Artículo metodológico Clasificación de pruebas no - Raco

Universitat de
de Barcelona.
Barcelona. Institut
Institut de
de Ciències
Ciències de
de l’Educació
l’Educació
Universitat
Vanesa Berlanga y María José Rubio. Clasificación de pruebas no paramétricas. Cómo aplicarlas en SPSS
<Artículo metodológico>
Clasificación de pruebas no paramétricas. Cómo aplicarlas
en SPSS.
Vanesa Berlanga Silvente y María José Rubio Hurtado
Fecha de presentación: 20/03/2012
Fecha de aceptación: 19/04/2012
Fecha de publicación: 04/07/2011
//Resumen
Las pruebas no paramétricas engloban una serie de pruebas estadísticas que tienen como
denominador común la ausencia de asunciones acerca de la ley de probabilidad que sigue la
población de la que ha sido extraída la muestra. Por esta razón es común referirse a ellas como
pruebas de distribución libre. En el artículo se describen y trabajan las pruebas no paramétricas, y
se resaltan su fundamento y las indicaciones para su empleo cuando se trata de una sola muestra
(Chi-cuadrado), de dos muestras con datos independientes (U de Mann-Whitney), de dos
muestras con datos relacionados (T de Wilcoxon), de varias muestras con datos independientes
(H de Kruskal-Wallis) y de varias muestras con datos relacionados (Friedman).
//Palabras clave
Estadística no paramétrica, prueba no paramétrica, U de Mann-Whitney, T de Wilcoxon, H de
Kruskal-Wallis, Friedman.
// Referencia recomendada
Berlanga Silvente, V. y Rubio Hurtado, M.J. (2012) Clasificación de pruebas no paramétricas.
Cómo aplicarlas en SPSS. [En línea] REIRE, Revista d’Innovació i Recerca en Educació, Vol. 5,
núm. 2, 101-113. Accesible en: http://www.ub.edu/ice/reire.htm
// Datos de las autoras
Vanesa Berlanga Silvente. Profesora. Universidad de Barcelona. Departamento de
Métodos de Investigación y Diagnóstico en Educación (MIDE). berlanga.silvente@ub.edu
María José Rubio Hurtado. Profesora. Universidad de Barcelona. Departamento de
Métodos de Investigación y Diagnóstico en Educación (MIDE). mjrubio@ub.edu
//REIRE, Vol. 5, núm. 2, julio 2012
//ISSN: 1886-1946
//Depósito legal: B.20973-2006
// DOI:10.1344/reire2012.5.2528
- 101 -
Universitat de Barcelona. Institut de Ciències de l’Educació
Vanesa Berlanga y María José Rubio. Clasificación de pruebas no paramétricas. Cómo aplicarlas en SPSS
1. Introducción
En el ámbito de las Ciencias Sociales es habitual el uso de pruebas no paramétricas puesto que
existen muchas variables que no siguen las condiciones de parametricidad. Dichas condiciones se
refieren al uso de variables cuantitativas continuas, distribución normal de las muestras, varianzas
similares y tamaño de las muestras, mayor a 30 casos. Estos criterios se recogen ampliamente en
Rubio y Berlanga (2012). En caso de que no se cumplan estos requisitos, y sobre todo cuando la
normalidad de las distribuciones de la variable en estudio esté en duda y el tamaño de la muestra
sea menor a 30 casos, el empleo de las pruebas no paramétricas o de distribución libre está
indicado.
Las pruebas no paramétricas reúnen las siguientes características: 1) son más fáciles de aplicar; 2)
son aplicables a los datos jerarquizados; 3) se pueden usar cuando dos series de observaciones
provienen de distintas poblaciones; 4) son la única alternativa cuando el tamaño de muestra es
pequeño y 5) son útiles a un nivel de significancia previamente especificado.
2. Clasificación de las pruebas no paramétricas
La revisión de los principales autores que, en nuestro contexto, tratan la clasificación de las
pruebas no paramétricas pone de manifiesto una falta de consenso a la hora de agrupar dichas
pruebas. Ferrán (2002) las agrupa en contrastes para una muestra y el resto en no paramétricas.
Visauta (2007) engloba todas las pruebas en no paramétricas, mientras que otros autores las
clasifican por tipo de muestra. También se aprecia como cada autor recoge un número diferente
de pruebas no paramétricas, así como el uso de terminología también diferente para nombrarlas.
