Estadística aplicada

Sesión 1 Semana 1:

Estadística y diseños de
investigación.

Profesores: Johanna Kohler, Jhonatan Navarro, Sixto Salazar,

Fernando Rosario, Juan Kaneko, Mayte Casaño, Víctor Paliza y
Ambrosio Tomás

2023-2
Facultad de Psicología

Estadística Aplicada

Sesión 1 - Semana 1

2023-2
 El estudiante identifica la importancia
de la estadística en la investigación
LOGRO psicológica y su relación con los diseños
de investigación.
 VIDEO SOBRE ESTADISTIL:
[Link]
 Distrito A Distrito B

Persona 1 25 Persona 1 36
Persona 2 27 Persona 2 37
Persona 3 28 ¿qué grupo Persona 3 34
Persona 4 25 Persona 4 30
tiene mayor
Persona 5 24 Persona 5 31
Persona 6 29
promedio de Persona 6 39
Persona 7 25 edad? Persona 7 40
Persona 8 27 Persona 8 41
Persona 9 28 Persona 9 38
Persona 10 25 Persona 10 32
Promedio …? Promedio …?
Distrito A = 50 000 residentes Distrito B = 37 000 residentes

¿qué distrito tendrá el mayor

promedio de edad?

¿tenemos que preguntar la edad de

todas las personas que viven en
cada distrito?

ESTADÍSTICA
ESTADÍSTICA

“Es la ciencia que se encarga de planear estudios y experimentos, obtener

datos y luego organizar, resumir, presentar, analizar e interpretar esos datos
para obtener conclusiones basadas en ellos” (Triola, 2018, p. 4).

Es una forma de pensar que permite dar respuesta a problemas sociales,

prácticas y de investigación, a través de la construcción de relaciones entre
variables y planteamiento de hipótesis, brindando así, una visión objetiva
de los hechos (Blanco, 2016).
ESTADÍSTICA

a. Conceptos básicos de estadística son importantes para el ciudadano en

la vida cotidiana (Salinas y Mayen, 2016).
b. Comprendiendo aspectos básicos de estadística, se puede comprender
mejor distintas fuentes de información y por lo tanto tomar mejores
decisiones (Sanoja y Ortiz, 2013).

¿en qué casos

podemos utilizar
la estadística?
LA EDUCACIÓN ESTADÍSTICA
ESTADÍSTICA Y PSICOLOGÍA

Disciplina científica encargada del estudio de la mente y el comportamiento

(…). La investigación en psicología implica la observación, experimentación,
prueba y análisis para explorar los procesos o estímulos biológicos,
cognitivos, emocionales, personales y sociales del comportamiento humano
y animal (APA, 2022).

¡Usa el método científico para obtener

conocimiento!
Cuidado que la intuición o el sentido común pueden brindar “verdades”
pero en la ciencia se encuentra evidencia que respalda o no una
explicación/teoría (Coolican, 2018).

ESTADÍSTICA NOS PERMITE OBTENER

EVIDENCIAS EN PSICOLOGÍA

¿Cuál es el promedio de la edad de los estudiantes de primer ciclo de la

UPC?

¿Existe diferencia en la inteligencia emocional de estudiantes varones y

mujeres de UPC?

¿Existe relación entre la autoeficacia académica y la ansiedad ante los

exámenes en estudiantes de UPC?
Para dar evidencia en psicología, es necesario realizar una
investigación psicológica y esta se fundamente en los
DISEÑOS DE INVESTIGACIÓN
Pilares metodológicos de toda investigación científica
(Kline, 2009)
• Identificación, definición y medición

Medida • Generar valores numéricos

• Confiabilidad y validez de los instrumentos a usar
• ¿cómo se va a medir la variable?

Análisis
• Prueba de hipótesis / Estimación paramétrica
• Validez de conclusión estadística
• ¿Se va a usar las pruebas estadísticas correctas?

Diseño • A CONTINUACIÓN…
Dannels (2010)

Diseño

Plan que proporciona una estructura para

integrar todos los elementos de una
investigación empírica.

Resultados Resultados sin Resultados

creíbles sesgos generalizables
 El diseño de
Selección de
investigación se los
encarga de… participantes

DISEÑO
Validez
Control de Interna
variables
extrañas Validez
Externa
Validez interna: Capacidad de Validez externa: Capacidad de
controlar efectos de variables generalizar los resultados a
extrañas. Esto es necesario otros participantes y otros
para interpretar los resultados contextos.
de una investigación.

VALIDEZ
VALIDEZ INTERNA
EXTERNA

VALIDEZ
VALIDEZ EXTERNA
INTERNA
Ato et al. (2013): Cuatro clases de
investigaciones.

Investigación Investigación
Teórica Instrumental

Investigación Investigación
Metodológica Empírica
Investigación Empírica
Analizan las relaciones
causales entre dos o más
variables, siendo una de
ellas manipulada.

Analizan las relaciones

funcionales entre
variables.

Describen las variables sin

manipularlas.
ESTRATEGIAS ASOCIATIVA:
Estudios comparativos
 • Relacionan variables mediante la comparación de grupos examinando las diferencias
que existen entre dos o más grupos de individuos aprovechando las situaciones
1 diferenciales creadas por la naturaleza o la sociedad.

• Usan variables atributivas (se selección o clasificación) a modo de “variables

independientes” (VI). Sería la que representa a los “grupos”.
2
• Retrospectivo o Ex post facto: Las variables ocurren antes del estudio.
• Transversal: Las variables ocurren en el mismo periodo de tiempo.
• Prospectivo o longitudinal: Las variables se observan después de iniciada la
Tipos investigación
ESTRATEGIAS ASOCIATIVA:
Estudios predictivos y
explicativos.
 • Explorar las relaciones entre variables para pronosticar o explicar su
comportamiento.

• Muestra única.
• La medida de cada participante de la muestra en dos o más variables
suele ser cuantitativa.
• La disponibilidad de una matriz de correlaciones.

• Explicativos son de mayor complejidad que los Predictivos.

Complejidad
Estudios predictivos
• Diseño correlacional simple
• (A) r (B)
DCS • No hay control de terceras variables

• Diseño correlacional controlado

• (A) r (B)
DCC • Control de terceras variables (p.e. correlación parcial)

• Diseño predictivo transversal

• A (predictor) predice B (criterio). Análisis de regresión.
DPT
Estudios explicativos
• Probar modelos acerca de las relaciones existentes en un conjunto de
variables.

• Diseño de variables manifiestas

• Red estructural de relaciones entre variables mediante un sistema de ecuaciones de
regresión.
DVM • Path analysis

• Diseño de variables latentes

DVL • Tiene una parte estructural y una parte medida.
ESTRATEGIAS DESCRIPTIVA:
Estudios observacionales y
selectivos.
• Tienen por objetivo la definición, clasificación y categorización de
eventos para describir procesos mentales y conductas manifiestas.
• No requieren de hipótesis.

• Estudios observacionales: Registro de comportamientos producto

de la observación y clasificación de acuerdo a códigos. Su principal
característica es el realismo al captar la información.

• Estudios selectivos: Registro de opiniones y actitudes a través de

cuestionarios. Su principal característica es la representatividad de
la muestra respecto a la población.
Según Ato et al. (2013), cada diseño de investigación se fundamenta en un
procedimiento específico, así tenemos:
Clase Estrategia Diseño Procedimiento estadístico
Estudio comparativo: - Diseño de cohorte retrospectivo. - t student.
- Diseño de cohorte transversal. - U de Mann Whitney.
- Anova.
- Kruskal Wallis.
Estudios predictivos: - Correlación de Pearson
- Diseño correlacional simple. - Correlación de spearman.
- Diseño predictivo transversal. - Análisis de regresión lineal
simple y múltiple.
Asociativa Estudios Explicativos: - Modelo de ecuaciones
Investigación - Diseño explicativo de variable latente. estructurales.
empírica - Path Analysis.
- Diseño explicativo con variable observable.
Estudio selectivo: - Análisis de frecuencia,
- Diseño selectivo probabilístico transversal. tablas y/o figuras.

Descriptiva - Diseño selectivo no probabilístico transversal. - Medidas de tendencia

central.
- Medidas de dispersión.
ACTIVIDAD 1:

1. En grupos, hagan la búsqueda en bases de datos científicas de cinco

artículos científicos de estudios comparativos, cinco de predictivos y
explicativos y cinco descriptivos.
2. En un documento Word elaboren la cita en formato APA de los
artículos seleccionados y sus objetivos de investigación.
Para finalizar

¿alguna pregunta?
Referencias
Ato, M., López-García, J. J., & Benavente, A. (2013). Un sistema de clasificación de los diseños de investigación en psicología. Anales de Psicología/Annals of
Psychology, 29(3), 1038-1059.

American Psychological Association. (1 de agosto de 2022). APA Dictionary of Psychology. [Link]

Blanco, C. (2016). Encuesta y Estadística. Métodos de investigación cuantitativa en ciencias sociales y comunicación. Editorial Brujas.

Coolican, H. (2018). Research methods and statistics in psychology. Routledge.

Gómez-Camacho, A., Hunt-Gómez, C. I., & Valverde-Macías, A. (2018). Textism, texting, and spelling in Spanish. Lingua, 201, 92-101.
[Link]

Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2014). Metodología de la investigación (6a. ed.). McGraw-Hill.
Kemp, N., & Grace, A., (2017). Txting across time: undergraduates’ use of ‘textese’ in seven consecutive first-year psychology cohorts. Writing Systems Research, 1-
16. [Link]

Ramos, L. F. (2019). La educación estadística en el universitario: retos y oportunidades. Revista Digital de Investigación en Docencia Universitaria,
13(2). [Link]

Salinas, J. & Mayén, S. (2016). Estudio exploratorio de las actitudes hacia la estadística en estudiantes mexicanos de bachillerato. Avances de Investigación en
Educación Matemática, 10, 73-90. [Link]

Triola, M. F. (2018). Estadística. Pearson.

