1. No category

Taller Metodológico:
CONCEPTOS Y FUNDAMENTOS
BÁSICOS EN ANÁLISIS ESTADÍSTICO
DESCRIPTIVO
Juan León Jara Almonte
GRADE
¿Por qué hacer análisis descriptivo?
¿ Qué hacer con estos
datos?
ESTADISTICA DESCRIPTIVA
Definición
Cuando se hace una recolección de datos, al final se cuenta con una base que por si
sola no dice nada y necesita ser trabajada para poder tener información acerca de lo
que se recogió en campo.
De esta manera, el análisis descriptivo de una base de datos sirve para tal fin, nos
permite describir la información recogida en campo. Asimismo, el tipo de análisis
descriptivo que se realiza dependerá del tipo de variable que se está analizando.
Los tipos de análisis descriptivo que se pueden realizar son:
 Análisis de tendencia central (p.ej.: media)
 Análisis de dispersión (p.ej.: varianza)
 Comparación de medias:
 Test Paramétricos (p.ej.: ANOVA)
 Test No Paramétricos (p.ej.: Chi cuadrado)
Tipos de Variables
Antes de comenzar a ver los tipos de análisis
que se pueden desarrollar, es necesario conocer
los tipos de variables que hay, estos son:
 Variables Cuantitativas
 Variables Cualitativas
Variables Cuantitativas
Los valores de este tipo de variables son números que se
pueden ordenar y/o comparar de menor a mayor. Este tipo
de variables se pueden dividir en dos:
•
Discretas: aquellas que pueden tomar solo valores
enteros, como por ejemplo: Número de hijos, Años de
escolaridad.
•
Continuas: aquellas que pueden tomar cualquier valor
dentro de los números reales, como por ejemplo: la
estatura de un grupo de personas, el nivel de ingresos
de las personas en Lima metropolitana, entre otras.
Variables Cualitativas
• Estas variables representan características y/o
atributos de una persona, lugar o cosa. No se
pueden ordenar, lo que implica que ningún
valor que tome es mayor o menor que el otro.
• Algunos ejemplos de este tipo de variables
son: el género, estado civil, etnicidad, entre
otras.
TIPOS DE VARIABLES
CUANTITATIVAS
DISCRETAS
•Número de alumnos
•Nivel educativo
•Niveles de bienestar
CUALITATIVAS
CONTINUAS
•Nivel de ingresos.
•La estatura de una persona
•Tiempo de duración de un
examen.
•Sexo
•Lugar de residencia.
•Tipo de institución educativa
(público o privada)
MEDIDAS DE TENDENCIA
CENTRAL
Medidas de tendencia central (i)
 Las medidas de tendencia central nos
muestran alrededor de qué punto se agrupan
la mayoría de las observaciones de una
variable.
Las medidas de tendencia central más usadas
son:
 Media
 Mediana
 Moda
Medidas de tendencia central (ii)
 Media aritmética: es el valor promedio de una serie
de datos, el cual se obtiene dividendo la suma de los
valores de la variable entre el número de
observaciones.
N
x
x  x  x  ........  xN 1  xN i 1
X 1 2 3

N
N
 Por ejemplo: 1, 2, 3, 4, 6, 8
∑ = 24 , N=6, Media = 4
i
Medidas de tendencia central (iii)
 Mediana: La mediana de una variable es el valor que
divide los datos en dos partes iguales. El número de
observaciones menores a la mediana es igual al
numero de observaciones mayores a esta.
 Por ejemplo: 1, 6, 12, 72, 144
Mediana: 12
Cuando se cuenta con una serie de datos par, la
mediana es el promedio de los números del medio.
Medidas de tendencia central (iv)
 Moda: es el valor de una variable que se
presenta con mayor frecuencia en la variable.
 Por ejemplo: 1, 2, 3, 3, 3, 3, 3, 4, 5, 6
Moda: 3
MEDIDAS DE DISPERSIÓN
Medidas de dispersión (i)
 Medidas que permiten medir la variabilidad
que presenta los valores de una variable, es
decir, nos dan un alcance de la dispersión de
los datos.
 Las medidas de dispersión más usadas son:
 La varianza
 La desviación estándar
 El coeficiente de variación
Medidas de dispersión (ii)
 Varianza: es la medida de dispersión de una
variable, es decir son las diferencias entre el valor
observado y su valor medio o esperado al
cuadrado. Suele denotarse con la letra griega
sigma ( σ ) elevada al cuadrado.
Var ( X )  
2
(X  