La intención de este artículo ha sido recoger por primera vez las aportaciones de cada uno de
estos autores para ofrecer una clasificación completa de las pruebas no paramétricas (17 en
total). En su clasificación se han asumido dimensiones relacionadas con el número de muestras y
la relación o independencia entre esas muestras tal y como muestran las tablas 1 y 3. No se han
incluido las correlaciones no paramétricas a pesar de que determinados autores las incluyen
dentro de pruebas no paramétricas (Pérez Juste et al., 2009), con el objetivo de recopilar
solamente los contrastes no paramétricos.
Tabla 1. Resumen de las principales pruebas estadísticas no paramétricas
Muestras relacionadas
Variable
dependiente
Una muestra
(bondad de
ajuste)
Nominal
Binomial
Chi-Cuadrado
Rachas
McNemar
Cochran
Ordinal/
Intervalo
KolmogorovSmirnov
Signos
Wilcoxon
Friedman
Kendall
2
muestras
>2 muestras
Muestras independientes
2
muestras
>2
muestras
-
-
Rachas de Wald-Wolfowitz
U de Mann-Whitney
Moses
Kolmogorov-Smirnov
Mediana
Kruskal-Wallis
Jonckheere-Terpstra
//REIRE, Vol. 5, núm. 2, julio 2012
//ISSN: 1886-1946
//Depósito legal: B.20973-2006
// DOI:10.1344/reire2012.5.2528
- 102 -
Universitat de Barcelona. Institut de Ciències de l’Educació
Vanesa Berlanga y María José Rubio. Clasificación de pruebas no paramétricas. Cómo aplicarlas en SPSS
Se dice que las pruebas no paramétricas son alternativas a las paramétricas, por ello
consideramos apropiado establecer la equivalencia entre ambas tal y como se muestra en la tabla
2.
Tabla 2. Pruebas paramétricas y su alternativa no paramétrica
Muestra
Prueba paramétrica
Prueba no paramétrica
2 muestras
t-Student
Wilcoxon
> 2 muestras
ANOVA
Friedman
2 muestras
t-Student
U de Mann-Whitney
> 2 muestras
ANOVA
Kruskal-Wallis
Muestras relacionadas
Muestras independientes
En la tabla 3 se recogen las principales características de las 17 pruebas no paramétricas halladas.
PRUEBAS NO PARAMÉTRICAS
Pruebas
Una muestra
Prueba de
Chicuadrado de
Pearson
• Es una prueba de bondad de ajuste, que permite averiguar si la
distribución empírica de una variable categórica se ajusta o no (se
parece o no) a una determinada distribución teórica (uniforme,
binomial, multinomial, etc.).
Prueba
Binomial
• Es una prueba de bondad de ajuste, que permite averiguar si una
variable dicotómica sigue o no un determinado modelo de
probabilidad. Permite contrastar la hipótesis de que la proporción
observada de aciertos se ajusta a la proporción teórica de una
distribución binomial (lo cual se traduce en la posibilidad de
contrastar hipótesis sobre proporciones y sobre cuartiles).
VD: Nominal
Prueba de
Rachas
• Es una prueba de independencia o de aleatoriedad que permite
determinar si el número de rachas (R) observado en una
determinada muestra de tamaño n es lo suficientemente grande o
lo suficientemente pequeño para poder rechazar la hipótesis de
independencia (o aleatoriedad) entre las observaciones.
• Una racha es una secuencia de observaciones de un mismo atributo
o cualidad. Una serie de datos en los que hay muchas o pocas
rachas permite concluir que estas no han ocurrido por azar.
VD: Nominal
Prueba de
KolmogorovSmirnov (KS)
• Es una prueba de bondad de ajuste, que sirve para contrastar la
hipótesis nula de que la distribución de una variable se ajusta a una
determinada distribución teórica de probabilidad que puede ser
con tendencia a la normal, a la de Poisson o exponencial.
VD: Ordinal/Intervalo
Pruebas
Dos muestras relacionadas
Prueba de
McNemar
• Sirve para contrastar hipótesis sobre igualdad de proporciones.
• Se usa cuando hay una situación en la que las medidas de cada
sujeto se repiten, por lo que la respuesta de cada uno de ellos se
obtiene dos veces: una vez antes y otra después de que ocurra un
evento específico.
Variables
VD: Nominal
Variables
VI: Dicotómica
VD: Nominal
//REIRE, Vol. 5, núm. 2, julio 2012
//ISSN: 1886-1946
//Depósito legal: B.20973-2006
// DOI:10.1344/reire2012.5.2528
- 103 -
Universitat de Barcelona. Institut de Ciències de l’Educació
Vanesa Berlanga y María José Rubio. Clasificación de pruebas no paramétricas. Cómo aplicarlas en SPSS
Prueba de los
Signos
• Permite contrastar la hipótesis de igualdad entre dos medianas
poblacionales.
