Comparación de medias

Bloque 1 · ¿Para qué sirve comparar medias?

Bloque 2 · ¿Diferencia real o casualidad?

Bloque 3 · ¿La diferencia importa?

Ejemplo guiado 1 · Significativa y grande

PASO 1. Promedios por grupo (ponderados)
                 grupo casos promedio desvio
    Aprueba la gestión   392     5.86   2.95
 No aprueba la gestión   709     8.22   2.24

PASO 2. El test
Prueba t: t = -13.82; gl = 643.8 
p = menor a 0,001 
-> p es menor a 0,05: la diferencia probablemente existe.

PASO 3. ¿La diferencia importa?
Diferencia entre el promedio más alto y el más bajo: 2,36 puntos
Diferencia ÷ promedio más bajo: 2,36 ÷ 5,86 = 40,3 %
-> Supera el 5%: la diferencia IMPORTA.

Ejemplo guiado 2 · Significativa pero chiquita

PASO 1. Promedios por grupo (ponderados)
   grupo casos promedio desvio
 Varones   551     7.40   2.25
 Mujeres   609     7.76   2.29

PASO 2. El test
Prueba t: t = -2.72; gl = 1149.9 
p = 0,007 
-> p es menor a 0,05: la diferencia probablemente existe.

PASO 3. ¿La diferencia importa?
Diferencia entre el promedio más alto y el más bajo: 0,36 puntos
Diferencia ÷ promedio más bajo: 0,36 ÷ 7,40 = 4,9 %
-> No llega al 5%: existe, pero es tan chica que NO IMPORTA.

Ejemplo guiado 3 · Más de dos grupos (ANOVA)

PASO 1. Promedios por grupo (ponderados)
    grupo casos promedio desvio
  16 a 25   177     4.83   2.02
  26 a 40   320     4.95   2.40
  41 a 60   320     5.37   2.38
 61 y más   225     6.14   2.48

PASO 2. El test
ANOVA: F = 14.28 
p = menor a 0,001 
-> p es menor a 0,05: la diferencia probablemente existe.

PASO 3. ¿La diferencia importa?
Diferencia entre el promedio más alto y el más bajo: 1,31 puntos
Diferencia ÷ promedio más bajo: 1,31 ÷ 4,83 = 27,1 %
-> Supera el 5%: la diferencia IMPORTA.

(Perlita) Eta cuadrado: el grupo explica el 4 % de las diferencias entre las personas.

Casos para trabajar en clase

En grupos: aplicá los tres pasos, decidí en qué casillero de la grilla cae cada caso y redactá una conclusión. Después abrí la respuesta.

Banco de ejercicios

Resolvé cada ejercicio antes de abrir la respuesta. Los números salen de las bases ponderadas.

¿Se puede comparar medias?

Títulos y variables

Leer la salida

La grilla: ¿en qué casillero cae?

Errores de interpretación

Perlita: eta cuadrado

Tu turno con R o SPSS

Bloque 4 · Leer la salida de un programa estadístico

Antes de leer, escuchá la presentación del bloque (unos 3 minutos).

¿Hay diferencias en los ingresos promedio entre varones y mujeres?

Vamos a leer una salida de SPSS que compara los ingresos promedio de varones y mujeres, con datos ponderados. Los ingresos están expresados en unidades monetarias ilustrativas: lo importante no es la moneda, sino aprender a leer los resultados.

2

¿Qué muestran los promedios?

La primera tabla de la salida trae los promedios (en inglés, Mean) de cada grupo:

Grupo	Ingreso promedio
Varones	773
Mujeres	679
Diferencia	94

Los varones ganan en promedio unas 773 unidades y las mujeres, 679: una diferencia de unas 94 unidades.

Hasta acá solo describimos los datos: sabemos qué grupo tiene el promedio más alto y cuánto es la diferencia. Todavía no sabemos si esa diferencia probablemente existe en toda la población o si podría ser casualidad de la muestra.

3

¿Qué dice el test?

La segunda tabla se llama ANOVA Table. De toda la tabla, lo único que miramos es la columna Sig., que es el p:

Sig. = ,000. Esto no quiere decir que p sea cero: quiere decir que p es menor a 0,001. Es menor a 0,05, así que la diferencia es significativa: probablemente existe también en toda la población.