x
)
2
n 1
Donde X es la variable que estamos analizando y
n es el número de observaciones
Medidas de dispersión (iii)
 Desviación estándar: es la raíz cuadrada de la
varianza. Al igual que la varianza, suele
denotarse con la letra griega sigma.
DE( X )   
(X  
x
)
2
n 1
Donde X es la variable que estamos
analizando y n el numero de observaciones.
Medidas de dispersión (iv)
 Coeficiente de variación (CV): se utiliza para
comparar la dispersión de dos distribuciones
distintas dado que elimina la escala (p.ej.:
kilogramos, metros) de las variables que se
comparan.
Var ( X )
D.E.

C.V .( X ) 


Media X
X
El CV se obtiene del ratio de la desviación estándar
de una variable y su media.
Ejemplo utilizando las bases de datos
de la Evaluación Nacional del 2004
 Utilizando los puntajes en comunicación de las siguientes
Instituciones Educativas:
Desviación estándar
N estudiantes
Institución Educativa 1
5
Institución Educativa 2
30
Media
292.7
274.4
DE
52.9
66.8
CV
0.18
0.24
Número de
observaciones
C.V. de 1 > C.V. de 2
Promedio 1 > Promedio de 2
Ejemplo usando diferentes variables
N
1
2
3
4
5
6
Media
DE
Varianza
CV
Edad (años) Estatura (cm)
167
18
172
35
160
20
184
46
167
51
171
24
Peso (kg)
60
85
70
67
55
74
Ejemplo usando diferentes variables
N
1
2
3
4
5
6
Media
DE
Varianza
CV
Edad (años) Estatura (cm)
18
167
35
172
20
160
46
184
51
167
24
171
32
170
13.9
8.0
193.9
63.8
0.43
0.05
Mayor Variación
Peso (kg)
60
85
70
67
55
74
69
10.6
112.3
0.15
CARACTERÍSTICAS DE UNA
DISTRIBUCIÓN
Normalidad de una variable
• Para ver si una variable sigue una distribución
normal, se puede realizar una prueba
estadística como el Kolmogorov-Smirnov test,
Jarque-Bera test, entre otros.
• Lo que todas estas pruebas o tests tienen en
común es que evalúan la existencia de
normalidad a partir de dos estadísticos:
Skewness y la Kurtosis.
Skewness y Kurtosis
• La skewness es una medida de simetría de la
distribución de una variable. Así, una variable se le
llama simétrica si la distribución luce similar tanto
por encima como por debajo del promedio.
• Los tipos de skewness que hay son: i) positive skew, y
ii) negative skew.
Skewness igual a 0 : normal
Skewness mayor a 0: negative skew
Skewness menor a 0: positive skew
Skewness y Kurtosis
• La kurtosis es un estadístico que nos indica que
tanto es el apuntalamiento de los datos en la
variable que se está trabajando. Es decir, nos
dice qué tan plana es la distribución de los datos.
• Al igual que en la skewness, existen diferentes
tipos de kurtosis, que nos indican que tan
aplanada es la distribución de los datos.
Kurtosis igual a 0 : normal
Kurtosis mayor a 0: leptokurtic
Kurtosis menor a 0: mesocurtic
Nota: Algunos programas (como el SPSS)
usan el 3 en lugar de 0
Códigos para calcular los estadísticos
descriptivos en STATA y SPSS
STATA
SPSS
• Para calcular los estadísticos
descriptivos de una o más
variables, hay varios comandos
en STATA que permiten obtener
estos indicadores.
• Para calcular los estadísticos
descriptivos de una o más
variables, en SPSS se tiene el
comando descriptives.
Los principales son:
summarize [variables], detail
tabstat [variables], s(mean sd sd
skew kurtosis)
Códigos para obtener los
estadísticos descriptivos:
descriptives [variables]
/statistics = mean stddev
variance min max semean
kurtosis skewness.
Ejemplo en SPSS de los estadísticos
descriptivos
DESCRIPTIVES VARIABLES=rend_com rend_mat
/STATISTICS=MEAN STDDEV MIN MAX.
Ejemplo 1: Distribución de una
variable
Ejemplo 2: Distribución de una
variable
COMPARACIÓN DE MEDIAS
Comparaciones de Medias(i)
 Las pruebas de comparaciones de medias sirven para probar
si las medias de dos grupos son estadísticamente diferentes.
 Estas pruebas se pueden realizar asumiendo normalidad o sin
asumir normalidad en la variable que se va comparar.
 En el caso de normalidad en la variable a analizar, la pruebas que se
pueden utilizar son paramétricas tales como: i) el análisis de varianza,
o ii) el test de la t de student (ttest)
 En el caso de no normalidad en la variable a analizar, las pruebas que
se pueden utilizar son no-paramétricas tales como: i) la prueba de U
Mann-Whitney , o ii) Wilcoxon test.
Comparaciones de Medias(ii)
 Asimismo las comparaciones de media se pueden realizar
para muestras independientes o muestras no independientes
(dos observaciones en el tiempo)
 Finalmente, se puede asumir igualdad o no de las varianzas en
cada grupo que se va comparar.
PRUEBAS PARAMÉTRICAS
Pruebas paramétricas: ANOVA
 El análisis de varianza es una prueba que permite
comparar las medias de diferentes grupos de tal
forma de ver si son estadísticamente diferentes.
 La hipótesis nula es que las muestras para cada
grupo han sido realizadas de forma aleatoria y
por lo tanto las medias deben ser iguales.
 Finalmente, esta prueba asume que las variables
a comparar siguen una distribución normal.
Análisis de Varianza
SCT  SC E  SC D
Suma de cuadrados
totales
Suma de cuadrados entre
grupos o explicada
Suma de cuadrados
dentro de grupos o no
explicada
Ejemplo
Promedio por
colegio en
comprensión de
lectura
Promedio total
Suma total de cuadrados o variación total
SCT   (Ycaso  Y total )
2
Promedio total = 12
Suma de cuadrados entre grupos o explicada
SC E   (Y grupo  Y total
2
)
Suma de cuadrados dentro de grupo o no explicada
SC D   (Y
 Y grupo ) 2
Individuo
Prom(A)
SCD
Prom(B)
Prom(C)
Suma de cuadrados
totales
Suma de cuadrados entre
grupos o explicada
Suma de cuadrados
dentro de grupos o no
explicada
SCT  SC E  SC D
142
10
132
Varianza entre grupos (between)
Varianza del cuadrado medio entre grupos 
Suma de cuadrados entre grupos
grados de libertad entre grupos (K - 1)
Para este caso “K “ es igual a 3, pues son 3 colegios.
SC E
10
10
Varianza del cuadrado medio entre grupos 


