Interpretaciones reales, no capturas de pantalla

Las variables fueron medidas en una escala Likert de 5 puntos con rango de 1 a 5. Se calcularon estadísticas descriptivas para las cuatro variables del estudio. IQ_Mean registró la media más alta (M = 3.63, SD = 0.70), seguida de LS_Mean (M = 3.57, SD = 0.73), TU_Mean (M = 3.48, SD = 0.74) y PI_Mean (M = 3.23, SD = 0.76), que registró la media más baja. Al aplicar los umbrales de interpretación de la escala de 5 puntos (2.34–3.66 = Moderado), las cuatro variables se ubicaron dentro del rango moderado, lo que indica un patrón de respuesta generalmente intermedio entre los participantes.

En cuanto a las propiedades distribucionales, todas las variables presentaron niveles aceptables de asimetría y curtosis. Los valores de asimetría oscilaron entre -0.305 (LS_Mean) y 0.027 (PI_Mean), todos dentro del umbral aceptable de |asimetría| < 2.0 (Gravetter & Wallnau, 2014). Los valores de curtosis oscilaron entre -0.615 (PI_Mean) y -0.009 (IQ_Mean), todos dentro del umbral aceptable de |curtosis| < 7.0 (Byrne, 2010). Estos resultados indicaron que los datos se aproximaban a una distribución normal y eran adecuados para los análisis paramétricos subsecuentes.

Tabla 1: Estadísticas Descriptivas

Nota. Las variables se ordenan de mayor a menor media. Rango de la escala: 1–5 (escala Likert de 5 puntos). Umbrales de interpretación: Bajo = 1.00–2.33, Moderado = 2.34–3.66, Alto = 3.67–5.00. Los valores de asimetría y curtosis dentro de los umbrales aceptables (|Asimetría| < 2.0, |Curtosis| < 7.0) indican normalidad aproximada.

Referencias

Byrne, B. M. (2010). Structural equation modeling with AMOS: Basic concepts, applications, and programming (2nd ed.). Routledge.

Gravetter, F. J., & Wallnau, L. B. (2014). Essentials of statistics for the behavioral sciences (8th ed.). Wadsworth.

The variables were measured on a 5-point Likert scale ranging from 1 to 5. Descriptive statistics were computed for all four study variables. IQ_Mean recorded the highest mean score (M = 3.63, SD = 0.70), followed by LS_Mean (M = 3.57, SD = 0.73), TU_Mean (M = 3.48, SD = 0.74), and PI_Mean (M = 3.23, SD = 0.76), which recorded the lowest mean score. Applying the 5-point scale interpretation thresholds (2.34–3.66 = Moderate), all four variables fell within the moderate range, indicating a generally mid-level response pattern across participants.

Regarding distributional properties, all variables demonstrated acceptable levels of skewness and kurtosis. Skewness values ranged from -0.305 (LS_Mean) to 0.027 (PI_Mean), all within the acceptable threshold of |skew| < 2.0 (Gravetter & Wallnau, 2014). Kurtosis values ranged from -0.615 (PI_Mean) to -0.009 (IQ_Mean), all well within the acceptable threshold of |kurt| < 7.0 (Byrne, 2010). These results indicated that the data approximated a normal distribution and were suitable for subsequent parametric analyses.

Table 1: Descriptive Statistics

Note. Variables are ordered from highest to lowest mean. Scale range: 1–5 (5-point Likert scale). Interpretation thresholds: Low = 1.00–2.33, Moderate = 2.34–3.66, High = 3.67–5.00. Skewness and kurtosis within acceptable thresholds (|Skew| < 2.0, |Kurt| < 7.0) indicate approximate normality.

References

Byrne, B. M. (2010). Structural equation modeling with AMOS: Basic concepts, applications, and programming (2nd ed.). Routledge.

Gravetter, F. J., & Wallnau, L. B. (2014). Essentials of statistics for the behavioral sciences (8th ed.). Wadsworth.

Previo a la realización de los análisis principales, se evaluó la consistencia interna de las cuatro escalas mediante el alfa de Cronbach, siguiendo los umbrales interpretativos recomendados por George y Mallery (2003). Los resultados indicaron que la escala LS (5 ítems) demostró una buena fiabilidad (α = .868), la escala IQ (5 ítems) demostró una buena fiabilidad (α = .860), la escala TU (5 ítems) demostró una buena fiabilidad (α = .871), y la escala PI (4 ítems) demostró una buena fiabilidad (α = .820). En conjunto, las cuatro escalas superaron el umbral comúnmente aceptado de α ≥ .70, lo que indica que cada instrumento demostró una consistencia interna adecuada para su uso en los análisis subsecuentes.