Waldron, S., Wood, C., & Kemp, N. (2016). Use of predictive text in text messaging over the course of a year and its relationship with spelling, orthographic
processing and grammar. Journal of Research in Reading, 1-19. [Link]
 Estadística aplicada

Sesión 1 Semana 2:

Estadística inferencial. Contraste de

hipótesis. Tamaño del efecto

Profesores: Johanna Kohler, Jhonatan Navarro, Sixto Salazar,

Fernando Rosario, Juan Kaneko, Mayte Casaño, Víctor Paliza y
Ambrosio Tomás

2023-2
Facultad de Psicología

Estadística Aplicada

Sesión 1 - Semana 2

2023-2
 El estudiante conoce aspectos
LOGRO conceptuales sobre la inferencia
estadística y la magnitud del efecto
Situación 1: lluvia de ideas

¿qué podemos afirmar de la imagen?

Lluvia de ideas
Agrupando las ideas
Respuesta 1
Respuesta 2 Todas estas respuestas las
Respuesta 3 podemos conocer como
. HIPÓTESIS, las cuales
. necesitan ser contrastadas
. con la realidad para saber si
Respuesta n se aceptan o se rechazan

Hipótesis: La maestra está molesta con el

niño porque no cumplió con sus actividades.
 La observación de la realidad nos permite generar
hipótesis

Al consultar a la maestra y los

alumnos nos enteramos que Este dato apoya la
está molesta porque el niño no hipótesis planteada
cumplió con sus actividades
 Pero… ¿todas las
maestras de Lima se
molestan con sus
alumnos cuando no
cumplen con sus
actividades?

INVESTIGACIÓN CIENTÍFICA
 Para saber si todas las maestras
de Lima se molestan cuando sus
alumnos no cumplen con sus
actividades, debemos obtener
datos que procesaremos a través
de la inferencia estadística que
nos ayudará a realizar la prueba
de hipótesis y obtener evidencia
científica

?
¿Qué es la evidencia científica?

• La evidencia es conocimiento adquirido a través de la

investigación científica(Sackett et al., 2016).

• Información de un artículo científico publicado en una revista de revisión

por pares, con calidad metodológica aceptable y que aborda un problema
específico, resultado de la inferencia estadística (Hume et al., 2021).
Inferencia estadística
Comprende los métodos que son usados para obtener conclusiones
acerca de la población en base a una muestra tomada de ella
(Harradine et al., 2011, véase Makar & Rubin, 2018).

Conjunto de métodos estadísticos que permiten deducir cómo se

distribuye la población e inferir las relaciones entre variables a
partir de la información que proporciona la muestra recogida
(Wassertheil-Smoller, 2004).

Sus objetivos son la estimación y el contraste o prueba de hipótesis

(Seoane et al., 2007)
Importancia:
Población es un conjunto de casos, definido,
delimitado y accesible (García-García et al., 2013)
Son importantes los
criterios de inclusión y
exclusión.

Procedimientos de selección
probabilísticos y no probabilísticos
(García-García et al., 2013)
Prueba de hipótesis

“Una prueba de hipótesis es un procedimiento, con el que se busca

tomar una decisión sobre el valor de verdad de una hipótesis
estadística. Al realizar una prueba de hipótesis decidimos si rechazar o
no rechazar esa hipótesis estadística. Basamos la decisión en la
evidencia muestral” (Gordon, 2010, véase Hernández et al., 2014, p.
306).

JUEGA UN PAPEL FUNDAMENTAL EN EL AVANCE DE CUALQUIER

DISCIPLINA
¿Qué es una hipótesis estadística?
Es una conjetura, afirmación o supuesto que el investigador plantea para un
parámetro, que puede o no ser verdadera, relativa a una o más poblaciones.
SE PLANTEAN ANTES DE HACER EL ANÁLISIS.

Media (de una variable)

Desviación estándar (de una variable)

Hipótesis

Diferencia entre personas respecto a una variable

En estadística, ¿Qué es una hipótesis?
r XY ¹ 0 Existen diferencias
µH ¹ µM
estadísticamente significativa
entre varones y mujeres respecto
Existe relación
a su autoconcepto físico
estadísticamente
significativa entre la
autoestima general y la
propia valoración del
cuerpo físico

El promedio de la
autoestima general es
estadísticamente μ ≠ 15
diferente de 15

Existen diferencias estadísticamente

significativas entre estudiantes de psicología,
administración e ingeniería respecto a la
competencia intelectual

µ ps ¹ µadm ¹ µing
En estadística, Hipótesis ALTERNA se representa de la siguiente
manera…

La hipótesis alterna representa

la conclusión que el investigador
quiere afirmar o demostrar de
µH ¹ µM su estudio
Existen diferencias
Existe relación entre la entre varones y
autoestima general y la r XY ¹ 0 mujeres respecto a su
propia valoración del autoconcepto físico
cuerpo físico
Esta es la manera estadística de
simbolizar la hipótesis planteada por
El intensidad de la el investigador (Hipótesis
autoestima general alternativa)
será mayor a 15 μ ≠ 15

Existen diferencias entre estudiantes

de psicología, administración e
ingeniería respecto a la valoración de
la competencia intelectual
µ ps ¹ µadm ¹ µing
En estadística, Hipótesis NULA se representa de la siguiente manera…
El aspecto central de la estadística
inferencial es el rechazo de la Hipótesis
nula porque se asume como cierta la La hipótesis nula es la que
alterna.
niega lo planteado en la
hipótesis alterna
µH = µM µH ¹ µM

r XY = 0 r XY ¹ 0

Esta es la manera estadística de

simbolizar la hipótesis CONTRARIA
μ = 15 μ ≠ 15
a planteada por el investigador
(Hipótesis nula)

µ ps = µadm = µing µ ps ¹ µadm ¹ µing

EL CONTRASTE DE HIPÓTESIS SE REALIZA A TRAVÉS DE LOS
SIGUIENTES PASOS:

1. Identificar la 2. Proporcionar la
afirmación que será forma simbólica de la 3. Identificar la Ho y H1 4. Determinar el nivel
probada afirmación de significancia

5. Determinar el
6. Interpretar el
7. Tomar una decisión estadístico inferencial a
estadístico de prueba
emplear
 ¿CUÁLES SON LOS CRITERIOS PARA RECHAZAR
O ACEPTAR UNA HÍPÓTESIS?

• Se establecen criterios cuantitativos para saber si aceptamos o

rechazamos una hipótesis.
• Recordar, que se hacen hipótesis SOBRE la población, pero
obteniendo información DE la muestra.
• Pero siempre hay un riesgo de equivocarnos al hacer esta inferencia,
y por lo tanto se debe establecer la probabilidad de errar al aceptar
o rechazar una hipótesis.
¿Cuál es ese criterio cuantitativo que lleva a aceptar
o rechazar la hipótesis?

Prueba de significancia de la hipótesis nula (PSHN)

Valor p

Probabilidad de que la diferencia observada se deba al azar.

Es fijado a priori por el investigador

 p < 0.05 p < 0.01 p < 0.001 p < 0.000…

p < 0.05 = rechazar la Ho

Valores más usados en ciencias sociales
y de la salud
p > 0.05 = Aceptar la Ho

Un valor p < 0.05 significa que existe menos del 5% de probabilidad de que ese resultado
se deba al azar y por lo tanto representa algo que ocurre en la población. Por el contrario,
un valor p > 0.05 indica que no existe la confianza necesaria para afirmar que los datos NO
son producto del azar (Molina, 2017).
Recordemos…

1. Identificar la 2. Proporcionar la
afirmación que será forma simbólica de la 3. Identificar la Ho y H1 4. Determinar el nivel
probada afirmación de significancia

5. Determinar el
6. Interpretar el
7. Tomar una decisión estadístico inferencial a
estadístico de prueba
emplear
 Aplicando lo aprendido

1. Se desea saber si la edad promedio de ingreso a la universidad

1. Identificar la
afirmación que será es diferente entre varones y mujeres. Para esto se seleccionó
probada una muestra representativa de la población.

2. M varones ≠ M mujeres

2. Proporcionar la
forma simbólica de la
afirmación
3. Identificar la Ho y H1 3. Plantear las hipótesis nula y alterna:

Ho = La edad media de ingreso a la H1 = La edad media de ingreso a la

universidad es igual en varones y universidad es diferente en varones y
mujeres mujeres

M varones = M mujeres M varones ≠ M mujeres

4 y 5. Determinar el 4 y 5. Podemos utilizar la prueba t student

estadístico inferencial a
emplear y el nivel de
significancia M varones = 19.5
M mujeres = 17.5
p < 0.05
 M varones = 19.5
6. Interpretar el M mujeres = 17.5
estadístico de prueba
p < 0.05

El valor p < 0.05 indica que los resultados

obtenidos no son debidos al azar, por el
contrario, reflejan algo que ocurre en la
población. Por lo tanto, hay evidencia para
indicar que se tiene que rechazar la Ho y que
existe diferencia entre la edad promedio de
ingreso a la universidad entre varones y mujeres.
ACTIVIDAD 1:

• Revisar la tesis 1 y realizar la secuencia de inferencia estadística

(similar al modelo enseñado en clases).
• Los datos estadísticos (media y p) extraerlos de la tabla que se
encuentra en la página 64
ACTIVIDAD 2:

• Revisar el artículo 1 y realizar la secuencia de inferencia

estadística (similar al modelo enseñado en clases).
• Los datos estadísticos (media y p) extraerlos de la tabla 4. Tomar
en consideración solo la media de la autoestima total.
 Pero no solo es importante
determinar si se aprueba o no
la hipótesis planteada, es
relevante también conocer la
magnitud del efecto
 Magnitud del efecto

“En la metodología cuantitativa aplicada a ciencias de la salud… las limitaciones

inherentes a la prueba de significación de la hipótesis nula (NHST, por sus siglas
en inglés) han llevado a generar propuestas alternativas ante tal situación. Uno
de dichos avances son las medidas de magnitud del efecto (effect size, ES)”
(Dominguez-Lara, 2018).

