores
de la lista estn en la muestra.
Definir xito para campos continuos. Especifica cmo se define "xito", el valor(s) de datos se
comprueba en el valor de prueba, en los campos categricos. xito se define como valores iguales o
menores que un punto de corte.
v Punto medio de muestra define el punto de corte en la media de los valores mnimo o mximo.
v Punto de corte personalizado permite especificar un valor para el punto de corte.
Opciones de prueba de chi-cuadrado: Todas las categoras tienen la misma probabilidad. Produce la
misma frecuencia entre todas las categoras en la muestra. Este es el mtodo predeterminado.
Personalizar probabilidad esperada. Permite especificar frecuencias desiguales para una lista de
categoras especfica. Especifique una lista de valores de cadena o numrico. No es necesario que los
valores de la lista estn en la muestra. En la columna Categora, especifique los valores de categoras. En
la columna Frecuencia relativa, especifique un valor superior a 0 para cada categora. Las frecuencias
personalizadas se consideran porcentajes de forma que, por ejemplo, especificar frecuencias de 1, 2 y 3 es
equivalente a especificar frecuencias de 10, 20 y 30, y especificar que 1/6 de los registros se esperan en la
primera categora, 1/3 en la segunda y 1/2 en la tercera. Si se especifican probabilidades esperadas
personalizadas, los valores de categoras personalizadas deben incluir todos los valores de campo de los
datos; de lo contrario la prueba no se realiza en ese campo.
Opciones de Kolmogorov-Smirnov: Este cuadro de dilogo especifica las distribuciones que se deben
comprobar y los parmetros de las distribucin hipotetizada.
Normal. Utilizar datos muestrales utiliza la media observada y la desviacin estndar, Personalizado le
permite especificar valores.
Uniforme. Utilizar datos muestrales utiliza los valores observados mnimos y mximos, Personalizado
le permite especificar valores.
Exponential. Media muestral utiliza la media observada, Personalizado le permite especificar valores.
Poisson. Media muestral utiliza la media observada, Personalizado le permite especificar valores.
Prueba de rachas: Opciones: La prueba de rachas est diseada para campos de distintivo (campos
categricos con slo dos categoras), pero se puede aplica a todos los campos mediante reglas para definir
grupos.
Definir grupos para campos categricos. Se encuentran disponibles las siguientes opciones:
v Slo hay 2 categoras en la muestra realiza la prueba de rachas utilizando los valores encontrados en
la muestra para definir los grupos. Esta opcin slo es aplicable a los campos nominal u ordinal con
slo dos valores; el resto de campos categricos especificados en la pestaa Campos en los que se
utiliza esta opcin no se comprobarn.
v Recodificar datos en 2 categoras realiza la prueba de rachas utilizando la lista de valores especificada
para definir uno de los grupos. El resto de valores de muestra definen el otro grupo. No es necesario
que todos los valores de la lista estn presentes en la muestra, pero debe haber al menos un registro en
cada grupo.
Captulo 27. Pruebas no paramtricas 131

Definir punto de corte para campos continuos. Especifica cmo se definen los grupos para campos
continuos. El primer grupo se define como valores iguales o menores que un punto de corte.
v Mediana muestral define el punto de corte en la mediana muestral.
v Media muestral define el punto de corte en la media muestral.
v Personalizado permite especificar un valor para el punto de corte.
Opciones de prueba
Nivel de significacin. Especifica el nivel de significacin (alfa) de todas las pruebas. Especifica un valor
numrico entre 0 y 1. 0,05 es el valor predeterminado.
Intervalo de confianza (%). Esto especifica el nivel de confianza de todos los intervalos de confianza
producidos. Especifique un valor numrico entre 0 y 100. El valor predeterminado es 95.
Casos excluidos. Especifica cmo se determinan las pruebas caso por caso.
v Excluir casos segn lista significa que los registros con valores perdidos de cualquier campo que se
nombran en la pestaa Campos se excluyen de todos los anlisis.
v Excluir casos segn prueba significa que los registros con valores perdidos para un campo que se
utiliza para una prueba especfica se omiten de esa prueba. Si se realizan varias pruebas en el anlisis,
cada prueba se evala por separado.
Valores perdidos del usuario

Valores perdidos del usuario para campos categricos. Para que un registro se incluya en el anlisis, los
campos categricos deben tener valores vlidos para dicho caso. Estos controles permiten decidir si los
valores perdidos del usuario se deben tratar como vlidos entre los campos categricos. Los valores
perdidos del sistema y los valores perdidos de campos continuos siempre se tratan como no vlidos.
Caractersticas adicionales del comando NPTESTS

v Especifique pruebas de una muestra, muestras independientes y muestras relacionadas en una nica
ejecucin del procedimiento.
Pruebas no paramtricas para muestras independientes

Las pruebas no paramtricas para muestras independientes identifican diferencias entre dos o ms grupos
utilizando una o ms pruebas no paramtricas. Las pruebas no paramtricas no dan por hecho que sus
datos sigan la distribucin normal.
comunes.
v Comparar automticamente distribuciones entre grupos. Este objetivo aplica la prueba U de
Mann-Whitney para datos con 2 grupos o la prueba ANOVA de 1 factor de Kruskal-Wallis para datos
con grupos k .
v Comparar medianas entre grupos. Este objetivo utiliza la prueba de la mediana para comparar las
medianas observadas entre grupos.

Para obtener pruebas no paramtricas para muestras independientes
Analizar > Pruebas no paramtricas > Muestras independientes...

Si lo desea, puede:
Pestaa Campos
La pestaa Campos especifica los campos que se deben comprobar y el campo que se utilizar para
definir grupos.
continuos y ordinales con un rol predefinido como Destino o Ambos se utilizarn como campos de
prueba. Si hay un nico campo categrico con un papel predefinido como Entrada se utilizar como un
campo de agrupacin. De lo contrario, no se utilizar de forma predeterminada ningn campo de
agrupacin y deber utilizar asignaciones de campos personalizadas. Se requiere al menos un campo de
prueba y un campo de agrupacin.
v Campos de prueba. Seleccione uno o ms campos continuos u ordinales.
v Grupos. Seleccione un campo categrico.
Pestaa Configuracin
precisin con la que el algoritmo procesa sus datos. Si realiza algn cambio en la configuracin
predeterminada que sea incompatible con el objetivo seleccionado actualmente, la pestaa Objetivo se
actualiza automticamente para seleccionar la opcin Personalizar anlisis.
Seleccionar pruebas
Seleccione automticamente las pruebas en funcin de los datos. Esta configuracin aplica la prueba U
de Mann-Whitney para datos con 2 grupos o la prueba ANOVA de 1 factor de Kruskal-Wallis para datos
con grupos k .
v Comparar distribuciones entre grupos. Producen pruebas para muestras independientes si las
muestras son de la misma poblacin.
U de Mann-Whitney (2 muestras) utiliza el nivel de cada caso para comprobar si los grupos se extraen
de la misma poblacin. El primer valor del campo de agrupacin define el grupo de control y el
segundo define el grupo de comparacin. Si el campo de agrupacin tiene ms de dos valores, esta
prueba no se ejecuta.
Kolmogorov-Smirnov (2 muestras) es sensible a cualquier diferencia en la mediana, dispersin,
asimetra, etctera entre las dos distribuciones. Si el campo de agrupacin tiene ms de dos valores,
esta prueba no se ejecuta.

Probar la aleatoriedad de la secuencia (Wald-Wolfowitz para 2 muestras) produce una prueba de
rachas con la pertenencia al grupo como criterio. Si el campo de agrupacin tiene ms de dos valores,
esta prueba no se ejecuta.
ANOVA de 1 factor de Kruskal-Wallis (k muestras) es una extensin de la prueba U de
Mann-Whitney y el anlogo no paramtrico de anlisis de varianza de un factor. Opcionalmente puede
solicitar mltiples comparaciones de las muestras k, en comparaciones mltiples todo por parejas o
comparaciones por pasos en sentido descendente.
Probar alternativas ordenadas (prueba de Jonckheere-Terpstra para k muestras) es una alternativa
ms potente que Kruskal-Wallis si las muestras k tienen un orden natural. Por ejemplo, las k
poblaciones pueden representar k temperaturas ascendentes. Se contrasta la hiptesis de que diferentes
temperaturas producen la misma distribucin de respuesta, con la hiptesis alternativa de que cuando
la temperatura aumenta, la magnitud de la respuesta aumenta. La hiptesis alternativa se encuentra
aqu ordenada; por tanto, la prueba de Jonckheere-Terpstra es la prueba ms apropiada. De menor a
mayor especifica la hiptesis alternativa de que el parmetro de ubicacin del primer grupo es menor o
igual que el segundo, el cual es menor o igual que el tercero, y as sucesivamente. De mayor a menor
especifica la hiptesis alternativa de que el parmetro de ubicacin del primer grupo es mayor o igual
que el segundo, el cual es mayor o igual que el tercero, y as sucesivamente. Para ambas opciones, la
hiptesis alternativa tambin supone que las ubicaciones no son todas iguales. Opcionalmente puede
comparaciones por pasos en sentido descendente.
v Comparar rangos entre grupos. Produce una prueba de muestras independientes de si las muestras
tienen el mismo rango. Reacciones extremas de Moses (2 muestras) comprueba un grupo de control
con un grupo de comparacin. El primer valor en orden ascendente del campo de agrupacin define el
grupo de control y el segundo define el grupo de comparacin. Si el campo de agrupacin tiene ms
de dos valores, esta prueba no se ejecuta.
v Comparar medianas entre grupos. Produce una prueba de muestras independientes de si las muestras
tienen la misma mediana. Prueba de la mediana (k muestras) puede utilizar la mediana muestral
combinada (calculada con todos los registros del conjunto de datos) o un valor personalizado como la
mediana hipotetizada. Opcionalmente puede solicitar mltiples comparaciones de las muestras k, en
comparaciones mltiples todo por parejas o comparaciones por pasos en sentido descendente.
v Estimar intervalos de confianza entre grupos. Hodges-Lehman (2 muestras) produce una estimacin
muestras independientes y el intervalo de confianza para la diferencia en las medianas de los dos
grupos. Si el campo de agrupacin tiene ms de dos valores, esta prueba no se ejecuta.
Opciones de prueba
Casos excluidos. Especifica cmo se determinan las pruebas caso por caso. Excluir casos segn lista
significa que los registros con valores perdidos de cualquier campo que se nombran en cualquier
subcomando se excluyen de todos los anlisis. Excluir casos segn prueba significa que los registros con
valores perdidos para un campo que se utiliza para una prueba especfica se omiten de esa prueba. Si se
realizan varias pruebas en el anlisis, cada prueba se evala por separado.


Pruebas no paramtricas de muestras relacionadas

Identifica diferencias entre dos o ms campos relacionados mediante una o ms pruebas no paramtricas.
Las pruebas no paramtricas no dan por hecho que sus datos sigan la distribucin normal.
Consideraciones sobre los datos. Cada registro corresponde a un sujeto concreto para el que se
almacenan dos o ms mediciones relacionadas en campos separados del conjunto de datos. Por ejemplo,
es posible analizar un estudio sobre la efectividad de un plan de dietas mediante pruebas no
paramtricas de muestras relacionadas si el peso de cada sujeto se mide a intervalos regulares y se
almacena como campos como Peso previo a la dieta, Peso intermedio y Peso tras la dieta. Estos campos estn
"relacionados".
comunes.
v Comparar automticamente datos observados con datos hipotetizados. Este objetivo aplica la prueba
de McNemar a datos categricos cuando se especifican 2 campos, la prueba Q de Cochran datos
categricos cuando se especifican ms de 2 campos, la prueba de Wilcoxon de los rangos con signo a
datos continuos cuando se especifican 2 campos y ANOVA de 2 vas de Friedman por rangos a datos
continuos cuando se especifican ms de 2 campos.
Cuando se especifican campos de diferentes niveles de medicin, primero se separan por nivel de
medicin y despus se aplica la prueba adecuada a cada grupo. Por ejemplo, si selecciona Comparar
automticamente datos observados con el valor hipotetizado como objetivo y especifica 3 campos
continuos y 2 campos nominales, se aplicar la prueba de Friedman a los campos continuos y la prueba
de McNemar a los campos nominales.
Para obtener pruebas no paramtricas para muestras relacionadas

Analizar > Pruebas no paramtricas > Muestras relacionadas...

Si lo desea, puede:
Pestaa Campos
La pestaa Campos especifica los campos que se deben comprobar.

con un papel predefinido como Destino o Ambos se utilizarn como campos de prueba. Se requieren al
menos dos campos de prueba.
v Campos de prueba. Seleccione dos o ms campos. Cada campo corresponde a una muestra
relacionada diferente.
Pestaa Configuracin
precisin con la que el procedimiento procesa sus datos. Si realiza algn cambio en la configuracin
predeterminada que sea incompatible con el resto de objetivos, la pestaa Objetivo se actualiza
automticamente para seleccionar la opcinPersonalizar anlisis.
Seleccionar pruebas
Seleccione automticamente las pruebas en funcin de los datos. Esta configuracin aplica la prueba de
McNemar a datos categricos cuando se especifican 2 campos, la prueba Q de Cochran datos categricos
cuando se especifican ms de 2 campos, la prueba de Wilcoxon de los rangos con signo a datos continuos
cuando se especifican 2 campos y ANOVA de 2 vas de Friedman por rangos a datos continuos cuando se
especifican ms de 2 campos.
v Probar si hay cambios en datos binario. La prueba de McNemar (2 muestras) se puede aplicar a
campos categricos. Produce una prueba de muestras relacionadas de si las combinaciones de valores
entre dos campos de distintivo (campos categricos con dos valores nicamente) son igualmente
probables. Si hay ms de dos campos especificados en la pestaa Campos, esta prueba no se realiza.
Consulte Prueba de McNemar: definir xito en la pgina 137 para obtener ms informacin sobre la
configuracin de prueba. Q de Cochran (k muestras) se puede aplicar a campos categricos. Produce
una prueba de muestras relacionadas de si las combinaciones de valores entre k campos de distintivo
(campos categricos con dos valores nicamente) son igualmente probables. Opcionalmente puede
comparaciones por pasos en sentido descendente. Consulte Prueba de Cochran: definir xito en la
pgina 137 para obtener ms informacin sobre la configuracin de prueba.
v Probar si hay cambios en datos mutinomiales. Prueba de homogeneidad marginal (2 muestras)
produce una prueba de muestras relacionadas de si combinaciones de valores entre dos campos
ordinales emparejados son igualmente probables. La prueba de homogeneidad marginal se suele
utilizar en situaciones de medidas repetidas. Se trata de una extensin de la prueba de McNemar a
partir de la respuesta binaria a la respuesta multinomial. Si hay ms de dos campos especificados en la
pestaa Campos, esta prueba no se realiza.
v Comparar diferencia de la mediana con el valor hipotetizado. Cada una de estas pruebas produce
una prueba de muestras relacionadas de si la diferencia de la mediana entre dos campos es diferente
de 0. La prueba se aplica a campos continuos y ordinales. Si hay ms de dos campos especificados en
la pestaa Campos, estas pruebas no se realizan.
v Estimar intervalo de confianza. Produce un clculo de muestras relacionadas y un intervalo de
confianza para la diferencia de la mediana entre dos campos emparejados. Esta prueba se aplica a
campos continuos y ordinales. Si hay ms de dos campos especificados en la pestaa Campos, esta
prueba no se realiza.
v Cuantificar asociaciones. Coeficiente de concordancia de Kendall (k muestras) produce un
coeficiente de concordancia entre evaluadores, donde cada registro es un valor de evaluador de varios
elementos (campos). Opcionalmente puede solicitar mltiples comparaciones de las muestras k, en
comparaciones mltiples todo por parejas o comparaciones por pasos en sentido descendente.

v Comparar distribuciones. Friedman's 2-way ANOVA by ranks (k samples) produces a related
samples test of whether k related samples have been drawn from the same population. Opcionalmente
puede solicitar mltiples comparaciones de las muestras k, en comparaciones mltiples todo por
parejas o comparaciones por pasos en sentido descendente.
Prueba de McNemar: definir xito: La prueba de McNemar est diseada para campos de distintivo
(campos categricos con slo dos categoras), pero se aplica a todos los campos categricos mediante
reglas para definir "xito".
Definir xito para campos categricos. Especifica cmo se define "xito" en los campos categricos.
v Utilizar primera categora encontrada en los datos realiza la prueba que utiliza el primer valor
encontrado en la muestra para definir "xito". Esta opcin slo es aplicable a los campos nominal u
ordinal con slo dos valores; el resto de campos categricos especificados en la pestaa Campos en los
que se utiliza esta opcin no se comprobarn. Este es el mtodo predeterminado.
v Especificar valores de xito realiza la prueba que utiliza la lista especificada de valores para definir
"xito". Especifique una lista de valores de cadena o numrico. No es necesario que los valores de la
lista estn en la muestra.
Prueba de Cochran: definir xito: La prueba de Q de Cochran est diseada para campos de distintivo
(campos categricos con slo dos categoras), pero se aplica a todos los campos categricos mediante
reglas para definir "xito".
Definir xito para campos categricos. Especifica cmo se define "xito" en los campos categricos.
v Utilizar primera categora encontrada en los datos realiza la prueba que utiliza el primer valor
encontrado en la muestra para definir "xito". Esta opcin slo es aplicable a los campos nominal u
ordinal con slo dos valores; el resto de campos categricos especificados en la pestaa Campos en los
que se utiliza esta opcin no se comprobarn. Este es el mtodo predeterminado.
v Especificar valores de xito realiza la prueba que utiliza la lista especificada de valores para definir
"xito". Especifique una lista de valores de cadena o numrico. No es necesario que los valores de la
lista estn en la muestra.
Opciones de prueba
Casos excluidos. Especifica cmo se determinan las pruebas caso por caso.
v Excluir casos segn lista significa que los registros con valores perdidos de cualquier campo que se
nombran en cualquier subcomando se excluyen de todos los anlisis.
v Excluir casos segn prueba significa que los registros con valores perdidos para un campo que se
utiliza para una prueba especfica se omiten de esa prueba. Si se realizan varias pruebas en el anlisis,
cada prueba se evala por separado.



Vista de modelo
Vista de modelos
Este procedimiento crea un objeto Visor de modelos en el visor. Al activar (pulsando dos veces) este
objeto se obtiene una vista interactiva del modelo. La vista de modelos se compone de una ventana con
dos paneles, la vista principal en la parte izquierda y la vista relacionada o auxiliar de la derecha.
Hay dos vistas principales:

v Resumen de hiptesis. Esta es la vista predeterminada. Consulte el tema Resumen de hiptesis para
v Resumen de intervalo de confianza. Consulte el tema Resumen de intervalo de confianza para
Hay siete vistas relacionadas/auxiliares:

v Prueba de una muestra. Es la vista predeterminada si se han solicitado pruebas de una muestra.
Consulte el tema Pruebas de una muestra en la pgina 139 para obtener ms informacin.
v Prueba de muestras relacionadas. Es la vista predeterminada si se han solicitado pruebas de muestras
relacionadas y no pruebas de una muestra. Consulte el tema Prueba de muestras relacionadas en la
pgina 140 para obtener ms informacin.
v Prueba de muestras independientes. Es la vista predeterminada si no se han solicitado pruebas de
muestras relacionadas ni pruebas de una muestra. Consulte el tema Prueba de muestras
independientes en la pgina 141 para obtener ms informacin.
v Informacin de campos categricos. Consulte el tema Informacin de campos categricos en la
pgina 142 para obtener ms informacin.
v Informacin de campos continuos. Consulte el tema Informacin de campos continuos en la pgina
v Comparaciones por parejas. Consulte el tema Comparaciones por parejas en la pgina 142 para
v Subconjuntos homogneos. Consulte el tema Subconjuntos homogneos en la pgina 142 para
Resumen de hiptesis
La vista Resumen de modelos es una instantnea, un resumen de un vistazo de las pruebas no
paramtricas. Enfatiza las hiptesis y decisiones nulas, centrando la atencin en los valores p ms
significativos.
v Cada fila corresponde a una prueba distinta. Al pulsar en una fila se muestra informacin adicional
acerca de la prueba en la vista enlazada.
v Al pulsar en el encabezado de cualquier columna las filas se ordenan por los valores de esa columna.
v El botn Restablecer le permite devolver el Visor de modelos a su estado original.
v La lista desplegable Filtro de campos le permite mostrar nicamente las pruebas que incluyeron el
campo seleccionado.
Resumen de intervalo de confianza

Resumen de intervalo de confianza le muestra los intervalos de confianza producidos por las pruebas no
paramtricas.
v Cada fila corresponde a un intervalo de confianza distinto.

v Al pulsar en el encabezado de cualquier columna las filas se ordenan por los valores de esa columna.
Pruebas de una muestra

La vista de prueba de una muestra incluye detalles relacionados con cualquier prueba no paramtrica de
una muestra solicitada. La informacin que se muestra depende de la prueba seleccionada.
v La lista desplegable Prueba le permite seleccionar un tipo concreto de prueba de una muestra.
v La lista desplegable Campo(s) le permite seleccionar un campo que se haya comprobado mediante la
prueba seleccionada en la lista desplegable Prueba.
Prueba binomial
La prueba binomial muestra un grfico de barras apiladas y una tabla de pruebas.

v El grfico de barras apiladas muestra las frecuencias observadas e hipotetizadas de las categoras
"xito" y "fallo" del campo de prueba, con los "fallos" apilados sobre los "xitos". Al pasar el ratn sobre
una barra se muestran los porcentajes de categora en una ayuda contextual. Las diferencias visibles en
las barras indican que el campo de prueba puede no tener la distribucin binomial hipotetizada.
v La tabla muestra detalles de la prueba.
Prueba de chi-cuadrado
La vista Prueba de chi-cuadrado muestra un grfico de barras apiladas y una tabla de pruebas.
v El grfico de barras agrupadas muestra las frecuencias observadas e hipotetizadas para cada categora
del campo de pruebas. Al pasar el ratn sobre una barra se muestran las frecuencias observadas e
hipotetizadas y sus diferencias (residuales) en una ayuda contextual. Las diferencias visibles entre las
barras observadas y las hipotetizadas indican que el campo de prueba puede no tener la distribucin
hipotetizada.
Prueba de Wilcoxon de los rangos con signo
La vista Prueba de Wilcoxon de los rangos con signo muestra un histograma y una tabla de pruebas.
v El histograma incluye lneas verticales que muestran las medianas observadas e hipotticas.
Prueba de rachas
La vista Prueba de rachas muestra un grfico y una tabla de pruebas.

v El grfico muestra la distribucin normal con el nmero observado de rachas marcado con una lnea
vertical. Tenga en cuenta que cuando se realiza la prueba exacta, sta no se basa en la distribucin
normal.
Prueba de Kolmogorov-Smirnov
La vista Prueba de Kolmogorov-Smirnov muestra un histograma y una tabla de pruebas.

v El histograma incluye una superposicin de la funcin de densidad de probabilidad para la
distribucin exponencial, Poisson, normal o uniforme hipotetizada. Tenga en cuenta que la prueba se
basa en distribuciones acumuladas, y las Diferencias ms extremas indicadas en la tabla deben
interpretarse con respecto a las distribuciones acumuladas.

Prueba de muestras relacionadas
La vista de prueba de una muestra incluye detalles relacionados con cualquier prueba no paramtrica de
una muestra solicitada. La informacin que se muestra depende de la prueba seleccionada.
v La lista desplegable Prueba le permite seleccionar un tipo concreto de prueba de una muestra.
v La lista desplegable Campo(s) le permite seleccionar un campo que se haya comprobado mediante la
prueba seleccionada en la lista desplegable Prueba.
Prueba de McNemar
La vista Prueba de McNemar muestra un grfico de barras apiladas y una tabla de pruebas.
v El grfico de barras agrupadas muestra las frecuencias observadas e hipotetizadas para las casillas no
diagonales de la tabla 2x2 definida por los campos de prueba.
Prueba de los signos
La vista Prueba de los signos muestra un histograma apilado y una tabla de pruebas.
v El histograma apilado muestra las diferencias entre los campos, usando el signo de la diferencia como
el campo de apilado.
Prueba de Wilcoxon de los rangos con signo
La vista Prueba de Wilcoxon de los rangos con signo muestra un histograma apilado y una tabla de
pruebas.
v El histograma apilado muestra las diferencias entre los campos, usando el signo de la diferencia como
el campo de apilado.
Prueba de homogeneidad marginal
La vista Prueba de homogeneidad marginal muestra un grfico de barras apiladas y una tabla de
pruebas.
v El grfico de barras agrupadas muestra las frecuencias observadas para las casillas no diagonales de la
tabla definida por los campos de prueba.
Prueba Q de Cochran
La vista Prueba Q de Cochran muestra un grfico de barras apiladas y una tabla de pruebas.
v El grfico de barras apiladas muestra las frecuencias observadas de las categoras "xito" y "fallo" de los
campos de prueba, con los "fallos" apilados sobre los "xitos". Al pasar el ratn sobre una barra se
muestran los porcentajes de categora en una ayuda contextual.
Anlisis de dos factores de Friedman de varianza por rangos
La vista Anlisis de dos factores de Friedman de varianza por rangos muestra histogramas panelados y
una tabla de pruebas.
v Los histogramas muestran la distribucin observada de rangos, panelados por los campos de pruebas.

Coeficiente de concordancia de Kendall
La vista Coeficiente de concordancia de Kendall muestra histogramas panelados y una tabla de pruebas.
v Los histogramas muestran la distribucin observada de rangos, panelados por los campos de pruebas.
Prueba de muestras independientes

La vista Prueba de muestras independientes incluye detalles relacionados con cualquier prueba no
paramtrica de muestras independientes solicitada. La informacin que se muestra depende de la prueba
seleccionada.
v La lista desplegable Prueba le permite seleccionar un tipo concreto de prueba de muestra
independiente.
v La lista desplegable Campo(s) le permite seleccionar una combinacin de prueba y campo de
agrupacin que se haya comprobado mediante la prueba seleccionada en la lista desplegable Prueba.
Prueba de Mann-Whitney
La vista Prueba de Mann-Whitney muestra un grfico de pirmide de poblacin y una tabla de pruebas.
v El grfico de pirmide de poblacin muestra histogramas seguidos en funcin de las categoras del
campo de agrupacin, anotando el nmero de registros de cada grupo y el rango promedio del grupo.
Prueba de Kolmogorov-Smirnov
La vista Prueba de Kolmogorov-Smirnov muestra un grfico de pirmide de poblacin y una tabla de

pruebas.
campo de agrupacin, anotando el nmero de registros de cada grupo. Las lneas de distribucin
acumulada observadas pueden mostrarse u ocultarse pulsando el botn Acumulado.
Prueba de rachas de Wald-Wolfowitz
La vista Prueba de rachas de Wald-Wolfowitz muestra un grfico de barras apiladas y una tabla de
pruebas.
campo de agrupacin, anotando el nmero de registros de cada grupo.
Prueba de Kruskal-Wallis
La vista Prueba de Kruskal-Wallis muestra diagramas de caja y una tabla de pruebas.

v Se muestran diagramas de caja distintos para cada categora del campo de agrupacin. Al pasar el
ratn sobre un cuadro se muestra el rango promedio en una ayuda contextual.
Prueba de Jonckheere-Terpstra
La vista Prueba de Jonckheere-Terpstra muestra diagramas de caja y una tabla de pruebas.

v Se muestran diagramas de caja distintos para cada categora del campo de agrupacin.
Prueba de Moses de reaccin extrema

La vista Prueba de Moses de reaccin extrema muestra diagramas de caja y una tabla de pruebas.
v Se muestran diagramas de caja distintos para cada categora del campo de agrupacin. Las etiquetas de
punto pueden mostrarse u ocultarse pulsando el botn ID de registro.
Prueba de la mediana
La vista Prueba de la mediana muestra diagramas de caja y una tabla de pruebas.

v Se muestran diagramas de caja distintos para cada categora del campo de agrupacin.
Informacin de campos categricos

La vista Informacin de campos categricos muestra un grfico de barras para el campo categrico
seleccionado en la lista desplegable Campo(s). La lista de campos disponibles est restringida a los
campos categricos utilizados en la prueba seleccionada actualmente en la vista Resumen de hiptesis.
v Al pasar el ratn sobre una barra se muestran los porcentajes de categora en una ayuda contextual.
Informacin de campos continuos

La vista Informacin de campos continuos muestra un histograma del campo continuo seleccionado en la
lista desplegable Campo(s). La lista de campos disponibles est restringida a los campos continuos
utilizados en la prueba seleccionada actualmente en la vista Resumen de hiptesis.
Comparaciones por parejas

La vista Comparaciones por parejas muestra un grfico de distancias de red y una tabla de
comparaciones producidas por pruebas no paramtricas de muestras k cuando se solicitan mltiples
comparaciones de pares.
v El grfico de distancias de red es una representacin grfica de la tabla de comparaciones en la que las
distancias entre nodos de la red corresponden a las diferencias entre las muestras. Las lneas amarillas
corresponden a diferencias estadsticamente importantes, mientras que las lneas negras corresponden a
diferencias no significativas. Al pasar el ratn por una lnea de la red se muestra una ayuda contextual
con la significacin corregida de la diferencia entre los nodos conectados por la lnea.
v La tabla de comparaciones muestra los resultados numricos de todas las comparaciones de parejas.
Cada fila corresponde a una comparacin de parejas distinta. Al pulsar en el encabezado de cualquier
columna las filas se ordenan por los valores de esa columna.
Subconjuntos homogneos
La vista Subconjuntos homogneos muestra una tabla de comparaciones generadas por pruebas no
paramtricas de muestras k cuando se solicitan mltiples comparaciones por pasos.
v Cada fila del grupo Muestra corresponde a una muestra relacionada distinta (representada en los datos
mediante campos distintos). Las muestras que no son muy diferentes estadsticamente se agrupan en
los mismos subconjuntos de color, y hay una columna separada por cada subconjunto identificado.
Cuando todas las muestras son muy diferentes estadsticamente, hay un subconjunto separado para
cada muestra. Si ninguna de las muestras es muy diferente estadsticamente, hay un nico subconjunto.
v Se calcula una estadstica de prueba, un valor de significacin y un valor de significacin corregida
para cada subconjunto que contenga ms de una muestra.


Cuadros de dilogo antiguos
Hay diferentes cuadros de dilogo "antiguos" que tambin realizan pruebas no paramtricas. Estos
cuadros de dilogo admiten la funcionalidad que ofrece la opcin Pruebas exactas.
Prueba de chi-cuadrado. Tabula una variable en categoras y calcula un estadstico de chi-cuadrado

basndose en las diferencias entre las frecuencias observadas y las esperadas.
Prueba binomial. Compara la frecuencia observada en cada categora de una variable dicotmica con las
frecuencias esperadas en la distribucin binomial.
Prueba de rachas. Comprueba si el orden de aparicin de dos valores de una variable es aleatorio.
Prueba de Kolmogorov-Smirnov para una muestra. Compara la funcin de distribucin acumulada

observada de una variable con una distribucin terica especificada, que puede ser normal, uniforme,
exponencial o de Poisson.
Pruebas para dos muestras independientes. Compara dos grupos de casos en una variable. Se
encuentran disponibles la prueba U de Mann-Whitney, la prueba de Kolmogorov-Smirnov para dos
muestras, la prueba de Moses de reacciones extremas y la prueba de rachas de Wald-Wolfowitz.
Pruebas para dos muestras relacionadas. Compara las distribuciones de dos variables. La prueba de
Wilcoxon de los rangos con signo, la prueba de signos y la prueba de McNemar.
Pruebas para varias muestras independientes. Compara dos o ms grupos de casos en una variable. Se
encuentran disponibles la prueba de Kruskal-Wallis, la prueba de la mediana y la prueba de
Jonckheere-Terpstra.
Pruebas para varias muestras relacionadas. Compara las distribuciones de dos o ms variables. Se
encuentran disponibles la prueba de Friedman, la W de Kendall y la Q de Cochran.
Adems, para todas las pruebas citadas anteriormente estn disponibles los cuartiles y la media, la
desviacin estndar, el mnimo, el mximo y, por ltimo, el nmero de casos no perdidos.
Prueba de chi-cuadrado
El procedimiento Prueba de chi-cuadrado tabula una variable en categoras y calcula un estadstico de
chi-cuadrado. Esta prueba de bondad de ajuste compara las frecuencias observadas y esperadas en cada
categora para contrastar que todas las categoras contengan la misma proporcin de valores o que cada
categora contenga una proporcin de valores especificada por el usuario.
Ejemplos. La prueba de chi-cuadrado podra utilizarse para determinar si una bolsa de caramelos
contiene en igualdad de proporcin caramelos de color azul, marrn, verde, naranja, rojo y amarillo.
Tambin podra utilizarse para ver si una bolsa de caramelos contiene un 5% de color azul, un 30% de
color marrn, un 10% de color verde, un 20% de color naranja, un 15% de color rojo y un 15% de color
amarillo.
Estadsticos. Media, desviacin estndar, mnimo, mximo y cuartiles. Nmero y porcentaje de casos
perdidos y no perdidos; nmero de casos observados y esperados de cada categora; residuos y
estadstico de chi-cuadrado.
Prueba de chi-cuadrado: Consideraciones sobre los datos
Datos. Use variables categricas numricas ordenadas o no ordenadas (niveles de medicin ordinal o
nominal). Para convertir las variables de cadena en variables numricas, utilice el procedimiento
Recodificacin automtica, disponible en el men Transformar.

