Cálculos de Índices y Fiabilidad de las Escalas

Importar base de datos y paquete de Cálculos psicométricos

library(foreign, pos = 4)
library(Rcmdr)

## Loading required package: splines
## The Commander GUI is launched only in interactive sessions

library(psych)
investigacion <- read.spss("D:/cosas/Facultad/2014/psicometria/psicometria.sav", 
    use.value.labels = FALSE, to.data.frame = TRUE)

Calculos para Online Gaming Scale

Sólo los items originales

Análisis de confiabilidad

# Escala de Logro
reliability(cov(investigacion[, c("vg9", "vg10", "vg11", "vg12")], use = "complete.obs"))

## Alpha reliability =  0.7102 
## Standardized alpha =  0.7204 
## 
## Reliability deleting each item in turn:
##       Alpha Std.Alpha r(item, total)
## vg9  0.5821    0.5913         0.6070
## vg10 0.6095    0.6252         0.5582
## vg11 0.6115    0.6200         0.5587
## vg12 0.7724    0.7734         0.3039

# Escala de Sociabilidad
reliability(cov(investigacion[, c("vg1", "vg2", "vg3", "vg4")], use = "complete.obs"))

## Alpha reliability =  0.7665 
## Standardized alpha =  0.7698 
## 
## Reliability deleting each item in turn:
##      Alpha Std.Alpha r(item, total)
## vg1 0.6687    0.6724         0.6444
## vg2 0.8129    0.8127         0.3742
## vg3 0.6548    0.6580         0.6709
## vg4 0.6917    0.6963         0.6036

# Escala de Presencia
reliability(cov(investigacion[, c("vg5", "vg6", "vg7", "vg8")], use = "complete.obs"))

## Alpha reliability =  0.739 
## Standardized alpha =  0.7406 
## 
## Reliability deleting each item in turn:
##      Alpha Std.Alpha r(item, total)
## vg5 0.6896    0.6903         0.5147
## vg6 0.6318    0.6343         0.6200
## vg7 0.7183    0.7219         0.4595
## vg8 0.6756    0.6750         0.5395

Análisis Factorial

factorial <- investigacion[, c(4:14)]
# Varimax con 3 componentes
fit <- factanal(factorial, 3, rotation = "varimax")
print(fit, digits = 2, cutoff = 0.25, sort = TRUE)

## 
## Call:
## factanal(x = factorial, factors = 3, rotation = "varimax")
## 
## Uniquenesses:
##  vg1  vg2  vg3  vg4  vg5  vg6  vg7  vg8  vg9 vg10 vg11 
## 0.37 0.77 0.22 0.56 0.71 0.25 0.76 0.46 0.43 0.63 0.29 
## 
## Loadings:
##      Factor1 Factor2 Factor3
## vg1   0.79                  
## vg3   0.87                  
## vg4   0.66                  
## vg9           0.75          
## vg10          0.60          
## vg11          0.83          
## vg5                   0.52  
## vg6           0.29    0.82  
## vg8                   0.70  
## vg2   0.39                  
## vg7                   0.49  
## 
##                Factor1 Factor2 Factor3
## SS loadings       2.00    1.82    1.73
## Proportion Var    0.18    0.17    0.16
## Cumulative Var    0.18    0.35    0.50
## 
## Test of the hypothesis that 3 factors are sufficient.
## The chi square statistic is 69.76 on 25 degrees of freedom.
## The p-value is 4.17e-06

Siendo los items vg1, vg2, vg3 y vg4 de la escala de Sociabilidad

Los items vg5, vg6, vg7 y vg8 de la escala de Presencia

Y los items vg9, vg10, vg11 y vg12 de la escala de Logro

Importar base de datos de la segunda tanda de datos

investigacionNw <- read.spss("D:/cosas/Facultad/2014/psicometria/nuevos.sav", 
    use.value.labels = FALSE, to.data.frame = TRUE)

Sin el 16 y el 13

De sólo la segunda toma de datos

Análisis de confiabilidad

# Escala de Logro
reliability(cov(investigacionNw[, c("vg9", "vg10", "vg11", "vg12")], use = "complete.obs"))

## Alpha reliability =  0.6045 
## Standardized alpha =  0.6259 
## 
## Reliability deleting each item in turn:
##       Alpha Std.Alpha r(item, total)
## vg9  0.4812    0.4971         0.4629
## vg10 0.5022    0.5368         0.4248
## vg11 0.5126    0.5249         0.4272
## vg12 0.6441    0.6516         0.2723

# Escala de Sociabilidad
reliability(cov(investigacionNw[, c("vg1", "vg2", "vg3", "vg4")], use = "complete.obs"))

## Alpha reliability =  0.8298 
## Standardized alpha =  0.8294 
## 
## Reliability deleting each item in turn:
##      Alpha Std.Alpha r(item, total)
## vg1 0.7589    0.7586         0.7143
## vg2 0.8538    0.8538         0.4964
## vg3 0.7500    0.7496         0.7330
## vg4 0.7675    0.7668         0.6957

# Escala de Presencia
reliability(cov(investigacionNw[, c("vg5", "vg6", "vg7", "vg8", "vg14", "vg15")], 
    use = "complete.obs"))