Nota: la prueba de significancia es la probabilidad de que los resultados se deban al azar. Un valor p < 0.05
significa que existe menos del 5% de probabilidad de que ese resultado se deba al azar y por lo tanto
representa algo que ocurre en la población.
 Magnitud del efecto

• “…Cuantifican la presencia del fenómeno analizado. Por ejemplo, en el caso de

la diferencia de medias entre grupos independientes usualmente evaluada con
la t de Student, la d de Cohen cuantifica el tamaño de la diferencia (p. e.,
pequeña, mediana o grande); asimismo, la r de Pearson elevada al cuadrado,
indica la fuerza de asociación.” (Dominguez-Lara, 2018)

• “Su elección, reporte e interpretación varía según el diseño de investigación

empleado.” (Domínguez-Lara, 2018)
 Magnitud del efecto

• “Siempre presentar tamaños del efecto en los resultados... Esto es esencial

para una buena investigación” (Wilkinson y TFSI, 1999, p. 599).

• Para el cálculo del tamaño del efecto se debe considerar una formulación
específica según el estadístico empleado (Castillo & Alegre, 2015) y el diseño.
Magnitud del efecto y significancia práctica (Castillo &
Alegre, 2015)
Kirk (2001) plantea que los investigadores deben responder a estas tres preguntas:

a) ¿existe un efecto real o los resultados deberían atribuirse al azar? Solo el método
del NHST (prueba de significancia) puede responder a esta pregunta.

b) Si el efecto es real, ¿qué tan grande es? Se responde de manera coherente con el
cálculo y la presentación del tamaño del efecto.

c) ¿es el efecto lo suficientemente grande para considerarse importante o útil? se

puede responder a partir de los criterios de interpretación de los tamaños del
efecto, basandose estos en los antecedentes y la experiencia sobre el campo
particular de estudio.
 Estimadores del magnitud del efecto

Tipo de investigación Estimadores Tamaño del efecto

Comparación de 2 • t de Studen • d de Cohen (d)

grupos • U de Mann Whitney • Correlación biserial por rangos (rs)

Asociación/Correlación • r de Pearson y rho de Spearman • r2

Comparación de k • Anova • Omega al cuadrado (ω2)

grupos • Kruskal Wallis • Coeficiente épsilon (ε2)

Regresión lineal • Análisis de regresión lineal • Coeficiente de determinación (R2)

Ellis (2010)
RECORDEMOS COMO CALCULAR EL TAMAÑO
DEL EFECTO DE LA T DE STUDENT
Para esta parte de la sesión trabajaremos con la BASE DE DATOS SEMANA 2 SESIÓN 1

Paso 1: ¿Existe diferencia a nivel de la ansiedad entre varones y mujeres?

Paso 2: M ansiedad varones ≠ M ansiedad mujeres

Paso 3:
Ho = No existe diferencias estadísticamente significativas en las puntuaciones de ansiedad
entre varones y mujeres.
H1 = Existe diferencias estadísticamente significativas en las puntuaciones de ansiedad
entre varones y mujeres.

Paso 4: Nivel de significancia de p < 0.05

Paso 5: La prueba es …
Para identificar la prueba es necesario evaluar los supuestos para
utilizar la prueba t de student, es decir, si presentan una distribución
normal, veamos...

Click 1

Click 2
Pasar la variable que se desea
analizar. Recordar que esta
debe de ser continua para
análisis paramétricos

Segmentar el análisis de
acuerdo a la variable que
contenga los grupos.

Identificar con la prueba

shapiro wilk si los datos se
aproximan a la normalidad
p < 0.05 = Los datos NO se aproximan
a la Distribución Normal

p > 0.05 = Los datos se aproximan a

la Distribución Normal

La variable ansiedad se
aproxima a la distribución
normal en ambos grupos.
Paso 5. La prueba a utilizar es la t de student

Click 1
En esta casilla va la variable
Click 2 continua

En esta casilla va la variable que

contiene los grupos
Marcar todas
las casillas en
azul de la
imagen.
 Si p es menor a 0.05, existen
diferencias; si es mayor a 0.05,
entonces no existen diferencias.

El valor p indica que se tiene que aceptar la Ho. Por lo tanto, no

existe diferencias estadísticamente significativas en las
puntuaciones de ansiedad entre varones y mujeres. .
 Para la prueba t de student,
la magnitud del efecto se
obtiene a través de la prueba
d de Cohen y su valoración es
(Cohen, 1998):

< 0.20: irrelevante

0.20 a 0.49: pequeño
0.50 a 0.79: mediano
0.80 a +: grande

Interpretación:

No existen diferencias estadísticamente significativas t(98) = 0.377; p > 0.05; entre las
puntuaciones de ansiedad de varones (M = 10.22; DE = 3.91) y mujeres (M = 9.9; DE = 4.56).
Además la magnitud del efecto indica que la diferencia es irrelevante (d = 0.075).
Analicemos ahora como leer las
tablas de un artículo
Saber cómo interpretar la prueba t student y d de cohen, nos permitirá entender artículos científicos.
Por ejemplo:

[Link]

Elaboremos la interpretación X = media

Sx = desviación estandar
Interpretación:

Existen diferencias estadísticamente significativas t(139.7) = 4.767; p < 0.05; en

las puntuaciones de conocimiento fonológico entre el entorno urbano (M =
30.23; DE = 5.50) y rural (M = 26.53; DE = 8.00). Además la magnitud del efecto
indica que la diferencia es grande (d = 0.81).
ACTIVIDAD: en grupo, deberán interpretar la t de Student de…

X = media
Elabora la interpretación Sx = desviación estandar
Para finalizar

¿alguna
pregunta?
Referencias

Castillo-Blanco, R., & Alegre-Bravo, A. (2015). Importancia del tamaño del efecto en el análisis de datos de
investigación en psicología. Persona, (18), 137-148. [Link]

Dominguez-Lara, S. (2018). Magnitud del efecto, una guía rápida. Educación Médica, 19(4), 251-254.

Ellis, P. D. (2010). The essential guide to effect sizes: Statistical power, meta-analysis, and the interpretation of
research results. Cambridge University Press.
 Estadística aplicada

Sesión 1 Semana 3:

Distribución de datos. Normalidad

univariada y multivariada. Métodos
de análisis de distribución de datos.
Profesores: Johanna Kohler, Jhonatan Navarro, Sixto Salazar,
Fernando Rosario, Juan Kaneko, Mayte Casaño, Víctor Paliza y
Ambrosio Tomás

2023-2
Facultad de Psicología

Estadística Aplicada

Semana 3

2023-2
Repasemos lo visto anteriormente…

[Link]
 El estudiante conoce aspectos
LOGRO conceptuales sobre la distribución de
datos y sus aplicaciones.
Reflexionemos…

¿Cómo puedo saber si un examen fue muy difícil?

¿Cómo puedo saber si un examen fue muy fácil?
Reflexionemos…

Si quiero relacionar la soledad con la agresividad

¿qué prueba estadística debo usar?

• Pearson
• Spearman

[Link]
Reflexionemos…
Distribución de datos
Hasta minuto 6:00

[Link]
Esta distribución representa la cantidad de veces que una
persona ingresa a sus redes sociales durante una hora

Esta distribución representa lo que ocurre en la

realidad y se llama DISTRIBUCIÓN EMPÍRICA
De la distribución empírica a la distribución
teórica
1. Distribución teórica: es como se espera Distribución
que se ocurran y se distribuyan las cosas empírica =
según una teoría estadística nuestros datos

2. Distribución empírica: es como ocurren

en la realidad, en los datos empíricamente
extraídos, por ejemplo mediante la
aplicación de tests

Z -4 -3 -2 -1 0 1 2 3 4

¿QUÉ FORMA TIENE LA

DISTRIBUCIÓN
50% 50%
EMPÍRICA?
Distribución teórica = p.e.,
distribución normal
Distribución normal o distribución de Gauss (Laplace-Gauss)

• Se cree que muchos fenómenos naturales están distribuidos “normalmente”, es

decir, que son similares a la distribución teórica normal.

• Se asume que, en psicología, la distribución poblacional de muchas variables

pueden ser estadísticamente normales; es decir, se ajustan a la distribución
teórica normal.

• Por ejemplo, ¿Qué pasa si medimos la inteligencia en un grupo de personas?

 20
15
10 10 10
10
8 8

5 5

4 3

2 2
1 1

0 pts 10 20 25 30 35 40 45 50 55 60 65 70 80 90 100
pts
Pero…

¿Todo en psicología sigue la distribución normal?

¿Ustedes qué creen?

• Inteligencia en personas con
síndrome de Down

• Psicopatía en población normal

• Depresión en deprimidos

• Depresión en población normal

PROPIEDADES DE LA CURVA NORMAL
• Es la misma curva normal teórica pero con una media de 0
y DE de 1 (recordar puntajes Z); es decir, los datos
expresados en puntajes Z.
Normal Curve
20

16
Frequency

12

Zè 0
-2 -1 0 1 2
-4 -2 0 2 4

Score (X)
Normalidad: ¿Los datos se aproximan a esa distribución
• No todas las variables continuas están normalmente
distribuidas
• Es importante evaluar en qué grado la distribución de los
datos se aproximan a la distribución normal
• Para eso, usaremos los coeficientes de asimetría y curtosis,
para determinar el grado en que una distribución empírica se
ajusta a la distribución normal teórica
Normalidad univariada

Sev. Mod. Leve Leve Mod. Sev.

