Escaneo de los datos Datos faltantes Mtodos de

Escaneo de los datos

�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 Stat. Wiki: 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, 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’”

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.