Anlisis multivariante

[Conjunto_de_datos1] E:\estadistica para la investigacion\datos empleados para

descriptiva.sav

Salario actual
Salario inicial

Estadsticos descriptivos
N
Mnim Mxim Media Desv. tp.
o
o
$15,75 $135,0 $34,419. $17,075.
474
0
00
57
661
$79,98 $17,051. $7,901.2
469 $9,000
0
97
77

Meses desde el
contrato
Experiencia previa
(meses)
N vlido (segn
lista)

474

63

98

81.11

10.061

474

476

95.86

104.586

469

Estadsticos descriptivos
Media Desviaci
n tpica
$34,504. $17,143.4
Salario actual
42
61
Meses desde el
81.13
10.048
contrato
Experiencia previa
95.86
104.447
(meses)
$17,051. $7,901.27
Salario inicial
97
7
Nivel educativo
13.52
2.875

N del
anlisis
469
469
469
469
469

Los estadsticos descriptivos univariados incluyen en La media desviacin tpica y

en el numero de casos validos para cada variable como salario actual de todos los
empleados es $34,504.42m meses desde contrato 81.13 experiencia previa
salario inicial $17,051.97 nivel educativo 13.52del empleado

Salario actual
Meses desde el
contrato
Correlaci
Experiencia previa
n
(meses)
Salario inicial
Nivel educativo

Matriz de correlaciones
Salario
Meses
Experienci
actual
desde el
a previa
contrato
(meses)
1.000
.084
-.100

Salario
inicial

N
educ

.880

.084

1.000

.007

-.020

-.100

.007

1.000

.043

.880
.663

-.020
.046

.043
-.249

1.000
.636

cuando elnumero de variables es elevado (es muy habitual) no es mas adecuado

un matriz de correkaciones es necesario utilizar diversos indices que permitan
saber si hay correlacines altas en la matriz que permitan extraer factores
el determinante de la matriz se emplea como indice del tamao de las
correlaciones altas en la matriz son bajas mientra que en un determinate bajo
indica que hay algunas correlaciones altas en la matriz

Comunalidades
Inicial Extracci
n
Salario actual
1.000
.896
Meses desde el
1.000
.999
contrato
Experiencia previa
1.000
.970
(meses)
Salario inicial
1.000
.915
Nivel educativo
1.000
.754

Mtodo de extraccin: Anlisis de

Componentes principales.
Una vez decidido si los datos son apropiados para una factorial la decisin es
positiva puede pasarse a la extraccin de los factores en este ejemplo se ha
solicitado el mtodo de los ejes principales mtodo recursivo de conjunto
semejante al de los componentes principales
aqu nos muestra en primer lugar la solucin factorial inicial en el caso de
extraccin por ejes principales las comunidades son las que se muestra
Componen
te

Autovalores iniciales
Total

Varianza total explicada

Sumas de las saturaciones al
cuadrado de la extraccin
Total
% de la
%
varianza acumulado
2.480
49.606
49.606
1.049
20.986
70.592
1.004
20.075
90.666

% de la
%
varianza acumulado
1
2.480
49.606
49.606
2
1.049
20.986
70.592
3
1.004
20.075
90.666
4
.364
7.289
97.955
5
.102
2.045
100.000
Mtodo de extraccin: Anlisis de Componentes principales.

Esta generalizada el admitir que han de seleccionarse aquellos factores cuyo

auto valor sea superior a obviamente esto conlleva a una prdida de capacidad
explicativa lo importante es que esa prdida significativa
Todos estos datos autovaores y varianza explicadas antes y despus dela
extraccin y despus de la rotacin que se muestran

El Anlisis de la Regresin

Modelo

ANOVAa
Suma de
gl
Media
cuadrados
cuadrtica

Sig.

Regresi 19301972
64339907 301.73
3
.000b
n
370.643
90.214
5
Residua 99153509
21323335.
1
465
l
29.996
333
29217323
Total
468
300.640
a. Variable dependiente: Salario inicial
b. Variables predictoras: (Constante), Experiencia previa
(meses), Categora laboral, Nivel educativo
Al 5% se rechaza H0 (las variables explicativas influyen de forma conjunta
y lineal sobre Y)

Modelo

Coeficientesa
Coeficientes no
Coeficiente
t
estandarizados
s
tipificados
B
Error tp.
Beta
-5473.117
1157.529
-4.728
5664.210
331.676
.556 17.078
1018.460
92.239
.371 11.042

(Constante)
Categora laboral
1
Nivel educativo
Experiencia previa
7.884
(meses)
a. Variable dependiente: Salario inicial

2.166

.104

3.639

Sig.

To
.000
.000
.000
.000

Coeficientes tipificados Comparacin de los efectos

Consumo = -5473.117+ 5664.210- 1018.460 nivel educativo+ 7.884 Experiencia
previa
Significacin individual de las variables y de la
Constante (Inferencia )

Diagnsticos de colinealidada

Model Dimensi Autovalo ndice de

Proporciones de la varianza
o
n
res
condicin (Constan Categora
Nivel
Experienc
te)
laboral
educativo
a previa
(meses)
1
3.361
1.000
.00
.01
.00
.0
2
.487
2.628
.00
.02
.00
.8
1
3
.137
4.958
.06
.75
.02
.0
4
.016
14.657
.93
.21
.97
.1
a. Variable dependiente: Salario inicial
Colinealidad es la asociacin, medida como correlacin,
Entre dos variables explicativas (el trmino multicolinealidad
Se utiliza para tres o ms variables explicativas).
1. Identificar los ndices que estn por encima del umbral: 30
2. Para los ndices identificados, identificar las variables con proporciones
de varianza por encima del 90%: Habr multicolinealidad si ocurre con dos o ms
coeficientes

Se han analizado 474 casos para dos variables, Salario actual y Mese desde el
contrato. No
existen datos perdidos.