Supuestos. Las pruebas no paramtricas no requieren supuestos sobre la forma de la distribucin
subyacente. Se asume que los datos son una muestra aleatoria. Las frecuencias esperadas para cada
categora debern ser 1 como mnimo. No ms de un 20% de las categoras debern tener frecuencias
esperadas menores que 5.
Para obtener una prueba de chi-cuadrado

Analizar > Pruebas no paramtricas > Cuadros de dilogo antiguos > Chi-cuadrado...
2. Seleccione una o ms variables de contraste. Cada variable genera una prueba independiente.
3. Si lo desea, puede pulsar en Opciones para obtener estadsticos descriptivos, cuartiles y controlar el
tratamiento de los datos perdidos.
Prueba de chi-cuadrado: Rango y valores esperados

Rango esperado. De forma predeterminada, cada valor distinto de la variable se define como una
categora. Para establecer categoras dentro de un rango especfico, seleccione Usar rango especificado e
introduzca valores enteros para los lmites inferior y superior. Se establecern categoras para cada valor
entero dentro del rango inclusivo y los casos con valores fuera de los lmites se excluirn. Por ejemplo, si
se especifica 1 como lmite inferior y 4 como lmite superior, nicamente se utilizarn los valores enteros
entre 1 y 4 para la prueba de chi-cuadrado.
Valores esperados. De forma predeterminada, todas las categoras tienen valores esperados iguales. Las
categoras pueden tener proporciones esperadas especificadas por el usuario. Seleccione Valores,
introduzca un valor mayor que 0 para cada categora de la variable de contraste y, a continuacin, pulse
en Aadir. Cada vez que se aade un valor, ste aparece al final de la lista de valores. El orden de los
valores es importante; corresponde al orden ascendente de los valores de categora de la variable de
contraste. El primer valor de la lista corresponde al valor de grupo mnimo de la variable de contraste y
el ltimo valor corresponde al valor mximo. Los elementos de la lista de valores se suman y, a
continuacin, cada valor se divide por esta suma para calcular la proporcin de casos esperados en la
categora correspondiente. Por ejemplo, una lista de valores de 3, 4, 5, 4 especifica unas proporciones
esperadas de 3/16, 4/16, 5/16 y 4/16.
Prueba de chi-cuadrado: Opciones

Estadsticos. Puede elegir uno o los dos estadsticos de resumen.
v Descriptivos. Muestra la media, la desviacin estndar, el mnimo, el mximo y el nmero de casos no
perdidos.
v Cuartiles. Muestra los valores correspondientes a los percentiles 25, 50 y 75.

v Excluir casos segn prueba. Cuando se especifican varias pruebas, cada una se evala separadamente
respecto a los valores perdidos.
v Excluir casos segn lista. Los casos con valores perdidos para cualquier variable se excluyen de todos
los anlisis.
Caractersticas adicionales del comando NPAR TESTS (Prueba de chi-cuadrado)

v Especificar valores mnimos y mximos o frecuencias esperadas diferentes para diferentes variables
(con el subcomando CHISQUARE).
v Contrastar la misma variable respecto a diferentes frecuencias esperadas o utilizar diferentes rangos
(con el subcomando EXPECTED).

Prueba binomial
El procedimiento Prueba binomial compara las frecuencias observadas de las dos categoras de una
variable dicotmica con las frecuencias esperadas en una distribucin binomial con un parmetro de
probabilidad especificado. De forma predeterminada, el parmetro de probabilidad para ambos grupos es
0,5. Para cambiar las probabilidades, puede introducirse una proporcin de prueba para el primer grupo.
La probabilidad del segundo grupo ser 1 menos la probabilidad especificada para el primer grupo.
Ejemplo. Si se lanza una moneda al aire, la probabilidad de que salga cara es 1/2. Basndose en esta
hiptesis, se lanza una moneda al aire 40 veces y se anotan los resultados (cara o cruz). De la prueba
binomial, podra deducir que en 3/4 de los lanzamientos sali cara y que el nivel de significacin
observado es pequeo (0,0027). Estos resultados indican que no es verosmil que la probabilidad de que
salga cara sea 1/2; probablemente la moneda presenta una tendencia a caer por un sentido determinado.
Estadsticos. Media, desviacin estndar, mnimo, mximo, nmero de casos no perdidos y cuartiles.
Prueba binomial: Consideraciones sobre los datos
Datos. Las variables de contraste deben ser numricas y dicotmicas. Para convertir las variables de
cadena en variables numricas, utilice el procedimiento Recodificacin automtica, disponible en el men
Transformar. Una variable dicotmica es una variable que slo puede tomar dos valores posibles: s o no,
verdadero o falso, 0 o 1, etc. El primer valor encontrado en los datos define el primer grupo y el otro valor
define el segundo grupo. Si las variables no son dicotmicas, debe especificar un punto de corte. El punto
de corte asigna los casos con valores menores o iguales que el punto de corte del primer grupo y asigna
el resto de los casos a un segundo grupo.

subyacente. Se asume que los datos son una muestra aleatoria.
Para obtener una prueba binomial

Analizar > Pruebas no paramtricas > Cuadros de dilogo antiguos > Binomial...
2. Seleccione una o ms variables de contraste numricas.
Prueba binomial: Opciones

perdidos.

v Excluir casos segn lista. Se excluirn de todos los anlisis los casos con valores perdidos de
cualquier variable.
Caractersticas adicionales del comando NPAR TESTS (Prueba binomial)

v Seleccionar grupos especficos (y excluir otros grupos) si una variable tiene ms de dos categoras
(mediante el subcomando BINOMIAL).
v Especificar diferentes probabilidades o puntos de corte para diferentes variables (mediante el
subcomando BINOMIAL).

v Contrastar la misma variable respecto a diferentes probabilidades o puntos de corte (mediante el
subcomando EXPECTED).
Prueba de rachas
El procedimiento Prueba de rachas contrasta si es aleatorio el orden de aparicin de dos valores de una
variable. Una racha es una secuencia de observaciones similares. Una muestra con un nmero
excesivamente grande o excesivamente pequeo de rachas sugiere que la muestra no es aleatoria.
Ejemplos. Suponga que se realiza una encuesta a 20 personas para saber si compraran un producto. Si
todas estas personas fueran del mismo sexo, se pondra seriamente en duda la supuesta aleatoriedad de
la muestra. La prueba de rachas se puede utilizar para determinar si la muestra fue extrada de manera
aleatoria.
Prueba de rachas: Consideraciones sobre los datos
Datos. Las variables deben ser numricas. Para convertir las variables de cadena en variables numricas,
utilice el procedimiento Recodificacin automtica, disponible en el men Transformar.

subyacente. Utilice muestras de distribuciones de probabilidad continua.
Para obtener una prueba de rachas

Analizar > Pruebas no paramtricas > Cuadros de dilogo antiguos > Rachas...
2. Seleccione una o ms variables de contraste numricas.
Prueba de rachas: punto de corte

Punto de corte. Especifica un punto de corte para dicotomizar las variables seleccionadas. Puede utilizar
como punto de corte los valores observados para la media, la mediana o la moda, o bien un valor
especificado. Los casos con valores menores que el punto de corte se asignarn a un grupo y los casos
con valores mayores o iguales que el punto de corte se asignarn a otro grupo. Se lleva a cabo una
prueba para cada punto de corte seleccionado.
Prueba de rachas: Opciones

perdidos.

los anlisis.

Caractersticas adicionales del comando NPAR TESTS (Prueba de rachas)
v Especificar puntos de corte diferentes para las distintas variables (con el subcomando RUNS).
v Contrastar la misma variable con distintos puntos de corte personalizados (con el subcomando RUNS).
Prueba Kolmogorov-Smirnov de una muestra

El procedimiento Prueba de Kolmogorov-Smirnov para una muestra compara la funcin de distribucin
acumulada observada de una variable con una distribucin terica determinada, que puede ser la normal,
la uniforme, la de Poisson o la exponencial. La Z de Kolmogorov-Smirnov se calcula a partir de la
diferencia mayor (en valor absoluto) entre las funciones de distribucin acumuladas terica y observada.
Esta prueba de bondad de ajuste contrasta si las observaciones podran razonablemente proceder de la
distribucin especificada.
Ejemplo. Muchas pruebas paramtricas requieren que las variables se distribuyan de forma normal. La
prueba de Kolmogorov-Smirnov para una muestra se puede utilizar para comprobar que una variable
(por ejemplo ingresos) se distribuye normalmente.
Prueba de Kolmogorov-Smirnov para una muestra: Consideraciones sobre los datos
Datos. Utilice variables cuantitativas (a nivel de medicin de razn o de intervalo).
Supuestos. La prueba de Kolmogorov-Smirnov asume que los parmetros de la distribucin de prueba se

han especificado previamente. Este procedimiento estima los parmetros a partir de la muestra. La media
y la desviacin estndar de la muestra son los parmetros de una distribucin normal, los valores
mnimo y mximo de la muestra definen el rango de la distribucin uniforme, la media muestral es el
parmetro de la distribucin de Poisson y la media muestral es el parmetro de la distribucin
exponencial. La capacidad de la prueba para detectar desviaciones a partir de la distribucin hipotetizada
puede disminuir gravemente. Para contrastarla con una distribucin normal con parmetros estimados,
considere la posibilidad de utilizar la prueba de K-S Lillliefors (disponible en el procedimiento Explorar).
Para obtener una prueba de Kolmogorov-Smirnov para una muestra

Analizar > Pruebas no paramtricas > Cuadros de dilogo antiguos > K-S de 1 muestra...
2. Seleccione una o ms variables de contraste numricas. Cada variable genera una prueba
independiente.
Prueba de Kolmogorov-Smirnov para una muestra: Opciones

perdidos.

los anlisis.

Caractersticas adicionales del comando NPAR TESTS (Prueba de
Kolmogorov-Smirnov para una muestra)
El lenguaje de sintaxis de comandos tambin permite especificar los parmetros de la distribucin de
prueba (con el subcomando K-S).
Pruebas para dos muestras independientes

El procedimiento Pruebas para dos muestras independientes compara dos grupos de casos existentes en
una variable.
Ejemplo. Se han desarrollado nuevos correctores dentales diseados para que sean ms cmodos y
estticos, as como para facilitar un progreso ms rpido en la realineacin de la dentadura. Para
averiguar si el nuevo corrector debe llevarse tanto tiempo como el modelo antiguo, se eligen 10 nios al
azar para que lleven este ltimo y otros 10 nios para que usen el nuevo. Mediante la prueba U de
Mann-Whitney podra descubrir que, de media, los nios que llevaban el nuevo corrector tenan que
llevarlo puesto menos tiempo que los que llevaban el antiguo.
Pruebas: U de Mann-Whitney, reacciones extremas de Moses, Z de Kolmogorov-Smirnov, rachas de
Wald-Wolfowitz.
Pruebas para dos muestras independientes: Consideraciones sobre los datos
Datos. Utilice variables numricas que puedan ser ordenables.
Supuestos. Utilice muestras independientes y aleatorias. La prueba Mann-Whitney U comprueba la

igualdad de las dos distribuciones. Para utilizarla para comprobar sus diferencias en la ubicacin entre
dos distribuciones, se debe asumir que las distribuciones tienen la misma forma.
Para obtener pruebas para dos muestras independientes

Analizar > Pruebas no paramtricas > Cuadros de dilogo antiguos > 2 muestras independientes...
2. Seleccione una o ms variables numricas.
3. Seleccione una variable de agrupacin y pulse en Definir grupos para segmentar el archivo en dos
grupos o muestras.
Tipos de pruebas para dos muestras independientes.

Tipo de prueba. Hay cuatro pruebas disponibles para contrastar si dos muestras (grupos) independientes
proceden de una misma poblacin.
La prueba U de Mann-Whitney es la ms conocida de las pruebas para dos muestras independientes. Es

equivalente a la prueba de la suma de rangos de Wilcoxon y a la prueba de Kruskal-Wallis para dos
grupos. La prueba de Mann-Whitney contrasta si dos poblaciones muestreadas son equivalentes en su
posicin. Las observaciones de ambos grupos se combinan y clasifican, asignndose el rango de promedio
en caso de producirse empates. El nmero de empates debe ser pequeo en relacin con el nmero total
de observaciones. Si la posicin de las poblaciones es idntica, los rangos deberan mezclarse
aleatoriamente entre las dos muestras. La prueba calcula el nmero de veces que una puntuacin del
grupo 1 precede a una puntuacin del grupo 2 y el nmero de veces que una puntuacin del grupo 2
precede a una puntuacin del grupo 1. El estadstico U de Mann-Whitney es el menor de estos dos
nmeros. Tambin se muestra el estadstico W de la suma de rangos de Wilcoxon. W es la suma de los
rangos del grupo en el rango menor, salvo que los grupos tengan el mismo rango medio, en cuyo caso es
la suma de rangos del grupo que se nombra en ltimo lugar en el cuadro de dilogo Dos muestras
independientes: Definir grupos.

La prueba Z de Kolmogorov-Smirnov y la prueba de rachas de Wald-Wolfowitz son pruebas ms
generales que detectan las diferencias entre las posiciones y las formas de las distribuciones. La prueba de
Kolmogorov-Smirnov se basa en la diferencia mxima absoluta entre las funciones de distribucin
acumulada observadas para ambas muestras. Cuando esta diferencia es significativamente grande, se
consideran diferentes las dos distribuciones. La prueba de rachas de Wald-Wolfowitz combina y ordena
las observaciones de ambos grupos. Si las dos muestras proceden de una misma poblacin, los dos
grupos deben dispersarse aleatoriamente en la clasificacin.
La prueba de reacciones extremas de Moses presupone que la variable experimental afectar a algunos
sujetos en una direccin y a otros sujetos en la direccin opuesta. La prueba contrasta las respuestas
extremas comparndolas con un grupo de control. Esta prueba se centra en la amplitud del grupo de
control y supone una medida de la influencia de los valores extremos del grupo experimental en la
amplitud al combinarse con el grupo de control. El grupo de control se define en el cuadro Grupo 1 del
cuadro de dilogo Dos muestras independientes: Definir grupos. Las observaciones de ambos grupos se
combinan y ordenan. La amplitud del grupo de control se calcula como la diferencia entre los rangos de
los valores mayor y menor del grupo de control ms 1. Debido a que los valores atpicos ocasionales
pueden distorsionar fcilmente el rango de la amplitud, de manera automtica se recorta de cada extremo
un 5% de los casos de control.
Pruebas para dos muestras independientes: Definir grupos

Para segmentar el archivo en dos grupos o muestras, introduzca un valor entero para el Grupo 1 y otro
valor para el Grupo 2. Los casos con otros valores se excluyen del anlisis.
Pruebas para dos muestras independientes: Opciones

perdidos.

los anlisis.
Caractersticas adicionales del comando NPAR TESTS (Dos muestras

independientes)
El lenguaje de sintaxis de comandos permite especificar el nmero de casos que se recortarn en la
prueba de Moses (con el subcomando MOSES).
Pruebas para dos muestras relacionadas

El procedimiento Pruebas para dos muestras relacionadas compara las distribuciones de dos variables.
Ejemplo. En general, cuando una familia vende su casa logra obtener la cantidad que pide inicialmente?
Si aplica la prueba de Wilcoxon de los rangos con signo a 10 casas, podra descubrir que siete familias
reciben menos cantidad de la solicitada, una recibe ms y dos familias reciben el precio solicitado.
Pruebas: Wilcoxon de los rangos con signo, signo, McNemar. Si se ha instalado la opcin Pruebas exactas
(disponible slo en los sistemas operativos Windows), la prueba de homogeneidad marginal tambin
estar disponible.
Pruebas para dos muestras relacionadas: Consideraciones sobre los datos

Supuestos. Aunque no se suponen distribuciones en particular para las dos variables, se supone que la
distribucin de poblacin de las diferencias emparejadas es simtrica.
Para obtener pruebas para dos muestras relacionadas

Analizar > Pruebas no paramtricas > Cuadros de dilogo antiguos > 2 muestras relacionadas...
2. Seleccione uno o ms pares de variables.
Dos muestras relacionadas: Tipos de pruebas

Las pruebas de esta seccin comparan las distribuciones de dos variables relacionadas. La prueba
apropiada depende del tipo de datos.
Si los datos son continuos, use la prueba de los signos o la prueba de Wilcoxon de los rangos con signo.
La prueba de los signos calcula las diferencias entre las dos variables para todos los casos y clasifica las
diferencias como positivas, negativas o empatadas. Si las dos variables tienen una distribucin similar, el
nmero de diferencias positivas y negativas no difiere de forma significativa. La prueba de Wilcoxon de
los rangos con signo tiene en cuenta la informacin del signo de las diferencias y de la magnitud de las
diferencias entre los pares. Dado que la prueba de Wilcoxon de los rangos con signo incorpora ms
informacin acerca de los datos, es ms potente que la prueba de los signos.
Si los datos son binarios, use la prueba de McNemar. Esta prueba se utiliza normalmente en una
situacin de medidas repetidas, en la que la respuesta de cada sujeto se obtiene dos veces, una antes y
otra despus de que ocurra un evento especificado. La prueba de McNemar determina si el ndice de
respuesta inicial (antes del evento) es igual al ndice de respuesta final (despus del evento). Esta prueba
es til para detectar cambios en las respuestas causadas por la intervencin experimental en los diseos
del tipo antes-despus.
Si los datos son categricos, use la prueba de homogeneidad marginal. Se trata de una extensin de la
prueba de McNemar a partir de la respuesta binaria a la respuesta multinomial. Contrasta los cambios de
respuesta, utilizando la distribucin chi-cuadrado, y es til para detectar cambios de respuesta causados
por intervencin experimental en diseos antes-despus. La prueba de homogeneidad marginal slo est
disponible si se ha instalado Pruebas exactas.
Pruebas para dos muestras relacionadas: Opciones

perdidos.

los anlisis.
Caractersticas adicionales del comando NPAR TESTS (Dos muestras

relacionadas)
El lenguaje de sintaxis de comandos tambin permite contrastar una variable con cada variable de la lista.

Pruebas para varias muestras independientes
El procedimiento Pruebas para varias muestras independientes compara dos o ms grupos de casos
respecto a una variable.
Ejemplo. Es diferente el tiempo medio en que se fundirn las bombillas de 100 vatios de tres marcas
distintas? A partir del anlisis de varianza de un factor de Kruskal-Wallis, puede comprobar que las tres
marcas s se diferencian en su vida media.
Pruebas: H de Kruskal-Wallis, de la mediana.
Pruebas para varias muestras independientes: Consideraciones sobre los datos
Supuestos. Utilice muestras independientes y aleatorias. La prueba H de Kruskal-Wallis requiere que las
muestras comparadas tengan formas similares.
Para obtener pruebas para varias muestras independientes

Analizar > Pruebas no paramtricas > Cuadros de dilogo antiguos > K muestras independientes...
2. Seleccione una o ms variables numricas.
3. Seleccione una variable de agrupacin y pulse en Definir rango para especificar los valores enteros
mximo y mnimo para la variable de agrupacin.
Tipos de pruebas para varias muestras independientes

Se hallan disponibles tres pruebas para determinar si varias muestras independientes proceden de la
misma poblacin. La prueba H de Kruskal-Wallis, la prueba de la mediana y la prueba de
Jonckheere-Terpstra contrastan si varias muestras independientes proceden de la misma poblacin.
La prueba H de Kruskal-Wallis, una extensin de la prueba U de Mann-Whitney, es el anlogo no

paramtrico del anlisis de varianza de un factor y detecta las diferencias en la localizacin de las
distribuciones. La prueba de la mediana, que es una prueba ms general pero no tan potente, detecta
diferencias distribucionales en la localizacin y en la forma. La prueba H de Kruskal-Wallis y la prueba
de la mediana suponen que no existe una ordenacin a priori de las poblaciones k de las cuales se extraen
las muestras.
Cuando existe una ordenacin natural a priori (ascendente o descendente) de las poblaciones k, la prueba
Jonckheere-Terpstra es ms potente. Por ejemplo, las k poblaciones pueden representar k temperaturas
ascendentes. Se contrasta la hiptesis de que diferentes temperaturas producen la misma distribucin de
respuesta, con la hiptesis alternativa de que cuando la temperatura aumenta, la magnitud de la
respuesta aumenta. La hiptesis alternativa se encuentra aqu ordenada; por tanto, la prueba de
Jonckheere-Terpstra es la prueba ms apropiada. La prueba de Jonckheere-Terpstra estar disponible slo
si ha instalado el mdulo adicional Pruebas exactas.
Varias muestras independientes: Definir rango

Para definir el rango, introduzca valores enteros para el mnimo y el mximo que se correspondan con
las categoras mayor y menor de la variable de agrupacin. Se excluyen los casos con valores fuera de los
lmites. Por ejemplo, si indica un valor mnimo de 1 y un valor mximo de 3, nicamente se utilizarn los
valores enteros entre 1 y 3. Debe indicar ambos valores y el valor mnimo ha ser menor que el mximo.
Varias muestras independientes: Opciones


perdidos.

los anlisis.
Caractersticas adicionales del comando NPAR TESTS (K muestras

independientes)
El lenguaje de sintaxis de comandos permite especificar un valor distinto al de la mediana observada
para la prueba de la mediana (mediante el subcomando MEDIAN).
Pruebas para varias muestras relacionadas

El procedimiento Pruebas para varias muestras relacionadas compara las distribuciones de dos o ms
variables.
Ejemplo. Asocia la gente diferentes niveles de prestigio a doctores, abogados, policas y profesores? Se
pide a diez personas que ordenen estas cuatro profesiones por orden de prestigio. La prueba de Friedman
indica que la gente asocia diferentes niveles de prestigio con estas cuatro profesiones.
Pruebas: Friedman, W de Kendall y Q de Cochran.
Pruebas para varias muestras relacionadas: Consideraciones sobre los datos

subyacente. Utilice muestras aleatorias y dependientes.
Para obtener pruebas para varias muestras relacionadas

Analizar > Pruebas no paramtricas > Cuadros de dilogo antiguos > K muestras relacionadas...
2. Seleccione dos o ms variables de contraste numricas.
Tipos de prueba en el procedimiento Pruebas para varias muestras relacionadas

Hay tres pruebas disponibles para comparar las distribuciones de diversas variables relacionadas.
La prueba de Friedman es el equivalente no paramtrico de un diseo de medidas repetidas para una

muestra o un anlisis de varianza bidimensional con una observacin por casilla. Friedman contrasta la
hiptesis nula de que las k variables relacionadas procedan de la misma poblacin. Para cada caso, a las k
variables se les asignan los rangos 1 a k. El estadstico de contraste se basa en estos rangos.
La W de Kendall es una normalizacin del estadstico de Friedman. La prueba W de Kendall se puede

interpretar como el coeficiente de concordancia, que es una medida de acuerdo entre evaluadores. Cada
caso es un juez o evaluador y cada variable es un elemento o persona que est siendo evaluada. Para
cada variable, se calcula la suma de rangos. La W de Kendall vara entre 0 (no hay acuerdo) y 1 (acuerdo
completo).

La prueba Q de Cochran es idntica a la prueba de Friedman pero se puede aplicar cuando todas las
respuestas son binarias. Esta prueba es una extensin de la prueba de McNemar para la situacin de k
muestras. La Q de Cochran contrasta la hiptesis de que diversas variables dicotmicas relacionadas
tienen la misma media. Las variables se miden al mismo individuo o a individuos emparejados.
Pruebas para varias muestras relacionadas: Estadsticos

Puede elegir estadsticos.
perdidos.
Caractersticas adicionales del comando NPAR TESTS (K pruebas relacionadas)


Captulo 28. Anlisis de respuestas mltiples
Anlisis de respuestas mltiples
Se ofrecen dos procedimientos para analizar los conjuntos de categoras mltiples y de dicotomas
mltiples. El procedimiento Frecuencias de respuestas mltiples muestra tablas de frecuencias. El
procedimiento Tablas cruzadas de respuestas mltiples muestra tabulaciones cruzadas de dos y tres
dimensiones. Antes de utilizar cualquiera de estos procedimientos, deber definir conjuntos de respuestas
mltiples.
Ejemplo. Este ejemplo ilustra el uso de elementos de respuestas mltiples en un estudio de investigacin
de mercado. Los datos son ficticios y no deben interpretarse como reales. Una lnea area podra hacer
una encuesta a los pasajeros que realicen una determinada ruta para evaluar las lneas areas de la
competencia. En este ejemplo, American Airlines desea conocer el uso que hacen sus pasajeros de otras
lneas areas en la ruta Chicago-Nueva York y la importancia relativa del horario y el servicio a la hora
de seleccionar una lnea area. El encargado del vuelo proporciona a cada pasajero un breve cuestionario
durante el embarque. La primera pregunta dice: rodee con un crculo todas las lneas areas con la que
haya volado al menos una vez en los ltimos seis meses en este mismo trayecto: American, United, TWA,
USAir, Otras. Se trata de una pregunta de respuestas mltiples, ya que el pasajero puede marcar ms de
una respuesta. Sin embargo, la pregunta no se puede codificar directamente, ya que una variable slo
puede tener un valor para cada caso. Deber utilizar distintas variables para correlacionar las respuestas
con cada pregunta. Existen dos formas de hacerlo. Una consiste en definir una variable para cada una de
las opciones (por ejemplo, American, United, TWA, USAir y Otras). Si el pasajero marca United, a la
variable united se le asignar el cdigo 1; en caso contrario se le asignar 0. ste es un mtodo de
dicotomas mltiples de correlacin de variables. La otra forma de correlacionar respuestas es el mtodo
de categoras mltiples, en el que se estima el nmero mximo de posibles respuestas a la pregunta y se
configura el mismo nmero de variables, con cdigos para especificar la lnea area utilizada.
Examinando una muestra de cuestionarios, podra observarse que ningn usuario ha volado en ms de
tres lneas areas diferentes en esta ruta durante los ltimos seis meses. An ms, se observar que
debido a la liberalizacin de las lneas areas, aparecen otras 10 en la categora Otras. Con el mtodo de
respuestas mltiples, definira tres variables, cada una codificada como 1 = american, 2 = united, 3 = twa, 4
= usair, 5 = delta y as sucesivamente. Si un pasajero determinado marca American y TWA, la primera
variable tendr el cdigo 1, la segunda el 3 y la tercera un cdigo de valor perdido. Otro pasajero podra
haber marcado American e introducido Delta. As, la primera variable tendr el cdigo 1, la segunda el 5
y la tercera un cdigo de valor perdido. Por el contrario, si utiliza el mtodo de dicotomas mltiples,
terminar con 14 variables independientes. Aunque cualquiera de los mtodos de correlacin anteriores es
viable para este estudio, el mtodo seleccionado depender de la distribucin de respuestas.
Definir conjuntos de respuestas mltiples

El procedimiento Definir conjuntos de respuestas mltiples agrupa variables elementales en conjuntos de
categoras mltiples y de dicotomas mltiples, para los que se pueden obtener tablas de frecuencias y
tabulaciones cruzadas. Se pueden definir hasta 20 conjuntos de respuestas mltiples. Cada conjunto debe
tener un nombre exclusivo. Para eliminar un conjunto, resltelo en la lista de conjuntos de respuestas
mltiples y pulse en Borrar. Para cambiar un conjunto, resltelo en la lista, modifique cualquier
caracterstica de la definicin del conjunto y pulse en Cambiar.
Las variables elementales se pueden codificar como dicotomas o categoras. Para utilizar variables
dicotmicas, seleccione Dicotomas para crear un conjunto de dicotomas mltiples. Introduzca un valor
entero en Valor contado. Cada variable que tenga al menos una aparicin del valor contado se convierte
en una categora del conjunto de dicotomas mltiples. Seleccione Categoras para crear un conjunto de
categoras mltiples con el mismo rango de valores que las variables que lo componen. Introduzca
valores enteros para los valores mximo y mnimo del rango para las categoras del conjunto de

categoras mltiples. El procedimiento suma cada valor entero distinto en el rango inclusivo para todas
las variables que lo componen. Las categoras vacas no se tabulan.
A cada conjunto de respuestas mltiples se le debe asignar un nombre exclusivo de hasta siete caracteres.
El procedimiento coloca delante del nombre asignado un signo dlar ($). No se pueden utilizar los
siguientes nombres reservados: casenum, sysmis, jdate, date, time, length y width. El nombre del conjunto de
respuestas mltiples slo se encuentra disponible para su uso en los procedimientos de respuestas
mltiples. No se puede hacer referencia a nombres de conjuntos de respuestas mltiples en otros
procedimientos. Si lo desea, puede introducir una etiqueta de variable descriptiva para el conjunto de
respuestas mltiples. La etiqueta puede tener hasta 40 caracteres.
Para definir conjuntos de respuestas mltiples

Analizar > Respuesta mltiple > Definir conjuntos de variables...
2. Seleccione dos o ms variables.
3. Si las variables estn codificadas como dicotomas, indique qu valor desea contar. Si las variables
estn codificadas como categoras, defina el rango de las categoras.
4. Escriba un nombre exclusivo para cada conjunto de respuestas mltiples.
5. Pulse Aadir para aadir el conjunto de respuestas mltiples a la lista de conjuntos definidos.
Frecuencias de respuestas mltiples