## Alpha reliability =  0.8252 
## Standardized alpha =  0.8289 
## 
## Reliability deleting each item in turn:
##       Alpha Std.Alpha r(item, total)
## vg5  0.8014    0.8069         0.5753
## vg6  0.7683    0.7691         0.7482
## vg7  0.8186    0.8237         0.4897
## vg8  0.7893    0.7924         0.6328
## vg14 0.8059    0.8119         0.5506
## vg15 0.7979    0.8010         0.5941

Análisis Factorial

factorial <- investigacionNw[, c(4:15, 17, 18)]
# Varimax con 3 componentes
fit <- factanal(factorial, 3, rotation = "varimax")
print(fit, digits = 2, cutoff = 0.25, sort = TRUE)

## 
## Call:
## factanal(x = factorial, factors = 3, rotation = "varimax")
## 
## Uniquenesses:
##  vg1  vg2  vg3  vg4  vg5  vg6  vg7  vg8  vg9 vg10 vg11 vg12 vg14 vg15 
## 0.29 0.73 0.17 0.48 0.66 0.15 0.71 0.44 0.66 0.74 0.42 0.63 0.72 0.42 
## 
## Loadings:
##      Factor1 Factor2 Factor3
## vg5   0.57                  
## vg6   0.90                  
## vg7   0.51                  
## vg8   0.74                  
## vg15  0.72                  
## vg1           0.82          
## vg2           0.51          
## vg3           0.89          
## vg4           0.71          
## vg12          0.50    0.29  
## vg9                   0.58  
## vg11                  0.76  
## vg10                  0.47  
## vg14  0.49                  
## 
##                Factor1 Factor2 Factor3
## SS loadings       2.79    2.56    1.43
## Proportion Var    0.20    0.18    0.10
## Cumulative Var    0.20    0.38    0.48
## 
## Test of the hypothesis that 3 factors are sufficient.
## The chi square statistic is 114.1 on 52 degrees of freedom.
## The p-value is 1.5e-06

Siendo los items vg1, vg2, vg3, vg4 de la escala de Sociabilidad

Los items vg5, vg6, vg7, vg8, vg14, vg15 de la escala de Presencia

Y los items vg9, vg10, vg11 y vg12 de la escala de Logro

Comparación de medias entre tandas

uno <- sapply(investigacion[4:15], mean, na.rm = TRUE)
dos <- sapply(investigacion[4:15], mean, na.rm = TRUE)

Lista de items

  1. Hablar con otras personas
  2. Ser parte de un clan
  3. Juntarme con otras personas
  4. Mantenerme en contacto con mis amigos
  5. Conocer las historias y el folklore del mundo
  6. Sentirme inmerso en el mundo del juego
  7. Explorar el mundo sólo por el gusto de hacerlo
  8. Crear una historia para el mundo y para mi personaje
  9. Volverme poderoso
  10. Conseguir ítems raros
  11. Optimizar mi personaje lo más posible
  12. Competir con otros jugadores
  13. Ayudar a otros jugadores
  14. Encontrar misiones, niveles o lugares que la mayoría no encuentra
  15. Sentirme dentro del juego
  16. Que mi personaje se vea diferente a los otros

Estadísticas descriptivas

Edad según sexo

describeBy(investigacion[1], group = investigacion$sexo, mat = FALSE, type = 3)

## group: 0
##      vars   n  mean   sd median trimmed  mad min max range skew kurtosis
## edad    1 144 24.14 5.16     24   23.78 3.71  15  56    41 1.85     8.92
##        se
## edad 0.43
## -------------------------------------------------------- 
## group: 1
##      vars  n  mean   sd median trimmed  mad min max range skew kurtosis
## edad    1 40 23.55 6.29   22.5   22.81 4.45  15  53    38 2.56     9.59
##        se
## edad 0.99

Horas según sexo

describeBy(investigacion[3], group = investigacion$sexo, mat = FALSE, type = 3)

## group: 0
##       vars   n  mean    sd median trimmed   mad min max range skew
## horas    1 146 30.04 84.25     15   16.48 14.83   0 600   600 6.35
##       kurtosis   se
## horas    40.05 6.97
## -------------------------------------------------------- 
## group: 1
##       vars  n  mean    sd median trimmed  mad min max range skew kurtosis
## horas    1 40 11.35 14.25      5    8.06 4.45   0  60    60 1.98     3.09
##         se
## horas 2.25

Distribución de Frecuencias

counts <- table(investigacion$sexo, investigacion$estiloJuego)
barplot(counts, main = "Distribución de Estilo de Juego por sexo", xlab = "Estilo de Juego", 
    names = c("Social", "Presencia", "Logro", "Sin preferencia"), col = c("darkgray", 
        "lightgray"), legend = c("Hombre", "Mujer"), beside = TRUE)

plot of chunk unnamed-chunk-8 



boxplot(investigacion$horas ~ investigacion$estiloJuego, data = investigacion, 
    main = "Horas por estilo de Juego", outline = FALSE, xlab = "Estilo de Juego", 
    names = c("Social", "Presencia", "Logro", "Sin preferencia"), ylab = "Horas")

plot of chunk unnamed-chunk-8