• Puede ser usada para saber si una variable tiende a ser mayor que
otra. También es útil para probar la tendencia que sigue una serie
de variables ordinales positivas, o para una valoración rápida de un
estudio exploratorio.
VI: Dicotómica
VD: Ordinal/Intervalo
Prueba de
Wilcoxon
• Permite contrastar la hipótesis de igualdad entre dos medianas
poblacionales.
• Paralela a la prueba paramétrica de contraste t para muestras
relacionadas.
VI: Dicotómica
VD: Ordinal/Intervalo
Pruebas
K-muestras relacionadas
Variables
• Es una extensión de la prueba de Wilcoxon para incluir datos
registrados en más de dos periodos de tiempo o grupos de tres o
más sujetos pareados, con un sujeto de cada grupo que ha sido
asignado aleatoriamente a una de las tres o más condiciones.
• La prueba examina los rangos de los datos generados en cada
periodo de tiempo para determinar si las variables comparten la
misma distribución continua de su origen.
VI: Politómica
VD: Ordinal/Intervalo
• Esta prueba es idéntica a la prueba de Friedman, pero se aplica
cuando todas las respuestas son binarias.
• La Q de Cochran prueba la hipótesis de que varias variables
dicotómicas que están relacionadas entre sí, tienen el mismo
promedio. En observaciones múltiples las variables son medidas en
el mismo individuo o en individuos pareados. Tiene la ventaja de
examinar cambios en las variables categóricas.
VI: Dicotómica
VD: Nominal
Coeficiente
de
concordancia
de W de
Kendall
• Tiene las mismas indicaciones que la prueba de Friedman, aunque
su uso en investigación ha sido, principalmente, para conocer la
concordancia entre rangos, más que para probar que existe una
diferencia entre las medianas.
VI: Politómica
VD: Ordinal /Intervalo
Pruebas
Dos muestras independientes
Variables
Prueba U de
MannWhitney
• Es equivalente a la prueba de suma de rangos de Wilcoxon y a la
prueba de dos grupos de Kruskal-Wallis. Es la alternativa no
paramétrica a la comparación de dos promedios independientes a
través de la t de Student.
VI: Dicotómica
VD: Ordinal/Intervalo
Prueba de
KolmogorovSmirnov
• Sirve para contrastar la hipótesis de que dos muestras proceden de
la misma población. Para ello, compara las funciones de
distribución (funciones de probabilidad acumuladas) de ambas
muestras.
VI: Dicotómica
VD: Ordinal/Intervalo
Prueba de
Rachas de
WaldWolfowitz
• Contrasta si dos muestras con datos independientes proceden de
poblaciones con la misma distribución.
VI: Dicotómica
VD: Ordinal/Intervalo
Prueba de
Friedman
Prueba de
Cochran
Prueba de
reacciones
extremas de
Moses
• Sirve para estudiar si existe diferencia en el grado de dispersión o
variabilidad de dos distribuciones.
Esta prueba se centra en la distribución del grupo de control y
es
una medida para saber cuántos valores extremos del grupo
experimental influyen en la distribución cuando se combinan con el
grupo de control.
VI: Dicotómica
VD: Ordinal/Intervalo
//REIRE, Vol. 5, núm. 2, julio 2012
//ISSN: 1886-1946
//Depósito legal: B.20973-2006
// DOI:10.1344/reire2012.5.2528
- 104 -
Universitat de Barcelona. Institut de Ciències de l’Educació
Vanesa Berlanga y María José Rubio. Clasificación de pruebas no paramétricas. Cómo aplicarlas en SPSS
Pruebas
K-muestras independientes
Variables
Prueba de la
Mediana
• Contrasta diferencias entre dos o más grupos en relación con su
mediana, bien porque no cumplen las condiciones de normalidad
para usar el promedio como medida de tendencia central, bien
porque la variable es cuantitativa discreta.
• Es similar a la prueba Chi-cuadrado.
VI: Politómica
VD: Ordinal/Intervalo
Prueba de
JonckheereTerpstra
• Es más potente que sus homónimas, la prueba de Kruskal-Wallis y
la de la mediana, cuando existe una ordenación a priori
(ascendente o descendente) de las K poblaciones de las que se
extraen las muestras.
VI: Politómica
VD: Ordinal/Intervalo
Prueba H de
KruskalWallis
• Es una extensión de la de U de Mann-Whitney y representa una
excelente alternativa al ANOVA de un factor completamente
aleatorizado.