El procedimiento Frecuencias de respuestas mltiples produce tablas de frecuencias para conjuntos de
respuestas mltiples. En primer lugar es necesario definir uno o ms conjuntos de respuestas mltiples
(vase Definir conjuntos de respuestas mltiples).
Para los conjuntos de dicotomas mltiples, los nombres de categoras que se muestran en los resultados
proceden de etiquetas de variable definidas para variables elementales del grupo. Si las etiquetas de
variable no estn definidas, los nombres de las variables se utilizarn como etiquetas. Para los conjuntos
de categoras mltiples, las etiquetas de categora proceden de las etiquetas de valor de la primera
variable del grupo. Si las categoras perdidas para la primera variable estn presentes para otras variables
del grupo, defina una etiqueta de valor para las categoras perdidas.
Valores perdidos. Los casos con valores perdidos se excluyen en base a tabla por tabla. Si lo desea, puede
seleccionar una de las opciones siguientes o ambas:
v Excluir los casos segn lista dentro de las dicotomas. Excluye los casos con valores perdidos en
cualquier variable de la tabulacin del conjunto de dicotomas mltiples. Esto slo se aplica a conjuntos
de respuestas mltiples definidos como conjuntos de dicotomas. De forma predeterminada, un caso se
considera perdido para un conjunto de dicotomas mltiples si ninguna de sus variables que lo
componen contiene el valor contado. Los casos con valores perdidos en algunas variables, pero no en
todas, se incluyen en las tabulaciones del grupo si al menos una variable contiene el valor contado.
v Excluir los casos segn lista dentro de las categoras. Excluye los casos con valores perdidos en
cualquier variable de la tabulacin del conjunto de categoras mltiples. Esto slo se aplica a conjuntos
de respuestas mltiples definidos como conjuntos de categoras. De forma predeterminada, un caso se
considera perdido para un conjunto de categoras mltiples slo si ninguno de sus componentes tiene
valores vlidos dentro del rango definido.
Ejemplo. Cada variable creada a partir de una pregunta de una encuesta es una variable elemental. Para
analizar un elemento de respuestas mltiples, deber combinar las variables en uno o dos tipos de
conjuntos de respuestas mltiples: un conjunto de dicotomas mltiples o un conjunto de categoras
mltiples. Por ejemplo, si una encuesta sobre lneas areas preguntara al encuestado cul de las tres
lneas (American, United, TWA) ha utilizado durante los seis ltimos meses y usted utilizara variables
dicotmicas y definiera un conjunto de dicotomas mltiples, cada una de las tres variables del conjunto
se convertira en una categora de la variable de grupo. Las frecuencias y los porcentajes de las tres lneas

areas se muestran en una tabla de frecuencias. Si observa que ningn encuestado ha mencionado ms de
dos lneas areas, podra crear dos variables, cada una con tres cdigos, uno para cada lnea area. Si
define un conjunto de categoras mltiples, los valores se tabulan aadiendo los mismos cdigos en las
variables elementales juntas. El conjunto de valores resultantes es igual a los de cada una de las variables
elementales. Por ejemplo, 30 respuestas para United son la suma de las cinco respuestas de United para
la lnea area 1 y las 25 respuestas de United para la lnea area 2. Las frecuencias y los porcentajes de las
tres lneas areas se muestran en una tabla de frecuencias.
Estadsticos. Tablas de frecuencias que muestran recuentos, porcentajes de respuestas, porcentajes de

casos, nmero de casos vlidos y nmero de casos perdidos.
Frecuencias de respuestas mltiples: Consideraciones sobre los datos
Datos. Utilice conjuntos de respuestas mltiples.
Supuestos. Las frecuencias y los porcentajes proporcionan una descripcin til de los datos de cualquier
distribucin.
Procedimientos relacionados. El procedimiento Definir conjuntos de respuestas mltiples permite definir

este tipo de conjuntos.
Para obtener frecuencias de respuestas mltiples

Analizar > Respuesta mltiple > Frecuencias...
2. Seleccione uno o ms conjuntos de respuestas mltiples.
Tablas cruzadas de respuestas mltiples

El procedimiento Tablas cruzadas de respuestas mltiples presenta en forma de tabulacin cruzada
conjuntos de respuestas mltiples, variables elementales o una combinacin. Tambin puede obtener
porcentajes de casillas basados en casos o respuestas, modificar la gestin de los valores perdidos u
obtener tabulaciones cruzadas emparejadas. Antes debe definir uno o varios conjuntos de respuestas
mltiples (vase Para definir conjuntos de respuestas mltiples).
Para los conjuntos de dicotomas mltiples, los nombres de categoras que se muestran en los resultados
proceden de etiquetas de variable definidas para variables elementales del grupo. Si las etiquetas de
variable no estn definidas, los nombres de las variables se utilizarn como etiquetas. Para los conjuntos
de categoras mltiples, las etiquetas de categora proceden de las etiquetas de valor de la primera
variable del grupo. Si las categoras perdidas para la primera variable estn presentes para otras variables
del grupo, defina una etiqueta de valor para las categoras perdidas. El procedimiento muestra las
etiquetas de categora por columnas en tres lneas, con un mximo de ocho caracteres por lnea. Para
evitar la divisin de palabras, puede invertir los elementos de las filas y las columnas o volver a definir
las etiquetas.
Ejemplo. Tanto los conjuntos de categoras mltiples como los conjuntos de dicotomas mltiples se
pueden presentar en forma de tabulacin cruzada con otras variables de este procedimiento. Un estudio
sobre pasajeros de lneas areas solicita a stos la siguiente informacin: marque las lneas areas con las
que ha volado al menos una vez en los seis ltimos meses (American, United, TWA). Qu considera ms
importante a la hora de seleccionar un vuelo, el horario o el servicio? Seleccione slo uno. Despus de
introducir los datos como dicotomas o categoras mltiples y combinarlos en un conjunto, puede
presentar en forma de tabulacin cruzada las selecciones de lnea area con la pregunta relativa al
servicio o al horario.
Estadsticos. Tabulacin cruzada con recuentos de casilla, fila, columna y totales, as como porcentajes de
casillas, filas, columnas y totales. Los porcentajes de casillas se basan en casos o respuestas.
Captulo 28. Anlisis de respuestas mltiples 157

Tablas cruzadas de respuestas mltiples: Consideraciones sobre los datos
Datos. Utilice conjuntos de respuestas mltiples o variables categricas numricas.
Supuestos. Las frecuencias y los porcentajes proporcionan una til descripcin de los datos de cualquier
distribucin.
Procedimientos relacionados. El procedimiento Definir conjuntos de respuestas mltiples permite definir

este tipo de conjuntos.
Para obtener tablas cruzadas de respuestas mltiples

Analizar > Respuesta mltiple > Tablas cruzadas...
2. Seleccione una o ms variables numricas o conjuntos de respuestas mltiples para cada dimensin
de la tabulacin cruzada.
3. Defina el rango de cada variable elemental.
Si lo desea, puede obtener una tabulacin cruzada bidimensional para cada categora de una variable de
control o conjunto de respuestas mltiples. Seleccione uno o varios elementos para la lista Capas.
Tablas de respuestas mltiples: Definir rangos de las variables

Los rangos de valores deben definirse para cualquier variable elemental de la tabulacin cruzada.
Introduzca los valores enteros de categora mximos y mnimos que desee tabular. Las categoras que
estn fuera del rango se excluyen del anlisis. Se entiende que los valores que estn dentro del rango
inclusivo son enteros (los no enteros quedan truncados).
Tablas cruzadas de respuestas mltiples: Opciones

Porcentajes de casillas. Los recuentos de casillas siempre se muestran. Puede elegir entre mostrar los
porcentajes de fila, los de columna o los de tabla bidimensional (totales).
Porcentajes basados en. Los porcentajes de casillas pueden basarse en casos (o encuestados). Esta opcin
no estar disponible si selecciona la concordancia de variables en conjuntos de categoras mltiples.
Tambin se pueden basar en las respuestas. Para los conjuntos de dicotomas mltiples, el nmero de
respuestas es igual al nmero de valores contados por los casos. Para los conjuntos de categoras
mltiples, el nmero de respuestas es el nmero de valores del rango definido.
Valores perdidos. Puede elegir una o ambas de las siguientes opciones:

v Excluir los casos segn lista dentro de las dicotomas. Excluye los casos con valores perdidos en
cualquier variable de la tabulacin del conjunto de dicotomas mltiples. Esto slo se aplica a conjuntos
de respuestas mltiples definidos como conjuntos de dicotomas. De forma predeterminada, un caso se
considera perdido para un conjunto de dicotomas mltiples si ninguna de sus variables que lo
componen contiene el valor contado. Los casos con valores perdidos para algunas variables, pero no
todas, se incluyen en las tabulaciones del grupo si al menos una variable contiene el valor contado.
v Excluir los casos segn lista dentro de las categoras. Excluye los casos con valores perdidos en
cualquier variable de la tabulacin del conjunto de categoras mltiples. Esto slo se aplica a conjuntos
de respuestas mltiples definidos como conjuntos de categoras. De forma predeterminada, un caso se
considera perdido para un conjunto de categoras mltiples slo si ninguno de sus componentes tiene
valores vlidos dentro del rango definido.
De forma predeterminada, cuando se presentan dos conjuntos de categoras mltiples en forma de

tabulacin cruzada, el procedimiento tabula cada variable del primer grupo con cada variable del
segundo y suma las frecuencias de cada casilla; de esta forma, algunas respuestas pueden aparecer ms
de una vez en una tabla. Puede seleccionar la opcin siguiente:

Emparejar las variables entre los conjuntos de respuesta. Empareja la primera variable del primer grupo
con la primera variable del segundo, y as sucesivamente. Si selecciona esta opcin, el procedimiento
basar los porcentajes de casillas en las respuestas en lugar de hacerlo en los encuestados. El
emparejamiento no est disponible para conjuntos de dicotomas mltiples o variables elementales.
Caractersticas adicionales del comando MULT RESPONSE

v Obtener tablas de tabulacin cruzada con un mximo de cinco dimensiones (con el subcomando BY).
v Cambiar las opciones de formato de salida, incluyendo la supresin de etiquetas de valor (con el
subcomando FORMAT).
Captulo 28. Anlisis de respuestas mltiples 159

Captulo 29. Informes de los resultados
Informes de los resultados
Los listados de casos y los estadsticos descriptivos son herramientas bsicas para estudiar y presentar los
datos. Puede obtener listados de casos con el Editor de datos o el procedimiento Resumir, frecuencias y
estadsticos descriptivos con el procedimiento Frecuencias, y estadsticos de subpoblacin con el
procedimiento Medias. Cada uno utiliza un formato diseado para que la informacin sea clara. Si desea
ver la informacin con otro formato, las opciones Informe de estadsticos en filas e Informe de
estadsticos en columnas le ofrecen el control que precisa para presentar los datos.
Informe de estadsticos en filas

Informe de estadsticos en filas genera informes en los cuales se presentan distintos estadsticos de
resumen en filas. Tambin se encuentran disponibles listados de los casos, con o sin estadsticos de
resumen.
Ejemplo. Una empresa con una cadena de tiendas registra los datos de sus empleados, incluyendo el
salario, el cargo, la tienda y la seccin en la que trabaja cada uno. Se podra generar un informe que
proporcione los datos individuales de cada empleado (listado) desglosados por tienda y seccin (variables
de segmentacin), con estadsticos de resumen (por ejemplo, el salario medio) por tienda, seccin y
seccin dentro de cada tienda.
Columnas de datos. Muestra una lista de las variables del informe para las que desea obtener el listado
de los casos o los estadsticos de resumen y controla el formato de presentacin de las columnas de datos.
Salto de columna. Muestra una lista de las variables de segmentacin opcionales que dividen el informe
en grupos y controla los estadsticos de resumen y los formatos de presentacin de Salto de columna. Si
hay varias variables de segmentacin, se crear un grupo distinto para cada una de las categoras de las
variables de segmentacin dentro de las categoras de la variable de segmentacin anterior en la lista. Las
variables de segmentacin deben ser variables categricas discretas que dividan los casos en un nmero
limitado de categoras con sentido. Los valores individuales de cada variable de segmentacin aparecen
ordenados en una columna distinta situada a la izquierda de todas las columnas de datos.
Informe. Controla las caractersticas globales del informe, incluyendo los estadsticos de resumen
globales, la presentacin de los valores perdidos, la numeracin de las pginas y los ttulos.
Mostrar casos. Muestra los valores reales (o etiquetas de valor) de las variables de la columna de datos
para cada caso. Esto genera un informe a modo de listado, que puede ser mucho ms largo que un
informe de resumen.
Vista previa. Muestra slo la primera pgina del informe. Esta opcin es til para ver una vista previa
del formato del informe sin tener que procesar el informe completo.
Los datos estn ordenados. Para los informes con variables de segmentacin, el archivo de datos se debe
ordenar por los valores de estas variables antes de generar el informe. Si el archivo de datos ya est
ordenado por estos valores, se puede ahorrar tiempo de procesamiento seleccionando esta opcin. Esta
opcin es especialmente til despus de generar la vista previa de un informe.
Para obtener un informe de resumen: Estadsticos en filas

Analizar > Informes > Informe de estadsticos en filas...

2. Seleccione una o ms variables para las columnas de datos. En el informe se genera una columna para
cada variable seleccionada.
3. Para los informes ordenados y mostrados por subgrupos, seleccione una o ms variables para Salto de
columnas.
4. Para los informes con estadsticos de resumen para los subgrupos definidos por las variables de
segmentacin, seleccione la variable de segmentacin de la lista de variables de Salto de columna y
pulse en Resumen, en la seccin Salto de columna, para especificar las medidas del resumen.
5. Para los informes con estadsticos de resumen globales, pulse en Resumen para especificar las
medidas de resumen.
Formato de los saltos y de las columnas de datos del informe

Los cuadros de dilogo de formato controlan los ttulos y el ancho de las columnas, la alineacin del
texto y la presentacin de los valores de los datos o de las etiquetas de valor. El formato de las columnas
de datos controla el formato de las columnas de datos situadas en la parte derecha de la pgina del
informe. La opcin Formato de salto controla el formato de los saltos de columna situadas en la parte
izquierda.
Ttulo de la columna. Para la variable seleccionada, controla el ttulo de la columna. Los ttulos largos se
ajustan de forma automtica dentro de la columna. Utilice la tecla Intro para insertar manualmente lneas
de separacin donde desee ajustar los ttulos.
Posicin de valor en la columna. Para la variable seleccionada, controla la alineacin de los valores de
los datos o de las etiquetas de valor dentro de la columna. La alineacin de los valores o de las etiquetas
no afecta a la alineacin de los encabezados de las columnas. Puede sangrar el contenido de la columna
por un nmero especfico de caracteres o centrar el contenido.
Contenido de la columna. Para la variable seleccionada, controla la presentacin de los valores de los
datos o de las etiquetas de valor definidas. Los valores de los datos siempre se muestran para cualquier
valor que no tenga etiquetas de valor definidas. No se encuentra disponible para las columnas de datos
en los informes estadsticos en columnas.
Lneas de resumen finales y Lneas de resumen del informe

Los dos cuadros de dilogo Lneas de resumen controlan la presentacin de los estadsticos de resumen
para los grupos de ruptura y para el informe entero. Lneas de resumen controla los estadsticos de
subgrupo para cada categora definida por las variables de segmentacin. Lneas de resumen finales
controla los estadsticos globales que se muestran al final del informe.
Los estadsticos de resumen disponibles son: suma, media, valor mnimo, valor mximo, nmero de
casos, porcentaje de casos por encima y por debajo de un valor especificado, porcentaje de casos dentro
de un rango de valores especificado, desviacin estndar, curtosis, varianza y asimetra.
Opciones de saltos del informe

Opciones de saltos controla el espaciado y la paginacin de la informacin de la categora de salto.
Control de pgina. Controla el espaciado y la paginacin para las categoras de la variable de

segmentacin seleccionada. Puede especificar un nmero de lneas en blanco entre las categoras de
segmentacin o empezar cada categora de segmentacin en una pgina nueva.
Lneas en blanco antes de los estadsticos. Controla el nmero de lneas en blanco entre las etiquetas o
los datos de la categora de ruptura y los estadsticos de resumen. Esta opcin es especialmente til para

los informes combinados que incluyan tanto el listado de los casos individuales como los estadsticos de
resumen para las categoras de segmentacin; en estos informes puede insertar un espacio entre el listado
de los casos y los estadsticos de resumen.
Opciones del informe

Informe: Opciones controla el tratamiento y la presentacin de los valores perdidos y la numeracin de
las pginas del informe.
Excluir casos con valores perdidos segn lista. Elimina (del informe) cualquier caso con valores perdidos
para cualquier variable del informe.
Los valores perdidos aparecen como. Permite especificar el smbolo que representa los valores perdidos
en el archivo de datos. Este smbolo slo puede tener un carcter y se utiliza para representar tanto los
valores perdidos del sistema como los valores perdidos del usuario.
Numerar las pginas desde la. Permite especificar un nmero de pgina para la primera pgina del
informe.
Diseo del informe

Informe: Diseo controla el ancho y alto de cada pgina del informe, la ubicacin del informe dentro de
la pgina y la insercin de etiquetas y lneas en blanco.
Diseo de pgina. Controla los mrgenes de las pginas expresados en lneas (extremos superior e
inferior) y caracteres (a la izquierda y a la derecha) y la alineacin del informe entre los mrgenes.
Ttulos y pies de pgina. Controla el nmero de lneas que separan los ttulos y los pies de pgina del
cuerpo del informe.
Salto de columna. Controla la presentacin de los saltos de columna. Si se especifican diversas variables
de segmentacin, pueden situarse en columnas diferentes o en la primera columna. Si se colocan todas en
la primera columna, se generar un informe ms estrecho.
Ttulos de columna. Controla la presentacin de los ttulos de columna, incluyendo el subrayado de

ttulos, el espacio entre los ttulos y el cuerpo del informe y la alineacin vertical de los ttulos de
columna.
Filas de col. datos y etiquetas de salto. Controla la ubicacin de la informacin de las columnas de datos
(valores de datos o estadsticos de resumen) en relacin con las etiquetas de salto al principio de cada
categora de ruptura. La primera fila de informacin puede empezar en la misma lnea que la etiqueta de
categora de ruptura o en un nmero de lneas posterior especificado. Esta seccin no se encuentra
disponible para los informes de estadsticos en columnas.
Ttulos del informe

Informe: Ttulos controla el contenido y la ubicacin de los ttulos y los pies de pgina del informe.
Puede especificar un mximo de diez lneas de ttulos de pgina y otras tantas de pies de pgina, con
componentes justificados a la izquierda, en el centro y a la derecha en cada lnea.
Si inserta variables en los ttulos o en los pies de pgina, la etiqueta de valor o el valor de la variable
actual aparecer en el ttulo o en el pie de pgina. Para los ttulos se mostrar la etiqueta de valor
correspondiente al valor de la variable al principio de la pgina. Para los pies de pgina, esta etiqueta se
mostrar al final de la pgina. Si no hay etiqueta de valor, se mostrar el valor real.
Captulo 29. Informes de los resultados 163

Variables especiales. Las variables especiales DATE y PAGE permiten insertar la fecha actual o el nmero
de pgina en cualquier lnea de un encabezado o pie del informe. Si el archivo de datos contiene
variables llamadas DATE o PAGE, no podr utilizar estas variables en los ttulos ni en los pies del
informe.
Informe de estadsticos en columnas

Informe de estadsticos en columnas genera informes de resumen en los que diversos estadsticos de
resumen aparecen en columnas distintas.
Ejemplo. Una empresa con una cadena de tiendas registra la informacin de los empleados, incluyendo
el salario, el cargo y la seccin en la que trabaja cada uno. Se podra generar un informe que proporcione
los estadsticos de salario resumidos (por ejemplo, media, mnimo y mximo) para cada seccin.
Columnas de datos. Muestra una lista de las variables del informe para las que se desea obtener
estadsticos de resumen y controla el formato de presentacin y los estadsticos de resumen mostrados
para cada variable.
Salto de columna. Muestra una lista de las variables de segmentacin opcionales que dividen el informe
en grupos y controla los formatos de presentacin de los saltos de columna. Si hay varias variables de
segmentacin, se crear un grupo distinto para cada una de las categoras de las variables de
segmentacin dentro de las categoras de la variable de segmentacin anterior en la lista. Las variables de
segmentacin deben ser variables categricas discretas que dividan los casos en un nmero limitado de
categoras con sentido.
Informe. Controla las caractersticas globales del informe, incluyendo la presentacin de los valores
perdidos, la numeracin de las pginas y los ttulos.
Vista previa. Muestra slo la primera pgina del informe. Esta opcin es til para ver una vista previa
del formato del informe sin tener que procesar el informe completo.
Los datos estn ordenados. Para los informes con variables de segmentacin, el archivo de datos se debe
ordenar por los valores de estas variables antes de generar el informe. Si el archivo de datos ya est
ordenado por estos valores, se puede ahorrar tiempo de procesamiento seleccionando esta opcin. Esta
opcin es especialmente til despus de generar la vista previa de un informe.
Para obtener un informe de resumen: Estadsticos en columnas

Analizar > Informes > Informe de estadsticos en columnas...
2. Seleccione una o ms variables para las columnas de datos. En el informe se genera una columna para
cada variable seleccionada.
3. Para cambiar la medida de resumen para una variable, seleccione la variable de la lista de columnas
de datos y pulse en Resumen.
4. Para obtener ms de una medida de resumen para una variable, seleccione la variable en la lista de
origen y desplcela hasta la lista Columnas de datos varias veces, una para cada medida que desee
obtener.
5. Para mostrar una columna con la suma, la media, la razn o cualquier otra funcin de las columnas
existentes, pulse en Insertar total. Al hacerlo se situar una variable llamada total en la lista Columnas
de datos.
6. Para los informes ordenados y mostrados por subgrupos, seleccione una o ms variables para Salto de
columnas.

Funcin Columna de resumen total
Lneas de resumen controla el estadstico de resumen mostrado para la variable de las columnas de datos
seleccionada.
Los estadsticos de resumen disponibles son: suma, media, valor mnimo, valor mximo, nmero de
casos, porcentaje de casos por encima y por debajo de un valor especificado, porcentaje de casos dentro
de un rango de valores especificado, desviacin estndar, varianza, curtosis y asimetra.
Columna de resumen total

Columna de resumen controla los estadsticos de resumen del total que resumen dos o ms columnas de
datos.
Los estadsticos de resumen del total son la suma de columnas, la media de columnas, el mnimo, el
mximo, la diferencia entre los valores de dos columnas, el cociente de los valores de una columna
dividido por los valores de otra y el producto de los valores de las columnas multiplicados entre s.
Suma de columnas. La columna total es la suma de las columnas de la lista Columna de resumen.
Media de columnas. La columna total es la media de las columnas de la lista Columna de resumen.
Mnimo de columnas. La columna total es el mnimo de las columnas de la lista Columna de resumen.
Mximo de columnas. La columna total es el mximo de las columnas de la lista Columna de resumen.
1 columna - 2 columna. La columna total es la resta de las columnas de la lista Columna de resumen.
Esta lista debe contener, exactamente, dos columnas.
1 columna / 2 columna. La columna total es el cociente de las columnas de la lista Columna de

resumen. Esta lista debe contener, exactamente, dos columnas.
% 1 columna / 2 columna. La columna total es el porcentaje de la primera columna dividido por la

segunda columna de la lista Columna de resumen. Esta lista debe contener, exactamente, dos columnas.
Producto de columnas. La columna total es el producto de las columnas de la lista Columna de resumen.
Formato de columna de informe

Las opciones de formato de datos y salto de columna para Informe de estadsticos en columnas son
iguales que las que se describen para Informes de estadsticos en filas.
Opciones de Salto de columna para los estadsticos en el informe

Opciones de saltos controla la presentacin del subtotal, el espaciado y la paginacin para las categoras
de segmentacin.
Subtotal. Controla los subtotales mostrados para cada categora de segmentacin.
Control de pgina. Controla el espaciado y la paginacin para las categoras de la variable de

segmentacin seleccionada. Puede especificar un nmero de lneas en blanco entre las categoras de
segmentacin o empezar cada categora de segmentacin en una pgina nueva.
Lneas en blanco antes del subtotal. Controla el nmero de lneas en blanco entre los datos de las
categoras de ruptura y los subtotales.
Captulo 29. Informes de los resultados 165

Opciones de columnas para los estadsticos en el informe
Opciones controla la presentacin de los totales finales y de los valores perdidos y la paginacin de los
informes de estadsticos en columnas.
Total final. Muestra y etiqueta un total global para cada columna que aparece al final de la columna.
Valores perdidos. Permite excluir los valores perdidos del informe o seleccionar un nico carcter para
indicar estos valores.
Diseo de informe para Informe de estadsticos en columnas

Las opciones de diseo de informe para Informe de estadsticos en columnas son iguales que las que se
describen para Informe de estadsticos en filas.
Caractersticas adicionales del comando REPORT

v Mostrar funciones de resumen diferentes en las columnas de una nica lnea de resumen.
v Insertar lneas de resumen en las columnas de datos para variables que no sean la variable de la
columna de datos o para diversas combinaciones (funciones compuestas) de las funciones de resumen.
v Utilizar Mediana, Moda, Frecuencia y Porcentaje como funciones de resumen.
v Controlar de forma ms precisa el formato de presentacin de los estadsticos de resumen.
v Insertar lneas en blanco en diversos puntos de los informes.
v Insertar lneas en blanco despus de cada n-simo caso de los informes en formato de listado.
Debido a la complejidad de la sintaxis de REPORT, a la hora de generar un nuevo informe con sintaxis
puede resultarle til, para aproximar el informe generado a partir de los cuadros de dilogo, copiar y
pegar la sintaxis correspondiente y depurar esa sintaxis para generar exactamente el informe que le
interese.

Captulo 30. Anlisis de fiabilidad
El anlisis de fiabilidad permite estudiar las propiedades de las escalas de medicin y de los elementos
que componen las escalas. El procedimiento Anlisis de fiabilidad calcula un nmero de medidas de
fiabilidad de escala que se utilizan normalmente y tambin proporciona informacin sobre las relaciones
entre elementos individuales de la escala. Se pueden utilizar los coeficientes de correlacin intraclase para
calcular estimaciones de la fiabilidad inter-evaluadores.
Ejemplo. El cuestionario mide la satisfaccin del cliente de manera til? El anlisis de fiabilidad le
permitir determinar el grado en que los elementos del cuestionario se relacionan entre s, obtener un
ndice global de la replicabilidad o de la consistencia interna de la escala en su conjunto e identificar
elementos problemticos que deberan ser excluidos de la escala.
Estadsticos. Descriptivos para cada variable y para la escala, estadsticos de resumen comparando los
elementos, correlaciones y covarianzas entre elementos, estimaciones de la fiabilidad, tabla de ANOVA,
coeficientes de correlacin intraclase, T cuadrado de Hotelling y prueba de aditividad de Tukey.
Modelos. Estn disponibles los siguientes modelos de fiabilidad:

v Alfa (Cronbach). Este modelo es un modelo de consistencia interna, que se basa en la correlacin
entre elementos promedio.
v Dos mitades. Este modelo divide la escala en dos partes y examina la correlacin entre dichas partes.
v Guttman. Este modelo calcula los lmites inferiores de Guttman para la fiabilidad verdadera.
v Paralelo. Este modelo asume que todos los elementos tienen varianzas iguales y varianzas error
iguales a travs de las rplicas.
v Paralelo estricto. Este modelo asume los supuestos del modelo paralelo y tambin asume que las
medias son iguales a travs de los elementos.
Anlisis de fiabilidad: Consideraciones sobre los datos
Datos. Los datos pueden ser dicotmicos, ordinales o de intervalo, pero deben estar codificados
numricamente.
Supuestos. Las observaciones deben ser independientes y los errores no deben estar correlacionados entre
los elementos. Cada par de elementos debe tener una distribucin normal bivariada. Las escalas deben
ser aditivas, de manera que cada elemento est linealmente relacionado con la puntuacin total.
Procedimientos relacionados. Si desea explorar la dimensionalidad de los elementos de la escala (para

comprobar si es necesario ms de un constructo para explicar el patrn de puntuaciones en los
elementos), utilice el Anlisis factorial o el Escalamiento multidimensional. Para identificar grupos
homogneos de variables, use el anlisis de clsteres jerrquico para agrupar las variables en clsteres.
Para obtener un anlisis de fiabilidad

Analizar > Escala > Anlisis de fiabilidad...
2. Seleccione dos o ms variables como componentes potenciales de una escala aditiva.
3. Elija un modelo de la lista desplegable Modelo.

Anlisis de fiabilidad: Estadsticos
Puede seleccionar diversos estadsticos que describen la escala y sus elementos. Los estadsticos de los
que se informa de forma predeterminada incluyen el nmero de casos, el nmero de elementos y las
estimaciones de la fiabilidad, segn se explica a continuacin:
v Modelos Alfa. Coeficiente Alfa; para datos dicotmicos, ste es equivalente al coeficiente 20 de
Kuder-Richardson (KR20).
v Modelos Dos mitades. Correlacin entre formas, fiabilidad de dos mitades de Guttman, fiabilidad de
Spearman-Brown (longitud igual y desigual) y coeficiente alfa para cada mitad.
v Modelos de Guttman. Coeficientes de fiabilidad lambda 1 a lambda 6.
v Modelos Paralelo y Estrictamente paralelo. Prueba de bondad de ajuste del modelo; estimaciones de
la varianza error, varianza comn y varianza verdadera; correlacin comn entre elementos estimada;
fiabilidad estimada y estimacin de la fiabilidad no sesgada.
Descriptivos para. Genera estadsticos descriptivos para las escalas o los elementos a travs de los casos.
v Elemento. Genera estadsticos descriptivos para los elementos a travs de los casos.
v Escalas. Genera estadsticos descriptivos para las escalas.
v Escala si se elimina el elemento. Muestra estadsticos de resumen para comparar cada elemento con
la escala compuesta por otros elementos. Los estadsticos incluyen la media de escala y la varianza si el
elemento fuera a eliminarse de la escala, la correlacin entre el elemento y la escala compuesta por
otros elementos, y alfa de Cronbach si el elemento fuera a eliminarse de la escala.
Resmenes. Proporciona estadsticos descriptivos sobre las distribuciones de los elementos a travs de
todos los elementos de la escala.
v Medias. Estadsticos de resumen de las medias de los elementos. Se muestran el mximo, el mnimo y
el promedio de las medias de los elementos, el rango y la varianza de las medias de los elementos, y la
razn de la mayor media sobre la menor media de los elementos.
v Varianzas. Estadsticos de resumen de las varianzas de los elementos. Se muestran el mximo, el
mnimo y el promedio de las varianzas de los elementos, el rango y la varianza de las varianzas de los
elementos y la razn de la mayor varianza sobre la menor varianza de los elementos.
v Covarianzas. Estadsticos de resumen de las covarianzas entre elementos. Se muestran el mximo, el
mnimo y el promedio de las covarianzas entre elementos, el rango y la varianza de las covarianzas
entre elementos, y la razn de la mayor sobre la menor covarianza entre elementos.
v Correlaciones. Estadsticos de resumen para las correlaciones entre elementos. Se muestran el mximo,
el mnimo y el promedio de las correlaciones entre elementos, el rango y la varianza de las
correlaciones entre elementos, y la razn de la mayor correlacin sobre la menor correlacin entre
elementos.
entre elementos. Genera las matrices de correlaciones o covarianzas entre los elementos.
Tabla de ANOVA. Produce pruebas de medias iguales.

v Prueba F. Muestra la tabla de un anlisis de varianza de medidas repetidas.
v Chi-cuadrado de Friedman. Muestra el chi-cuadrado de Friedman y el coeficiente de concordancia de
Kendall. Esta opcin es adecuada para datos que se encuentren en el formato de rangos. La prueba de
chi-cuadrado sustituye a la prueba F habitual en la tabla de ANOVA.
v Chi-cuadrado de Cochran. Muestra la Q de Cochran. Esta opcin es adecuada para datos dicotmicos El
estadstico Q sustituye a la F habitual en la tabla de ANOVA.
T-cuadrado de Hotelling. Genera una prueba multivariante sobre la hiptesis nula de que todos los
elementos de la escala tienen la misma media.