5
K -1 3 1
2
Varianza al interior de los grupos (within)
Varianza del cuadrado medio dentro de grupos 
Suma de cuadrados dentro de los grupos
grados de libertad dentro de grupos (n - K)
En este caso “n” es igual a 15 (observaciones)
“K” es igual a 3 (colegios)
Varianza del cuadrado medio dentro de grupos 
142
142
142


 11.83
(n - K) (15 - 3)
12
Varianza del cuadrado medio total
Varianza del cuadrado medio total 
Suma de cuadrados totales
grados de libertad total (n - 1)
En este caso “n” es igual a 15 (observaciones)
Varianza del cuadrado medio total 
142
142
142


 10.14
(n - 1)
(15 - 1)
(14)
Estadístico de prueba de la razón de F
Varianza explicada
Estadístico de la razón F 
Varianza no explicada
Estadístico de la razón F 
0.422  3.89
5
 0.42
11.83
F de la distribución de Fisher, con 2 (K-1)
grados de libertad en el numerador y 12
(n-K) grados de libertad del denominador.
No se rechaza la hipótesis nula de
igualdad de las medias para este ejemplo.
La hipótesis nula se evalúa al 95%
Comandos para hacer un ANOVA en
STATA y SPSS
STATA
 El comando para hacer un
ANOVA en STATA se llama:
oneway.
SPSS
 El comando para hacer un t-test en
SPSS se llama oneway.
 El código para correr este análisis es:
 El código para correr este
análisis es:
 oneway [outcome] [group]
 Oneway [outcome] by [group] ([values])
/statistics = all.
Pruebas Paramétricas: T-Test
Supuesto:
 Normalidad de la distribución de la variable
(n1  1) 2 ( X 1 )  (n2  1) 2 ( X 2 ) n1  n2
S(X 1  X 2 ) 
n1  n2  2
n1 n2
En donde :
S es el error estándar
 2 es la varianza
Prueba t para diferencia de medias
Prueba
original
Hipótesis
nula
Prueba con
remplazo de
la hipótesis
nula
prueba t 
X1  X
H 0 :  x1   x 2
2
 (  x1   x 2 )
S(X 1  X 2 )