El test nos dice si la diferencia probablemente existe. No nos dice si es grande o si importa: eso es el paso siguiente.

Ojo con la N. En la primera tabla, la columna N dice casi 7 millones. No son las personas encuestadas: es la población que esas personas representan, porque la base usa un ponderador que “expande” cada caso. Con tantos casos aparentes, el test se vuelve una lupa potentísima y detecta cualquier diferencia. Con las personas realmente encuestadas, esta diferencia seguiría dando significativa, pero por mucho menos margen. Por eso siempre conviene mirar la N antes de confiar en un p muy chico.

5

Perlita Eta cuadrado

La salida trae una tercera tabla, Measures of Association. Ahí miramos solo la columna Eta Squared (eta cuadrado):

Eta cuadrado = ,004, es decir, 0,4%. Se lee así: el sexo explica el 0,4% de las diferencias de ingreso entre las personas. Es muy poco, porque los ingresos varían muchísimo dentro de los varones y dentro de las mujeres: hay varones y mujeres con ingresos muy bajos y muy altos.

Eso no vuelve irrelevante la diferencia. Que, en promedio, los varones ganen casi un 14% más que las mujeres es un dato muy importante en términos sociales y políticos. Para decidir si la diferencia importa usamos la regla del 5%; eta cuadrado es un dato más para comentar.

Entonces, ¿qué podemos concluir?

1. Diferencia: los varones ganan en promedio unas 94 unidades más que las mujeres.
2. Test: p < 0,001. La diferencia es significativa: probablemente existe en toda la población.
3. ¿Importa? Sí: es casi un 14% del ingreso promedio de las mujeres, mucho más que el 5%.
4. Perlita: el sexo explica el 0,4% de las diferencias de ingreso entre las personas.

Lo que no podemos decir: esta comparación muestra que los ingresos son distintos según el sexo, pero no prueba que el sexo, por sí solo, cause esa diferencia, ni explica por qué ocurre. Para eso harían falta otros datos y otros análisis.

Para recordar

Al leer cualquier salida de comparación de medias, seguí este recorrido:

1. ¿Cuál es la variable dependiente (el número) y cuál la independiente (los grupos)?
2. ¿Cuánto difieren los promedios? ¿Cuántos casos hay en cada grupo?
3. ¿El test da significativo (Sig. menor a 0,05)? Si no, no se sigue leyendo.
4. ¿La diferencia supera el 5% del promedio más bajo?
5. ¿Qué permite concluir el análisis y qué no?

Bloque 5 · Una investigación real

Antes de leer, escuchá la presentación del bloque (unos 3 minutos).

De qué se trata

El artículo estudia la disciplina partidaria en el Congreso argentino entre 2007 y 2019: cuánto votan los legisladores de manera alineada con su partido, y qué papel juegan los gobernadores en esa disciplina. Para medirla, los autores usan el índice IT (Independencia-Territorialidad), calculado a partir de las votaciones nominales de cada proyecto de ley.

Trabajá con las tres tablas de abajo. Respondé cada pregunta antes de abrir el análisis.

Las tablas

Fuente: Zamichiei, Coronel y Gutiérrez Guerra (2020), Tablas 2, 3 y 4. En la Tabla 2 trabajamos solo con la columna IT.

Preguntas guiadas

Para recordar

1. Antes de cualquier test, preguntate: ¿es una muestra o es el universo?
2. Si es el universo, no hace falta el test: la diferencia que ves es la que hay. Pasás directo a preguntarte si importa.
3. Fijate qué cuenta la N: personas, proyectos, países, votaciones…
4. Mirá también los desvíos: un promedio puede esconder situaciones muy distintas.
5. Una diferencia entre grupos no prueba una causa.

Podcast: Significativo no es importante

Complementario al video. Alejandro y Valentina conversan sobre por qué un resultado puede ser significativo y, a la vez, no importar.

Script completo de R

Guardá el script y las dos bases en la misma carpeta. En RStudio: Session > Set Working Directory > To Source File Location, y corré de a un bloque. Las funciones del comienzo hacen todo el trabajo: abajo solo cambiás la variable, los grupos y la escala.