Prueba de aditividad de Tukey. Genera un contraste sobre el supuesto de que no existe una interaccin
multiplicativa entre los elementos.
Coeficiente de correlacin intraclase. Genera medidas sobre la consistencia o sobre el acuerdo de los
valores entre los propios casos.
v Modelo. Seleccione el modelo para calcular el coeficiente de correlacin intraclase. Los modelos
disponibles son: Mixto de dos factores, aleatorio de dos factores y aleatorio de un factor. Seleccione
Mixto de dos factores, si los efectos de personas son aleatorios y los efectos de elementos son fijos,
Aleatorio de dos factores si los efectos de personas y los efectos de elementos son aleatorios; o
Aleatorio de un factor si los efectos de personas son aleatorios.
v Tipo. Seleccione el tipo de ndice. Los tipos disponibles son: Consistencia y Acuerdo absoluto.
v Intervalo de confianza. Especifica el nivel para el intervalo de confianza. El valor predeterminado es
95%.
v Valor de prueba. Especifica el valor hipotetizado para el coeficiente, para el contraste de hiptesis.
Este valor es el valor con el que se compara el valor observado. El valor predeterminado es 0.
Caractersticas adicionales del comando RELIABILITY

v Leer y analizar una matriz de correlaciones.
v Escribir una matriz de correlaciones para su anlisis posterior.
v Especificar divisiones que no sean mitades iguales para el mtodo de dos mitades.
Captulo 30. Anlisis de fiabilidad 169

Captulo 31. Escalamiento multidimensional
El escalamiento multidimensional trata de encontrar la estructura de un conjunto de medidas de distancia
entre objetos o casos. Esta tarea se logra asignando las observaciones a posiciones especficas en un
espacio conceptual (normalmente de dos o tres dimensiones) de modo que las distancias entre los puntos
en el espacio concuerden al mximo con las disimilaridades dadas. En muchos casos, las dimensiones de
este espacio conceptual son interpretables y se pueden utilizar para comprender mejor los datos.
Si las variables se han medido objetivamente, puede utilizar el escalamiento multidimensional como
tcnica de reduccin de datos (el procedimiento Escalamiento multidimensional permitir calcular las
distancias a partir de los datos multivariados, si es necesario). El escalamiento multidimensional puede
tambin aplicarse a valoraciones subjetivas de disimilaridad entre objetos o conceptos. Adems, el
procedimiento Escalamiento multidimensional puede tratar datos de disimilaridad procedentes de
mltiples fuentes, como podran ser mltiples evaluadores o mltiples encuestados.
Ejemplo. Cmo percibe el pblico las diferencias entre distintos coches? Si posee datos de las
valoraciones de similaridad emitidas por los encuestados sobre las diferentes marcas y modelos de
coches, puede utilizar el escalamiento multidimensional para identificar las dimensiones que describan las
preferencias de los consumidores. Puede encontrar, por ejemplo, que el precio y el tamao de un vehculo
definen un espacio de dos dimensiones, capaz de explicar las similaridades de las que informan los
encuestados.
Estadsticos. Para cada modelo: Matriz de datos, Matriz de datos escalada ptimamente, S-stress (de
Young), estrs (de Kruskal), R, Coordenadas de los estmulos, estrs promedio y R para cada estmulo
(modelos RMDS). Para modelos de diferencias individuales (INDSCAL): ponderaciones del sujeto e ndice
de peculiaridad para cada sujeto. Para cada matriz en los modelos de escalamiento multidimensional
replicado: estrs y R para cada estmulo. Grficos: coordenadas de los estmulos (de dos o tres
dimensiones), diagrama de dispersin de las disparidades frente a las distancias.
Escalamiento multidimensional: Consideraciones sobre los datos
Datos. Si los datos son de disimilaridad, todas las disimilaridades deben ser cuantitativas y deben estar
medidas en la misma mtrica. Si los datos son datos multivariantes, las variables pueden ser datos
cuantitativos, binarios o de recuento. El escalamiento de las variables es un tema importante, ya que las
diferencias en el escalamiento pueden afectar a la solucin. Si las variables tienen grandes diferencias en
el escalamiento (por ejemplo, una variable se mide en dlares y otra en aos), debe considerar la
posibilidad de tipificarlas (este proceso puede llevarse a cabo automticamente con el propio
procedimiento Escalamiento multidimensional).
Supuestos. El procedimiento Escalamiento multidimensional est relativamente libre de supuestos

distribucionales. Compruebe que selecciona el nivel de medicin adecuado (ordinal, de intervalo, o de
razn) en el cuadro de dilogo Escalamiento multidimensional: Opciones para asegurar que los
resultados se calculan correctamente.
Procedimientos relacionados. Si su objetivo es la reduccin de los datos, un mtodo alternativo a tener

en cuenta es el anlisis factorial, sobre todo si las variables son cuantitativas. Si desea identificar grupos
de casos similares, considere complementar el anlisis de escalamiento multidimensional con un anlisis
de clsteres jerrquico o de k-medias.
Para obtener un anlisis de escalamiento multidimensional

Analizar > Escala > Escalamiento multidimensional...

2. Seleccione al menos cuatro variables para su anlisis.
3. En el grupo Distancias, seleccione Los datos son distancias o Crear distancias a partir de datos.
4. Si selecciona Crear distancias a partir de datos, tambin podr seleccionar una variable de agrupacin
para matrices individuales. La variable de agrupacin puede ser numrica o de cadena.
Si lo desea, tiene la posibilidad de:

v Especifique la forma de la matriz de distancias cuando los datos sean distancias.
v Especifique la medida de distancia que hay que utilizar al crear distancias a partir de datos.
Escalamiento multidimensional: Forma de los datos

Si el conjunto de datos activo representa distancias entre uno o dos conjuntos de objetos, especifique la
forma de la matriz de datos para obtener los resultados correctos.
Nota: no puede seleccionar Cuadrada simtrica si el cuadro de dilogo Modelo especifica la

condicionalidad de filas.
Escalamiento multidimensional: Crear la medida a partir de los datos

El escalamiento multidimensional utiliza datos de disimilaridad para crear una solucin de escalamiento.
Si los datos son datos multivariantes (los valores de las variables que se han medido), debe crear los
datos de disimilaridad para poder calcular una solucin de escalamiento multidimensional. Puede
especificar los detalles para la creacin de las medidas de disimilaridad a partir de los datos.
Medida. Le permite especificar la medida de disimilaridad para el anlisis. Seleccione una opcin del
grupo Medida que se corresponda con el tipo de datos y, a continuacin, elija una de las medidas de la
lista desplegable correspondiente a ese tipo de medida. Las opciones disponibles son:
v Intervalo. Distancia eucldea, Distancia eucldea al cuadrado, Chebychev, Bloque, Minkowski o
Personalizada.
v Recuentos. Medida de chi-cuadrado o Medida de phi-cuadrado.
v Binario. Distancia eucldea, Distancia eucldea al cuadrado, Diferencia de tamao, Diferencia de
configuracin, Varianza o Lance y Williams.
Crear matriz de proximidades. Le permite elegir la unidad de anlisis. Las opciones son Entre variables o
Entre casos.
Transformar valores. En determinados casos, como cuando las variables se miden en escalas muy
distintas, puede que desee tipificar los valores antes de calcular las proximidades (no es aplicable a datos
binarios). Seleccione un mtodo de estandarizacin en la lista desplegable Estandarizar. Si no se requiere
ninguna estandarizacin, seleccione Ninguno.
Escalamiento multidimensional: Modelo

La estimacin correcta de un modelo de escalamiento multidimensional depende de aspectos que ataen
a los datos y al modelo en s.
Nivel de medicin. Permite especificar el nivel de los datos. Las opciones son Ordinal, Intervalo y Razn.
Si las variables son ordinales, al seleccionar Desempatar observaciones empatadas se solicitar que sean
consideradas como variables continuas, de forma que los empates (valores iguales para casos diferentes)
se resuelvan ptimamente.
Condicionalidad. Permite especificar qu comparaciones tienen sentido. Las opciones son Matriz, Fila o
Incondicional.

Dimensiones. Permite especificar la dimensionalidad de la solucin o soluciones del escalamiento. Se
calcula una solucin para cada nmero del rango especificado. Especifique nmeros enteros entre 1 y 6;
se permite un mnimo de 1 slo si selecciona Distancia eucldea como modelo de escalamiento. Para una
solucin nica, especifique el mismo nmero para el mnimo y el mximo.
Modelo de escalamiento. Permite especificar los supuestos bajo los que se realiza el escalamiento. Las
opciones disponibles son Distancia eucldea o Distancia eucldea de diferencias individuales (tambin
conocida como INDSCAL). Para el modelo de Distancia eucldea de diferencias individuales, puede
seleccionar Permitir ponderaciones negativas de los sujetos, si es adecuado para los datos.
Escalamiento multidimensional: Opciones

Puede especificar opciones para el anlisis de escalamiento multidimensional.
Representacin. Permite seleccionar varios tipos de resultados. Las opciones disponibles son Grficos de
grupo, Grficos para los sujetos individuales, Matriz de datos y Resumen del modelo y de las opciones.
Criterios. Permite determinar cundo debe detenerse la iteracin. Para cambiar los valores
predeterminados, introduzca valores para la Convergencia de s-stress, el Valor mnimo de s-stress y el
N mximo de iteraciones.
Tratar distancias menores que n como perdidas. Las distancias menores que este valor se excluyen del
anlisis.
Caractersticas adicionales del comando ALSCAL

v Utilizar tres tipos de modelos adicionales, conocidos como ASCAL, AINDS y GEMSCAL en la
literatura sobre escalamiento multidimensional.
v Realizar transformaciones polinmicas en los datos de intervalo y proporcin.
v Analizar similaridades (en lugar de distancias) con datos ordinales.
v Analizar datos nominales.
v Guardar varias matrices de coordenadas y ponderacin en archivos y volverlas a leer para anlisis.
v Restringir el desplegamiento multidimensional.
Captulo 31. Escalamiento multidimensional 173

Captulo 32. Estadsticos de la razn
El procedimiento Estadsticos de la razn proporciona una amplia lista de estadsticos de resumen para
describir la razn entre dos variables de escala.
Se pueden ordenar los resultados por los valores de una variable de agrupacin, en orden ascendente o
descendente. Se puede eliminar de los resultados el informe de los estadsticos de la razn y almacenar
los resultados en un archivo externo.
Ejemplo. Existe una buena uniformidad en la razn entre el precio de tasacin y el precio de venta de
viviendas en cada una de las cinco regiones? En los resultados, se puede descubrir que la distribucin de
las razones vara considerablemente entre regiones.
Estadsticos. Mediana, media, media ponderada, intervalos de confianza, coeficiente de dispersin (CDD),
coeficiente de variacin centrado en la mediana, coeficiente de variacin centrado en la media, el
diferencial de precio (DRV), desviacin estndar, desviacin absoluta promedio (DAP), rango, valores
mnimos y mximos y el ndice de concentracin calculado dentro de un rango o porcentaje
(especificados por el usuario) respecto a la razn mediana.
Estadsticos de la razn: Consideraciones sobre los datos
Datos. Utilice cdigos numricos o cadenas para codificar las variables de agrupacin (mediciones de
nivel nominal u ordinal).
Supuestos. Las variables que definen el numerador y el denominador de la razn deben ser variables de
escala, que toman valores positivos.
Para obtener estadsticos de la razn

Analizar > Estadsticos descriptivos > Razn...
2. Seleccione una variable de numerador.
3. Seleccione una variable de denominador.
Si lo desea:
v Seleccione una variable de agrupacin y especificar el orden de los grupos en los resultados.
v Elija si desea mostrar los resultados en el Visor.
v Elija si desea guardar los resultados en un archivo externo para un uso posterior y especificar el
nombre del archivo en el que se van a guardar los resultados.
Estadsticos de la razn
Tendencia central. Las medidas de tendencia central son estadsticos que describen la distribucin de las
razones.
v Mediana. Un valor tal que el nmero de razones menores que este valor es igual al nmero de
razones mayores que el mismo.
v Media. El resultado de sumar las razones y dividir la suma entre el nmero total de razones.
v Media ponderada. El resultado de dividir la media del numerador entre la media del denominador.
La media ponderada es tambin la media de las razones ponderadas por el denominador.

v Intervalos de confianza. Muestra los intervalos de confianza para la media, la mediana y la media
ponderada (si se solicita). Especifique un valor mayor o igual que 0 y menor que 100 como nivel de
confianza.
Dispersin. Estos estadsticos miden la cantidad de variacin o de dispersin entre los valores
observados.
v DAP. La desviacin absoluta promedio es el resultado de sumar las desviaciones absolutas de las
razones respecto a la mediana y dividir el resultado entre el nmero total de razones.
v CDD. El coeficiente de dispersin es el resultado de expresar la desviacin absoluta promedio como
un porcentaje de la mediana.
v DRP. El diferencial relativo al precio, tambin conocido como el ndice de regresibilidad, es el
resultado de dividir la media por la media ponderada.
v CDV centrado en la mediana. El coeficiente de variacin centrado en la mediana es el resultado de
expresar la raz de la media cuadrtica de las desviaciones respecto a la mediana como un porcentaje
de la mediana.
v CDV centrado en la media. El coeficiente de variacin centrado en la media es el resultado de
expresar la desviacin estndar como un porcentaje de la media.
v Desviacin estndar. La desviacin estndar es el resultado de sumar las desviaciones cuadrticas de
las razones respecto a la media, dividir la suma por el nmero total de razones menos uno y extraer la
raz cuadrada positiva.
v Rango. El rango es el resultado de restar la razn mnima de la razn mxima.
v Mnimo. El mnimo es la razn menor.
v Mximo. El mximo es la razn mayor.
ndice de concentracin. El coeficiente de concentracin mide el porcentaje de razones que estn dentro
de un intervalo. Se puede calcular de dos maneras:
v Razones dentro del. En este caso, el intervalo se define de forma explcita especificando los valores
superior e inferior del intervalo. Introduzca valores para las proporciones superior e inferior y pulse en
Aadir para obtener un intervalo.
v Razones en. En este caso, el intervalo se define de forma implcita al especificar el porcentaje de la
mediana. Introduzca un valor entre 0 y 100 y pulse en Aadir. El lmite inferior del intervalo ser igual
a (1 0.01 valor) mediana, y el lmite superior ser igual a (1 + 0.01 valor) mediana.

Captulo 33. Curvas COR
Este procedimiento es un mtodo til para evaluar la realizacin de esquemas de clasificacin en los que
exista una variable con dos categoras por las que se clasifiquen los sujetos.
Ejemplo. Un banco tiene inters en clasificar a sus clientes dependiendo de si se retrasarn o no en el

pago de sus prstamos; por tanto, se desarrollan mtodos especiales para tomar estas decisiones. Las
curvas COR se pueden utilizar para evaluar el grado de acierto de estos mtodos.
Estadsticos. Es un rea situada bajo la curva COR con un intervalo de confianza y puntos de
coordenadas de la curva COR. Grficos: Curva COR.
Mtodos. Se puede calcular la estimacin del rea situado bajo la curva COR de forma paramtrica o no
paramtrica mediante un modelo exponencial binegativo.
Curvas COR: Consideraciones sobre los datos
Datos. Las variables de contraste son cuantitativas. Las variables de contraste suelen estar constituidas
por probabilidades, resultantes de un anlisis discriminante o de una regresin logstica, o bien
compuestas por puntuaciones atribuidas en una escala arbitraria que indican el grado de conviccin
que tiene un evaluador de que el sujeto pueda pertenecer a una u otra categora. La variable de estado
puede ser de cualquier tipo e indicar la categora real a la que pertenece un sujeto. El valor de la variable
de estado indica la categora que se debe considerar positiva.
Supuestos. Se considera que los nmeros ascendentes de la escala del evaluador representan la creciente
conviccin de que el sujeto pertenece a una categora. Por el contrario, los nmeros descendentes
representan la creciente conviccin de que el sujeto pertenece a la otra categora. El usuario deber elegir
qu direccin es positiva. Tambin se considera que se conoce la categora real a la que pertenece el sujeto.
Para obtener una curva COR

Analizar > Curva COR...
2. Seleccione una o ms variables de probabilidad de contraste.
3. Elija una variable de estado.
4. Identifique el valor positivo para la variable de estado.
Curvas COR: Opciones

Puede seleccionar las opciones siguientes para su anlisis:
Clasificacin. Permite especificar si se debe incluir o excluir el valor del punto de corte al realizar una
clasificacin positiva. Este ajuste no afecta a los resultados.
Direccin de la prueba. Permite especificar la direccin de la escala segn la categora positiva.
Parmetros para el error estndar del rea. Permite especificar el mtodo de estimacin del error
estndar del rea situada bajo la curva. Los mtodos disponibles son el no paramtrico y el exponencial
binegativo. Tambin se puede establecer el nivel para el intervalo de confianza. El rango disponible es
entre el 50,1% y el 99,9%.
Valores perdidos. Permite especificar el tratamiento que reciben los valores perdidos.
177
Captulo 34. Simulacin
Los modelos predictivos, como una regresin lineal, requieren un conjunto de entradas conocidas para
predecir un resultado o valor de destino. En muchas aplicaciones del mundo real, sin embargo, los
valores de las entradas son inciertos. La simulacin permite explicar la incertidumbre de las entradas en
modelos predictivos y evaluar la posibilidad de varios resultados del modelo en presencia de esa
incertidumbre. Por ejemplo, tiene un modelo de beneficio que incluye el coste de los materiales como una
entrada, pero hay incertidumbre en ese coste por la volatilidad del mercado. Puede utilizar la simulacin
para modelar esa incertidumbre y determinar el efecto que tiene en los beneficios.
La simulacin de IBM SPSS Statistics utiliza el mtodo de Monte Carlo. Las entradas inciertas se modelan
con distribuciones de probabilidad (como la distribucin triangular), y los valores simulados de esas
entradas se generan a partir de esas distribuciones. Las entradas cuyos valores se conocen se mantienen
fijas en los valores conocidos. El modelo predictivo se evala utilizando un valor simulado para cada
entrada incierta y los valores fijos de las entradas conocidas para calcular el destino (u destinos) del
modelo. El proceso se repite muchas veces (normalmente decenas de miles o cientos de miles de veces),
resultando en una distribucin de los valores de destino que es posible utilizar para responder las
preguntas de una naturaleza probabilstica. En el contexto de IBM SPSS Statistics, cada repeticin del
proceso genera un caso diferente (registro) de datos que consiste en el conjunto de valores simulados de
las entradas inciertas, los valores de las entradas fijas y el destino (o destinos) predichos del modelo.
Tambin puede simular datos en ausencia de un modelo predictivo especificando distribuciones de

probabilidad para las variables que se van a simular. Cada caso de datos generado consta del conjunto de
valores simulados para las variables especificadas.
Para ejecutar una simulacin, necesita especificar datos como el modelo predictivo, las distribuciones de
probabilidad de las entradas inciertas, las correlaciones entre esas entradas y los valores de entradas fijas.
Una vez haya especificado todos los detalles de una simulacin, puede ejecutarla y, opcionalmente,
guardar las especificaciones en un archivo de plan de simulacin. Puede compartir el plan de simulacin
con otros usuarios, que pueden ejecutar la simulacin sin necesidad de comprender los detalles de su
creacin.
Existen dos interfaces disponibles para trabajar con simulaciones. El Generador de simulaciones es una
interfaz avanzada para usuarios que disean y ejecutan simulaciones. Proporciona el conjunto completo
de funciones para disear una simulacin, guardar las especificaciones en un archivo de plan de
simulacin, especificar los resultados y ejecutar la simulacin. Puede crear una simulacin basada en un
archivo de modelo de IBM SPSS, o en un conjunto de ecuaciones personalizadas que defina en el
Generador de simulaciones. Tambin puede cargar un plan de simulacin existente en el Generador de
simulaciones, modificar cualquiera de los ajustes y ejecutar la simulacin, con la opcin adicional de
guardar el plan actualizado. Para los usuarios que tengan un plan de simulacin y desean
preferentemente ejecutar la simulacin, existe una interfaz ms simple. Permite modificar ajustes que
permiten ejecutar la simulacin en condiciones diferentes, pero no proporciona todas las funciones del
Generador de simulaciones para el diseo de simulaciones.
Para disear una simulacin basada en un archivo de modelo

Analizar > Simulacin...
2. Pulse en Seleccionar Archivo modelo SPSS y en Continuar.
3. Abra el archivo de modelo.

Un modelo de archivo es un archivo XML que contiene el PMML de modelo creado desde IBM SPSS
Statistics o IBM SPSS Modeler. Consulte el tema Pestaa Modelo en la pgina 182 para obtener ms
informacin.
4. En la pestaa Simulacin (del Generador de simulaciones), especifique las distribuciones de
probabilidad de las entradas simuladas y los valores de entradas fijas. Si el conjunto de datos activo
contiene datos histricos de entradas simuladas, pulse en Ajustar todas para determinar
automticamente la distribucin que se ajusta mejor para cada entrada, y para determinar las
correlaciones entre ellas. Para cada entrada simulada que no se ajuste a los datos histricos, debe
especificar explcitamente una distribucin seleccionando un tipo de distribucin e introduciendo los
parmetros necesarios.
5. Pulse en Ejecutar para ejecutar la simulacin. De forma predeterminada, el plan de simulacin, que
especifica los detalles de la simulacin, se guarda en la ubicacin especificada en los ajustes de
almacenamiento.

v Modificar la ubicacin del plan de simulacin guardado.
v Especificar correlaciones conocidas entre entradas simuladas.
v Calcular automticamente una tabla de contingencia de asociaciones entre entradas categricas y
utilizar dichas asociaciones cuando los datos se generan para esas entradas.
v Especificar los anlisis de sensibilidad para investigar el efecto de variar el valor de una entrada fija o
variar un parmetro de distribucin de una entrada simulada.
v Especificar opciones avanzadas como, por ejemplo, establecer el nmero mximo de casos para generar
o solicitar muestreos de cola.
v Personalizar los resultados.
v Guardar los datos simulados en un archivo de datos.
Para disear una simulacin basada en ecuaciones personalizadas

2. Pulse en Escribir las ecuaciones y en Continuar.
3. Pulse en Nueva ecuacin en la pestaa Modelo (del Generador de simulaciones) para definir cada
ecuacin del modelo predictivo.
4. Pulse la pestaa Simulacin y especifique las distribuciones de probabilidad de entradas simuladas y
valores de entradas fijas. Si el conjunto de datos activo contiene datos histricos de entradas
simuladas, pulse en Ajustar todas para determinar automticamente la distribucin que se ajusta
mejor para cada entrada, y para determinar las correlaciones entre ellas. Para cada entrada simulada
que no se ajuste a los datos histricos, debe especificar explcitamente una distribucin seleccionando
un tipo de distribucin e introduciendo los parmetros necesarios.
5. Pulse Ejecutar para ejecutar la simulacin. De forma predeterminada, el plan de simulacin, que
especifica los detalles de la simulacin, se guarda en la ubicacin especificada en los ajustes de
almacenamiento.

v Modificar la ubicacin del plan de simulacin guardado.
v Especificar correlaciones conocidas entre entradas simuladas.
v Calcular automticamente una tabla de contingencia de asociaciones entre entradas categricas y
utilizar dichas asociaciones cuando los datos se generan para esas entradas.
v Especificar los anlisis de sensibilidad para investigar el efecto de variar el valor de una entrada fija o
variar un parmetro de distribucin de una entrada simulada.

v Especificar opciones avanzadas como, por ejemplo, establecer el nmero mximo de casos para generar
o solicitar muestreos de cola.
Disear una simulacin sin un modelo predictivo

1. Elija en los mens:
2. Pulse Crear datos simulados y pulse Continuar.
3. En la pestaa Modelo (en el Generador de simulaciones), seleccione los campos que desea simular.
Puede seleccionar los campos del conjunto de datos activo o puede definir campos nuevos pulsando
Nuevo.
4. Pulse en la pestaa Simulacin y especifique las distribuciones de probabilidad para los campos que
se van a simular. Si el conjunto de datos activo contiene datos histricos para cualquiera de estos
campos, pulse Ajustar todo para determinar la distribucin que ms se ajusta a todos los datos y
determinar las correlaciones entre los campos. Para los campos que no se ajustan a los datos
histricos, debe especificar de forma explcita una distribucin seleccionando un tipo de distribucin y
especificando los parmetros necesarios.
5. Pulse en Ejecutar para ejecutar la simulacin. De forma predeterminada, los datos simulados se
guardan en el conjunto de datos nuevo especificado en la Configuracin de guardar. Adems, el plan
de simulacin, que especifica los detalles de la simulacin, se guarda en la ubicacin especificada en
la Configuracin de guardar.

v Modificar la ubicacin para los datos simulados o el plan de simulacin guardado.
v Especificar correlaciones conocidas entre campos simulados.
v Calcular automticamente una tabla de contingencia de asociaciones entre campos categricos y utilizar
dichas asociaciones cuando se generan los datos para dichos campos.
v Especificar los anlisis de sensibilidad para investigar el efecto de variar un parmetro de distribucin
para un campo simulado.
v Especificar opciones avanzadas como, por ejemplo, establecer el nmero de casos para generar.
Para ejecutar una simulacin de un plan de simulacin

Existen dos opciones disponibles para ejecutar una simulacin a partir de un plan de simulacin. Puede
utilizar el cuadro de dilogo Ejecutar simulacin, que est diseado para ejecutarse a partir de un plan de
simulacin, o bien puede utilizar el Generador de simulaciones.
Para utilizar el cuadro de dilogo Ejecutar simulacin:

2. Pulse en Abrir un plan de simulacin existente.
3. Asegrese de que la casilla de verificacin Abrir en el Generador de simulaciones no est
seleccionada y pulse en Continuar.
4. Abra el plan de simulacin.
5. Pulse en Ejecutar en el cuadro de dilogo Ejecutar simulacin.
Para ejecutar la simulacin del Generador de simulaciones:

Captulo 34. Simulacin 181

2. Pulse en Abrir un plan de simulacin existente.
3. Seleccione la casilla de verificacin Abrir en el Generador de simulaciones y pulse en Continuar.
4. Abra el plan de simulacin.
5. Modifique los ajustes que desee en la pestaa Simulacin.
6. Pulse en Ejecutar para ejecutar la simulacin.
Tambin puede intentar lo siguiente:

v Configurar o modificar los anlisis de sensibilidad para investigar el efecto de variar el valor de una
entrada fija o variar un parmetro de distribucin de una entrada simulada.
v Reajustar las distribuciones y correlaciones de entradas simuladas en nuevos datos.
v Cambiar la distribucin de una entrada simulada.
Generador de simulaciones
El Generador de simulaciones proporciona la gama completa de funciones para disear y ejecutar
simulaciones. Permite ejecutar las siguientes tareas generales:
v Disear y ejecutar una simulacin de un modelo de IBM SPSS definido en un archivo de modelo
PMML.
v Disear y ejecutar una simulacin de un modelo predictivo definido por un conjunto de ecuaciones
personalizadas que especifique.
v Disear y ejecutar una simulacin que genera datos en ausencia de un modelo predictivo.
v Ejecutar una simulacin basada en un plan de simulacin existente, pudiendo modificar los ajustes del
plan.
Pestaa Modelo
Para simulaciones basadas en un modelo predictivo, la pestaa Modelo especifica el origen del modelo.
Para simulaciones que no incluyen un modelo predictivo, la pestaa Modelo especifica los campos que se
van a simular.
Seleccione un archivo de modelo SPSS. Esta opcin especifica que el modelo predictivo se define en un
archivo de modelo IBM SPSS. Un archivo de modelo de IBM SPSS es un archivo XML o un archivador de
archivos comprimidos (archivo .zip) que contiene el PMML de modelo creado desde IBM SPSS Statistics o
IBM SPSS Modeler. Los modelos predictivos estn creados por procedimientos, como Regresin lineal y
rboles de decisin en IBM SPSS Statistics, y se puede exportar a un archivo de modelo. Puede utilizar
un archivo de modelo diferente pulsando en Examinar y desplazndose al archivo que desee.
Modelos PMML admitidos por Simulacin

v Regresin lineal
v Modelo lineal automtico
v Modelo lineal generalizado
v Modelo mixtos lineales generalizados
v Modelo lineal general
v Regresin logstica binaria
v Regresin logstica multinomial
v Regresin multinomial ordinal
v Regresin de Cox
v rbol

v rbol potenciado (C5)
v Discriminante
v Clster de dos fases
v Clster de K-medias
v Red neuronal
v Conjunto de reglas (Lista de decisiones)
Nota:
v No se admite en Simulacin el uso de modelos PMML que tengan mltiples campos de destino
(variables) o divisiones.
v Los valores de entradas de cadena en modelos de regresin logstica binaria estn limitados a bytes en
el modelo. Si est adaptando tales entradas de cadena al conjunto de datos activo, asegrese de que los
valores de los datos no superan 8 bytes de longitud. Los valores de datos que superan 8 bytes se
excluyen de la distribucin categrica asociada de la entrada, y aparecen sin coincidencias en la tabla
de salida Categoras sin coincidencias.
Escriba las ecuaciones para el modelo. Esta opcin especifica que el modelo predictivo se compone de
una o ms ecuaciones personalizadas que puede crear el usuario. Cree las ecuaciones pulsando en Nueva
ecuacin. Se abrir el Editor de ecuaciones. Puede modificar ecuaciones existentes, copiarlas para
utilizarlas como plantillas de nuevas ecuaciones, reordenarlas y eliminarlas.
v El Generador de simulaciones no admite sistemas de ecuaciones simultneas o ecuaciones que no son
lineales en la variable destino.
v Las ecuaciones personalizadas se evalan en el orden en que se especifican. Si la ecuacin de un
destino especificado depende de otro destino, el otro destino se debe definir mediante una ecuacin
anterior.
Por ejemplo, teniendo en cuenta el conjunto de ecuaciones siguiente, la ecuacin de beneficios depende
de los valores de ingresos y gastos, por lo que las ecuaciones de ingresos y gastos deben anteceder a la
ecuacin de beneficios.
ingresos= precio*volumen
gastos= fijos + volumen*(unidad_coste_materiales + unidad_costes_laborales)
beneficios = ingresos - gastos
Crear datos sumulados sin un modelo. Seleccione esta opcin para simular datos sin un modelo
predictivo. Especifique los campos que deben simularse seleccionando los campos del conjunto de datos
activo o pulsando Nuevo para definir campos nuevos.
Editor de ecuaciones
El Editor de ecuaciones permite crear o modificar una ecuacin personalizada de su modelo predictivo.
v La expresin de la ecuacin puede contener campos del conjunto de datos activo o nuevos campos de
entrada que define en el Editor de ecuaciones.
v Puede especificar propiedades del destino como su nivel de medicin, etiquetas de valores y si los
resultados estn generados para el destino.
v Puede utilizar los destinos de ecuaciones definidas anteriormente como entradas de la ecuacin actual,
permitindole crear ecuaciones acopladas.
v Puede adjuntar un comentario descriptivo a la ecuacin. Los comentarios se muestran junto con la
ecuacin de la pestaa Modelo.
1. Introduzca el nombre del destino. Opcionalmente, pulse en Editar en el cuadro de texto Destino para
abrir el cuadro de dilogo Entradas definidas, permitiendo cambiar las propiedades predeterminadas
del destino.
2. Para crear una expresin, puede pegar los componentes en el campo Expresin numrica o escribir
directamente en dicho campo.

v Puede crear su expresin utilizando campos del conjunto de datos activo o puede definir nuevas
entradas pulsando en el botn Nuevo. Se abrir el cuadro de dilogo Definir entradas.
v Puede pegar las funciones seleccionando un grupo de la lista Grupo de funciones y pulsando dos veces
en la funcin de la lista de funciones (o seleccione la funcin y pulse en la flecha que se encuentra
sobre la lista Grupo de funciones). Especifique los parmetros indicados por los signos de
interrogacin. El grupo de funciones con la etiqueta Todo contiene una lista de todas las funciones
variables. En un rea reservada del cuadro de dilogo se muestra una breve descripcin de la funcin
actualmente seleccionada.
v Las constantes de cadena deben ir entre comillas.
v Si los valores contienen decimales, debe utilizarse una coma(,) como indicador decimal.
Nota: la simulacin no admite ecuaciones personalizadas con destinos de cadena.
Entradas definidas: El cuadro de dilogo Entradas definidas permite definir nuevas entradas y las
propiedades de los destinos.
v Si una entrada que se va a utilizar en una ecuacin no existe en el conjunto de datos activo, debe
definirlo para que se pueda utilizar en la ecuacin.
v Si simula datos con un modelo predictivo, debe definir todas las entradas simuladas que no existan en
el conjunto de datos activo.
Nombre. Especifique el nombre del destino o la entrada.
Destino. Puede especificar el nivel de medicin de un destino. El nivel de medicin predeterminado es

continuo. Tambin puede especificar si se crear el resultado para este destino. Por ejemplo, en el caso de
un grupo de ecuaciones acopladas es posible que solo le interese el resultado del destino de la ecuacin
final, por lo que suprimira el resultado del resto de destinos.
Entrada que se simular. Especifica que los valores de la entrada se simularn de acuerdo con una
distribucin de probabilidad especificada (la distribucin de probabilidad se especifica en la pestaa
Simulacin). El nivel de medicin determina el conjunto predeterminado de distribuciones que se
consideran al encontrar la mejor distribucin de la entrada (pulsando Ajustar o Ajustar todas en la
pestaa de Simulacin). Por ejemplo, si el nivel de medicin es continuo, la distribucin normal
(adecuada para datos continuos) se considerara, pero la distribucin binomial no.
Nota: Seleccione el nivel de medicin de Cadena para las entradas de cadena. Las entradas de cadena
que se simularn estn restringidas a la distribucin categrica.
Entrada de valor fijo. Especifica que se conoce el valor de la entrada y que se fijar en el valor conocido.
Las entradas fijas pueden ser numricas o de cadena. Especifique un valor para la entrada fija. Los
valores de cadena no deben ir entre comillas.
Etiquetas de valor. Puede especificar etiquetas de valores de destino, entradas simuladas y fijas. Las
etiquetas de valores se utilizan en grficos y tablas de resultados.
Pestaa Simulacin
La pestaa Simulacin especifica todas las propiedades de la simulacin diferentes a la del modelo
predictivo. Puede ejecutar las siguientes tareas generales en la pestaa Simulacin:
v Especificar las distribuciones de probabilidad de las entradas simuladas y valores de entradas fijas.
v Especificar correlaciones entre entradas simuladas. Para entradas categricas, puede especificar que se
utilicen las asociaciones que existen entre las entradas del conjunto de datos activos cuando se generen
datos para dichas entradas.
v Especificar opciones avanzadas como muestreos de cola y criterios para ajustar distribuciones a datos
histricos.

