Ordres STATA primer parcial PDF

Preview

Summary

Download Ordres STATA primer parcial PDF

Description

Pràctica 1- Gestió i descripció de les dades de qüestionaris •

summarize AC1 AC2 AC3 AC4 AC5 AC6 AC7 AC8 AC9 AC10 Càlcul mitjana / Desviació estàndard / Mínims i màxims

•

mmodes AC1 AC2 AC3 AC4 AC5 AC6 AC7 AC8 AC9 AC10 Càlcul moda

•

twoway (scatter AC5 AC1, mfcolor(none) jitter(12)) Gràfic (variable eix Y variable eix X, sense color grau dispersió) Graphics > Twoway graph o

A la pestanya “Plots”, clica “Create” i tria Basic plots tipus Scatter

o o

A “Plot type” tria, en cada eix (variables X i Y), els items corresponents A “Marker properties”, ves a la pestanya “Advanced”: o Per tal que els punts no tinguin color de fons, a “Fill colour” posa “none” o

Per tal que els punts amb els mateixos valors no se solapin i es pugui visualitzar millor tots els casos, afegeix una pertorbació; a “Add jitters to markers” posa valor 12 a “Noise factor”

•

correlate AC1 AC2 AC3 AC4 AC5 AC6 AC7 AC8 AC9 AC10 Correlació entre les variables

•

recode AC1 AC3 AC5 AC7 AC9 (0 = 2) (1=1) (2 = 0), prefix(R_) Recodificar: ítems inversos (valors de recodificació), per noves variables amb un nou nom

• • •

summarize R_AC1 AC2 R_AC3 AC4 R_AC5 AC6 R_AC7 AC8 R_AC9 AC10 mmodes R_AC1 AC2 R_AC3 AC4 R_AC5 AC6 R_AC7 AC8 R_AC9 AC10 correlate R_AC1 AC2 R_AC3 AC4 R_AC5 AC6 R_AC7 AC8 R_AC9 AC10 Càlcul: dels ítems recodificats (inversos) i els normals (directes)

Pràctica 2- Fiabilitat (consistència interna) Generar una variable (puntuació total): •

generate PT_AC = rAC1+AC2+rAC3+AC4+rAC5+AC6+rAC7+AC8+rAC9+AC10

Descriure puntuació (serveix per calcular mínim, màxim, desv.st., mitjana): •

summarize PT_AC

Fiabilitat: Consistència interna AC: •

alpha rAC1 AC2 rAC3 AC4 rAC5 AC6 rAC7 AC8 rAC9 AC10, asis Càlcul alpha de Cronbach, tal com son els ítems Stadistics > Multivariate analysis > Cronbach’s alpha (seleccionar: take sign of each item as is) Valors crítics de Nunnally i Bernstein: A >= 0,7 fases primerenques investigació. A >= 0,8 investigació bàsica i comparació de grups A>= 0,9 interpretacions individuals rellevants, selecció depersonal, diagnòstic clínic.

•

alpha rAC1 AC2 rAC3 AC4 rAC5 AC6 rAC7 AC8 rAC9 AC10, asis item Alpha de Cronbach per cada Ítem. Taula amb tres criteris que poden variar entre ells: • Índex directes: o Item-test correlation: correlació del ítem amb la puntuació total total (PT_AC) o Ítem-rest correlation: correlació del ítem amb la puntuació total calculada sense l’ítem en qüestió. Mirar aquesta abans aquesta que item-test. Quan més gran el valor, millor consistència de l’item. • Índex invers: Alpha: consistència interna sense l’ítem ▪ Valor més baix: ítem més consistent ▪ Valor més alt: ítem menys consistent. Si veiem que algun item té un Alpha superior que la Alpha total s’ha d’eliminar perquè vol dir que baixa la consistència del test.

Si volem fer una comprovació dels resultats: • •

Item test correlation: correlate PT_AC AC2 Item rest correlation: o generate PT_AC_NoIt2 = rAC1 + rAC3 + AC4 + rAC5 + AC6 + rAC7 + AC8 + rAC9 + AC10 o correlate PT_AC_NoIt2 AC2

Consistència sense ítems que baixen la consistència: depurar ítems inconsistents: repetir el càlcul d’alpha però sense l’item que baixa la consistència • • •

alpha rAC1 rAC3 AC4 rAC5 AC6 rAC7 AC8 rAC9 AC10, asis item alpha rAC1 rAC3 AC4 rAC5 rAC7 AC8 rAC9 AC10, asis item alpha rAC1 rAC3 AC4 rAC5 rAC7 AC8 rAC9, asis item