# =====================================================================
#  MÉTODOS CUANTITATIVOS — COMPARACIÓN DE MEDIAS
#  Script completo de R
#  Bases: Latinobarómetro Argentina 2017 y PELA Argentina 2017
#  Las dos bases se analizan PONDERADAS.
# =====================================================================
#
#  Cómo usarlo:
#  1. Guardá las dos bases (.csv) en la misma carpeta que este script.
#  2. En RStudio: Session > Set Working Directory > To Source File Location.
#  3. Corré el script de a un bloque por vez (Ctrl + Enter).
#
#  La receta de toda la clase, en tres pasos:
#  PASO 1. Mirar los promedios de cada grupo.
#  PASO 2. El test: ¿p es menor a 0,05?
#          Si NO -> no hay evidencia de diferencia. No se sigue leyendo.
#          Si SÍ -> la diferencia probablemente existe. Seguimos.
#  PASO 3. ¿Importa? ¿La diferencia supera el 5% del promedio más bajo?
#          Cálculo: diferencia ÷ promedio más bajo.
#  Ojo: para comparar escalas distintas (0 a 10 con 1 a 10), primero
#  hay que llevarlas a la misma escala.
# =====================================================================


# ---------------------------------------------------------------------
# 0. FUNCIONES DE AYUDA
#    No hace falta entender cómo están hechas por dentro: solo cómo
#    se usan (más abajo). Calculan lo mismo que SPSS con la base
#    ponderada y leyendo la fila "No se asumen varianzas iguales".
# ---------------------------------------------------------------------

resumen_ponderado <- function(y, grupo, peso) {
  ok <- !is.na(y) & !is.na(grupo) & !is.na(peso)
  y <- y[ok]; grupo <- droplevels(as.factor(grupo[ok])); peso <- peso[ok]
  tab <- do.call(rbind, lapply(levels(grupo), function(g) {
    yy <- y[grupo == g]; ww <- peso[grupo == g]
    n <- sum(ww); m <- sum(ww * yy) / n
    v <- sum(ww * (yy - m)^2) / (n - 1)
    data.frame(grupo = g, n = round(n), media = m, desvio = sqrt(v), var = v, n_exacto = n)
  }))
  list(tabla = tab, y = y, grupo = grupo, peso = peso)
}

# Para DOS grupos: prueba t (fila "No se asumen varianzas iguales")
comparar_dos_grupos <- function(y, grupo, peso) {
  r <- resumen_ponderado(y, grupo, peso)$tabla
  if (nrow(r) != 2) stop("Esta función es para dos grupos. Usá comparar_varios_grupos().")
  se <- sqrt(r$var[1] / r$n_exacto[1] + r$var[2] / r$n_exacto[2])
  t  <- (r$media[1] - r$media[2]) / se
  gl <- se^4 / ((r$var[1] / r$n_exacto[1])^2 / (r$n_exacto[1] - 1) +
                (r$var[2] / r$n_exacto[2])^2 / (r$n_exacto[2] - 1))
  p  <- 2 * pt(-abs(t), gl)
  informar(r, p, paste0("Prueba t: t = ", round(t, 2), "; gl = ", round(gl, 1)))
}

# Para MÁS DE DOS grupos: ANOVA de un factor
comparar_varios_grupos <- function(y, grupo, peso) {
  r <- resumen_ponderado(y, grupo, peso)$tabla
  N <- sum(r$n_exacto); k <- nrow(r)
  media_total <- sum(r$n_exacto * r$media) / N
  entre  <- sum(r$n_exacto * (r$media - media_total)^2)
  dentro <- sum((r$n_exacto - 1) * r$var)
  F <- (entre / (k - 1)) / (dentro / (N - k))
  p <- pf(F, k - 1, N - k, lower.tail = FALSE)
  informar(r, p, paste0("ANOVA: F = ", round(F, 2)),
           eta2 = entre / (entre + dentro))
}

