Escaneo de los datos

Respuestas no comprometidas Datos faltantes Métodos de imputación Respuestas no comprometidas Detección Outliers Normalidad: sesgo y kurtosis

Datos faltantes

Datos faltantes: Problemas lógicos Los datos faltantes sistemáticos pueden indicar un sesgo sistemático (formulación deficiente de los reactivos, sensitividad, etc.) Si es menos probable que las mujeres reporten su género, en comparación con los hombres, tendremos datos sesgados en cuanto al género. Ej., sólo 50% de las mujeres reportan su género y 95% de los hombres lo hacen. ¿Qué pasa si debemos usar el género como moderador (o en algún otro rol crítico)?

El manejo de los datos faltantes No hay mucho problema si se tienen <10% de datos faltantes de una variable (Preferible: 5%). Método para manejar los datos faltantes: >10% - no usar esa variable <10% - imputar, si no es categórica Precaución: Si eliminamos a demasiados participantes (o imputamos demasiado) , introduciremos sesgos de respuesta.

Métodos de imputación Opción 1: Usar sólo datos válidos No utilizar imputación, sólo usar casos o variables válidos. En SPSS: Exclude Pairwise: excluye datos faltantes por variable Listwise: excluye datos faltantes por caso.

Métodos de imputación Opción 2. Usar como reemplazo valores conocidos. Asociar los valores faltantes con valores de casos similares.

Métodos de imputación Opción 3. Usar valores de reemplazo calculados. Usar la media, mediana o modo de la variable. Regresión basada en relaciones conocidas. Se puede hacer para varias variables a la vez. Usar la media sólo cuando la distribución es normal. Mejor: la mediana, es más segura.

Imputación de datos faltantes con SPSS Para reemplazar los valores faltantes: Transformar Reemplazar valores faltantes Pasar la(s) variable(s) de interés a la ventana de New variable(s) (aquella en la que hay datos faltantes). Change si se ha decidido reemplazar la anterior. En la parte derecha indicar el método: Median of nearby points Puntos cercanos: todos OK StatWiki: statwiki.kolobkreations.com/wiki/Main_Page  Guidelines SPSS: Options. General: Display names / Displays labels

Mejor método: La prevención! Escalas más cortas (Psicológicamente, es mejor aplicar instrumentos no muy largos). Pilotear!!! Reactivos fáciles de entender y contestar. Pilotear!!! Asegurarse de que todos los reactivos sean contestados. Usar encuestas digitales (más que en papel) Poner las variables demográficas al principio del instrumento. Colocar los reactivos sensibles al final del instrumento.

Respuestas no comprometidas

Respuestas no comprometidas Síntomas Desviaciones estándar <0.500 o similares Patrones de respuestas: 1,2,3,4,1,2,3,4… o 1,1,1,1,2,2,2,2… Reactivos inversos contestados igual que los no inversos Detección Desviaciones estándar por caso para detectar mínima variabilidad Inspección visual Prevención Trampas de atención en el instrumento: “Si estás poniendo atención, por favor contesta ‘totalmente de acuerdo’”

Detección de respuestas no comprometidas https://www.youtube.com/user/Gaskination Detección de respuestas no comprometidas Llevar la base de datos de las escalas, con número de folio, a una base de Excel. Pedir desviación estándar (stdev) de todas las puntuaciones por caso. Colocarlas en la última columna.

Detección de respuestas no comprometidas Para identificar desviaciones estándar muy bajas (casos con mínima variabilidad): Conditional formating Highlight cells rules Less than: Anotar la cantidad (ej., 0.5). Los casos con desv. est. <.05 se marcan con un color. Analizar el caso. Considerar eliminarlo.

Outliers: Valores extremos

Outliers y su influencia Los outliers pueden modificar los resultados ya que alejan a la media de la mediana. Pueden afectar los supuestos de la distribución y con frecuencia reflejan respuestas falsas o erróneas. Tipos de outliers: Outliers para variables únicas (univariados): Valores extremos para una sola variable. Outliers para el modelo (multivariados): Valores extremos (no comunes) para una correlación.

Manejo de los outliers univariados Debe examinarse caso por caso. Si el outlier es verdaderamente anormal y no es representativo de la población en estudio, entonces hay que eliminarlo. Pero esto requiere un examen cuidadoso de los puntajes. Ej.: se está estudiando a perros, y se “coló” un gato. Ej.: alguien contestó “3” en todos los 75 reactivos de la escala. Sin embargo, no sólo porque un puntaje no encaje cómodamente en la distribución no implica que habrá que eliminarlo.

Detección de Outliers Analizar Descriptivos Explorar Estadísticos: Boxplots •Factor levels together/ Histogram /Normality plots with test Gráficos Pasar las variables de interés a la ventana Dependent List Reporta Sesgo y Kurtosis y sus errores estándar Gráficas: Histograma, Normal Q-Q, cajas y bigotes

https://www.youtube.com/user/Gaskination Detección de Outliers Revisar cada outlier en la base de datos y analizar la situación.

Normalidad

Prueba de sesgo y kurtosis Regla estándar: Sesgo > 1 = positivo (derecho) Sesgo < -1 = negativo (izquierdo) Sesgo entre -1 y 1 está bien. Regla estricta: Sesgo > 3*Error estándar = Sesgado (Hair) Igual para la kurtosis Propósitos prácticos… Los problemas surgen más allá de (+/-) 2.2 (Sposito et al., 1983)

Detección de normalidad Distribución bimodal: En ocasiones se espera una distribución bimodal. Ej.: cuando hombres y mujeres difieren; se trata, en realidad, dos grupos.