VI: Politómica
VD: Ordinal/Intervalo
Tabla 3. Resumen de las principales características de las pruebas no paramétricas.
Fuente: Elaboración propia.
3. Ejemplificación de las principales pruebas no paramétricas
Para mostrar las principales pruebas no paramétricas en SPSS tomamos como ejemplo un estudio
orientado a conocer la actitud del profesorado universitario hacia las TIC en la docencia, a través
de una escala tipo Likert. Cada prueba será ejemplificada con un objetivo de investigación
adecuado a la prueba, las hipótesis estadísticas correspondientes y la interpretación de los
resultados obtenidos en SPSS.
a. Prueba de Chi-cuadrado (una muestra)
Objetivo: Conocer si hay relación entre el sexo y los años de experiencia docente.
Ho: el sexo es independiente de los años de experiencia.
H1: el sexo y los años de experiencia están relacionados.
Figura 1. Cuadro de diálogo de la prueba Chi-cuadrado
//REIRE, Vol. 5, núm. 2, julio 2012
//ISSN: 1886-1946
//Depósito legal: B.20973-2006
// DOI:10.1344/reire2012.5.2528
- 105 -
Universitat de Barcelona. Institut de Ciències de l’Educació
Vanesa Berlanga y María José Rubio. Clasificación de pruebas no paramétricas. Cómo aplicarlas en SPSS
Resultados
Tabla 4. Output de la prueba Chi-cuadrado
No se rechaza la Ho, lo que significa que no hay relación entre el sexo y los años de experiencia
docente (sig.0,361> 0,05).
b. Prueba U de Mann-Whitney (2 muestras independientes)
Objetivo: conocer la influencia de la experiencia docente (<5 años o >5 años) en la utilidad que
el profesorado atribuye a las TIC en la enseñanza.
Ho: la experiencia docente no influye en la utilidad que el profesorado atribuye a las TIC en la
enseñanza.
H1: la experiencia docente influye en la utilidad que el profesorado atribuye a las TIC en la
enseñanza.
//REIRE, Vol. 5, núm. 2, julio 2012
//ISSN: 1886-1946
//Depósito legal: B.20973-2006
// DOI:10.1344/reire2012.5.2528
- 106 -
Universitat de Barcelona. Institut de Ciències de l’Educació
Vanesa Berlanga y María José Rubio. Clasificación de pruebas no paramétricas. Cómo aplicarlas en SPSS
Figura 2. Cuadro de diálogo de la prueba U de Mann-Whitney
Resultados
Tabla 5. Output de la prueba U de Mann-Whitney
Se acepta la H1, que significa que la experiencia docente influye en la utilidad que el profesorado
atribuye a las TIC en la enseñanza (sig. 0,005<0,05). El profesorado que tiene menos de 5 años
de experiencia las considera más útiles.
//REIRE, Vol. 5, núm. 2, julio 2012
//ISSN: 1886-1946
//Depósito legal: B.20973-2006
// DOI:10.1344/reire2012.5.2528
- 107 -
Universitat de Barcelona. Institut de Ciències de l’Educació
Vanesa Berlanga y María José Rubio. Clasificación de pruebas no paramétricas. Cómo aplicarlas en SPSS
c. Prueba de Wilcoxon (2 muestras relacionadas)
Objetivo: conocer si los docentes han variado su opinión sobre la utilidad de las TIC en la
enseñanza después de la implantación del EEES.
Ho: no hay diferencias en la opinión de los docentes sobre la utilidad de las TIC en la enseñanza
entre antes y después de la implantación del EEES.
H1: sí hay diferencias en la opinión de los docentes sobre la utilidad de las TIC en la enseñanza
entre antes y después de la implantación del EEES.
Figura 3. Cuadro de diálogo de la prueba de Wilcoxon
//REIRE, Vol. 5, núm. 2, julio 2012
//ISSN: 1886-1946
//Depósito legal: B.20973-2006
// DOI:10.1344/reire2012.5.2528
- 108 -
Universitat de Barcelona. Institut de Ciències de l’Educació
Vanesa Berlanga y María José Rubio. Clasificación de pruebas no paramétricas. Cómo aplicarlas en SPSS
Resultados
Tabla 6. Output de la prueba de Wilcoxon
Se acepta la H1, por lo que concluimos que hay diferencias en la valoración que los docentes
hacen de la utilidad de las TIC en la enseñanza entre antes y después de la implantación del EEES
(sig.0,001<0,05). El profesorado consideraba más útiles las TIC en la enseñanza antes de la
implantación del EEES (23,91).
d. Prueba de Kruskal-Wallis (k muestras independientes)
Objetivo: conocer si el área de estudio (4 áreas) a la que pertenece el profesorado influye en la
utilidad que le atribuye a las TIC en la enseñanza.