Z -2 -1.5 -1 0 1 1.5 2

Platicurtosis Mesocurtosis Leptocurtosis

Curtosis

Asimetría Simetría Asimetría Asimetría

negativa positiva

En términos de puntajes Z, los valores de asimetría y

curtosis mayores a +2/-2 indican que los datos no se
aproximan a la distribución normal.
Normalidad univariada
Prueba de normalidad Shapiro
Wilk
Ho = No hay diferencia entre estadísticamente significativa entre la distribución
de la población a la que pertenece la muestra y la distribución normal

H1 = Hay diferencia entre estadísticamente significativa entre la distribución de

la población a la que pertenece la muestra y la distribución normal

p > 0.05 = Los datos se aproximan a una distribución normal

p < 0.05 = Los datos no se aproximan a una distribución normal

 Dar click
en las
casillas
señaladas
Ho = No hay diferencia entre estadísticamente significativa entre la
distribución de la población a la que pertenece la muestra y la
distribución normal

H1 = Hay diferencia entre estadísticamente significativa entre la

distribución de la población a la que pertenece la muestra y la
distribución normal

Este valor indica que se tiene que rechazar la Ho, por lo tanto, existe
diferencia entre la distribución empírica y la distribución normal. En
otras palabras, los datos no se aproximan a la distribución normal
 Sev. Mod. Leve Leve Mod. Sev.

Z -2 -1.5 -1 0 1 1.5 2

Platicurtosis Mesocurtosis Leptocurtosis

Asimetría Simetría Asimetría

negativa positiva

Zg1 = 1.216/0.246 = 4.94 = asimetría positiva severa

Zg2 = 2.346/0.488 = 4.8 = leptocurtosis severa

Debido a que los valores Zg1 y Zg2 son mayores a 2/-2 se puede
afirmar que los datos no se aproximan a la distribución normal
Ho = No hay diferencia entre estadísticamente significativa entre la
distribución de la población a la que pertenece la muestra y la
distribución normal

H1 = Hay diferencia entre estadísticamente significativa entre la

distribución de la población a la que pertenece la muestra y la
distribución normal

Este valor indica que se tiene que ACEPTAR la Ho, por lo tanto, NO
existe diferencia entre la distribución empírica y la distribución
normal. En otras palabras, los datos se aproximan a la distribución
normal
 Sev. Mod. Leve Leve Mod. Sev.

Z -2 -1.5 -1 0 1 1.5 2

Platicurtosis Mesocurtosis Leptocurtosis

Asimetría Simetría Asimetría

negativa positiva

Zg1 = 0.243/0.246 = 0.98 = simetría

Zg2 = -0.539/0.488 = -1.1 = platicurtosis leve

Debido a que los valores Zg1 y Zg2 son menores a 2/-2 se puede
afirmar que los datos se aproximan a la distribución normal
Normalidad multivariada

El supuesto de normalidad multivariada se requiere en la mayoría de los

métodos multivariados (Canal et al., 1999).

Análisis multivariado: En un conjunto de técnicas orientadas al estudio de

varias variables de modo simultáneo, con el objeto de comprender mejor el
fenómeno o evento que se analiza (Closas et al., 2013).
 Normalidad multivariada
Investigación Empírica

Análisis multivariado
Según Ato et al. (2013), cada diseño de investigación se fundamenta en un
procedimiento específico, así tenemos:
Clase Estrategia Diseño Procedimiento estadístico
Estudio comparativo: - Diseño de cohorte retrospectivo. - t student.
- Diseño de cohorte transversal. - U de Mann Whitney.
- Anova.
- Kruskal Wallis.
Estudios predictivos: - Correlación de Pearson
- Diseño correlacional simple. - Correlación de spearman.
- Diseño predictivo transversal. - Análisis de regresión lineal
simple y múltiple.
Asociativa Estudios Explicativos: - Modelo de ecuaciones
Investigación - Diseño explicativo de variable latente. estructurales.
empírica - Path Analysis.
- Diseño explicativo con variable observable.
Estudio selectivo: - Análisis de frecuencia,
- Diseño selectivo probabilístico transversal. tablas y/o figuras.

Descriptiva - Diseño selectivo no probabilístico transversal. - Medidas de tendencia

central.
- Medidas de dispersión.
Normalidad multivariada

Análisis
multivariado

Principales aplicaciones

Modelo de
Análisis de regresión
ecuaciones Análisis factorial
lineal múltiple
estructurales
Normalidad multivariada

Hay diferentes pruebas para evaluar la

normalidad multivariada, como; el
coeficiente multivariado de Mardia, Henze-
Zinkler, Shapiro-Wilk Generalizada y Royston.

Se ha hallado que las cuatro pruebas no

presentan diferencias significativas en su
potencia de prueba.

(Porras, 2016)
Normalidad multivariada

Coeficiente multivariado de Mardia

Interpretación

Si el coeficiente de curtosis y asimetría de mardia es menor a 70 hay

normalidad multivariada.
Si el coeficiente de curtosis y asimetría de mardia es mayor a 70 no hay
normalidad multivariada.

(Rodriguez y Ruiz, 2008)

Normalidad multivariada

El coeficiente multivariado de Mardia lo aplicaremos más

adelante, en el tema de modelo de ecuaciones estructurales.
Ejercicio

Ahora en grupos vamos a desarrollar el siguiente caso. Interpretar el

análisis de distribución considerando la asimetría, curtosis y la prueba
shapiro wilk.
Trabajar con la BASE DE DATOS SEMANA 3

Subir al aula virtual

Para finalizar

¿alguna
pregunta?
 ACTIVIDAD 3

Recordar que en el aula virtual van a encontrar la

actividad 3 para desarrollar en grupos.
Referencias
Ato, M., López-García, J. J., & Benavente, A. (2013). Un sistema de clasificación de los diseños de investigación
en psicología. Anales de Psicología/Annals of Psychology, 29(3), 1038-1059.
Canal, S. Y., Elorza, M. C. J., & Morales, J. C. C. (1999). Una revisión de medidas multivariadas de asimetría y
Kurtosis para pruebas de multinormalidad. Revista Colombiana de Estadística, 22(2).
[Link]
[Link]?sequence=1&isAllowed=y
Closas, A. H., Arriola, E. A., Kuc Zening, C. I., Amarilla, M. R., & Jovanovich, E. C. (2013). Análisis multivariante,
conceptos y aplicaciones en Psicología Educativa y Psicometría. Enfoques, 25(1), 65-92.
[Link]
Porras, J. C. (2016). Comparación de pruebas de normalidad multivariada. Anales Científicos, 77 (2), 141-146.
[Link]
Rodríguez Ayán, M. y Ruiz, M. (2008). Atenuación de la asimetría y de la curtosis de las puntuaciones
observadas mediante transformaciones de variables: Incidencia sobre la estructura factorial. Psicológica, 29,
205-227
 Estadística aplicada

Semana 4:

Análisis de regresión lineal múltiple

Profesores: Johanna Kohler, Jhonatan Navarro, Sixto Salazar,

Fernando Rosario, Juan Kaneko, Mayte Casaño, Víctor Paliza y
Ambrosio Tomás

2023-2
Facultad de Psicología

Estadística Aplicada

Semana 4

2023-2
 El estudiante comprende los aspectos
LOGRO conceptuales para realizar el análisis de
regresión lineal múltiple.
Recordemos … Tamaño del efecto (Cohen, 1992)

La magnitud del efecto es una medida utilizada para explicar cuánta variabilidad de un
factor puede ser explicada por su relación con otro factor relacionado (Ferguson,
2009). Esto se obtiene elevando al cuadro el valor de la correlación:

Por ejemplo, se calcula la correlación de la variable A y B, y el valor

obtenido es 0.34. La magnitud del efecto es 0.12, lo que significa que
la variable A y B comparten una variabilidad (varianza) moderada del
2
r
12%, es decir, que el 12% de la variable A es explicada por la
presencia de la variable B.

• r2=menor a 0.01 (irrelevante)

• r2=0.01 a 0.09 (pequeño)
• r2=0.10 a 0.24 (moderado)
• r2=0.25 a más (grande)
Estrés Depresión

Este gráfico representa la varianza compartida (covarianza)

entre dos variables relacionadas

Recuerda que esto no implica causalidad

Un profesor quiere saber qué variables predicen la
satisfacción académica en sus alumnos.

Luego de observar por un periodo de tiempo,

conversar con estudiantes y revisar información
científica sobre el problema, llega a la conclusión de
que la autoeficacia académica, el compromiso del
profesor, la motivación académica y responsabilidad
del estudiante, están relacionadas con la satisfacción
académica.

Para corroborar dicha hipótesis, el docente tiene que

realizar un procedimiento que le permita identificar
cuál de esas variables puede predecir la satisfacción
académica.
 Autoeficacia académica Motivación académica

Compromiso docente

Estas variables
son predictores
de la
satisfacción
académica
Satisfacción académica

Responsabilidad
Eso significa que hay la evidencia suficiente
para indicar que existe un patrón entre las
respuestas de las variables y que eso no
ocurre debido al azar.
Análisis de regresión lineal
Técnica estadística que permite estudiar la relación entre una o más variables (variables
predictoras) para predecir una variable llamada criterio. Estas variables tienen que ser
continuas.
Los modelos con un predictor se denominan regresión lineal simple. Los modelos con más
de un predictor se conocen como regresión lineal múltiple.

PREDICTORES CRITERIO

ASERTIVIDAD

DEPRESIÓN

RESILIENCIA
Supuestos del análisis de regresión lineal
1. Linealidad: La relación entre las variables predictoras y la variable
criterio debe ser lineal.