informar <- function(r, p, detalle, eta2 = NULL) {
  dif <- max(round(r$media, 2)) - min(round(r$media, 2))
  cat("\n------------------------------------------------------------\n")
  cat("PASO 1. Promedios por grupo (ponderados)\n")
  print(data.frame(grupo = r$grupo, casos = r$n,
                   promedio = round(r$media, 2), desvio = round(r$desvio, 2)),
        row.names = FALSE)
  cat("\nPASO 2. El test\n")
  cat(detalle, "\n")
  cat("p =", ifelse(p < 0.001, "menor a 0,001", formatC(p, format = "f", digits = 3, decimal.mark = ",")), "\n")
  if (p >= 0.05) {
    cat("-> p NO es menor a 0,05: no hay evidencia de que los grupos difieran.\n")
    cat("   No seguimos leyendo la diferencia.\n")
  } else {
    cat("-> p es menor a 0,05: la diferencia probablemente existe.\n")
    cat("\nPASO 3. ¿La diferencia importa?\n")
    mas_bajo <- min(round(r$media, 2))
    porcentaje <- 100 * dif / mas_bajo
    cat("Diferencia entre el promedio más alto y el más bajo:", formatC(dif, format = "f", digits = 2, decimal.mark = ","),
        "puntos\n")
    cat("Diferencia ÷ promedio más bajo:", formatC(dif, format = "f", digits = 2, decimal.mark = ","), "÷",
        formatC(mas_bajo, format = "f", digits = 2, decimal.mark = ","), "=",
        formatC(porcentaje, format = "f", digits = 1, decimal.mark = ","), "%\n")
    if (porcentaje > 5) cat("-> Supera el 5%: la diferencia IMPORTA.\n")
    else cat("-> No llega al 5%: existe, pero es tan chica que NO IMPORTA.\n")
  }
  if (!is.null(eta2)) cat("\n(Perlita) Eta cuadrado: el grupo explica el",
                          format(round(100 * eta2, 1), decimal.mark = ","),
                          "% de las diferencias entre las personas.\n")
  cat("------------------------------------------------------------\n")
}

# Eta cuadrado para dos grupos (perlita)
eta_cuadrado <- function(y, grupo, peso) {
  r <- resumen_ponderado(y, grupo, peso)$tabla
  N <- sum(r$n_exacto); media_total <- sum(r$n_exacto * r$media) / N
  entre  <- sum(r$n_exacto * (r$media - media_total)^2)
  dentro <- sum((r$n_exacto - 1) * r$var)
  cat("Eta cuadrado:", format(round(100 * entre / (entre + dentro), 1), decimal.mark = ","),
      "% de las diferencias se explica por el grupo.\n")
}


# ---------------------------------------------------------------------
# 1. CARGA Y LIMPIEZA DE LAS BASES
# ---------------------------------------------------------------------

lb <- read.csv("Latinobarometro_2017_Argentina_Csv_esp_v1.csv",
               sep = ";", fileEncoding = "UTF-8-BOM", check.names = FALSE)
pela <- read.csv("SALAMANCA_COMPLETA_FINAL_2017_para_clases_y_PONDERADA.csv",
                 check.names = FALSE)

# Latinobarómetro: los códigos negativos son "no sabe", "no responde",
# "no conoce", etc. Los pasamos a NA (dato perdido).
for (v in c("P11STGBSC", "P19STC", "P42NC.A", "P42NC.B", "P42NC.C",
            "P42NC.D", "P42NC.E", "P42NC.F", "P61ST.1", "P61ST.2", "P61ST.3",
            "P17STGBSC")) {
  lb[[v]][lb[[v]] < 0] <- NA
}

# Grupos con nombre (Latinobarómetro)
lb$sexo     <- factor(lb$SEXO, levels = 1:2, labels = c("Varones", "Mujeres"))
lb$edad4    <- factor(lb$REEDAD, levels = 1:4,
                      labels = c("16 a 25", "26 a 40", "41 a 60", "61 y más"))
lb$gestion  <- factor(lb$P17STGBSC, levels = 1:2,
                      labels = c("Aprueba la gestión", "No aprueba la gestión"))
lb$educ3    <- cut(lb$"REEDUC.1", breaks = c(0, 3, 5, 7),
                   labels = c("Baja", "Media", "Alta"))
lb$voto     <- factor(lb$P16STGBS, levels = c(32001, 32044),
                      labels = c("FPV", "Cambiemos"))