Se examinaron los diagnósticos a nivel de ítem para evaluar con mayor profundidad la calidad de las escalas. Se inspeccionaron los valores de correlación ítem-total corregida y de alfa de Cronbach si se elimina el elemento para cada escala, siguiendo el criterio de que las correlaciones ítem-total corregidas deben superar .30 para confirmar que los ítems miden el mismo constructo subyacente (Field, 2018). Para la escala LS, las correlaciones ítem-total corregidas oscilaron entre .662 y .721, y la eliminación de ningún ítem habría mejorado de manera significativa la fiabilidad de la escala. Para la escala IQ, las correlaciones ítem-total corregidas oscilaron entre .664 y .698, y de manera similar, la eliminación de cualquier ítem individual no habría mejorado el alfa global. Para la escala TU, las correlaciones ítem-total corregidas oscilaron entre .680 y .723, con todos los ítems contribuyendo positivamente a la fiabilidad de la escala. Para la escala PI, las correlaciones ítem-total corregidas oscilaron entre .632 y .647, y la eliminación de ningún ítem habría producido una mejora notable en el alfa. En las cuatro escalas, todos los ítems demostraron correlaciones ítem-total aceptables, muy por encima del umbral de .30, y la eliminación de cualquier ítem no habría mejorado la fiabilidad de la escala, lo que confirma que todos los ítems funcionaban según lo previsto y contribuían de manera significativa a sus respectivos constructos.

Tabla 1: Estadísticas Ítem-Total

Nota. Los ítems con correlaciones ítem-total corregidas < .30 pueden no estar midiendo el mismo constructo (Field, 2018). Todos los ítems del presente estudio superaron este umbral.

Referencias

Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.

George, D., & Mallery, P. (2003). SPSS for Windows step by step: A simple guide and reference, 11.0 update (4th ed.). Allyn & Bacon.

Prior to conducting the main analyses, the internal consistency reliability of all four scales was assessed using Cronbach's alpha, following the interpretive thresholds recommended by George and Mallery (2003). Results indicated that the LS scale (5 items) demonstrated good reliability (α = .868), the IQ scale (5 items) demonstrated good reliability (α = .860), the TU scale (5 items) demonstrated good reliability (α = .871), and the PI scale (4 items) demonstrated good reliability (α = .820). Collectively, all four scales exceeded the commonly accepted threshold of α ≥ .70, indicating that each instrument demonstrated adequate internal consistency for use in subsequent analyses.

Item-level diagnostics were examined to further evaluate scale quality. Corrected item-total correlations and Cronbach's alpha-if-item-deleted values were inspected for each scale following the criterion that corrected item-total correlations should exceed .30 to confirm that items are measuring the same underlying construct (Field, 2018). For the LS scale, corrected item-total correlations ranged from .662 to .721, and no item deletion would have meaningfully improved scale reliability. For the IQ scale, corrected item-total correlations ranged from .664 to .698, and similarly, removing any individual item would not have improved the overall alpha. For the TU scale, corrected item-total correlations ranged from .680 to .723, with all items contributing positively to scale reliability. For the PI scale, corrected item-total correlations ranged from .632 to .647, and no item deletion would have resulted in a notable improvement to alpha. Across all four scales, all items demonstrated acceptable item-total correlations well above the .30 threshold, and removing any item would not have improved scale reliability, confirming that all items were functioning as intended and contributing meaningfully to their respective constructs.

Table 1: Item-Total Statistics

Note. Items with corrected item-total correlations < .30 may not be measuring the same construct (Field, 2018). All items in the present study exceeded this threshold.

References

Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.

George, D., & Mallery, P. (2003). SPSS for Windows step by step: A simple guide and reference, 11.0 update (4th ed.). Allyn & Bacon.

Previo a la realización de los análisis principales, se llevó a cabo una serie de pruebas de supuestos con un nivel de significancia de α = .05. La normalidad se evaluó para las cuatro variables del estudio (LS_Mean, IQ_Mean, TU_Mean y PI_Mean) mediante la prueba de Shapiro-Wilk y la prueba de Kolmogorov-Smirnov. Ambas pruebas indicaron desviaciones estadísticamente significativas de la normalidad en todas las variables (todas con p < .05; véase la Tabla 1). No obstante, la inspección de los valores de asimetría y curtosis reveló únicamente desviaciones leves (rango de asimetría: −.305 a .027; rango de curtosis: −.615 a −.009), y el examen visual de los gráficos Q-Q sugirió que la normalidad aproximada era razonable. Dado el tamaño de la muestra grande (N = 400), se sabe que la prueba de Shapiro-Wilk y la prueba de Kolmogorov-Smirnov son altamente sensibles incluso a desviaciones triviales de la normalidad. De acuerdo con el Teorema del Límite Central, las pruebas paramétricas se mantienen robustas ante violaciones de la normalidad con este tamaño de la muestra (Pallant, 2020; Field, 2018), por lo que se conservaron todos los análisis paramétricos planificados.

La homogeneidad de varianzas se examinó mediante la prueba de Levene en dos contextos distintos. Para el ANOVA de un factor que comparó LS_Mean entre los niveles de año de estudio, la prueba de Levene basada en la media no fue significativa, F(3, 396) = 0.623, p = .601, lo que indica que se cumplió el supuesto de igualdad de varianzas. De manera similar, para la prueba t para muestras independientes que comparó LS_Mean por género, la prueba de Levene arrojó un resultado no significativo, F(1, 396) = 0.310, p = .578, lo que confirma la homogeneidad de varianzas y respalda el uso de la fila de varianzas iguales asumidas para la interpretación. Ambas pruebas satisficieron este supuesto.