Fiabilitat de consistència interna FA • • • •

generate PT_FA = FA1+FA2+rFA3+rFA4+FA5+FA6+FA7+rFA8+rFA9+rFA10 summarize PT_FA alpha FA1 FA2 rFA3 rFA4 FA5 FA6 FA7 rFA8 rFA9 rFA10, asis Depurem items inconsistents: o alpha FA1 FA2 rFA3 rFA4 FA5 FA6 FA7 rFA8 rFA9 rFA10, asis item o alpha FA1 FA2 rFA3 rFA4 FA5 FA6 FA7 rFA8 rFA9, asis item o alpha FA2 rFA3 rFA4 FA5 FA6 FA7 rFA8 rFA9, asis item

Suma de les dos escales: AC+FA • •

alpha rAC1 AC2 rAC3 AC4 rAC5 AC6 rAC7 AC8 rAC9 AC10 FA1 FA2 rFA3 rFA4 FA5 FA6 FA7 rFA8 rFA9 rFA10, asis correlate PT_AC PT_FA

Profecia d'Spearman-Brown (És útil en fases primerenques de la creació d’un instrument de mesura, serveix per fer canvis i millorar la fiaiblitat: ens indica de quants items hem d’afegir per pujar l’alpha de cronbach/fiabilitat fins a un valor determinat. O quina alpha obtindríem amb un número d’items determinat.) • •

alpha rAC1 AC2 rAC3 AC4 rAC5 AC6 rAC7 AC8 rAC9 AC10, asis sbrowni .8091 10 .90

sbrowni alpha/fiabilitat actual, n ítems actual, alpha/fiabilitat hipotètica (ens donaria el n ítems hipotètics) sbrowni alpha/fiabilitat actual, n ítems actual, n ítems hipotètics (ens donaria la alpha/fiabilitat hipotètica) K= Nh / Nc  (num. Items hipotètics / num. Items coneguts)

*Relació entre variabilitat i alfa de Cronbach: L’escala amb major variabilitat té més fiabilitat. Més variabilitat indica que PROBABLEMENT la fiabilitat també és alta.

Pràctica 3: Consistència (acord relatiu) i Acord (acord absolut) • • •

• •

generate PT1 = ip1 + ip2 + ip3 + ip4 + ip5 + ip6 + ip7 + ip8 + ip9 + ip10 generate PT2 = b1 + b2 + b3 + b4 + b5 + b6 + b7 + b8 + b9 + b10 summarize PT1 PT2 o PT1: puntuació total de l’avaluador principal o PT2: avaluador nou en el test o PT3: avaluador nou en el retest alpha ip1 ip2 ip3 ip4 ip5 ip6 ip7 ip8 ip9 ip10, asis alpha b1 b2 b3 b4 b5 b6 b7 b8 b9 b10, asis

Càlcul acord relatiu (consistència) entre variables quantitatives, correlació interclasse (ICCc): •

reshape long ip b PT, i(cas) j(mesura) Reestructurar matriu en format long grups de variables, en funció del cas i la mesura

Data > Create or change data > Other variable-transformation commands > Convert data between wide and long

•

icc ip cas mesura, mixed consistency Càlcul CCIc variable, consistència relativa  ICCc average = alpha de cronbach

Statistics > Summaries, tables, and tests > Summary and descriptive statistics > Intraclass correlations

En aquest cas: acord relatiu / consistència: o o

El average és alpha (el promig de tots els ítems) El individual és el alpha d’un sol item (de qualsevol d’ells). Al ser més baixa ens demostra que es necessiten més itrems per a que hi hagi consistència.

Acord absolut entre avaluadors, variables quantitatives (CCIa): •

icc PT cas mesura if mesura < 3, mixed absolute Càlcul CCIa variable només per les mesures PT1 i PT2, consistència absoluta - Individual: grau de fiabilitat de qualsevol dels avaluadors (de un sol) - Promig: grau de fiabilitat de les puntuacions promig entre els avaluadors, les 2 avaluacions juntes

Acord entre diagnòstics: acord absolut de variables categòriques (Kappa): • •

•

reshape wide Reestruturar la matriu en wide recode PT1 (0/3 = 0 "NNP") (4/10 = 1 "NP"), prefix(Diag_) Recodificar v. quantitatives en v. categòriques: variable (de 0 a 3 és no malaltia, codi binari=0) (de 4 a 10 es malaltia, codi binari=1), nom nova variable kap Diag_PT1 Diag_PT2, tab Càlcul Kappa de Cohen d’acord entre diagnòstics, taula Per interpretar els valors de Kappa de Cohen: o Criteris de Landis i Koch: Frequency tables > Two-way table with measures of association o A “Row variable” posa Diag_PT1 i a “Column variable” posa Diag_PT2 o •