# PELA: 98 = no sabe, 99 = no contesta, 999 = sin dato. Los pasamos a NA.
for (v in c("RRII2_US", "RRII2_UE", "VAL1", "VAL2", "VAL3", "EM1", "FFAA1")) {
  pela[[v]][pela[[v]] > 10] <- NA
}
pela$sexo     <- factor(pela$SOCD4, levels = 1:2, labels = c("Diputados", "Diputadas"))
pela$ideol3   <- factor(pela$IDEOL_5_3, levels = 1:3,
                        labels = c("Izquierda", "Centro", "Derecha"))
pela$gob_opo  <- factor(pela$POL1, levels = 1:2, labels = c("Oficialistas", "Opositores"))
pela$creyente <- factor(pela$RE1, levels = 1:2, labels = c("Creyentes", "No creyentes"))


# ---------------------------------------------------------------------
# 2. LOS CASOS DE LA CLASE
#    Formato: comparar_..._grupos(variable_numérica, grupos, ponderador)
# ---------------------------------------------------------------------

# CASO 1 — Significativa pero chiquita
# ¿Cuánta corrupción hay en los Tribunales de Justicia? (0 a 10) según sexo
comparar_dos_grupos(lb$"P42NC.A", lb$sexo, lb$WT)

# CASO 2 — Significativa y grande
# ¿Cuánta corrupción hay en el Gobierno Nacional? (0 a 10)
# según aprueba o no la gestión del gobierno
comparar_dos_grupos(lb$"P42NC.C", lb$gestion, lb$WT)

# CASO 3 — No significativa
# ¿Cuán democrático es el país? (1 a 10) según sexo
comparar_dos_grupos(lb$P11STGBSC, lb$sexo, lb$WT)

# CASO 4 — Más de dos grupos (ANOVA)
# Autoubicación izquierda (0) - derecha (10) según edad
comparar_varios_grupos(lb$P19STC, lb$edad4, lb$WT)

# CASO 5 — Grande aun con pocos casos (PELA, diputados)
# Valoración de un Tratado de Libre Comercio con EE.UU. (1 a 10) según ideología
comparar_varios_grupos(pela$RRII2_US, pela$ideol3, pela$Ponder)

# CASO 6 — Parece grande pero no alcanza (PELA)
# Aprobación del matrimonio entre personas del mismo sexo (1 a 10) según sexo
comparar_dos_grupos(pela$VAL1, pela$sexo, pela$Ponder)

# CASO 7 — La lectura trampa
# La misma pregunta del caso 1, por separado en dos grupos de edad
jovenes <- lb$REEDAD == 1
adultos <- lb$REEDAD == 3
comparar_dos_grupos(lb$"P42NC.A"[jovenes], lb$sexo[jovenes], lb$WT[jovenes])
comparar_dos_grupos(lb$"P42NC.A"[adultos], lb$sexo[adultos], lb$WT[adultos])
# En los dos grupos la diferencia es de alrededor de medio punto.
# En uno da significativa y en el otro no: eso NO quiere decir que
# el sexo "pese" distinto según la edad.

# CASO 8 — Paralelo elites / ciudadanos (PELA)
# Valoración del TLC con EE.UU. según oficialistas u opositores
comparar_dos_grupos(pela$RRII2_US, pela$gob_opo, pela$Ponder)


# ---------------------------------------------------------------------
# 3. PERLITA: ETA CUADRADO
#    Para más de dos grupos ya aparece en la salida de
#    comparar_varios_grupos(). Para dos grupos:
# ---------------------------------------------------------------------
eta_cuadrado(lb$"P42NC.C", lb$gestion, lb$WT)
eta_cuadrado(pela$RRII2_US, pela$gob_opo, pela$Ponder)


# ---------------------------------------------------------------------
# 4. CRUCES DEL BANCO DE EJERCICIOS
# ---------------------------------------------------------------------