Para el modelo de regresión lineal múltiple que predijo LS_Mean a partir de IQ_Mean, TU_Mean, PI_Mean y StudyHours, se realizaron diagnósticos de regresión adicionales. La multicolinealidad se evaluó mediante el factor de inflación de la varianza (VIF) y las estadísticas de tolerancia. Todos los valores de VIF oscilaron entre 1.000 y 1.103, y todos los valores de tolerancia superaron 0.20 (véase la Tabla 2), lo que indica que no existe preocupación por multicolinealidad entre los predictores (Hair et al., 2019). La independencia de residuos se evaluó mediante el estadístico de la prueba de Durbin-Watson, que arrojó un valor de 1.979, situándose dentro del rango aceptable de 1.5 a 2.5 e indicando ausencia de evidencia de autocorrelación en los residuos. Los valores atípicos se examinaron a través de los residuos estandarizados; el máximo residuo estandarizado en valor absoluto fue 3.024 y el mínimo fue −3.024, sin que ningún valor superara el umbral extremo de ±3.5. Aunque un residuo superó marginalmente ±3.0, esto no se consideró extremo, y la distancia de Cook no estuvo disponible en los resultados para evaluar casos influyentes de manera adicional. La homocedasticidad no se evaluó formalmente mediante un índice estadístico, pero debe confirmarse mediante la inspección visual de los gráficos de residuos. En general, los supuestos de la regresión se consideraron suficientemente cumplidos para proceder con el análisis paramétrico.

Tabla 1: Resultados de las Pruebas de Normalidad

Nota. S-W = Shapiro-Wilk; K-S = Kolmogorov-Smirnov. df = 400 para todas las variables. Todas las variables mostraron desviaciones significativas de la normalidad; sin embargo, las pruebas paramétricas se mantuvieron apropiadas debido al tamaño de la muestra grande (N = 400), en concordancia con el Teorema del Límite Central (Pallant, 2020; Field, 2018).

Tabla 2: Estadísticas de Colinealidad

Nota. Valores de VIF < 5 indican ausencia de preocupación por multicolinealidad (Hair et al., 2019).

Referencias

Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.

Hair, J. F., Babin, B. J., Anderson, R. E., & Black, W. C. (2019). Multivariate data analysis (8th ed.). Cengage Learning.

Pallant, J. (2020). SPSS survival manual: A step-by-step guide to data analysis using IBM SPSS (7th ed.). McGraw-Hill Education.

Prior to conducting the main analyses, a series of assumption tests were performed at a significance level of α = .05. Normality was assessed for all four study variables (LS_Mean, IQ_Mean, TU_Mean, and PI_Mean) using both the Shapiro-Wilk and Kolmogorov-Smirnov tests. Both tests indicated statistically significant departures from normality across all variables (all p < .05; see Table 1). However, inspection of skewness and kurtosis values revealed only mild deviations (skewness range: −.305 to .027; kurtosis range: −.615 to −.009), and visual examination of Q-Q plots suggested approximate normality was reasonable. Given the large sample size (N = 400), the Shapiro-Wilk and Kolmogorov-Smirnov tests are known to be highly sensitive to even trivial departures from normality. In accordance with the Central Limit Theorem, parametric tests remain robust to violations of normality at this sample size (Pallant, 2020; Field, 2018), and all planned parametric analyses were therefore retained.

Homogeneity of variance was examined using Levene's test in two separate contexts. For the One-Way ANOVA comparing LS_Mean across levels of Year of Study, Levene's test based on the mean was non-significant, F(3, 396) = 0.623, p = .601, indicating that the assumption of equal variances was met. Similarly, for the Independent Samples t-Test comparing LS_Mean by Gender, Levene's test yielded a non-significant result, F(1, 396) = 0.310, p = .578, confirming homogeneity of variance and supporting the use of the equal variances assumed row for interpretation. Both tests satisfied this assumption.

For the Multiple Linear Regression model predicting LS_Mean from IQ_Mean, TU_Mean, PI_Mean, and StudyHours, additional regression diagnostics were conducted. Multicollinearity was assessed using Variance Inflation Factor (VIF) and Tolerance statistics. All VIF values ranged from 1.000 to 1.103 and all Tolerance values exceeded 0.20 (see Table 2), indicating no multicollinearity concern among the predictors (Hair et al., 2019). Independence of residuals was evaluated using the Durbin-Watson statistic, which yielded a value of 1.979, falling within the acceptable range of 1.5–2.5 and indicating no evidence of autocorrelation in the residuals. Outliers were examined through standardized residuals; the maximum absolute standardized residual was 3.024 and the minimum was −3.024, with no values exceeding the extreme threshold of ±3.5. Although one residual marginally exceeded ±3.0, this was not considered extreme, and Cook's Distance was not available in the output to assess influential cases further. Homoscedasticity was not formally tested via a statistical index but should be confirmed through visual inspection of the residual plots. Overall, the regression assumptions were considered sufficiently met to proceed with parametric analysis.