PREDICTORES CRITERIO

ASERTIVIDAD r≠0
DEPRESIÓN

RESILIENCIA r≠0
2. Multicolinealidad de los predictores: entre las variables predictoras no debe
existir relación. Esto se evalúa con el “Factor de Inflación de la varianza” (VIF),
donde:

Valores entre 0.01 y 10 indican que no hay multicolinealidad (no hay relación)

PREDICTORES CRITERIO

ASERTIVIDAD

r=0 DEPRESIÓN

RESILIENCIA
3. Independencia de errores: un error es cualquier factor que afecta la
medición. Se espera que no haya relación entre los errores y las
variables. Ejemplo:
Se evalúa la relación entre el estrés laboral y la cantidad de trabajo
realizado, en dos grupos de trabajadores

E1 E2 E3 E4 E5 E1 E2 E3 E4 E5

r=0 r≠0
Esto puede ser una En este grupo de personas se encontró que SI
En este grupo de personas se encontró que
NO hay relación entre las horas trabajadas y el fuente de error, hay relación entre las horas trabajadas y el
estrés. En una entrevista, se detectó que ellos ahora queda estrés. En una entrevista, se detectó que ellos
trabajan solo 6 horas al día. averiguar si afecto o trabaja diferente cantidad de horas, algunos 8
no los datos. horas, otros 10 horas, otros 6 horas, etc.
Este supuesto se va a evaluar en Jamovi con el test Durbin Watson

Ho = Los residuos (errores) de la regresión no están relacionados (son independientes).

H1 = Los residuos (errores) de la regresión están correlacionados (no son independientes).

Entre 1.5 y 2.5 = Se acepta la Ho (esto es lo esperado)

Menor a 1.5 y mayor a 2.5 = Se rechaza la Ho

Valores del test Durbin

Watson en este intervalo
indican que los residuos
(errores) no están
relacionados

0 4

1.5 2.5
4. Aproximación a la distribución normal de los errores

Esto se va a evaluar con la prueba Shapiro Wilk.

Ho = No hay diferencias entre la distribución de los residuos (errores) y la

distribución normal.

H1 = Hay diferencias entre la distribución de los residuos (errores) y la

distribución normal.

Si el Valor p > 0.05, los residuos se aproximan a la distribución normal

¿Qué se evalúa en un análisis de regresión lineal?
1. Coeficiente de determinación (R2)
Informa de la proporción de varianza del(los) criterio(s) que es explicada por
los predictores (influencia general).

< 0.04 = Irrelevante

0.04 a 0.24 = Varianza mínima necesaria (baja)
0.25 a 0.63 = moderada
0.64 a más = fuerte
2. Coeficientes de regresión estandarizados (β)

Informe del grado de influencia de cada uno de los predictores sobre el

criterio (influencia individual).

<0.20 = irrelevante
0.20 a 0.49 = influencia mínima necesaria (baja)
0.50 a 0.79 = moderada
0.80 a más = fuerte
Veamos un ejemplo de análisis de
regresión lineal simple:
Recordemos:

1. Identificar la 2. Proporcionar la
afirmación que será forma simbólica de la 3. Identificar la Ho y H1 4. Determinar el nivel
probada afirmación de significancia

5. Comprobar los
6. Interpretar el cuatro supuestos y
7. Tomar una decisión
estadístico de prueba emplear el análisis de
regresión lineal
Para esta sección trabajaremos con la BASE DE DATOS SEMANA 4 SESIÓN 1.

Paso 1: ¿La Seguridad en el trabajo es un predictor estadísticamente significativo del

engagement? Modelo:
Seguridad en el
Engagement
trabajo

Paso 2: β ≠ 0

Paso 3:
H0: No existe una relación de tipo lineal entre seguridad en el trabajo y engagement.
H1: Existe una relación de tipo lineal entre seguridad en el trabajo y engagement.

Paso 4: Nivel de significancia de p < 0.05

Paso 5: Revisar los supuestos paso a paso…

El primer supuesto a evaluar es la existencia de relación lineal
entre las variables

Primero determinamos si la muestra Existe relación significativa entre ambas

es normal o no normal, para elegir el variables, siendo esta positiva y de magnitud
tipo de correlación a usar. En este caso grande, por lo tanto, el supuesto de la relación
es normal (p>0.05) lineal se confirma
Para confirmar los otros supuestos, hacer lo siguiente…

Clic 1

Clic 2
 Acá tienes que agregar la
variable que se va a predecir
(criterio)

Acá tienes que agregar la(s)

variable(s) predictoras
 Clic 1: Comprobación de supuestos

Marcar estas
casillas
Con el VIF, comprobaremos el segundo supuesto: Multicolinealidad
de los predictores

El valor del Factor de Inflación de la Varianza (VIF) se

encuentra entre 0.01 y 10; esto significa que no hay
multicolinealidad, es decir, no hay relación entre las
variables predictoras
Con el test de Durbin-Watson, comprobaremos el tercer supuesto:
Independencia de errores

En este caso, el estadístico DW se encuentra en 1.5 y

2.5. Se cumple con el segundo criterio.

Si el DW esta entre 1.5 y 2.5, indica que los residuos no

están relacionados <> Son independientes
Con el Shapiro-Wilk, comprobaremos el cuarto supuesto:
distribución normal de los errores
Lo esperado es que la
distribución sea
normal, es decir, p
mayor a 0.05

Valor p > 0.05 que indica que los residuos se

aproximan a la distribución normal, por lo tanto se
cumple con el cuarto criterio.
 Luego de cumplir
con los supuestos,
marca las siguientes
casillas
 En este caso al ser p < 0.05
significa que el modelo es
aceptable y que las variables
predicen el criterio.

1. El valor p de la prueba F indica el

ajuste general del modelo.
Si la p es menor a 0.05 el modelo
es aceptable y las variables
predicen el criterio.
En este caso, se puede inferir que la Seguridad en el trabajo
explica el 31.8% de la varianza de engagement. Ese valor de
varianza explicada es considerado moderado.

2. Coeficiente de determinación (R2) se analiza de la

siguiente manera:
0.04 a 0.24 = Varianza mínima necesaria (baja)
0.25 a 0.63 = moderada
0.64 a más = fuerte
 3. Coeficientes de regresión estandarizados (β) se
analiza de la siguiente manera:
0.20 a 0.49 = influencia mínima necesaria (baja)
0.50 a 0.79 = moderada
0.80 a más = fuerte

En este caso, la seguridad en el trabajo es un predictor

estadísticamente significativo, positivo de magnitud
moderada (β=0.57).
Interpretación:
El ajuste del modelo indica que es adecuado F(1, 123) = 58.89; p < 0.05.
La seguridad laboral predice de forma estadísticamente significativa
positiva y moderada (β = 0.57; p < 0.05) y explica de forma moderada el
31.8% de la variabilidad del engagement (R2 = 0.318).
Veamos un ejemplo de análisis de
regresión lineal múltiple:
Recordemos:

1. Identificar la 2. Proporcionar la
afirmación que será forma simbólica de la 3. Identificar la Ho y H1 4. Determinar el nivel
probada afirmación de significancia

5. Comprobar los
6. Interpretar el cuatro supuestos y
7. Tomar una decisión
estadístico de prueba emplear el análisis de
regresión lineal
Veamos un ejemplo:
Paso 1: ¿El engagement y el estrés son predictores estadísticamente significativos de la
satisfacción laboral? Modelo:
Engagement
Satisfacción
laboral
Estrés
Paso 2: β ≠ 0

Paso 3:
Ho: No existe una relación de tipo lineal entre engagement y estrés y la satisfacción laboral.
H1: Existe una relación de tipo lineal entre engagement y estrés y la satisfacción laboral.

Paso 4: Nivel de significancia de p < 0.05

Paso 5: revisar los supuestos paso a paso…

El primer supuesto a evaluar es la existencia de relación lineal
entre las variables

Primero determinamos si la muestra Existe relación estadísticamente significativa

es normal o no normal, para elegir el positiva de magnitud pequeña entre satisfacción
tipo de correlación a usar. En este caso laboral y engagement y negativa mediana con
es no normal estrés.
Para confirmar los otros supuestos, hacer lo siguiente…

Click 1

Click 2
 Acá tienes que agregar la
variable que se va a predecir
(criterio)

Acá tienes que agregar la(s)

variable(s) predictoras
 Clic 1: Comprobación de supuestos

Marcar estas
casillas
 El estadístico DW se encuentra en 1.5 y 2.5.

El valor del Factor de Inflación de la Varianza (VIF) se

encuentra entre 0.01 y 10 en ambos casos; esto
significa que no hay multicolinealidad.

Valor p > 0.05 que indica que los residuos se

aproximan a la distribución normal.
 Luego de cumplir
con los supuestos,
marca las siguientes
casillas
 2. Se puede inferir que el estrés y el engagement explican el
19.8% de la varianza de satisfacción laboral. Ese valor de
varianza explicada es considerada baja.

1. El valor p de la prueba F es
menor a 0.05, lo que significa
que el modelo es aceptable y
que las variables predicen el
criterio.