v Especificar la ubicacin en la que guardar el plan de simulacin y opcionalmente, guardar los datos
simulados.
Campos simulados
Para ejecuar una simulacin, cada campo de entrada debe especificarse como fijo o simulado. Las
entradas simuladas son aquellas cuyos valores son inciertos y se generarn a partir de una distribucin
de probabilidad especificada. Cuando los datos histricos estn disponibles para que se simulen las
entradas, las distribuciones que se ajusten mejor a los datos se podrn determinar de forma automtica,
junto a las correlaciones entre dichas entradas. Tambin puede especificar manualmente las distribuciones
o correlaciones si los datos histricos no estn disponibles o si necesita distribuciones o correlaciones
especficas.
Las entradas fijas son aquellas cuyos valores se conocen y permanecen constantes en cada caso generado
en la simulacin. Por ejemplo, tiene un modelo de regresin lineal de ventas como una funcin de un
nmero de entradas incluyendo el precio y desea mantener el precio fijo en el mercado actual. A
continuacin especificara el precio como entrada fija.
Para simulaciones basadas en un modelo predictivo, cada predictor del modelo es un campo de entrada
para la simulacin. Para simulaciones que no incluyen un modelo predictivo, los campos que se
especifican en la pestaa Modelo son los campos para la simulacin.
Ajuste automtico de distribuciones y clculo de correlaciones de entradas simuladas. Si la base de

datos activa contiene datos histricos de las entradas que desee simular, puede encontrar
automticamente las distribuciones que mejor se ajustan a esas entradas, as como determinar las
correlaciones entre ellas. Los pasos son los siguientes:
1. Compruebe que todas las entradas que desea simular coinciden con el campo correcto en el conjunto
de datos activo. Las entradas se listan en la columna Entrada y la columna Ajustar muestra el campo
correspondiente en el conjunto de datos activos. Puede relacionar una entrada con un campo diferente
en el conjunto de datos activo seleccionando un elemento diferente en la lista desplegable Ajustar a.
Un valor de -Ninguno- en la columna Ajustar a indica que la entrada no se ha podido relacionar
automticamente a un campo en el conjunto de datos activo. De forma predeterminada, las entradas
se relacionan con los campos del conjunto en el nombre y el nivel de medicin y tipo (numricas o de
cadena). Si el conjunto de datos activo no contiene datos histricos de la entrada, especifique
manualmente la distribucin de la entrada o especifique la entrada como entrada fija, tal y como se
describe a continuacin.
2. Pulse en Ajustar todas.
La distribucin con mejor ajuste y sus parmetros asociados se muestran en la columna Distribucin
junto con una representacin de la distribucin superpuesta en un histograma (o grfico de barras) de los
datos histricos. Las correlaciones entre las entradas simuladas se muestran en los ajustes de
correlaciones. Puede examinar los resultados de ajuste y personalizar el ajuste de distribucin automtico
de una entrada concreta seleccionando la fila de la entrada y pulsando en Detalles del ajuste. Consulte el
tema Detalles del ajuste en la pgina 187 para obtener ms informacin.
Puede ejecutar el ajuste de distribucin automtico de una entrada concreta seleccionando la fila de la
entrada y pulsando en Ajustar. Las correlaciones de todas las entradas simuladas que corresponden con
los campos del conjunto de datos activo tambin se calculan automticamente.
Nota:
v Los casos con valores que faltan para cualquier entrada simulada se excluyen del ajuste de
distribucin, el clculo de correlaciones y el clculo de la tabla de contingencia opcional (para entradas
con una distribucin categrica). De forma opcional, puede especificar si los valores que faltan del

usuario de entradas con una distribucin categrica se tratan como vlidos. De forma predeterminada,
se tratan como valores que faltan. Para obtener ms informacin, consulte el tema Opciones
avanzadas en la pgina 189.
v Para las entradas continuas y ordinales, si no se puede encontrar ningn ajuste aceptable para
cualquiera de las distribuciones probadas, se sugiere la distribucin emprica como el ajuste ms
cercano. En entradas continuas, la distribucin emprica es la funcin de distribucin acumulada de los
datos histricos. En entradas ordinales, la distribucin emprica es la distribucin categrica de los
datos histricos.
Distribuciones de especificacin manuales. Puede especificar manualmente la distribucin de

probabilidad de cualquier entrada simulada seleccionando la distribucin de la lista desplegable Tipo e
introduciendo los parmetros de distribucin de la cuadrcula Parmetros. Una vez haya introducido los
parmetros de una distribucin, un grfico de muestra de la distribucin, basado en los parmetros
especficos, se mostrar junto a la cuadrcula Parmetros. A continuacin se incluyen algunas notas sobre
distribuciones concretas:
v Categricas. La distribucin categrica describe un campo de entrada que tiene un nmero fijo de
valores, referido como categoras. Cada categora tiene una probabilidad asociada, de forma que la
suma de las probabilidades de todas las categoras es igual a uno. Para especificar una categora, pulse
con el botn derecho del ratn en la columna de la izquierda de la cuadrcula Parmetros y especifique
el valor de la categora. Especifique la probabilidad asociada con la categora en la columna derecha.
Nota: Las entradas categricas de un modelo PMML tienen categoras que se determinan a partir del
modelo y no se pueden modificar.
v Binomial negativa - Fallos. Describe la distribucin del nmero de fallos en una secuencia de intentos
antes de detectar un nmero especificado de xitos. El parmetro thresh es el nmero especificado de
xitos y el parmetro prob es la probabilidad de xito en cualquier prueba.
v Binomial negativa - Intentos. Describe la distribucin del nmero de intentos necesarios para detectar
un nmero especificado de xitos. El parmetro thresh es el nmero especificado de xitos y el
parmetro prob es la probabilidad de xito en cualquier prueba.
v Rango. Esta distribucin consiste en un conjunto de intervalos con una probabilidad asignada a cada
intervalo de forma que la suma de probabilidades en todos los intervalos es igual a 1. Los valores en
un intervalo concreto se generan a partir de una distribucin uniforme definida en ese intervalo. Los
intervalos se especifican introduciendo un valor mnimo, un valor mximo y una probabilidad
asociada.
Por ejemplo, usted cree que el coste de una materia prima tiene un 40% de posibilidades de caer entre
10 - 15 dlares por unidad y un 60% de posibilidades de caer entre 15 - 20 dlares por unidad.
Modelara el coste con una distribucin del rango de los dos intervalos [10 - 15] y [15 - 20], definiendo
la probabilidad asociada con el primer intervalo a 0,4 y la probabilidad asociada con el segundo
intervalo a 0,6. Los intervalos no tienen que ser contiguos y se pueden superponer. Por ejemplo, podra
especificar los intervalos 10 - 15 y 20 - 25 o 10 - 15 y 13 - 16.
v Weibull. El parmetro c es un parmetro de ubicacin opcional, que especifica dnde se encuentra el
origen de la distribucin.
Los parmetros de las siguientes distribuciones tienen el mismo significado en las funciones variables
aleatorias asociadas disponibles en el cuadro de dilogo Calcular variable: Bernoulli, Beta, Binomial,
Exponencial, Gamma, Lognormal, Binomial negativa (Intentos y Fallos), Normal, Poisson y Uniforme.
Especificacin de entradas fijas. Especifica una entrada fija seleccionando Fija en la lista desplegable
Tipo de la columna Distribucin, e introduciendo el valor fijo. El valor puede ser numrico o cadena,
dependiendo de si la entrada es numrica o de cadena. Los valores de cadena no deben ir entre comillas.

Especificacin de lmites en valores simulados. La mayora de distribuciones admiten la especificacin
de los lmites superiores e inferiores de los valores simulados. Puede especificar un lmite inferior
introduciendo un valor en el cuadro de texto Mn y especificar un lmite superior introduciendo un valor
en el cuadro de texto Mx.
Bloqueo de entradas. El bloqueo de una entrad, seleccionando la casilla de verificacin en la columna

con el icono de bloqueo, excluye la entrada del ajuste de distribucin automtico. Esto es muy til
cuando especifica manualmente una distribucin o un valor fijo y desea garantizar que no se ver
afectada por el ajuste de distribucin automtico. El bloqueo tambin es til si desea compartir el plan de
simulacin con los usuarios que lo ejecutarn en el dilogo Ejecutar simulacin y desea evitar los cambios
en algunas entradas. En este sentido, las especificaciones para entradas bloqueadas no se pueden
modificar en el dilogo Ejecutar simulacin.
Anlisis de sensibilidad. Los anlisis de sensibilidad permiten investigar el efecto de los cambios
sistemticos en una entrada fija o en un parmetro de distribucin de una entrada estimulada generando
un conjunto independiente de casos simulados (una simulacin separada) para cada valor especificado.
Para especificar los anlisis de sensibilidad, seleccione una entrada fija o simulada y pulse en Anlisis de
sensibilidad. El anlisis de sensibilidad est limitado a una nica entrada fija o un parmetro de
distribucin nico de una entrada simulada. Consulte el tema Anlisis de sensibilidad en la pgina 188
Iconos de estado de Ajustar
Los iconos de la columna Ajustar a indican el estado de ajuste de cada campo de entrada.
Tabla 3. Iconos de estado.
Icono Descripcin
No se ha especificado una distribucin para la entrada y la entrada no se ha especificado como
fija. Para ejecutar la simulacin, debe especificar una distribucin para esta entrada o definirla
como fija y especificar el valor fijo.
La entrada se ha fijado anteriormente a un campo que no existe en el conjunto de datos activo.
No se necesita ninguna accin salvo que desee volver a ajustar la distribucin de la entrada al
conjunto de datos activo.
La mejor distribucin de ajuste se ha sustituido por una distribucin diferente del cuadro de
dilogo Detalles del ajuste.
La entrada se define a la mejor distribucin de ajuste.
La distribucin se ha especificado manualmente o se han especificado las iteraciones del

anlisis de sensibilidad para esta entrada.
Detalles del ajuste: El cuadro de dilogo Detalles del ajuste muestra los resultados del ajuste de
distribucin automtico de una entrada concreta. Las distribuciones se ordenan por idoneidad de ajuste,
con la distribucin de mejor ajuste en primer lugar. Puede sustituir la distribucin de mejor ajuste
seleccionando el botn de opcin de la distribucin que desee en la columna Utilizar. Al seleccionar un
botn de opcin en la columna Utilizar tambin muestra un grfico de distribucin superpuesto en un
histograma (o grfico de barras) de los datos histricos de esa entrada.
Estadsticos de ajuste. De forma predeterminada, en los campos continuos, la prueba Anderson-Darling

se utiliza para determinar su idoneidad. Del mismo modo, y para los campos continuos nicamente,
puede especificar la prueba Kolmogorov-Smirnoff de idoneidad, seleccionando esa opcin en los ajustes
Opciones avanzadas. En entradas continuas, los resultados de ambas pruebas se muestran en la columna

Estadsticos de ajuste (A para Anderson-Darling y K para Kolmogorov-Smirnoff), usando la prueba
elegida para ordenar las distribuciones. En las entradas ordinales y nominales se utiliza la comprobacin
de chi-cuadrado. Tambin se muestran los valores p asociados con las pruebas.
Parmetros. Los parmetros de distribucin asociados con cada distribucin ajustada se muestran en la
columna Parmetros. Los parmetros de las siguientes distribuciones tienen el mismo significado en las
funciones variables aleatorias asociadas disponibles en el cuadro de dilogo Calcular variable: Bernoulli,
Beta, Binomial, Exponencial, Gamma, Lognormal, Binomial negativa (Intentos y Fallos), Normal, Poisson
y Uniforme. Consulte el tema para obtener ms informacin. En la distribucin categrica, los nombres
de los parmetros son las categoras y los valores de parmetros son las probabilidades asociadas.
Reajuste con un conjunto de distribucin personalizado. De forma predeterminada, el nivel de

medicin de la entrada se utiliza para determinar el conjunto de distribuciones consideradas para el
reajuste de distribucin automtico. Por ejemplo, las distribuciones continuas como lognormal y gamma
se consideran cuando se ajusta una entrada continua; pero las distribuciones discretas como Poisson y
binomial, no. Puede elegir un subconjunto de las distribuciones predeterminado seleccionando las
distribuciones en la columna Reajustar. Tambin puede sustituir el conjunto predeterminado de
distribuciones seleccionando un nivel de medicin diferente en la lista desplegable Tratar como (Medida)
y seleccionando las distribuciones en la columna Reajustar. Pulse en Ejecutar reajuste para volver a
ajustar con el conjunto de distribucin personalizado.
Nota:
v Los casos con valores que faltan para cualquier entrada simulada se excluyen del ajuste de
distribucin, el clculo de correlaciones y el clculo de la tabla de contingencia opcional (para entradas
con una distribucin categrica). De forma opcional, puede especificar si los valores que faltan del
usuario de entradas con una distribucin categrica se tratan como vlidos. De forma predeterminada,
se tratan como valores que faltan. Para obtener ms informacin, consulte el tema Opciones
avanzadas en la pgina 189.
v Para las entradas continuas y ordinales, si no se puede encontrar ningn ajuste aceptable para
cualquiera de las distribuciones probadas, se sugiere la distribucin emprica como el ajuste ms
cercano. En entradas continuas, la distribucin emprica es la funcin de distribucin acumulada de los
datos histricos. En entradas ordinales, la distribucin emprica es la distribucin categrica de los
datos histricos.
Anlisis de sensibilidad: Los anlisis de sensibilidad permiten investigar el efecto de modificar una
entrada fija o un parmetro de distribucin de una entrada simulada en un conjunto especfico de
valores. Se genera un conjunto independiente de casos simulados (una simulacin separada) para cada
valor especificado, lo que le permite investigar el efecto de modificar la entrada. Cada conjunto de casos
simulados se denomina iteracin.
Iterar. Esta opcin permite especificar el conjunto de valores en el que se modificar la entrada.
v Si modifica el valor de un parmetro de distribucin, seleccione el parmetro de la lista desplegable.
Introduzca el conjunto de valores en el valor Parmetro mediante la cuadrcula de iteraciones. Al
pulsar en Continuar se aadirn los valores especificados en la cuadrcula Parmetros de la entrada
asociada, con un ndice que especifica el nmero de iteracin del valor.
v En las distribuciones categricas y de rango, las probabilidades de las categoras o intervalos
respectivamente se pueden variar, pero los valores de las categoras y los puntos finales de los
intervalos no se pueden modificar. Seleccione una categora o intervalo en la lista desplegable y
especifique el conjunto de probabilidades en el valor del parmetro mediante la cuadrcula de
iteracin. Las probabilidades de otras categoras o intervalos se ajustarn automticamente.
Sin iteraciones. Utilice esta opcin para cancelar las iteraciones de una entrada. Si pulsa en Continuar
eliminar las iteraciones.

Correlaciones
Los campos de entrada que se van a simular con frecuencia se sabe que estn correlacionados como, por
ejemplo, altura y ponderacin. Las correlaciones entre las entradas que se simularn se deben tener en
cuenta para garantizar que los valores simulados mantengan esas correlaciones.
Recalcular correlaciones al ajustar. Esta opcin especifica que las correlaciones entre las entradas
simuladas se calculen automticamente al ajustar las distribuciones en el conjunto de datos activo
mediante las acciones Ajustar todas o Ajustar en los ajustes de Campos simulados.
No recalcular correlaciones al ajustar. Seleccione esta opcin si desea especificar manualmente las
correlaciones y evitar que se sobrescriban al ajustar automticamente distribuciones en el conjunto de
datos activo. Los valores entrados en la cuadrcula de correlaciones deben estar entre -1 y 1. Un valor de
0 especifica que no existe ninguna correlacin entre el par de entradas asociadas.
Restablecer. Restablece todas las correlaciones a 0.
Utilizar tabla de contingencia de varios factores ajustada para entradas con una distribucin categrica.
Para entradas con una distribucin categrica, puede calcular automticamente una tabla de contingencia
de varios factores a partir del conjunto de datos activo que describe las asociaciones entre dichas
entradas. La tabla de contingencia se utiliza cuando se generan los datos para dichas entradas. Si opta
por guardar el plan de simulacin, la tabla de contingencia se guarda en el archivo de plan y se utilizan
cuando se ejecuta el plan.
v Calcular tabla de contingencia a partir del conjunto de datos activo. Si trabaja con un plan de
simulacin existente que contiene una tabla de contingencia, puede volver a calcular la tabla de
contingencia a partir del conjunto de datos activo. Esta accin sustituye la tabla de contingencia del
archivo de plan cargado.
v Utilizar tabla de contingencia del plan de simulacin cargado. De forma predeterminada, cuando
carga un plan de simulacin que contiene una tabla de contingencia, se utiliza la tabla del plan. Puede
volver a calcular la tabla de contingencia a partir del conjunto de datos activo seleccionando Calcular
tabla de contingencia a partir del conjunto de datos activo.
Opciones avanzadas
Nmero mximo de casos. Especifica el nmero mximo de casos de datos simulados y los valores de
destinos asociados que se generarn. Si se especifica el anlisis de sensibilidad, es el nmero mximo de
casos de cada iteracin.
Destino de criterios de parada. Si su modelo predictivo contiene ms de un destino, podr seleccionar el

destino al que se aplican los criterios de parada.
Criterios de parada. Estas opciones especifican los criterios para detener la simulacin, potencialmente
antes de generar el nmero mximo de casos permitidos.
v Continuar hasta alcanzar el mximo. Especifica que los casos simulados se generarn hasta que se
alcance el nmero mximo de casos.
v Detener cuando las colas se hayan muestreado. Utilice esta opcin si desea asegurarse de que una de
las colas de una distribucin de destino especificada se ha muestreado correctamente. Los casos
simulados se generarn hasta que se complete el muestreo de la cola especfica o se alcance el nmero
mximo de casos. Si su modelo predictivo contiene mltiples destinos, seleccione el destino al que se
aplicarn los criterios en la lista desplegable Destino de criterios de parada.
Tipo. Puede definir el lmite de la regin de cola especificando un valor de destino como 10.000.000 o
un percentil como el 99. Si selecciona Valor en la lista desplegable Tipo, introduzca el valor del lmite
en el cuadro de texto Valor y utilice la lista desplegable Lado para especificar si es el lmite de la
regin de cola izquierda o la regin de cola derecha. Si selecciona Percentil en la lista desplegable Tipo,
introduzca un valor en el cuadro de texto Percentil.

Frecuencia. Especifique el nmero de valores del destino que debe estar en la regin para garantizar
que la cola se ha muestreado correctamente. La generacin de los casos se detendr cuando se alcance
este nmero.
v Detener si el intervalo de confianza de la media est en el umbral especificado. Utilice esta opcin
si desea asegurarse de que la media de un destino concreto se conoce con un grado especificado de
precisin. Los casos simulados se generarn hasta que se alcance el grado especfico de precisin o el
nmero mximo de casos. Para utilizar esta opcin, especifique un nivel de confianza y un umbral. Los
casos simulados se generarn hasta que el intervalo de confianza asociado con el nivel de confianza
est dentro del umbral. Por ejemplo, puede utilizar esta opcin para especificar que los casos se
generan hasta que el intervalo de confianza de la media al 95% del nivel de confianza est en el 5% del
valor medio. Si su modelo predictivo contiene mltiples destinos, seleccione el destino al que se
aplicarn los criterios en la lista desplegable Destino de criterios de parada.
Tipo de umbral. Puede especificar el umbral como un valor numrico o como porcentaje de la media.
Si selecciona Valor en la lista desplegable Tipo de umbral, introduzca el umbral en el cuadro de texto
Umbral como valor. Si selecciona Porcentaje en la lista desplegable Tipo de umbral, introduzca un
valor en el cuadro de texto Umbral como porcentaje.
Nmero de casos de muestreo. Especifica el nmero de casos que se utilizarn al ajustar

automticamente las distribuciones de las entradas simuladas en el conjunto de datos activo. Si su
conjunto de datos es muy grande, puede que desee limitar el nmero de casos utilizados para el ajuste
de distribucin. Si selecciona Limita a N casos, se utilizarn los primeros N casos.
Bondad de criterios de ajuste (Continua). En entradas continuas, puede utilizar la prueba

Anderson-Darling o la prueba Kolmogorov-Smirnoff de bondad de ajuste para ordenar distribuciones al
ajustar distribuciones de entradas simuladas en el conjunto de datos activo. La prueba Anderson-Darling
est seleccionada de forma predeterminada y est especialmente recomendada si desea garantizar el
mejor ajuste posible en las regiones de cola.
Distribucin emprica. En entradas continuas, la distribucin emprica es la funcin de distribucin

acumulada de los datos histricos. Puede especificar el nmero de intervalos utilizados para calcular las
distribuciones empricas de las entradas continuas. El valor predeterminado es 100 y el mximo es 1.000.
Replicar resultados. Al establecer una semilla aleatoria podr replicar las simulaciones. Especifique un
entero o pulse en Generar, lo que crear un entero pseudo-aleatorio entre 1 y 2147483647, ambos
inclusive. El valor predeterminado es 629111597.
Nota: Para una semilla aleatoria determinada, los resultados se duplican a menos que cambie el nmero
de hebras. En un sistema determinado, el nmero de hebras es constante a menos que lo cambie
ejecutando la sintaxis de comando SET THREADS. El nmero de hebras puede cambiar si se ejecuta la
simulacin en un sistema diferente porque se utiliza un algoritmo interno para determinar el nmero de
hebras para cada sistema.
Valores perdidos del usuario para entradas con una distribucin categrica. Estos controles especifican
si los valores perdidos del usuario de entradas con una distribucin categrica se tratan como vlidos.
Los valores perdidos del sistema para todos los tipos de entrada se tratan siempre como no vlidos.
Todas las entradas deben tener valores vlidos para que un caso se incluya en el ajuste de distribucin, el
clculo de correlaciones y el clculo de la tabla de contingencia opcional.
Funciones de densidad
Estos ajustes permiten personalizar los resultados de las funciones de densidad de probabilidad y las
funciones de distribucin acumuladas de destinos continuos, as como grficos de barras de los valores
pronosticados de destinos categricos.
Funcin de densidad de probabilidad (PDF). La funcin de densidad de probabilidad muestra la

distribucin de valores de destino. En destinos continuos, permite determinar la probabilidad de que el
destino est dentro de una regin concreta. En destinos categricos (destinos con un nivel de medicin
del nominal u ordinal), se genera un grfico de barras que muestra en porcentaje de casos que entran
dentro de cada categora del destino. Existen otras opciones para los destinos categricos de modelos
PMML disponibles con los valores de Categora para los ajustes de informes que se describen a
continuacin.
Para modelos de clster de dos fases y modelos de clster de K-medias, se genera un grfico de barras
de la pertenencia a clsteres.
Funcin de distribucin acumulada (CDF). La funcin de distribucin acumulada muestra la

probabilidad de que el valor del destino sea menor o igual que un valor especificado. Solo est
disponible para destinos continuos.
Posiciones del deslizador. Puede especificar las posiciones iniciales de las lneas de referencia mviles en
grficos PDF y CDF. Los valores que se especifican para las lneas inferior y superior hacen referencia a
las posiciones a lo largo del eje horizontal, no a percentiles. Puede eliminar la lnea inferior seleccionando
-Infinity o puede eliminar la lnea superior seleccionando Infinity. De forma predeterminada, las lneas
se sitan en los percentiles 5 y 95. Cuando se muestran varias funciones de distribucin en un nico
grfico (debido a varios destinos o resultados de iteraciones del anlisis de sensibilidad), el valor
predeterminado hace referencia a la distribucin de la primera iteracin o del primer destino.
Lneas de referencia (Continuas). Puede solicitar varias lneas de referencia verticales para aadirlas a
funciones de densidad de probabilidad y funciones de distribucin acumulada para destinos continuos.
v Sigmas. Puede aadir lneas de referencia por encima o por debajo de un nmero especificado de
desviaciones estndar desde la media de un objetivo.
v Percentiles. Ahora puede aadir lneas de referencia a uno o dos valores de los percentiles de la
distribucin de un objetivo introduciendo los valores en los cuadros de texto inferior y superior. Por
ejemplo, un valor de 95 en el cuadro de texto superior representa el percentil 95, que es el valor por
debajo del cual cae el 95% de las observaciones. Del mismo modo, un valor de 5 en el cuadro de texto
inferior representa el percentil 5, que es el valor por debajo del cual cae el 5% de las observaciones.
v Lneas de referencia personalizadas. Puede aadir lneas de referencia a los valores especificados del
destino.
Nota: Cuando se muestran varias funciones de distribucin en un nico grfico (debido a varios destinos
o resultados de iteraciones del anlisis de sensibilidad), las lneas de referencia slo se aplican a la
distribucin de la primera iteracin o del primer destino. Puede aadir lneas de referencia a otras
distribuciones desde el dilogo Opciones de grfico, al que se accede desde el grfico PDF o CDF.
Superponer resultados de destinos continuos diferentes. En el caso de mltiples destinos continuos,

especifica si las funciones de distribucin de todos estos destinos se muestran en un nico grfico, con un
grfico de funciones de densidad de probabilidad y otra para funciones de distribucin acumuladas. Si
esta opcin no se selecciona, los resultados de cada destino se mostrarn en un grfico diferente.
Valores de categora que se incluirn en el informe. En modelos PMML con destinos categricos, el
resultado del modelo es un conjunto de probabilidades pronosticadas, una de cada categora, en la que el
valor de destino entra dentro de cada categora. La categora con la mayor probabilidad se toma como la
categora pronosticada y se utiliza en la generacin del grfico de barras que se describe en el ajuste
Funcin de densidad de probabilidad anterior. Si selecciona Categora pronosticada se generar el
grfico de barras. Si selecciona Probabilidades pronosticadas se generarn histogramas de la distribucin
de las probabilidades pronosticadas de cada una de las categoras del destino.
Agrupacin de anlisis de sensibilidad. Las simulaciones que incluyen anlisis de sensibilidad generan
un conjunto independiente de valores de destino pronosticados para cada iteracin que define el anlisis
(una iteracin para cada valor de la entrada que se est variando). Si existen iteraciones, el grfico de

barras de la categora pronosticada de un destino categrico se muestra como un grfico de barras clster
que incluye los resultados de todas las iteraciones. Puede seleccionar agrupar las categoras o agrupar las
iteraciones.
Resultado
Grficos de tornado. Los grficos de tornado son grficos de barra que muestran relaciones entre
destinos y entradas simuladas utilizando una variedad de mtricas.
v Correlacin del destino con la entrada. Esta opcin crea un grfico de tornado de los coeficientes de
correlacin entre un destino especificado y cada una de sus entradas simuladas. Este tipo de grfico de
tornado no admite destinos con un nivel de medicin nominal u ordinal ni entradas simuladas con una
distribucin categrica.
v Contribucin a la varianza. Esta opcin crea un grfico de tornado que muestra la contribucin a la
varianza de un destino de cada una de sus entradas simuladas, lo que permite evaluar el grado en el
que cada entrada contribuye a la incertidumbre general del destino. Este tipo de grfico de tornado no
admite destinos con niveles de medicin nominales u ordinales, o entradas simuladas con cualquiera
de las distribuciones siguientes: categrica, Bernoulli, binomial, Poisson o binomial negativa.
v Sensibilidad del destino para cambiar. Esta opcin crea un grfico de tornado que muestra el efecto
del destino del destino de modulacin de cada entrada simulada ms o menos un nmero especificado
de desviaciones estndar de la distribucin asociada con la entrada. Este tipo de grfico de tornado no
admite destinos con niveles de medicin nominales u ordinales, o entradas simuladas con cualquiera
de las distribuciones siguientes: categrica, Bernoulli, binomial, Poisson o binomial negativa.
Diagramas de caja de distribuciones de destino. Los diagramas de caja estn disponibles para destinos
continuos. Seleccione Superponer resultados de destinos diferentes si su modelo predictivo tiene
mltiples destinos continuos y desea visualizar los diagramas de caja de todos los destinos en un grfico
nico.
Diagramas de dispersin de destinos frente a entradas. Los diagramas de dispersin frente a entradas
simuladas estn disponibles para destinos continuos y categricos e incluyen dispersiones del destino con
entradas continuas y categricas. Las dispersiones que incluyen un destino o una entrada categrica se
muestran como un mapa de calor.
Crear una tabla de valores percentiles. En destinos continuos, puede obtener una tabla de percentiles
especificados de las distribuciones de destino. Los cuartiles (los percentiles 25, 50 y 75) dividen las
observaciones en cuatro grupos de igual tamao. Si desea un nmero igual de grupos que no sea cuatro,
seleccione Intervalos y especifique el nmero. Seleccione Percentiles personalizados para especificar
percentiles individuales, por ejemplo, el percentil 99.
Estadsticos descriptivos de distribuciones de destino. Esta opcin crea tablas de estadsticos

descriptivos de destinos continuos y categricos as como entradas continuas. En destinos continuos, la
tabla incluye la media, la desviacin estndar, la mediana, el mnimo y el mximo, el intervalo de
confianza de la media en el nivel especificado y los percentiles 5 y 95 de la distribucin de destino. En
destinos categricos, la tabla incluye el porcentaje de casos que entran en cada categora del destino. En
destinos categricos de modelos PMML, la tabla tambin incluye la probabilidad media de cada categora
del destino. En entradas continuas, la tabla incluye la media, desviacin estndar, mnima y mxima.
Correlaciones y tabla de contingencia para entradas. Esta opcin muestra una tabla de coeficientes de
correlacin entre entradas simuladas. Cuando se generan entradas con distribuciones categricas a partir
de una tabla de contingencia, tambin se muestra la tabla de contingencia de los datos que se generan
para dichas entradas.
Entradas simuladas que se incluirn en el resultado. De forma predeterminada, todas las entradas
simuladas se incluyen en los resultados. Puede excluir las entradas simuladas de las salidas. Se excluirn
de los grficos de tornado, diagramas de dispersin y resultados tabulares.