Table 1: Normality Test Results

Note. S-W = Shapiro-Wilk; K-S = Kolmogorov-Smirnov. df = 400 for all variables. All variables showed significant departures from normality; however, parametric tests remained appropriate due to the large sample size (N = 400), consistent with the Central Limit Theorem (Pallant, 2020; Field, 2018).

Table 2: Collinearity Statistics

Note. VIF values < 5 indicate no multicollinearity concern (Hair et al., 2019).

References

Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.

Hair, J. F., Babin, B. J., Anderson, R. E., & Black, W. C. (2019). Multivariate data analysis (8th ed.). Cengage Learning.

Pallant, J. (2020). SPSS survival manual: A step-by-step guide to data analysis using IBM SPSS (7th ed.). McGraw-Hill Education.

H1

Se realizó una prueba t para muestras independientes con el fin de examinar si LS_Mean difería entre el grupo de género 1 y el grupo de género 2. El grupo de género 3 (n = 2) fue excluido mediante especificación de sintaxis, lo que resultó en un N de análisis de 398. Previo a la prueba t, se evaluó la prueba de Levene para igualdad de varianzas, F(1, 396) = 0.31, p = .578, lo que indicó que el supuesto de igualdad de varianzas se cumplió; por lo tanto, se utilizó la fila de varianzas iguales. La prueba reveló una diferencia estadísticamente significativa en LS_Mean entre el grupo de género 1 (M = 3.42, SD = 0.74) y el grupo de género 2 (M = 3.69, SD = 0.71), t(396) = −3.703, p < .001, 95% CI [−.411, −.126]. La diferencia de medias fue de −0.27 a favor del grupo de género 2. La d de Cohen = 0.37, lo que indica un tamaño del efecto pequeño (Cohen, 1988). La hipótesis fue respaldada.

Tabla 1: Estadísticas descriptivas de LS_Mean por género

Nota. N de análisis = 398. El grupo de género 3 (n = 2) fue excluido. Levene F(1, 396) = 0.31, p = .578; se asumieron varianzas iguales. t(396) = −3.703, p < .001, 95% CI [−.411, −.126]. d de Cohen = 0.37.

H2

Se realizó una prueba t para muestras pareadas con el fin de examinar si IQ_Mean y PI_Mean diferían dentro de los mismos participantes. Esta comparación constituyó un análisis intrasujeto de dos constructos en un conjunto de datos transversal, no un diseño pre/post. IQ_Mean (M = 3.63, SD = 0.70) fue significativamente mayor que PI_Mean (M = 3.23, SD = 0.76), t(399) = 8.670, p < .001, 95% CI [.316, .501]. La diferencia de medias fue de 0.41 (SD de las diferencias = 0.94, SE = 0.05). La correlación pareada entre las dos variables fue r(398) = .177, p < .001. La dz de Cohen = 0.43, lo que indica un tamaño del efecto pequeño (Cohen, 1988). La hipótesis fue respaldada.

Tabla 2: Estadísticas de muestras pareadas para IQ_Mean y PI_Mean

Nota. N = 400. Correlación pareada r(398) = .177, p < .001. t(399) = 8.670, p < .001, 95% CI [.316, .501]. dz de Cohen = 0.43.

H3

Se realizó un ANOVA de un factor con el fin de examinar si LS_Mean difería entre los grupos de año de estudio. La prueba de Levene confirmó que el supuesto de homogeneidad de varianzas se cumplió, F(3, 396) = 0.623, p = .601. El ANOVA reveló una diferencia estadísticamente significativa en LS_Mean entre los grupos de año de estudio, F(3, 396) = 3.006, p = .030, η² = .022. Esto representa un tamaño del efecto pequeño (Cohen, 1988). Las medias grupales oscilaron entre 3.39 (año 1, n = 108, SD = 0.69) y 3.67 (año 2, n = 88, SD = 0.72), tal como se muestra en la Tabla 3.

Las comparaciones post hoc de Tukey HSD indicaron que el año 1 (M = 3.39) difirió significativamente del año 2 (M = 3.67), diferencia de medias = −0.27, SE = 0.10, p = .046. Todas las comparaciones por pares restantes no fueron significativas, con valores p que oscilaron entre .077 y .994 (véase la Tabla 4). La hipótesis fue respaldada.

Tabla 3: Estadísticas descriptivas de LS_Mean por año de estudio

Nota. F(3, 396) = 3.006, p = .030, η² = .022.

Tabla 4: Comparaciones post hoc de Tukey HSD para LS_Mean por año de estudio

Nota. Procedimiento Tukey HSD. La única comparación significativa fue Año 1 vs. Año 2 (p = .046).

H4

Se realizó un análisis de correlación de Pearson con el fin de examinar las asociaciones entre LS_Mean, IQ_Mean, TU_Mean, PI_Mean y StudyHours (N = 400). La hipótesis establecía que las cinco variables estarían significativamente correlacionadas entre sí; esto fue respaldado de manera parcial. LS_Mean se correlacionó de forma significativa y positiva con IQ_Mean (r = .479, p < .001), TU_Mean (r = .390, p < .001) y PI_Mean (r = .243, p < .001), pero no con StudyHours (r = .044, p = .375). IQ_Mean se correlacionó de forma significativa y positiva con TU_Mean (r = .260, p < .001) y PI_Mean (r = .177, p < .001), pero no con StudyHours (r = −.010, p = .835). TU_Mean no se correlacionó de forma significativa con PI_Mean (r = .066, p = .185) ni con StudyHours (r = −.005, p = .922). PI_Mean no se correlacionó de forma significativa con StudyHours (r = .003, p = .957).

