Ha existido poco trabajo en la literatura en relación con cambio específico en al ámbito del

coaching, pero una teoría psicoterapéutica se ha mostrado muy eficaz en este aspecto, pues
propone no solamente una descripción de las fases o etapas del cambio, sino que aporta
también un marco propicio la correcta intervención. Esta teoría fue propuesta por James
Prochaska (en la imagen) y Carlo Diclemente y recibe el nombre de Modelo Transteórico del
Cambio.

Dicho modelo explica las fases que una persona necesita superar en el proceso de cambio de
una conducta problemática (o conducta que se pretende cambiar) a una que no lo es,
considerando la motivación como un factor importante en este cambio, y asignándole al
sujeto un rol activo, pues éste es concebido como el principal actor en su cambio de
comportamiento.

El modelo, además, tiene en cuenta otras variables a parte de la motivación, que a opinión de
los autores influyen en el cambio de conducta. Dichos elementos son: las etapas de cambio, el
proceso de cambio, el balance decisional (pros y contras) y la autoconfianza (o autoeficacia).

Bayesianas multinivel

Los modelos multinivel son herramientas completas y precisas en las cuales se puede
basar decisiones, ya que permiten estudiar las relaciones dentro de los grupos, entre los
grupos y estimar la variación de cada una de dichas relaciones. En este trabajo, los
modelos multinivel son desarrollados desde un modelo sencillo sin variables explicativas
(modelo vacío) hasta un modelo de estructura jerárquica de nivel 3 con variables
explicativas. La estimación de los parámetros es sumamente importante para el ajuste del
modelo. Los modelos bayesianos para datos multinivel son tratados en este trabajo
utilizando métodos de Cadenas de Markov Monte Carlo (CMMC) con el muestreador de
Gibbs y el muestreador de Metropolis-Hastings. Los modelos de ecuaciones estructurales
son una poderosa herramienta de análisis que se utiliza para determinar los fenómenos
existentes, por medio de una relación de causa y efecto, de variables latentes y no
observadas. Estos modelos se fusionan con los modelos multinivel resultando los modelos
de ecuaciones estructurales multinivel, presentados de una manera general debido a la
profundidad y complejidad del tema.

La aplicaci´on de modelos bayesianos en modelos de regresi´on est´andar o en modelos de

regresi´on log´ıstica sigue el esquema general de la estad´ıstica bayesiana: Definir la
distribuci´on a priori correspondiente para los par´ametros. Determinar la verosimilitud de los
datos Aplicar el teorema de Bayes para actualizar la distribuci´on a priori en forma de
distribuci´on a posteriori En los casos que se ven habitualmente en el curso de Estad´ıstica
Bayesiana se consideran modelos con un par´ametro en cada vez, es decir no se consideraban
habitualmente la situaci´on de varios par´ametros al tiempo (caso multiparam´etrico). En el
caso de los modelos de regresi´on, se tienen que considerar varios par´ametros al mismo
tiempo. Por ejemplo en el caso de la regresi´on simple hay tres par´ametros: el intercept, la
pendiente y la varianza de los errores.

Tipos de variable dependiente cualitativa

DICOTOMICA : 1/0 LOGIT Y PROBIT

 Ordinal: ejemplo enunaescala de 1 a10 según elnivelde satisfacción

 Varias posibilidades sin orden : 1 consumir lecha , 2 leche B… y asi para los productos .
Logit Multinomial
 Variables con datos de recuento: NEGBIN
 Variables con distintos niveles jerárquicos

Debes saber que tipo de variable es mi variable dependiente

Estamos hablando de probabilidades de que un evento suceda en datos estadísticos

Son modelos en los que la relación causal es diferente

Se puede hacer MCO pero no es lo correcto porque cometes un gran error

Digamos que cuando tengo un salario bajo la probabilidad de comprarme una casa es bajo en
caso de que mi salario sube, sube la probabilidad de comprarme una casa, pero en caso de que
gane un salario de 5000 o mas ya da igual cuanto gane porque al final la probabilidad es alta de
que me comprare la casa.

Donnes et metodología

Para el estudio, les asignan una etapa de cambio a los fiadores de la encuesta para los cuales el
desplazamiento al campus por bicicleta potencialmente es posible. El objetivo no es estimar al
número de individuos dentro de cada etapa, sino más bien comprender los factores que
podrían influir sobre la pertenencia a la etapa. Las clasificaciones están basadas en el
comportamiento de viaje de los individuos declarados por ellos mismos, así como ellos
respuestas a las cuestiones aumentados.

Comoencontró 1480 individu

Los acusados son divididos en cinco etapas de cambio: Precontemplación, Contemplación,

Preparación, Acción, y Mantenimiento. Estas clasificaciones están basadas en el
comportamiento de viajes autorelatado de los individuos, así como sus respuestas a las
preguntas: ¿" Ha pensado usted en el ciclismo al campus? ¿" " y Cómo probablemente usted es
a la bici al campus en los próximos seis meses? " (Mesa 1). Esta asignación de etapa excluyó a
cualquier individuo que no viajó en la semana anterior o no respondió sobre su modo habitual
al campus, reducir la probabilidad de misclassification. Para modelar objetivos, también
quitamos a individuos con uno o varios campos de omisión, causando un tamaño final de la
muestra de 1480 individuos.

Correlación entre variables

La Correlación es una técnica estadística usada para determinar la relación entre dos o más
variables. La relación entre la duración de una carrera de distancia y el test del escalón, o la
relación entre las características de la personalidad y la participación en deportes de alto
riesgo. La correlación puede ser de al menos dos variables o de una variable dependiente y dos
o más variables independientes, denominada correlación múltiple. Coeficiente de correlación
El Coeficiente de Correlación es un valor cuantitativo de la relación entre dos o más variables.

El coeficiente de correlación de Pearson (r)

La coeficiente de correlación puede variar desde -1.00 hasta 1.00. La correlación de
proporcionalidad directa o positiva se establece con los valores +1.00 y de proporcionalidad
inversa o negativa, con -1.00. No existe relación entre las variables cuando el coeficiente es de
0.00.

Si es positiva quiere decir que si x sube , y sube

Si es negativa quiere decir que su relación es inversa

Si es 0 , no existe relación entre la variable x e y