Rangos de lmite para destinos continuos. Puede especificar el rango de valores vlidos para uno o ms
destinos continuos. Los valores que estn fuera del rango especificado se excluyen de todos los anlisis
de salida asociados con los destinos. Para establecer un lmite inferior, seleccione Inferior en la columna
Lmite y especifique un valor en la columna Mnimo. Para establecer un lmite superior, seleccione
Superior en la columna Lmite y especifique un valor en la columna Mximo. Para establecer un lmite
inferior y un lmite superior, seleccione Ambos en la columna Lmite y especifique los valores en las
columnas Mnimo y Mximo.
Formatos de visualizacin. Puede definir el formato utilizado cuando se visualizan los valores de
destinos y entradas (tanto entradas fijas como simuladas).
Guardar
Guardar el plan de esta simulacin. Puede guardar las especificaciones actuales de su simulacin en un
archivo de plan de simulacin. Los archivos de plan de simulacin tienen la extensin .splan. Puede
volver a abrir el plan en el Generador de simulaciones, y tambin puede realizar modificaciones y
ejecutar la simulacin. Puede compartir el plan de simulacin con otros usuarios, que pueden ejecutarlo
en el cuadro de dilogo Ejecutar simulacin. Los planes de simulacin incluyen todas las especificaciones
excepto las siguientes: ajustes de Funciones de densidad; Ajustes de resultados de grficos y tablas;
Opciones avanzadas de ajustes, Distribucin emprica y Semilla aleatoria.
Guardar los datos simulados como un nuevo archivo de datos. Puede guardar entradas simuladas,
entradas fijas y valores de destino pronosticados en un archivo de datos SPSS Statistics, un nuevo
conjunto de datos en la sesin actual o un archivo Excel. Cada caso (o fila) del archivo de datos consta de
los valores pronosticados de los objetivos junto con las entradas simuladas y las entradas fijas que
generan los valores objetivo. Si se especifica el anlisis de sensibilidad, cada iteracin genera un conjunto
contiguo de casos que se etiquetan con el nmero de iteracin.
Cuadro de dilogo Ejecutar simulacin

El cuadro de dilogo Ejecutar simulacin est diseado para usuarios que tienen un plan de simulacin y
que desean preferentemente ejecutar la simulacin. Tambin proporciona las caractersticas que necesita
para ejecutar la simulacin en condiciones diferentes. Permite ejecutar las siguientes tareas generales:
v Configurar o modificar los anlisis de sensibilidad para investigar el efecto de variar el valor de una
entrada fija o variar un parmetro de distribucin de una entrada simulada.
v Reajustar distribuciones de probabilidad de entradas inciertas (y correlaciones entre esas entradas) a
nuevos datos.
v Modificar la distribucin de una entrada simulada.
v Ejecutar la simulacin.
Pestaa Simulacin
La pestaa Simulacin permite especificar anlisis de sensibilidad, reajustar distribuciones de
probabilidad de entradas simuladas y correlaciones entre entradas simuladas en nuevos datos y modificar
la distribucin de probabilidad asociada con una entrada simulada.
La cuadrcula Entradas simuladas contiene una entrada para cada campo de entrada que se define en el
plan de simulacin. Cada entrada muestra el nombre y el tipo de distribucin de probabilidad asociada
con la entrada, junto con un grfico de muestra de la curva de distribucin asociada. Cada entrada
tambin tiene un icono de estado asociado (un crculo de color con una marca de verificacin) que es til
si est reajustando distribuciones a nuevos datos. Adems, las entradas pueden incluir un icono de
candado que indica que la entrada est bloqueada y no se puede modificar o reajustar a nuevos datos en
el cuadro de dilogo Ejecutar simulacin. Para modificar una entrada bloqueada, necesitar abrir el plan
de simulacin en el Generador de simulaciones.

Cada entrada puede ser simulada o fija. Las entradas simuladas son aquellas cuyos valores son inciertos
y se generarn a partir de una distribucin de probabilidad especificada. Las entradas fijas son aquellas
cuyos valores se conocen y permanecen constantes en cada caso generado en la simulacin. Para trabajar
con una entrada concreta, seleccione la entrada en la cuadrcula Entradas simuladas.
Especificacin de anlisis de sensibilidad
Los anlisis de sensibilidad permiten investigar el efecto de los cambios sistemticos en una entrada fija o
en un parmetro de distribucin de una entrada estimulada generando un conjunto independiente de
casos simulados (una simulacin separada) para cada valor especificado. Para especificar los anlisis de
sensibilidad, seleccione una entrada fija o simulada y pulse en Anlisis de sensibilidad. El anlisis de
sensibilidad est limitado a una nica entrada fija o un parmetro de distribucin nico de una entrada
simulada. Consulte el tema Anlisis de sensibilidad en la pgina 188 para obtener ms informacin.
Reajuste de distribuciones a nuevos datos
Para reajustar automticamente las distribuciones de probabilidad de entradas simuladas (y las

correlaciones entre entradas simuladas) a los datos del conjunto de datos activo:
1. Compruebe que todas las entradas del modelo coinciden con el campo correcto del conjunto de datos
activo. Todas las entradas simuladas se reajustan al campo del conjunto de datos activo especificado
en la lista desplegable Campo con esa entrada. Puede identificar fcilmente las entradas no
coincidentes buscando entradas con un icono de estado que incluya una marca de verificacin con un
signo de interrogacin, tal y como se muestra a continuacin.
2. Modifique cualquier campo necesario coincidente seleccionando Ajustar a un campo en el conjunto

de datos y seleccionando el campo de la lista.
3. Pulse en Ajustar todas.
En cada entrada ajustada, la distribucin que mejor se ajusta a los datos se muestra junto con una
representacin de la distribucin superpuesta en un histograma (o grfico de barras) de los datos
histricos. Si no se encuentra un ajuste aceptable, se utilizar la distribucin emprica. En el caso de las
entradas que se ajusten a la distribucin emprica, solo ver un histograma de los datos histricos porque
la distribucin emprica est, de hecho, representada por ese histograma.
Nota: para ver una lista completa de iconos de estado, consulte el tema Campos simulados en la pgina
185.
Modificacin de las distribuciones de probabilidad
Puede modificar la distribucin de probabilidad de una entrada simulada y, opcionalmente, cambiar una
entrada simulada a una entrada fija o viceversa.
1. Seleccione la entrada y seleccione Ajustar la distribucin manualmente.
2. Seleccione el tipo de distribucin y especifique los parmetros de distribucin. Para cambiar una
entrada simulada por una entrada fija, seleccione Fija en la lista desplegable Tipo.
Una vez haya introducido los parmetros de una distribucin, el grfico de muestra de la distribucin (se
muestra en la entrada) se actualizar reflejando sus cambios. Para obtener ms informacin sobre la
especificacin manual de distribuciones de probabilidad, consulte el tema Campos simulados en la
pgina 185.

Incluir valores perdidos del usuario de entradas categricas al ajustar. Esto especifica si los valores
perdidos del usuario de las entradas con una distribucin categrica se tratan como vlidos cuando se
vuelven a ajustar los datos en el conjunto de datos activo. Los valores perdidos del sistema y los valores
perdidos del usuario para todos los dems tipos de entradas siempre se tratan como no vlidos. Todas las
entradas deben tener valores vlidos para que un caso se incluya en el ajuste de distribucin y el clculo
de correlaciones.
Pestaa Resultado
La pestaa Resultado permite personalizar los resultados que genera la simulacin.
Funciones de densidad. Las funciones de densidad son las medias principales de la prueba del conjunto
de resultados de su simulacin.
v Funcin de densidad de probabilidad La funcin de densidad de probabilidad muestra la
distribucin de los valores de destino, lo que permite determinar la probabilidad de que el destino est
dentro de una regin concreta. En destinos con un conjunto fijo de resultados, como "servicio
deficiente", "servicio correcto", "buen servicio" y "excelente servicio", se genera un grfico de barras que
muestra el porcentaje de casos que entran en cada categora del destino.
v Funcin de distribucin acumulada. La funcin de distribucin acumulada muestra la probabilidad
de que el valor del destino sea menor o igual que un valor especificado.
Grficos de tornado. Los grficos de tornado son grficos de barra que muestran relaciones entre
destinos y entradas simuladas utilizando una variedad de mtricas.
v Correlacin del destino con la entrada. Esta opcin crea un grfico de tornado de los coeficientes de
correlacin entre un destino especificado y cada una de sus entradas simuladas.
v Contribucin a la varianza. Esta opcin crea un grfico de tornado que muestra la contribucin a la
varianza de un destino de cada una de sus entradas simuladas, lo que permite evaluar el grado en el
que cada entrada contribuye a la incertidumbre general del destino.
v Sensibilidad del destino para cambiar. Esta opcin crea un grfico de tornado que muestra el efecto
del destino del destino de modulacin de cada entrada simulada ms o menos una desviacin estndar
de la distribucin asociada con la entrada.
Diagramas de dispersin de destinos frente a entradas. Esta opcin genera diagramas de dispersin de
destinos frente a entradas simuladas.
Diagramas de caja de distribuciones de destino. Esta opcin genera diagramas de caja de las
distribuciones de destino.
Tabla de cuartiles. Esta opcin genera una tabla de cuartiles de las distribuciones de destino. Los
cuartiles de una distribucin son los percentiles 25, 50 y 75 de la distribucin y dividen las observaciones
en cuatro grupos de igual tamao.
Correlaciones y tabla de contingencia para entradas. Esta opcin muestra una tabla de coeficientes de
correlacin entre entradas simuladas. Una tabla de contingencia de asociaciones entre entradas con una
distribucin categrica se muestra cuando el plan de simulacin especifica la generacin de datos
categricos a partir de una tabla de contingencia.
Superponer resultados de destinos diferentes. Si el modelo predictivo que simula contiene mltiples
destinos, puede especificar si los resultados de destinos diferentes se muestran en un nico grfico. Este
ajuste se aplica a los grficos de funciones de densidad de probabilidad, funciones de distribucin
acumuladas y diagramas de caja. Por ejemplo, si selecciona esta opcin, las funciones de densidad de
probabilidad de todos los destinos se mostrarn en un grfico nico.
Guardar el plan de esta simulacin. Puede guardar las modificaciones de su simulacin en un archivo
de plan de simulacin. Los archivos de plan de simulacin tienen la extensin .splan. Puede volver a abrir

el plan en el cuadro de dilogo Ejecutar simulacin o en el Generador de simulaciones. Los planes de
simulacin incluyen todas las especificaciones excepto los ajustes de resultados:
Guardar los datos simulados como un nuevo archivo de datos. Puede guardar entradas simuladas,
entradas fijas y valores de destino pronosticados en un archivo de datos SPSS Statistics, un nuevo
conjunto de datos en la sesin actual o un archivo Excel. Cada caso (o fila) del archivo de datos consta de
los valores pronosticados de los objetivos junto con las entradas simuladas y las entradas fijas que
generan los valores objetivo. Si se especifica el anlisis de sensibilidad, cada iteracin genera un conjunto
contiguo de casos que se etiquetan con el nmero de iteracin.
Si requiere ms personalizaciones de un resultado que las disponibles aqu, considere ejecutar su

simulacin desde el Generador de simulaciones. Consulte el tema Para ejecutar una simulacin de un
plan de simulacin en la pgina 181 para obtener ms informacin.
Trabajo con resultados de grficos de simulacin

A partir de una simulacin se generan diferentes grficos que tienen caractersticas interactivas que
permiten personalizar la vista. Las caractersticas interactivas estn disponibles activando (pulsando dos
veces) el objeto de grfico en el Visor de resultados. Todos los grficos de simulacin son visualizaciones
de tablero.
Grficos de funciones de densidad de probabilidad de destinos continuos. Este grfico tiene dos lneas
de referencia verticales deslizantes que dividen el grfico en regiones diferentes. La tabla bajo el grfico
muestra la probabilidad de que el destino est en cada una de las regiones. Si se muestran mltiples
funciones de densidad en el mismo grfico, la tabla tiene una fila separada para las probabilidades
asociadas con cada funcin de densidad. Cada una de las lneas de referencia tiene un deslizador (un
tringulo invertido) que permite mover fcilmente la lnea. Existe un nmero adicional de caractersticas
disponibles pulsando en el botn Opciones de grfico. En concreto, puede definir explcitamente las
posiciones de los deslizadores, aadir lneas de referencia fijas y cambiar la vista del grfico de una curva
continua a un histograma o viceversa. Consulte el tema Opciones de grfico en la pgina 197 para
Grficos de funciones de distribucin acumulada de destinos continuos. Este grfico tiene las dos
mismas lneas de referencia verticales mviles y la tabla asociada que se describe en el grfico de
funciones de densidad de probabilidad anterior. Tambin proporciona acceso al cuadro de dilogo
Opciones de grfico, que permite definir explcitamente las posiciones de los deslizadores, aadir lneas
de referencia fijas y especificar si la funcin de distribucin acumulada se muestra como una funcin
creciente (la opcin predeterminada) o una funcin decreciente. Consulte el tema Opciones de grfico
en la pgina 197 para obtener ms informacin.
Grficos de barras de destinos categricos con iteraciones del anlisis de sensibilidad. En los destinos
categricos con iteraciones de anlisis de sensibilidad, los resultados de la categora de destino
pronosticada se muestran como un grfico de barras agrupadas que incluye los resultados de todas las
iteraciones. El grfico incluye una lista desplegable que permite agrupar segn la categora o la iteracin.
En modelos de clster de dos fases y modelos de clster de K-medias, puede seleccionar agrupar segn
el nmero o iteracin de clsteres.
Diagramas de caja de mltiples destinos con iteraciones del anlisis de sensibilidad. En modelos
predictivos con mltiples destinos continuos e iteraciones del anlisis de sensibilidad, si selecciona
mostrar diagramas de caja de todos los destinos en un nico grfico, se producir un diagrama de caja
agrupado. El grfico incluye una lista desplegable que permite agrupar segn el destino o la iteracin.

Opciones de grfico
El cuadro de dilogo Opciones de grfico permite personalizar la vista de los grficos activados de
funciones de densidad de probabilidad y funciones de distribucin acumuladas generadas a partir de una
simulacin.
Ver. La lista desplegable Ver solo se aplica al grfico de funciones de densidad de probabilidad. Permite
cambiar la vista del grfico de una curva continua a un histograma. Esta caracterstica no est disponible
si se muestran mltiples funciones de densidad en el mismo grfico. En ese caso, las funciones de
densidad solo se pueden visualizar como curvas continuas.
Ordenar. La lista desplegable Ordenar solo se aplica al grfico de funcin de distribucin acumulada.
Especifica si la funcin de distribucin acumulada se muestra como una funcin ascendente (la opcin
predeterminada) o una funcin descendente. Si se muestra como una funcin descendente, el valor de la
funcin en un punto concreto del eje horizontal es la probabilidad de que el destino se encuentre a la
derecha de ese punto.
Posiciones del deslizador. Puede definir explcitamente las posiciones de las lneas de referencia de los
deslizadores introduciendo valores en los cuadros de texto Superior e Inferior. Puede eliminar la lnea de
la izquierda seleccionando -Infinito, definiendo la posicin al infinito negativo, y puede eliminar la lnea
de la derecha seleccionando Infinito, definiendo la posicin al infinito.
Lneas de referencia. Puede aadir varias lneas de referencia verticales fijas various funciones de
densidad de probabilidad y funciones de distribucin acumuladas. Cuando se muestran varias funciones
en un nico grfico (debido a varios destinos o resultados de iteraciones del anlisis de sensibilidad),
puede especificar las funciones concretas a las que se aplican las lneas.
v Sigmas. Puede aadir lneas de referencia por encima o por debajo de un nmero especificado de
desviaciones estndar desde la media de un objetivo.
v Percentiles. Ahora puede aadir lneas de referencia a uno o dos valores de los percentiles de la
distribucin de un objetivo introduciendo los valores en los cuadros de texto inferior y superior. Por
ejemplo, un valor de 95 en el cuadro de texto superior representa el percentil 95, que es el valor por
debajo del cual cae el 95% de las observaciones. Del mismo modo, un valor de 5 en el cuadro de texto
inferior representa el percentil 5, que es el valor por debajo del cual cae el 5% de las observaciones.
v Posiciones personalizadas. Puede aadir lneas de referencia a los valores especificados en el eje
horizontal.
Lneas de referencia de etiquetas. Esta opcin contrla si las etiquetas se aplican a las lneas de referencia
seleccionadas.
Las lneas de referencia se eliminan anulando la seleccin asociada en el dilogo Opciones de grfico y
pulsando Continuar.

Captulo 35. Modelado geoespacial
Las tcnicas de modelado geoespacial estn diseadas para descubrir patrones de datos que incluyen un
componente geoespacial (mapa). El sistema de modelado geoespacial proporciona mtodos para analizar
datos geoespaciales con y sin un componente de tiempo.
Busque asociaciones basadas en datos de evento y geoespaciales (reglas de asociacin geoespacial)
Mediante reglas de asociacin geoespacial, puede encontrar patrones en datos que se basan en las
propiedades espaciales y no espaciales. Por ejemplo, podra identificar patrones en datos de
delincuencia por ubicacin y atributos demogrficos. A partir de estos patrones, podr generar
reglas que predicen dnde es ms probable que se vayan a producir determinados tipos de
delitos.
Realice predicciones utilizando series temporales y datos geoespaciales (prediccin espacio-temporal)
La prediccin espacio-temporal utiliza datos que contienen datos de ubicacin, campos de
entrada para la prediccin (predictores), uno o varios campos de hora y un campo de objetivo.
Cada ubicacin tiene muchas filas en los datos que representan los valores de cada predictor y el
objetivo en cada intervalo de tiempo.
Utilizacin del asistente de modelado geoespacial

1. Desde los mens, elija:
Analizar > Modelado espacial y temporal > Modelado espacial
2. Siga los pasos del asistente.
Ejemplos
Hay ejemplos detallados disponibles en el sistema de ayuda.

v Reglas de asociacin geoespacial: Ayuda > Temas > Estudios de casos > Statistics Base > Reglas de
asociacin espacial
v Prediccin temporal espacial: Ayuda > Temas > Estudios de casos > Statistics Base > Prediccin
temporal espacial
Seleccin de mapas
El modelado geoespacial puede utilizar uno o ms orgenes de datos de mapas. Los orgenes de datos de
mapas contienen informacin que define reas geogrficas y otras caractersticas geogrficas como, por
ejemplo, carreteras o ros. Muchos orgenes de mapas tambin contienen datos demogrficos u otros
datos descriptivos y datos de evento como, por ejemplo, informes de delitos o tasas de desempleo. Puede
utilizar un archivo de especificacin de mapa definido previamente o definir especificaciones de mapas
aqu y guardar estas especificaciones para su uso posterior.
Cargar una especificacin de mapa
Carga un archivo (.mplan) de especificacin de mapa definido previamente. Los orgenes de
datos de mapa que defina aqu se pueden guardar en un archivo de especificacin de mapa. Para
la prediccin temporal espacial, si selecciona un archivo de especificacin de mapa que identifica
ms de un mapa, se le solicitar que seleccione un mapa del archivo.
Aadir archivo de mapa
Aada un archivo de forma ESRI (.shp) o un archivo .zip que contenga un archivo de forma
ESRI.
v Debe haber un archivo .dbf correspondiente en la misma ubicacin que el archivo .shp, y dicho
archivo debe tener el mismo nombre raz que el archivo .shp.

v Si el archivo es un archivo .zip, los archivos .shp y .dbf deben tener el mismo nombre raz que
el archivo .zip.
v Si no hay ningn archivo (.prj) de proyeccin correspondiente, se le solicitar que seleccione un
sistema de proyeccin.
Relacin
Para las reglas de asociacin geoespacial, esta columna define cmo estn relacionados los
eventos con las caractersticas en el mapa. Este valor no est disponible para la prediccin
temporal espacial.
Subir, Bajar
El orden de la capa de los elementos del mapa se determina mediante el orden en el cual
aparecen en la lista. El primer mapa de la lista es la capa inferior.
Seleccin de un mapa
Para la prediccin temporal espacial, si selecciona un archivo de especificacin de mapa que identifica
ms de un mapa, se le solicitar que seleccione un mapa del archivo. La prediccin temporal espacial no
soporta varios mapas.
Relacin geoespacial
Para las reglas de asociacin geoespacial, el dilogo Relacin geoespacial define cmo se relacionan los
eventos con las caractersticas en el mapa.
v Este ajuste se aplica slo a las reglas de asociacin geoespacial.
v Este valor slo afecta a orgenes de datos asociados con mapas especificados como datos de contexto
en el paso de seleccin de orgenes de datos.
Relacin
Cerrar El evento se produce cerca de una rea o punto especificados en el mapa.
Dentro
El evento se produce dentro de un rea especificada en el mapa.
Contiene
El rea de evento contiene un objeto de contexto de mapa.
Intersecta
Las ubicaciones donde las lneas o regiones de los distintos mapas interseccionan entre s.
Cruz Para varios mapas, las ubicaciones donde las lneas (para carreteras, ros, ferrocarriles) de
distintas lneas se cruzan entre s.
Norte de, Sur de, Este de, Oeste de
El evento se produce dentro de un rea que est al norte, sur, este o oeste de un punto
especificado en el mapa.
Establecer sistema de coordenadas

Si no hay ningn archivo de proyeccin (.prj) con el mapa o define dos campos en un origen de datos
como un conjunto de coordenadas, debe definir el sistema de coordenadas.
Valor geogrfico predeterminado (longitud y latitud)
El sistema de coordenadas es de longitud y latitud.
Cartesiano simple (X e Y)
El sistema de coordenadas es de coordenadas simples X e Y.
Utilizar un ID conocido (WKID)
Un "ID conocido" para proyecciones comunes.

Utilizar un nombre de sistema de coordenadas
El sistema de coordenadas se basa en la proyeccin denominada. El nombre se especifica entre
parntesis.
Definicin de la proyeccin
Si no se puede determinar el sistema de proyeccin a partir de la informacin proporcionada con el
mapa, debe especificar el sistema de proyeccin. La causa ms habitual de esta condicin es que falte un
archivo de proyecto (.prj) asociado con el mapa o exista un archivo de proyeccin que no se pueda
utilizar.
v Una ciudad, regin o pas (Mercator)
v Un pas grande, varios pases o continentes (Winkel Tripel)
v Un rea muy cercana al ecuador (Mercator)
v Un rea cercana a uno de los polos (Stereographic)
La proyeccin de Mercator es una proyeccin comn utilizada en muchos mapas. Esta proyeccin trata el
globo como un cilindro desplegado en una superficie plana. La proyeccin de Mercator distorsiona el
tamao y forma de los objetos grandes. Esta distorsin aumenta a medida que se aleja del ecuador y se
acerca a los polos. Las proyecciones de Winkel Tripel y Stereographic realizan ajustes al hecho de que un
mapa representa una parte de una esfera tridimensional que se visualiza en dos dimensiones.
Sistema de proyeccin y de coordenadas

Si selecciona ms de una correlacin y las correlaciones tienen distintos sistemas de proyeccin y
coordenadas, debe seleccionar la correlacin con el sistema de proyeccin que desea utilizar. Dicho
sistema de proyeccin se utilizar para todas las correlaciones cuando se combinan juntos en el resultado.
Orgenes de datos
Un origen de datos puede ser un archivo dBase que se proporciona con el archivo de forma, un archivo
de datos de IBM SPSS Statistics o un conjunto de datos abierto en la sesin actual.
Datos de contexto. Los datos de contexto identifican caractersticas en el mapa. Los datos de contexto
tambin pueden contener campos que se pueden utilizar como entradas para el modelo. Para utilizar un
archivo dBase (.dbf) de contexto asociado con un archivo de forma (.shp) de mapa, el archivo dBase de
contexto debe estar en la misma ubicacin que el archivo de forma y debe tener el mismo nombre raz.
Por ejemplo, si el archivo de forma es geodata.shp, el archivo dBase se debe llamar geodata.dbf
Datos de evento. Los datos de evento contienen informacin sobre eventos que se producen como, por
ejemplo, delitos o accidentes. Esta opcin est disponible solo para reglas de asociacin geoespacial.
Densidad de puntos. El intervalo de tiempo y los datos de coordenada para las estimaciones de la
densidad de kernel. Esta opcin slo est disponible para la prediccin temporal espacial.
Aadir. Abre un dilogo para aadir orgenes de datos. Un origen de datos puede ser un archivo dBase
que se proporciona con el archivo de forma, un archivo de datos de IBM SPSS Statistics o un conjunto de
datos abierto en la sesin actual.
Asociar. Abre un dilogo para especificar los identificadores (coordenadas o claves) utilizadas para
asociar datos con mapas. Cada origen de datos debe contener uno o ms identificadores que asocian los
datos con el mapa. Los archivos dBase que vienen con un archivo de forma normalmente contienen un
campo que se utiliza automticamente como el identificador predeterminado. Para otros orgenes de
datos, debe especificar los campos que se utilizan como identificadores.
Validar clave. Abre un dilogo para validar la coincidencia de claves entre el mapa y el origen de datos.
Captulo 35. Modelado geoespacial 201

Reglas de asociacin geoespacial
v Al menos, un origen de datos debe ser un origen de datos de evento.
v Todos los orgenes de datos de evento deben utilizar el mismo formato de identificadores de asociacin
de mapa: coordenadas o valores de clave.
v Si los orgenes de datos de evento se asocian a los mapas con valores de clave, todos los orgenes
deben utilizar el mismo tipo de caracterstica (por ejemplo, polgonos, puntos, lneas).
Prediccin temporal espacial

v Debe haber un origen de datos de contexto.
v Si solo hay un origen de datos (un archivo de datos sin ningn mapa asociado), debe incluir valores
de coordenadas.
v Si tiene dos orgenes de datos, un origen de datos debe ser datos de contexto y el otro origen de datos
debe ser datos de densidad de puntos.
v No puede incluir ms de dos orgenes de datos.
Aadir un origen de datos

Un origen de datos puede ser un archivo dBase que se proporciona con el archivo de forma y el archivo
de contexto, un archivo de datos de IBM SPSS Statistics o un conjunto de datos abierto en la sesin
actual.
Puede aadir el mismo origen de datos varias veces si desea utilizar una asociacin espacial diferente con
cada uno.
Datos y asociacin de mapas

Cada origen de datos debe contener uno o ms identificadores que asocian los datos con el mapa.
Coordenadas
El origen de datos contiene campos que representan coordenadas cartesianas, seleccione los
campos que representan dichas coordenadas X e Y. Para las reglas de asociacin geoespacial,
puede haber tambin una coordenada Z.
Valores de clave
Los valores de clave en los campos del origen de datos corresponden a las claves de mapa
seleccionadas. Por ejemplo, un mapa de regiones puede tener un identificador de nombre (clave
de mapa) que etiqueta cada regin. Dicho identificador se corresponde con un campo en los
datos que tambin contienen los nombres de las regiones (clave de datos). Los campos se
comparan con las claves de mapa basndose en el orden en el que se visualizan en las dos listas.
Validar claves
El dilogo Validar claves proporciona un resumen de coincidencias de registro entre la correlacin y la
fuente de datos, basndose en las claves de identificador seleccionadas. Si hay valores de clave de datos
que no coinciden, puede hacer manualmente que coincidan con los valores de clave de correlacin.
Reglas asociacin geoespacial

Para las reglas de asociacin geoespacial, tras definir mapas y orgenes de datos, los pasos restantes en el
asistente son:
v Si hay varios orgenes de datos de evento, defina cmo se fusionan orgenes de datos de evento.
v Seleccione campos para utilizar como condiciones y predicciones en el anlisis.

v Seleccione distintas opciones de resultado.
v Guarde un archivo de modelo de puntuacin.

v Cree campos nuevos para valores pronosticados y las reglas en los orgenes de datos utilizadas en el
modelo.
v Personalice valores para crear regla de asociacin.
v Personalice los valores de agrupacin y agregacin.
Definir campos de datos de eventos

Para las reglas de asociacin geoespacial, si hay ms de un origen de datos de evento, los orgenes de
datos de evento se fusionan.
v De forma predeterminada, solo se incluyen los campos que son comunes para todos los orgenes de
datos de evento.
v Puede visualizar una lista de campos comunes, campos para un origen de datos especfico o campos
de todos los orgenes de datos y seleccionar los campos que desea incluir.
v Para los campos comunes, los campos Tipo y Medicin deben ser iguales para todos los orgenes de
datos. Si hay conflictos, puede especificar el tipo y el nivel de medicin para utilizar para cada campo
comn.
Seleccionar campos
La lista de campos disponibles incluye campos de los orgenes de datos de eventos y campos de los
orgenes de datos de contexto.
v Puede controlar la lista de campos visualizados seleccionando un origen de datos de la lista Orgenes
de datos.
v Debe seleccionar al menos dos campos. Al menos uno debe ser una condicin y una debe ser, al
menos, una prediccin. Existen varias maneras de cumplir este requisito, incluyendo seleccionar dos
campos para la lista Ambas (condicin y prediccin).
v Las reglas de asociacin predicen valores de los campos de prediccin que se basan en valores de los
campos de condicin. Por ejemplo, en la regla "Si x=1 e y=2, entonces z=3", los valores de x e y son
condiciones y el valor de z es la prediccin.
Resultado
Tablas de reglas
Cada tabla de reglas muestra las reglas superiores y los valores para la confianza, el soporte para
regla, la elevacin, el soporte de condicin y la capacidad de despliegue. Cada tabla se clasifica
por los valores del criterio seleccionado. Puede mostrar todas las reglas o el Nmero superior de
reglas, basndose en el criterio seleccionado.
Nube de palabras clasificables
Una lista de las reglas superiores, basndose en los valores del criterio seleccionado. El tamao
del texto indica la importancia relativa de la regla. El objeto de resultados interactivos contiene
las reglas superiores para la confianza, el soporte de regla, la elevacin, el soporte de condicin y
la capacidad de despliegue. El criterio seleccionado determina qu lista de reglas se visualiza de
forma predeterminada. Puede seleccionar un criterio diferente de forma interactiva en el
resultado. Mx. de reglas que se va a mostrar determina el nmero de reglas que se visualizan
en el resultado.
Mapa Grfico de barras interactivo y mapa de las reglas superiores, basndose en el criterio
seleccionado. Cada objeto de resultados interactivos contiene las reglas superiores para la
confianza, el soporte de regla, la elevacin, el soporte de condicin y la capacidad de despliegue.
El criterio seleccionado determina qu lista de reglas se visualiza de forma predeterminada.
Puede seleccionar un criterio diferente de forma interactiva en el resultado. Mx. de reglas que se
va a mostrar determina el nmero de reglas que se visualizan en el resultado.
Tablas de informacin de modelos

Transformaciones de campo
Describe las transformaciones que se aplican a campos utilizados en el anlisis.
Resumen de registros
Nmero y porcentaje de registros incluidos y excluidos
Estadsticos de regla
Estadsticas de resumen para el soporte de condicin, la confianza, el soporte de regla, la
elevacin y la capacidad de despliegue. Las estadsticas incluyen media, mnimo, mximo
y desviacin estndar.
Elementos ms frecuentes
Los elementos que aparecen con ms frecuencia. Un elemento se incluye en una
condicin o una prediccin en una regla. Por ejemplo, edad < 18 o sexo=mujer.
Campos ms frecuentes
Los campos que aparecen con ms frecuencia en las reglas.
Entradas excluidas
Los campos que se excluyen del anlisis y la razn por la cual se ha excluido cada
campo.
Criterio para tablas de reglas, nube de palabras y mapas

Confianza.
EL porcentaje de las predicciones de reglas correctas.
Soporte de regla
El porcentaje de casos para los cuales la regla es verdadera. Por ejemplo, si la regla es "si x=1 e
y=2, z=3," el soporte de la regla es el porcentaje real de casos en los datos para los cuales es
correcto x=1, y=2 y z=3.
Elevacin
La elevacin es una medida que indica el grado de mejora que aplica la regla a la prediccin en
comparacin con una prediccin al azar. Es la proporcin de predicciones correctas en la
aparicin global del valor pronosticado. El valor debe ser mayor que 1. Por ejemplo, si el valor
pronosticado se produce un 20 % del tiempo y la confianza en la prediccin es del 80 %, el valor
de elevacin es 4.
Soporte de condicin
El porcentaje de casos para los cuales existe la condicin de la regla. Por ejemplo, si la regla es "si
x=1 e y=2, z=3," el soporte de condicin es la proporcin de casos en los cuales los datos son x=1
e y=2.
Capacidad de despliegue
El porcentaje de predicciones incorrectas cuando las condiciones son verdaderas. La capacidad de
despliegue es igual a (1-confianza) multiplicado por el soporte de condicin o soporte de
condicin menos soporte de regla.
Guardar
Guarde el mapa y los datos de contexto como una especificacin de mapa
Guarde las especificaciones del mapa en un archivo externo(.mplan). Puede cargar este archivo de
especificacin de mapa en el asistente para anlisis posteriores. Tambin puede utilizar el archivo
de especificacin de mapa con el comando SPATIAL ASSOCIATION RULES.
Copie cualquier archivo de mapa y datos en la especificacin
Los datos de los archivos de forma de mapa, archivos de datos externos y conjuntos de
datos utilizados en la especificacin de mapa se guardan en el archivo de especificacin
de mapa.