En cuanto a los tamaños del efecto (Cohen, 1988), la correlación entre LS_Mean e IQ_Mean (r = .479) fue de magnitud media, al igual que las correlaciones entre LS_Mean y TU_Mean (r = .390) y entre IQ_Mean y TU_Mean (r = .260). Las correlaciones entre LS_Mean y PI_Mean (r = .243), IQ_Mean y PI_Mean (r = .177), y TU_Mean y PI_Mean (r = .066) fueron pequeñas. Todas las correlaciones restantes que involucraron StudyHours fueron negligibles. La matriz de correlación completa se presenta en la Tabla 5.

Tabla 5: Matriz de correlación de Pearson para LS_Mean, IQ_Mean, TU_Mean, PI_Mean y StudyHours

Nota. N = 400. Solo se muestra el triángulo inferior; el triángulo superior contiene los mismos valores por simetría. *** p < .001.

H5

Se realizó una regresión lineal simple con el fin de examinar si IQ_Mean predecía significativamente LS_Mean. El modelo global fue estadísticamente significativo, F(1, 398) = 118.343, p < .001, R = .479, R² = .229, R-cuadrado ajustado = .227, lo que indica que IQ_Mean explicó el 22.9% de la varianza en LS_Mean. El tamaño del efecto f² = 0.297 representa un efecto medio (Cohen, 1988). IQ_Mean fue un predictor positivo significativo de LS_Mean, B = 0.50, SE = 0.05, β = .479, t(398) = 10.879, p < .001. Un incremento de una unidad en IQ_Mean se asoció con un incremento de 0.50 unidades en LS_Mean. La hipótesis fue respaldada.

Tabla 6: Coeficientes de regresión lineal simple para LS_Mean predicha por IQ_Mean

Nota. N = 400. F(1, 398) = 118.343, p < .001. R = .479, R² = .229, R-cuadrado ajustado = .227. f² = 0.297.

H6

Se realizó una regresión lineal múltiple con el fin de examinar si IQ_Mean, TU_Mean, PI_Mean y StudyHours predecían conjunta e individualmente LS_Mean. El modelo global fue estadísticamente significativo, F(4, 395) = 48.878, p < .001, R = .575, R² = .331, R-cuadrado ajustado = .324, explicando el 33.1% de la varianza en LS_Mean. El tamaño del efecto f² = 0.495 representa un efecto grande (Cohen, 1988).

Tres de los cuatro predictores fueron estadísticamente significativos con α = .05: IQ_Mean (B = 0.39, SE = 0.05, β = .378, t = 8.752, p < .001), TU_Mean (B = 0.28, SE = 0.04, β = .281, t = 6.594, p < .001) y PI_Mean (B = 0.15, SE = 0.04, β = .157, t = 3.762, p < .001). StudyHours no fue un predictor significativo (B = 0.01, SE = 0.01, β = .049, t = 1.199, p = .231). Entre los predictores significativos, IQ_Mean presentó el mayor coeficiente beta estandarizado (β = .378), lo que indica que fue el predictor individual más fuerte de LS_Mean. Un incremento de una unidad en IQ_Mean se asoció con un incremento de 0.39 unidades en LS_Mean, manteniendo constantes todos los demás predictores. Un incremento de una unidad en TU_Mean se asoció con un incremento de 0.28 unidades en LS_Mean, y un incremento de una unidad en PI_Mean se asoció con un incremento de 0.15 unidades en LS_Mean.

Los diagnósticos de multicolinealidad no indicaron problemas: el mayor factor de inflación de la varianza (VIF) fue 1.103 y todos los valores de tolerancia fueron de al menos .907, muy por encima del umbral de preocupación. El estadístico de Durbin-Watson fue 1.979, lo que no evidenció autocorrelación en los residuos. La hipótesis fue respaldada de manera parcial, dado que StudyHours no alcanzó la significancia.

Tabla 7: Coeficientes de regresión lineal múltiple para LS_Mean

Nota. N = 400. F(4, 395) = 48.878, p < .001. R = .575, R² = .331, R-cuadrado ajustado = .324. f² = 0.495. Durbin-Watson = 1.979. Todos los valores de VIF fueron como máximo 1.103.

H7

Se realizó una prueba de chi-cuadrado (χ²) de independencia con el fin de examinar si existía una asociación entre género y DeviceType. La prueba reveló una asociación estadísticamente significativa, χ²(6, N = 400) = 25.854, p < .001. Con df_min = 2 (basado en la dimensión menor de la tabla, min(filas − 1, columnas − 1) = 2), la V de Cramér = .180, lo que indica un tamaño del efecto pequeño (Cohen, 1988). La hipótesis fue respaldada; sin embargo, los resultados deben interpretarse con cautela dado que se presentó una violación sustancial del supuesto de la prueba de chi-cuadrado (χ²) (véanse las Notas de diagnóstico a continuación).