 x1   x 2  0
X1  X 2
prueba t 
S(X 1  X 2 )
Comandos para hacer un t-test en
STATA y SPSS
STATA
SPSS
 El comando para poder hacer
un t-test en STATA se llama:
ttest.
 El comando para poder hacer un ttest en SPSS se llama t-test.
 Los códigos para correr este
análisis es:
 Los códigos para correr este análisis
es:
 Varianzas iguales
ttest [outcome], by([group])
 Varianzas diferentes
ttest [outcome], by([group])
unequal
 t-test groups = [group] ([values])
/variables = [outcome]
/criteria = CIN (.99).
El SPSS en su ventana de resultados da los
resultados de la prueba asumiendo
igualdad o no de varianzas.
Ejemplo: Comparación de medias de notas en matemática,
para rural – urbano (usando SPSS)
Se observa que se rechaza la hipótesis nula
de igualdad de medias al 99% de confianza.
PRUEBAS NO PARAMÉTRICAS
Pruebas No-Paramétricas:
Test U de Mann-Whitney
• Esta prueba tiene las siguientes características:
 No asume distribución normal para las variables.
 Compara las medianas en cada grupo
 Se utiliza para variables discretas
 La hipótesis nula es que las medianas entre grupos
son iguales
Pruebas No-Paramétricas:
Test U Mann-Whitney
• El estadístico de U Mann-Whitney es:
N1 ( N1  1)
U  N1 N 2 
 R1
2
U : el estadístico de U Mann Whitney
N1 o N2 : el número de observaciones en cada
grupo.
R1 : La suma del ranking para el primer grupo
Códigos para hacer el análisis en STATA
y SPSS
STATA
• El comando para hacer la
prueba no-paramétrica del
U Mann-Whitney es
ranksum.
SPSS
• El comando para hacer la
prueba no-paramétrica del
U Mann-Whitney es NPAR
TESTS.
• El código es:
ranksum [outcome],
by([group])
• El código es:
NPAR TESTS
/ M-W=[outcome] BY
[group]([values])
/ MISSING ANALYSIS.
Distribución por área del número de
hermanos por área de residencia
Ejemplo: Comparación de medias del número de
hermanos por estudiante por área (usando SPSS)
CORRELACIÓN
Correlación (i)
 La correlación nos indica la fuerza y dirección de la
asociación de dos variables.
 Se considera a dos variables están correlacionadas
cuando los valores de una varía sistemáticamente con
respecto a los valores de la otra.
 Por ejemplo, se dice que la variable A esta
correlacionada con la variable B, si al aumentar los
valores de A también los valores de B aumentan o
viceversa.
Correlación (ii)
 Hay dos aspectos que se tienen que tomar en cuenta al
momento de ver una correlación:
 La magnitud: mide la intensidad o fuerza en que dos
variables están asociadas. De acuerdo a Cohen (1988): i)
pequeña r ≤ 0.20, ii) mediana 0.20 < r ≤ 0.50, iii) grande r >
0.50.
 La dirección de la relación: dada dos variables A y B, si la
correlación es positiva entonces conforme los valores de A
aumentan, los valores de B también aumentan. En cambio,
si la correlación es negativa entonces conforme los valores
de A aumentan, los valores de B disminuyen.
Correlación (iii)
TIPOS DE CORRELACIÓN
Tipos de Correlación (i)
 Existen dos tipos de correlación:
 Correlación simple: indica la asociación
únicamente entre dos variables.
 Correlación parcial: indica la asociación entre dos
variables controlando por el efecto de una
variable exógena.
Índices de Correlación
 Existen diferentes índices de correlación. Entre
los índices más comunes tenemos:
 Pearson : variables continuas.
 Spearman y Policorica : variables ordinales.
 Phi, tetracorica y Chi cuadrado: variables
cualitativas dicotómicas.
Correlación Lineal
 Se define al coeficiente de correlación lineal
como:
𝑐𝑜𝑣 (𝐴, 𝐵 )
𝜌=
=
𝜎𝐴 ∗ 𝜎𝐵
1
𝑛
1
𝑛
𝑛
𝑖=1(𝐴𝑖