Ho: el área de estudio a la que pertenece el profesorado no influye en la utilidad que le atribuye a
las TIC en la enseñanza.
H1: el área de estudio a la que pertenece el profesorado influye en la utilidad que le atribuye a las
TIC en la enseñanza.
//REIRE, Vol. 5, núm. 2, julio 2012
//ISSN: 1886-1946
//Depósito legal: B.20973-2006
// DOI:10.1344/reire2012.5.2528
- 109 -
Universitat de Barcelona. Institut de Ciències de l’Educació
Vanesa Berlanga y María José Rubio. Clasificación de pruebas no paramétricas. Cómo aplicarlas en SPSS
Figura 4. Cuadro de diálogo de la prueba Kruskal-Wallis
Resultados
Tabla 7. Output de la prueba Kruskal-Wallis
//REIRE, Vol. 5, núm. 2, julio 2012
//ISSN: 1886-1946
//Depósito legal: B.20973-2006
// DOI:10.1344/reire2012.5.2528
- 110 -
Universitat de Barcelona. Institut de Ciències de l’Educació
Vanesa Berlanga y María José Rubio. Clasificación de pruebas no paramétricas. Cómo aplicarlas en SPSS
Se acepta la H1 y se concluye que el área de estudio a la que pertenece el profesorado influye en
la utilidad que le atribuya a las TIC en la enseñanza (sig. 0,000<0,05). El profesorado de las áreas
de ciencias naturales (52,98) y de las áreas técnicas (56,50) considera que las TIC son más útiles
que el resto de profesorado.
e. Prueba de Friedman (k muestras relacionadas)
Objetivo: conocer si hay diferencias en la valoración que hace el profesorado sobre la utilidad de
las TIC en la enseñanza, en la gestión y en el aprendizaje del alumnado.
Ho: no hay diferencias de valoración entre la utilidad de las TIC en la enseñanza, en la gestión y
en el aprendizaje del alumnado.
H1: sí hay diferencias de valoración entre la utilidad de las TIC en la enseñanza, en la gestión y en
el aprendizaje del alumnado.
Figura 5. Cuadro de diálogo de la prueba Friedman
//REIRE, Vol. 5, núm. 2, julio 2012
//ISSN: 1886-1946
//Depósito legal: B.20973-2006
// DOI:10.1344/reire2012.5.2528
- 111 -
Universitat de Barcelona. Institut de Ciències de l’Educació
Vanesa Berlanga y María José Rubio. Clasificación de pruebas no paramétricas. Cómo aplicarlas en SPSS
Resultados
Tabla 8. Output de la prueba Friedman
No se rechaza la Ho y se concluye que el profesorado considera igual de útiles las TIC en la
docencia, en el aprendizaje y en la gestión (sig.0,417>0,05).
//REIRE, Vol. 5, núm. 2, julio 2012
//ISSN: 1886-1946
//Depósito legal: B.20973-2006
// DOI:10.1344/reire2012.5.2528
- 112 -
Universitat de Barcelona. Institut de Ciències de l’Educació
Vanesa Berlanga y María José Rubio. Clasificación de pruebas no paramétricas. Cómo aplicarlas en SPSS
<Referencias bibliográficas>
Ferrán Aranaz, M. (2002) Curso de SPSS para Windows. Madrid: McGraw-Hill.
Pérez Juste, R., García Llamas, J.L., Gil Pascual, J.A. y Galán González, A. (2009) Estadística aplicada a la
Educación. Madrid: UNED - Pearson.
Rubio Hurtado, M. J. y Berlanga Silvente, V. (2012) Cómo aplicar las pruebas paramétricas bivariadas t
de Student y ANOVA en SPSS. Caso práctico. En línea REIRE, Revista d’Innovació i Recerca en
Educació, Vol. 5, núm. 2, 83-100. Accesible en: http://www.ub.edu/ice/reire.htm
Visauta Vinacua, B. (2007) Análisis estadístico con SPSS 14: Estadística básica (3a ed.). Madrid:
McGraw-Hilll Interamericana.
Copyright © 2012. Esta obra está sujeta a una licencia de Creative Commons mediante la cual, cualquier explotación de ésta, deberá
reconocer a sus autores, citados en la referencia recomendada que aparece al inicio de este documento.
//REIRE, Vol. 5, núm. 2, julio 2012
//ISSN: 1886-1946
//Depósito legal: B.20973-2006
// DOI:10.1344/reire2012.5.2528
- 113 -