H8

Se realizó un análisis de mediación con PROCESS Modelo 4 (Hayes, 2022) utilizando 5000 muestras bootstrap con el fin de examinar si TU_Mean mediaba la relación entre IQ_Mean y LS_Mean. La trayectoria a, que representa el efecto de IQ_Mean sobre TU_Mean, fue significativa, B = 0.27, SE = 0.05, t(398) = 5.377, p < .001, 95% CI [.174, .375]. La trayectoria b, que representa el efecto de TU_Mean sobre LS_Mean controlando por IQ_Mean, también fue significativa, B = 0.28, SE = 0.04, t(398) = 6.562, p < .001, 95% CI [.196, .363].

El efecto indirecto de IQ_Mean sobre LS_Mean a través de TU_Mean fue significativo, B = 0.08, BootSE = 0.02, 95% Boot CI [.044, .114], dado que el intervalo de confianza (CI) excluyó el cero. El efecto indirecto completamente estandarizado fue .074. El efecto directo de IQ_Mean sobre LS_Mean, tras controlar por TU_Mean, se mantuvo significativo, B = 0.42, SE = 0.05, t(398) = 9.337, p < .001, 95% CI [.332, .509]. El efecto total de IQ_Mean sobre LS_Mean fue B = 0.50, SE = 0.05, t(398) = 10.879, p < .001, 95% CI [.407, .587]. Dado que el efecto indirecto fue significativo y el efecto directo también se mantuvo significativo tras incluir la variable mediadora, este patrón constituye una mediación parcial. La hipótesis fue respaldada.

Tabla 8: Efectos directo, indirecto y total para la mediación IQ_Mean → TU_Mean → LS_Mean

Nota. N = 400. PROCESS Modelo 4 (Hayes, 2022); 5000 muestras bootstrap, intervalos de confianza (CI) al 95%. †Bootstrap SE e intervalo de confianza (CI). Efecto indirecto completamente estandarizado = .074. Se indicó mediación parcial.

H9

Se realizó un análisis de moderación con PROCESS Modelo 1 (Hayes, 2022) con el fin de examinar si StudyHours moderaba la relación entre IQ_Mean y LS_Mean. Las variables fueron centradas en la media previo al análisis. El término de interacción (IQ_Mean × StudyHours) no fue estadísticamente significativo, B = 0.00, SE = 0.01, t(396) = 0.020, p = .984, 95% CI [−.026, .027], ΔR² = .000, F(1, 396) = 0.0004, p = .984. El ΔR² de .000 representa un cambio negligible en la varianza explicada. Dado que no se produjo una tabla de efectos condicionales (la interacción no fue significativa y no fue posible estimar pendientes simples a ±1 SD a partir de los resultados), no se reportan efectos condicionales. La hipótesis no fue respaldada: StudyHours no moderó el efecto de IQ_Mean sobre LS_Mean.

⚠️ Notas de diagnóstico

H7 — Violación del supuesto de la prueba de chi-cuadrado (χ²) (GRAVE): Cuatro celdas (33.3%) presentaron frecuencias esperadas inferiores a 5, con una frecuencia esperada mínima de 0.11. Esto constituye una violación grave del supuesto de la prueba de chi-cuadrado (χ²) que establece que las frecuencias esperadas por celda deben ser ≥ 5. La violación fue impulsada principalmente por el grupo de género 3, de tamaño muy reducido (n = 2). Los resultados de la prueba de chi-cuadrado (χ²) deben interpretarse con cautela explícita. Los remedios recomendados incluyen: (a) excluir el grupo de género 3 y volver a ejecutar el análisis con los dos grupos de género restantes, lo que reduciría la tabla y podría resolver la violación; (b) aplicar la prueba exacta de Fisher si la tabla puede reducirse a 2 × 2; o (c) conservar el análisis actual, pero reconociendo explícitamente en el texto la violación del supuesto y su posible impacto en la confiabilidad de los resultados.

Referencias

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.

Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). The Guilford Press.

H1

An independent samples t-test was conducted to examine whether LS_Mean differed between Gender group 1 and Gender group 2. Gender group 3 (n = 2) was excluded by syntax specification, yielding an analysis N of 398. Prior to the t-test, Levene's test for equality of variances was evaluated, F(1, 396) = 0.31, p = .578, indicating that the assumption of equal variances was met; the equal-variances row was therefore used. The test revealed a statistically significant difference in LS_Mean between Gender group 1 (M = 3.42, SD = 0.74) and Gender group 2 (M = 3.69, SD = 0.71), t(396) = −3.703, p < .001, 95% CI [−.411, −.126]. The mean difference was −0.27 in favour of Gender group 2. Cohen's d = 0.37, indicating a small effect size (Cohen, 1988). The hypothesis was supported.

Table 1: Group Statistics for LS_Mean by Gender

Note. Analysis N = 398. Gender group 3 (n = 2) was excluded. Levene's F(1, 396) = 0.31, p = .578; equal variances assumed. t(396) = −3.703, p < .001, 95% CI [−.411, −.126]. Cohen's d = 0.37.