A “Test statistics” marca les opcions “Pearson’s chi-squared” i “Cramer’s V”

display sqrt(chi2/chi2+N) Calculadora de STATA: càlcul coeficient de contingència. Es compara el valor màxim que es podria obtenir: Cmax= sqrt(k-1/k)=0,707 (en taules 2x2)

Estabilitat temporal: fiabilitat test-retest (2 tests passats pel mateix avaluador en diferents moments temporals) calculada amb CCIa. • •

reshape long icc PT cas mesura if mesura > 1, mixed absolute

Càlcul CCIa variable només per les mesures PT2 i PT, consistència absoluta CCIa promig: indicaria la consistència interna o coherència de la puntuació total de l’avaluador B obtinguda com a suma o promig de les dues avaluacions que ha fet (PT2 i PT3). CCIa individuals: indica la consistència de la puntuació total, quan només es considera una de les seves avaluacions, ja sigui la primera o la segona (PT2 o PT3). En el cas del test-retest, aquest és el coeficient de correlació intraclasse que avalua l’estabilitat temporal de les puntuacions.

Pràctica 4- Anàlisi en Components Principals (ACP): Solució unidimensional Descriptius bàsics: summarize rbwise1 bwise2 bwise3 rbwise4 rbwise5 rbwise6 rbwise7 rbwise8 bwise9 bwise10 bwise11 bwise12 PGlobal, separator(0)  (per si no volem línies de separació en la taula) correlate rbwise1 bwise2 bwise3 rbwise4 rbwise5 rbwise6 rbwise7 rbwise8 bwise9 bwise10 bwise11 bwise12 Correlació 0: no hi ha relació entre els items / Correlació 1: hi ha relació perfecta entre les variables, mesuren exactament el mateix. Condicions d’aplicació: factortest rbwise1 bwise2 bwise3 rbwise4 rbwise5 rbwise6 rbwise7 rbwise8 bwise9 bwise10 bwise11 bwise12 Ens sortirà: 1. Determinant of the matrix correlations(Det): Cal avaluar el valor del determinant: = 0: ítems excessivament correlacionats (matriu singular) / ≈ 1: ítems no relacionats (matriu identitat). Per tant, ha de ser diferent de 0 i 1. Si determinant dona tant baix pot ser que tinguem alguna combinació lineal de items (massa correlacionats entre ells). 2. Bartlett test of sphericity (p-value): hipòtesi nul·la és que els ítems no estan intercorrelacionats (matriu identitat). Per tant, si p0,9 Meravellós / 0,8 meritori / 0,7 regular / Multivariate analysis > Factor and principal component analysis > Factor analysis o o

Pestanya “Model”: A “Variables” selecciona els 12 ítems Pestanya “Model2”: A “Method” marca l’opció “Principal -component factor”

o

I a “Maximum number of factor to be retained” posa-hi 1.

Obtenim 2 taules: - valor propi (eigenvalue factor 1, variància del factor 1, suma de totes les comunalitats) i percentatge de la variància total explicada per cada factor (proportion) - una matriu de components o carregues factorials (correlació de cada ítem amb el component) i unicitat (% variància no explicada de l’item pel factor/component) Puntuació factorial de cada persona: predict fscore, regression Es crea una nova variable amb la puntuació factorial (variable estandarditzada, mitjana 0 i des.st. 1) de cada persona. Statistics > Postestimation

o o o

Al quadre “Postestimation Selector”, desplega l’opció “Predictions” i fes doble clic a “Regression and Bartlett scores” Al quadre "New variable names or variable stub*" escriu el nom de la nova variable, per exemple fscore A "Produce" comprova que estigui marcada l'opció "Factors scored by the regression scoring method"

summarize fscore Puntuació estandarditzada de cada ítem: Estandardització item 1: egen float z1= std(rbwise1), mean(0) std(1) Estandardització item 2: egen float z2= std(bwise2), mean(0) std(1) Puntuació estandarditzada del item 1 i 2 del cas 10: list cas rbwise1 bwise2 z1 z2 fscore if cas == 10 Relació entre puntuació factorial i puntuació total: - Correlació entre les 2 variables: correlate fscore PGlobal -