Puntuacin
Guarda los mejores valores de regla, los valores de confianza para las reglas y los valores de ID
numrico para las reglas como campos nuevos en el origen de datos especificado.
Origen de datos para puntuar
El origen u orgenes de datos donde se crean los campos nuevos. Si el origen de datos no
est abierto en la sesin actual, se abre en la sesin actual. Debe guardar explcitamente el
archivo modificado para guardar los campos nuevos.
Valores de objetivo
Cree campos nuevos para los campos de objetivo seleccionado (prediccin).
v Se crean dos campos nuevos para cada campo de objetivo: valor pronosticado y valor
de confianza.
v Para los campos de objetivos continuos (escala), el valor pronosticado es una cadena
que describe un rango de valores. Un valor de la forma "(value1, value2]" significa
"mayor que el value1 y menor o igual que value2."
Nmero de mejores reglas
Cree campos nuevos para el nmero de mejores reglas especificado. Se crean tres campos
nuevos para cada regla: valor de regla, valor de confianza y un valor de ID numrico
para la regla.
Prefijo de nombre
Prefijo para utilizar para los nombres de campo nuevos.
Creacin de reglas
Los parmetros de creacin de reglas definen los criterios para las reglas de asociacin generadas.
Elementos por regla
Nmero de valores de campo que se pueden incluir en las condiciones y predicciones de regla.
EL nmero total de elemento no puede superar el 10. Por ejemplo, en la regla "si x=1 e y=2, z=3",
hay dos elementos de condicin y un elemento de prediccin.
Nmero mximo de predicciones
El nmero mximo de valores de campo que se pueden producir en las predicciones para
una regla.
Nmero mximo de condiciones
El nmero mximo de valores de campo que se pueden producir en las condiciones para
una regla.
Excluir para
Excluye los pares de campos especificados de incluirse en la misma regla.
Criterios de regla
Confianza.
La confianza mnima que debe tener una regla para incluirse en el resultado. La
confianza es el porcentaje de predicciones correctas.
Soporte de regla
El soporte mnimo de regla que debe tener para que se incluya en el resultado. El valor
representa el porcentaje de casos para los cuales la regla es verdadera en los datos
observados. Por ejemplo, si la regla es "si x=1 e y=2, z=3," el soporte de la regla es el
porcentaje real de casos en los datos para los cuales es correcto x=1, y=2 y z=3.
Soporte de condicin
Soporte de condicin mnima que debe tener una regla para que se incluya en el
resultado. EL valor representa el porcentaje de casos para los cuales existe la condicin.
Por ejemplo, si la regla es "si x=1 e y=2, z=3," el soporte de condicin es el porcentaje de
casos en los datos para los cuales x=1 e y=2.

Elevacin
La elevacin mnima que debe tener una regla para que se incluya en el resultado. La
elevacin es una medida que indica el grado de mejora que aplica la regla a la prediccin
con una prediccin al azar. Es la proporcin de predicciones correctas en la aparicin
global del valor pronosticado. Por ejemplo, si el valor pronosticado se produce un 20 %
del tiempo y la confianza en la prediccin es del 80 %, el valor de elevacin es 4.
Tratar como igual
Identifica pares de campos, que se deben tratar como el mismo campo.
Agrupacin y agregacin
v La agregacin es necesaria cuando hay ms registros en los datos que caractersticas en el mapa. Por
ejemplo, tiene registros de datos para pases individuales pero tiene un mapa de estados.
v Puede especificar el mtodo de medida de resumen de agregado para campos continuos y ordinales.
Los campos nominales se agregan en funcin del valor modal.
Continuo
Para campos continuos (escala), la medida del resumen puede ser media, mediana o suma.
Ordinal
Para campos ordinales, la medida de resumen puede ser mediana, moda, mayor o menor.
Nmero de intervalos
Define el nmero mximo de intervalos para campos continuos (escala). Los campos continuos
siempre se agrupan en rangos de valores. Por ejemplo, menor o igual que 5, mayor que 5 y
menor o igual que 10, o mayor que 10.
Agregar el mapa
Aplique la agregacin a datos y mapas.
Valores personalizados para campos especficos
Puede alterar temporalmente la medida de resumen predeterminada y el nmero de intervalos
para campos especficos.
v Pulse el icono para abrir el dilogo Selector de campos y seleccione un campo para aadir a la
lista.
v En la columna Agregacin, seleccione una medida de resumen.
v Para campos continuos, pulse el botn en la columna Intervalos para especificar un nmero
personalizado de intervalos para el campo en el dilogo Intervalos.
Prediccin temporal espacial

Para la prediccin temporal espacial, tras definir mapas y orgenes de datos, los pasos restantes del
asistente son:
v Especifique el campo objetivo, los campos de tiempo y predictores opcionales.
v Defina los intervalos de tiempo o periodos cclicos para los campos de tiempo.

v Seleccione distintas opciones de resultado.
v Personalice parmetros de generacin de modelos.
v Personalice valores de agregacin.
v Guarde los valores pronosticados en un conjunto de datos en la sesin actual o en un archivo de datos
de formato de IBM SPSS Statistics.

Seleccionar campos
La lista de campos disponibles incluye campos de los orgenes de datos seleccionados. Puede controlar la
lista de campos visualizados seleccionando un origen de datos en la lista Orgenes de datos.
Objetivo
Es necesario un campo objetivo. El objetivo es el campo para el cual se han pronosticado valores.
v El campo objetivo debe ser un campo nmero continuo (escala).
v Si hay dos orgenes de datos, el objetivo es la estimacin de densidad del kernel y la
"densidad" se visualiza en el nombre del objetivo. No puede cambiar esta seleccin.
Predictores
Se pueden especificar uno o ms campos de predictor. Este valor es opcional.
Campos de tiempo
Debe seleccionar uno o ms campos que representan periodos de tiempo o seleccionar Periodos
cclicos.
v Si hay dos orgenes de datos, debe seleccionar campos de tiempo de ambos orgenes de datos.
Ambos campos de tiempo deben representar el mismo intervalo.
v Para los periodos cclicos, debe especificar los campos que definen ciclos de periodicidad en el
panel Intervalos de tiempo del asistente.
Intervalos de tiempo
Las opciones de este panel se basan en la seleccin de Campos de hora o Periodo cclico en el paso de
seleccin de campos.
Campos de hora
Campos de hora seleccionados. Si selecciona uno o ms campos de hora en el paso para seleccionar
campos, estos campos se visualizan en esta lista.
Intervalo de tiempo. Seleccione el intervalo de tiempo apropiado en la lista. En funcin del intervalo de
tiempo, tambin puede especificar otros valores como, por ejemplo, el intervalo entre observaciones
(incremento) y el valor de inicio. Este intervalo de tiempo se utiliza para todos los campos de hora
seleccionados.
v El procedimiento presupone que todos los casos (registros) representan intervalos espaciados de forma
uniforme.
v Basndose en el intervalo de tiempo seleccionado, el procedimiento puede detectar observaciones que
faltan o varias observaciones en el mismo intervalo de tiempo que se deben agregar de forma conjunta.
Por ejemplo, si el intervalo de tiempo es das y la fecha 2014-10-27 viene seguida por 2014-10-29, hay
una observacin que falta para el 2014-10-28. Si el intervalo de tiempo es mes, varias fechas del mismo
mes se agregan juntas.
v Para algunos intervalos de tiempo, el valor adicional puede definir saltos en los intervalos normales
con un espacio uniforme. Por ejemplo, si el intervalo de tiempo es das, pero solo son vlidos los fines
de semana, puede especificar que hay cinco das en una semana y que la semana empieza el lunes.
v Si el campo de hora seleccionado no es un campo de formato de fecha ni de hora, el intervalo de
tiempo se define automticamente en Periodos y no se puede cambiar.
Campos de ciclo
Si seleccione el Periodo cclico en el paso para seleccionar campos, debe especificar los campos que
definen los periodos cclicos. Un periodo cclico identifica una variacin cclica repetitiva como, por
ejemplo, el nmero de meses de un ao o el nmero de das de una semana.
v Puede especificar hasta tres campos que definen periodos cclicos.

v El primer campo de ciclo representa el nivel ms alto del ciclo. Por ejemplo, si hay una variacin cclica
por ao, trimestre y mes, el campo que representa el ao es el primer campo de ciclo.
v La longitud del ciclo para el primer y segundo campo del ciclo es la periodicidad en el nivel siguiente.
Por ejemplo, si los campos de ciclo son ao, trimestre y mes, la longitud del primer ciclo es 4 y la
longitud del segundo ciclo es 3.
v El valor de inicio para los campos del segundo y el tercer ciclo es el primer valor de cada uno de estos
periodos cclicos.
v Los valores de longitud del ciclo y de inicio deben ser enteros positivos.
Agregacin
v Si selecciona algn Predictor en el paso para seleccionar campos, puede seleccionar el mtodo de
resumen de agregacin para los predictores.
v La agregacin es necesaria cuando hay ms de un registro en un intervalo de tiempo definido. Por
ejemplo, si el intervalo de tiempo es Mes, varias fechas del mismo mes se agregan juntas.
v Puede especificar el mtodo de medida de resumen de agregacin para los campos continuos y
ordinales. Los campos nominales se agregan en funcin del valor modal.
Continuo
Para campos continuos (escala), la medida del resumen puede ser media, mediana o suma.
Ordinal
Para campos ordinales, la medida de resumen puede ser mediana, moda, mayor o menor.
Valores personalizados para campos especficos
Puede alterar temporalmente la medida de resumen de agregacin predeterminada para
predictores especficos.
v Pulse el icono para abrir el dilogo Selector de campos y seleccione un campo para aadir a la
lista.
v En la columna Agregacin, seleccione una medida de resumen.
Resultado
Mapas
Valores de destino
Mapa de valores para el campo objetivo seleccionado.
Correlacin
Mapa de correlaciones.
Agrupaciones
Mapa que resalta los clsteres de ubicaciones que son similares entre s. Hay mapas de
clsteres disponibles slo para modelos empricos.
Umbral de similitud de ubicacin
La similitud necesaria para crear clsteres. El valor debe ser un nmero mayor
que cero y menor que 1.
Especifique el nmero mximo de clsteres
El nmero mximo de clsteres para visualizar.
Tablas de evaluacin de modelos
Especificaciones de modelos
Resumen de especificaciones utilizadas para ejecutar el anlisis, incluidos campos
objetivo, de entrada y ubicacin.
Resumen de informacin temporal
Identifica los campos de tiempo y los intervalos de tiempo utilizados en el modelo.

Pruebas de efectos en estructura media
El resultado incluye el valor de estadstico de prueba, grados de libertad y el nivel de
significacin para el modelo y cada efecto.
Estructura media de los coeficientes de modelo
El resultado incluye el valor coeficiente, error estndar, valor de estadsticas de prueba,
nivel de significacin e intervalos de confianza para cada trmino del modelo.
Coeficientes autorregresivos
El resultado incluye el valor de coeficiente, error estndar, valor de estadsticas de prueba,
nivel de significacin e intervalos de confianza para cada retardo.
Pruebas de covarianza espacial
Para los modelos paramtricos basados en variograma, se muestran los resultados de la
prueba de bondad de ajuste para la estructura de covarianza espacial. Los resultados de
la prueba pueden determinar si se debe modelar la estructura de covarianza espacial de
forma paramtrica o utilizar un modelo no paramtrico.
Covarianza espacial paramtrica
Para los modelos paramtricos basados en variograma, se muestran las estimaciones de
parmetro para la covarianza espacial paramtrica.
Opciones de modelo
Configuracin del modelo
Incluir automticamente una interceptacin
Incluir la interceptacin en el modelo.
Retardo mximo de autorregresin
El retardo mximo de autorregresin. El valor debe ser un entero entre 1 y 5.
Covarianza espacial
Especifica el mtodo de estimacin para la covarianza espacial.
Paramtrico
EL mtodo de estimacin es paramtrico. El mtodo puede ser Gauss, Exponencial o
Potencia exponencial. Para la potencia exponencial, puede especificar el valor Potencia.
No paramtrica
El mtodo de estimacin no es paramtrico.
Guardar
Guarde el mapa y los datos de contexto como una especificacin de mapa
Guarde las especificaciones de mapa en un archivo externo (.mplan). Puede cargar este archivo de
especificacin de mapa en el asistente para un anlisis posterior. Tambin puede utilizar el
archivo de especificacin de mapa con el comando SPATIAL TEMPORAL PREDICTION.
Copie cualquier archivo de mapa y datos en la especificacin
Los datos de archivos de forma de mapa, archivos de datos externos y conjuntos de datos
utilizados en la especificacin del mapa se guardan en el archivo de especificacin de
mapa.
Puntuacin
Guarda valores pronosticados, varianza y los lmites de confianza superior e inferior para el
campo objetivo en el archivo de datos seleccionado.
v Puede guardar valores pronosticados en un conjunto de datos abierto en la sesin actual o en
archivo de datos de formato de IBM SPSS Statistics.
v El archivo de datos no puede ser un origen de datos utilizado en el modelo.

v El archivo de datos debe contener todos los campos de tiempo y predictores utilizados en el
modelo.
v Los valores de tiempo deben ser mayores que los valores de tiempo utilizados en el modelo.
Avanzado
Nmero mximo de casos con valores perdidos (%)
El porcentaje mximo de casos con valores perdidos.
Nivel de significacin
El nivel de significacin para determinar si un modelo paramtrico basado en variograma es
apropiado. El valor debe ser mayor que 0 y menor que 1. El valor predeterminado es 0,05. El
nivel de significacin se utiliza en la prueba de bondad de ajuste para la estructura de covarianza
espacial. La estadstica de bondad de ajuste se utiliza para determinar un modelo paramtrico o
no paramtrico.
Factor de incertidumbre (%)
El factor de incertidumbre es un valor de porcentaje que representa el crecimiento de la
incertidumbre al realizar predicciones de futuro. Los lmites superior e inferior de la
incertidumbre de prediccin aumentan en el porcentaje especificado para cada paso en el futuro.
Finalizar
En el ltimo paso del asistente de modelado geoespacial, puede ejecutar el modelo o pegar la sintaxis del
comando generada en una ventana de sintaxis. Puede modificar y guardar la sintaxis generada para su
uso posterior.

Avisos
Esta informacin se ha desarrollado para productos y servicios ofrecidos en los EE.UU. Este material
puede estar disponible en IBM en otros idiomas. Sin embargo, es posible que deba ser propietario de una
copia del producto o de la versin del producto en dicho idioma para acceder a l.
Es posible que IBM no ofrezca los productos, servicios o caractersticas que se tratan en este documento
en otros pases. El representante local de IBM le puede informar sobre los productos y servicios que estn
actualmente disponibles en su localidad. Cualquier referencia a un producto, programa o servicio de IBM
no pretende afirmar ni implicar que solamente se pueda utilizar ese producto, programa o servicio de
IBM. En su lugar, se puede utilizar cualquier producto, programa o servicio funcionalmente equivalente
que no infrinja los derechos de propiedad intelectual de IBM. Sin embargo, es responsabilidad del usuario
evaluar y comprobar el funcionamiento de todo producto, programa o servicio que no sea de IBM.
IBM puede tener patentes o solicitudes de patente en tramitacin que cubran la materia descrita en este
documento. Este documento no le otorga ninguna licencia para estas patentes. Puede enviar preguntas
acerca de las licencias, por escrito, a:
IBM Director of Licensing

IBM Corporation
North Castle Drive, MD-NC119
Armonk, NY 10504-1785
EE.UU.
Para consultas sobre licencias relacionadas con informacin de doble byte (DBCS), pngase en contacto
con el departamento de propiedad intelectual de IBM de su pas o enve sus consultas, por escrito, a:
Intellectual Property Licensing

Legal and Intellectual Property Law
IBM Japan Ltd.
19-21, Nihonbashi-Hakozakicho, Chuo-ku
Tokio 103-8510, Japn
INTERNATIONAL BUSINESS MACHINES CORPORATION PROPORCIONA ESTA PUBLICACIN "TAL

CUAL", SIN GARANTAS DE NINGUNA CLASE, NI EXPLCITAS NI IMPLCITAS, INCLUYENDO,
PERO SIN LIMITARSE A, LAS GARANTAS IMPLCITAS DE NO VULNERACIN,
COMERCIALIZACIN O ADECUACIN A UN PROPSITO DETERMINADO. Algunas jurisdicciones
no permiten la renuncia a las garantas explcitas o implcitas en determinadas transacciones; por lo tanto,
es posible que esta declaracin no sea aplicable a su caso.
Esta informacin puede incluir imprecisiones tcnicas o errores tipogrficos. Peridicamente, se efectan
cambios en la informacin aqu y estos cambios se incorporarn en nuevas ediciones de la publicacin.
IBM puede realizar en cualquier momento mejoras o cambios en los productos o programas descritos en
esta publicacin sin previo aviso.
Las referencias hechas en esta publicacin a sitios web que no son de IBM se proporcionan slo para la
comodidad del usuario y no constituyen de modo alguno un aval de esos sitios web. La informacin de
esos sitios web no forma parte de la informacin de este producto de IBM y la utilizacin de esos sitios
web se realiza bajo la responsabilidad del usuario.
IBM puede utilizar o distribuir la informacin que se le proporcione del modo que considere adecuado
sin incurrir por ello en ninguna obligacin con el remitente.
211
Los titulares de licencias de este programa que deseen tener informacin sobre el mismo con el fin de
permitir: (i) el intercambio de informacin entre programas creados independientemente y otros
programas (incluido este) y (ii) el uso mutuo de la informacin que se ha intercambiado, debern ponerse
en contacto con:
IBM Director of Licensing

IBM Corporation
North Castle Drive, MD-NC119
Armonk, NY 10504-1785
EE.UU.
Esta informacin estar disponible, bajo las condiciones adecuadas, incluyendo en algunos casos el pago
de una cuota.
El programa bajo licencia que se describe en este documento y todo el material bajo licencia disponible
los proporciona IBM bajo los trminos de las Condiciones Generales de IBM, Acuerdo Internacional de
Programas Bajo Licencia de IBM o cualquier acuerdo equivalente entre las partes.
Los ejemplos de datos de rendimiento y de clientes citados se presentan solamente a efectos ilustrativos.
Los resultados reales de rendimiento pueden variar en funcin de las configuraciones especficas y
condiciones de operacin.
La informacin relacionada con productos no IBM se ha obtenido de los proveedores de esos productos,
de sus anuncios publicados o de otras fuentes disponibles pblicamente. IBM no ha probado esos
productos y no puede confirmar la exactitud del rendimiento, la compatibilidad ni ninguna otra
afirmacin relacionada con productos no IBM. Las preguntas sobre las posibilidades de productos que no
son de IBM deben dirigirse a los proveedores de esos productos.
Las declaraciones sobre el futuro rumbo o intencin de IBM estn sujetas a cambio o retirada sin previo
aviso y representan nicamente metas y objetivos.
Esta informacin contiene ejemplos de datos e informes utilizados en operaciones comerciales diarias.
Para ilustrarlos lo mximo posible, los ejemplos incluyen los nombres de las personas, empresas, marcas
y productos. Todos estos nombres son ficticios y cualquier parecido con personas o empresas comerciales
reales es pura coincidencia.
LICENCIA DE DERECHOS DE AUTOR:
Esta informacin contiene programas de aplicacin de muestra escritos en lenguaje fuente, los cuales
muestran tcnicas de programacin en diversas plataformas operativas. Puede copiar, modificar y
distribuir estos programas de muestra de cualquier modo sin realizar ningn pago a IBM, con el fin de
desarrollar, utilizar, comercializar o distribuir programas de aplicacin que se ajusten a la interfaz de
programacin de aplicaciones para la plataforma operativa para la que se han escrito los programas de
muestra. Estos ejemplos no se han probado exhaustivamente en todas las condiciones. Por lo tanto, IBM
no puede garantizar ni dar por supuesta la fiabilidad, la capacidad de servicio ni la funcionalidad de
estos programas. Los programas de muestra se proporcionan "TAL CUAL" sin garanta de ningn tipo.
IBM no ser responsable de ningn dao derivado del uso de los programas de muestra.
Cada copia o fragmento de estos programas de ejemplo o de cualquier trabajo derivado de ellos, debe
incluir el siguiente aviso de copyright:
(nombre de la compaa) (ao). Algunas partes de este cdigo procede de los programas de ejemplo de
IBM Corp.
Copyright IBM Corp. _especificar el ao o aos_. Reservados todos los derechos.

Marcas comerciales
IBM, el logotipo de IBM e ibm.com son marcas registradas o marcas comerciales de International Business
Machines Corp., registradas en muchas jurisdicciones en todo el mundo. Otros nombres de productos y
servicios podran ser marcas registradas de IBM u otras compaas. En Internet hay disponible una lista
actualizada de las marcas registradas de IBM, en "Copyright and trademark information", en
www.ibm.com/legal/copytrade.shtml.
Adobe, el logotipo Adobe, PostScript y el logotipo PostScript son marcas registradas o marcas comerciales
de Adobe Systems Incorporated en Estados Unidos y/o otros pases.
Intel, el logotipo de Intel, Intel Inside, el logotipo de Intel Inside, Intel Centrino, el logotipo de Intel
Centrino, Celeron, Intel Xeon, Intel SpeedStep, Itanium y Pentium son marcas comerciales o marcas
registradas de Intel Corporation o sus filiales en Estados Unidos y otros pases.
Linux es una marca registrada de Linus Torvalds en Estados Unidos, otros pases o ambos.
Microsoft, Windows, Windows NT, y el logotipo de Windows son marcas comerciales de Microsoft
Corporation en Estados Unidos, otros pases o ambos.
UNIX es una marca registrada de The Open Group en Estados Unidos y otros pases.
Java y todas las marcas comerciales y los logotipos basados en Java son marcas comerciales o registradas
de Oracle y/o sus afiliados.
Avisos 213
ndice
A Anlisis de fiabilidad (continuacin)
Caractersticas adicionales del
Anlisis factorial (continuacin)
conceptos bsicos 103
agrupacin en clster comando 169 convergencia 104, 105
seleccin de procedimientos 109 coeficiente de correlacin descriptivos 104
ajuste de distribucin intraclase 168 ejemplo 103
en simulacin 185 correlaciones y covarianzas entre estadsticos 103, 104
ajuste de distribucin automtico elementos 168 formato de presentacin de los
en simulacin 185 descriptivos 168 coeficientes 106
alfa de Cronbach ejemplo 167 grficos de cargas 105
en Anlisis de fiabilidad 167, 168 estadsticos 167, 168 mtodos de extraccin 104
anlisis alfa 104 Kuder-Richardson 20 168 mtodos de rotacin 105
anlisis de clsteres Prueba de aditividad de Tukey 168 puntuaciones factoriales 106
Anlisis de clsteres de T 2 de Hotelling 168 seleccin de casos 104
K-medias 125 tabla de ANOVA 168 valores perdidos 106
Anlisis de clsteres jerrquico 121 anlisis de la varianza anlisis hipottico
eficacia 126 en ANOVA de un factor 39 en simulacin 188
Anlisis de clsteres de K-medias en Estimacin curvilnea 79 anlisis imagen 104
almacenamiento de informacin de en Medias 25 Anlisis vecino ms cercano 87
clsteres 126 en Regresin lineal 73 almacenamiento de variables 91
Caractersticas adicionales del anlisis de respuestas mltiples opciones 92
comando 127 Frecuencias de respuestas particiones 90
clster de pertenencia 126 mltiples 156 salida 92
conceptos bsicos 125 Tablas cruzadas de respuestas seleccin de caractersticas 90
criterios de convergencia 126 mltiples 157 vecinos 89
distancias entre clsteres 126 tablas de frecuencias 156 vista de modelo 92
eficacia 126 tabulacin cruzada 157 ANOVA
ejemplos 125 anlisis de sensibilidad en ANOVA de un factor 39
estadsticos 125, 127 en simulacin 188 en Medias 25
iteraciones 126 anlisis de series temporales en MLG Univariante 43
mtodos 125 prediccin 80 en modelos lineales 66
valores perdidos 127 prediccin de casos 80 modelo 44
Anlisis de clsteres en dos fases 111 Anlisis discriminante 97 ANOVA de un factor 39
almacenamiento en el archivo de almacenamiento de variables de Caractersticas adicionales del
trabajo 113 clasificacin 100 comando 42
almacenamiento en un archivo Caractersticas adicionales del comparaciones mltiples 40
externo 113 comando 101 contrastes 39
estadsticos 113 coeficientes de la funcin 98 contrastes polinmicos 39
opciones 112 criterios 99 contrastes post hoc 40
Anlisis de clsteres jerrquico 121 definicin de rangos 98 estadsticos 41
almacenamiento de nuevas Distancia de Mahalanobis 99 opciones 41
variables 122 ejemplo 97 valores perdidos 41
Caractersticas adicionales del estadsticos 97, 98 variables del factor 39
comando 123 estadsticos descriptivos 98 asignacin de memoria
casos de clster 121 exportacin de informacin del en Anlisis de clsteres en dos
clster de pertenencia 122 modelo 100 fases 112
dendrogramas 122 grficos 100 asimetra
diagramas de tmpanos 122 Lambda de Wilks 99 en Cubos OLAP 29
ejemplo 121 matrices 98 en Descriptivos 9
estadsticos 121, 122 matriz de covarianzas 100 en el Informe de estadsticos en
historial de conglomeracin 122 mtodos de inclusin por pasos 97 columnas 165
matrices de distancias 122 mtodos discriminantes 99 en el Informe de estadsticos en
medidas de distancia 122 opciones de representacin 99, 100 filas 162
medidas de similaridad 122 probabilidades previas 100 en Explorar 12
mtodos de agrupacin en seleccin de casos 98 en Frecuencias 5
clsteres 122 V de Rao 99 en Medias 25
orientacin de los grficos 122 valores perdidos 100 en Resumir 22
transformacin de medidas 122 variables de agrupacin 97 asociacin lineal por lineal
transformacin de valores 122 variables independientes 97 en Tablas cruzadas 16
variables de clster 121 Anlisis factorial 103 autovalores
anlisis de componentes principales 103, Caractersticas adicionales del en Anlisis factorial 104
104 comando 106 en Regresin lineal 73
Anlisis de fiabilidad 167
215
B coeficiente de dispersin (CDD)
en Estadsticos de la razn 175
Correlaciones bivariadas (continuacin)
estadsticos 56
bagging coeficiente de incertidumbre nivel de significacin 55
en modelos lineales 61 en Tablas cruzadas 16 opciones 56
bondad de ajuste coeficiente de variacin (CDV) valores perdidos 56
en regresin ordinal 76 en Estadsticos de la razn 175 correlaciones de orden cero
Bonferroni coeficientes beta en Correlaciones parciales 57
en ANOVA de un factor 40 en Regresin lineal 73 Correlaciones parciales 57
en MLG 48 coeficientes de regresin Caractersticas adicionales del
boosting en Regresin lineal 73 comando 58
en modelos lineales 61 columna total correlaciones de orden cero 57
en informes 165 en Regresin lineal 73
comparacin de grupos estadsticos 57
C en Cubos OLAP 31 opciones 57
C de Dunnett comparacin de variables valores perdidos 57
en ANOVA de un factor 40 en Cubos OLAP 31 Criterio de informacin de Akaike
en MLG 48 comparaciones mltiples en modelos lineales 63
capas en ANOVA de un factor 40 criterio de prevencin sobreajustado
en Tablas cruzadas 16 comparaciones mltiples post hoc 40 en modelos lineales 63
categora de referencia comparaciones por parejas criterios de informacin
en MLG 46 pruebas no paramtricas 142 en modelos lineales 63
CCI. Consulte el coeficiente de conjuntos cuartiles
correlacin intraclase 168 en modelos lineales 64 en Frecuencias 5
chi-cuadrado 143 conjuntos de respuestas mltiples Cubos OLAP 29
asociacin lineal por lineal 16 Libro de cdigos 1 estadsticos 29
correccin por continuidad de contrastes ttulos 32
Yates 16 en ANOVA de un factor 39 curtosis
en Tablas cruzadas 16 en MLG 46 en Cubos OLAP 29
estadsticos 144 contrastes de desviacin en Descriptivos 9
opciones 144 en MLG 46 en el Informe de estadsticos en
para la independencia 16 contrastes de diferencia columnas 165
Pearson 16 en MLG 46 en el Informe de estadsticos en
prueba exacta de Fisher 16 Contrastes de Helmert filas 162
prueba para una muestra 143 en MLG 46 en Explorar 12
rango esperado 144 contrastes de linealidad en Frecuencias 5
razn de verosimilitud 16 en Medias 25 en Medias 25
valores esperados 144 contrastes polinmicos en Resumir 22
valores perdidos 144 en ANOVA de un factor 39 Curva COR 177
chi-cuadrado de la razn de verosimilitud en MLG 46 estadsticos y grficos 177
en regresin ordinal 76 contrastes repetidos
en Tablas cruzadas 16 en MLG 46
chi-cuadrado de Pearson contrastes simples
en MLG 46
D
en regresin ordinal 76 d
en Tablas cruzadas 16 control de pgina
en Tablas cruzadas 16
clasificacin en el informe de estadsticos en
d de Somers
en Curva COR... 177 columnas 165
clsteres 114 en informes de estadsticos en
Definir conjuntos de respuestas
presentacin de clsteres 114 filas 163
mltiples 155
presentacin global 114 convergencia
categoras 155
coeficiente alfa en Anlisis de clsteres de
dicotomas 155
en Anlisis de fiabilidad 167, 168 K-medias 126
etiquetas del conjunto 155
Coeficiente de concordancia de Kendall en Anlisis factorial 104, 105
nombres del conjunto 155
(W) correccin por continuidad de Yates
dendrogramas
Pruebas no paramtricas de muestras en Tablas cruzadas 16
en Anlisis de clsteres
relacionadas 136 Correlacin de Pearson
jerrquico 122
coeficiente de contingencia en Correlaciones bivariadas 55
descomposicin jerrquica 45
en Tablas cruzadas 16 en Tablas cruzadas 16
Descriptivos 9
coeficiente de correlacin de los rangos correlaciones
almacenamiento de puntuaciones
en Correlaciones bivariadas 55 de orden cero 57
Z 9
coeficiente de correlacin de Spearman en Correlaciones bivariadas 55
en Correlaciones bivariadas 55 en Correlaciones parciales 57
comando 10
en Tablas cruzadas 16 en simulacin 189
estadsticos 9
coeficiente de correlacin intraclase (CCI) en Tablas cruzadas 16
orden de visualizacin 9
en Anlisis de fiabilidad 168 Correlaciones bivariadas
desviacin absoluta promedio (DAP)
coeficiente de correlacin r Caractersticas adicionales del
en Correlaciones bivariadas 55 comando 56
desviacin estndar
en Tablas cruzadas 16 coeficientes de correlacin 55
en Cubos OLAP 29