H2

A paired samples t-test was conducted to examine whether IQ_Mean and PI_Mean differed within the same participants. This comparison was a within-subject analysis of two constructs in a cross-sectional dataset, not a pre/post design. IQ_Mean (M = 3.63, SD = 0.70) was significantly higher than PI_Mean (M = 3.23, SD = 0.76), t(399) = 8.670, p < .001, 95% CI [.316, .501]. The mean difference was 0.41 (SD of differences = 0.94, SE = 0.05). The paired correlation between the two variables was r(398) = .177, p < .001. Cohen's dz = 0.43, indicating a small effect size (Cohen, 1988). The hypothesis was supported.

Table 2: Paired Samples Statistics for IQ_Mean and PI_Mean

Note. N = 400. Paired correlation r(398) = .177, p < .001. t(399) = 8.670, p < .001, 95% CI [.316, .501]. Cohen's dz = 0.43.

H3

A one-way ANOVA was conducted to examine whether LS_Mean differed across Year of Study groups. Levene's test confirmed the homogeneity of variance assumption was met, F(3, 396) = 0.623, p = .601. The ANOVA revealed a statistically significant difference in LS_Mean across Year of Study groups, F(3, 396) = 3.006, p = .030, η² = .022. This represents a small effect size (Cohen, 1988). Group means ranged from 3.39 (Year 1, n = 108, SD = 0.69) to 3.67 (Year 2, n = 88, SD = 0.72), as shown in Table 3.

Tukey HSD post-hoc comparisons indicated that Year 1 (M = 3.39) differed significantly from Year 2 (M = 3.67), mean difference = −0.27, SE = 0.10, p = .046. All remaining pairwise comparisons were non-significant, with p values ranging from .077 to .994 (see Table 4). The hypothesis was supported.

Table 3: Group Statistics for LS_Mean by Year of Study

Note. F(3, 396) = 3.006, p = .030, η² = .022.

Table 4: Tukey HSD Post-Hoc Comparisons for LS_Mean by Year of Study

Note. Tukey HSD procedure. The only significant comparison was Year 1 vs. Year 2 (p = .046).

H4

Pearson correlation analysis was conducted to examine associations among LS_Mean, IQ_Mean, TU_Mean, PI_Mean, and StudyHours (N = 400). The hypothesis stated that all five variables would be significantly correlated with one another; this was partially supported. LS_Mean was significantly positively correlated with IQ_Mean (r = .479, p < .001), TU_Mean (r = .390, p < .001), and PI_Mean (r = .243, p < .001), but not with StudyHours (r = .044, p = .375). IQ_Mean was significantly positively correlated with TU_Mean (r = .260, p < .001) and PI_Mean (r = .177, p < .001), but not with StudyHours (r = −.010, p = .835). TU_Mean was not significantly correlated with PI_Mean (r = .066, p = .185) or StudyHours (r = −.005, p = .922). PI_Mean was not significantly correlated with StudyHours (r = .003, p = .957).

Regarding effect sizes (Cohen, 1988), the correlation between LS_Mean and IQ_Mean (r = .479) was medium in magnitude, as were the correlations between LS_Mean and TU_Mean (r = .390) and IQ_Mean and TU_Mean (r = .260). The correlations between LS_Mean and PI_Mean (r = .243), IQ_Mean and PI_Mean (r = .177), and TU_Mean and PI_Mean (r = .066) were small. All remaining correlations involving StudyHours were negligible. The full correlation matrix is presented in Table 5.

Table 5: Pearson Correlation Matrix for LS_Mean, IQ_Mean, TU_Mean, PI_Mean, and StudyHours

Note. N = 400. Only the lower triangle is shown; the upper triangle contains the same values by symmetry. *** p < .001.

H5

Simple linear regression was conducted to examine whether IQ_Mean significantly predicted LS_Mean. The overall model was statistically significant, F(1, 398) = 118.343, p < .001, R = .479, R² = .229, adjusted R² = .227, indicating that IQ_Mean accounted for 22.9% of the variance in LS_Mean. The effect size f² = 0.297 represents a medium effect (Cohen, 1988). IQ_Mean was a significant positive predictor of LS_Mean, B = 0.50, SE = 0.05, β = .479, t(398) = 10.879, p < .001. A one-unit increase in IQ_Mean was associated with a 0.50-unit increase in LS_Mean. The hypothesis was supported.

Table 6: Simple Linear Regression Coefficients for LS_Mean Predicted by IQ_Mean

Note. N = 400. F(1, 398) = 118.343, p < .001. R = .479, R² = .229, adjusted R² = .227. f² = 0.297.

H6

Multiple linear regression was conducted to examine whether IQ_Mean, TU_Mean, PI_Mean, and StudyHours jointly and individually predicted LS_Mean. The overall model was statistically significant, F(4, 395) = 48.878, p < .001, R = .575, R² = .331, adjusted R² = .324, accounting for 33.1% of the variance in LS_Mean. The effect size f² = 0.495 represents a large effect (Cohen, 1988).