# Latinobarómetro
comparar_dos_grupos(lb$"P61ST.3", lb$gestion, lb$WT)   # Papa Francisco x gestión
comparar_dos_grupos(lb$"P61ST.2", lb$sexo, lb$WT)      # Donald Trump x sexo
comparar_dos_grupos(lb$"P42NC.E", lb$gestion, lb$WT)   # Corrupción Congreso x gestión
comparar_dos_grupos(lb$"P42NC.F", lb$sexo, lb$WT)      # Corrupción sindicatos x sexo
comparar_dos_grupos(lb$"P61ST.1", lb$voto, lb$WT)      # Fidel Castro x voto
comparar_dos_grupos(lb$P11STGBSC, lb$voto, lb$WT)      # Cuán democrático x voto
comparar_varios_grupos(lb$P19STC, lb$educ3, lb$WT)     # Izq-der x educación
comparar_dos_grupos(lb$"P42NC.D", lb$gestion, lb$WT)   # Corrupción municipios x gestión
comparar_varios_grupos(lb$"P42NC.B", lb$educ3, lb$WT)  # Corrupción grandes empresas x educación
comparar_varios_grupos(lb$"P61ST.3", lb$edad4, lb$WT)  # Papa Francisco x edad

# PELA
comparar_varios_grupos(pela$EM1, pela$ideol3, pela$Ponder)     # Estado-mercado x ideología
comparar_varios_grupos(pela$VAL1, pela$ideol3, pela$Ponder)    # Matrimonio igualitario x ideología
comparar_dos_grupos(pela$VAL2, pela$creyente, pela$Ponder)     # Aborto x creyente
comparar_dos_grupos(pela$VAL3, pela$sexo, pela$Ponder)         # Legalización de drogas x sexo
comparar_varios_grupos(pela$FFAA1, pela$ideol3, pela$Ponder)   # Papel de las FF.AA. x ideología
comparar_dos_grupos(pela$RRII2_UE, pela$gob_opo, pela$Ponder)  # TLC con la UE x gobierno/oposición
comparar_dos_grupos(pela$EM1, pela$sexo, pela$Ponder)          # Estado-mercado x sexo


# ---------------------------------------------------------------------
# 5. TU TURNO
#    Elegí una variable numérica (escala) y una variable que arme grupos,
#    y reemplazalas en la línea de abajo.
# ---------------------------------------------------------------------
# comparar_dos_grupos(lb$P11STGBSC, lb$gestion, lb$WT)

Sintaxis completa de SPSS

Abrí la base (Archivo > Importar datos > Datos CSV; en Latinobarómetro el delimitador es el punto y coma, y en las dos bases el decimal es el punto). Después abrí la sintaxis, seleccioná un bloque y ejecutalo.

* =====================================================================.
*  MÉTODOS CUANTITATIVOS — COMPARACIÓN DE MEDIAS.
*  Sintaxis completa de SPSS.
*  Bases: Latinobarómetro Argentina 2017 y PELA Argentina 2017 (ponderadas).
* =====================================================================.
*
*  Cómo usarla:
*  1. Abrí la base con Archivo > Importar datos > Datos CSV.
*     Latinobarómetro: el delimitador es el punto y coma (;).
*     En las dos bases, el separador decimal es el PUNTO.
*  2. Abrí esta sintaxis (Archivo > Abrir > Sintaxis).
*  3. Seleccioná un bloque y ejecutalo con el triángulo verde (o Ctrl + R).
*
*  Cómo leer la salida de la prueba t:
*  en la tabla "Prueba de muestras independientes" leé SIEMPRE la fila
*  "No se asumen varianzas iguales". Las primeras columnas (Levene) no se usan.
*
*  La receta de toda la clase:
*  PASO 1. Mirar los promedios de cada grupo.
*  PASO 2. ¿Sig. (p) es menor a 0,05?  Si NO: no se sigue leyendo.
*  PASO 3. ¿La diferencia supera el 5% del promedio más bajo?
*          Cálculo: diferencia dividida por el promedio más bajo.
*  Ojo: para comparar escalas distintas (0 a 10 con 1 a 10), primero hay que llevarlas a la misma escala.
* =====================================================================.


* =====================================================================.
*  PARTE A — LATINOBARÓMETRO ARGENTINA 2017 (abrir esta base primero).
* =====================================================================.

* Los códigos negativos son "no sabe", "no responde", "no conoce": perdidos.
MISSING VALUES P11STGBSC P19STC P42NC.A P42NC.B P42NC.C P42NC.D P42NC.E P42NC.F
  P61ST.1 P61ST.2 P61ST.3 P17STGBSC (LO THRU -1).