𝑛
𝑖=1(𝐴𝑖
− 𝐴)(𝐵𝑖 − 𝐵)
− 𝐴)2
𝑛
𝑖=1(𝐵𝑖
− 𝐵)2
Ejemplo (i)
Fuente: Las Evaluaciones Nacionales e Internacionales de rendimiento
escolar en el Perú: Balance y perspectivas, Cueto (2007)
Ejemplo (ii)
Fuente: Las Evaluaciones Nacionales e Internacionales de rendimiento escolar en el Perú: Balance y
perspectivas, Cueto (2007)
REGRESIÓN LINEAL
Regresión Lineal
 El análisis de regresión sirve para poder
predecir una variable en función de una o más
variables.
– Y = Variable dependiente
 Otras formas de llamarla: predicha o explicada
– X = Variable independiente
 Otras formas de llamarla: predictora o explicativa
Supuestos del Modelo de Regresión
Lineal (i)
 Los principales supuestos del modelo de regresión lineal:
 Linealidad: la relación entre la variable dependiente y
explicativa es lineal ( Yi = α0 + α1Xi ).
 Forma de verificar: Gráficos de dispersión entre la variable
dependiente y cada explicativa.
 Solución: Linealizar la relación.
 Independencia: no existe correlación entre los errores de las
diferentes observaciones ( cov(uiuj) = 0 ).
 Forma de verificar: calcular la correlación intra-grupo o intra-cluster
(ICC). Valores menores a 0.10 indican que la correlación entre los
errores es 0.
 Solución: Corregir la matriz de varianzas y covarianzas o usar un
modelo de regresión lineal que tome en consideración la correlación
entre observaciones (modelos multinivel)
Supuestos del Modelo de Regresión
Lineal
 Los principales supuestos del modelo de regresión lineal:
 Homocedasticidad: la variación de los residuos sea uniforme a lo largo
de todas las observaciones ( var(ui) = σ2 ).
 Forma de verificar: Realizar test de homocedasticidad (Goldfeld y Quand,
Breusch y Pagan, Glesjer entre otros)
 Solución: Ponderar las variables de acuerdo a la variable que causa la
heterocedasticidad.
 Normalidad: los residuos del análisis de regresión siguen una
distribución normal con media 0 y desviación estandar 1.
 Forma de verificar: hacer test de normalidad de los residuos de la regresión
realizada. Se pueden hacer test como Jarque Bera, Kolmogorov-Smirnov o
simplemente revisar la simetria y curtosis de los errores.
 Solución: Incrementar el número de observaciones o verificar el modelo
conceptual planteado.
Efecto Marginal
 El efecto marginal esta definido como «en cuanto varia la
variable dependiente ante la variación en una unidad de la
variable explicativa»
100
90
80
70
60
50
m = pendiente = 1
40
30
140
150
160
170
180
190
200
Ejemplo de regresión Lineal (i)
Paso 1: Identificamos la dependiente e independientes
Variable
dependiente
Variables
independientes
• Puntaje en el ppvt
(score_ppvt )
• Educación de la
madre (mumedu)
• Índice de bienestar
(wealth index)
• Ubicación (urbano)
Ejemplo de regresión Lineal (ii)
Paso 2. Planteamos la ecuación a estimar
Score ppvt = β1 WealthI+ β2 urban+
β3 momedu+ ξ
Paso 3. Hacemos la matriz de correlaciones de nuestras variables para
ver que no haya correlaciones por encima de 0.60 entre las variables
predictoras o independientes.
score_ppvt
wi
urban
score_ppvt
1.00
wi
0.64
1.00
urban
0.51
0.64
1.00
momedu
0.52
0.53
0.41
momedu
1.00
Ejemplo de regresión Lineal (iii)
Paso 4. Estimar el modelo de regresión usando cualquier paquete
estadístico (STATA, SPSS, EXCEL). En nuestro caso usamos el STATA.
Paso 5. Interpretar los resultados obtenidos en el análisis de regresión.
Recordar los indicadores de significancia individual de cada variable
(estadístico t) y los de significancia conjunta (R2 y el estadístico F ).