Informatico

Solo disponible en BuenasTareas
  • Páginas : 6 (1469 palabras )
  • Descarga(s) : 0
  • Publicado : 30 de agosto de 2012
Leer documento completo
Vista previa del texto
EXPERIMENTACIÓN EN INGENIERÍA DE SOFTWARE
Clase 02.05.2012

Loretta Gasco Campos

lgasco@pucp.edu.pe

Estadísticos descriptivos

N

Mínimo

Máximo

Media

Desv. típ.

Facilidad de Uso

20

1.80

3.60

2.7100

.45178

Utilidad Percibida

20

1.60

3.60

2.5300

.50378

Intención de Uso

20

1.33

3.67

2.6340

.66662

N válido (según lista)20

Pruebas de normalidad
Kolmogorov-Smirnova

Shapiro-Wilk

Estadístico

gl

Sig.

Estadístico

gl

Sig.

Intención de Uso

,128

20

,200*

,951

20

,389

Facilidad de Uso

,146

20

,200*

,969

20

,741

Utilidad Percibida

,146

20

,200*

,970

20

,761

Correlaciones
Facilidad1
Facilidad1

Correlación de PearsonUtilidad1

Intencion1

1

,675**

,197

,001

,406

Sig. (bilateral)
N

20

Correlación de Pearson

,675**

1

,574**

,001

N

20

20

20

Correlación de Pearson

,197

,574**

1

Sig. (bilateral)

,406

,008

N

Intencion1

20

Sig. (bilateral)

Utilidad1

20

20

20

**. La correlación es significativa al nivel 0,01 (bilateral).,008

20

MODELO:
Yi = β0 + β1 xi1 +…+ βn xin + εi, i =1,…,n
errores εi ~ i.i.d. N(0, σ2)
↓ DATOS {( xi1 ,…, xin ,Yi ), i=1,…,n}
MODELO ESTIMADO
Ŷ| X1 = x1, …, Xn = xn= b0 + b1 x1 +…+ bn xn
para valores dados de X1 = x1, …, Xn = xn

Ajuste global

H0: β1 =…= βn = 0 vs Ha: existe por lo menos un βj ≠0
Metodología:
Análisis de varianza (ANOVA)

ANOVAa

ModeloSuma de
cuadrados

gl

Media
cuadrática

Regresión

2

1,551

Residual

5,342

17

,314

Total

1

3,101

8,443

19

a. Variable dependiente: Intención de Uso

b. Variables predictoras: (Constante), Utilidad Percibida, Facilidad de Uso

F

4,935

Sig.

,020b

Ajuste de los coeficientes de la regresión
1.Estimación puntual de los coeficentes βj mediante bjMetodología: coeficientes no estandarizados B
3. Estimación por intervalos de confianza de los coeficentes βj
Metodología:
Intervalo de confianza de
Límite inferior
95,0% para B
Límite superior
3. Pruebas de hipótesis para cada βj:
H0: βj = 0 vs Ha: βj ≠0
Metodología:
Estadístico de test: t = B/ Error típico ~ tN-2

Interpretación de bj :
cantidad de variación en la variabledependiente
por una unidad de variación adicional de la variable
independiente xi manteniendo constantes las
restantes variables independientes

Coeficientesa
Modelo
1

(Constante)
Coeficientes no
estandarizados

B

,281

Facilidad de
Uso
,141

Utilidad
Percibida
,779

Error típ.

,968

,286

,257

Coeficientes tipificados

Beta

,095

,589

t

,290

,4913,038

Sig.

,775

,630

,007

Límite inferior

-1,761

-,463

,238

Límite superior

2,324

,744

1,321

Orden cero

,154

,599

Parcial

,118

,593

Semiparcial

,095

,586

Tolerancia

,990

,990

FIV
1,010
a. Variable dependiente: Intención de Uso

1,010

Intervalo de confianza de
95,0% para B

Correlaciones

Estadísticos decolinealidad

4. Correlaciones de orden 0 ó Coeficientes de
correlación bivariada de Pearson
5. Coeficientes de Correlación parciales
El coeficiente de correlación parcial entre X i e Y
mide la correlación entre estas variables cuando se
han eliminado los efectos lineales de las otras
variables en X i e Y. Sirve para detectar relaciones
espúreas y relaciones escondidas entre las variablesindependientes

DIAGNÓSTICO DE COLINEALIDAD
Existencia de una correlación muy elevada entre las variables independientes del
modelo de regresión. O sea proporcionan información muy similar y difícil de
separar.

Objetivos:
• Diagnosticar la presencia de colinealidad en el modelo.
• Establecer hasta que punto la misma ha podido desvirtuar los
parámetros estimados.

Estadísticos de...
tracking img