* Nombres de los grupos.
VALUE LABELS SEXO 1 'Varones' 2 'Mujeres'
  /P17STGBSC 1 'Aprueba la gestión' 2 'No aprueba la gestión'
  /REEDAD 1 '16 a 25' 2 '26 a 40' 3 '41 a 60' 4 '61 y más'.

* Educación en tres grupos.
RECODE REEDUC.1 (1 THRU 3=1) (4 THRU 5=2) (6 THRU 7=3) INTO educ3.
VALUE LABELS educ3 1 'Baja' 2 'Media' 3 'Alta'.

* Intención de voto: Frente para la Victoria o Cambiemos.
RECODE P16STGBS (32001=1) (32044=2) (ELSE=SYSMIS) INTO voto.
VALUE LABELS voto 1 'FPV' 2 'Cambiemos'.
EXECUTE.

* Ponderar la base.
WEIGHT BY WT.

* ---------------------------------------------------------------------.
* CASO 1 — Significativa pero chiquita.
* Corrupción en los Tribunales de Justicia (0 a 10) según sexo.
T-TEST GROUPS=SEXO(1 2)
  /VARIABLES=P42NC.A
  /CRITERIA=CI(.95).

* CASO 2 — Significativa y grande.
* Corrupción en el Gobierno Nacional (0 a 10) según aprueba o no la gestión.
T-TEST GROUPS=P17STGBSC(1 2)
  /VARIABLES=P42NC.C
  /CRITERIA=CI(.95).

* CASO 3 — No significativa.
* Cuán democrático es el país (1 a 10) según sexo.
T-TEST GROUPS=SEXO(1 2)
  /VARIABLES=P11STGBSC
  /CRITERIA=CI(.95).

* CASO 4 — Más de dos grupos: ANOVA.
* Autoubicación izquierda (0) - derecha (10) según edad.
* La tabla "Tabla de ANOVA" trae la Sig.; la tabla "Medidas de asociación" trae eta cuadrado (perlita).
MEANS TABLES=P19STC BY REEDAD
  /CELLS=MEAN COUNT STDDEV
  /STATISTICS ANOVA.

* CASO 7 — La lectura trampa: el caso 1, por separado en dos grupos de edad.
* Jóvenes (16 a 25).
TEMPORARY.
SELECT IF (REEDAD = 1).
T-TEST GROUPS=SEXO(1 2)
  /VARIABLES=P42NC.A
  /CRITERIA=CI(.95).
* Adultos (41 a 60).
TEMPORARY.
SELECT IF (REEDAD = 3).
T-TEST GROUPS=SEXO(1 2)
  /VARIABLES=P42NC.A
  /CRITERIA=CI(.95).

* PERLITA — Eta cuadrado con dos grupos (caso 2).
MEANS TABLES=P42NC.C BY P17STGBSC
  /CELLS=MEAN COUNT STDDEV
  /STATISTICS ANOVA.

* ---------------------------------------------------------------------.
* Cruces del banco de ejercicios (Latinobarómetro).
* Papa Francisco (0 a 10) según gestión.
T-TEST GROUPS=P17STGBSC(1 2) /VARIABLES=P61ST.3 /CRITERIA=CI(.95).
* Donald Trump (0 a 10) según sexo.
T-TEST GROUPS=SEXO(1 2) /VARIABLES=P61ST.2 /CRITERIA=CI(.95).
* Corrupción en el Congreso (0 a 10) según gestión.
T-TEST GROUPS=P17STGBSC(1 2) /VARIABLES=P42NC.E /CRITERIA=CI(.95).
* Corrupción en los sindicatos (0 a 10) según sexo.
T-TEST GROUPS=SEXO(1 2) /VARIABLES=P42NC.F /CRITERIA=CI(.95).
* Fidel Castro (0 a 10) según intención de voto.
T-TEST GROUPS=voto(1 2) /VARIABLES=P61ST.1 /CRITERIA=CI(.95).
* Cuán democrático es el país (1 a 10) según intención de voto.
T-TEST GROUPS=voto(1 2) /VARIABLES=P11STGBSC /CRITERIA=CI(.95).
* Corrupción en las municipalidades (0 a 10) según gestión.
T-TEST GROUPS=P17STGBSC(1 2) /VARIABLES=P42NC.D /CRITERIA=CI(.95).
* Autoubicación izquierda-derecha (0 a 10) según educación.
MEANS TABLES=P19STC BY educ3 /CELLS=MEAN COUNT STDDEV /STATISTICS ANOVA.
* Corrupción en las grandes empresas (0 a 10) según educación.
MEANS TABLES=P42NC.B BY educ3 /CELLS=MEAN COUNT STDDEV /STATISTICS ANOVA.
* Papa Francisco (0 a 10) según edad.
MEANS TABLES=P61ST.3 BY REEDAD /CELLS=MEAN COUNT STDDEV /STATISTICS ANOVA.