3. El estrés es un predictor estadísticamente significativo, negativo,

de magnitud baja y el engagement es un predictor estadísticamente
significativo, positivo y de magnitud irrelevante.
Interpretación:
El ajuste del modelo indica que es adecuado F(2, 122) = 16.29; p < 0.05. El estrés
predice de forma estadísticamente significativa negativa y baja (β = -0.41; p < 0.05) y
el engagement lo hace de forma significativa positiva e irrelevante (β = 0.18; p < 0.05).
Ambas variables explican el 19.8% de la varianza de la satisfacción laboral,
considerado un valor bajo (R2 = 0.198).
Actividad grupal:

Realizar la Actividad
grupal 4
Para finalizar

¿alguna
pregunta?
Referencias
Blanco, C. (2016). Encuesta y Estadística. Métodos de investigación cuantitativa en ciencias sociales y comunicación. Editorial Brujas.
Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155-159. [Link]
Cohen, J., Cohen, P., West, S.G., & Aiken, L.S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences (Third Edition).
New York: Routledge.
Coolican, H. (2009). Research Methods and Statistics in Psychology. Hooder Education.
Cooper, H. (2020). Reporting quantitative research in psychology: how to meet APA style journal article reporting standards. American
Psychological Association.
Ernst, A.F., & Albers, C.J. (2017). Regression assumptions in clinical psychology research practice—a systematic review of common
misconceptions. PeerJ 5, e3323 [Link]
Ferguson, C. J. (2009). An effect size primer: A guide for clinicians and researchers. Professional Psychology: Research and Practice, 40(5), 532–
538. [Link]
Rendón-Macías, M. E., Villasis-Keever, M. Á., & Miranda-Novales, M. G. (2016). Estadística descriptiva. Revista Alergia México, 63(4), 397- 407.
[Link]
Triola, M. F. (2018). Estadística. Pearson.
Torres, J. (2019). Estadística aplicada a ciencias de la salud. Dextra Editorial.
 Estadística Aplicada

Semana 5:

Modelamiento de ecuaciones estructurales

Profesores:
Mayte Casaño, Juan Kaneko, Johanna Kohler, Jhonatan Navarro,
Victor Paliza, Fernando Rosario, Sixto Salazar, y Ambrosio Tomás

2023-2
Facultad de Psicología

Estadística aplicada

Semana 5

2023-2
 El estudiante conoce aspectos
LOGRO conceptuales sobre el modelamiento de
ecuaciones estructurales
Recordemos lo siguiente:
Base de la comparación Correlación Regresión

Significado La correlación es una medida La regresión describe cómo una

estadística que determina la variable independiente (predictor)
correlación de dos variables. se relaciona con la variable
dependiente (criterio).
Uso Para presentar la relación lineal Para estimar una variable (criterio)
entre dos variables. sobre la base de otra variable
(predictor).
Variable dependiente e Ninguna diferencia porque no Ambas son diferentes:
independiente existen. Variable independiente = predictor
Variable dependiente = criterio
Indica El coeficiente de correlación indica La regresión indica el impacto de un
la medida en que dos variables se cambio de unidad en el predictor
mueven juntas. sobre el criterio.
Objetivo Hallar un valor numérico que Estimar valores de variables
exprese la relación entre variables. aleatorias (criterio) sobre la base de
valores de variable fija (predictores).
• En grupos, busca dos artículos psicológicos, identifica e
interpreta las tablas donde hayan realizado análisis de
correlación de variables y análisis de regresión lineal
simple.
• Tienes 10 minutos para hacerlo…
Contexto
• Un docente desea saber qué variables explican un buen rendimiento
académico. Realizó una primera investigación y revisión de la literatura,
encontrando que una variable importante es el rasgo de personalidad de
responsabilidad.
• Luego de hacer un análisis de correlación encontró:
r = .45; p < 0.05
Responsabilidad Rendimiento académico

El docente puede concluir que la responsabilidad del

alumno causa un buen rendimiento académico.
No obstante…

1. Las correlaciones no indican predicción ni causalidad.

2. ¿Existirá otra variable que está afectando la relación entre responsabilidad
y el rendimiento académico?

Ante esto el docente vuelve a realizar un análisis de la literatura y descubre

que una variable importante que explica el rendimiento académico y se
relaciona con la responsabilidad es la autoeficacia académica. Ante ello decide
hacer un análisis de regresión lineal simple.
 Responsabilidad β = .25; p < 0.05

Rendimiento
académico
Autoeficacia β = .41; p < 0.05
académica

El docente encuentra que la responsabilidad y la

autoeficacia académica son predictores del
rendimiento académico. Pero… ¡el gran problema
es que los predictores están relacionadas!

¿Qué hacemos?
Necesitamos una técnica estadística flexible que nos permita modelar o
indicar que los predictores se relacionan o que la autoeficacia
académica es una variable mediadora del efecto de la responsabilidad
sobre el rendimiento académico.

Responsabilidad Autoeficacia
académica
Rendimiento
académico
Autoeficacia Rendimiento
Responsabilidad académico
académica
MODELO DE ECUACIONES ESTRUCTURALES

Son una familia de modelos estadísticos multivariantes

que permite estimar el efecto y las relaciones entre
múltiples variables (Ruiz et al., 2010).
 Se distingue por (Hair et al., 2004):

1. Estimación de relación de dependencia múltiple y

cruzada
2. Permite incluir el concepto de no observado y tener
en cuenta el error de medición
 Permite indicar el tipo y Las relaciones entre
Control estadístico y dirección de las variables representan
teoría relaciones entre relaciones propuestas a nivel
variables teórico

Tener en cuenta que los modelos SEM

hallan relaciones causales porque este se
Medrano y Muñoz-
basa en teorías causales
Navarro (2017)
¡Comprueba hipótesis causales!
Ruiz et al. (2010)
Siete pasos para desarrollo de un SEM (Hair et al.,
2004)
Paso 1: Modelo basado en la teoría

Para indicar causalidad se debe cumplir:

Antecedentes
Falta de
Asociación entre temporales de la Base teórica para
alternativas de
variables causa frente al la relación
variables causales
efecto

Permite no cometer errores en la especificación del modelo

à no incluir variables importantes o incluir variables irrelevantes
Paso 2: Construir diagrama de relaciones causales

La teoría permite establecer el tipo de relación entre las variables

 Paso 3: Especificación del modelo estructural y medida
Variable latente =
constructos
Relación causal

Correlación
Error

Variable observable

Variable exógena: No
son explicados ni Variable endógena: se
causados por ninguna predice por uno o más
variable del modelo constructos
Paso 4: Especificación del modelo estructural y medida

Modelo estructural:
Representa las relaciones
Modelo de medida: entre las variables
relación entre variables
observadas y el
constructo
Paso 5: Estimación del modelo
Modelo de estimación:

Máxima verosimilitud (ML) necesita:

1. Tamaño adecuado de muestra (> 300; Hayes y Preacher, 2014)
2. Variables continuas
3. Distribución normal multivariada (incluso puede aceptar valores menores a 70 en
el coeficiente multivariado de Mardia (Rodríguez y Ruiz, 2008).

Mínimos cuadrados (LS) y mínimos cuadrados no ponderados (ULS) necesitan (Saris

et al., 2009):
1. Muestras pequeñas
2. Incumplimiento de la normalidad multivariada
Paso 6 : Estimación del ajuste del modelo

Ajuste à Determinar si las relaciones entre variables del modelo

reflejan adecuadamente las relaciones observadas en los datos.

Ajuste SEM à Evalúa las diferencias entre las covarianzas

observadas en la muestra y las pronosticadas por el modelo
especificado (Medrano y Muñoz-Navarro, 2017; Ruiz et al., 2010)
Paso 6 : Estimación del ajuste del modelo

Comparan la matriz de
covarianza de los datos con la
reproducida por el método de
estimación

Comparan el ajuste respecto a

otro modelo

Comparan el ajuste respecto al

número de parámetros
estimados
Paso 7 : Interpretación, re-especificación y re-
interpretación del modelo
Analizar si los resultados son congruentes con la teoría a través de estas
preguntas:

1. ¿Están corroboradas y son estadísticamente significativas las principales

relaciones de la teoría?
2. ¿Añaden los modelos rivales mayor perspectiva sobre las formulaciones
alternativas de la teoría como para tomarlas en cuenta?
3. ¿Están todas las relaciones en la dirección supuesta (positiva o negativa)?
Actividad grupal
• Identificar dos artículos científicos psicológicos que hayan utilizado SEM
para el análisis de sus datos y responder (elaborar una tabla para cada
artículo):
Preguntas Respuesta

¿Cuáles son las variables endógenas?

¿Cuáles son las variables exógenas?

¿Cuál es el método de estimación utilizado?

¿Cuáles son los índices de ajuste del modelo?

¿Cuáles son las principales conclusiones de los autores

en función del SEM?
Para finalizar
• Las ecuaciones estructurales son métodos estadísticos flexibles y que
permiten estudiar diferentes tipos de relaciones entre las variables.
• Son muy utilizados en la investigación psicológica porque permite el
estudio de variables latentes.
¿alguna pregunta?
Referencias
Hayes, A., y Preacher, K. (2014). Statistical mediation analysis with a multicategorical independent variable. British Journal of
Mathematical and Statistical Psychology, 67, 451–470.
Hair, J. F., Anderson, R. E., Tatham, R. L., & Black W. C. (2014). Análisis multivariante (5ta edición). Prentice Hall.
Medrano, L. A., & Muñoz-Navarro, R. (2017). Aproximación conceptual y práctica a los modelos de ecuaciones estructurales.
Revista Digital en Investigación y Docencia Universitaria, 11(1), 219-239. [Link]

Rodríguez Ayán, M. y Ruiz, M. (2008). Atenuación de la asimetría y de la curtosis de las puntuaciones observadas mediante
transformaciones de variables: Incidencia sobre la estructura factorial. Psicológica, 29, 205-227

Ruiz, M. A., & San Martín, R. (2010). Modelos de ecuaciones estructurales. Papeles del Psicólogo, 31(1), 34-45.