Gràfic de dispersió entre les 2 variables: o twoway (scatter fscore PGlobal) o twoway (scatter fscore PGlobal) (lfit fscore PGlobal)  gràfic amb recta d’ajust Graphics > Twoway graph Create Basic plits  Scatter, variable X: PGlobal variable, Y: fscore. Si volem la recta d’ajust: “Create” per a afegir un segon gràfic superposat. A la pestanya “Plot 2”, tria “Fit plots”, selecciona el tipus “Linear prediction”, indica les mateixes variables per a cada eix Comunaliats: facom La comunalitat és el percentatge de la variància de l’item que pot ser explicada pel factor, és a dir, la part de variància de l’item que té en comú amb la resta d’items. Les comunalitats haurien d’estar al voltant del percentatge de la variància total explicada pel factor (proportion). I haurien de ser més o menys homogènies. Residuals: estat residuals Un cop tenim la matriu de residuals, es pot inspeccionar visualment i fer el recompte a mà o bé calcular el % de residuals superiors a .05 en valor absolut amb un petit programa creat ad hoc: A la barra de menús tria “File” i l’opció “Do...”; selecciona l’arxiu RecompteResiduals.do i clica l’opció “Obre” i s’executarà automàticament

Pràctica 5- Anàlisi en Components Principals (ACP): Solució multidim ensional Solució multifactorial, 3 factors: factor rbwise1 rbwise5 rbwise6 rbwise7 bwise2 bwise3 rbwise8 bwise12 rbwise4 bwise9 bwise10 bwise11, pcf factors(3)  principal components factors, 3 factors (per facilitar la interpretació posterior dels resultats, és recomanable posar els ítems en ordre segons les 3 subsescales previstes, així les correlacions estaran agrupades en els 3 factors). Ens surten 2 taules: 1.valors propis i percentatges de variància explicada, 2.matriu components Statistics > Multivariate analysis > Factor and principal component analysis > Factor analysis o

o

Pestanya “Model”: A “Variables” selecciona els 12 ítems (per facilitar la interpretació posterior dels resultats, és recomanable passar a la finestra “variables” els ítems per àmbits o subsescales previstes; tens la informació a la pàg. 1) Pestanya “Model2”: A “Method” marca l’opció “Principal-component factor”, marca també “Maximum number of factor to be retained” i posa el valor 3

CRITERIS DE REDUCCIÓ DE LA DIMENSIONALITAT: 1.Valors propis > 1 (criteri de Kaiser): Mirem a la columna de eigenvalues(valors propis) quants factors superen el valor propi de 1. 2.Salts en els valors propis (Scree Plot de Cattell o gràfic de sedimentació): screeplot S’ha de mirar els salts que hi ha en el gràfic, i mirar quants punts queden per sobre dels salts. 3.Anàlisi paral∙lela: L’anàlisi més potent de tots: fapara, pca reps(100) seed(1025702014)  Anàlisi paral·lela, principals components analisis – repeticions, components aleatòries (núm. que vulguis). Escollim els components que tenen valor propi per sobre de la línia de ralletes (del que s’espera per atzar) en el gràfic. 4.Percentatge de variància explicada: Mirem la primera taula que hem fet, la columna de proportion i cumulative. La solució hauria d’explicar un 50‐60%, el màxim de percentatge però no posar masses factors (criteri una mica subjectiu). 5.Parquetat: - Número de components ha de ser petit (quants menys factors millor): - Interpretació: tots els factors han de poder tenir una etiqueta, un nom. Ho fem a través d’un excel, posant a les dades per sobre de 0,3 positives un color i a les per sobre de 0,3 negatives un altre. 6. Ajustament del model a les dades: - Comunalitats: facom el percentatge de la variància de l’ítem que pot ser explicat pels factors de la solució.

- Residuals: estat residuals. Després, a la barra de menús tria “File” i l’opció “Do...”; selecciona l’arxiu RecompteResiduals i clica l’opció “Obre” i s’executarà automàticament, així sabrem quin els el % de residuals per sobre de 0,05. Residual=És la part no explicada de variància ha de ser molt petita. 7. Anàlisi dels gràfics de dispersió de les puntuacions factorials dels subjectes: Statistics > Multivariate analysis > Factor and principal component analysis > Postestimation > Score variable plot o o