* =====================================================================.
*  PARTE B — PELA ARGENTINA 2017 (abrir la base de diputados).
* =====================================================================.

* 98 = no sabe, 99 = no contesta, 999 = sin dato: perdidos.
MISSING VALUES RRII2_US RRII2_UE VAL1 VAL2 VAL3 EM1 FFAA1 (98 THRU HI).
MISSING VALUES IDEOL_5_3 POL1 RE1 SOCD4 (9 THRU HI).

VALUE LABELS SOCD4 1 'Diputados' 2 'Diputadas'
  /IDEOL_5_3 1 'Izquierda' 2 'Centro' 3 'Derecha'
  /POL1 1 'Oficialistas' 2 'Opositores'
  /RE1 1 'Creyentes' 2 'No creyentes'.
EXECUTE.

WEIGHT BY Ponder.

* CASO 5 — Grande aun con pocos casos.
* Valoración de un Tratado de Libre Comercio con EE.UU. (1 a 10) según ideología.
MEANS TABLES=RRII2_US BY IDEOL_5_3
  /CELLS=MEAN COUNT STDDEV
  /STATISTICS ANOVA.

* CASO 6 — Parece grande pero no alcanza.
* Aprobación del matrimonio entre personas del mismo sexo (1 a 10) según sexo.
T-TEST GROUPS=SOCD4(1 2)
  /VARIABLES=VAL1
  /CRITERIA=CI(.95).

* CASO 8 — Paralelo elites / ciudadanos.
* TLC con EE.UU. (1 a 10) según oficialistas u opositores.
T-TEST GROUPS=POL1(1 2)
  /VARIABLES=RRII2_US
  /CRITERIA=CI(.95).

* ---------------------------------------------------------------------.
* Cruces del banco de ejercicios (PELA).
* Estado (1) - mercado (10) según ideología.
MEANS TABLES=EM1 BY IDEOL_5_3 /CELLS=MEAN COUNT STDDEV /STATISTICS ANOVA.
* Matrimonio igualitario (1 a 10) según ideología.
MEANS TABLES=VAL1 BY IDEOL_5_3 /CELLS=MEAN COUNT STDDEV /STATISTICS ANOVA.
* Aborto (1 a 10) según creyente o no.
T-TEST GROUPS=RE1(1 2) /VARIABLES=VAL2 /CRITERIA=CI(.95).
* Legalización de drogas (1 a 10) según sexo.
T-TEST GROUPS=SOCD4(1 2) /VARIABLES=VAL3 /CRITERIA=CI(.95).
* Papel de las Fuerzas Armadas (1 a 10) según ideología.
MEANS TABLES=FFAA1 BY IDEOL_5_3 /CELLS=MEAN COUNT STDDEV /STATISTICS ANOVA.
* TLC con la Unión Europea (1 a 10) según oficialistas u opositores.
T-TEST GROUPS=POL1(1 2) /VARIABLES=RRII2_UE /CRITERIA=CI(.95).
* Estado-mercado (1 a 10) según sexo.
T-TEST GROUPS=SOCD4(1 2) /VARIABLES=EM1 /CRITERIA=CI(.95).

* ---------------------------------------------------------------------.
* TU TURNO: cambiá la variable numérica (VARIABLES=) y la de grupos (GROUPS=).
* T-TEST GROUPS=POL1(1 2) /VARIABLES=EM1 /CRITERIA=CI(.95).

Bases y documentación

Variables usadas en la clase