Saris, W. E., Satorra, A., y van der Veld, W. M. (2009). Testing structural equation models or detection of
misspecifications? Structural Equation Modeling: A Multidisciplinary Journal, 16, 561–
582. [Link]
 Estadística Aplicada

Semana 6:

Modelamiento de ecuaciones estructurales

Sesión II

Profesores: Johanna Kohler, Jhonatan Navarro, Sixto Salazar,

Fernando Rosario, Juan Kaneko, Mayte Casaño, Víctor Paliza y
Ambrosio Tomás

2023-2
Facultad de Psicología

Estadística aplicada

Semana 6

2023-2
 El estudiante interpreta el análisis de
LOGRO modelamiento de ecuaciones
estructurales
Antes de iniciar…
DISEÑOS DE Tipos
INVESTIGACIÓN (Ato Diseños
et al. (2013) Comparativo
Diseño correlacional simple:
Clases de investigación R de Pearson o rho de
Estrategias spearman
Teóricas
Asociativa Predictivo
Diseño predictivo transversal:
Empírica Análisis de regresión lineal
Manipulativa simple y múltiple
Metodológica

Instrumental Descriptiva
Diseño explicativo de variable
Explicativo latente: Modelo de ecuaciones
estructurales
 Permite indicar el tipo y Las relaciones entre
Control estadístico y dirección de las variables representan
teoría relaciones entre relaciones propuestas a
variables nivel teórico

MODELO DE
Tener en cuenta que los modelos SEM
ECUACIONES
Medrano y Muñoz-
hallan relaciones causales porque este se
basa en teorías causales
ESTRUCTURALES
Navarro (2017)
Ruiz et al. (2010)
¡Comprueba hipótesis causales! (SEM)
 3. Especificación del
modelo:
1. Modelo basado 2. Diagrama de constructos,
en la teoría relaciones causales variables
endógenas,
exógenas

4.
Especificación 6. Estimación 7. Interpretación,
5. Estimación re especificación
del modelo de del ajuste del
del modelo y reinterpretación
estructura y de modelo del modelo
medida
Revisemos juntos el ARTÍCULO EJEMPLO QUE ESTÁ EN AULA VIRTUAL
Este es el último párrafo de la introducción y se observa el
objetivo e hipótesis de la investigación.
Método de estimación

Estándares de interpretación
de ajuste del modelo
1. ¿Cuántas variables
endógenas hay?
2. ¿Cuántas variables exógenas
hay?
3. ¿Cuántos modelos de
estructura hay?
4. ¿Cuántos modelos de
medida hay?
Los autores concluyen que el modelo es aceptable y por lo tanto
se acepta la hipótesis de investigación
Para esta sección trabajaremos con la BASE DE DATOS SEMANA 6 Caso 1

Paso 1: Modelo basado en la teoría. Para esta parte de la sesión asumiremos que el modelo tiene un respaldo teórico
y en los antecedentes de investigación.

Paso 2: Diagrama de relaciones causales.

ANS 1

ANS 2
RET 1

RET 2 ANS 3
Ansiedad
+
RET 3 ANS 4

RET 4 Retirada +
DEP 1
RET 5

RET 6
+ DEP 2
Depresión
RET 7 DEP 3

DEP 4
Paso 3: Especificación del modelo: constructos, variables endógenas, exógenas

Paso 4: Especificación del modelo de estructura y de medida

ANS 1

ANS 2
RET 1
1. ¿Cuántas variables
RET 2 ANS 3 endógenas hay?
Ansiedad
RET 3
+ ANS 4
2. ¿Cuántas variables
exógenas hay?
3. ¿Cuántos modelos
RET 4 Retirada
+ de estructura hay?
DEP 1 4. ¿Cuántos modelos
RET 5

RET 6
+ DEP 2
de medida hay?
Depresión
RET 7 DEP 3

DEP 4
1

3 Instalar el Módulo semlj - SEM

1

Agregar en los
espacios
2 correspondientes los
ítems que
representan a cada
variable latente
endógena y exógena.
 Según las especificaciones
del modelo, las variables
endógenas son ANSIEDAD y
DEPRESIÓN.

Según las especificaciones

del modelo, la variable
exógena es RETIRADA.

¡Se sugiere agregar

nombres cortos para
las variables!
 En estas secciones
vamos a dar todas las
especificaciones al
modelo.

En los espacios en blanco

señalados, tenemos que agregar
la variable que afecta a ANSIEDAD
y DEPRESIÓN. En el modelo es la
variable exógena RETIRADA.
 Con esto, estamos
indicando a JAMOVI
que RETIRADA es la
variable que afecta a
ANSIEDAD y
DEPRESIÓN.
1

Con esta opción vamos a evaluar la

2 normalidad multivariada con el
Coeficiente multivariado de Mardia.

El coeficiente de curtosis de
Mardia es mayor a 70, por lo
tanto, no hay normalidad
multivariada y se tiene que usar
como método de extracción él
mínimo cuadrado no ponderado
(ULS).
Modelo de estimación (Paso 5):

Máxima verosimilitud (ML) necesita:

1. Tamaño adecuado de muestra (> 300; Hayes y Preacher, 2014)
2. Variables continuas
3. Distribución normal multivariada (< 70 en el coeficiente multivariado de Mardia
(Rodriguez y Ruiz, 2008).

Mínimos cuadrados (LS) y mínimos cuadrados no ponderados (ULS) necesitan (Saris et

al., 2009):
1. Muestras pequeñas
2. Incumplimiento de la normalidad multivariada
Paso 5: Estimación del Modelo

Tenemos que cambiar el

1 método de estimación. Por
2 defecto JAMOVI lo identifica
de forma automática.

3
1
2

4
3

Estas opciones brindan un gráfico

SEM con los coeficientes beta.
Paso 6: Estimación del ajuste del modelo

Lo señalado indica que los

índices de ajuste del modelo
son aceptables según los
estándares.
Paso 7: Interpretación del modelo

Se puede concluir que RETIRADA afecta de

forma significativa positiva y baja a la
ANSIEDAD y de forma positiva y moderada a la
DEPRESIÓN. Además, DEPRESIÓN y ANSIEDAD
se relacionan de forma significativa mediana.
Debe coincidir a la
especificación del
modelo inicial
Recordando…

Coeficientes de regresión estandarizados (β)

Interpretación

<0.20 = irrelevante
.20 a .49 = influencia mínima necesaria (baja)
.50 a .79 = moderada
.80 a más = fuerte
Recordando…

Fuerza de la correlación (Cohen, 1992)

-0.5 a 1 -0.3 a -0.49 -0.1 a -0.29 0 0.1 a 0.29 0.3 a 0.49 0.5 a 1
Grande Mediana Pequeña No hay Pequeña Mediana Grande
relación
 Caso 2

Paso 1: Modelo basado en la teoría. Para esta parte de la sesión asumiremos que el modelo tiene un respaldo teórico
y en los antecedentes de investigación.

Paso 2: Diagrama de relaciones causales.

PROM1

PROM2
-
Prominencia
ENFRE1

ENFRE2 PROM3
Enfrentar
ENFRE3
el
problema
+
ENFRE4 TOL1
-
Tolerancia TOL2

TOL3
Paso 3: Especificación del modelo: constructos, variables endógenas, exógenas

Paso 4: Especificación del modelo de estructura y de medida

PROM1
1. ¿Cuántas variables
PROM2 endógenas hay?
-
Prominencia
ENFRE1
2. ¿Cuántas variables
exógenas hay?
ENFRE2 PROM3
Enfrentar 3. ¿Cuántos modelos de

ENFRE3
el
problema
+ estructura hay?
4. ¿Cuántos modelos de
medida hay?
ENFRE4 TOL1
-
Tolerancia TOL2

TOL3
Según las especificaciones
del modelo, las variables
endógenas son
PROMINENCIA y
TOLERANCIA.

Según las especificaciones

del modelo, la variable
exógena es ENFRENTAR EL
PROBLEMA.
Con esto, estamos indicando
a JAMOVI que ENFRENTAR
EL PROBLEMA es la variable
que afecta a PROMINENCIA
y TOLERANCIA.
1
Con esta opción vamos a
evaluar la normalidad
2 multivariada con el
Coeficiente multivariado de
Mardia.

El coeficiente de curtosis de
mardia es mayor a 70, por lo
tanto, no hay normalidad
multivariada y se tiene que
usar como método de
extracción él mínimo
cuadrado no ponderado
(ULS).
 Paso 5: Estimación del Modelo

2
1 Tenemos que cambiar el método de
estimación. Por defecto JAMOVI lo
identifica de forma automática.

3
1
2

4
3

Estas opciones brindan

un gráfico SEM con los
coeficientes beta.
Paso 6: Estimación del ajuste del modelo

Lo señalado indica que los índices de

ajuste del modelo son aceptables
según los estándares.
No obstante, un ajuste de 1
(perfecto) no es recomendable
porque puede ser indicador de algún
problema en el modelo.
Paso 7: Interpretación del modelo

Se puede concluir que ENFRENTAR EL

PROBLEMA afecta de forma significativa,
baja y negativa a PROMINENCIA y
TOLERANCIA.
 Caso 3

Paso 1: Modelo basado en la teoría. Para esta parte de la sesión asumiremos que el modelo tiene un respaldo teórico
y en los antecedentes de investigación.

Paso 2: Diagrama de relaciones causales. DIST1

DIST2
Distraerse
APOYO1 del DIST3
+ problema
APOYO2 DIST4
Apoyo
APOYO3 social +
APOYO4 FELIZ1
+
Felicidad FELIZ2

FELIZ3
Paso 3: Especificación del modelo: constructos, variables endógenas, exógenas

Paso 4: Especificación del modelo de estructura y de medida

DIST1

DIST2
Distraerse 1. ¿Cuántas variables
APOYO1 del DIST3 endógenas hay?
+ problema 2. ¿Cuántas variables
APOYO2 DIST4 exógenas hay?
Apoyo 3. ¿Cuántos modelos de
APOYO3 social + estructura hay?
4. ¿Cuántos modelos de
FELIZ1 medida hay?
APOYO4
+
Felicidad FELIZ2

FELIZ3
Paso 5: Estimación del modelo

Paso 6: Estimación del ajuste del modelo

Paso 7: Interpretación del modelo

¿Existe normalidad multivariada?