Pestanya “Main”: A “Plot all combinations of the following” marca 3 factors I marca l’opció “Graph as combined plot; default is a matrix plot”

o

Si es vol afegir una línia de referència en el valor 0: a les pestanyes “Y axis” i “X axis” cal clicar “Reference lines”, marcar l’opció “Add lines to graph at specified y/x axis value” i posar 0

scoreplot, factors(3) combined yline(0) xline(0) scoreplot, factors(3) combined ycommon xcommon yline(0) xline(0)  perquè surtin iguals els eixos de dades, amb els mateixos números

Pràctica 6- Anàlisi en Components Principals (ACP): Rotació Solució multifactorial amb 3 factors (càrregues factorials/ matriu de components): factor rbwise1 rbwise5 rbwise6 rbwise7 bwise2 bwise3 rbwise8 bwise12 rbwise4 bwise9 bwise10 bwise11, pcf factors(3) blanks(.3)  que només ens doni càrregues factorials superiors a 0,3 (o posar 0,25 per si estan molt aprop del 0,3) Statistics > Multivariate analysis > Factor and principal component analysis > Factor analysis o o

Pestanya “Model”: A “Variables” selecciona els 12 ítems Pestanya “Model2”: A “Method” marca l’opció “Principal -component factor”

o o

A “Maximum number of factor to be retained” posa-hi 3 Pestanya “Reporting”: Marca “Display loadings as blank when absolute value of loadings is less than” i a la casella “Value” posa .30

Puntuacions factorials solució no rotada: creem 3 variables una per cada factor, així veiem la puntuació que té cada persona en cada factor. És una variable estandarditzada (puntuació Z amb mitjana 0 i desviació 1). predict fsnorotat*, regression  “fs” de factorial score Statistics > Postestimation o o o

Al quadre “Postestimation Selector”, desplega l’opció “Predictions” i fes doble clic a “Regression and Bartlett scores” A "New variable names or variable stub*" escriu “fsnorotat*” (no oblidis l’asterisc final) A "Produce" comprova que estigui marcada l'opció "Factors scored by the regression scoring method"

Rotació ortogonal (VARIMAX): pressuposa que entre els factors no hi ha relació, correlació entre factors baixa. rotate, kaiser blanks(.3)  rotació varimax, que només surtin les carregues factorials superiors a 0,3 Statistics > Multivariate analysis > Factor and principal component analysis > Postestimation > Rotate loadings o

Pestanya “Main”: Comprova que està marcada l’opció “Orthogonal rotation” i que al desplegable apareix seleccionat el mètode “Varimax (default)”

o o

A “Options” marca “Apply the Kaiser normalization” Pestanya “Reporting”: Marca “Display loadings as blank when /loadings/ < #” i a la casella # posa .30

Puntuacions factorials rotació ortogonal (Varimax): predict fs varimax*, regression

(mateixos menús que l’anterior) Comunalitats  facom Residuals  estat residuals i obrir arxiu .do de recompte de residuals Rotació obliqua (OBLIMIN) rotate, oblimin(0) oblique kaiser blanks(0.3) Statistics > Multivariate analysis > Factor and principal component analysis > Postestimation > Rotate loadings o o o

Pestanya “Main”: Marca l’opció “Oblique rotation” i que al desplegable selecciona “Oblimin” A “Options” marca “Apply the Kaiser normalization” Pestanya “Reporting”: Marca “Display loadings as blank when /loadings/ < #” i a la casella # posa-hi .30

Gràfic de les saturacions/càrregues factorials (solució visual per agrupar ítems en factors, on es situa cada ítem en els eixos de factors): loadingplot, factors(3) combined maxlength(5) Statistics > Multivariate analysis > Factor and principal component analysis > Postestimation > Loading plot o

Pestanya “Main”: A “Plot all combinations of the following” marca 3 factors

o o

I marca l’opció “Graph as combined plot; default is a matrix plot” Abans de clicar OK, a l’opció “Abbreviate variable names to” pots marcar 5 characters.

Correlacions factorials (per saber si hi ha correlació entre els factors i escollir si ens quedem amb oblimin, correlació > 0,2, o fem varimax, no correlació < 0,2): estat common -

rotació ortogonal (Varimax): pressuposa que entre els factors no hi ha relació, no hi ha correlació (0,2) hi ha relació hem d’interpretar-la, si ens dona que no hauríem de fer una ortogonal perquè és més senzilla.

Pregunta d’examen: Per què no demanem correlació entre factors en la varimax? Perquè no la contempla, dona per suposat que és 0. Puntuacions factorials rotació obliqua (Oblimin): predict fs oblimin*, regression (mateixos menús que les anteriors)

Solució multifactorial amb 4 factors: Pe...