desviacin estndar (continuacin) Distancia eucldea Escalamiento multidimensional
en Descriptivos 9 en Anlisis de vecinos ms (continuacin)
en el Informe de estadsticos en prximos 89 medidas de distancia 172
columnas 165 en Distancias 59 modelos de escalamiento 172
en el Informe de estadsticos en distancia eucldea al cuadrado niveles de medicin 172
filas 162 en Distancias 59 opciones de representacin 173
en Estadsticos de la razn 175 Distancias 59 transformacin de valores 172
en Explorar 12 clculo de distancias entre casos 59 estadstico de Brown-Forsythe
en Frecuencias 5 clculo de distancias entre en ANOVA de un factor 41
en Medias 25 variables 59 estadstico de Cochran
en MLG Univariante 47, 50, 52 Caractersticas adicionales del en Tablas cruzadas 16
en Resumir 22 comando 60 estadstico de Mantel-Haenszel
DfAjuste ejemplo 59 en Tablas cruzadas 16
en Regresin lineal 71 estadsticos 59 estadstico de Welch
DfBeta medidas de disimilaridad 59 en ANOVA de un factor 41
en Regresin lineal 71 medidas de similaridad 60 estadstico Durbin-Watson
diagrama de dispersin transformacin de medidas 59, 60 en Regresin lineal 73
en simulacin 192 transformacin de valores 59, 60 estadstico F
diagramas de caja distancias de vecinos ms prximos en modelos lineales 63
comparacin de niveles del factor 12 en Anlisis de vecinos ms estadstico R
comparacin de variables 12 prximos 94 en Medias 25
en Explorar 12 divisin en Regresin lineal 73
en simulacin 192 divisin entre columnas del Estadsticos de la razn 175
diagramas de dispersin informe 165 estadsticos 175
en Regresin lineal 71 DMS de Fisher estadsticos de proporciones de columna
diagramas de dispersin por nivel en MLG 48 en Tablas cruzadas 18
en Explorar 12 estadsticos descriptivos
en MLG Univariante 47, 50, 52 en Anlisis de clsteres en dos
diagramas de tmpanos
en Anlisis de clsteres
E fases 113
en Descriptivos 9
eliminacin hacia atrs
jerrquico 122 en Estadsticos de la razn 175
en Regresin lineal 70
diccionario en Explorar 12
enlace
Libro de cdigos 1 en Frecuencias 5
en regresin ordinal 76
diferencia honestamente significativa de en MLG Univariante 47, 50, 52
error estndar
Tukey en Resumir 22
en Curva COR... 177
en ANOVA de un factor 40 Estimacin curvilnea 79
en Descriptivos 9
en MLG 48 almacenamiento de intervalos de
en Explorar 12
diferencia menos significativa prediccin 80
en Frecuencias 5
en ANOVA de un factor 40 almacenamiento de residuos 80
en MLG 47, 50, 51, 52
en MLG 48 almacenamiento de valores
error estndar de la asimetra
diferencial relativo al precio (DRP) pronosticados 80
en Cubos OLAP 29
en Estadsticos de la razn 175 anlisis de la varianza 79
en Medias 25
diferencias entre grupos inclusin de constante 79
en Resumir 22
en Cubos OLAP 31 modelos 80
error estndar de la curtosis
diferencias entre variables prediccin 80
en Cubos OLAP 29
en Cubos OLAP 31 Estimaciones de Hodges-Lehman
en Medias 25
distancia chi-cuadrado Pruebas no paramtricas de muestras
en Resumir 22
en Distancias 59 relacionadas 136
error estndar de la media
distancia de bloques estimaciones de los parmetros
en Cubos OLAP 29
en Distancias 59 en MLG Univariante 47, 50, 52
en Medias 25
distancia de bloques de ciudad en regresin ordinal 76
en Resumir 22
en Anlisis de vecinos ms estimaciones de potencia
escala
prximos 89 en MLG Univariante 47, 50, 52
en Escalamiento
distancia de Chebychev estimaciones de tamao de efecto
multidimensional 171
en Distancias 59 en MLG Univariante 47, 50, 52
escalamiento multidimensional 171
Distancia de Cook estimador biponderado de Tukey
ejemplo 171
en MLG 51 en Explorar 12
estadsticos 171
en Regresin lineal 71 estimador en onda de Andrews
Escalamiento multidimensional
Distancia de Mahalanobis en Explorar 12
en Anlisis discriminante 99 estimador-M de Huber
comando 173
en Regresin lineal 71 en Explorar 12
condicionalidad 172
Distancia de Manhattan Estimador-M redescendente de Hampel
creacin de matrices de
en Anlisis de vecinos ms en Explorar 12
distancias 172
prximos 89 Estimadores robustos centrales
criterios 173
distancia de Minkowski en Explorar 12
definicin de la forma de los
en Distancias 59
datos 172
dimensiones 172
ndice 217
estrs generacin de trminos 45, 77, 78 informe de estadsticos en columnas 164
en Escalamiento Generador de simulaciones 182 Informe de estadsticos en columnas 164
multidimensional 171 grfico de espacio de caractersticas Caractersticas adicionales del
estudio de control de casos en Anlisis de vecinos ms comando 166
Prueba T para muestras prximos 93 columnas totales 165
relacionadas 34 grficos control de pgina 165
estudio de pares relacionados en Curva COR... 177 diseo de pgina 163
en Prueba T para muestras etiquetas de caso 79 formato de columnas 162
relacionadas 34 grficos circulares numeracin de pginas 166
eta en Frecuencias 7 subtotales 165
en Medias 25 grficos de barras total final 166
en Tablas cruzadas 16 en Frecuencias 7 valores perdidos 166
eta-cuadrado grficos de cargas Informe de estadsticos en filas 161
en Medias 25 en Anlisis factorial 105 Caractersticas adicionales del
en MLG Univariante 47, 50, 52 grficos de los residuos comando 166
Explorar 11 en MLG Univariante 47, 50, 52 columnas de datos 161
Caractersticas adicionales del grficos de perfil control de pgina 162
comando 13 en MLG 47 diseo de pgina 163
estadsticos 12 grficos de probabilidad normal espaciado de salto 162
grficos 12 en Explorar 12 formato de columnas 162
opciones 13 en Regresin lineal 71 numeracin de pginas 163
transformaciones de potencia 13 grficos de tallo y hojas ordenacin de secuencias 161
valores perdidos 13 en Explorar 12 pies 163
grficos de tornado salto de columna 161
en simulacin 192 ttulos 163
F grficos normales sin tendencia
en Explorar 12
valores perdidos 163
variables en los ttulos 163
F mltiple de Ryan-Einot-Gabriel-Welsch
grficos parciales informes
en ANOVA de un factor 40
en Regresin lineal 71 columnas totales 165
en MLG 48
GT2 de Hochberg comparacin de columnas 165
factor de inflacin de la varianza
en ANOVA de un factor 40 divisin de valores de las
en MLG 48 columnas 165
factorizacin de ejes principales 104
informe de estadsticos en
fiabilidad de dos mitades
columnas 164
en Anlisis de fiabilidad 167, 168
fiabilidad de Spearman-Brown H informes de estadsticos en filas 161
multiplicacin de valores de las
en Anlisis de fiabilidad 168 H de Kruskal-Wallis
columnas 165
formato en Pruebas para dos muestras
totales compuestos 165
columnas en informes 162 independientes 151
Intervalos de Clopper-Pearson
Frecuencias 5 histogramas
Pruebas no paramtricas para una
estadsticos 5 en Explorar 12
muestra 130
formatos 7 en Frecuencias 7
intervalos de confianza
grficos 7 en Regresin lineal 71
almacenamiento en Regresin
orden de visualizacin 7 historial de iteraciones
lineal 71
supresin de tablas 7 en regresin ordinal 76
frecuencias acumuladas homlogos
en Curva COR... 177
en regresin ordinal 76 en Anlisis de vecinos ms
en Explorar 12
frecuencias de los clsteres prximos 94
en MLG 46, 47, 50, 52
en Anlisis de clsteres en dos
en Prueba T para muestras
fases 113
relacionadas 35
Frecuencias de respuestas mltiples 156
valores perdidos 156
I en Prueba t para una muestra 36
importancia de variable en Pruebas t para muestras
frecuencias esperadas
en Anlisis de vecinos ms independientes 34
prximos 94 en Regresin lineal 73
frecuencias observadas
importancia del predictor Intervalos de Jeffreys
modelos lineales 65 Pruebas no paramtricas para una
funciones de densidad de probabilidad
ndice de concentracin muestra 130
en simulacin 190
en Estadsticos de la razn 175 intervalos de prediccin
funciones de distribucin acumulada
informacin de campos categricos almacenamiento en Estimacin
en simulacin 190
pruebas no paramtricas 142 curvilnea 80
informacin de campos continuos almacenamiento en Regresin
pruebas no paramtricas 142 lineal 71
G informacin de diagnstico de intervalos de razn de verosimilitud
gamma colinealidad Pruebas no paramtricas para una
en Tablas cruzadas 16 en Regresin lineal 73 muestra 130
gamma de Goodman y Kruskal informacin de diagnstico por caso
en Tablas cruzadas 16 en Regresin lineal 73

iteraciones media (continuacin) medidas de similaridad (continuacin)
en Anlisis de clsteres de en el Informe de estadsticos en en Distancias 60
K-medias 126 filas 162 medidas de tendencia central
en Anlisis factorial 104, 105 en Estadsticos de la razn 175 en Estadsticos de la razn 175
en Explorar 12 en Explorar 12
en Frecuencias 5 en Frecuencias 5
K en Medias 25
en Resumir 22
mejores subconjuntos
en modelos lineales 63
kappa
subgrupo 25, 29 mnimo
media armnica comparacin de columnas del
kappa de Cohen
en Cubos OLAP 29 informe 165
en Medias 25 en Cubos OLAP 29
KR20
en Resumir 22 en Descriptivos 9
en Anlisis de fiabilidad 168
media geomtrica en Estadsticos de la razn 175
Kuder-Richardson 20 (KR20)
en Cubos OLAP 29 en Explorar 12
en Medias 25 en Frecuencias 5
en Resumir 22 en Medias 25
media ponderada en Resumir 22
L en Estadsticos de la razn 175 mnimos cuadrados generalizados
lambda media recortada en Anlisis factorial 104
en Tablas cruzadas 16 en Explorar 12 mnimos cuadrados no ponderados
lambda de Goodman y Kruskal mediana en Anlisis factorial 104
en Tablas cruzadas 16 en Cubos OLAP 29 mnimos cuadrados ponderados
Lambda de Wilks en Estadsticos de la razn 175 en Regresin lineal 69
en Anlisis discriminante 99 en Explorar 12 MLG
Libro de cdigos 1 en Frecuencias 5 almacenamiento de matrices 51
estadsticos 4 en Medias 25 almacenamiento de variables 51
salida 1 en Resumir 22 contrastes post hoc 48
listado de casos 21 mediana agrupada grficos de perfil 47
en Cubos OLAP 29 modelo 44
en Medias 25 suma de cuadrados 44
M en Resumir 22
Medias 25
MLG Univariante 43, 48, 51, 53
contrastes 46
mapa de cuadrantes
estadsticos 25 informacin de diagnstico 47, 50, 52
en Anlisis de vecinos ms
opciones 25 medias marginales estimadas 47, 50,
prximos 95
medias de grupo 25, 29 52
matriz de configuracin
medias de subgrupo 25, 29 opciones 47, 50, 52
en Anlisis factorial 103
medias marginales estimadas presentacin 47, 50, 52
matriz de correlaciones
en MLG Univariante 47, 50, 52 moda
en Anlisis discriminante 98
medias observadas en Frecuencias 5
en Anlisis factorial 103, 104
en MLG Univariante 47, 50, 52 modelado espacial 199
medida de diferencia de configuracin modelado geoespacial 199, 200, 201, 202,
matriz de covarianzas
en Distancias 59 203, 204, 205, 206, 207, 208, 209, 210
en Anlisis discriminante 98, 100
medida de diferencia de tamao modelo compuesto
en MLG 51
en Distancias 59 en Estimacin curvilnea 80
medida de disimilaridad de Lance y modelo cuadrtico
Williams 59 en Estimacin curvilnea 80
matriz de transformacin
en Distancias 59 modelo cbico
medida de distancia de phi cuadrado en Estimacin curvilnea 80
mxima verosimilitud
en Distancias 59 modelo de crecimiento
medidas de dispersin en Estimacin curvilnea 80
mximo
en Descriptivos 9 modelo de curva S
comparacin de columnas del
en Estadsticos de la razn 175 en Estimacin curvilnea 80
informe 165
en Explorar 12 modelo de escala
en Cubos OLAP 29
en Frecuencias 5 en regresin ordinal 78
en Descriptivos 9
medidas de distancia modelo de Guttman
en Anlisis de clsteres en Anlisis de fiabilidad 167, 168
en Explorar 12
jerrquico 122 modelo de potencia
en Frecuencias 5
en Anlisis de vecinos ms en Estimacin curvilnea 80
en Medias 25
prximos 89 modelo de ubicacin
en Resumir 22
en Distancias 59 en regresin ordinal 77
media
medidas de distribucin modelo estrictamente paralelo
de varias columnas del informe 165
en Descriptivos 9 en Anlisis de fiabilidad 167, 168
en Frecuencias 5 modelo exponencial
en Cubos OLAP 29
medidas de similaridad en Estimacin curvilnea 80
en Descriptivos 9
en Anlisis de clsteres modelo inverso
en el Informe de estadsticos en
jerrquico 122 en Estimacin curvilnea 80
columnas 165
ndice 219
modelo lineal percentiles prueba de Kolmogorov-Smirnov
en Estimacin curvilnea 80 en Explorar 12 Pruebas no paramtricas para una
modelo logartmico en Frecuencias 5 muestra 130, 131
en Estimacin curvilnea 80 en simulacin 192 prueba de la mediana
modelo logstico phi en Pruebas para dos muestras
en Estimacin curvilnea 80 en Tablas cruzadas 16 independientes 151
modelo paralelo PLUM prueba de Levene
en Anlisis de fiabilidad 167, 168 en regresin ordinal 75 en ANOVA de un factor 41
modelos factoriales completos porcentajes en Explorar 12
en MLG 44 en Tablas cruzadas 18 en MLG Univariante 47, 50, 52
modelos lineales 61 porcentajes de fila prueba de Lilliefors
coeficientes 66 en Tablas cruzadas 18 en Explorar 12
conjuntos 64 porcentajes de la columna prueba de lneas paralelas
criterio de informacin 64 en Tablas cruzadas 18 en regresin ordinal 76
estadstico R cuadrado 64 porcentajes totales prueba de los signos
importancia del predictor 65 en Tablas cruzadas 18 en Pruebas para dos muestras
medias estimadas 67 prediccin relacionadas 149
nivel de confianza 62 en Estimacin curvilnea 80 Pruebas no paramtricas de muestras
objetivos 61 preparacin automtica de datos relacionadas 136
opciones de Modelo 64 en modelos lineales 65 prueba de McNemar
predicho por observado 65 primera en Pruebas para dos muestras
preparacin automtica de datos 62, en Cubos OLAP 29 relacionadas 149
65 en Medias 25 en Tablas cruzadas 16
reglas de combinacin 64 en Resumir 22 Pruebas no paramtricas de muestras
rplica de resultados 64 profundidad del rbol relacionadas 136, 137
residuos 65 en Anlisis de clsteres en dos prueba de muestras independientes
resumen de generacin de fases 112 pruebas no paramtricas 141
modelos 67 Proximidades prueba de rachas
resumen de modelo 64 en Anlisis de clsteres Pruebas no paramtricas para una
seleccin de modelos 63 jerrquico 121 muestra 130, 131
tabla de ANOVA 66 prueba binomial Prueba de rachas
valores atpicos 66 Pruebas no paramtricas para una Caractersticas adicionales del
modelos personalizados muestra 130 comando 147
en MLG 44 Prueba binomial 145 estadsticos 146
muestra de entrenamiento Caractersticas adicionales del opciones 146
en Anlisis de vecinos ms comando 145 puntos de corte 146
prximos 90 dicotomas 145 valores perdidos 146
muestra reservada estadsticos 145 prueba de rangos mltiples de Duncan
en Anlisis de vecinos ms opciones 145 en ANOVA de un factor 40
prximos 90 valores perdidos 145 en MLG 48
muestras relacionadas 149, 152 Prueba de aditividad de Tukey prueba de reacciones extremas de Moses
multiplicacin en Anlisis de fiabilidad 167, 168 en Pruebas para dos muestras
multiplicacin entre columnas del prueba de chi-cuadrado independientes 148
informe 165 Pruebas no paramtricas para una prueba de Scheff
muestra 130, 131 en ANOVA de un factor 40
Prueba de comparacin por parejas de en MLG 48
N Gabriel
prueba de Shapiro-Wilk
en Explorar 12
Newman-Keuls
en MLG 48 prueba de Wilcoxon de los rangos con
en MLG 48
Prueba de comparacin por parejas de signo
numeracin de pginas
Games y Howell en Pruebas para dos muestras
en el informe de estadsticos en
en ANOVA de un factor 40 relacionadas 149
columnas 166
en MLG 48 Pruebas no paramtricas de muestras
en informes de estadsticos en
prueba de esfericidad de Bartlett relacionadas 136
filas 163
en Anlisis factorial 104 Pruebas no paramtricas para una
nmero de casos
prueba de Friedman muestra 130
en Cubos OLAP 29
en pruebas para varias muestras prueba exacta de Fisher
en Medias 25
relacionadas 152 en Tablas cruzadas 16
en Resumir 22
Pruebas no paramtricas de muestras Prueba Kolmogorov-Smirnov de una
nmero mximo de ramas
relacionadas 136 muestra 147
prueba de homogeneidad marginal Caractersticas adicionales del
fases 112
en Pruebas para dos muestras comando 148
relacionadas 149 distribucin de prueba 147
Pruebas no paramtricas de muestras estadsticos 147
P relacionadas 136 opciones 147
pasos sucesivos hacia adelante valores perdidos 147
en modelos lineales 63

Prueba M de Box
en Anlisis discriminante 98
pruebas no paramtricas (continuacin)
Pruebas para varias muestras
Q
Prueba Q de Cochran relacionadas 152 Q de Cochran
Pruebas no paramtricas de muestras vista de modelo 138 en pruebas para varias muestras
relacionadas 136, 137 Pruebas no paramtricas de muestras relacionadas 152
Prueba t relacionadas 135
en MLG Univariante 47, 50, 52 campos 135
en Prueba T para muestras prueba de McNemar 137 R
relacionadas 34 Prueba Q de Cochran 137 R2
en Prueba t para una muestra 35 Pruebas no paramtricas para muestras Cambio en R 2 73
en Pruebas t para muestras independientes 132 en Medias 25
independientes 33 pestaa Campos 133 en Regresin lineal 73
prueba t de Dunnett Pruebas no paramtricas para una R 2 corregida
en ANOVA de un factor 40 muestra 129 en Regresin lineal 73
en MLG 48 campos 129 R-cuadrado
prueba t de Sidak prueba binomial 130 en modelos lineales 64
en ANOVA de un factor 40 prueba de chi-cuadrado 131 R-cuadrado corregida
en MLG 48 prueba de Kolmogorov-Smirnov 131 en modelos lineales 63
prueba t de Student 33 prueba de rachas 131 R-E-G-W F
prueba t de Waller-Duncan Pruebas para dos muestras en ANOVA de un factor 40
en ANOVA de un factor 40 independientes 148 en MLG 48
en MLG 48 Caractersticas adicionales del R-E-G-W Q
prueba t dependiente comando 149 en ANOVA de un factor 40
en Prueba T para muestras definicin de grupos 149 en MLG 48
relacionadas 34 estadsticos 149 R mltiple
prueba t para dos muestras opciones 149 en Regresin lineal 73
en Pruebas t para muestras tipos de pruebas 148 R2 de Cox y Snell
independientes 33 valores perdidos 149 en regresin ordinal 76
Prueba T para muestras variables de agrupacin 149 R2 de McFadden
independientes 33 Pruebas para dos muestras en regresin ordinal 76
definicin de grupos 34 relacionadas 149 R2 de Nagelkerke
intervalos de confianza 34 Caractersticas adicionales del en regresin ordinal 76
opciones 34 comando 150 Rachas de Wald-Wolfowitz
valores perdidos 34 estadsticos 150 en Pruebas para dos muestras
variables de agrupacin 34 opciones 150 independientes 148
variables de cadena 34 tipos de pruebas 150 rango
Prueba T para muestras relacionadas 34 valores perdidos 150 en Cubos OLAP 29
opciones 35 pruebas para la independencia en Descriptivos 9
seleccin de variables chi-cuadrado 16 en Estadsticos de la razn 175
relacionadas 34 Pruebas para varias muestras en Frecuencias 5
valores perdidos 35 independientes 151 en Medias 25
Prueba T para una muestra 35 Caractersticas adicionales del en Resumir 22
Caractersticas adicionales del comando 152 rango mltiple de Ryan-Einot-Gabriel-
comando 35, 36 definicin de rango 151 Welsch
intervalos de confianza 36 estadsticos 151 en ANOVA de un factor 40
opciones 36 opciones 151 en MLG 48
valores perdidos 36 tipos de pruebas 151 razn entre covarianzas
prueba Tukey-b valores perdidos 151 en Regresin lineal 71
en ANOVA de un factor 40 variables de agrupacin 151 recuento esperado
en MLG 48 Pruebas para varias muestras en Tablas cruzadas 18
pruebas de homogeneidad de las relacionadas 152 recuento observado
varianzas Caractersticas adicionales del en Tablas cruzadas 18
en ANOVA de un factor 41 comando 153 reglas de combinacin
en MLG Univariante 47, 50, 52 estadsticos 153 en modelos lineales 64
pruebas de normalidad tipos de pruebas 152 regresin
en Explorar 12 puntuaciones factoriales 106 grficos 71
pruebas no paramtricas puntuaciones factoriales de Regresin lineal 69
chi-cuadrado 143 Anderson-Rubin 106 regresin mltiple 69
Prueba de rachas 146 puntuaciones factoriales de Bartlett 106 Regresin lineal 69
Prueba Kolmogorov-Smirnov de una puntuaciones Z almacenamiento de nuevas
muestra 147 almacenamiento como variables 9 variables 71
Pruebas para dos muestras en Descriptivos 9 bloques 69
independientes 148 Caractersticas adicionales del
Pruebas para dos muestras comando 74
relacionadas 149 estadsticos 73
Pruebas para varias muestras exportacin de informacin del
independientes 151 modelo 71
ndice 221
Regresin lineal (continuacin) rotacin varimax subconjuntos homogneos
grficos 71 en Anlisis factorial 105 pruebas no paramtricas 142
mtodos de seleccin de subtotales
variables 70, 74 en el informe de estadsticos en
ponderaciones 69
residuos 71
S suma
columnas 165
S-stress
valores perdidos 74 en Cubos OLAP 29
en Escalamiento
variable de seleccin 71 en Descriptivos 9
multidimensional 171
regresin mltiple en Frecuencias 5
scale
en Regresin lineal 69 en Medias 25
Regresin ordinal 75 en Resumir 22
seleccin de caractersticas
Caractersticas adicionales del suma de cuadrados 45
comando 78 en MLG 44
prximos 95
enlace 76
seleccin de caractersticas y k
estadsticos 75
modelo de escala 78
modelo de ubicacin 77
prximos 95 T
seleccin de k T 2 de Hotelling
opciones 76
en Anlisis de vecinos ms en Anlisis de fiabilidad 167, 168
Regresin por mnimos cuadrados
prximos 95 T2 de Tamhane
parciales 83
seleccin hacia delante en ANOVA de un factor 40
exportar variables 85
en Anlisis de vecinos ms en MLG 48
modelo 85
prximos 90 T3 de Dunnett
residuos
en Regresin lineal 70 en ANOVA de un factor 40
almacenamiento en Estimacin
seleccin por pasos en MLG 48
curvilnea 80
en Regresin lineal 70 tabla de clasificacin
simulacin 179 en Anlisis de vecinos ms
lineal 71
ajuste de distribucin 185 prximos 95
anlisis de sensibilidad 188 Tablas cruzadas 15
residuos de Pearson
anlisis hipottico 188 capas 16
correlaciones entre entradas 189 estadsticos 16
residuos eliminados
creacin de nuevas entradas 184 formatos 19
en MLG 51
creacin de un plan de grficos de barras agrupadas 16
simulacin 179, 180, 181 presentacin de casillas 18
residuos estudentizados
criterios de parada 189 supresin de tablas 15
diagramas de caja 192 variables de control 16
residuos no tipificados
diagramas de dispersin 192 Tablas cruzadas de respuestas
en MLG 51
editor de ecuaciones 183 mltiples 157
residuos tipificados
ejecucin de un plan de definicin de rangos de valores 158
en MLG 51
simulacin 181, 193 emparejamiento de las variables entre
especificacin de modelo 182 los conjuntos de respuestas 158
respuestas mltiples
formatos de visualizacin de destinos porcentajes basados en casos 158
y entradas 192 porcentajes basados en
comando 159
funcin de densidad de respuestas 158
resumen de error
probabilidad 190 porcentajes de casillas 158
funcin de distribucin valores perdidos 158
prximos 95
acumulada 190 tablas de contingencia 15
resumen de hiptesis
Generador de simulaciones 182 tablas de frecuencias
pruebas no paramtricas 138
grficos de tornado 192 en Explorar 12
resumen de intervalo de confianza
grficos interactivos 196 en Frecuencias 5
pruebas no paramtricas 138, 139,
guardar datos simulados 193 tabulacin cruzada
140
guardar plan de simulacin 193 en Tablas cruzadas 15
Resumir 21
modelos admitidos 182 respuesta mltiple 157
estadsticos 22
muestreos de cola 189 tau-b
opciones 21
opciones del diagrama 197 en Tablas cruzadas 16
rho
percentiles de distribuciones de Tau-b de Kendall
en Correlaciones bivariadas 55
destino 192 en Correlaciones bivariadas 55
personalizacin del ajuste de en Tablas cruzadas 16
riesgo
distribucin 187 tau-c
reajuste de distribuciones a nuevos en Tablas cruzadas 16
riesgo relativo
datos 193 Tau-c de Kendall 16
resultados de ajuste de en Tablas cruzadas 16
rotacin equamax
distribucin 187 tau de Goodman y Kruskal
salida 190, 192 en Tablas cruzadas 16
rotacin oblimin directa
Simulacin de Monte Carlo 179 tau de Kruskal
Student-Newman-Keuls en Tablas cruzadas 16
rotacin quartimax
en ANOVA de un factor 40 trminos de interaccin 45, 77, 78
en MLG 48

tipificacin valores perdidos (continuacin) visor de clsteres (continuacin)
en Anlisis de clsteres en dos en Prueba de rachas 146 visualizacin de contenido de
fases 112 en Prueba T para muestras casillas 116
ttulos relacionadas 35 voltear clsteres y caractersticas 116
en Cubos OLAP 32 en Prueba t para una muestra 36 vista de modelo
tolerancia en Pruebas para dos muestras en Anlisis de vecinos ms
en Regresin lineal 73 independientes 149 prximos 92
totales finales en Pruebas para dos muestras pruebas no paramtricas 138
en el informe de estadsticos en relacionadas 150 visualizacin
columnas 166 en Pruebas para varias muestras modelos de clster 114
tratamiento del ruido independientes 151
en Anlisis de clsteres en dos en Pruebas t para muestras
fases 112 independientes 34
W
W de Kendall
valores pronosticados
en pruebas para varias muestras
U almacenamiento en Estimacin
curvilnea 80
relacionadas 152
U de Mann-Whitney
en Pruebas para dos muestras
lineal 71
independientes 148
ltima
valores pronosticados ponderados Z
en MLG 51 Z de Kolmogorov-Smirnov
en Cubos OLAP 29
valores tipificados en Prueba de Kolmogorov-Smirnov
en Medias 25
en Descriptivos 9 para una muestra 147
en Resumir 22
variable de seleccin en Pruebas para dos muestras
umbral inicial
en Regresin lineal 71 independientes 148
variables de control
fases 112
varianza
en Cubos OLAP 29
V en Descriptivos 9
V en el Informe de estadsticos en
en Tablas cruzadas 16 columnas 165
V de Cramr en el Informe de estadsticos en
en Tablas cruzadas 16 filas 162
V de Rao en Explorar 12
en Anlisis discriminante 99 en Frecuencias 5
valores atpicos en Medias 25
en Anlisis de clsteres en dos en Resumir 22
fases 112 visor de clsteres
en Explorar 12 clasificacin de la vista de
en Regresin lineal 71 clsteres 116
valores de influencia clasificacin de la visualizacin de
en MLG 51 caractersticas 116
en Regresin lineal 71 clasificar caractersticas 116
valores extremos clasificar clsteres 116
en Explorar 12 clasificar contenido de casillas 116
valores perdidos comparacin de clsteres 117
en Anlisis de vecinos ms conceptos bsicos 114
prximos 92 distribucin de casillas 117
en Anlisis factorial 106 filtrado de registros 119
en ANOVA de un factor 41 importancia del predictor 117
en Correlaciones bivariadas 56 informacin sobre los modelos de
en Correlaciones parciales 57 clster 114
en Curva COR... 177 resumen de modelo 115
en el informe de estadsticos en tamao de los clsteres 117
columnas 166 transponer clsteres y
en el Informe de estadsticos en caractersticas 116
filas 163 uso 118
en Explorar 13 vista bsica 116
en la prueba de chi-cuadrado 144 vista comparacin de clsteres 117
en las frecuencias de respuestas vista de centros de clsteres 115
mltiples 156 vista de clsteres 115
en las tablas cruzadas de respuestas vista de resumen 115
mltiples 158 vista de tamaos de clsteres 117
en Prueba binomial 145 vista distribucin de casillas 117
en Prueba de Kolmogorov-Smirnov vista importancia del predictor de
para una muestra 147 clsteres 117
ndice 223
IBM
Impreso en Espaa

IBM SPSS Statistics Base 24

Cargado por

Copyright:

Formatos disponibles

IBM SPSS Statistics Base 24

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

IBM SPSS Statistics Base 24

Cargado por

Copyright:

Formatos disponibles

IBM SPSS Statistics Base 24

Captulo 2. Frecuencias . . . . . . . . 5 Captulo 10. ANOVA de un factor . . . 39

Captulo 17. Regresin ordinal . . . . 75 Captulo 23. Seleccin de

iv IBM SPSS Statistics Base 24

vi IBM SPSS Statistics Base 24

Para obtener un libro de cdigos

Cambio del nivel de medicin

Pestaa Resultados de libro de cdigos

Controla la informacin del diccionario que se muestra para cada variable.

Copyright IBM Corp. 1989, 2016 1

Etiquetas de valor. Etiquetas descriptivas asociadas con valores de datos especficos.

2 IBM SPSS Statistics Base 24

Documentos. Texto del documento del archivo de datos.

Estado de ponderacin. Si se encuentra activada la ponderacin, aparece el nombre de la variable de

Atributos personalizados. Atributos de archivos de datos personalizados definidos por el usuario.

Orden de visualizacin de variables

Alfabtico. Orden alfabtico por nombre de variable.

Nmero mximo de categoras

Captulo 1. Libro de cdigos 3

Porcentaje. Porcentaje de casos que presenta un valor determinado.

Tendencia y dispersin centrales

Para las variables de escala, los estadsticos disponibles son:

Cuartiles. Muestra los valores correspondientes a los percentiles 25, 50 y 75.

4 IBM SPSS Statistics Base 24

Frecuencias: Consideraciones sobre los datos

Para obtener tablas de frecuencias

Copyright IBM Corp. 1989, 2016 5

6 IBM SPSS Statistics Base 24

Descriptivos: Consideraciones sobres los datos

Supuestos. La mayora de los estadsticos disponibles (incluyendo las puntuaciones z) se basan en la

Para obtener estadsticos descriptivos

Copyright IBM Corp. 1989, 2016 9

Caractersticas adicionales del comando DESCRIPTIVES

Consulte la Referencia de sintaxis de comandos para obtener informacin completa de la sintaxis.

10 IBM SPSS Statistics Base 24

Explorar: Consideraciones sobre los datos

Supuestos. La distribucin de los datos no tiene que ser simtrica ni normal.

Para explorar los datos

Copyright IBM Corp. 1989, 2016 11

Descriptivos. La seccin Descriptivos permite seleccionar grficos de tallo y hojas e histogramas.

12 IBM SPSS Statistics Base 24

Caractersticas adicionales del comando EXAMINE

Consulte la Referencia de sintaxis de comandos para obtener informacin completa de la sintaxis.

Estadsticos y medidas de asociacin. Chi-cuadrado de Pearson, chi-cuadrado de la razn de

Tablas cruzadas: Consideraciones sobre los datos

Para obtener tabulaciones cruzadas

Copyright IBM Corp. 1989, 2016 15

Capas de las tablas cruzadas

Grficos de barras agrupadas

Tablas cruzadas mostrando variables de capa en capas de tabla

Estadsticos de tablas cruzadas

16 IBM SPSS Statistics Base 24

Captulo 5. Tablas cruzadas 17

Estadsticos de Cochran y Mantel-Haenszel. Los estadsticos de Cochran y de Mantel-Haenszel se pueden

Visualizacin en casillas de tablas cruzadas

18 IBM SPSS Statistics Base 24

Formato de tablas cruzadas

Captulo 5. Tablas cruzadas 19

Resumir: Consideraciones sobre los datos

Para obtener resmenes de casos