¿Los índices de ajuste son aceptables?

Interpretar los coeficientes beta de las

relaciones causales entre las variables
 Caso 4

Paso 1: Modelo basado en la teoría. Para esta parte de la sesión asumiremos que el modelo tiene un respaldo teórico
y en los antecedentes de investigación.
ANS 1
Paso 2: Diagrama de relaciones causales.
ANS 2

ANS 3
Ansiedad
+ ANS 4
ABST1
+ +
ABST2 Abstinencia Recaída
DEP 1
ABST3
+ Depresión
DEP 2

DEP 3
REC1 REC2 REC3
DEP 4
Paso 3: Especificación del modelo: constructos, variables endógenas, exógenas

Paso 4: Especificación del modelo de estructura y de medida

ANS 1

ANS 2

ANS 3
Ansiedad
+ ANS 4
ABST1
+ +
ABST2 Abstinencia Recaída
DEP 1
ABST3
+ Depresión
DEP 2

DEP 3
REC1 REC2 REC3
DEP 4
Paso 5: Estimación del modelo

Paso 6: Estimación del ajuste del modelo

Paso 7: Interpretación del modelo

¿Existe normalidad multivariada?

¿Los índices de ajuste son aceptables?

Interpretar los coeficientes beta de las

relaciones causales entre las variables
¡Resolvamos los ejercicios juntos!
¿alguna pregunta?
Referencias
Hayes, A., y Preacher, K. (2014). Statistical mediation analysis with a multicategorical independent variable. British Journal of
Mathematical and Statistical Psychology, 67, 451–470.
Hair, J. F., Anderson, R. E., Tatham, R. L., & Black W. C. (2014). Análisis multivariante (5ta edición). Prentice Hall.
Medrano, L. A., & Muñoz-Navarro, R. (2017). Aproximación conceptual y práctica a los modelos de ecuaciones estructurales.
Revista Digital en Investigación y Docencia Universitaria, 11(1), 219-239. [Link]

Rodríguez Ayán, M. y Ruiz, M. (2008). Atenuación de la asimetría y de la curtosis de las puntuaciones observadas mediante
transformaciones de variables: Incidencia sobre la estructura factorial. Psicológica, 29, 205-227

Ruiz, M. A., & San Martín, R. (2010). Modelos de ecuaciones estructurales. Papeles del Psicólogo, 31(1), 34-45.

Saris, W. E., Satorra, A., y van der Veld, W. M. (2009). Testing structural equation models or detection of
misspecifications? Structural Equation Modeling: A Multidisciplinary Journal, 16, 561–
582. [Link]
 Estadística Aplicada

Semana 7:

Modelamiento de ecuaciones estructurales

Práctica

Profesores:
Profesores: Johanna Kohler, Jhonatan Navarro, Sixto Salazar, Fernando
Rosario, Juan Kaneko, Mayte Casaño, Víctor Paliza y Ambrosio Tomás

2023-2
Facultad de Psicología

Estadística aplicada

Semana 7

2023-2
 El estudiante aplica e interpreta el
LOGRO análisis de modelamiento de
ecuaciones estructurales
 Especificación del modelo estructural y medida
Variable latente =
constructos
Relación causal

Correlación
Error

Variable observable

Variable exógena: No
son explicados ni Variable endógena: se
causados por ninguna predice por uno o más
variable del modelo constructos
Especificación del modelo estructural y medida

Modelo estructural:
Representa las relaciones
Modelo de medida: entre las variables
relación entre variables
observadas y el
constructo
Recordando…

Coeficientes de regresión estandarizados (β)

Interpretación

.20 a .49 = influencia mínima necesaria (baja)

.50 a .79 = moderada
.80 a más = fuerte
Recordando…

Fuerza de la correlación (Cohen, 1992)

-0.5 a 1 -0.3 a -0.49 -0.1 a -0.29 0 0.1 a 0.29 0.3 a 0.49 0.5 a 1
Grande Mediana Pequeña No hay Pequeña Mediana Grande
relación
Recordando…

3. Especificación del
modelo:
1. Modelo basado 2. Diagrama de constructos,
en la teoría relaciones causales variables
endógenas,
exógenas

4.
Especificación 6. Estimación 7. Interpretación,
5. Estimación re especificación
del modelo de del ajuste del
del modelo y reinterpretación
estructura y de modelo del modelo
medida
 Caso 2*

Paso 1: Modelo basado en la teoría. Para esta parte de la sesión asumiremos que el modelo tiene un respaldo teórico
y en los antecedentes de investigación.

Paso 2: Diagrama de relaciones causales.

PROM1

PROM2
-
Prominencia
ENFRE1

ENFRE2 PROM3
Enfrentar
ENFRE3
el
problema
+
ENFRE4 TOL1
-
Tolerancia TOL2

TOL3
Paso 3: Especificación del modelo: constructos, variables endógenas, exógenas

Paso 4: Especificación del modelo de estructura y de medida

PROM1
1. ¿Cuántas variables
PROM2 endógenas hay?
-
Prominencia
ENFRE1
2. ¿Cuántas variables
exógenas hay?
ENFRE2 PROM3
Enfrentar 3. ¿Cuántos modelos de

ENFRE3
el
problema
+ estructura hay?
4. ¿Cuántos modelos de
medida hay?
ENFRE4 TOL1
-
Tolerancia TOL2

TOL3
Según las especificaciones del
modelo, las variables
endógenas son PROMINENCIA
y TOLERANCIA.

Según las especificaciones del

modelo, la variable exógena es
ENFRENTAR EL PROBLEMA.
Con esto, estamos indicando
a JAMOVI que ENFRENTAR
EL PROBLEMA es la variable
que afecta a PROMINENCIA
y TOLERANCIA.
1
Con esta opción vamos a
evaluar la normalidad
2 multivariada con el
Coeficiente multivariado de
Mardia.

El coeficiente de curtosis de
mardia es mayor a 70, por lo
tanto, no hay normalidad
multivariada y se tiene que
usar como método de
extracción él mínimo
cuadrado no podenrado
(ULS).
Paso 5: Estimación del Modelo

Tenemos que cambiar el método

1 de estimación. Por defecto
2 JAMOVI lo identifica de forma
automática.

3
1
2

4
3

Estas opciones brindan

un gráfico SEM con los
coeficientes beta.
Paso 6: Estimación del ajuste del modelo

Lo señalado indica que los índices de

ajuste del modelo son aceptables
según los estándares. No obstante,
un ajuste de 1 (perfecto) no es
recomendable porque puede ser
indicador de algún problema en el
modelo.
Paso 7: Interpretación del modelo

Se puede concluir que ENFRENTAR EL

PROBLEMA afecta de forma significativa,
baja y negativa a PROMINENCIA y
TOLERANCIA.
 Caso 3

Paso 1: Modelo basado en la teoría. Para esta parte de la sesión asumiremos que el modelo tiene un respaldo teórico
y en los antecedentes de investigación.

Paso 2: Diagrama de relaciones causales. DIST1

DIST2
Distraerse
APOYO1 del DIST3
+ problema
APOYO2 DIST4
Apoyo
APOYO3 social +
APOYO4 FELIZ1
+
Felicidad FELIZ2

FELIZ3
Paso 3: Especificación del modelo: constructos, variables endógenas, exógenas

Paso 4: Especificación del modelo de estructura y de medida

DIST1

DIST2
Distraerse 1. ¿Cuántas variables
APOYO1 del DIST3 endógenas hay?
+ problema 2. ¿Cuántas variables
APOYO2 DIST4 exógenas hay?
Apoyo 3. ¿Cuántos modelos de
APOYO3 social + estructura hay?
4. ¿Cuántos modelos de
FELIZ1 medida hay?
APOYO4
+
Felicidad FELIZ2

FELIZ3
Paso 5: Estimación del modelo

Paso 6: Estimación del ajuste del modelo

Paso 7: Interpretación del modelo

¿Existe normalidad multivariada?

¿Los índices de ajuste son aceptables?

Interpretar los coeficientes beta de las

relaciones causales entre las variables
 ACTIVIDAD 7

En grupos desarrollaremos el caso 4, las

indicaciones y formato se encuentra en el aula
virtual.
Para finalizar

¿alguna
pregunta?
Referencias
Hayes, A., y Preacher, K. (2014). Statistical mediation analysis with a multicategorical independent variable. British Journal of
Mathematical and Statistical Psychology, 67, 451–470.
Hair, J. F., Anderson, R. E., Tatham, R. L., & Black W. C. (2014). Análisis multivariante (5ta edición). Prentice Hall.
Medrano, L. A., & Muñoz-Navarro, R. (2017). Aproximación conceptual y práctica a los modelos de ecuaciones estructurales.
Revista Digital en Investigación y Docencia Universitaria, 11(1), 219-239. [Link]

Rodríguez Ayán, M. y Ruiz, M. (2008). Atenuación de la asimetría y de la curtosis de las puntuaciones observadas mediante
transformaciones de variables: Incidencia sobre la estructura factorial. Psicológica, 29, 205-227

Ruiz, M. A., & San Martín, R. (2010). Modelos de ecuaciones estructurales. Papeles del Psicólogo, 31(1), 34-45.

Saris, W. E., Satorra, A., y van der Veld, W. M. (2009). Testing structural equation models or detection of
misspecifications? Structural Equation Modeling: A Multidisciplinary Journal, 16, 561–
582. [Link]