Three of the four predictors were statistically significant at α = .05: IQ_Mean (B = 0.39, SE = 0.05, β = .378, t = 8.752, p < .001), TU_Mean (B = 0.28, SE = 0.04, β = .281, t = 6.594, p < .001), and PI_Mean (B = 0.15, SE = 0.04, β = .157, t = 3.762, p < .001). StudyHours was not a significant predictor (B = 0.01, SE = 0.01, β = .049, t = 1.199, p = .231). Among the significant predictors, IQ_Mean had the largest standardized coefficient (β = .378), indicating it was the strongest individual predictor of LS_Mean. A one-unit increase in IQ_Mean was associated with a 0.39-unit increase in LS_Mean, holding all other predictors constant. A one-unit increase in TU_Mean was associated with a 0.28-unit increase in LS_Mean, and a one-unit increase in PI_Mean was associated with a 0.15-unit increase in LS_Mean.

Multicollinearity diagnostics indicated no concerns: the largest VIF was 1.103 and all Tolerance values were at least .907, well above the threshold of concern. The Durbin-Watson statistic was 1.979, indicating no evidence of autocorrelation in the residuals. The hypothesis was partially supported, as StudyHours did not reach significance.

Table 7: Multiple Linear Regression Coefficients for LS_Mean

Note. N = 400. F(4, 395) = 48.878, p < .001. R = .575, R² = .331, adjusted R² = .324. f² = 0.495. Durbin-Watson = 1.979. All VIF values were at most 1.103.

H7

A chi-square test of independence was conducted to examine whether an association existed between Gender and DeviceType. The test revealed a statistically significant association, χ²(6, N = 400) = 25.854, p < .001. With df_min = 2 (based on the smaller dimension of the table, min(rows − 1, cols − 1) = 2), Cramér's V = .180, indicating a small effect size (Cohen, 1988). The hypothesis was supported; however, results must be interpreted with caution given a substantial violation of the chi-square assumption (see Diagnostic Notes below).

H8

PROCESS Model 4 mediation analysis (Hayes, 2022) was conducted using 5,000 bootstrap samples to examine whether TU_Mean mediated the relationship between IQ_Mean and LS_Mean. The a-path, representing the effect of IQ_Mean on TU_Mean, was significant, B = 0.27, SE = 0.05, t(398) = 5.377, p < .001, 95% CI [.174, .375]. The b-path, representing the effect of TU_Mean on LS_Mean controlling for IQ_Mean, was also significant, B = 0.28, SE = 0.04, t(398) = 6.562, p < .001, 95% CI [.196, .363].

The indirect effect of IQ_Mean on LS_Mean through TU_Mean was significant, B = 0.08, BootSE = 0.02, 95% Boot CI [.044, .114], as the confidence interval excluded zero. The completely standardized indirect effect was .074. The direct effect of IQ_Mean on LS_Mean, after controlling for TU_Mean, remained significant, B = 0.42, SE = 0.05, t(398) = 9.337, p < .001, 95% CI [.332, .509]. The total effect of IQ_Mean on LS_Mean was B = 0.50, SE = 0.05, t(398) = 10.879, p < .001, 95% CI [.407, .587]. Because the indirect effect was significant and the direct effect also remained significant after including the mediator, this pattern constitutes partial mediation. The hypothesis was supported.

Table 8: Direct, Indirect, and Total Effects for the Mediation of IQ_Mean → TU_Mean → LS_Mean

Note. N = 400. PROCESS Model 4 (Hayes, 2022); 5,000 bootstrap samples, 95% confidence intervals. †Bootstrap SE and CI. Completely standardized indirect effect = .074. Partial mediation was indicated.

H9

PROCESS Model 1 moderation analysis (Hayes, 2022) was conducted to examine whether StudyHours moderated the relationship between IQ_Mean and LS_Mean. Variables were mean-centered prior to analysis. The interaction term (IQ_Mean × StudyHours) was not statistically significant, B = 0.00, SE = 0.01, t(396) = 0.020, p = .984, 95% CI [−.026, .027], ΔR² = .000, F(1, 396) = 0.0004, p = .984. The ΔR² of .000 represents a negligible change in variance explained. Because no conditional effects table was produced (the interaction was non-significant and no simple slopes at ±1 SD were estimable from the output), no conditional effects are reported. The hypothesis was not supported: StudyHours did not moderate the effect of IQ_Mean on LS_Mean.

⚠️ Diagnostic Notes

H7 — Chi-Square Assumption Violation (SEVERE): Four cells (33.3%) had expected counts below 5, with a minimum expected count of 0.11. This is a severe violation of the chi-square assumption that expected cell frequencies should be ≥ 5. The violation was driven primarily by the very small Gender group 3 (n = 2). Readers should interpret the chi-square result with explicit caution. Recommended remedies include: (a) excluding Gender group 3 and re-running the analysis on the remaining two gender groups, which would reduce the table and may resolve the violation; (b) applying Fisher's Exact Test if the table can be reduced to 2 × 2; or (c) retaining the current analysis but clearly acknowledging the assumption violation and its potential impact on result reliability in the text.

References

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.

Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). The Guilford Press.